喀斯特石漠化地区植被覆盖度和裸岩率的遥感评估外文翻译资料

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

喀斯特石漠化地区植被覆盖度和裸岩率的遥感评估

摘要

光合植被（PV）覆盖度和裸岩率是喀斯特地区土地退化程度和范围的关键生态指数。在这项研究中，我们提出并比较了利用高光谱和多光谱遥感影像，可以直接客观的估计喀斯特石漠化关键指数的新方法。该结果表明，Hyperion卫星估计的PV覆盖度与实地调查结果具有良好的相关性，R^2（确定系数）和RMSE（均方根误差）分别为0.91和0.05;裸岩的结果则不太好，分别为0.53和0.11。它证明了这一点高光谱图像能够直接估算异质的环境中的喀斯特石漠化的关键生态指数。至于ASTER图像，结果并不那么准确。它表明了多光谱影像不能用于有效估算PV和裸岩的覆盖覆盖度。我们的研究表明，利用高光谱影像可以直接有效地估算喀斯特生态系统是石漠化评价中异质景观的PV和裸岩的覆盖度。

关键词：覆盖度;KRDSI; 喀斯特石漠化; Hyperion;ASTER

1. 引言

喀斯特地区由于较弱的环境容量和抗干扰能力是典型的易受受地质环境约束的脆弱生态区域。中国西南地区是世界上最大的喀斯特地区之一。 据估计，该地区的喀斯特地貌覆盖面积约为540,000平方公里。在过去的几十年里，这里的喀斯特地区石漠化现象以压倒性的速度扩展。 喀斯特岩石荒漠化是一种特殊的土地退化过程，土壤被严重甚至彻底侵蚀，基岩暴露广泛，土地的承载能力严重下降，最终，景观喀斯特土地退化的景象与沙漠相似。 喀斯特石漠化紧随中国西北地区沙漠化与黄土高原水土流，成为中国严重的生态和环境问题之一。

对覆盖度图像的分析产生了很多关于土地退化的信息。作为关键生态指数，光合植被和裸岩的覆盖度可被用来指示喀斯特石漠化范围和程度的表面特征。 在喀斯特地区，土地覆盖通常是混合的几种地物，因此即使是相对高分辨率的遥感数据也不能测量出纯净的光谱，而是植被和非植被混合的反射率，因此使得光合植被和裸岩的覆盖度难以估算。

为了估计亚像元尺度下的土地覆盖比例，最常用的方法是光谱混合分析法。然而，这种方法的使用受到端元可变性的限制，特别是对于喀斯特地区高度异质的景观。另一种广泛使用的方法基于植被指数。但是，植被指数不易适用于所有土地覆盖类型。许多研究已经用于改善植被指数并使它们对光照条件的变化，观察几何形状和背景不敏感。特定指数的表现和适用性通常取决于指数对目标特征的敏感性。以往的研究已经提出了用于绘制土地退化的颜色指数，形式指数，增强指数和强度指数，但这些指标不适合提取暴露基岩的覆盖信息，这是喀斯特地貌研究的重要信息。我们以前的研究提出了一个新的光谱指数，喀斯特石漠化综合指数（KRDSI），可用于提取非植被的分数覆盖。但它只是利用野外光谱数据，需要进一步研究遥感图像。因此，本研究的主要目的是探索用高光谱和直接和客观估算喀斯特石漠化关键指标的方法。

2.方法

2.1数据采集和处理

为探索利用高光谱和多光谱影像直接客观估算喀斯特石漠化关键指数的新方法，采用EO-1 Hyperion和EOS Terra ASTER图像进一步验证PV和裸岩覆盖度的提取。EO-1 Hyperion图像于2008年3月3日获得，覆盖了广西大化县七百弄附近典型的喀斯特石漠化区。 使用ACRON对Hyperion图像进行大气校正，并基于1:50,000 DEM进行几何校正。 此外，为了比较用于提取喀斯特石漠化指数的高光谱和多光谱图像的能力，我们对Hyperion光谱进行了卷积。

式中是模拟卫星宽带反射率，n是宽波段序列中光谱响应函数的波段数，是光谱仪中目标地物在第i波段的反射率，即入射太阳辐射反射率，是不同卫星传感器在第i波段的光谱响应函数值，是光谱响应波段的间隔。

2.2 影像分割

为减少异质景观对植被覆盖度估算的影响，我们提出了一种考虑地面物体空间自相关的概念。就是说，地面物体与其相邻物体相似，尽管它具有大尺度的高度异质性景象，小尺度景象可能具有相对较小的异质性。 因此，如果将图像细分转化为相对同质的子集，它将减少高异质景象对其信息提取的影响。 在这项研究中，我们用基于Hyperion光谱相似度和ASTER的滑动窗口把卫星图像分割成相对同质的子集影像，以及然后利用基于EO-1 Hyperion和ASTER，用二分像元模型估算植被覆盖度。 ASTER的滑动窗口为35times;35像素。通过像素化的光谱角，计算光谱相似性：

式中theta;是像元光谱角，T，R是矩阵，T和R的相似性随着theta;减少而大幅减少。

2.3. 用高光谱和多光谱影像提取植被和裸岩覆盖度的策略

用高光谱图像提取喀斯特石漠化的关键指数，用一系列SWIR中的光谱变量描述或捕获裸岩的光谱吸收特征。这些光谱参数称为KRDSI（喀斯特石漠化综合指数），我们以前的研究表明，用于描述吸收深度的KRDSI可以直接用于提取裸岩覆盖度。

如果不存在吸收特征，就要在波长a和b的反射率之间线性插值。 植被覆盖度用具有光谱相似性的预先分割的Hyperion的二分像元模型提取。

Daughty已经表明木质素纤维素吸收指数（LCA）与土壤覆盖度和非光合作用植被（NPV）覆盖度线性相关：

为了利用多光谱影像提取喀斯特石漠化的关键指数，可以采用木质素纤维素吸收指数（LCA）提取非光合植被和土壤的覆盖度，而PV可以用预分割的35times;35像素的滑动窗口的ASTER的二分像元模型进行估算。 因此，可以估算裸岩覆盖度：100％-光和植被覆盖率-土壤覆盖率-非光和植被覆盖率。

2.4.用Hyperion和ASTER验证提取植被和裸岩的覆盖率

由于喀斯特环境的高度异质性，混合像元问题非常严重。 所以，我们使用了场地调查点验证了用Hyperion提取喀斯特石漠化评价指标的准确性。 共收集了21个有效点。 验证结果是用现场调查的覆盖率和Hyperion以及ASTER中提取的覆盖率的确定系数R^2和交叉验证的RMSE的线性关系表示的。

3. 结果和讨论

3.1.用EO-1 Hyperion估算PV覆盖度和裸岩率

结果表明，Hyperion估算的PV覆盖率与现场调查的覆盖率具有良好的相关性，PV的R^2（决定系数）和RMSE（均方根误差）分别为0.91和0.05; 而裸岩率则不太好，分别为0.53和0.11（图1,2）。 这是由于KRDSI没有考虑石灰石和白云石的光谱差异。 结果表明，高光谱图像能够直接估算喀斯特石漠化的处于异质景象中关键生态指数。

3.2.用ASTER估算PV和暴露基岩的分数覆盖

PV覆盖度和裸岩率的估算结果不准确（图3,4）。PV的R^2和RMSE分别为0.61和0.10，裸岩率的R^2和RMSE分别为0.48和0.11。表明多光谱影像不能用于有效估计PV的覆盖度

和裸岩率。 这是确定卡斯特生态系统高异质性下地面物体的光谱差异的多光谱波段的限制导致的。 此外，任何的高光谱和多光谱影像，都应首先将影像分割成相对均匀的子集，以减少喀斯特生态系统异质性的影响。

4. 结论

喀斯特石漠化是中国西南喀斯特地区的一个主要生态环境问题。本研究为利用多光谱和高光谱影像定性和定量的表示喀斯特石漠化生态指标提供了可能。 我们的研究表明，在喀斯特生态系统的异质景象中，可以使用高光谱影像直接有效地估计PV覆盖度和裸岩率来评价卡斯特石漠化。为改进裸岩率的估算，KRDSI应区分石灰岩和白云岩的光谱特征。

鸣谢

本研究是在重点实验室开放研究基金的资助下进行的中国科学院地球观测与数字地球中心数字地球研究所，中国科学院西部大开发行动计划（No.KZCX2-XB3-10），中国国家自然科学基金（No. 41001287）和中国科学院西部之光人才培育计划。

翻译

[1] Cao JH., Yuan DX, Pei JG. Karst ecosystem of Southwest China constrained by geological setting. Beijing: Geological

Press, 2005 (in Chinese).

[2] Yuan, DX. Zhang C Global view on karst rocky desertification and integrating control measures and experiences of China.

Pratacultural Science, 2008, 25:19-25 (in Chinese).

[3] Wang SJ, Li YB. Problems and development trends about researches on karst rocky desertification. Advances in Earth

Science, 2007, 22:474-83 (in Chinese).

[4] Chinese Academy of Sciences. Several suggestions for the comprehensive taming to karst mountain areas in Southwest

China. Bulletin of the Chinese Academy of Sciences, 2003, 3:169 (in Chinese).

[5] Hill J, Megier J, Mehl W. Land degradation, soil erosion and desertification monitoring in Mediterranean ecosystems.

Remote Sens Environ, 1995, 12:237-60.

[6] Pu RL, Gong P, Michishita R, et al. Spectral mixture analysis for mapping abundance of urban surface components from the

Terra/ASTER data. Remote Sens Environ, 2008, 112: 939-54.

[7] Haboudane D, Miller JR, Pattey E. Hyperspectral vegetation indices and novel algorithms f

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17950]，资料为PDF文档或Word文档，PDF文档可免费转换为Word