论文部分内容阅读
延河流域地处陕北黄土高原中部,流域内沟壑纵横,地形复杂、地表破碎,土壤侵蚀严重。本文运用遥感特征指标将研究区域分割成两个子图像区,基于线性光谱混合模型(Linear Spectral Mixture Model,LSMM),利用IDL编写的程序,对延河流域3景TM影像分区进行混合像元分解,并基于像元内所有类型的面积比例生成土地利用类型图,估算植被盖度,最后基于本文建立的亚像元C因子估算模型,结合研究区的经验C因子值,计算流域的植被覆盖与管理因子。经过对分解的亚像元各类型丰度及其估算的植被盖度、植被覆盖与管理因子值进行定性、定量评价,分析像元异质性对估算结果的影响,得出以下主要结论:(1)基于结合SMACC和MNF变换,确定影像端元(endmember)的最佳数量为5类;参考4m的IKONOS影像、运用MNF和PPI法选择“纯净”像元作为各种典型覆盖类型的端元,分别确定各子图像区的端元组合及其光谱反射率。在自主编写的IDL程序下,对两个子图像区进行独立像元分解。通过对分解结果的误差图分析、各endmember的分量值与IKONOS影像、TM自身相应特征指数的相关性分析以及土地利用分类精度评价,分析均表明LSMM分解精度总体较好,提取的丰度信息可靠,该方法能应用于本研究区域中,是提取亚像元信息可行、有效的方法。(2)基于LSMM的林地和草地丰度综合估算像元的植被盖度,其估算结果与NDVI具有明显的线性相关关系,且在高植被覆盖区域,随着NDVI值的缓慢增加,前者增加的梯度明显大于中等植被覆盖区域。本实验结果与基于NDVI最大、最小值经验估算的植被盖度具有良好的相关性,相关系数高达0.9025。但研究区域内,混合像元分解法比NDVI指数法的结果整体偏低,偏低的均值为0.0617,与实验中草地端元的选择有较大关系。实验表明,基于LSMM估算延河流域的植被盖度是一种有效的方法,其结果在提取高覆盖的植被信息方面比NDVI指数法更具优势。(3)结合延河流域各个土地利用类型经验C因子值,本实验基于混合像元分解的所有端元类型的丰度,运用本实验提出的亚像元C因子值估算模型,估算研究区域的植被覆盖与管理因子。利用NDVI估算植被盖度、结合土地利用类型图、经验进行估算,以此作为对比研究。本实验估算C因子值是连续变化的,较后者更符合实地C因子变化情况。两种方法计算结果的偏差约为0.0249,但两者的相关系数高达0.9314,说明两者整体上具有较好的一致性。两种结果之间的差异来源主要包括:(1)植被盖度估算方法;(2)是否利用像元内所有端元的丰度。植被盖度估算方法造成混合像元分解法的C因子整体偏大于NDVI法,约0.0706。植被盖度估算方法的不同,造成了林地和草地的C因子值估算结果中混合像元分解法大于NDVI植被指数法。运用像元所有端元的丰度进行计算,使得前者小于后者,差值的均值约为-0.0457。各种土地利用类型对差异的响应有所不同。对于土地利用类型的丰度未占绝对优势的情况下,像元异质性越强,两种估算方法差异就越大。