英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
基于遥感和GIS技术的北京西部山区植被覆盖变化分析
摘要 门头沟区是中国北京西部山区生态缓冲区的重要组成部分。使用1979年7月14日和2005年7月23日的两期Landsat MSS / TM图像，根据归一化差异植被指数和光谱混合分析（NDVI-SMA）模型计算了门头沟区植被覆盖率。根据数字高程模型（DEM）图像、社会和经济数据分析其时空变化。结果表明，植被覆盖率从1979年的76.4％下降到了2005年的72.7％。植被退化可能是人为扰动的结果，如居民区区的外扩、煤矿采石活动，而植被恢复可能是由自然过程和生态建设的综合影响。植被变化与地形特征密切相关。 高原植物比低矮植物更稳定且降解程度较低，而陡坡或西北部的植物则更容易受到退化。26年来，景观变得更加碎片化，高度覆盖植被面积减少了24％，因此土地的生态质量大大恶化。
关键词 覆盖度；遥感；植被退化；生态恢复；DEM
简介
应用遥感图像技术对植被特性的估计变得相当可靠并取得了成功。已经开发了许多方法来分析多光谱遥感图像的植被覆盖信息，这些方法包括植被指数法（Choudhury等 1994; Toby和David 1997，Boydetal 2002年）回归分析法（Graetz等1988； Boydetal 2002；Peter 2002），决策树分类法（Hansen等 2002）和光谱混合分析（SMA）（Pech等1986；Leprieur等人1994；Gutman和Ignatov 1998； Qi等 2000； Xiao and Moody 2005）。
光谱混合分析可应用于从多光谱卫星数据估算子像素冠层比例。使用具有两个，三个或四个端元的模型已经取得了良好的效果（Xiao和Moody 2005）。归一化差值植被指数（NDVI）与SMA结合是线性混合模型中最简单的模型，假设像素仅由植被和裸土组成（Xiao and Moody 2005）。Leprieur等 （1994）基于NDVI-SMA模型从SPOT影像中成功监测了萨赫勒地区的植被覆盖。 Qi等人（2000）发现，即使没有经过大气校正，遥感植被覆盖信息仍然相当可靠。
还采用多时相卫星图像来监测植被覆盖度及其年度或季节变化（Qi 等2000;；Vasconcelos等2002；Guerschman等2003）。然而，很少有研究人员将植被覆盖的时空变化与地形数据相关联，如高度，坡度和坡度。因为植物功能类型及其在自然条件下的变化是由区域尺度的地形条件决定的，所以很难确定植被变化的驱动力（人为干扰或自然过程），因此很难在像元尺度做出适当的生态恢复决定。
门头沟区位于北京市西部，作为北京的生态缓冲区起着至关重要的作用，经常遭受气候和环境事件的破坏。 根据北京市区的功能特征，门头沟将作为北京西部矿区的生态保护区。因此，在生态恢复过程中，了解北京西部山区的植被覆盖状况和时空变化是至关重要的。
本研究的目的是：（1）利用1979年7月14日和2005年7月23日获取到的Landsat MSS / TM图像研究门头沟区植被覆盖情况；（2）分析高原，坡度和坡面植被变化特征，确定像素尺度植被变化的关键驱动因素（自然过程或人为扰动）；（3）为北京西部生态墙建设生态修复提出建议。
研究区域和数据
研究区域
门头沟区位于北京市西部（115°25-11 6°1 0，39°48至40°13 N）。它位于华北平原和蒙古阿尔蒂普拉诺之间的过渡地带，西北地区较高，东南低。区内98.5％为山区，仅为平原地区的1.5％。
门头沟区属于大陆性季风气候，干旱多风，春暖花雨，寒冷幽湿，寒冷干燥的冬天。 东部平原的气候与东部平原有很大的不同。 东部平原年平均气温11.7°C，西部山区气温10.2°C。 降雨一般从东到西。 受不稳定的大气环流和海风影响，年降雨量从900到400毫米。 图1显示了牡丹沟和研究区的地图。
图1 门头沟区村镇和道路图
数据采集
DEM数据 空间分辨率为30 m的DEM数据是以1：10000的比例尺从门头沟区的数字轮廓转换得到。 根据DEM数据计算了该区的坡度和坡度，该数据与坡度和坡度数据一起清楚地描绘了门头沟的地形特征。
图像采集 门头沟的两幅Landsat MSS / TM图像是于1979年7月14日和2005年7月23日获取，均为无云数据。 因为这两幅图像是在7月份的相同月份获得的，只有9天，植被生长和覆盖情况基本上是可比的。 因此，这两幅图像可用于监测门头沟区植被覆盖在空间和时间上的动态变化
降水 根据北京地区的物候情况，植被覆盖率在七月份达到顶峰并处于稳定状态。 然而，降水会对植被覆盖率有所影响，特别是在干旱年份。考虑到降水对植被生长的影响，我们分析了从1979年到2005年的一月到7月之间的降水数据。1979年第一个半年降水率为170.2毫米，2005年为163.5毫米，平均值约为150毫米。 因此，这两幅卫星图像所揭示的植被覆盖度可以反映1979〜20 05年间的植被变化，这两个时期降水对植被生长的影响可以忽略。
卫星影像预处理
图像几何校正
2005年7月23日获得的Landsat TM图像基于1：10000数字化的栅格图进行几何校正。数字化的栅格图被设置为参考图像，并且使用Envi 4.2软件选择大约50个地面控制点（GCP）。Landsat TM图像使用三次多项式模型进行扭曲，并以30 m的分辨率进行线性重新采样。几何校正精度优于半像素，经度方向的RMS误差为9.9米，纬度方向为10.8米。
然后，2005年7月23日获取的Landsat MSS图像与Landsat TM影像进行几何配准。 将地理参照的Landsat TM图像设置为基本图像，并使用Envi 4.2软件选择大约100个均匀分布的GCP。 Landsat MSS图像使用Delaunay Triangu lation方法扭曲（Delaunay三角测量扭曲将三角形与不规则间隔的GCP和插值拟合到输出网格），Landsat MSS图像线性重采样分辨率为30 m。 几何校正精度优于一个像素，RMS误差在经度方向为23.5米，纬度方向为17.3米。
图像辐射校正
首先，对2005年7月23日的TM图像采用经验线（EL）校准方法进行大气校正，然后将TM图像通过数字从ＤＮ值转换为反射率（Farrand等，1994）。 其次，从Landsat T M / MSS图像中提取出了水，裸土，大坝，茂密植被等伪不变物体。 最后，1979年7月14日的MSS图像与2005年7月23日的TM图像进行了一致的平方回归法，MSS图像也从DN值转换为反射率。
使用NDVI-SMA模型监测植被覆盖度
NDVI-SMA模型
DVI-SMA的假设是给定像素的NDVI值是NDVI值和裸露土壤的线性组合，加权按其相对比例。 Qietal 等（2000）发现NDVI -SMA对图像无线电度量校正不敏感，即使没有大气校正也可以用于估计植被覆盖。
假设像素信号由两个部分的贡献组成：土壤和植被。 如果部分绿色植被覆盖度为fc，则分数土壤覆盖层应为1－fc。 因此，由远程传感器观测到的结果信号S可以表示为（１）其中Sv是来自绿色植被成分的信号贡献，Ss来自于土壤分量。
公式（１）适用于反射域中的遥感数据（Maas 1998）和光谱植被指数域（Leprie等.1994）。 当应用光谱植被指数，如NDVI时，公式（１）可以近似转化为。可进一步转化为其中NDVIsoil是裸露土壤面积的NDVI值，NDVIveg是纯植被区域的NDVI值。
当采用公式（３）计算门头沟覆盖度时，必须设置NDVIsoil和NDVIveg。 首先计算图像的NDVI数据，得出NDVI数据直方图。 其次，将直方图的1％像素的NDVI值设置为NDVIsoil，99％像素的NDVI值为设置为NDVIｖeg。最后，NDVIsoil和NDVIveg值代入公式（３），并计算植被覆盖度，其中负值的值设置为0，将大于1的值设置为1。
NDVI-SMA模型的验证
针对2006年6月30日进行了实验。 因为很难找到和调查门头沟区这个崎岖地区的地面真相地块，选择了17个相对均匀的不同植物类型的平坦地块。 每个地块的覆盖范围通过视觉估计进行了调查（Z hou 等1998），并根据其由全球定位系统（GPS）确定的位置，从2005年的覆盖图像中提取了每个地块的遥感覆盖度。 表1列出了17个调查地块的数据。
图2是被测和遥感覆盖数据的统计散点图。 结果表明，NDVI-SMA模型的覆盖率与视觉测量值的比值显著相关，系数为0.558（R2），RMSE为0.12。 由于地面事实地块数量较少，因此直接应用表1数据建立的统计模型应谨慎。
表1 17个地面调查地块信息
GPS no. Lat Long Surveyed coverage RS coverage Plant type
46 39.9841 116.0528 0.60 0.53 Shrubbery
52 40.0337 115.8493 0.30 0.37 Shrubbery
53 40.0200 115.8646 0.80 0.73 conifer and shrub
54 40.0210 115.8692 0.50 0.47 Shrubbery
55 40.0409 115.8588 0.60 0.59 Shrubbery
56 40.0648 115.8543 0.60 0.53 Shrubbery
HF1 40.0283 115.9941 0.50 0.63 Shrubbery
HF2 39.9291 116.0870 0.50 0.39 Conifer
HF3 39.9765 116.0671 0.70 0.65 Shrubbery
HF7 40.0089 115.9989 0.70 0.69 Shrubbery
HF8 40.0091 115.9926 0.70 0.65 Conifer and shrub
HF9 40.0041 115.9880 0.90 0.77 Arbor
HF10 40.0081 115.9393 0.50 0.62 Arbor and shrub
HF11 40.0049 115.9737 0.80 0.732 Arbor and shrub
HF13 40.0733 115.8569 0.40 0.58 Shrubbery
HF14 39.9832 116.0528 0.70 0.504 Shrubbery
HF12 40.0079 115.5198 1.00 0.97 Arbor
图2 通过子像素模型确定的遥感覆盖与地面视觉估计的覆盖之间的关系
此外，植被覆盖可以通过光学成像方法对均匀平坦森林面积进行测量（Chen和Cihlar，1995）。 然而，在崎岖的地区，一些现场调查方法在测量森林植被覆盖度方面的可靠性是有问题的（Curran and Williamson 1986； Wilson 等1987； Zhouetal 1998）。 除了Curran和Williamson提出的样本量问题（1986），还有人认为，一些现场方法可能产生显着不一致的结果，使得对遥感数据的后续处理不太有意义。 Wilson等人 （1987）总结了各种现场技术的局限性和缺点。 例如，在崎岖的地区，基于现场方法，包括视觉估计，检查和验证遥感结果变得十分不准确。因此，NDVI-SMA模型变得可靠。
门头沟地区植被覆盖变化
为了利用Landsat MSS / TM图像对植被覆盖进行监测，从1979年7月14日和2005年7月23日获取的两幅图像中计算出NDVI图像，然后根据NDVI- SMA模型表示为公式（3）。 覆盖图像如图3所示。 显然，覆盖面和景观特征从1979年到2005年发生了很大变化从。生态退化明显，植被覆盖度下降，景观变得比以前更加分散。
表2显示了1
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[27354]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
