植被是全球生态系统的重要组成部分, 了解植被覆盖对全球变化调节和生态平衡的维持有着重要作用^[1-3]。近年来, 随着美国Landsat等一系列卫星的发射, 遥感技术成为植被信息实时快速提取的重要手段^[4-6]。但是, 不同生态系统地物斑块的大小、距离、形状和分布不同, 并往往展现在高于30 m分辨率的空间格局上, 使得基于Landsat卫星30 m分辨率植被提取结果相比其他数据源存在一定的高估或者低估现象^[7], 进而可能影响目前很多中尺度影像研究结论^[8]。

随着高分辨率遥感和多源卫星数据的发展, 针对高分辨率影像和Landsat数据的植被信息提取研究在不同生态系统中展开：Qian等^[9]在城市绿地生态系统中, 将Landsat TM数据和SPOT以及ALOS数据进行对比, 发现相比高空间分辨率影像, 中等空间分辨率的Landsat TM会导致城市生态系统中植被信息面积被低估；Fisher等^[10]在森林植被提取中对比了Digital Globe Quickbird 0.6 m影像、Worldview 2 m影像, 以及Landsat TM影像, 指出TM影像的空间分辨率难以精确提取森林边缘的部分图斑, 在矿区修复区的植被监测也得到相同的结论^[11]；在草地和稀疏沙漠植被信息提取中, 部分研究中指出Landsat TM或者Landsat-OLI在评估植被信息时存在误差, 30 m空间分辨率下植被信息提取存在高估, 并且随着空间分辨率的减小误差呈增加趋势^[12-13]。对于地物结构相对复杂的小尺度区域农作物信息提取或者城市土地利用分类, 发现相比Sentinel-2A数据, Landsat-OLI的植被信息提取效果有少许欠缺^[14-16]。以上研究都表明在植被信息监测中高分辨率影像有更好的表现性能, Landsat数据提取结果存在一定程度的过多或者过少估计。但是, 部分研究则持有其他观点：Korhonen等^[17]在森林生物物理量研究中对比了Sentinel-2A和Landsat-OLI的反演效果, 发现不使用Sentinel-2A的红边波段时两者的提取结果没有明显差异；Xu和Zhang^[18]的研究中表明Landsat-OLI和ASTER数据在森林、水稻和草地植被监测中的表现能力基本接近；部分荒漠绿洲过渡带的相关研究中表明GF-1的植被提取效果比Landsat-OLI仅表现出很轻微的优势^[19]。并且, 有研究表明高分影像尽管包含更多的地物信息, 但是在构建植被指数时波段和波谱范围的影响大于空间分辨率, Landsat-OLI具有更好的植被识别能力^[20]。那么, 在植被信息的遥感监测中, 普遍使用的Landsat影像相比其他多源高分辨率遥感数据, 其植被信息提取结果是与之基本一致, 还是存在明显高估或者低估？同时, 这种可能存在的提取效果差异在不同生态系统中是否呈现表现相同？

随着中国高分辨率对地观测目标的推进, 高分系列卫星已在资源环境调查中取得一定的应用^[21-22]。相比Landsat系列卫星, 高分数据具备更高的空间分辨率, 这将使得中等分辨率下的不可分的地物被清晰识别, 降低感兴趣区信息提取中的“边界效应”^{[14, 17]}, 有望提高植被监测性能。同时, 不同生态系统中地物的形状、大小、空间结构等都不相同, 而这些因素是遥感信息提取的重要影响因子^[23], 这可能导致相同空间分辨率的影像在不同区域或生态系统中有不同的表现性能。为此, 本研究设置一个包含城市区域和森林区域的对比实验, 进行GF-1与Landsat-OLI数据植被提取效果对比, 明晰两者结果规律和在不同生态系统中的表现, 以期为多源遥感数据时空融合和多尺度生态遥感应用提供支撑。

1 研究区概况及预处理 1.1 研究区概况

鄂伦春自治旗位于呼伦贝尔市东北部, 大兴安岭南麓, 嫩江西岸, 东经121°55′—126°10′, 北纬48°50′—51°25′之间, 属寒温带半湿润大陆性季风气候, 森林茂密, 四季变化显著(图 1)。本文选取鄂伦春自治旗城区与北部森林区域为典型靶区, 探究在不同生态系统类型下两种空间分辨率影像对植被信息的提取能力, 两个研究区均没有水体像元, 避免了无意义植被指数值对统计结果的干扰。

1.2 数据源

GF-1于2013年4月在酒泉卫星发射中心成功发射, 它是我国对地观测系统的第一颗高分辨率卫星, 搭载2个PMS高分辨率和4个WFV宽幅传感器, 具有空间分辨率高、覆盖范围广、重视频率高的特点^[24]。Landsat 8太阳同步近极地圆轨道卫星由美国航空航天局(NASA)于2013年2月11日成功发射, 重访周期16天, 搭载OLI陆地成像仪和TIRS热红外传感器^[25]。本研究使用16 m的GF-1 WFV数据和30 m的Landsat 8 OLI数据, 实验数据源信息见表 1, 所选取影像均为净空条件, 大气条件较好。

1.3 数据预处理

GF-1和Landsat-OLI数据预处理在ENVI 5.3平台上完成。包括RPC(Rational Polynomial Coefficient)正射校正、辐射校正、配准和裁剪。其中, GF-1数据绝对定标系数从中国资源卫星应用中心(http://www.cresda.com/CN/Downloads/dbcs/)获取, GF-1和Landsat8-OLI大气校正选用FLAASH(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)大气校正模块下的MODTRAN辐射传输模型, 其中GF-1号的光谱响应波谱使用从中国资源卫星应用中心下载的光谱响应数据制作。

2 研究方法 2.1 遥感植被指数选取

植被指数是植被信息提取的重要指标之一, 归一化植被指数(Normalized Difference Vegetation Index, NDVI)及其系列指数都有良好的表现能力。本研究选取归一化植被指数和土壤调节植被指数(Soil-Adjusted Vegetation Index, SAVI)进行植被信息提取。

(1) 归一化植被指数

归一化植被指数(NDVI)是目前应用最广泛的植被指数之一, 是植被生长状态以及植被空间分布密度的最佳指示因子^[26-27]。NDVI的比值范围一般在[-1, 1]之间, 随植被覆盖程度的提升而增大, 其计算公式为：

(1)

式中, DN_NIR即本研究区GF-1影像的第4波段和Landsat-OLI的第5波段, DN_RED代表红色波段, 即本研究中GF-1影像的第3波段和Landsat-OLI影像的第4波段。

(2) 土壤调节植被指数

土壤调节植被指数(SAVI)考虑了土壤背景干扰的影响, 可有效降低土壤背景变化对NDVI的影响, 在一定程度上避免NDVI在高密度植被区域的饱和现象^[28-29], SAVI的范围一般在[-1, 1]之间, 随植被覆盖程度的提升而增大, 其计算公式为:

(2)

式中, DN_NIR与DN_RED代表波段与NDVI计算公式相同, L为土壤亮度植被指数, 其取值大小取决于植被密度, Huete^[30]建议L的最佳值为0.5, 也可以在0—1之间变化^[31], 本研究选取最佳值0.5作为L值。

2.2 植被覆盖度提取

植被覆盖度(Vegetation Cover, VC)为观测区域内植被垂直投影面积占地表面积的百分比, 是指示生态环境变化的重要指标之一^[32]。关于植被覆盖度常用的遥感估算方法有经验模型法、植被指数法和混合像元分解法等^[33], 其中, 像元二分模型被普遍使用^[34-35], 其原理假设每个像元都可以分成纯植被和纯土壤2个部分, 所得的光谱信息即是绿色植被组分贡献的信息和土壤组分贡献信息的总和, 植被覆盖度表示为：

(3)

式中, S代表各个像元的植被指数, S_soil代表纯土壤, 即全裸土覆盖地区的植被指数值, S_veg代表纯植被覆盖像元的植被指数。为保证取到集合NDVI的最大值与最小值, 避免图像噪声影响产生过高或过低的NDVI值, 本实验取95%置信区间内植被指数的最大值和最小值来代替纯植被和全裸土覆盖地区植被指数值^[36]。

植被覆盖度分级能够更好的量化不同区域的植被信息, 本文为进一步探究不同分辨率植被信息提取的差异, 按照2008年颁布的《土壤侵蚀分类分级标准》中所涉及的植被覆盖度分级标准进行了分级, 将植被覆盖度划分为5个等级: < 30% (低植被覆盖度Ⅰ)、30%—45% (中低植被覆盖度Ⅱ)、45%—60% (中等植被覆盖度Ⅲ)、60%—75% (中高植被覆盖度Ⅳ)和>75% (高植被覆盖度Ⅴ) ^[37]。

3 结果分析 3.1 植被指数的描述性统计

植被指数是植被信息提取的重要指标, 分别基于NDVI和SAVI对2个研究区域植被信息进行计算, 其描述性统计量如表 2所示。从影像来源来看, GF-1数据计算的NDVI值的标准差分别为0.287和0.045, Landsat 8的标准差为0.247和0.041, 相比Landsat 8影像, GF-1数据具备更加分散的特性, 对于图像而言, 这将表现为更具差异的像元属性值, 包含了更多的地物信息。从研究区域来看, 城市区域两个影像的NDVI均值分别为0.211和0.199, Landsat 8均值比GF-1低出5.69%, SAVI的均值分别为0.213和0.210, Landsat 8比GF-1低出1.41%；森林区域两个数据源的NDVI均值为0.648和0.653, Landsat 8比GF-1多估计了0.77%, SAVI的均值分别为0.717和0.759, Landsat 8比GF-1高出5.86%。造成这种现象的原因在于Landsat 8空间分辨率低于GF-1, 像元粒度较大, 而城市内部建筑物密集, 地物空间异质性高, 导致其中精细的植被信息难以精确获取；同理, 森林区域包含了林木、草地、裸地等不同地表覆盖, 穿插于林木当中的少量草地或者裸地信息难以精准提取。

3.2 植被覆盖度对比

基于植被指数计算结果, 分别提取2个研究区的植被覆盖度, 不同植被指数计算的植被覆盖度在不同空间尺度中体现相同的规律。在城市区域(图 2), GF-1两个植被指数的覆盖度范围为0—93.68%和0—93.75%, 植被像元占比例为71.30%和71.31%, Landsat 8的覆盖度范围为0—87.94%和0—87.95%, 植被面积比为58.28%和58.30%, 可见Landsat 8提取的植被信息整体偏低。在一些富含精细植被信息的区域, 如图中红色框所标示的居民区, 建筑物周边有零碎的绿化植被, GF-1两个指数的植被覆盖度比例为83.40%和83.42%, Landsat 8对应覆盖度范围为58.28%和58.25%, 植被识别能力相比GF-1更低。

森林区域呈现与城市相反的规律(图 3), Landsat 8覆被图整体偏黄, 两个指数的植被覆盖度范围为0—98.39%和0—99.87%, 最大值高于GF-1(0—97.95%和0—97.88%), Landsat 8提取结果中植被像元比例为95.00%和94.99%, 整体而言稍高于GF-1(94.97%和94.92%)。对于红框典型区域, 包含林木、草地和道路, 植被像元占比97.85%和97.68%, Landsat 8为98.82%和98.51%, GF-1可以精细的区分出非植被, 而Landsat 8提取结果中表现为聚集的斑块。导致这种现象的原因可能是低分辨率影像难以捕捉到占比重较少的地物, 如城市区域中夹杂在建筑物中间的绿化植被可能难以体现, 致使城市区域植被指数估计偏低；而在森林区域, 茂密林木中间的草地信息体现较少, 低分辨率的植被指数估计偏高。

3.3 植被覆盖度分级

将植被覆盖度进行分级, 进一步探究不同分辨率影像在2个研究区的植被信息提取中, 针对不同植被覆盖等级差异如何, 结果见表 3。对于城市研究区域, 主要地物为不透水面, 部分外围区域绿色植被也较为稀疏, GF-1和Landsat 8的植被覆盖度都集中在低植被覆盖区域, 其中两个指数提取的GF-1低水平植被覆盖度所占比例都为60.97%, Landsat 8低覆盖度植被占整体植被面积比为67.64%和67.74%。对于森林区域, 地物类型集中在森林和草地, 植被覆盖度集中在中等至高水平, 其中GF-1高水平植被覆盖率比例分别为25.16%和24.79%, Landsat 8高水平植被比例为37.27%和37.26%。

为更好的体现不同分辨率下分级比例的差异性, 以GF-1所提取出的植被覆盖度分级状况作为基准值, 将Landsat 8各个覆被级别比例与其作差得到水平距平图, 结果如图 4所示, 从生态系统类型的差异来看, 森林区域比城市区域植被覆盖度提取效果差异更大。同时, 2个数据源在不同研究区域的差异趋势也不同。在城市区域, 低植被覆盖水平的差异最大, NDVI和SAVI提取的覆被差异分别为6.67%和6.77%, 从中低到高水平的植被覆盖差异较小, 不超过2.34%。可见, 在城市区域, 空间分辨率较低的Landsat 8数据与GF-1提取植被时的最大差异体现在低植被覆盖区域, 从VC-NDVI图中可以看出低水平的差异为其他4个水平的差异之和。对于林区, 低和高覆被水平下两个数据源的差异都较大, 在低覆盖水平, 两个指数提取差异分别为11.91%和12.34%, 高覆盖水平下分别为12.11%和12.47%, 相比较而言, 较高覆盖等级的差异更大, 中高和高水平的差异之和等于从低到中等3个分级水平的差异之和。

上述现象是影像空间分辨率差异的直接体现。城市中的植被较为稀疏和分散, 在低空间分辨率影像中更易形成混合像元, 当该像元的植被信息所占比例(丰度)低于其他信息时, 基于光谱指数求取植被覆盖度的过程中会将它判定为较低覆盖等级, 进而致使较低空间分辨率的Landsat 8相比GF-1, 会导致低覆被信息的过高估计。同样, 在森林区域中, 当不同覆被等级和高覆盖植被混合时, 如果混合像元中高覆盖占丰度较大, 会致使较低空间分辨率的影像中, 高覆盖等级信息高估。因此, 不同生态系统对高分辨率影像的监测需求有较大的分异性。

4 讨论

高空间分辨率影像具备精细植被提取能力。GF-1在城市区域, 能够从密集的建筑物中识别出零散分布的绿化植被, 在森林区域中从林木和草地中分离出穿插其中的道路和裸地。为了保证结论的可靠性, 以NDVI为例, 在研究区域内选择出其他2对对比数据集, 植被覆盖度提取效果如图 5所示。结果表明, 植被信息提取规律一致, 低绿化建成区和高密度林区需要使用高分影像作为植被监测工具。这与其他一些城市绿地生态系统^{[9, 38]}、森林区域^[13]、高山植被区^[39]、沙漠植被区^[12]的研究结论相同。这种优势主要由空间分辨率引起, 由于地物都是连续自然体, 因此在地物的类型、同种地物的分布密度, 都在地理空间中连续变化, 对于高空间分辨率影像而言, 相邻像元间的属性值差异较小, 而低空间分辨率影像由于相邻像元的覆盖面积大, 因此包含了更多属性存在空间差异的地物, 致使精细地物提取困难。但是, Xu等^[18]在研究中表明Landsat ETM+和ASTER具备相似的森林植被提取能力, 造成这种结果的主要原因可能是地物的结构信息不同所致。本研究中, 城市区域建筑物和绿化植被交错, 森林区域明显的山体、植被类型丰富, 两个研究区的图像都空间结构复杂, 地物的空间异质性较高, 而前人研究区域呈现均匀的树木覆盖。

研究结果中GF-1和Landsat 8的植被指数存在明显差异。GF-1城市区域的植被指数均值大于Landsat 8, 森林区域均值小于Landsat 8, 并导致植被覆盖度提取效果的不同, 证明了本研究假设。基于光谱信息提取植被覆盖度时, 除了空间分辨率外, 不同传感器的波谱设置差异会影响对地物反射信息的响应。GF1-WFV和Landsat8-OLI的波谱响应函数如图 6所示, 在红光波段, GF1-WFV可能会包含少量的微弱红边(680—750 nm或680—780 nm)信息；近红外波段, Landsat8-OLI波段宽度窄, 独立性高, GF1-WFV波段设置较宽, 也可能会包含少许红边信息。相关研究表明^[40-41], 在植被生长期, 近红外波段的位置和宽度对NDVI的影响不大, NDVI计算中会对波段反射率产生影响的是“红边”。GF-1的“宽”波谱段涵盖了植被光谱曲线中最重要的“红边”波段, 因此, 虽然Landsat 8的近红外波段独立性较高, 但是对于植被监测而言, “红边”位移更能够反应植被的物候、叶绿素含量等, 包含更多的植被信息。同时, 部分关于GF-1和Landsat 8反射特征的研究中发现Landsat 8在近红外波段的反射率高于GF-1^{[15, 20]}, 这也有可能导致植被指数出现差异。有相关研究指出GF-1和Landsat 8的表观反射率之间存在线性关系^[19], 因此可以在变化检测、基于时序信息的分类等方面对2个影像的反射率差异进行相对校正。其次, 从植被指数的离散程度等也可以看出GF-1提取植被信息的优势, 植被指数的最大值、最小值、标准差GF-1均高于Landsat 8, GF-1影像提取的植被指数信息量更为丰富, 这将会使得像元二分法计算植被覆盖度时更有可能分离出非植被信息。此外, 本研究只探究了NDVI和SAVI这2个植被指数, 由于城市区域植被并不茂密, 森林区域以针叶林为主, 两个植被指数性能良好, 并未出现饱和状况, 对于茂密或者生长期的植被, 可以通过各种修正植被指数做进一步探究^{[12, 20, 39]}。

不同生态系统中, 相同空间分辨率影像提取的植被信息相对差异并不一致。将GF-1和Landsat 8各个分级覆盖度下提取的植被比例进行对比, 较之GF-1影像, 30 m空间分辨率的Landsat 8在城市区域对植被信息综合表现为低估, 而森林区域表现为高估。从研究区域本身分析, 造成这种现象的原因在于不同生态系统地物格局不同, 植被斑块的“粒度(grain)”和“幅度(extent)”不同。以2个传感器基于NDVI提取的植被覆盖分级图为例, 计算各个等级(Class)景观指数, 包括表征覆盖度大小的景观面积比例(Percentage of Landscape, PLAND)、表征形状的面积加权平均形状指数(Area-Weighted Mean of Shape Index, SHAPE_AM)、表征空间结构的散布与并列指数(Interspersion Juxtaposition Index, IJI)。对其归一化去量纲后对比结果见图 7。相同传感器在不同探测区域, 各级植被覆盖度所对应的景观参数不同；2个传感器在相同区域, 各级植被覆盖度景观参数规律一致。可见这些生态系统格局差异导致GF-1和Landsat 8在两个研究区域出现不同的规律。值得注意的是, 并非越高的空间分辨率就带来更好的植被信息提取效果, 结果的好坏这取决于“类间变异性(within-class variability)”和“边界效应(boundary effect)”的博弈^{[14, 17]}, 空间分辨率增高, 地类边界中的混合像元越少, 信息提取精度上升, 但同时地物类内方差增大, 提取复杂度增加, 这将会导致准确度下降^[23]。因此, 在城市中差异最大并且被低估的“低”覆盖度规律, 并不一定在森林区域中适用, 何种覆被水平两个分辨率提取效果最为接近取决于空间分辨率和生态系统内地物斑块的相对大小, 当植被斑块与分辨率接近时, 该像元不会受到混合像元的影响从而高估或者低估；当植被分布斑块小于最小像元面积时, 会与周边地物形成混合像元, 造成植被信息提取的不确定性, 致使一些生态位相似的空间地物互相影响, 对于这种影响到底是低估还是高估, 取决于占广生态幅的地物类型^[42]。Ni等建议在植被信息提取中, 应该从应用需求、生态斑块空间结构、空间分辨率等方面综合考虑, 注重最佳的植被信息提取尺度^[11]。

本文结果证实了高分辨率数据进行植被信息监测的必要性, 然而在实际应用选择卫星数据时, 提取应充分考虑到影像成本和处理时间等多方面问题。Huang等^[43]在时间序列森林覆盖的变化检测中指出, 对MODIS和Landsat TM/ETM+数据之间做选择时必须考虑到如投影转换等各种耗时处理所占用的时间费用；Fisher等^[10]指出, 在使用Quick bird这样的亚米级高分辨率影像时, 信息价值也应该作为数据选择的评价标准之一。GF-1数据可以免费申请, 在保持较高分辨率的同时成本低廉, 并且兼顾了重访周期短(4天)等优势, 这将使得GF-1和Landsat 8数据结合使用, 在长时间序列数据集构建中起到积极作用。其次, 本研究中植被信息基于植被指数提取, 在后续的研究中可以使用面向对象的信息提取方法, 探究能否通过最优化对象的分割尺度减小混合像元对空间分辨率不足带来的干扰, 特别是空间异质性较高的人造地物中的恢复植被或城市中的绿化区域。最后, 需要注意的是, 由于缺乏验证点, 本研究只能通过对比Landsat 8和GF-1的相对差异, 为类似区域植被信息提取中遥感影像选择提供指导, 虽然相对高空间分辨率的GF-1植被覆盖度反演结果可以用于相对低空间分辨率的Landsat8植被覆盖度验证^[44], 但如要进行与植被覆盖相关的其他定量反演, 还需进一步加强地面验证。

5 结论

植被信息是生态系统和陆地气候等众多研究的基础数据, 本研究设定不同生态条件的研究区域, 以GF-1WFV和Landsat-OLI数据为研究材料, 通过提取植被指数和植被覆盖度, 探究了高分辨率影像在不同生态系统植被信息提取的表现, 结论如下：

(1) GF-1和Landsat 8植被指数存在差异, 城市区域GF-1的NDVI和SAVI均值比Landsat 8低5.69%和1.41%, 森林区域与之相反, 高出0.77%和5.86%, 同时GF-1的指数极差和标准差等较高, 包含了更加丰富的植被信息。

(2) 高分辨率影像更能够提取精细的植被信息, GF-1城市区域植被覆盖比率为71.30%和71.31%, 对应的Landsat 8难以提取建筑物中的绿化植被, 植被比例为58.28%和58.30%；森林区域GF-1植被比例为94.97%和94.92%, Landsat 8难区分穿插在森林中的裸土和道路, 植被比例为95.00%和94.99%。

(3) 不同生态系统各空间分辨率影像之间提取的植被信息相对差异不同, Landsat 8提取的植被信息在低植被覆盖水平下与GF-1差异最大, 对应不同植被指数存在6.67%和6.77%的低估；森林区域Landsat 8和GF-1在高植被覆盖水平下差异较大, 存在12.11%和12.47%的高估。