地信本科毕业论文植被覆盖

刘爱霞1 王静1 刘正军2

（1.国土资源部土地利用重点实验室，中国土地勘测规划院，北京，100035；2.中国测绘科学研究院，北京，100039）

摘要：本文主要讨论基于 MODIS 16 天合成的 NDVI 时间序列数据、8 天合成 LST 数据、1∶5 万DEM数据以及其他辅助数据相结合，进行北京西北部地区土地资源现状调查和土地利用及植被覆盖多年变化的研究。首先选取适合于 MODIS 数据分类的土地覆盖分类系统，用 PCA 方法对NDVI 时间序列数据进行信息增强与压缩处理，结合LST数据、DEM数据及降雨温度数据，利用模糊K－均值非监督分类法，进行研究区的土地覆盖分类，得到土地资源现状情况。然后利用变化矢量（CVA）分析方法对北京西北部地区的土地利用及植被覆盖的多年变化状况进行了分析。结果表明，MODIS 数据能很好地应用于大范围的土地资源监测中，并能得到较好的结果。

关键词：北京西北部；MODIS；土地资源现状；土地利用及植被覆盖变化

随着“人口－资源－环境”之间的矛盾日益尖锐，为了实现可持续发展的战略目标，世界各国政府都在大力加强资源与生态环境监测系统的建设。我国《全国生态环境建设规划》和《全国生态环境保护纲要》也明确提出要完善生态环境监测和信息服务体系。国土资源部《科技发展“十五”计划纲要》强调大力推进国土资源管理工作的信息化，强调努力实现国土资源调查评价工作的现代化。其中，土地资源调查与监测是其主要内容之一。

随着现代遥感技术的迅速发展，适合于不同空间尺度土地资源调查监测的各种遥感数据相继出现。目前，SPOT5、Landsat TM/ETM＋遥感数据是土地资源调查的主要数据源，适合于乡级、县级、区域级等不同尺度，但是应用于较大空间尺度的土地资源调查时，耗费大量人力、物力，且不经济。近年出现的中空间分辨率、高时间分辨率的 MODIS 数据为大尺度的土地资源调查提供了更好的数据源。Tucker 等人研究表明［1］，归一化植被指数 NDVI 实际反映了植被生物量、覆盖度和叶绿素含量三方面的生物物理化学性质，利用不同时相条件下的 NDVI序列，可以比较准确地反映植被的生长季相变化的规律。这成为利用遥感数据进行大区域范围植被和土地覆盖制图的基本思路［2～4］。

本文尝试以MODIS的NDVI时间序列数据集为主要数据源，结合MODIS LST、DEM、降雨、温度等辅助数据，首先选取适合的土地覆盖分类系统，通过 PCA 等数据处理方法，使用模糊K－均值非监督分类法，进行北京西北部地区的土地覆盖自动分类研究；然后利用变化矢量（CVA）分析方法对该区的土地利用及植被覆盖的多年变化状况进行分析，以便为大尺度土地资源的调查监测提供一种快速便捷的方法。

1 研究区概况

北京西北部地区是我国生态环境建设部门重点关注和投资的地区，本研究区主要包括北京市西北部的风沙源区，涉及河北、山西、内蒙古三省 8个市（地、盟）的 51个县（市、旗），土地总面积为×104 km2。该区范围西起内蒙古的四子王旗，东至内蒙古的敖汉旗，南起山西的代县，北至内蒙古的阿鲁克尔沁旗，地理坐标为东经 110°20′～121°01′，北纬38°51′～45°25′。

研究区地处内蒙古高原中部、黄土高原的北端，位于内蒙古、山西和河北三省交界处，区内地表形态主要由高原、山地、丘陵和盆地几大部分组成，地势呈中间高、南北低趋势。研究区跨中温带和寒温带，属干旱、半干旱大陆性季风性气候，气候变化较为明显。冬春季节受西伯利亚和蒙古冷高压控制，气候干燥少雨，主导风向为西北风，风力强劲，风蚀型外营力地质作用极为强烈，研究区北部的浑善达克沙地和科尔沁沙地，生态环境极为脆弱，是北京西北部地区的主要风沙源区。区域夏秋季节受太平洋副热带高压控制，多东南风，风力较弱，水汽补给较少，气候炎热少雨。区域年均气温 ℃以下，年降雨量为200～750mm，但降雨集中，降雨强度大，外加区域地势比降大，土质疏松，水蚀型外应力地质作用和重力侵蚀作用强烈，水土流失严重，而且容易发生滑坡和泥石流。

2 数据及预处理

遥感数据

本文所用遥感数据是美国EROS数据中心提供的MODIS影像。NDVI数据是2001～2004年16日合成的时间序列数据，共23个时相，空间分辨率为250m。陆面温度（LST）是2002年的8日合成时间序列数据，共46个时相，空间分辨率为1 km。

在 MODIS 数据处理中，用 MRT 几何纠正与镶嵌软件完成了图像的几何纠正和镶嵌。然后用最大合成法（MVC）对同一区域内植被指数、陆面温度等多时相的数据进行合成预处理，即图像中每一像元用j天中的最大像元值来代替，该处理的目的是为了减少大气的云、颗粒、阴影、视角以及太阳高度角的影响（Brent，.，1986）。虽然最大合成过程（MVC）减少了大气的云、颗粒等的影响，但是云污染仍存在，接着采用改进的 BISE （the best index slope extraction）方法进行 NDVI 的多时相去云处理。尽管所用 MODIS 的LST 数据都是8 天合成数据，但 Ts 数据质量非常差，为了解决数据残缺的问题，我们利用线形回归来模拟这些数据。地表温度是高度空间相关的，相邻时相同一区域内的 Ts 在空间上存在某种相同的相关性，用线性关系来拟和这种关系；用相同大小的模板同时在被修复图像和参考图像上滑动，如果处于被修复图像模板中心值是零值或异常值，则用最小二乘法求出两个模板内有效数据间的线性回归系数，然后用该系数和参考图像模板中心值求出新值替代原来的零值或异常值。

其他辅助数据

辅助数据主要有通过 ETM＋数据目视解译得到的 2002年北京西北部地区土地利用现状图，北京西北部地区 1∶50000 DEM 数据，北京西北部地区的降水、温度数据。利用北京西北部地区各气象站点资料先计算各站点的年平均积温、年平均降水量，然后利用Kriging 插值方法获得北京西北部地区栅格的年平均气温、年平均降水量分布图。

3 研究方法

土地覆盖分类

（1）选取适合于 MODIS 数据分类的土地覆盖分类系统，本研究采用《基于遥感数据的土地利用/土地覆被分类体系》［5］。该分类体系最重要的特色在于，针对不同空间尺度和所对应的遥感数据源，都具有其相应的分类，而且分类类型逐渐细化。对于一级分类和二级分类，侧重于土地覆被的分类，即对于中、低空间分辨率遥感数据，以土地覆被分类为主。

（2）用 PCA 方法对 NDVI 时间序列数据进行信息增强与压缩处理，以排除各种干扰因素，提高分类精度。采用 PCA变换可以将原有的12个月中有用的NDVI信息中的绝大部分压缩到少量的前几个主分量中，同时排除了部分由于数据质量等原因引起的噪声。因此，利用 PCA变换可以有效保证分类精度不受损失。实际结果的研究也表明，PCA 在对于抑制噪声影响和保证分类精度起到了重要的作用［6］。

（3）结合 LST 数据、DEM 数据及降雨温度数据，利用模糊K－均值非监督分类法，进行研究区的土地覆盖分类［7］，经过分类后处理，对分类发生明显错误的图斑进行更正，得到北京西北部地区的土地覆盖分类图。

土地利用及植被覆盖多年变化分析

变化向量（CVA）分析是一种非常有潜力的植被比较分析方法，根据变化矢量的强度和方向判定变化的区域和类型［8］。变化矢量分析技术用指示参数年时序中的每个数据值作为时序空间的一点，时序空间连续几年的点连接成变化矢量。变化矢量的方向确定了变化的推进，矢量的大小表征了变化的强度。

例如，用连续多年12个月的数据来进行变化矢量分析，则变化矢量空间由每年的12个变化监测指示因子图像构成，故全年指示因子对应于一个12 维的时间矢量：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

P （i，x）表示像元i对应于x年的矢量，x （t）为像元i在时间t1到tn的指示因子值，n表示时间维数。矢量的模‖P‖ 代表了全年指示因子累积，矢量的方向为全年指示因子的时间曲线形状的综合反映。

任意两年间指示因子的任何变化都会表现在这12维空间中，这种变化可用变化矢量描述如下式：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

ΔP （i）是像元i从x年到y年的变化矢量。ΔP （i）包含了（y－x）年间，像元i在每一时间维上的变化信息。变化矢量的模‖ΔP （i）‖，由欧氏距离（Enclidean distance）决定，表示了指示因子变化的强度。

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

当‖ΔP （i）‖超过某一阈值时，往往对应着植被覆盖类型从一种类型转变成另一种类型。ΔP （i）的方向由一系列的角度定义，决定了指示因子的变化过程。

对计算出变化矢量强度，依据图像的直方图特征和地面资料可以采用阈值分割的方法划分不同的矢量变化强度等级。

借助于指示因子累计值的变化率来判断矢量变化类型。变化率的定义如下：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

4 结论与讨论

土地资源现状调查

通过对研究区2002年12个月的NDVI时间序列数据进行主成分分析得到的前四个主分量，基于1 km 分辨率的 MODIS 8 天合成 LST 数据得到的研究区年均 LST 数据，1∶5 万DEM数据，然后结合降雨温度数据，采用模糊K－均值非监督分类法，得到北京西北部地区的土地覆盖分类结果。然后，对分类结果进行分类后处理，对分类发生明显错误的图斑进行更正，最后得到2002年北京西北部地区的土地覆盖分类图（图1）。

图1 2002年北京西北部地区土地覆盖分类图

通过图1和图2可以看出，北京西北部地区土地覆盖类型中草地的覆盖面积所占比例最大，约占总面积的53%，内蒙古高原的浑善达克沙地和丘陵区及研究区东部的科尔沁草原南缘地带呈集中连片分布；中西部坝上高原地区的低洼处和河湖滩地的周边、阴山山脉东部及周边地区的丘陵地区也比较集中。牧草地总面积的60%以上分布在沙质甚至沙砾质干旱草原区。农用地占研究区总面积的21%，主要分布在研究区西南部高原和盆地中，多呈条带状沿河谷和河流冲积平原分布。林地占研究区土地总面积的13%，主要分布在大兴安岭、燕山、恒山、阴山山脉地区，在研究区的东部和西南部山区是林地集中分布地区，且大多分布在山体的上部。裸地占研究区总面积的8%，主要分布在北部浑善达克沙地和东部的科尔沁沙地。研究区中，湿地、水域和建设用地所占面积比例最小。

图2 2002年北京西北部地区各土地覆盖类型所占比例

土地利用与植被覆盖多年变化

用变化矢量分析法对北京西北部地区2001～2004年NDVI 的变化进行监测。所用数据是北京西北部地区2001～2004年的每月的最大 NDVI 时间序列值，首先计算 NDVI的变化矢量模，然后采用对变化矢量模进行图像分割的技术来生成 NDVI 的变化强度。图像分割满足：①相似性原则，即同一区域内像元应相似；②非连续原则，即从一个区域向另一个区域搜索，像元一定有某些变量特征（梯度等特征）发生突变，从而确定边界。

变化强度

NDVI 变化强度反映了植被覆盖的变化情况。综合考虑植被覆盖度变化矢量模的直方图、均值和方差来确定每个分割点，对变化矢量模进行分割得到变化强度。

表1 矢量变化强度不同等级阈值

从图3和图4中可以看出，2001～2004年4年间，北京西北部绝大部分地区土地利用/植被覆盖状况没有发生大的变化，生态系统基本维持平衡。无变化和低变化地区占北京西北部地区总面积的。

无变化区面积最大，占总面积的，主要分布于北京西北部地区的赤峰市、敖汉旗、翁牛特旗、巴林右旗和阿鲁科尔沁旗，北部的锡林郭勒盟和四王子旗等地，表明5年间三峡库区的植被覆盖在水平方向上很少变化。

低变化区面积占总面积的 ，主要分布在北京西北部地区的察哈尔右翼中旗、察哈尔右翼前旗、克什克腾旗、正镶白旗、正蓝旗和太仆寺旗的交界处等地区。

中变化区的面积比较小，主要集中在北京西北部地区的凉城地区。

剧烈变化区，主要集中在北京西北部地区的西部地区、浑善达克沙地周围、克什克腾旗北部和四王子旗等地。

图3 北京西北部地区 2001～2004年植被指数 （NDVI） 变化强度

图4 植被覆盖度矢量变化强度面积比例

变化类型

以上计算了北京西北部地区4年间NDVI矢量变化强度。矢量变化强度反映了2001～2004年4年间北京西北部地区NDVI的变化程度，但无法判断这4年间植被覆盖度到底是增加还是减少了。因此可以同时借助 NDVI 变化强度和 NDVI 累计值的变化率来判断ND-VI 矢量变化类型［9］。

取变化强度的无变化和低变化的界值作为阈值 M，变化强度小于 M 的像元，被认为其变化为平稳型，当变化强度大于 M 时，再根据累计变化率来确定其变化类型。具体参数如下：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

根据计算出NDVI的累积变化率，再考虑公式（5）可以得到NDVI矢量变化类型图。

从图5和图6可以看出，2001～2004年北京西北部地区的植被覆盖总体上表现为稳中增加的趋势。归纳起来的变化特征为：

图5 北京西北部地区 2001～2004年植被覆指数 （NDVI）

图6 植被覆盖度矢量变化强度面积比例

（1）植被覆盖变化类型中以平稳型为主，占整体面积的，主要分布于北京西北部地区的东北、西北等地区。

（2）增加型占的比重也比较大，占北京西北部地区面积的，主要分布在北京西北部地区中南部地区。

（3）减少型代表植被覆盖度有一定的减少，所占比重很小，主要分布在北京西北部地区的北部零散地区。

（4）波动型占北京西北部地区面积的，主要分布在北京西北部地区的东北部地区。植被覆盖的波动是正常的自然现象，它是植被正常生长、长期的气候变化等自然作用和各种人类经济活动共同作用的结果。

参考文献

［1］Tucker，.，Townshend， Goff， land cover classification using meteorological satellite data ［J］.Science，1984 （227）：369～375

［2］Cihlar cover mapping of large areas from satellites：status and research priorities ［J］. ，21 （6＆7）：1093～1113

［3］Townshend ，et Land Cover Classification by Remote Sensing：Present Capabilities and Future Possibilities ［J］.Remote Sensing of Environment，1991 （35）：243～255

［4］Lloyd phenological classification of terrestrial vegetation cover using shortwave vegetation index imagery ［J］. Sensing，1990，11 （12）：2269～2279

［5］， a land use/cover classification system based on remote sensing data in of SPIE－Remote sensing for environmental monitoring，GIS applications and Geology IV，2004，（5574）：52～60

［6］刘爱霞，刘正军，王静.基于PCA变换和神经元网络分类方法的中国森林制图研究.长江流域资源与环境，2006，15 （1）：19～24

［7］刘爱霞，王静等.基于MODIS数据的北京西北部地区土地覆盖分类研究.地理科学进展，2006，25 （2）：96～102

［8］陈云浩，李晓兵，陈晋，史培军.1983～1992年中国陆地植被NDVI演变特征的变化矢量分析.遥感学报，2002，6 （1）：12～18

［9］中国测绘科学研究院.三峡库区相关生态环境监测技术研究.项目验收总结报告.2005，10

植被覆盖度特征提取可以定量地提取光谱特征、空间（几何）特征和纹理特征等，包括多光谱图像和波段间运算及不同时期观测的图像间的运算，其结果仍可形成图像。

光谱特征提取包括颜色及灰度或波段间的亮度比等目标物的光谱特征，它对应于每一个像元，但与像元的排列等空间结构无关，植被指数分析和主成分分析法就属于此类。

遥感图像上的植被信息，主要通过绿色植物叶子光谱特征的差异及动态变化而反映出来。不同光谱通道的信息可以与植被的不同要素或状态有各种不同的相关性，因而将遥感数据进行处理分析，从而得到植被指数，往往可以得到更好的植被信息。

所谓植被指数就是由多光谱数据，经线性和非线性组合构成的对植被有一定指示意义的各种数值。由于近红外波段是叶子健康状况最灵敏的标志，它对植被差异及植物长势反映敏感，指示着植物光合作用能否正常运行。可见光红波段被植物叶绿素强吸收，进行光合作用制造干物质，它是光合作用的代表波段，因此通常利用植物光谱中的近红外和可见光红波段两个最典型的波段值建立植被指数模型（李建龙等，1997），以便于植物专题研究，绿色植物的遥感监测以及生物量的估算，且在一定程度上有助于减少外界因素（如太阳高度角、大气状态和非像底观测）带来的数据误差。目前常用的植被指数模式有：

1.规一化植被指数（NVI-Normalized Vegetation Index）

又称标准化植被指数，定义为近红外波段与可见光红波段数值之差与这两个波段数值之和的比值，即 NVI=（NIR-R）/（NIR+R）。在TM图像中IR为4波段，R为3波段。

规一化植被指数是植物生长状况及植物空间分布密度的最佳指示因子，与植物分布密度呈线性相关。实验证明：NVI 对土壤背景的变化较为敏感，当植被盖度小于15%时，数值高于裸土的NVI值；而植被盖度由25%增加到80%时，NVI随植被量呈线性增加；当植被覆盖度大于80%时，NVI对植被检测灵敏度下降。因此，NVI很适合于早、中期发展阶段或低覆盖度植被的检测。

2.比值植被指数（RVI-Ratio Vegetation Index）

比值植被指数是指近红外波段与可见光波段数值的比值，即RVI=NIR/R。RVI与叶面积指数、叶干生物量、叶绿素含量相关最好。当植被覆盖度小于50%时，RVI不能很好地识别植物密度差异。但在高覆盖度下，RVI变得对植被十分敏感，与生物量的相关性最好。因而RVI更适合于植被发展高度旺盛、具有高覆盖度的植被检测中（Jackson等，1983）。RVI对大气状况极为敏感，尤其在RVI值高时，其影响相当显著，因此最好运用经大气校正的数据（陈述彭等，1990）。

3.差值植被指数（DVI-Difference Vegetation Index）

又称环境植被指数（EVI-Environmental Vegetation Index），农业植被指数（AVI Agricultural Vegetation Index）、作物植被指数（CVI-Crop Vegetation Index），是指近红外波段与可见光红波段数据的差值，即DVI=NIR-R。

DVI对土壤背景的变化较RVI要敏感。植被覆盖度为15%～25%时，它随植被量的增加而迅速增大。当植被覆盖度达80%时，它对植被的灵敏度有所下降。DVI在植被遥感中应用较为普遍。

4.正交植被指数（PVI-Perpendicular Vegetation Index）

由于土壤光谱线的存在，NVI及DVI均受背景值影响，为了削减和减轻土壤背景值对植物光谱的影响，而 PVI 可以将地形和土壤的影响缩小到最小。其公式（梅安新等，2001）为：

PVI=（NIR）（R）+

总之，对于多波段数据可以进行各种简单的运算，三波段的加法可以进行彩色合成，二波段的减法可以削去背景影响，关键在于这种运算能突出需要的现象。

分别利用上述5种方法对图像进行处理并将它们与原始图像按不同的组合进行彩色显示，经过筛选、比较，优化的彩色显示组合为（PVI，3，7）（各波段相应组合为红、绿、蓝），本书中主要利用这一组合显示的图像。

1、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；2、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；3、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关；