一种基于枯草植被指数计算高寒枯草覆盖度的方法

摘要

本发明公开了一种基于枯草植被指数计算高寒枯草覆盖度的方法，利用实测枯草高光谱数据与MODIS的波段响应函数计算得到MODIS相应波段的枯草反射率。同时利用极差的分析方法计算枯草反射光谱的离散度数据，得到枯草光谱反射率的敏感波段。结合MODIS敏感波段波长范围，选取相应的MODIS波段构建枯草植被指数DGVI，在此基础上进一步修正枯草植被指数。在修正植被指数的基础上构建枯草覆盖度的反演模型，并和NDVI、RVI等植被指数构建的反演模型进行了对比，证明DGVI构建的枯草反演模型的覆盖度估算值误差明显小于其他模型。

说明书

技术领域

本发明涉及草地遥感领域，具体的说，涉及一种基于枯草植被指数计算高寒枯草覆盖度的方法。

背景技术

植被覆盖度是指植被(包括叶、茎、枝)在单位面积内的垂直投影面积所占百分比，是指示生态环境变化的重要参数。植被覆盖度不仅在水文模型、气候模型和生态系统模拟模型中作为重要的输入参数，而且还作为描述陆地植被生长状况的直观量化指标，被广泛用于植被变化监测、生态环境调查与综合评价﹐干旱、沙尘暴等自然灾害监测以及水土保持等诸多研究领域。青藏高原作为世界的第三极，保护高原生态系统是一个必不可少的措施。高寒草原作为高原生态系统中的不可分割的一环，也成为了近年来学者们的研究对象；作为草原生态系统中的重要指标之一的植被覆盖度也成为了重要的研究对象。目前，高原植被覆盖度的研究主要集中于研究生长期的单一植被以及多种植被混合类型覆盖度为主。冬季草地的储蓄情况和分布范围也是生态系统中的关键指标，但关于冬季高寒草地覆盖度的研究鲜有报道。因此，进行高寒枯草植被覆盖度的计算以及更高精度地估算区域或全球尺度的冬季植被覆盖度信息，对水文、生态、全球变化等研究领域具有重要意义。也对生态建设、环境保护、水文、农业、国土资源利用、灾害监测以及全球变化研究等都具有重要意义。

目前，植被覆盖度的计算方法主要分为两种：地面测量和遥感反演。

地面观测主要包括：目估法，人工采样法、照相法等。 传统的目估法是最简单的地面测量方法，但其主观性太强。采样法、照相法这些方法虽然在一定程度上提高了测量的精度，但受野外作业、人力、物力以及区域等条件的限制，无法满足快速提取大范围植被覆盖度的要求。

遥感测量具有覆盖范围广、重复周期短及高效、经济等特点，利用遥感测量的方法估算植被盖度相比传统地面测量更具优势。遥感反演包括：植被指数、物理模型法和混合像元分解法。植被指数法是通过建立试验区的遥感植被指数与实测植被覆盖度数据之间的经验统计模型，进而推算大面积区域的植被覆盖度信息。该方法虽然简单、易于计算，但需要大量的实测数据以建立相关模型，同时，针对不同植被类型需要建立不同的经验模型，易受时间、地域条件、植被类型等制约，在大区域研究中具有较大的不确定性和局限性，不易推广应用；物理模型是通过研究光与植被的相互作用，建立关于植被光谱信息与植被覆盖度物理关系的模型，常见的是基于LAI与植被覆盖度的反演模型，主要可分为辐射传输模型反演法和几何光学模型反演法。植被覆盖度物理关系的模型，理论上具有较广泛的应用，但此类模型需要大量的相关参支数据，且相关模型计算也比较复杂，难易在区域尺度范围上推广；混合像元分解模型法也称为亚像元分解法，即在一定假设条件下，分解多个组分构成的像元中的遥感信息，建立像元分解模型，从而获得植被覆盖度。最常用的混合像元分解模型是线性光谱混合模型，若其像元组分通常只考虑植被和土壤两种，则该模型被称为像元二分模型，模型中植被指数参数多采用归一化植被指数，即NDVI。此方法的估算精度主要由影像像元的分辨率和提取的纯地物像元的准确度决定，所以此方法要求较高的影像空间分辨率。

随着高光谱分辨率遥感技术的迅猛发展，可以直接对地物进行微弱光谱差异的定量分析，在叶绿素含量、生物量、叶面积指数估算等植被遥感研究与应用领域表现出强大的优势，也为枯草的植被覆盖度反演提供了有效的途径。目前，高光谱技术的应用范围主要集中在探索植被生长期的生物参数含量、分析不同的植被指数的应用效果以及不同估算模型对植被生物参数的估算结果的影响。冷季植被尤其是冷季天然草地的研究相对较少，进一步对高寒枯草生物参数的研究更是鲜有报道。而，现实中一个地区的地表植被覆盖度研究不能仅仅局限于其生长期。因此，需要考虑区域内枯黄期的植被生物参数的变化，充分利用高光谱数据，以估算枯草的覆盖度。

综上，现有技术的缺点主要体现在其样本覆盖度范围没有包含0-100%。

发明内容

本发明针对现有技术存在的不足，提供了一种基于枯草植被指数计算高寒枯草覆盖度的方法。本发明针对现有高寒枯草覆盖度估算方法的缺少，提供一种新的枯草植被指数，并构建枯草覆盖度光谱反射率反演模型的方法。

本发明的具体技术方案如下：

一种基于枯草植被指数计算高寒枯草覆盖度的方法，包括以下步骤：

S1，获取采样点的高光谱反射曲线：

选取一个牧草覆盖度为100%的样方，将所述样方平均分成若干个子样方，以中间子样方为光谱观测的标准点，每测一次光谱剪除一个子样方枯草，以d一测一剪的顺序剪获若干条枯草覆盖度光谱，建立0-100%以固定梯度等级变化的覆盖度光谱数据对；

S2，对所述高光谱反射曲线对进行预处理，得到反射率敏感波段；

利用极差分析，计算出光谱反射率数据各个波长的最值差，得到差异最大的波长范围和最小的波长范围，所得到的波段范围即敏感波段：MODIS的波段3、4和波段6；

S3，对敏感波段进行波段组合，得到新的枯草植被指数；

通过MODIS的波段响应函数计算得到各个敏感波段的光谱反射率，通过归一化和比值的方法得到植被指数，其中枯草植被指数的表达式为：

其中，band6表示MODIS的第6波段；

band4表示MODIS的第4波段；

band3表示MODIS的第3波段；

DGVI表示枯草植被指数；

S4，基于枯草植被指数与植被覆盖度实际测量值，通过线性回归方法，构建植被覆盖度估算模型；

对样本的覆盖度和光谱反射率数据进行线性拟合得到指数与覆盖度的回归方程；

S5，将验证样方输入枯草覆盖估算模型，筛选得到最优估算模型：

将野外采集的枯草样本数据分为建模样本集与验证样本集；其中，所述建模样本集用于构建植被覆盖度估算模型并获得建模精度，所述验证样本集用于验证构建的估算模型的精度并获得验证精度；通过所述建模精度与所述验证精度选取最优估算模型。

作为优选，验证构建的估算模型的精度并获得验证精度，包括以下步骤；

将所述验证样本的枯草植被指数带入植被覆盖度估算模型中求得相应的植被覆盖度估算值；

基于所述植被覆盖度估算值与所述验证样本集中相应的植被覆盖度实际测量值，利用拟合方法和计算均方根误差的方法，得到验证精度。

作为优选，所述步骤S2，对所述高光谱反射曲线对进行预处理包括步骤：

剔除错误光谱反射数据；

对光谱曲线进行求平均以及平滑处理；

利用极差分析，计算出样本光谱反射率数据各个波长的最大值和最小值的差值，并得到枯草反射率的敏感波段。

作为优选，所述植被指数包括归一化植被指数NDVI，比值植被指数RVI，垂直植被指数SAVI，土壤调节植被指数PVI和枯草植被指数DGVI。

作为优选，所述归一化植被指数NDVI，比值植被指数RVI，垂直植被指数SAVI，土壤调节植被指数PVI的表达式如下：

其中，NIR为近红外波段反射率；R为红色波段反射率；a，b分别为土壤线的斜率和截距；土壤调节系数L，取值范围0~1；L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零。

作为优选，所述步骤S1中，对每一目标的光谱观测记录数不少于10次，取平均值作为该次测量的冠层光谱反射率数据。

作为优选，所述步骤S1中，测量时，子样方与参考白板测量交替进行测量，每测量子样方一定时间后就重新获取白板光谱，采集得到覆盖度反射率光谱数据。

有益效果在于：

本发明所述的枯草植被指数在高寒枯草估算结果显示，枯草植被指数的估算回归方程的拟合精度高于NDVI，RVI，SAVI，PVI。覆盖度估算误差相较于NDVI，RVI，SAVI，PVI四种植被指数有所降低；表明本发明中所述的DGVI在高寒枯草的覆盖度反演效果比传统的植被指数更好，说明其对高喊枯草的变化具备较高灵敏性，并弥补了NDVI等植被指数在冬季植被覆盖度估算上的不适用性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为获取本方法所述一种基于枯草植被指数计算高寒枯草覆盖度的方法的流程图；

图2a为NDVI植被指数的覆盖度估算值与实测值对比结果图；

图2b为SAVI植被指数的覆盖度估算值与实测值对比结果图；

图2c为RVI植被指数的覆盖度估算值与实测值对比结果图；

图2d为PVI植被指数的覆盖度估算值与实测值对比结果图；

图2e为DGVI植被指数的覆盖度估算值与实测值对比结果图；

图3a为NDVI植被指数与覆盖度的拟合关系图；

图3b为SAVI植被指数与覆盖度的拟合关系图；

图3c为RVI植被指数与覆盖度的拟合关系图；

图3d为PVI植被指数与覆盖度的拟合关系图；

图3e为DGVI植被指数与覆盖度的拟合关系图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。

现在结合说明书附图对本发明做进一步的说明。

本方法设计了一个从覆盖度范围为0-100%的观测方案，很好的解决了野外无法获取不同覆盖度的问题。采样地点为青藏高原三江源地区，所获得的光谱数据也能很好的反映出高寒枯草的光谱特征。利用实测枯草高光谱数据与MODIS相应的波段响应函数计算得到MODIS相应波段的枯草反射率。同时利用极差分析方法计算枯草反射光谱的离散度，得到枯草光谱反射率的敏感波段。结合MODIS的波段反射率和敏感波段的范围，选取相应的MODIS波段构建枯草植被指数（DGVI），在此基础上进一步修正枯草植被指数。在修正植被指数的基础上构建枯草覆盖度的反演模型，并和NDVI、RVI等植被指数构建的反演模型进行对比分析，得出，由DGVI构建的枯草反演模型的覆盖度估算值与验证样方的实测值误差相对较小。

具体来说，请参考图1所示，包括以下步骤：

S1、获取采样点的高光谱反射曲线；

观测使用的仪器为美国ASD(analytical spectral device)公司的ASDFieldSpec4光谱仪，波段值为350～2500nm，其中350～1000nm光谱采样间隔为1.4nm，光谱分辨率为3nm；1000～2500nm光谱采样间隔为2nm，光谱分辨率为10nm。在晴天阳光充足的11：00-16：00时间段内，利用该仪器测定枯草样方的冠层光谱反射率，测量时基本无云无风，传感器探头垂直向下，视场角为25°，距离冠层顶端约为80cm。为减小随机误差影响，对每一目标的光谱测量记录数为10次，取平均值作为该次测量的冠层光谱反射率数据。测量时，为减少大气变化影响，牧草与参考白板测量交替进行，每测量牧草20分钟就重新获取白板光谱。采集得到覆盖度反射率光谱数据。

S2、对所述高光谱反射曲线进行预处理，得到反射率敏感波段；

在ViewSpecPro软件下对采集的光谱数据进行预处理：

（1）剔除错误光谱反射数据；

（2）对光谱曲线进行求平均以及平滑处理；

（3）利用极差分析，计算出样本光谱反射率数据各个波长的最大值和最小值的差值，得到敏感波段。

S3、对敏感波段进行波段组合，得到新的枯草植被指数；

将预处理后的光谱数据导入EXCEL，并利用MODIS各个波段的响应函数计算出每个波段的光谱反射率数据，将波段反射光谱数据输入枯草植被指数公式计算得到每个覆盖度的枯草植被指数值。其中，所述枯草植被指数的表达式如下所示：

其中，Band6表示MODIS的第6波段；

Band4表示MODIS的第4波段；

Band3表示MODIS的第3波段；

DGVI表示枯草植被指数。

S4、结合植被指数值（NDVI，RVI，SAVI，PVI四种植被指数和DGVI）与枯草覆盖度实际测量值，通过线性回归方法，构建5种植被覆盖度估算模型；

S5、利用验证样方的枯草数据（覆盖度和高光谱反射率数据）对植被覆盖估算模型进行筛选得到最优估算模型。

选取青海省玉树隆宝试验场为采样地点，采用本发明所述的DGVI对所采集的光谱数据进行枯草植被指数计算并比较不同植被指数（NDVI，RVI，SAVI，PVI四种植被指数）覆盖度估算模型的估算精度，主要包括以下步骤：

（1）数据的获取和预处理：利用ASD光谱仪于青海省玉树隆宝试验场采集样本反射率光谱数据。将得到的光谱数据在ViewSpecPro软件中进行预处理，并将每个样方的反射率光谱数据导出为文本数据。其中，预处理包括求平均和平滑。

（2）敏感波段反射率的计算：在EXCEL中将反射率数据带入MODIS的第3、4和6波段的光谱响应函数，得到样本反射率光谱数据的三个波段的反射率值。

（3）五种植被指数的计算，建立植被指数值和覆盖度的回归方程：将波段光谱反射率数据带入不同的植被指数公式（NDVI，RVI，SAVI，PVI四种植被指数和DGVI），计算出每条光谱反射曲线的不同植被指数值，并得到不同植被指数值与枯草覆盖度的拟合关系，如图3a~图3e。从图3 a~图3e的拟合关系分布图可以看出：采用DGVI计算出的植被指数值与枯草覆盖度的拟合度是最好的，R

其中，所述的(NDVI)归一化植被指数、(RVI)比值植被指数、(PVI)垂直植被指数和(SAVI)土壤调节植被指数的表达式分别如下所示：

其中，NIR为近红外波段反射率；R为红色波段反射率；a，b分别为土壤线的斜率和截距；土壤调节系数L，取值范围0~1；L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零。

（4）五种枯草估算模型的构建和验证：将验证样方的波段光谱反射率值带入不同植被指数（NDVI，RVI，SAVI，PVI四种植被指数和DGVI）公式，得到植被指数值。将植被指数值带入构建的枯草覆盖度估算模型，即计算出验证样方的枯草覆盖度估算值。分别比较验证样本的枯草覆盖度的估算值和实测值之间的关系（图2a~图2e），并评估了5种模型方程的精度（表1）。从图2a-图2e和表1可以看出，5种植被指数中SAVI（图2b）的估算效果最差，呈现出整体向下偏移的趋势，R

表

因此，基于上述结果可知，本发明所述的枯草植被指数在植被指数计算和枯草覆盖度估算的结果显示，在植被指数值与覆盖度的拟合关系，枯草植被指数与枯草覆盖度变化的敏感性比NDVI，RVI，PVI更好，与SAVI相当；在覆盖度估算模型的精度这方面，相比于NDVI，RVI，SAVI和PVI，枯草植被指数估算模型的估算精度更加的高，表明本发明中所述的DGVI和相应的枯草覆盖度估算模型对冬季高寒草地的植被状态变化（覆盖度）具备较高灵敏性，并弥补了NDVI，RVI，SAVI和PVI对冬季高寒草地估算不敏感的缺陷。

以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。