遥感估算植被覆盖度的角度效应分析

20070643(3)　北京师范大学学报(自然科学版)

Journal of Beijing Normal University (Natural Science )　343　

遥感估算植被覆盖度的角度效应分析3

郭占军1,2)　阎广建1)　冯　雪1)　王远征1)　张霄羽3)

(1)北京师范大学地理学与遥感科学学院遥感与GIS 中心,遥感科学国家重点实验室,

环境遥感与数字城市北京市重点实验室,100875,北京;

2)宁夏大学资源环境学院,750021,银川;3)中国科学院地理科学与资源研究所,100101,北京)

摘要　植被覆盖度是植被在地面的垂直投影面积占统计区总面积的百分比.由于植被反射的二向性特性,不同角度估算的植被覆盖度原则上不可比,另外,不同观测角度对应像元不同的采样面积,对于非均一地表这种面积差异引起的角度效应也非常显著.本文除了考虑植被的二向性反射,还重点模拟分析了由于像元的采样面积差异引起的角度效应及其带来的植被覆盖度估算误差.模拟结果表明:相比天顶观测,在倾斜40°观测时,对于作物和裸土混合,由于面积误差带来的红光波段反射率差异已高达56%,同时引起的植被覆盖度估算误差达到23%,因此研究植被覆盖度的角度效应问题很有必要.

关键词　植被覆盖度;角度效应;二向性反射分布函数(BRDF );模拟

3国家自然科学基金资助项目(40471095);新世纪优秀人才支持计划资助项目收稿日期:2007202217

植被覆盖度是描述生态系统的基本参数,同时是数字天气预报、区域和全球气候模型以及全球变化监测必需的参数之一[122].获取地表植被覆盖及其变化信息,对于揭示地表空间变化规律,探讨变化的驱动因子,分析评价区域生态环境都具有重要现实意义[3].

目前被广泛接受的植被覆盖度定义为:植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比[4].该定义中很重要的一点是用于计算植被覆盖度的数据应保证观测与地表垂直.通常情况下,获得植被覆盖度的方法主要有地表实测和遥感监测2类.地表实测费时费力,而且植被覆盖度具有典型的时空分异特性,利用遥感手段获取植被覆盖度显示出了强大的优势,因此已成为目前的主要手段.对于现有的遥感手段而言,要保证对整幅图像中每一个像元(尤其在大幅面影像边缘)均垂直观测是几乎不可能的.而且现有的遥感植被覆盖度产品通常是基于一周甚至一月的观测数据计算合成得到,往往利用宽视场的遥感数据.因此,在使用遥感反演植被覆盖度时,就必须考虑观测角度效应问题.引起角度效应的因素除了植被的二向性反射特性之外,不同观测角度对应像元不同的采样面积,对于非均一地表这种面积引起的角度效应也非常显著,而面积误差在现有的植被覆盖度产品中很少被考虑.

对于地物的二向性反射问题,很多学者都曾深入研究过,发展了许多描述地物二向性反射和目标特征参数之间关系的模型,大致可分为物理模型(包括几何

光学模型、辐射传输模型、混合模型、计算机模拟模型)和经验模型.不同的模型适用于不同的地物类型.黄健熙[5]等使用Monte Carlo 方法模拟了作物冠层的辐射传输,结果表明,蒙特卡罗模型与实测二向性反射率分布函数(BRDF )较为吻合,蒙特卡罗模型可以作为其他作物冠层BRDF 前向模拟的有效验证工具.

面积误差问题目前鲜有文献提及.事实上,对于固定瞬时视场角(IFOV )的传感器来说,不同观测角度对应像元不同的采样面积,对于均一地表,这种面积差异引起的误差可以忽略,但是对于非均一地表,即使不考虑地物的二向性反射,这种面积差异也必然导致地表反射率的差异.因此,利用不同角度的观测估算的植被覆盖度必然存在差异.

在本文中,通过模拟考虑了植被冠层的二向性反射特性和由于像元的采样面积差异引起的角度效应及其引起的植被覆盖度估算误差.最后使用MODIS 地表反射率产品统计比较分析了均一像元和非均一像元的面积误差的表现以及引起的植被覆盖度估算误差.

1　作物冠层二向性反射对估算植被覆

盖度的影响

随着遥感技术应用的日益广泛,多角度传感器已非常普遍,多角度观测数据的优点是为反演地表生物物理参数提供了更多约束条件,但是由于地表的二向性反射特性,要定量地比较不同时间、不同观测角度获取的数据很困难,因此要有效利用多角度观测数据,必

　344

　北京师范大学学报(自然科学版)第43卷　

须正确理解与描述角度效应[6].在通常情况下,自然界中绝大多数物体都具有各向异性.地物的反射不仅具有方向性,而且依赖于入射方向,为了描述地物的这种特性,Nicodemus[7]提出了BRDF(bidirectional reflectance dist ribution f unction)的概念描述反射特征空间分布.

由于植被在生态系统中的重要地位,因此很多学者都曾深入研究了植被冠层的二向性反射特性,发展了一系列模型,如Li2St rahler GOMS(Geomet ric optical mut ual shadowing)[8]、Kussk[9]、SA IL[10211]等.其中SA IL(light scattering by arbit rarily inclined leaves)模型描述了在水平均匀冠层中直射和上行下行散射光通量的辐射传输过程,它是使用最为广泛的冠层二向性反射物理模型之一.

在本文中使用了SA IL H[9]模型来模拟作物冠层的二向性反射,该模型是在SA IL模型的基础上考虑了热点效应发展而来的.模型中描述冠层结构的参数包括:叶面积指数I LA、平均叶倾角A AL,叶片方位角呈随机分布,叶倾角呈椭球体分布,用偏心率ε描述,其他的输入参数还有叶片反射率ρ(λ)、叶片透过率τ(λ)、天空光比例、土壤反射率ρ

s

(λ)、热点因子s,以及描述观测几何的参数:太阳天顶角θs、观测天顶角θv、太阳方位角和观测方位角之差.

植被覆盖度是描述植被生长的一个重要参数,获取植被覆盖度的手段主要有地表实测和遥感估算2种.基于遥感估算植被覆盖度的方法大致可归纳为以下2种:混合光谱模型法和植被指数法.混合光谱模型法的基本思想是像元在某一光谱波段的反射率是由构成像元的基本组分的反射率以其所占像元面积比例为权重系数的线性组合,基于此可反求出地物的面积比例.例如像元只有土壤和植被2种物质成分,则植被覆盖度的计算模型为[12]

f VC=(ρ-ρs)/(ρv-ρs),(1)其中,f VC为植被覆盖度,ρ为土壤和植被混合的波段反射率,ρv为纯植被的波段反射率,ρs为纯土壤的波段反射率.植被指数法的主要思想是通过对各像元中植被类型及分布特征的分析,建立植被指数与植被覆盖率的转换关系来直接估算植被覆盖率.如Gut man[13]提出植被覆盖度与植被指数的模型:

f VC=(I NDV-I NDV,s)/(I NDV,v-I NDV,s),(2)其中:f VC为植被覆盖度,I NDV为所求像元的植被指数, I NDV,v为纯植被的植被指数,I NDV,s为纯裸土的植被指数.

植被覆盖度定义中强调计算植被覆盖度时观测与地表垂直是需要保证的.目前已有很多传感器数据生产植被覆盖度产品,如MODIS的全球植被覆盖度产品.该产品是在集合多天(32d)、多种MODIS产品的基础上计算合成得到的[14215].其合成的基本思想是选取受大气气溶胶影响最小的观测,通常采用的方法是选取I NDV值最大的观测.可以看出,同一地区多时相获得的植被覆盖度产品也不能保证是在相同的θv下的数据计算得到的,因此即使不考虑地表变化的因素,2次植被覆盖度产品之间也不具有可比性.

针对这一问题,研究不同θv下计算的植被覆盖度之间的差异就很有必要.下边的模拟分析以说明对于估算的植被覆盖度,倾斜观测相比垂直观测会产生多大误差.

我们使用SA IL H模型模拟了作物冠层的二向性反射.模拟中θs=45°,θv从-80°到80°变化(负值表示观测和太阳在异侧),太阳和观测方位夹角为180°.模拟中所使用的作物冠层参数如表1所示,其中的光谱参数从“八六三”项目“中国典型地物标准波谱数据库”中提取.

对于真实的植被覆盖度即垂直观测时的植被覆盖度可由Nilson[16]提出的方法求得:

f VC=1-e(-λ03k03I LA),(3)其中λ0为Nilson参数,λ0>1代表规则分布,λ0=1代表随机分布,λ0<1代表丛生分布,I LA为叶面积指数,

k0=

G

cos(θv)

,(4)式中θv是观测天顶角,G为叶片分布的G函数,模拟中叶片为水平型,

G=|cos(θv)|,(5)通过计算得知模拟中作物冠层的真实覆盖度为0191.

表1　SAI LH模型的输入参数

红光波段红外波段

I LA 2.55

A AL0°

ε0.98

s0.06

天空光比例0.240.22

叶片反射率0.080.40

叶片透过率0.120.36

土壤反射率0.200.27

我们分别使用公式(1)和(2)计算了θv从-80°到80°变化时植被覆盖度的变化情况.图1为各个观测角度下植被覆盖度的计算值,图2则是倾斜观测求得的植被的覆盖度相比天顶观测求得的植被覆盖度随θv 的变化的百分比.图1显示在θv为70°～80°时,使用混合光谱模型法对红光波段计算所得的植被覆盖度大于1,这是模型本身误差所致.使用SA IL H模型模拟