植被覆蓋度的提取方法研究

植被覆蓋度的提取方法研究學院：城環(huán)學院

專業(yè)：自然地理學

姓名：王文靜

學號：201320746

目錄1引言

植被是生態(tài)系統(tǒng)存在的基礎，不論在生物化學循環(huán)還是在水循中，都扮演著重要的角色。植被依據(jù)生態(tài)系統(tǒng)中水、熱、氣等狀況,調控其內部與外部的物質、能量交換,植被覆蓋度的變化是地球內部作用(土壤母質、土壤類型等)與外部作用(氣溫、降水等)的綜合結果,是區(qū)域生態(tài)系統(tǒng)環(huán)境變化的重要指示。全球變化與陸地生態(tài)系統(tǒng)響應(GCTE)是當前全球變化研究的重要內容,而有關地表植被覆蓋與環(huán)境演變關系的研究是其中最復雜和最具活力的研究內容。2植被覆蓋度的定義與研究意義

植被覆蓋度（ＶＦＣ,FractionalVegetationCover）指包括喬、灌、草和農作物在內所有植被的冠層、枝葉在生長區(qū)域地面的垂直投影面積占研究統(tǒng)計區(qū)域面積的百分比,是衡量地表植被狀況的一個最重要的指標,其動態(tài)是全球及區(qū)域生態(tài)變化的熱點研究領域，因此建立快速、準確的ＶＦＣ估算方法成為當前建立全球及區(qū)域氣候生態(tài)模型的基礎工作之一。植被覆蓋度具有以下兩個特點:

(1)測算植被覆蓋度必須將植被地上部分對植被生長區(qū)域的地面進行垂直投影。如在山坡上測算植被覆蓋度時,要求將植被對坡面垂直投影,而不是鉛垂投影;(2)同樣面積的植被,對不同的研究范圍而言,會有不同的覆蓋度。如一個流域內一定面積的森林,研究區(qū)為整個流域計算的植被覆蓋度通常小于研究區(qū)為整個林區(qū)計算的植被覆蓋度。研究意義

植被覆蓋度是反映植被基本情況的客觀指標,在許多研究中常將其作為基本的參數(shù)或因子。植被覆蓋度及其精準測算研究主要具有以下重要意義:(1)作為科學研究必要的基礎數(shù)據(jù),為生態(tài)、水保、土壤、水利、植物等領域的定量研究提供基礎數(shù)據(jù),確保相關研究結果、模型理論更加科學可信;(2)作為生態(tài)系統(tǒng)變化的重要標志,為區(qū)域或全球性地表覆蓋變化、景觀分異等前沿問題的研究提供指示作用,促進自然環(huán)境研究不斷深入發(fā)展。3國內外研究進展

植被覆蓋度是描述生態(tài)系統(tǒng)的重要參數(shù)之一。完全依靠實測地面樣方來估算植被覆蓋度的方法,不但花費大量人力、物力,精度也不高;利用遙感數(shù)據(jù)通過回歸獲取研究區(qū)植被覆蓋度,是當前區(qū)域生態(tài)建設、監(jiān)測等的重要手段。通過遙感影像的不同波段構造的各種植被指數(shù)來反演植被覆蓋度是最主要的手段,其中歸一化植被指數(shù)(NDVI)應用最為廣泛。目前,地面監(jiān)測中己廣泛的運用NDVI,Timothy等用NDVI對美國新墨西哥州的草場產量進行了定量評價，Isaev等運用火災前后NDVI的變化評估森林火災造成的損失,Wang等運用洪水前后的NDVI變化,研究了中國1998年長江流域的洪澇災害。Tucker等利用NOAA-AVHRR數(shù)據(jù)對非洲大陸的干旱與沙漠化等植被覆蓋變化進行了監(jiān)測分析。3.1國外研究進展3.2國內研究現(xiàn)狀崔天翔等（2013年）以華北內陸典型的淡水濕地——北京市野鴨湖濕地自然保護區(qū)為研究對象，以中等分辨率的LandsatTM影像為數(shù)據(jù)源，基于線性光譜混合模型(LSMM)對研究區(qū)的植被覆蓋度進行了估算。

于秀娟等(2013年)在三江源區(qū)植被覆蓋度的定量估算與動態(tài)變化研究中為了有效提取和定量評價ＶＦＣ及其變化信息，在像元分解模型的基礎上，采用Ｇｕｔｍａｎ等提出的混合像元二分模型和改進的ＮＤＶＩ參數(shù)確定方法定量估算了三江源區(qū)２０００～２００９年的ＶＦＣ，計算精度表明該方法適應于區(qū)域植被覆蓋信息的提取。

李向婷等（2013年）為探尋一種滿足大尺度荒漠地區(qū)的植被覆蓋度信息的提取方法，以新疆荒漠區(qū)為例,對比和分析現(xiàn)有的遙感方法在干旱荒漠區(qū)的應用效果，利用MODIS遙感影像和野外植被覆蓋度實測數(shù)據(jù),對常用的6種遙感植被覆蓋度提取方法(改進的三波段梯度差法、像元二分法、線型混合像元分解法、歸一化植被指數(shù)法、增強型植被指數(shù)法和修正型土壤調整植被指數(shù)法)的結果進行精度驗證和對比分析。賈坤等（2013年）在植被覆蓋度遙感估算研究進展中綜合分析了用于植被覆蓋度估算的遙感數(shù)據(jù)源，包括高光譜數(shù)據(jù)、多光譜數(shù)據(jù)、微波數(shù)據(jù)和激光雷達數(shù)據(jù)。而且分析了各種常用的植被覆蓋度遙感估算方法及其優(yōu)缺點。程紅芳等（2008年）在植被覆蓋度遙感估算方法研究進展中綜合分析討論了目前常用的關于遙感影像的植被覆蓋度常用估算方法,對比分析了它們的優(yōu)缺點。

4植被覆蓋度的提取方法

ＶＦＣ的估算方法主要分為地面測量和遙感監(jiān)測。地面測量主要包括目估法、采樣法、儀器法和模型法等。這種方法主要受野外作業(yè)，受時間、區(qū)域等的限制，精度不高且需要花費巨大人力、財力，一般情況下特定的模型只適用于特定的區(qū)域或特定的植被類型，不易推廣。遙感監(jiān)測是利用遙感技術獲取研究區(qū)的植被光譜信息，然后建立其與ＶＦＣ的關系，進而獲得ＶＦＣ，主要有統(tǒng)計模型法（分為回歸模型法和植被指數(shù)法）、物理模型法、像元分解模型法、ＦＣＤ（ＦｏｒｅｓｔＣａ-ｎｏｐｙＤｅｎｓｉｔｙＭａｐｐｉｎｇ）模型法和基于數(shù)據(jù)挖掘技術的方法等。統(tǒng)計模型法應用簡單，易于計算，在小范圍內具有較高的精度，但需要大量的實測數(shù)據(jù)，而且易受觀測時大氣狀況、土壤狀況等的影響，不易推廣；物理模型估算的ＶＦＣ雖與野外實測結果較為一致，但物理模型涉及的物理幾何參數(shù)較多，而且計算復雜，現(xiàn)實中很少用到；ＦＣＤ、基于數(shù)據(jù)挖掘技術的方法也存在類似的問題。像元分解模型是最常用的估算模型，Ｇｕｔｍａｎ等在像元分解模型的基礎上提出的均一亞像元模型和混合亞像元（等密度、非密度和混合密度）模型，已成為相關研究領域的趨勢。植被指數(shù)是單位像元內的植被類型、覆蓋形態(tài)、生長狀況等的綜合反映，其大小取決于ＶＦＣ等要素，從而可以利用植被指數(shù)估算ＶＦＣ。到目前為止，已經發(fā)展了多種植被指數(shù)，如歸一化植被指數(shù)ＮＤＶＩ、土壤調整植被指數(shù)ＳＡＶＩ、大氣阻抗植被指數(shù)ＡＲＶＩ等。歸一化植被指數(shù)ＮＤＶＩ是目前應用最廣泛的植被指數(shù)，與植被的分布呈線性相關，是植被生長狀態(tài)和空間分布的最佳指示因子，也是遙感估算ＶＦＣ最常用的植被指數(shù)。以下將試對植被覆蓋度的提取方法進行評述。

4.1地表實測方法

地表實測方法主要用于較小范圍內的植被覆蓋度監(jiān)測，對于較大范圍內的植被覆蓋度監(jiān)測，它常作為遙感監(jiān)測的輔助手段，為遙感監(jiān)測提供基礎數(shù)據(jù)，對建立植被覆蓋度經驗模型及遙感覆蓋度監(jiān)測的精度評價和驗證，有著很重要的意義。目前，較為熟知的地表實測方法有目估法、采樣法、儀器法、模型法。

4.1.1目估法

目估法是根據(jù)經驗目估判別植被覆蓋度的方法，具體分為傳統(tǒng)目估法、相片目估法、橢圓目估法和網格目估法。傳統(tǒng)目估法是在野外劃定一定區(qū)域，由經驗判斷植被覆蓋度；相片目估法是多人根據(jù)同一野外相片估算植被覆蓋度，然后計算其平均值；橢圓目估

法是在植被稀疏的情況下，把地表植物近似看成橢圓形，估算樣地植被蓋度；網格目估法是將樣地劃分為若干網格，估算各網格樣地的植被蓋度均值。總的來說，目估法簡單易行，但估算精度受人為的影響比較大。4.1.2采樣法

采樣法是根據(jù)地面的實際測量計算植被覆蓋度的方法。常見的采樣法有樣點法和陰影法。樣點法是將一根根樣針在植被中垂直放下，接觸到植物枝葉的樣針數(shù)占總樣針數(shù)的百分數(shù)即為植被覆蓋度；陰影法是正午時將一根刻度尺放于地表，在平行于行播作物行距方向，以一定距離向前移動，并讀取尺子上陰影長度，總陰影長度占尺子總長度的百分數(shù)即為植被覆蓋度。由此可見，采樣法的測量程序復雜、費時費力，受到的條件制約多、效率不高，但是精度相對高。4.1.3儀器法

儀器法是利用感光傳感器捕捉光通過植被冠層的情況，據(jù)此計算植被的覆蓋度。該方法通常采用數(shù)碼相機作為傳感器，利用計算機的圖像處理軟件進行處理，因此較為經濟，測量效率也高，而且測量結果有較高精度。這使該方法成為目前地表實測方法的主要方法。White等在對多種地表實測方法比較之后，認為儀器法是較容易掌握，而且可以作為驗證遙感信息的可靠方法。4.1.4模型法

模型法是對地面的實際測量數(shù)據(jù)進行分析，利用數(shù)理統(tǒng)計的方法得到植被覆蓋度的時空分布規(guī)律，并對其進行分析，得到相關經驗模型的測量方法，該方法只適用于某一特定的區(qū)域與植被類型，不易推廣。4.2遙感監(jiān)測方法

傳統(tǒng)植被覆蓋度的地面測量主要采用采樣法、儀器法和目視估測法，由于這些方法易受時間、天氣及區(qū)域條件的影響，耗費時間、成本較大，且只能在較小的尺度范圍內提供植被覆蓋信息，因此應用受到一定的限制。遙感技術的發(fā)展為植被覆蓋度大面積、準確、及時的獲取提供了可能。利用遙感技術估算植被覆蓋度,常用的監(jiān)測方法有統(tǒng)計模型法（分為回歸模型法和植被指數(shù)法）、物理模型法、像元分解模型法、ＦＣＤ（ＦｏｒｅｓｔＣａｎｏｐｙＤｅｎｓｉｔｙMapping)模型法和基于數(shù)據(jù)挖掘技術的方法等。

4.2.1回歸模型法

回歸模型法又稱為統(tǒng)計經驗模型法。它利用單一波段或幾個波段的遙感監(jiān)測數(shù)據(jù)，計算出植被指數(shù)（NDVI）和植被覆蓋度，并通過回歸分析得到相應的統(tǒng)計模型，然后利用空間的外延模型，推求更大區(qū)域的植被覆蓋度。依據(jù)回歸所利用的方法，回歸模型法分為線性與非線性兩種。目前，線性回歸模型的應用比較廣泛。

如Graetz與Pech把植被覆蓋度的實測數(shù)據(jù)與LandsatMSS的第5波段遙感監(jiān)測數(shù)據(jù)進行線性回歸，并通過對草地生長稀疏地區(qū)覆蓋度的計算，對該模型進行了驗證。Peter分別使用ATSR-2

沿軌掃描輻射計(AlongTrackScanningRadiometer)圖像中的多個波段與植被葉面積指數(shù)、覆蓋度等進行了線性回歸分析，研究表明，估算的植被覆蓋度多波段線性混合模型明顯高于單一波段的線性回歸模型。H.Larsson分別由TM遙感監(jiān)測圖像、多光譜監(jiān)測圖像和SPOT5遙感監(jiān)測圖像估算了阿拉伯地區(qū)森林的NDVI值，并得到了精度較高的統(tǒng)計模型。新西蘭學者Dymond利用TM圖像，計算出NDVI植被指數(shù)，并將該指數(shù)與新西蘭草地退化地區(qū)植被覆蓋度進行了非線性回歸，估算了當?shù)赝嘶莸氐闹脖桓采w度。也有相當一部分研究是將線性與非線性回歸混合應用，如Anatoly分別利用NDVI、GreenNDVI、VARI3種植被指數(shù)同小麥的植被覆蓋度建立回歸模型，NDVI、GreenNDVI采用的是線性回歸的方法、VARI采用的是非線性回歸的方法。

研究結果表明，VARI對于完全無植被覆蓋和植被完全覆蓋的情況十分敏感，并且也可以極大的降低大氣影響的敏感度。因此，建議采用VARI線性回歸模型進行植被覆蓋度估算。回歸模型對所需遙感圖像的空間分辨率的要求比較高，且所建立的模型有很大的局限性，即只適用特定的地區(qū)和植被，不宜推廣。但該模型對于局部區(qū)域的植被覆蓋度估算具有相當高的精度。如Graetz與Pech根據(jù)植被覆蓋度的實際測量數(shù)據(jù)與LandsatMSS的第5波段遙感監(jiān)測數(shù)據(jù)進行線性回歸得到的模型，只適用于稀疏草地；Dymond利用TM遙感圖像，計算出NDVI植被指數(shù)，并與新西蘭草地退化地區(qū)植被覆蓋度進行了非線性回歸，也僅適用于草地退化地區(qū)；Anatoly建立的回歸模型也僅適用于小麥覆蓋的情況下。與此同時，Graetz、DymondAnatoly所用的遙感圖像分別是landsatMSSATSR-2和SPOT。由此可見，回歸模型的建立也需要較高分辨率的遙感圖像。

4.2.2植被指數(shù)法

植被指數(shù)法是根據(jù)植物的光譜特征，直接選取與植被覆蓋度有良好相關性的植被指數(shù)，并通過植被指數(shù)與植被覆蓋度的關系，估算植被覆蓋度?；貧w模型法中已經說明植被指數(shù)與植被覆蓋之間存在一定的相關性，但是與關系模型相比，植被指數(shù)法不需要建立相應回歸模型，且不受區(qū)域、時間和植被類型的限制，更易于使用。

張仁華提出了植被覆蓋度和植被指數(shù)的關系，

即

Fcover=（NDVI-NDVIs）/(NDVIv-NDVIs)。其中，NDVIs為純土壤像元的

NDVI值；NDVIv為純植被像元的

NDVI值；NDVI為所求地塊的植被指數(shù)。該值的類型并不唯一，也可以用其他的植被指數(shù)替換。該模型最重要的環(huán)節(jié)就是如何確定純植被和純土壤的NDVI，它們直接影響著模型的精度。近年來，有些學者根據(jù)植被垂向分層密度，建立了區(qū)域范圍內亞像元的植被分解模型。當區(qū)域內葉面積指數(shù)趨近于無窮大時，說明植被類型較為單一，且垂向的冠層密度較大，那么相應的純植被指數(shù)就趨近于無窮大，現(xiàn)狀的植被指數(shù)值就是非植被覆蓋區(qū)域的植被指數(shù)值。

楊勝天等依據(jù)不同的NDVI值，把植被覆蓋度分為高、中高、中、低覆蓋類型。當植被覆蓋度大于75%時，為高類；當植被覆蓋度在60%～75%之間時，為中高類；當植被覆蓋度介于45%～60%之間時，為中類；當植被覆蓋度小于45%時，為低類。Choudhuryetal與Gilliesetal使用不同的方法和數(shù)據(jù)集，均得到相同的植被覆蓋度估算公式，即

Fcover=（NDVI-NDVI0）/(NDVIs-NDVI0)。他們用該模型對美國太平洋地區(qū)的森林覆蓋度進行估算，并且采用不同類型植被指數(shù)，結合NOAAAVHRR的遙感數(shù)據(jù)，估算了該地區(qū)的森林覆蓋度。結果表明，經常用的植被指數(shù)與森林覆蓋度相關性最高。由此說明，植被指數(shù)模型較適用于大尺度的應用，比回歸模型更具有普遍的意義。但植被指數(shù)法在小范圍內的估算精度低于回歸模型。在應用植被指數(shù)模型時，由于可見光和近紅外波段對植物反應最敏感的波段，因此，目前NDVI值主要是基于這兩個波段建立的遙感信息。4.2.3像元分解模型法

像元分解模型法的原理是，在某種假定情況下，將遙感圖像中的一個實際像元分解成由多個組分構成的遙感數(shù)據(jù)信息，用這些遙感信息構建像元分解模型，從而估算出植被覆蓋度。Pech將裸土、灌木等組分信息和植被陰影覆蓋結合起來，綜合考慮，建立了澳大利亞半干旱灌木林地區(qū)像元分解模型，并對其植被覆蓋度進行估算。在目前的研究中，雖然混合光譜能反映植被光譜與下墊面的一些綜合信息，但是由于各種光譜之間的干擾，使各種光譜被削弱，致使多光譜儀的優(yōu)點很難體現(xiàn)。這也就給成像多光譜儀遙感圖像的應用帶來很大限制。

因此，很多學者將線性混合理論和混合光譜進行應用和解釋，并得到了較好的效果。田靜基于這一理論，將不同物質的混合光譜信息分解成單個波段光譜，然后進行線性組合，即：R=aRa+bRb+cRc+…（1）式中：a、b、c

等表示的是權重，Ra、Rb、Rc表示的是單一物質的反射率。在實際運用時，權重值實際上是各單獨成分占混合范圍的總面積比，因此，植被覆蓋度有明顯的相關性。其解釋為：各單一成分的光譜信息是實際存在的，而混合光譜信息是各單一成分光譜信息傳入傳感器后產生的。根據(jù)這一理論基礎，大量學者提出了線性光譜模型來估算植被覆蓋度。線性分解模型是目前應用最廣泛的分解模型。它首先假定像元信息是由各組分信息線性耦合而成的，如果一個組分到達傳感器的像元信息與很多分信息發(fā)生相互作用，就會形成非線性的耦合。但這種線性和非線性的耦合是建立在同一理論基礎上的，即無論是線性混合還是非線性混合，都是多次反射的特殊情況。線性分解法最大的缺點是，當區(qū)域內地物類型的數(shù)量大于遙感數(shù)據(jù)波段量時，就會產生較大的偏差。

馬超飛、Quarmby等都分別針對不同的區(qū)域，利用線性分解法的理論，建立了相應的線性混合模型，很好了驗證這一點。在線性像元分解模型法中，有一個最簡單的模型，即像元二分模型。它假設一個像元的信息可以分為土壤與植被兩部分。由遙感傳感器傳回的信息（S）可以分解為植被的貢獻值Sv和土壤的貢獻值Ss。

S=Sv+Ss（2）在由土壤和植被構成的混合像元中，植被覆蓋所占的比例就是這該像元的植被覆蓋度（用

fc表示），與之對應的就是土壤所占的比例。對于一個由土壤與植被兩部分組成的混合像元，像元中的植被覆蓋面積比例即為該項元的植被覆蓋度fc，而土壤覆蓋的面積比例為

1-fc。Sv=fc·Sveg（3）Ss=（1-fc）·Ssoil（4）式中：Sveg為純植被覆蓋貢獻的信息，Ss為純土壤信息貢獻值；Sv為混合像元中植被的貢獻值。將式（3）和式（4）代入式（2）可得：S=fc·Sveg+（1-fc）·Ssoil（5）由公式（4）可推出植被覆蓋度的計算公式：S=fc·Sveg+（1-fc）·Ssoil（6）其中，Ssoil與Sveg都是參數(shù)，因而可以根據(jù)式（6），利用遙感信息來估算植被覆蓋度。根據(jù)像元二分模型，一個像元的NDVI值可以表達為由綠色植被部分所貢獻的信息NDVIveg與裸土部分所貢獻的信息NDVIsoil這兩部分的組合，以歸一化植被指數(shù)作為反映其像元信息的指標。代入式（6）得：NDVI=fc·NDVIveg+（1-fc）·NDVIsoil

（7）由此導出植被覆蓋度的計算公式：fc=（NDVI-NDVIsoil）／（NDVIveg-NDVIsoil）（8）

由于像元二分模型其理論簡單，制約條件少，所以應用比較廣泛。如

ZRibi在半干旱地區(qū)利用該模型對雷達信號進行分解，求得該地區(qū)的植被覆蓋度。QiJ將植被指數(shù)分解為純植被和無植被的植被指數(shù)代入該模型，對美國西南部植被覆蓋的時空變化進行研究，結果表明，在對遙感圖像不做大氣糾正的情況下，該模型仍然有較高的精度。總的來說，像元二分模型估算植被動態(tài)變化方面結果可靠。但是，由于像元二分模型要求遙感數(shù)據(jù)分辨率較高，且在森林遙感中很難找到純光譜像元，所以該方法不適合森林的覆蓋度的估算。5總結

（1）地表實測法由于人力、物力等諸多因素的制約，不適合在較大范圍內單獨應用。伴隨著遙感技術的發(fā)展，地表實測法已逐漸變成了遙測較大范圍內植被覆蓋度的輔助手段。它對于建立植被覆蓋度經驗模型及遙感覆蓋度監(jiān)測的精度評價和驗證有著很重要的意義。

（2）由于遙感估算植被覆蓋度的理論、研究背景各不相同，因此所需用的植被指數(shù)或數(shù)據(jù)源等信息也各不相同。回歸模型法對實測數(shù)據(jù)的依賴性較強，因此盡管小范圍內有較高精度，但在應用上受到很大的制約。植被指數(shù)法與像元分解法，由于不受實測數(shù)據(jù)的制約，目前使用比較廣泛，但在實際應用中，仍應根據(jù)地表情況，與其他方法綜合使用，以進一步提高植被覆蓋度的提取精度。6文獻翻譯一.基于數(shù)碼相機測量數(shù)據(jù)及遙感模型對植被覆蓋度的估算EstimationofFractionalVegetationCoverBasedonDigitalCameraSurveyDataandaRemoteSensingModelHUZhen-qi1,HEFen-qin1,YINJian-zhong2,LUXia1,TANGShi-lu1,WANGLin-lin1,LIXiao-jing11.土地復墾和生態(tài)修復學會，中國礦業(yè)大學。中國，北京1000832.測量、制圖與遙感信息工程重點實驗室，中國，湖北武漢430079摘要：本文的目標是改善植被覆蓋度的監(jiān)測速度與精度，當fcmax（植被覆蓋度的最大值）和fcmin（植被覆蓋度的最小值）不是約等于100%和0%時，本文主要集中于對植被覆蓋度進行估算，分別由于使用中等或低空間分辨率的遙感圖像。與此同時，我們提出了一個基于從數(shù)碼相機（DC）測量數(shù)據(jù)與二分像元模型中得到的隨機的一組植被覆蓋度的最大和最小參數(shù)來估算植被覆蓋度的新方法。結果表明，該方法用于植被覆蓋度的監(jiān)測是方便有效且精確地，最大誤差是0.172，且數(shù)碼相機（DC）測量數(shù)據(jù)和遙感模型的估算參數(shù)之間的相關系數(shù)是0.974。其余的數(shù)碼測量數(shù)據(jù)可以用作檢驗植被覆蓋度精讀度數(shù)據(jù)，通常來說，基于數(shù)碼測量數(shù)據(jù)和遙感模型對植被覆蓋度的估算是一種全新的發(fā)展趨勢且值得廣泛應用。關鍵詞：植被覆蓋度；數(shù)碼相機；測量數(shù)據(jù)；二分像元模型1.引言植被覆蓋度對于評估生態(tài)環(huán)境是一個重要的參數(shù)。傳統(tǒng)的生態(tài)參數(shù)通過這些方法進行評估，例如地面測量，包括：目視估測樣點、采樣點、計量法。這些在野外操作的方法不方便，且對植被覆蓋度的快速估算有困難。遙感技術的快速發(fā)展為植被覆蓋度的估算提供了一個新的趨勢且特別對大范圍監(jiān)測植被覆蓋度提供了可能性。目前，植被覆蓋度估算的方法通過遙感數(shù)據(jù)采用回歸模型，植被指數(shù)方法和二分像元模型，回歸模型受大量條件所限制且只適合于特定區(qū)域和植被類型，它不用更傳統(tǒng)的應用作出重要的共同原因。然而，植被指數(shù)和二分像元模型的原理簡單。這兩種方法比回歸模型更為普遍接受且適合廣泛使用。對于一些植被覆蓋度低且遙感數(shù)據(jù)分辨率低得區(qū)域，基于遙感的植被覆蓋度的監(jiān)測經常需要用測量數(shù)據(jù)來驗證。

隨著數(shù)字圖像處理與攝影技術的顯著改善現(xiàn)在有許多高質量的DCs,這使得植被覆蓋度的地面測量更方便、精確。有文獻指出，基于DC對植被覆蓋度的測量可能成為更適用的方法。然而，只有少數(shù)案例來證實這點，因此，我們試圖估算基于DC測量數(shù)據(jù)和遙感模型估算植被覆蓋度。本次研究的目的是提高植被覆蓋度監(jiān)測的精度以及評估基于DC對植被覆蓋度測量潛力。1.引言

植被覆蓋度對于評估生態(tài)環(huán)境是一個重要的參數(shù)。傳統(tǒng)的生態(tài)參數(shù)通過這些方法進行評估，例如地面測量，包括：目視估測樣點、采樣點、計量法。這些在野外操作的方法不方便，且對植被覆蓋度的快速估算有困難。

遙感技術的快速發(fā)展為植被覆蓋度的估算提供了一個新的趨勢且特別對大范圍監(jiān)測植被覆蓋度提供了可能性。目前，植被覆蓋度估算的方法通過遙感數(shù)據(jù)采用回歸模型，植被指數(shù)方法和二分像元模型，回歸2.數(shù)碼相機測量原理

最近，基于DC的植被覆蓋度的測量已逐漸成為一個嶄新的且公認的方法，這是一種廉價、高效且快捷的方法，用DC測量對植被覆蓋度的計算原理是基于來自通過植被層狀況遙感傳感器的測量光的應用。DC鏡頭將它的射線聚集于電荷耦合器（CCD），組成的濾色陣列對R和NIR電磁波敏感，它可以對亮度值進行直接測量，濾色陣列記錄的輻射參數(shù)從0.615微米到1.05微米。臨近色濾陣列元素對不同波長的響應，R在0.6微米-0.75微米之間，NIR在0.75微米到1.05微米之間。由于裸露的土壤表層的峰值和谷值具不顯著的發(fā)射率，土壤的反射光譜曲線是平滑的。有因此，R和NIR光譜譜帶之間的亮度差異是不明顯的。然而，植被反射光譜曲線的勻稱性（規(guī)則性）是明顯地且唯一的：綠色植被具有高近紅外光譜和低紅外光譜的特點。因此，很容易區(qū)分來自DC的土壤和植被近紅外光譜信息；這對于植被覆蓋度的估算是方便的。

本次研究中的數(shù)碼相機是一架奧林匹斯C-730UltraZoom(超變焦)全自動光學相機。它也有一個5-7米的遙控操作距離。此數(shù)碼相機記錄尺寸496×365像素的圖像，用一個8.5mm的鏡頭和一個8.5mm焦距。此外，CCD有一個31.5×24.25°的角視場，在1米的距離，這等于一個565mm×429mm大小的圖像，同樣地，當它需要一個垂直的畫面時，DCC數(shù)碼相機的焦距需固定在28mm。3遙感模型的建立

基于之前色研究經驗，我們選擇二分像元模型來估算植被覆蓋度，二分像元模型是.一種簡單且實用的遙感模型?；诩僭O是一個像元的表面覆蓋著植被和非植被。歸一化植被指數(shù)也是一種從遙感傳感器接收物體表面的光譜信息并反映地表植被狀況的定量計算值。該表達式是NDVI=NIR–R/NIR+R(1)其中，NIR和R代表在遙感圖像中近紅外反射率值和紅色波段反射率值。

根據(jù)二分像元模型，來自綠色植被信息的NDVI值得一個像元表示為NDVIveg，來自裸露土壤信息的NDVI值得一個像元表示為NDVIsoil。因此，植被覆蓋度估算的遙感模型被定義為:fc=NDVI-NDVIsoil/NDVIveg-NDVIsoil(2)

其中，NDVIsoil和NDVIveg代表裸露土壤或無植被覆蓋像元和純植被像元。理論上，大部分裸露土壤表面的NDVIsoil值由于受多種因素的影響介于0.1到0.2之間。NDVIveg代表純植被像元的最大值。然而，由于不同植被類型的影響，NDVIveg也隨著時間和空間而改變。因此，在這個模型中，NDVIsoil和NDVIveg值得確定已成為一個關鍵問題。實際上，NDVIsoil和NDVIveg的值有以下關系，如公式（3）和（4）。NDVIsoil=fcmax×NDVImin-fcmin×NDVImax/fcmax-fcmin(3)NDVIveg=(1-fcmin)×NDVImax-(1-fcmax)×NDVImin/fcmax－fcmin(4)式中，fcmax和fcmin分別代表遙感圖像的最大和最小值。這些方程，NDVIsoil和NDVIveg值得確定轉換為4個參數(shù)值得確定（也就是fcmin、fcmax

、NDVImax

、NDVImin）。根據(jù)fc的最大值和最小值的不同，有兩種情況：1）遙感影像的空間分辨率相對較高，純像元很容易找到。因此，fcmax和fcmin可能約等于100%和0%，式中，NDVIsoil=NDVImin;NDVIveg=NDVImaxfc的估算轉化為方程（5）fc=NDVI-NDVImin/NDVImax-NDVImin(5)對于這種情況，已經有了許多相關研究及研究成果，本文將不作強調。2）遙感影像空間分辨率相對較低，純像元不易發(fā)現(xiàn)，因此，fcmax和fcmin不等于100%和0%。作為結果，fc的估算需要經過測量數(shù)據(jù)的驗證。在這種情況下，很少有對檢驗植被覆蓋度的相關研究。因此，這篇論文主要集中于第二種情況的研究。我們基于DC（數(shù)碼相機）測量數(shù)據(jù)和一個遙感模型討論植被覆蓋度fc的估算，以填補這一領域的空白并實現(xiàn)數(shù)碼相機（DC）的潛力。4.案例研究4.1研究區(qū)域和數(shù)據(jù)來源

我們選擇中國北京的門頭溝區(qū)的一個廢棄的煤礦用地作為本文的案例研究。煤礦的長期使用導致了植被破壞和環(huán)境惡化。我們所選用地數(shù)據(jù)是2004年5月23日的軌道數(shù)量279/269的法國SPOT-5衛(wèi)星數(shù)據(jù)，這有無云層覆蓋的相當高質量的數(shù)據(jù)。選用了2003年0.5m分辨率航空影像及1:10000比例尺的數(shù)字高程模型。4.2數(shù)據(jù)處理

這一部分主要包括ortho-correction（正校正）,遙感影像的幾何校正和DC（數(shù)碼相機）測量數(shù)據(jù)的監(jiān)督分類。4.2.1遙感影像的校正

由于SPOT-5衛(wèi)星是測視影像，必須首先進行正校正，航空圖像作為地面控制點(GCP)采集的參考圖像。與此同時，由于用PCI外部控制器接口（PeripheralComponentInterconnect）外部設備互連總線軟件中的OrthoEngine模型以及現(xiàn)有的DEM，正校正（ortho-correction）基于一個共線性方程校正進行。然后，必須進行幾何圖形校正，航空影像也被作為參考圖像。采用北京-54坐標作為投影系統(tǒng)及36GCPs（地面控制點），基于三次多項式擬合的方法調整計算以及對線性重采樣的雙線性插值法進行幾何校正，經過校正之后的均方差(RMS)少于0.5像素，這滿足精度要求。4.2.2調查數(shù)據(jù)的獲取和處理

我們選擇門頭溝區(qū)的Wangping鎮(zhèn)這個典型的生態(tài)模型區(qū)的兩個采樣點，植被的主要類型是灌木（如，Langdangye）。采樣采用了垂直攝影法，具體步驟如下：1）首先我們選用1×1像元大小的采樣點，（代表面積大小為10米×10米）。然后我們用過DC（數(shù)碼相機）在地面上的一個垂直角度基于平均值拍了許多采樣點的數(shù)碼相片。同時，用GPS（全球定位系統(tǒng)）來獲取采樣點的地理坐標。2）由于中心投影攝影造成了數(shù)碼相片邊緣大的變形，三分之二的長度和寬度需要從數(shù)碼相片的中心被裁剪，以便能獲取精確的植被覆蓋率的測量數(shù)據(jù)并減小邊緣變形誤差。3）用大規(guī)模的數(shù)碼攝影和一個容易分辨地面特征的簡單類型，為了監(jiān)督分類簡單明了，對研究區(qū)域作了選擇。監(jiān)督分類適合于研究區(qū)的植被和裸露土壤的數(shù)碼相機和提取信息。該統(tǒng)計植被區(qū)取自我們的分類圖，我們可以在DC（數(shù)碼相機）調查的幫助下，從這一區(qū)域原始數(shù)字相片分類中計算fc（植被覆蓋度）。4）計算fc（植被覆蓋度）的平均值。4.3基于遙感模型的（fc）植被覆蓋度的估算

植被覆蓋度估算的主要觀點是基于DC測量數(shù)據(jù)從遙感模型中獲取fcmax和fcmin值。此外，其他DC測量數(shù)據(jù)用來驗證fc估算的精度，這一過程中具體步驟如下：1）基于公式（1）計算遙感圖像的NDVI值；2）從DC（數(shù)碼相機）測量數(shù)據(jù)中任意選取一組fc的最大和最小值分別作為fcmax和fcmin值；3）借用GPS定位點得幫助，從遙感圖像模型中找到fcmax和fcmin相對應的像元NDVI值，并把它們標注為NDVImax和NDVImin，其它測量數(shù)據(jù)用于檢驗。4）基于公式（3）和（4）的fcmax、fcmin、NDVImax和NDVImin值計算NDVIsoil和NDVIveg值；5）用公式（2）中的NDVIsoil和NDVIveg估算研究區(qū)的fc。這是基于在ENVI遙感軟件中的波段運算的函數(shù)；6）基于密度切片的上一步從fc的等級中獲取一個fc等級圖。

圖1基于DC測量數(shù)據(jù)和遙感模型的fc估算等級圖

下面的圖2顯示了基于DC測量數(shù)據(jù)和遙感模型的fc估算的工作流程。

圖2植被覆蓋度估算和分級的流程圖4.4結果分析

對研究區(qū)植被覆蓋度的等級圖進行分析，可以看出，該廢棄煤礦用地的植被覆蓋度在2004年相對較高。超過90%的廢棄地的植被覆蓋度居于0.6到1之間，表明該區(qū)域植被覆蓋度較高。然而，居民區(qū)和獨立煤礦的fc相對較低，介于0到0.4之間，表明了一個低得植被覆蓋度，主要原因是煤礦的長期使用導致了煤礦附近植被的嚴重破壞和環(huán)境的惡化。5.精度的檢驗和評估

為了基于DC測量數(shù)據(jù)和遙感模型來檢驗fc（植被覆蓋度）估算的精度以及比較fcmax≠100%,fcmin≠0%和fcmax≈100%。fcmin≈0%之間植被覆蓋度估算的差異，植被覆蓋度的估算滿足fcmax和fcmin約等于100%和0%這一假設。在公式（5）中對fc進行計算。fc的等級圖如圖3所示，表1展示了定量數(shù)據(jù)對比，該結果表明，在DC測量數(shù)據(jù)的幫助之下，當fcmax≠100%且fcmin≠0%時，通過遙感模型的fc估算的精度相對較高，它的最大誤差是-0.172，DC測量數(shù)據(jù)和估算值之間的相關系數(shù)是0.974.另一方面，如果fcmax和fcmin假定為100%和0%，用最大誤差0.380和相關系數(shù)0.540的fc估算的誤差相對較大。

圖3遙感模型估算的fc等級圖表1來自遙感模型的DC測量數(shù)據(jù)和估算值之間的對比6.結論

本次研究結果表明，低植被覆蓋度和低空間分辨率的遙感影像，通常不易找到一個純像元。因此，fcmax和fcmin不能很容易被認為是100%和0%，有必要考慮研究區(qū)的實際情況，否則將造成大的估算誤差。

本次研究中所采用的方法，即基于DC測量數(shù)據(jù)和遙感模型的fc的估算，不僅方便快捷，而且精確度高。此外，它還可以通過遙感模型用DC測量數(shù)據(jù)對fc估算的精度進行檢驗。

隨著數(shù)字處理和攝影技術的快速發(fā)展，基于高品質DC的fc地面測量變得更加方便與精確。因此，基于DC測量數(shù)據(jù)和遙感模型的fc的估算是一個嶄新的發(fā)展趨勢并值得進一步廣泛應用。二.基于不同光譜指數(shù)對植被稀疏區(qū)域的植被覆蓋度估算的精度對比ComparisontheaccuraciesofdifferentspectralindicesforestimationofvegetationcoverfractioninsparsevegetatedareasSusanBaratia,1,BehzadRayegania,*,MehdiSaatib,2,AlirezaSharific,MasoudNasriba.青年科學家俱樂部，伊斯蘭自由大學，阿德斯坦分院，伊朗，伊斯法罕b.伊斯蘭自由大學，阿德斯坦分院，伊朗，伊斯法罕c.測量和測繪學工程系，德黑蘭，伊朗德黑蘭大學關鍵詞：植被覆蓋度；遙感；LISSIII（IRS-P6衛(wèi)星LISS3圖像）;植被指數(shù)摘要對樹冠生物物理變量的定量估算在不同的研究如氣象學、農業(yè)以及生態(tài)學中都有非常重要的意義；因此，對這些變量的時空分布進行研究是非常有益的，與此同時，在對大范圍區(qū)域進行植被覆度估算時，遙感技術被認為是重要的信息來源。目前，在對植被特征的遙感估算中，最廣泛采用的是光譜指數(shù)。但相比植被稀疏區(qū)域，它更多地用于反應土壤和巖石，這使得對植被信號的分離產生困難。因此，在本次研究中，測量了一個沙漠區(qū)域的植被覆蓋度，并對20種植被指數(shù)進行了評估，分為了五個最合適的類別，或指示沙漠植被，這五個類別包括：（1）常規(guī)比例和微分（差分）指數(shù)如歸一化植被指數(shù)（2）修正指數(shù)及來自傳統(tǒng)的指標如NDVIc和GNDVI(綠色歸一化植被指數(shù))（3）土壤反射率調節(jié)指數(shù)如SAVI（土壤調節(jié)植被指數(shù)SoilAdjustedVegetationIndice）（4）基于三個窄條帶的三角指數(shù)，在它們的方程中（綠色、紅色以及近紅外光譜）如TVI（組織速度成像TissueVelocityImaging）(5)非常規(guī)比例和差分指數(shù)如CI根據(jù)這項研究結果，DVI（差分植被指數(shù)differentvegetationindice）指數(shù)的決定系數(shù)(R2)為0.668，顯示出了對植被覆蓋度的最好估計。但是根據(jù)沙漠區(qū)域的稀疏植被以及本研究的結果來看，這些指標中沒有一個能夠單獨來精確地估算植被覆蓋度，然而，在一個多元回歸模型中輸入這些指數(shù)數(shù)據(jù)來作一個適當?shù)墓浪闶强赡艿?。使用這種模型能使決定系數(shù)增加到0.797。

1.引言植被覆蓋度對近地面的能量交換具有重要影響，植被覆蓋度被認為是衡量干旱及半干旱區(qū)域土地退化及荒漠化的合適標準，且對它的測量能夠用來研究這些過程(XiaoandMoody,2005)。此外，對樹冠生物物理變量，特別是植被覆蓋度進行定量估算，在不同的研究中如氣象學、農業(yè)以及生態(tài)學，都是很重要的；因此，研究這些變量的時空分布將大有益處(LawrenceandRipple,1998;Houborgetal.,2007)。在對大尺度范圍內的植被覆蓋度進行估算時，遙感是一種重要的數(shù)據(jù)來源(XiaoandMoody,2005)，基于衛(wèi)星的指數(shù)被用在許多估算植被覆蓋度的研究中(Gilabertetal.,2002;Kalleletal.,2007;Jiangetal.,2008)。通過運用這些指數(shù)，許多植被參數(shù)如葉面積、生物量和生物活性得以估算(BaretandGuyot,1991;Verrelstetal.,2008)。基于紅外和近紅外反射率的光譜植被指數(shù)與葉面積和樹冠覆蓋有著高度相關性(BrogeandLeblanc,2000)。然而，在植被稀疏區(qū)域，土壤和沙子的反射率要比植被的反射率高得多，所以，植被覆蓋反射率的探測是困難的。因此，土壤反射率調整指數(shù)如土壤調節(jié)植被指數(shù)(SAVI)，優(yōu)化土壤調節(jié)植被指數(shù)(OSAVI)以及修正土壤調節(jié)植被指數(shù)(MSAVI)已被開發(fā)(Karnielietal.,2001;Gilabertetal.,2002;ShupeandMarsh,2004)。本次研究中，通過使用由各種不同的植被指數(shù)組成的20種不同的植被覆蓋指數(shù)，如簡單的差分指數(shù)(e.g.DVI),單比指數(shù)(如SR)以及歸一化指數(shù)(如NDVI)，土壤調節(jié)指數(shù)(如SAVI)以及三角指數(shù)(如MTVI)對植被覆蓋度進行了估算并對它們的精度進行了比較。

2.研究區(qū)域

研究區(qū)域位于伊朗中部地區(qū)，伊斯法罕市附近，占地面積2118公頃（如圖1所示）。根據(jù)Bagnouls和Gaussen的氣候分類系統(tǒng)(BagnoulsandGaussen,1957),本地存在荒漠氣候，依據(jù)Emberger氣候分類系統(tǒng)(Emberger,1955),該區(qū)域屬于干冷型氣候。研究區(qū)7月出現(xiàn)最高月平均氣溫46℃，1月出現(xiàn)最低月平均氣溫為-13℃，年平均氣溫為19℃。研究區(qū)的大部分區(qū)域已經變?yōu)槟翀觯ú莸兀恍┙咏恿骱图竟?jié)性河道的分散區(qū)域有農場分布。白艾草（艾屬，草本）作為優(yōu)勢種分布于研究區(qū)的大部分地區(qū)并且是僅存的物種。在一些地方其它物種如蒿屬植物（山艾，艾屬），木香（雀苣屬，東方型），敘利亞蕓香（駱駝蓬），Pteropyrumaucheri,檉柳(檉柳屬)，刺葉屬，也觀察到Forssk(Lounaeaspinosa)。3.衛(wèi)星數(shù)據(jù)

本次研究采用了IRS-LISSIII影像，該衛(wèi)星圖像使用50個地面控制點作為地理參考坐標，已獲取了0.248像素的均方根誤差(RMSe)。4.地面數(shù)據(jù)

植被覆蓋度的地面測量開始于2010年6月3日，采樣點為36m長的正方形區(qū)域，來覆蓋影像數(shù)據(jù)的像元大小，對研究區(qū)進行了調查，確定了所有植被類型。在研究區(qū)的大部分區(qū)域白艾草（艾屬，草本）作為優(yōu)勢種。采樣點的位置選擇在這些由他們組成植被類型?？偣灿?0個采樣點（圖3所示），為了測量植被覆蓋度，采用了一些之間距離為6米的平行樣帶（圖4所示）。在每個樣帶中，樹冠接觸到樣帶的位置被記錄且測量其所接觸的長度。然后，接觸長度的平均百分比占整個樣帶長度的百分比被用作采樣點的植被覆蓋度，在每個相對應的像元中，綠色波段、紅色波段、近紅外波段以及短波紅外波段的參數(shù)已經被記錄在案。5.研究方法本研究中，研究了五個不同類型的植被指數(shù)：（1）常規(guī)比率和差分指數(shù)如單比指數(shù)(SR),歸一化植被指數(shù)NDVI，差分植被指數(shù)DVI以及紅外百分比植被指數(shù)(IPVI);（2）校正并改進的常規(guī)指數(shù)，例如修正單比指數(shù)(SRc),改進單比指數(shù)(MSR),NDVIc,GNDVI，比值植被指數(shù)(RDVI)以及非線性指數(shù)(NLI);（3）土壤調節(jié)植被指數(shù)如SAVI,優(yōu)化土壤調節(jié)植被指數(shù)(OSAVI)以及改進的土壤調節(jié)植被指數(shù)(MSAVI);（4）基于綠色、紅色、紅外波段的三角指數(shù)如TVI（組織速度成像）,改進的三角測量植被指數(shù)-1(MTVI1)和MTVI2;（5）非常規(guī)比率和差分指數(shù)如歸一化紅外指數(shù)(NDII),比表面積植被指數(shù)(SLAVI),CI和歸一化冠層指數(shù)(NCI)。上述指數(shù)見于表1。表1中，RSWIR,RNIR,

RRED

和RGREEN分別是短波紅外、近紅外、紅色以及綠色波段的光譜反射率。同時，最小和最大是最小反射率和最大反射率，或是在相應的光譜范圍之內的數(shù)值。對于40個采樣點，估算了所介紹的所有指數(shù)與植被覆蓋度的相關性。6.結果

對植被指數(shù)與植被覆蓋度之間的相關性進行了評估，并分為了5個植被類型。6.1常規(guī)比例和差分指數(shù)

根據(jù)所有的指數(shù)得出結果,如表2所示，依據(jù)表2，植被覆蓋與常規(guī)比例以及差分指數(shù)之間的關聯(lián)性比其他指數(shù)要大，此外，在所有指數(shù)之中，DVI（差分植被指數(shù)）相關系數(shù)最大。通過葉綠素在紅外區(qū)域的電磁波的吸收以及在近紅外區(qū)域的高反射率是在這類指數(shù)中存在高相關系數(shù)(Tucker,1980)。雖然NDVI已在許多研究中被運用，但是在植被覆蓋度高地區(qū)域，這個指數(shù)是飽和的也與植被生物物理關系存在非線性相關(Haboudaneetal.,2004;VescovoandGianelle,2008;Jiangetal.,2008;BaretandGuyot,1991;Gitelson,2004)。由于研究區(qū)域的植被覆蓋度低；這個指數(shù)是不飽和的，如表3所示，6.2糾正并改進的常規(guī)指數(shù)

根據(jù)植被覆蓋度與NDVI之間的非線性相關，基于植被覆蓋度和植被指數(shù)之間的線性相關性(RougeanandBreon,1995)提出了RDVI的兩個新指數(shù)，(Chen,1996)提出了MSR。雖然MSR指數(shù)對植被覆蓋度的敏感性更大，但是根據(jù)表2，MSR指數(shù)的敏感性要低于它的導數(shù)指數(shù)(SR)。根據(jù)表3，對于線性、二次和三次關系RDVI和植被覆蓋度之間的決定相關性，分別是0.637、0.659和0.663。然而，根據(jù)Rougean和Breon(1995)報告的結果表明，RDVI指數(shù)和植被覆蓋度之間的關聯(lián)比MSR和植被覆蓋度之間的關聯(lián)更具線性。基于改進的歸一化植被指數(shù)，

NDVIc和GNDVI指數(shù)比NDVI有較低的決定關聯(lián)性。在植被稀疏區(qū)域對植被覆蓋變化運用綠色波段，看起來減少了植被指數(shù)的敏感性，在這個類型中NLI指數(shù)有最低的相關性。依據(jù)研究區(qū)的低植被覆蓋以及近紅外范圍的高土壤反射率，（圖5所示），對于植被覆蓋度變化，通過調整近紅外反射率，NLI指數(shù)的敏感性已經降低了。（圖5不同光譜波段的反射量）6.3土壤反射率調整指數(shù)

為了減少背景的影響，Huete(1988)提出了SAVI指數(shù)。這個指數(shù)的方程中（表1），L是植被覆蓋密度的函數(shù)。在這個研究中，所有采樣點的植被覆蓋度的平均值已經被用來估算L參數(shù)，得出L=0.86853。如表2所示，NDVI和SAVI的相關系數(shù)幾乎是相同的。Huete(1988)已經將L=0.5作為L的最佳值，但是相關系數(shù)并沒有顯著提高。這是因為對所有的樣點采用唯一的L值。這個結果將得不到提高，通過使用OSAVI和NDVI的相關系數(shù)，取得了相同的結果，SAVI和OSAVI幾乎是相似的。因此，以前的植被覆蓋值對于確定精確地L值是必需的(Huete,1988)。為了解決這個問題，Qietal，1994年提出了MSAVI指數(shù)，然而，這項研究的結果顯示從MSAVI指數(shù)獲得的相關系數(shù)低于SAVI指數(shù)的相關系數(shù)。一般來說，如L