1、本科毕业论文（20 届）基于 TM 影像的植被覆盖监测以株洲市市辖区为例所在学院专业班级 测绘工程学生姓名指导教师完成日期基于 TM 影像的植被覆盖监测以株洲市市辖区为例【摘要】近年来，随着经济的飞速发展，许多地区环境遭到了严重破坏。本文利用株洲市市辖区行政边界图以及2002 年与 2009 年 TM 影像数据，采用像元二分模型法，对株洲市市辖区进行植被覆盖度估算，取得了株洲市市辖区两期植被覆盖度的结果。通过结果，从总体上分析了株洲市市辖区两期的植被覆盖变化情况。【关键字】植被覆盖度；NDVI；遥感影像1目录1 引言 .11.1 研究目的 .11.2 研究内容 .12 研究区概况与数据资料 .
2、12.1 研究区概况 .12.2 数据资料 .12.3 数据预处理 .22.3.1 辐射定标与大气校正 .22.3.2 影像的切割 .23 植被覆盖度研究方法与计算 .23.1 植被指数 .23.2 归一化植被指数 .33.3 植被覆盖度研究方法 .33.4 植被覆盖度的计算 .43.5 研究步骤 .54 株洲市市辖区植被覆盖度估算与结果分析 .54.1 株洲市市辖区植被覆盖度 .54.1.1 归一化植被指数的计算 .54.1.2 NDVIveg与 NDVIsoil的确定 .64.1.3 株洲市市辖区植被覆盖度估算 .74.2 株洲市市辖区植被覆盖度变化监测 .84.2.1 株洲市市辖区植被覆
3、盖度分级图 .84.2.2 株洲市市辖区植被覆盖度变化情况 .95 结论与展望 .105.1 结论 .105.2 存在的问题 .105.2 展望 .10致谢 .11参考文献 .1211 引言1.1 研究目的植物群落是生态系统中的重要组成部分，是提供生态系统功能的主体，对于维护生态系统的稳定有着巨大的作用 1。然而，随着经济的快速发展与人口规模的膨胀，交通与建筑用地的不断扩大，使得城市植被不断减少，环境问题日益严重，已成为城市发展中的重要生态问题之一。植被覆盖度是指单位面积内植被的垂直投影面积所占百分比。是衡量植物群落覆盖地表状况的一个综合性量化指标，是描述生态系统的重要基础数据 2，对植被覆盖
4、度进行估算具有重要意义。株洲市市辖区近年来经济飞速发展，交通路线的修建以及城市的扩张对当地植被都有着重大影响，为了获得株洲市市辖区近年来植被的总体变化情况，为区域生态规划提供科学依据，有必要对其进行植被覆盖监测。1.2 研究内容本文利用 2002 年与 2009 年两期株洲市市辖区 Landsat TM 遥感数据以及株洲市市辖区行政边界图，采用像元二分模型法，使用 ERDAS IMAGINE 9.2 与 ArcGIS 10.2 软件，对株洲市市辖区 2002 年与2009 年植被覆盖度进行估算，通过估算所获得的影像，结合面积，对株洲市市辖区植被总体变化情况进行了分析。2 研究区概况与数据资料2
5、.1 研究区概况株洲市市辖区位于株洲市的北部，北纬 27462802，东经 1130211318，总面积为 408.1km2。东接浏阳市，西连湘潭市，南与株洲县相连，北与长沙市接壤。属于亚热带季风气候，降水充裕，光热足，风向冬季多西北风，夏季多正南风，年平均气温 16C 至 18C。地貌类型主要为丘陵地带，湘江沿岸多为平原地带。辖区内林木繁多，其中芦淞区建成区绿化率达 50.3%，有林地面积近 4 万亩，野生动植物资源丰富。2.2 数据资料本研究获取了株洲市市辖区所在的 2002 年 9 月 3 号与 2009 年 9 月 6 号两期的 Landsat TM 影像数据以及株洲市市辖区行政边界图
6、。两期 TM 影像成像良好，平均云量分别为 0.39 与 0.47，云层多位于研究区外，研究区基本不受云、雾的影响。两期影像的成像只相差三天，辖区内的植被生长状况基本相同，选取该两期的影像进行研究区植被覆盖度监测，满足研究的要求。下表 2-1 为获取的 TM 影像数据的部分信息。表 2-1 研究区两期 TM 影像部分数据数据标识 平均云量 中心经度 中心纬度 获取时间LT51230412002246BJC010.39 113.0636 27.4438 2002-09-03LT51230412009249BJC000.47 113.0858 27.4305 2009-09-062.3 数据预处理
7、2.3.1 辐射定标与大气校正对获取的研究区两期 TM 影像进行辐射定标与大气校正（6S），本文使用 Erdas 遥感影像处理软件2进行影像辐射定标与大气校正的处理。使用 Erdas 中的 modeler 工具，建立相关 model 模型，在公式编辑器中输入公式与影像元数据文件中的相应参数，执行 model 模型，即可对 TM 影像进行辐射定标与大气校正。2.3.2 影像的切割利用株洲市市辖区的行政边界图，使用 ERDAS Interpreter 模块 Utilities 菜单下的 Mask 命令，对经过预处理的 2002 年、2009 年 TM 影像进行切割，得到研究区的影像图如下 2-1、
8、2-2 所示。图 2-1 研究区 2002 年 TM 影像图 图 2-2 研究区 2009 年 TM 影像图从图 2-1 与图 2-2 中可以较为直观的看出，随着城镇的不断发展扩大，植被有了明显的变化。所以，对研究区进行植被覆盖度的监测是有意义的。3 植被覆盖度研究方法与计算3.1 植被指数植被指数，又被称为光谱植被指数，是将遥感传感器获取的多光谱数据线性或非线性组合而成的对于植被有表现能力的各种数值 3。遥感植被光谱中可见光红光波段（0.55-0.68）在植被光合作用过程中被叶面叶绿素强烈吸收，而叶面对近红外波段（0.7251.1）又具有强烈反射性。由于这两个波段对植被具有很好的表现能力，一
9、般而言，将这两个波段进行方式多样的组合，构成符合要求的不同植被指数。因为计算方式与监测形式的不同，植被指数也不尽相同。一般使用的有：垂直植被指数 PVI、全球植被指数 GVI、归一化植被指数 NDVI、消除土壤影响的植被指数 SAVI 和比值植被指数 RVI 等。植被指数应用在遥感影像的解译中，可以较为明显的表现出地面植被的大致情况，为土地的管理应用，城市绿化，沙漠绿化管理等提供理论依据。植被指数研究较为复杂，它没有一个固定的值，受云量，土地湿度，传感器的工作状况等影响与制约。因此在实际应用中，植被指数的选取应尤为仔细。选择植被指数的原则主要是从以下三大方面出发 4： 可充分反映地表植被的分布
10、情况，且不出现饱和现象。 最大限度地排除大气等因素的干扰。3 方便快捷，能满足实时操作的需要。在常用的植被指数中，归一化植被指数因为其简易性以及对植被覆盖度的良好表现能力等特点被广泛的应用到实践中。本文采用归一化植被指数进行株洲市市辖区的植被覆盖监测。3.2 归一化植被指数归一化植被指数 NDVI（Normalized Difference Vegetationg Index）是指在遥感影像中，近红外波段的反射值与红光波段的反射值的差值与两者的和的比值，也被称作标准植被指数。公式表示为：NDVI=(NIR-R)/(NIR+R) （3-1）采用 TM 影像时公式可表示为：NDVI=(TM4 -
11、TM3)/(TM4 + TM3) （3-2）其中 NIR 为近红外波段的反射值， R 为红光波段的反射值；TM3 与 TM4 分别为 Landsat 陆地卫星 TM 传感器的第四（近红外）和第三（红光）波段亮度值。归一化植被指数可综合多方面反映像元中绿色植被的性质，如绿色植被的种类、健康程度、覆盖的方式等。其取值的多少由叶面积指数和植被覆盖度等要素决定，与植被分布密度呈线性相关，因此可用归一化植被指数来进行植被覆盖度的估算。在植被指数中，归一化植被指数的地位十分重要，它的优势主要体现在这几方面 5： ）植被检测灵敏度较高。）植被覆盖度的检测范围较宽。）可消除地形与植被群落结构的辐射和阴影干扰。
12、）削弱太阳高度角和大气所带来的噪音。许多学者利用归一化植被指数来监测植被覆盖，是进行植被覆盖监测时普遍采用的植被指数。如梁保平，李艺，刘庆业，李晖等采用 TM 影像数据，对原始影像进行预处理后，计算了归一化植被指数，利用混合像元二分模型，对区域植被覆盖情况进行了动态监测，结果符合预期要求 6。3.3 植被覆盖度研究方法根据测量手段的不同将植被覆盖度测量分为传统的地面测量与新兴的遥感测量两种。其中，传统的地面测量因技术关系，较难进行大区域内植被覆盖度的提取，且需要投入的劳动力较多。近年来随着遥感技术的发展，获取大区域内的地表信息变得更为简便，利用遥感技术来获取影像数据监测地表植被覆盖的方式也越来
13、越常见。目前遥感技术领域常用来进行植被覆盖度提取方法有：像元二分模型法，植被指数法，回归模型法，光谱梯度差法等。其中，像元二分模型法具有原理易于理解，操作较简单，且精度较高，易于推广等特点，研究应用实例很多。如温小乐等基于归一化植被指数 NDVI 建立像元二分模型，对长乐市进行植被覆盖监测，结果表明，此方法简单且结果满足研究要求 7。本文采用此方法对株洲市市辖区进行植被覆盖度的估算。3.4 植被覆盖度的计算像元二分法的原理是假设一个像元的信息分为土壤部分与植被部分 8。通过遥感传感器所获取的混合像元 S，就可表示为植被部分所包含的信息 SV以及土壤部分包含的信息 Ss 。公式表示为：S=Sv+
14、Ss （3-3）因为混合像元信息包含土壤部分与植被部分，如果像元中有植被覆盖的面积比例（即植被覆盖度）为 fc，则土壤覆盖的面积比例为 1-fc 。假设一个全为绿色植被所覆盖的纯像元，所包含的像元信息为Sveg，则混合像元 S 中植被所包含的信息 Sv可用下面公式来表示：Sv=Svegfc （3-4）即为 Sveg与 fc的乘积。同理，假设一个全为土壤所覆盖的纯像元，所获得的像元信息为 Ssoil，则可知混合像元 S 中土壤成分所包含的信息 Ss可以用下面公式来表示：Ss=（1-f c）S soil （3-5）即为 Ssoil与 1-fc的乘积。4则混合像元 S 可用下面公式表示：S=Sveg
15、fc+（1-f c）S soil （3-6）将 3-6 变换后，得到如下公式 3-7：fc=(S-Ssoil)/(Sveg-Ssoil) (3-7）因为归一化植被指数对植被具有很强表现能力，是植被覆盖度有效的指示因子，按照像元二分模型法的原理，一混合像元的 NDVI 值就可以表示为纯植被覆盖部分和纯土壤覆盖部分的和，将归一化植被指数带入公式（3-7）得：NDVI=NDVIvegfc+NDVIsoil（1-f c） (3-8)式中，NDVI veg表示为全被植被所覆盖的像元的 NDVI 值；NDVI soil表示全为裸土或无植被覆盖区域的 NDVI 值。对公式（3-8）进行变换有：fc=(NDV
16、I-NDVIsoil)/(NDVIveg-NDVIsoil) (3-9)许多学者研究中都采用过此公式，如：陈骏，沈盈佳，曾建军等利用 TM 与 ETM+影像数据 9，对昆明市植被覆盖度变化进行了动态分析，结果符合精度要求，达到预期目的，证明使用该公式进行植被覆盖度计算满足研究要求。公式（3-9）中，NDVI soil与 NDVIveg为参数，其中 NDVIsoil对于大部分裸地而言，理论上它的值应该接近于 0，且不会因时间而改变，但是因为地表环境的不同，地表土壤状况的差异以及大气的影响，NDVIsoil的值也会因此而改变。NDVIveg表示全为被植被所覆盖的像元的 NDVI 值，但由于气候与天
17、气的影响，以及所观测到的绿色植被的种类与所处生长周期的不同，NDVI veg的值同样会因为时间与空间的不同而变化。所以采用一确定的值是不可取的，我们也并不需要知道一个固定的参数值，它们应该从图像中计算出来。在本文中，采取近似替代的方法来确定不同影像中的 NDVIsoil与 NDVIveg值 10。第一步，统计两期影像中的 NDVI 值，分别获取 NDVI 累积概率分布表；第二步，确定置信度为1%，根据实际裸土和全覆盖状态下植被的 NDVI 值，选取累积概率最接近 1%的值为 NDVIsoil，选取累计概率最接近 99%的值为 NDVIveg。3.5 研究步骤（1）获取研究区的资料与数据。主要是
18、株洲市市辖区的遥感影像数据、行政边界图以及相应的自然地理资料。（2）对获取的研究区影像进行辐射定标与大气校正处理后，利用株洲市市辖区行政边界图对 TM影像进行切割。（3）利用经过预处理后的两期株洲市市辖区影像来计算归一化植被指数值。依照上述方法，来确定参数 NDVIsoil与 NDVIveg的值。（4）利用已经确定的 NDVIsoil与 NDVIveg的取值，带入公式估算两期图像的植被覆盖度。（5）对获取的植被覆盖度影像进行植被覆盖度分级以及相应面积的统计，利用处理后的数据，进行株洲市市辖区的植被覆盖度情况分析。4 株洲市市辖区植被覆盖度估算与结果分析4.1 株洲市市辖区植被覆盖度4.1.1
19、归一化植被指数的计算本文采用的是 Landsat TM 遥感数字图像，3 波段为红光波段，4 波段为近红外波。因此，利用公式（3-2）来计算归一化植被指数 NDVI。本文利用 ERDAS 遥感图像处理软件计算归一化植被指数NDVI，在 ERDAS 的主工具中选择 Modeler 模块，利用 Model Maker 建立用于计算 NDVI 值的model。Model 模型如下图 4-1 所示。513150“东13150“东1310“东1310“东1350“东1350“东280“北 280“北2750“北 2750“北2750“北 2750“北01.53.75 Miles 20年 NDVI分 级
20、图0.4 13150“东13150“东1310“东1310“东1350“东1350“东280“北 280“北2750“北 2750“北2750“北 2750“北01.53.75 Miles 209年 NDVI分 级 图0.4图 4-1 计算 NDVI 值所建 Model 模块图用该方法得到的株洲市市辖区两期的 NDVI 图像利用 Arcgis 进行分级处理后如图 4-2、4-3 所示。从两 NDVI 分级图像可以直观的看到，相比 2002 年，株洲市市辖区 2009 年植被明显减少。6图 4-2 研究区 2002 年 NDVI 分级图 图 4-3 研究区 2009 年 NDVI 分级图4.1.
21、2 NDVIveg与 NDVIsoil的确定做出 2002 和 2009 年两期图像的 NDVI 概率分布。在遥感图像处理软件 ERDAS 中打开研究区的 NDVI 图像，利用 raster 工具下的 attributes 子工具，查询 NDVI 的分布值，如下图 4-4 所示，其中列 value 表示 NDVI 值，histoqram 为影像中 NDVI为该值的像元个数。复制该两列的数值到 Excel 表中，利用 Excel 来计算相应数据。数据复制到 Excel 中后，利用 Excel 的计算功能，首先进行像元总个数的计算，然后对每个值的像元数进行累计求和。最后用累计像元个数除以像元总个数
22、，得到累计概率分布的结果。部分结果如下表 4-1、4-2。图 4-4 研究区 NDVI 值分布输出图表 4-1 研究区 2002 年 NDVI 累计概率分布表（部分）NDVI 值 像元个数 累计像元个数 累计概率分布-0.187851603 1556 3878 0.85346%-0.181241832 578 4456 0.98067%-0.17463206 1517 5973 1.31453%-0.168022289 829 6802 1.49697%表 4-2 研究区 2009 年 NDVI 累计概率分布表（部分）NDVI 值 像元个数 累计像元个数 累计概率分布0.469474796 3
23、262 447264 98.43304%0.47598714 2637 449901 99.01339%0.482499483 1823 451724 99.41459%0.489011827 823 452547 99.59572% 计算 NDVIsoil与 NDVIveg 根据所获取的研究区 NDVI 累计概率分布表，利用第三章 3.4 节中所述方法，选取选取累积概率为 1%左右的值为 NDVIsoil，99%左右的值为 NDVIveg 。 NDVI soil与 NDVIveg的取值利用上述累计概率分布表与计算方法，经过计算，得到 2002 年研究区的参数值为：NDVI soil =-71
24、3150“东13150“东1310“东1310“东1350“东1350“东280“北 280“北2750“北 2750“北2750“北 2750“北27450“北0241 Miles 20年 植 被 覆 盖 度 图低 高 13150“东13150“东1310“东1310“东1350“东1350“东280“北 280“北2750“北 2750“北2750“北 2750“北27450“北0241 Miles 209年 植 被 覆 盖 度 图低 高 13150“东13150“东1310“东1310“东1350“东1350“东280“北 280“北2750“北 2750“北2750“北 2750“北2
25、7450“北0241 Miles 209年 植 被 覆 盖 分 级 图0.2004.4.60608.8113150“东13150“东1310“东1310“东1350“东1350“东280“北 280“北2750“北 2750“北2750“北 2750“北27450“北0241 Miles 20年 植 被 覆 盖 分 级 图0.2004.4.60608.810.181,NDVIveg =0.526;得到 2009 年研究区的参数值为：NDVI soil =-0.104，NDVI veg =0.476。4.1.3 株洲市市辖区植被覆盖度估算根据上节中确定的参数 NDVIsoil与 NDVI veg
26、 ，利用上述公式（3-9）进行植被覆盖度的估算：fc=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)使用 ERDAS 遥感图像处理软件中的 Modeler 工具进行植被覆盖度的计算，编写相应 model，model模型如上图 4-1。输入相应公式，运行 model 模型后，得到两副栅格图像，如下图 4-5、4-6 所示。其中，颜色越浅的地区植被覆盖度越低；相反，颜色越深的地区植被覆盖度越高。图 4-5 2002 年植被覆盖度图 图 4-6 2009 年植被覆盖度图4.2 株洲市市辖区植被覆盖度变化监测4.2.1 株洲市市辖区植被覆盖度分级图上节通过计算已经得到了株洲市市辖区两期的植被覆盖度图像，可以比较直观的看到株洲市市辖区植被在 2002 年到 2009 年间植被有了明显减少。为了更明显的表现植被覆盖度的情况，对上图 4-5、4-6 分别进行分级处理。本文采用 0-20%、20%-40%、40%-60%、60%-80%、80%-100% 五级表示。分级结果如下图 4-7、4-8 所示。
