构建植被区分阴影消除植被指数提取山地植被信息

山地植被信息在气候变化研究和生态环境保护等方面发挥着重要作用,遥感技术能够快速获取山地植被信息,但是存在山地地形阴影的影响以及山地植被信息混淆问题。该文以山地植被为研究对象,基于Landsat卫星遥感影像多光谱数据,分析山地植被的主要特点,借鉴阴影消除植被指数(shadow eliminated vegetation index,SEVI)的构造原理及形式,提出了一种适用于山地植被覆盖遥感监测的植被指数算法-植被区分阴影消除植被指数(vegetation distinguished and shadow eliminated vegetation index,VDSEVI)。研究结果表明:相对于已有的其他植被指数,VDSEVI较好地消除了地形阴影的影响;VDSEVI的信息量大,植被覆盖的识别能力较强,较好地解决了植被信息混淆问题,能够更好地反映山地植被覆盖情况。不同土地覆盖类型的VDSEVI存在显著差异;阴影稀疏林地和相邻非阴影稀疏林地的相对误差较小,为3.428%;各土地覆盖类型样本VDSEVI标准差均小于0.06;植被覆盖样本VDSEVI与太阳入射角余弦值(cosi)的相关系数为-0.800。为验证VDSEVI在其他地区的适用性,将VDSEVI应用于内蒙古阿尔山和福州市闽侯县,结果表明VDSEVI同样适用。新疆那拉提、内蒙古阿尔山和福州市闽侯县3个区域基于VDSEVI阈值法的植被信息提取总体精度分别为84.136%、87.339%、86.709%,Kappa系数分别为0.799、0.788、0.791。

阴影消除植被指数(SEVI)去除地形本影和落影干扰的性能评估与应用

地形校正是崎岖山区遥感图像预处理的关键步骤。为了评估基于DEM数据的经验校正模型、山地辐射传输模型和波段组合优化计算模型在去除地形阴影效应方面的性能,并将其应用于福州市植被覆盖监测,本文采用C模型(和SCS+C模型)、6S+C模型和阴影消除植被指数(SEVI)进行评估、比较。采用1999年和2014年两期Landsat 5 TM卫星数据和相关的30 m ASTER GDEM V2高程数据,分别计算了C校正(和SCS+C校正)和6S+C校正后的归一化植被指数(NDVI)和比值植被指数(RVI)以及基于表观反射率数据的SEVI。通过目视比较、光谱特征比较以及太阳入射角余弦值(cos i)与植被指数的线性回归分析,可以看出C模型和SCS+C模型对本影具有较好的校正效果,但对落影的校正效果欠佳。NDVI和RVI的本影与邻近无阴影阳坡的相对误差分别从71.64%、52.57%降至4.80%、6.43%(C模型)和0.50%、9.94%(SCS+C模型),而落影与邻近无阴影阳坡的相对误差分别从62.01%、47.57%降至31.05%、24.40%(C模型)和33.42%、16.01%(SCS+C模型)。在NDVI的落影校正效果上,6S+C模型比C模型和SCS+C模型有一定的提升,本影与邻近无阴影阳坡之间的相对误差为8.63%,落影与邻近无阴影阳坡之间的相对误差为14.27%。而SEVI在消除本影和落影方面整体效果更好,本影和落影与邻近无阴影阳坡的相对误差分别为9.86%和10.53%。最后,基于SEVI对福州市1999-2014年的植被覆盖变化进行了监测。监测结果表明:①1999-2014年植被覆盖增加了893.61 km^2,植被增加区域主要分布在海拔250~1250 m范围内;②SEVI均值在坡度40°附近达到峰值。

基于CASA模型和SEVI指数的福建省植被NPP遥感估算与分析

植被净初级生产力(NPP)是评估陆地生态系统碳汇和调节过程的重要指标,但遥感影像上崎岖地形造成的光学辐射传输畸变会降低植被NPP估算精度.为了消除地形对山区植被NPP模型估算的影响,以福建省为研究区,利用阴影消除植被指数(SEVI)改进CASA模型中的植被光合有效辐射吸收比率因子(FPAR)计算模型,进行福建省2005年和2015年的植被NPP估算和时空分布特征分析.研究结果显示SEVI反演的FPAR在阴影处的相对误差降低至0.53%,能有效消除地形阴影对FPAR的影响.采用消除了地形阴影影响的FPAR进行CASA模型反演福建省2005年和2015年的植被NPP平均值分别达到861.9 g·m^(-2)·a^(-1)和855.7g·m^(-2)·a^(-1).其中常绿阔叶林NPP最高,农用地NPP最低.不同地区植被NPP分布差异明显,西部内陆较高,东部沿海较低.月均植被NPP总体变化趋势与温度因子走势相同,相关系数分别为0.96和0.95,夏季月均植被NPP最高,达110 g·m^(-2)以上;冬季月均植被NPP最低,在20 g·m^(-2)以下.

SEVI指数消除4种十米级空间分辨率卫星影像地形阴影影响的效果评价

为评价阴影消除植被指数(Shadow-Eliminated Vegetation Index,SEVI)对常用十米级不同空间分辨率遥感影像的地形阴影消除效果,采用2019年1月24~25日过境的Sentinel S2B(10 m)、GF-1(16 m)、Landsat 8 OLI(30 m)、GF-4(50 m)4种空间分辨率多光谱影像,计算了基于地表反射率的NDVI、SEVI和基于SCS+C模型校正后反射率的NDVI。评价方法包括植被指数数值分析、本影和落影相对误差分析、变异系数分析、植被指数与太阳入射角余弦值(cosi)散点图分析等。评价结果显示:4种空间分辨率的SEVI在本影相对误差分别为2.172%、1.422%、1.351%、1.060%;对应落影的相对误差分别为2.598%、2.801%、3.795%、2.711%;相应SEVI与cosi的决定系数分别为0.0173、0.0107、0.0011、0.0001;相应变异系数分别为10.036%、9.070%、8.051%、1.631%。研究结果表明,SEVI对10~50 m不同空间分辨率遥感影像的地形阴影校正效果良好,优于用SCS+C模型校正后的地表反射率计算的NDVI;遥感影像的地形阴影效应随着空间分辨率降低而减弱。

基于GDAL的遥感图像变化检测技术

由于GDAL(Geospatial Data Abstraction Library)具有快速读取多种格式的遥感图像且能有效解析空间元数据等特点,利用它开发遥感图像处理算法具有明显的优势。结合GDAL及相应算法,开发了一套复杂地形山区植被遥感变化检测的技术,其中包括利用阴影消除植被指数(Shadow Elimination Vegetation Index,SEVI)反演植被长势;利用图像差值法及最大类间方差法(OTSU)来提取植被长势明显变化点位;利用K均值聚类自动分割识别变化区域。将该方法用于武夷山自然保护区和闽江源自然保护区2016—2017年Landsat8 OLI遥感图像的植被长势变化检测,结果表明,这套遥感图像变化检测技术切实可行,能够有效识别遥感图像变化区域,并在复杂地形山区的植被长势监测中具有良好的应用价值。