基于遥感影像的植被覆盖度变化分析

张 琛

（辽宁省自然资源事务服务中心—辽宁省基础测绘院，辽宁 锦州 121003）

0.引言

植被是生态系统中的第一生产者。植被能够防沙固土，净化空气，防止水土流失，释放能量，因此对植被进行监测和保护对于治理环境问题具有重要的意义。随着城市化进程的加快，城市人口增加、工矿业发展迅速，为了防止出现各种环境问题，非常有必要进行植被覆盖度的监测，实时掌握城市植被覆盖情况，为城市有关部门制定合理的环境保护政策提供依据。

根据监测手段的不同，植被覆盖的测量方法分为实地测量法和遥感解译法[1]。采用传统的实地测样方法估算植被覆盖度要花费巨大的人力、物力，并且在大区域的测量中精度难以保证。因此，采用遥感影像进行植被覆盖度监测是当今研究植被覆盖状况的主要手段。Wittich和Hansing针对不同的土地利用类型建立了植被覆盖度与NDVI的经验模型，并用NOAA AVHRR数据计算研究区的植被覆盖度[2]。刘玉安等利用“北京一号”小卫星多光谱数据，结合淮河上游流域实际情况，基于像元二分模型对淮河上游植被覆盖度进行了估算[3]。王宁等在计算得到的归一化植被指数NDVI的基础上建立像元二分模型，并用该模型计算出滁州市的植被覆盖度，用实测数据对估算到的植被覆盖度进行验证，结果表明使用此模型进行植被覆盖度监测是可行的[4]。本文采用三期Landsat遥感影像数据，对图像进行预处理后计算每期影像的归一化植被指数NDVI，以此为基础建立像元二分模型，估算三期影像的植被覆盖度，分析植被覆盖度的时空变化，进一步对其影响因素进行分析和讨论。

1.数据准备

输入网址http://landsat.usgs.gov/并登录，在USGS网站上下载某城市2007年、2013年、2019年的遥感影像，所得的影像含云量都低于3%，影像质量良好。对植被类进行监测时，影像的时相最好选择作物生长茂盛的春秋两季。本文选取的三期影像均在9月中旬获取，进一步确保了监测的客观性。

在研究之前，必须对遥感图像进行预处理。以植被为研究对象时，所以首先进行大气校正，消除大气和光照等因素对地物反射的影响，获取植被真实的反射率数据。本文采用的是快速大气校正，传感器类型为Landsat TM以及Landsat OLI，选择波段为红色波段和近红外波段，QUAC从不同物质波谱的平均反射率中获取经验，而不依赖每个图像，因此处理速度较快。然后，以2013年的遥感影像作为基准影像，采用二次多项式及双线性内插法选择同名点（或控制点）来配准2007年及2019年的两期影像。覆盖研究区的影像包括120/30和120/31两景数据，需要将每一期的两景影像都做镶嵌处理，通过手动绘制接边线，使得两景影像之间衔接自然。接着，进行波段合成，由于本文采用了Landsat8和Landsat5两种影像，因此，Landsat8所采用的波段组合是5、4、3标准假彩色图像，Landsat5采用的波段组合是4、3、2，有助于识别植被。最后，对拼接完的影像进行裁剪，得到研究区的遥感影像。

2.植被覆盖度估算

2.1 基于像元二分模型的植被覆盖度提取

像元二分模型相对简单，应用广泛。许多研究者通过建立像元二分模型对不同研究区的植被覆盖度进行估算，经过验证，都得到了较高的精度。本文也基于此模型研究城市植被覆盖度。

NDVI的最大值和最小值分别为纯植被的NDVI值和纯土壤的NDVI值。在确定NDVI的最大值和最小值时具有较大的主观性，有些学者根据累计像元数达到5位数来获取阈值，而本文根据像元累加数的比重划分，采取置信度为95%和5%。再根据植被指数与植被覆盖度之间的关系得到城市植被覆盖度。经分析，研究区内植被覆盖度最大值近似取1，植被覆盖度最小值为0，植被覆盖度较高的区域为城市的西南部，植被覆盖度较低的或者完全为裸地的区域集中在城市的西北部。

（1）计算不同时相的NDVI图像

计算NDVI值时，Landsat5影像的红外波段为3、近红外波段为4，Landsat 8影像的红外波段为4、近红外波段为5。由于影像中有水体、背景、建筑等地物，所以会出现NDVI异常值，通过数学运算，使NDVI取值在-1～1之间。

（2）获取阈值

选取三期已去除异常值处理的NDVI图像，统计每个NDVI值出现的概率，本文选择的置信度为5%和95%。其中，5%对应的值为NDVI最小值，95%对应的值为NDVI最大值。

（3）求解纯植被像元的NDVI值（NDVIveg）和纯土壤像元的NDVI值（NDVIsoil）

取NDVImin=NDVIsoil，NDVImax=NDVIveg。通过计算，得到2007年、2013年、2019年 的NDVIsoil参数 依 次 为：0.309、0.255、0.396；2007年、2013年、2019年的NDVIveg参数依次为：0.757、0.733、0.835。

（4）植被覆盖度计算

三期的参数值确定后将整个研究区分为三个部分：当NDVI灰度图像中的像元值小于所获取的NDVImin时，植被覆盖度取值为0；当NDVI灰度图像中的像元值大于所获取NDVImax时，植被覆盖度取值为1；介于两者之间的像元使用NDVI计算植被覆盖度的公式求得。对三期植被覆盖度图像进行统计，得到2007年平均植被覆盖度为55.77%；2013年平均植被覆盖度为54.82%；2019年平均值被覆盖度为51.20%。

2.2 植被覆盖度分级

在得到的植被覆盖度基础上，按照分级标准，将植被覆盖度分为五个等级：0～0.2为低植被覆盖度，0.2～0.4为中低植被覆盖度，0.4～0.6为中植被覆盖度，0.6～0.8为中高植被覆盖度，0.8～1.0为高植被覆盖度。研究区三期植被覆盖度分级图如图1所示。

图1 2007年、2013年、2019年三期植被覆盖度分级图

2.3 精度验证

由于Landsat5卫星于2013年退役，同年，Landsat8卫星发射，且获取的影像质量优于Landsat5，因此，2013年和2019年的监测影像选取了Landsat8数据。Landsat5和Landsat8数据是一脉相承的，其空间分辨率均为30 m，只是波段号和波长有些差异。计算植被覆盖度只需用到影像的红外波段和近红外波段，Landsat5和Landsat8都有对应的红外波段和近红外波段，这两个波段的波长区间也相近，因此，这两种卫星数据计算的结果是具有可比性的。将这两种卫星影像求得的三期植被覆盖度和分级情况分别进行精度验证，计算混淆矩阵，验证每种影像的监测结果。三期监测结果的混淆矩阵如表1所示。

表1 三期监测结果精度评估矩阵

从表1可以看出：三期监测结果的总体精度都在80%以上，Kappa系数也在0.68以上，各分类级别基本都能够准确对应。因此，通过像元二分模型提取植被覆盖度的方法精度较为可靠。

3.植被覆盖度变化检测

3.1 植被覆盖度随时间变化

为了能够更加明显地展示每年植被覆盖度的具体情况，对2007年、2013年、2019年三期植被覆盖度等级图进行分析，统计各等级的面积、百分比以及不同等级之间的变化关系如表2所示。

表2 植被覆盖度变化统计表 单位：km2

从表2可以看出：2007年—2019年植被覆盖度数量变化明显。一级、四级、五级植被覆盖度面积均减少，二级、三级植被覆盖度面积增加，也就是说，植被破坏和植被保护并存。该地区整体上的植被呈退化态势。

3.2 植被覆盖度空间动态变化

从三期植被覆盖度等级的空间分布情况可以看出，2007年和2013年植被覆盖度较高的区域主要集中在东北部和南部地区，西北部地区也有零星分布；2007年植被覆盖度较低的区域主要集中在东南部地区，东北部地区也有少量分布；2013年植被覆盖度较低的区域主要集中在西北部和东北部地区。到2019年，植被覆盖度较高的区域主要集中在南部地区，东北部地区也有零星分布，植被覆盖度较低的区域主要集中在东北部和西南部。总体来看，2007年—2019年该地区植被覆盖度在逐渐降低，植被退化。

3.3 植被覆盖度等级变化

将不同时期的植被覆盖度等级图进行转移矩阵分析，统计出十余年间城市不同植被覆盖度等级之间的转移情况。从植被覆盖度等级的转移情况可以看出，该地区植被覆盖面积逐渐减少，生态环境逐渐恶化。植被退化与植被恢复两者之间是相互存在的，有从低级植被覆盖度转变为高级植被覆盖度的，也有从高级植被覆盖度转变为低级植被覆盖度的。以林地、良田等植被为代表的较高植被覆盖主要转变为以农田、中产草地、林地等植被为代表的平均植被覆盖，转变面积为810.59km2；以林地、高产草地等为代表的高植被覆盖主要转换为以农田、中产草地、林地等植被为代表的平均植被覆盖，转变面积为706.36km2；以草坪、林地、田地等为代表的较低植被覆盖主要转化为以农田、中产草地、林地等植被为代表的平均植被覆盖，面积为501.64km2。

4.植被覆盖度变化驱动力及发展趋势分析

4.1 植被覆盖度变化驱动力

4.1.1 自然因素

该地区是典型的北温带大陆季风气候区，气候干旱，降雨量少，风大沙多。地表土层松散，容易出现水土流失、土地退化等现象。水土流失现象在坡度较大的地区很容易发生，坡度越大，土壤侵蚀严重。4—9月是植物生长时期，而该地区4—6月正值大风期，降水量少，干旱时间长。因此，在植被生长重要时期，干旱抑制了植被的生长。在大风的作用下，地面失去植被的保护，土地进一步旱化，植被难以再次植入土壤，导致生态环境遭到破坏。

4.1.2 人为因素

随着城市化进程的加速，过度开垦荒地、砍伐森林、毁草种田等不合理的土地开发方式导致植被覆盖度下降。畜牧业是该地区支柱产业，畜牧业饲养量一直处于上升趋势，加之大面积的草地变为荒地，草地面积迅速减少，草场被过度啃食、践踏，使得草场的植被恢复力脆弱，草场沙化、水土流失进一步加剧。该地区矿产资源丰富，由于矿产资源长期的不合理开发，使得矿山周围的植被、水体等自然景观受到不同程度的影响和破坏，植被逐渐退化。

4.2 植被覆盖度发展趋势

为了更加确切地表示该地区的植被覆盖度变化趋势，基于2007年、2013年、2019年三个时期的植被覆盖度图像，对其两两做差值运算，得到2007年—2013年、2013年—2019年、2007年—2019年的植被覆盖度变化图像，计算公式如下：

其中，D表示前后两年的植被覆盖度变化值；Fcn表示前一年植被覆盖度值；Fc（n－1）表示后一年植被覆盖度值。

得到植被覆盖度动态类型演变图，能够分析植被覆盖度变化趋势。十余年间植被覆盖度演变情况如图2所示。

图2 2007年—2013年、2013年—2019年、2007年—2019年植被覆盖度演变图

通过分析植被覆盖度演变类型和演变面积，得出该地区 植被覆盖度演变趋势如表3所示。

表3 植被覆盖度演变类型的面积及占比 单位：km2

由图2和表3可以看出：2007年—2013年期间，该地区植被退化面积为3 993.76km2，占地区总面积的41.97%，其中，以一般退化和明显退化为主。植被稳定面积为1 912.84 km2，占总面积的18.43%。植被改善面积为4 109.65 km2，占总面积的39.6%，其中，面积占比较大的为轻微改善和一般改善。从数据分析来看：2007年—2013年植被的变化趋势为轻微退化，退化面积是改善面积的1.03倍。植被改善位于南部地区，主要是明显改善类型，东北部和北部地区也有零星分布，主要是轻微改善和一般改善。植被退化主要在西部和东北部地区，以明显退化和一般退化为主。

2013年—2019年间，该地区植被退化面积为4682.02 km2，占地区总面积的45.12%。其中，以明显退化为主，占总面积的18.09%。稳定植被面积为1927.99 km2，占总面积的18.58%。植被改善面积为3 766.28 km2，占总面积的36.3%。其中，以一般改善和轻微改善为主。从空间分布来看，2013年—2019年，植被明显改善地区位于中部和东北部地区，面积占比较小。植被一般改善和轻微改善位于西北部和东北部地区，分布比较零散。植被退化区域主要在西部和东北部，面积占比较大。由此可以看出：从2013年—2019年，植被退化面积是植被改善面积的1.24倍，所以，该地区植被覆盖度发展趋势以退化为主。

2007年—2019年，该地区植被退化面积为5 006.11 km2，占地区总面积的47.43%；植被稳定区域面积1 572.98 km2，占总面积的15.16%。植被改善面积为3 797.15 km2，占总面积的36.6%。植被退化面积是植被改善面积的1.32倍，所以，2007年—2019年，植被覆盖发展趋势以植被退化为主，植被退化较为严重。从空间分布情况来看：植被退化主要位于东北部和西部地区，以明显退化为主；一般退化和轻微退化比较分散，占比面积较小；植被明显改善主要位于南部地区，北部地区有零散分布；植被一般改善和轻微改善地区位于西部和东北部，分布较为零散。

5.结束语

本文选用Landsat影像数据，利用归一化植被指数和像元二分模型对城市植被覆盖度状况进行了估算，从时间和空间的角度分析了2007年—2019年期间城市植被覆盖度的变化情况，得出该地区总体植被覆盖度呈退化趋势，植被覆盖度等级呈降低趋势，小部分区域有植被覆盖改善情况。在利用遥感影像进行植被覆盖度计算过程中，由于每年降雨量、土壤湿度、温度、地表环境等条件都不同，植被生长状况也可能随之变化，因此，植被覆盖度变化发展趋势应综合考虑多种情况。基于像元二分模型提取植被覆盖度时，置信度的选择没有明确的规定，所以，选取阈值时具有一定的主观性。利用中等分辨率的遥感影像提取植被覆盖度时，影像空间分辨率较低，存在混合像元问题，对提取的植被覆盖度有一定的影响。