济南测绘招聘（利用线性融合方法进行植被覆盖度时空变化研究）-郑州富士康内部推荐

本文内容来源于《测绘通报》2021年第10期，审图号：GS（2021）6414号

利用线性融合方法进行金花茶自然保护区植被覆盖度时空变化研究

陈伟¹, 王哲¹, 赵海盟², 李丽和³, 张学鹏¹, 李广超¹

1. 中国矿业大学(北京), 北京 100083;

2. 桂林航天工业学院广西高校无人机遥测重点实验室, 广西 桂林 541004;

3. 广西壮族自治区环境监测中心, 广西 南宁 530028

基金项目：广西重点研发计划（AB18050014）；北京市自然科学基金（8192037）；国家自然科学基金（41701391）

关键词：线性融合方法 植被覆盖度 金花茶自然保护区 Sen趋势估计法 Mann-Kendall检验

引文格式：陈伟, 王哲, 赵海盟, 等. 利用线性融合方法进行金花茶自然保护区植被覆盖度时空变化研究[J]. 测绘通报，2021(11)：1-6. DOI: 10.13474/j.cnki.11-2246.2021.328.

阅读全文：http://tb.sinomaps.com/article/2021/0494-0911/20211101.htm

摘要

摘要：在利用高空间分辨率影像研究小区域植被覆盖度（FVC）变化时，传感器、成像条件及云量的影响会导致连续的长时序影像数据缺失或数据质量较差，同时影像的低时间分辨率也限制了对小区域连续时序FVC变化的研究。针对该问题，本文采用线性融合方法融合出连续的长时序FVC影像，解决了在研究FVC时空变化时云量和条带影响导致的Landsat影像连续时序数据缺失和低时间分辨率问题；利用Sen+Mann-Kendall进行趋势分析发现，金花茶自然保护区的FVC在2000-2016年整体呈增加趋势，FVC显著增加的区域约占37.32%，不显著增加的区域约占58.56%。线性融合方法得到的FVC影像可以精细地表征地表FVC的变化，较好地解决了高空间分辨率影像FVC连续时序数据缺失的限制，有利于小区域FVC的长时序时空变化研究。

正文

植被是表征地区生态环境质量的重要指标^[1]，研究植被变化对保护生态系统具有重要意义。植被覆盖度(fractional vegetation cover, FVC)是监测地面植被变化的重要参数，是植被在垂直方向上的投影面积占统计区域总面积的百分比^[2]，可用于量化植被的分布情况^[3]。自然保护区的建立可有效保护生态系统，对保护生态环境和生物多样性具有重要作用^[4-6]。监测自然保护区的FVC变化以研究植被的变化规律，可为植被保护提供更加科学的依据^[7]。目前估算FVC的方法主要有地面实测法和遥感监测法。前者试验结果较精确，但过程复杂，成本较高；后者则适合在大范围区域内进行估算^[8-9]。

遥感监测法是估算FVC的有效方法，具有重复观测和观测面积广的特点^[10-11]。但受卫星视场角的影响，遥感影像存在空间分辨率和时间分辨率间的矛盾^[12-14]，即较高空间分辨率的影像具有较长的重访周期，较低空间分辨率的影像具有较短的重访周期。GLASS FVC影像虽然具有较短的8d重访周期，但其较低的500m空间分辨率无法满足对小区域植被空间分布的详细观测。因此，高空间分辨率的影像数据对于小区域的FVC时空变化研究十分重要。Landsat影像的空间分辨率为30m，空间和光谱特性可以较好地描述植被变化，但其16d的重访周期限制了对长时序植被时空分布的研究。同时，受云量污染和影像条带的影响，部分影像时序数据缺失或质量较差，极大地限制了Landsat影像数据在长时序植被生态监测方面的应用。因此，在研究植被时空变化时，获取同时具有高时间和高空间分辨率的遥感影像十分必要。

1 研究区概况与数据来源1.1 研究区域

广西防城金花茶国家级自然保护区始建于1986年，地处广西防城港市，保护区总面积约为9098.61hm²(如图 1所示)，主要包括核心区、缓冲区、实验区3个区域。金花茶为国家一级保护植物，具有较高的科学研究和观赏价值^[15]。金花茶自然保护区年平均气温约为21.8℃，属于热带季风气候。

图 1 研究区域

图选项

1.2 数据来源

GLASS FVC产品^[16]的空间和时间分辨率分别为500m、8d，数据来源为国家地球系统科学数据中心。Landsat地表反射率(SR)产品的空间和时间分辨率分别为30m、16d，数据来源为USGS。选取的Landsat SR影像见表 1。

表 1 Landsat SR影像

表选项

2 研究方法

本文采用的线性融合方法主要是根据Landsat SR产品，采用二分法模型计算Landsat FVC。根据t₀和t_k时刻的高时间、低空间分辨率GLASS FVC影像，通过线性回归拟合出时相变化模型参数σ₁、σ₂，从而得到GLASS FVC影像间的时相变化模型；根据时相变化模型，对t₀时刻的Landsat FVC影像进行融合，得到t_k时刻的Landsat FVC影像，从而得到同时具有高空间和高时间分辨率的FVC产品。方法流程如图 2所示。

图 2 线性融合方法流程

图选项

2.1 计算植被覆盖度

根据Landsat SR影像计算归一化差值植被指数(NDVI)，其取值范围为[-1, 1]；然后采用像元二分法模型^[17]计算FVC，公式为

(1)

式中，α_NIR为近红外波段的反射率；α_R为红光波段的反射率。利用像元二分法模型计算FVC的公式如下

(2)

式中，FVC为植被覆盖度；NDVI为归一化差值植被指数；NDVI_soil为无植被覆盖区域的NDVI；NDVI_veg为纯植被区域的NDVI。根据NDVI的频率统计表，结合金花茶自然保护区的地貌和植被分布特点，分别取累积频率为2%和98%的NDVI值作为NDVI_soil和NDVI_veg。

2.2 线性融合方法

本文采用的线性融合方法主要基于时相变化模型的空间尺度不变性^[18]，即建立已知时相和未知时相的低空间分辨率影像间的时相变化模型；然后将得到的时相变化模型应用于已知时相的高空间分辨率影像上，从而得到未知时相的高空间分辨率影像^[19]。

线性融合方法的模型可表示为

(3)

式中,ω为一个时间变换映射函数；S(t₀, t_k,σ₁,σ₂, FVC)为从已知时刻t₀和待预测时刻t_k的低空间、高时间分辨率的FVC影像中获得的时相变化模型；H(FVC,t₀)指t₀时刻的高空间、低时间分辨率的FVC影像；H(FVC, t_k)指待预测时刻t_k的高空间、低时间分辨率的FVC影像。

首先对相邻时刻的具有低空间、高时间分辨率的整幅FVC影像进行线性回归，求出它们之间的时相变化模型，公式为

(4)

式中，L(FVC, t_k)为待预测时刻t_k的低空间、高时间分辨率的FVC影像；L(FVC,t₀)为已知时刻t₀的低空间、高时间分辨率的FVC影像；σ₁、σ₂为相邻时刻整幅FVC影像间的时相变化模型参数。σ₁、σ₂的计算公式分别为

(5)

(6)

式(5)—式(6)中，x_i为已知时刻t₀的低空间、高时间分辨率FVC影像的像元值；y_i为待预测时刻t_k的FVC影像的像元值；n为像元总数。

根据得到的低空间、高时间分辨率FVC影像间的时相变化模型参数σ₁、σ₂，依据时相变化模型的空间尺度不变性，将时相变化模型参数应用于高空间、低时间分辨率的FVC影像上。根据t₀时刻的高空间、低时间分辨率的FVC影像，可以得到待预测时间点t_k的FVC影像，公式如下

(7)

由于地物的时相变化模型具有空间尺度的不变性，因此通过低空间、高时间分辨率的GLASS FVC影像得到的S(t₀, t_k,σ₁,σ₂, FVC)时相变化模型可以应用于相近时刻的Landsat FVC影像，从而可以融合得到同时具有高时间和高空间分辨率的FVC影像。

对于融合结果的精度评价，利用线性融合方法融合出的FVC影像和真实的Landsat FVC影像间的相关系数和均方根误差评价线性融合方法的精度，主要公式分别为

(8)

(9)

式(8)—式(9)中，x_i和y_i分别为i位置处真实的Landsat FVC像元和融合出的FVC像元；x和y分别表示真实的Landsat FVC像元均值和融合出的FVC像元均值；N为像元总数。

2.3 Sen+Mann-Kendall趋势分析

采用Sen+Mann-Kendall分析FVC时序变化趋势，FVC的Sen趋势度^[20]公式为

(10)

式中，FVCj、FVCi分别为时刻j和i的FVC；median表示取中位数。若ρ< 0，表示下降趋势；若ρ>0，表示上升趋势，并通过Mann-Kendall方法检验趋势是否显著性变化。Mann-Kendall检验统计量S可定义为

(11)

(12)

(13)

式中，Z_S为标准化后的检验统计量；x_j、x_i为时间序列数据；n为样本数。当n≥10时，S近似为正态分布，其均值和方差公式分别为

(14)

(15)

标准化后Z_S为标准正态分布，若>z_1-a/2，表明存在显著趋势变化。z_1-a/2为标准正态函数分布在置信度水平a下对应的值。

时序长度为15，置信水平a为0.05。采用Sen+Mann-Kendall对FVC进行趋势分析时，主要分为4类：当≤1.96且ρ≥0时，FVC不显著增加；当≤1.96且ρ< 0时，FVC不显著减少；当≥1.96且ρ≥0时，FVC显著增加；当≥1.96且ρ< 0时，FVC显著减少。

3 结果分析3.1 FVC融合结果评价

为了评价线性融合方法的FVC融合结果，将融合出的FVC影像和真实过境Landsat FVC影像进行相关性分析(如图 3所示)，选取云量低于10%的3幅Landsat SR影像(2002年1月4日、2013年12月4日、2014年1月5日)。由图 3可知，相关系数R均大于0.7，说明它们之间均具有较强的相关性，其中2013年12月4日真实的Landsat FVC影像和融合出的FVC影像间的相关性最强，相关系数为0.767，均方根误差为0.092。

图 3 融合出的FVC影像和真实过境Landsat FVC影像的散点图

图选项

3.2 FVC的时间分布对比

图 4为线性融合方法的FVC和GLASS FVC的日均值折线图。可以看出，根据线性融合方法得到的FVC日均值与GLASS FVC日均值整体上相差很小，FVC年际变化趋势基本相似，2010、2012和2014年融合出的FVC和GLASS FVC的变化曲线存在一些差异，这可能与选取的Landsat影像受云量影响有关。云量污染会影响Landsat FVC计算的精确性。虽然对2012年Landsat 7 ETM+影像进行了条带填充，但部分填充值存在异常，会影响FVC的融合结果。图 5为线性融合方法的FVC和GLASS FVC年均值折线图。可以看出，GLASS FVC和融合出的FVC年均值都在0.8附近，GLASS FVC的年均值在2000—2016年整体呈递增趋势，线性融合方法的FVC年均值变化趋势与GLASS FVC相似。

图 4 线性融合方法的FVC和GLASS FVC日均值折线图

图选项

图 5 线性融合方法的FVC和GLASS FVC年均值折线图

图选项

3.3 FVC空间分布对比

对于小区域范围的FVC时空融合，线性融合方法可以较好地解决由像元大小所导致的边界不匹配问题。2000—2016年金花茶自然保护区GLASS FVC和融合的FVC年均值空间分布如图 6所示。由图 6(b)可知，2000—2016年FVC的年均值空间分布可能与地面高程有关，中间地势高的区域FVC偏低。线性融合方法得到的FVC在空间上表征得更精细。

图 6 2000—2016年金花茶自然保护区GLASS FVC和融合的FVC年均值空间分布

图选项

2000—2016年GLASS FVC和融合的FVC年变化趋势如图 7所示。由图 7(a)可知，金花茶自然保护区的FVC变化趋势主要有3种，即不显著减少、不显著增加、显著增加。FVC显著增加区域约占79.04%，不显著增加区域约占16.84%, 不显著减少区域约占4.12%。对线性融合方法的FVC产品进行Sen+Mann-Kendall趋势分析，由图 7(b)可知，FVC的变化趋势主要有4种：显著减少、不显著减少、显著增加、不显著增加。线性融合方法的FVC变化在空间上显示更加精细，FVC显著增加区域约占37.32%，不显著增加区域约占58.56%，显著减少区域约占0.14%，不显著减少区域约占3.98%。

图 7 2000—2016年GLASS FVC和融合的FVC年变化趋势

图选项

4 结论

本文采用线性融合方法融合得到具有高空间和高时间分辨率的FVC影像，并将融合出的FVC影像应用于金花茶自然保护区FVC的时空变化研究，结论如下：

(1) 2000—2016年金花茶自然保护区FVC显著增加的区域主要集中在保护区的东北部、西北部和西南部，其他区域的FVC虽然也有所增加，但不显著。

(2) GLASS FVC与线性融合方法得到的FVC空间变化趋势相似，但线性融合方法得到的FVC在空间上的表征更加精细。

(3) 研究区的植被覆盖度在研究期间整体呈增加趋势。

线性融合方法较好地解决了低时间分辨率和云量污染所导致的Landsat影像时序数据缺失的问题，可以较好地研究小区域长时序FVC时空变化情况，对评估自然保护区FVC的时空变化具有重要意义，可为自然保护区的植被变化监测提供科学依据。

作者简介

作者简介：陈伟(1987—)，男，博士，副教授，主要从事生态环境遥感方面的研究。E-mail: chenw@cumtb.edu.cn

初审：杨瑞芳

复审：宋启凡

终审：金 君

往期推荐

资讯

○ 济南市勘察测绘研究院研发人员招聘公告

○ 北京大学遥感与地理信息系统研究所2022年人才招聘公告

○ 地理信息工程国家重点实验室2021年度开放基金课题申请说明

○ 招聘 | 中国地图出版集团多岗位招聘

会议

○ 第一届中国生态系统遥感学术研讨会（三号通知）

○ 《测绘学报》2021年编委会会议在青岛召开

○ 会议通知 | 2021中国地理信息科学理论与方法学术年会通知（第二号）

○ 关于第八届“测绘科学前沿技术论坛”再次延期召开的通知

《测绘学报》

○ 新华网专题报道《测绘学报》：面向国家需求，发挥引领作用

○《测绘学报》2021年第11期“智能驾驶环境感知专刊”目录

○ 智能驾驶环境感知 | 李德仁：测绘遥感能为智能驾驶做什么？

○ 智能驾驶环境感知 | 张攀：通用化高精地图数据模型

○ 测绘学报 | 左溪冰 : 高光谱影像小样本分类的图卷积网络方法

《测绘通报》

○ 室内高精度三维测图新技术

○ 面向上海城市数字化转型的新型测绘

○ 图像全站仪及图像测量发展与展望

○《测绘通报》2021年第11期目录

《北京测绘》

○《北京测绘》2021年第9期摘要推荐

○《北京测绘》2021年第8期摘要推荐（下）

○《北京测绘》2021年第8期摘要推荐（上）

○《北京测绘》2021年第7期摘要推荐（下）

《测绘科学技术学报》

○ 《测绘科学技术学报》2021年第1期重点论文推荐

○ 摘要 |《测绘科学技术学报》2021年第3期摘要推荐

○ 摘要 |《测绘科学技术学报》2021年第2期摘要推荐

○ 摘要 |《测绘科学技术学报》2021年第4期摘要推荐

○ 摘要 |《测绘科学技术学报》2021年第5期摘要推荐

《地球信息科学学报》

○ 《地球信息科学学报》2021年第10期佳文推介

○ 《地球信息科学学报》2021年第9期佳文推介

○ 《地球信息科学学报》2021年第11期佳文推介

○ 专刊征稿：社会感知与地理大数据挖掘（征稿中）

《测绘工程》

○ 摘要 |《测绘工程》2021年第5期摘要推荐

○ 摘要 |《测绘工程》2021年第4期摘要推荐

○ 摘要 |《测绘工程》2021年第6期摘要推荐

○ 测绘教学 | 后疫情时代“线上+线下”混合教学模式创新——以测绘类课程视角

《中国空间科学技术》

○《中国空间科学技术》2021年第5期摘要推荐

○ 摘要 |《中国空间科学技术》2021年第4期摘要推荐

○ 摘要 |《中国空间科学技术》2021年第3期摘要推荐

○ 火卫二地形地貌探测综述

《卫星应用》

○ 摘要 |《卫星应用》2021年第9期摘要推荐

○ 摘要 |《卫星应用》2021年第8期摘要推荐

○ 摘要 |《卫星应用》2021年第7期摘要推荐

○ 综述 | 北斗系统应用趋势分析

《Journal of Geodesy and Geoinformation Science》

○《测绘学报（英文版）》（JGGS）LiDAR专刊发布

○《测绘学报（英文版）》（JGGS）第一次编委会会议顺利召开

○ Special Issue on New LiDAR Technologies and Techniques

○ Stefano TEBALDINI et al. |《测绘学报（英文版）》（JGGS）精选论文

《Satellite Navigation》

○ [综述]| 高扬教授：GNSS智能手机定位：进展、挑战、机遇和未来展望| SANA佳文速递

○ 熊超教授：地磁暴期间夜间低纬电离层和赤道等离子体不规则体| SANA佳文速递

○ 徐元博士：面向有色测量噪声下UWB/INS组合行人导航的分布式卡尔曼滤波| SANA佳文速递

○ 杨飞博士：GNSS天顶对流层精化模型的构建与分析| SANA佳文速递

○ 牛小骥教授：用半解析法分析GNSS/INS在铁路轨道测量中的相对精度| SANA佳文速递

《自然资源遥感》

○ 《自然资源遥感》入驻“智绘科服”融媒体平台！

○ 《自然资源遥感》征稿：“海岸带空间资源及生态健康遥感监测”专栏

《Journal of Geovisualization and Spatial Analysis》

○《Journal of Geovisualization and Spatial Analysis》入驻“智绘科服”融媒体平台！

○ JGSA国际期刊2021年第5卷第2期论文摘要