论文部分内容阅读
土地荒漠化不仅是全球性的重大环境问题,也是我国面临的最为严重的生态问题。遥感技术以其信息量大、获取速度快及覆盖范围广等特点,已逐渐成为土地荒漠化监测与评价的主要手段,而准确了解土地荒漠化地区植被分布状况是监测和评价区域荒漠化程度的基础工作,植被覆盖度作为反映地表信息的重要参数,是土地荒漠化监测和评价最为直接有效的指标。 本文以河北省康保县为研究区,以实地拍摄的样方数码相片及2014年Landsat-8遥感影像数据为数据源,结合研究区2014年野外样地调查数据,针对植被稀疏的土地荒漠化地区(康保县)进行植被覆盖度定量反演,探讨了由小尺度基于数码影像的样方植被度盖度反演到大尺度基于遥感影像的植被指数法、多元逐步回归分析模型法、线性混合像元分解模型法及k个最靠近邻居或样地(kNN)算法的植被覆盖度反演,全面系统的研究了各种植被覆盖度反演方法,并对结果进行了综合比较分析。主要研究结论如下: (1)基于数码影像的样方植被覆盖度反演 针对植被稀疏,地物复杂的土地荒漠化地区(康保县),利用数码影像通过计算机自动分类和人工目视解译相结合估算出的各样地植被覆盖度,其估算值与实测植被覆盖度值之间有较强的线性关系,决定系数R2为0.7884,较好的反映了研究区样地植被覆盖信息,可作为土地荒漠化地区植被覆盖信息提取快速、低成本且实用可行的方法。 (2)基于多元逐步回归分析法的植被覆盖度反演 利用研究所选取的植被指数与植被覆盖度单独进行线性回归拟合,归一化植被指数(NDVI)和土壤调节植被指数(SAVI)表现最佳(R2为0.604);土壤调节因子L对植被稀疏,土壤类型有限的土地荒漠化地区(康保县)没有表现出明显的调节作用,对研究区中等覆盖的样地调节作用微弱;利用多元逐步回归分析法筛选出的三种最佳植被指数(SAVI0.5、比值植被指数-SRN-R、增强型植被指数-EVI)建模,模型决定系数R2为0.7193,均方根误差为0.2416,模型精度为86.69%。 (3)基于线性混合像元分解模型的植被覆盖度反演 在植被稀疏,混合像元尤为突出的土地荒漠化地区(康保县),基于几何顶点的端元选取方法要优于基于纯净像元指数(PPI)的端元选取方法;线性混合像元分解模型法植被覆盖度反演精度虽不及多元逐步回归分析法,但此方法可以不依赖外业调查数据,推广性强,可作为监测土地荒漠化地区植被覆盖实用可行的方法。 (4)基于kNN算法的植被覆盖度反演 利用通过多元逐步回归分析法筛选出的最佳指数因子对研究区进行kNN植被覆盖度反演,随着k值的增大,均方根误差和平均误差逐渐减少,总体估测精度逐渐增高,一定程度上减弱了土地荒漠化地区“异物同谱”现象对分类结果的干扰,当k值取10时,预估测精度最高为73.67%,结果表明利用kNN方法通过少量地面调查数据就能反映出土地荒漠化地区植被覆盖情况。 (5)综合评价分析 无论将线性混合像元分解结果植被分量导入到多元逐步回归模型中还是将其参与到植被指数中进行kNN算法植被覆盖度反演,都能一定程度上提高反演精度,在逐步回归分析植被覆盖度反演模型中精度提高为5.7%,在kNN算法植被覆盖度反演中精度提高为0.24%,充分说明线性混合像元分解结果植被分量是一个对土地荒漠化地区植被覆盖度反演较为敏感的指标因子,可尝试有效的利用。