植被覆盖度的提取方法研究

植被覆盖度的提取方法研究学院：城环学院

专业：自然地理学

姓名：王文静

学号：201320746

目录1引言

植被是生态系统存在的基础，不论在生物化学循环还是在水循中，都扮演着重要的角色。植被依据生态系统中水、热、气等状况,调控其内部与外部的物质、能量交换,植被覆盖度的变化是地球内部作用(土壤母质、土壤类型等)与外部作用(气温、降水等)的综合结果,是区域生态系统环境变化的重要指示。全球变化与陆地生态系统响应(GCTE)是当前全球变化研究的重要内容,而有关地表植被覆盖与环境演变关系的研究是其中最复杂和最具活力的研究内容。2植被覆盖度的定义与研究意义

植被覆盖度（ＶＦＣ,FractionalVegetationCover）指包括乔、灌、草和农作物在内所有植被的冠层、枝叶在生长区域地面的垂直投影面积占研究统计区域面积的百分比,是衡量地表植被状况的一个最重要的指标,其动态是全球及区域生态变化的热点研究领域，因此建立快速、准确的ＶＦＣ估算方法成为当前建立全球及区域气候生态模型的基础工作之一。植被覆盖度具有以下两个特点:

(1)测算植被覆盖度必须将植被地上部分对植被生长区域的地面进行垂直投影。如在山坡上测算植被覆盖度时,要求将植被对坡面垂直投影,而不是铅垂投影;(2)同样面积的植被,对不同的研究范围而言,会有不同的覆盖度。如一个流域内一定面积的森林,研究区为整个流域计算的植被覆盖度通常小于研究区为整个林区计算的植被覆盖度。研究意义

植被覆盖度是反映植被基本情况的客观指标,在许多研究中常将其作为基本的参数或因子。植被覆盖度及其精准测算研究主要具有以下重要意义:(1)作为科学研究必要的基础数据,为生态、水保、土壤、水利、植物等领域的定量研究提供基础数据,确保相关研究结果、模型理论更加科学可信;(2)作为生态系统变化的重要标志,为区域或全球性地表覆盖变化、景观分异等前沿问题的研究提供指示作用,促进自然环境研究不断深入发展。3国内外研究进展

植被覆盖度是描述生态系统的重要参数之一。完全依靠实测地面样方来估算植被覆盖度的方法,不但花费大量人力、物力,精度也不高;利用遥感数据通过回归获取研究区植被覆盖度,是当前区域生态建设、监测等的重要手段。通过遥感影像的不同波段构造的各种植被指数来反演植被覆盖度是最主要的手段,其中归一化植被指数(NDVI)应用最为广泛。目前,地面监测中己广泛的运用NDVI,Timothy等用NDVI对美国新墨西哥州的草场产量进行了定量评价，Isaev等运用火灾前后NDVI的变化评估森林火灾造成的损失,Wang等运用洪水前后的NDVI变化,研究了中国1998年长江流域的洪涝灾害。Tucker等利用NOAA-AVHRR数据对非洲大陆的干旱与沙漠化等植被覆盖变化进行了监测分析。3.1国外研究进展3.2国内研究现状崔天翔等（2013年）以华北内陆典型的淡水湿地——北京市野鸭湖湿地自然保护区为研究对象，以中等分辨率的LandsatTM影像为数据源，基于线性光谱混合模型(LSMM)对研究区的植被覆盖度进行了估算。

于秀娟等(2013年)在三江源区植被覆盖度的定量估算与动态变化研究中为了有效提取和定量评价ＶＦＣ及其变化信息，在像元分解模型的基础上，采用Ｇｕｔｍａｎ等提出的混合像元二分模型和改进的ＮＤＶＩ参数确定方法定量估算了三江源区２０００～２００９年的ＶＦＣ，计算精度表明该方法适应于区域植被覆盖信息的提取。

李向婷等（2013年）为探寻一种满足大尺度荒漠地区的植被覆盖度信息的提取方法，以新疆荒漠区为例,对比和分析现有的遥感方法在干旱荒漠区的应用效果，利用MODIS遥感影像和野外植被覆盖度实测数据,对常用的6种遥感植被覆盖度提取方法(改进的三波段梯度差法、像元二分法、线型混合像元分解法、归一化植被指数法、增强型植被指数法和修正型土壤调整植被指数法)的结果进行精度验证和对比分析。贾坤等（2013年）在植被覆盖度遥感估算研究进展中综合分析了用于植被覆盖度估算的遥感数据源，包括高光谱数据、多光谱数据、微波数据和激光雷达数据。而且分析了各种常用的植被覆盖度遥感估算方法及其优缺点。程红芳等（2008年）在植被覆盖度遥感估算方法研究进展中综合分析讨论了目前常用的关于遥感影像的植被覆盖度常用估算方法,对比分析了它们的优缺点。

4植被覆盖度的提取方法

ＶＦＣ的估算方法主要分为地面测量和遥感监测。地面测量主要包括目估法、采样法、仪器法和模型法等。这种方法主要受野外作业，受时间、区域等的限制，精度不高且需要花费巨大人力、财力，一般情况下特定的模型只适用于特定的区域或特定的植被类型，不易推广。遥感监测是利用遥感技术获取研究区的植被光谱信息，然后建立其与ＶＦＣ的关系，进而获得ＶＦＣ，主要有统计模型法（分为回归模型法和植被指数法）、物理模型法、像元分解模型法、ＦＣＤ（ＦｏｒｅｓｔＣａ-ｎｏｐｙＤｅｎｓｉｔｙＭａｐｐｉｎｇ）模型法和基于数据挖掘技术的方法等。统计模型法应用简单，易于计算，在小范围内具有较高的精度，但需要大量的实测数据，而且易受观测时大气状况、土壤状况等的影响，不易推广；物理模型估算的ＶＦＣ虽与野外实测结果较为一致，但物理模型涉及的物理几何参数较多，而且计算复杂，现实中很少用到；ＦＣＤ、基于数据挖掘技术的方法也存在类似的问题。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础上提出的均一亚像元模型和混合亚像元（等密度、非密度和混合密度）模型，已成为相关研究领域的趋势。植被指数是单位像元内的植被类型、覆盖形态、生长状况等的综合反映，其大小取决于ＶＦＣ等要素，从而可以利用植被指数估算ＶＦＣ。到目前为止，已经发展了多种植被指数，如归一化植被指数ＮＤＶＩ、土壤调整植被指数ＳＡＶＩ、大气阻抗植被指数ＡＲＶＩ等。归一化植被指数ＮＤＶＩ是目前应用最广泛的植被指数，与植被的分布呈线性相关，是植被生长状态和空间分布的最佳指示因子，也是遥感估算ＶＦＣ最常用的植被指数。以下将试对植被覆盖度的提取方法进行评述。

4.1地表实测方法

地表实测方法主要用于较小范围内的植被覆盖度监测，对于较大范围内的植被覆盖度监测，它常作为遥感监测的辅助手段，为遥感监测提供基础数据，对建立植被覆盖度经验模型及遥感覆盖度监测的精度评价和验证，有着很重要的意义。目前，较为熟知的地表实测方法有目估法、采样法、仪器法、模型法。

4.1.1目估法

目估法是根据经验目估判别植被覆盖度的方法，具体分为传统目估法、相片目估法、椭圆目估法和网格目估法。传统目估法是在野外划定一定区域，由经验判断植被覆盖度；相片目估法是多人根据同一野外相片估算植被覆盖度，然后计算其平均值；椭圆目估

法是在植被稀疏的情况下，把地表植物近似看成椭圆形，估算样地植被盖度；网格目估法是将样地划分为若干网格，估算各网格样地的植被盖度均值。总的来说，目估法简单易行，但估算精度受人为的影响比较大。4.1.2采样法

采样法是根据地面的实际测量计算植被覆盖度的方法。常见的采样法有样点法和阴影法。样点法是将一根根样针在植被中垂直放下，接触到植物枝叶的样针数占总样针数的百分数即为植被覆盖度；阴影法是正午时将一根刻度尺放于地表，在平行于行播作物行距方向，以一定距离向前移动，并读取尺子上阴影长度，总阴影长度占尺子总长度的百分数即为植被覆盖度。由此可见，采样法的测量程序复杂、费时费力，受到的条件制约多、效率不高，但是精度相对高。4.1.3仪器法

仪器法是利用感光传感器捕捉光通过植被冠层的情况，据此计算植被的覆盖度。该方法通常采用数码相机作为传感器，利用计算机的图像处理软件进行处理，因此较为经济，测量效率也高，而且测量结果有较高精度。这使该方法成为目前地表实测方法的主要方法。White等在对多种地表实测方法比较之后，认为仪器法是较容易掌握，而且可以作为验证遥感信息的可靠方法。4.1.4模型法

模型法是对地面的实际测量数据进行分析，利用数理统计的方法得到植被覆盖度的时空分布规律，并对其进行分析，得到相关经验模型的测量方法，该方法只适用于某一特定的区域与植被类型，不易推广。4.2遥感监测方法

传统植被覆盖度的地面测量主要采用采样法、仪器法和目视估测法，由于这些方法易受时间、天气及区域条件的影响，耗费时间、成本较大，且只能在较小的尺度范围内提供植被覆盖信息，因此应用受到一定的限制。遥感技术的发展为植被覆盖度大面积、准确、及时的获取提供了可能。利用遥感技术估算植被覆盖度,常用的监测方法有统计模型法（分为回归模型法和植被指数法）、物理模型法、像元分解模型法、ＦＣＤ（ＦｏｒｅｓｔＣａｎｏｐｙＤｅｎｓｉｔｙMapping)模型法和基于数据挖掘技术的方法等。

4.2.1回归模型法

回归模型法又称为统计经验模型法。它利用单一波段或几个波段的遥感监测数据，计算出植被指数（NDVI）和植被覆盖度，并通过回归分析得到相应的统计模型，然后利用空间的外延模型，推求更大区域的植被覆盖度。依据回归所利用的方法，回归模型法分为线性与非线性两种。目前，线性回归模型的应用比较广泛。

如Graetz与Pech把植被覆盖度的实测数据与LandsatMSS的第5波段遥感监测数据进行线性回归，并通过对草地生长稀疏地区覆盖度的计算，对该模型进行了验证。Peter分别使用ATSR-2

沿轨扫描辐射计(AlongTrackScanningRadiometer)图像中的多个波段与植被叶面积指数、覆盖度等进行了线性回归分析，研究表明，估算的植被覆盖度多波段线性混合模型明显高于单一波段的线性回归模型。H.Larsson分别由TM遥感监测图像、多光谱监测图像和SPOT5遥感监测图像估算了阿拉伯地区森林的NDVI值，并得到了精度较高的统计模型。新西兰学者Dymond利用TM图像，计算出NDVI植被指数，并将该指数与新西兰草地退化地区植被覆盖度进行了非线性回归，估算了当地退化草地的植被覆盖度。也有相当一部分研究是将线性与非线性回归混合应用，如Anatoly分别利用NDVI、GreenNDVI、VARI3种植被指数同小麦的植被覆盖度建立回归模型，NDVI、GreenNDVI采用的是线性回归的方法、VARI采用的是非线性回归的方法。

研究结果表明，VARI对于完全无植被覆盖和植被完全覆盖的情况十分敏感，并且也可以极大的降低大气影响的敏感度。因此，建议采用VARI线性回归模型进行植被覆盖度估算。回归模型对所需遥感图像的空间分辨率的要求比较高，且所建立的模型有很大的局限性，即只适用特定的地区和植被，不宜推广。但该模型对于局部区域的植被覆盖度估算具有相当高的精度。如Graetz与Pech根据植被覆盖度的实际测量数据与LandsatMSS的第5波段遥感监测数据进行线性回归得到的模型，只适用于稀疏草地；Dymond利用TM遥感图像，计算出NDVI植被指数，并与新西兰草地退化地区植被覆盖度进行了非线性回归，也仅适用于草地退化地区；Anatoly建立的回归模型也仅适用于小麦覆盖的情况下。与此同时，Graetz、DymondAnatoly所用的遥感图像分别是landsatMSSATSR-2和SPOT。由此可见，回归模型的建立也需要较高分辨率的遥感图像。

4.2.2植被指数法

植被指数法是根据植物的光谱特征，直接选取与植被覆盖度有良好相关性的植被指数，并通过植被指数与植被覆盖度的关系，估算植被覆盖度。回归模型法中已经说明植被指数与植被覆盖之间存在一定的相关性，但是与关系模型相比，植被指数法不需要建立相应回归模型，且不受区域、时间和植被类型的限制，更易于使用。

张仁华提出了植被覆盖度和植被指数的关系，

即

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

NDVI值；NDVIv为纯植被像元的

NDVI值；NDVI为所求地块的植被指数。该值的类型并不唯一，也可以用其他的植被指数替换。该模型最重要的环节就是如何确定纯植被和纯土壤的NDVI，它们直接影响着模型的精度。近年来，有些学者根据植被垂向分层密度，建立了区域范围内亚像元的植被分解模型。当区域内叶面积指数趋近于无穷大时，说明植被类型较为单一，且垂向的冠层密度较大，那么相应的纯植被指数就趋近于无穷大，现状的植被指数值就是非植被覆盖区域的植被指数值。

杨胜天等依据不同的NDVI值，把植被覆盖度分为高、中高、中、低覆盖类型。当植被覆盖度大于75%时，为高类；当植被覆盖度在60%～75%之间时，为中高类；当植被覆盖度介于45%～60%之间时，为中类；当植被覆盖度小于45%时，为低类。Choudhuryetal与Gilliesetal使用不同的方法和数据集，均得到相同的植被覆盖度估算公式，即

Fcover=（NDVI-NDVI0）/(NDVIs-NDVI0)。他们用该模型对美国太平洋地区的森林覆盖度进行估算，并且采用不同类型植被指数，结合NOAAAVHRR的遥感数据，估算了该地区的森林覆盖度。结果表明，经常用的植被指数与森林覆盖度相关性最高。由此说明，植被指数模型较适用于大尺度的应用，比回归模型更具有普遍的意义。但植被指数法在小范围内的估算精度低于回归模型。在应用植被指数模型时，由于可见光和近红外波段对植物反应最敏感的波段，因此，目前NDVI值主要是基于这两个波段建立的遥感信息。4.2.3像元分解模型法

像元分解模型法的原理是，在某种假定情况下，将遥感图像中的一个实际像元分解成由多个组分构成的遥感数据信息，用这些遥感信息构建像元分解模型，从而估算出植被覆盖度。Pech将裸土、灌木等组分信息和植被阴影覆盖结合起来，综合考虑，建立了澳大利亚半干旱灌木林地区像元分解模型，并对其植被覆盖度进行估算。在目前的研究中，虽然混合光谱能反映植被光谱与下垫面的一些综合信息，但是由于各种光谱之间的干扰，使各种光谱被削弱，致使多光谱仪的优点很难体现。这也就给成像多光谱仪遥感图像的应用带来很大限制。

因此，很多学者将线性混合理论和混合光谱进行应用和解释，并得到了较好的效果。田静基于这一理论，将不同物质的混合光谱信息分解成单个波段光谱，然后进行线性组合，即：R=aRa+bRb+cRc+…（1）式中：a、b、c

等表示的是权重，Ra、Rb、Rc表示的是单一物质的反射率。在实际运用时，权重值实际上是各单独成分占混合范围的总面积比，因此，植被覆盖度有明显的相关性。其解释为：各单一成分的光谱信息是实际存在的，而混合光谱信息是各单一成分光谱信息传入传感器后产生的。根据这一理论基础，大量学者提出了线性光谱模型来估算植被覆盖度。线性分解模型是目前应用最广泛的分解模型。它首先假定像元信息是由各组分信息线性耦合而成的，如果一个组分到达传感器的像元信息与很多分信息发生相互作用，就会形成非线性的耦合。但这种线性和非线性的耦合是建立在同一理论基础上的，即无论是线性混合还是非线性混合，都是多次反射的特殊情况。线性分解法最大的缺点是，当区域内地物类型的数量大于遥感数据波段量时，就会产生较大的偏差。

马超飞、Quarmby等都分别针对不同的区域，利用线性分解法的理论，建立了相应的线性混合模型，很好了验证这一点。在线性像元分解模型法中，有一个最简单的模型，即像元二分模型。它假设一个像元的信息可以分为土壤与植被两部分。由遥感传感器传回的信息（S）可以分解为植被的贡献值Sv和土壤的贡献值Ss。

S=Sv+Ss（2）在由土壤和植被构成的混合像元中，植被覆盖所占的比例就是这该像元的植被覆盖度（用

fc表示），与之对应的就是土壤所占的比例。对于一个由土壤与植被两部分组成的混合像元，像元中的植被覆盖面积比例即为该项元的植被覆盖度fc，而土壤覆盖的面积比例为

1-fc。Sv=fc·Sveg（3）Ss=（1-fc）·Ssoil（4）式中：Sveg为纯植被覆盖贡献的信息，Ss为纯土壤信息贡献值；Sv为混合像元中植被的贡献值。将式（3）和式（4）代入式（2）可得：S=fc·Sveg+（1-fc）·Ssoil（5）由公式（4）可推出植被覆盖度的计算公式：S=fc·Sveg+（1-fc）·Ssoil（6）其中，Ssoil与Sveg都是参数，因而可以根据式（6），利用遥感信息来估算植被覆盖度。根据像元二分模型，一个像元的NDVI值可以表达为由绿色植被部分所贡献的信息NDVIveg与裸土部分所贡献的信息NDVIsoil这两部分的组合，以归一化植被指数作为反映其像元信息的指标。代入式（6）得：NDVI=fc·NDVIveg+（1-fc）·NDVIsoil

（7）由此导出植被覆盖度的计算公式：fc=（NDVI-NDVIsoil）／（NDVIveg-NDVIsoil）（8）

由于像元二分模型其理论简单，制约条件少，所以应用比较广泛。如

ZRibi在半干旱地区利用该模型对雷达信号进行分解，求得该地区的植被覆盖度。QiJ将植被指数分解为纯植被和无植被的植被指数代入该模型，对美国西南部植被覆盖的时空变化进行研究，结果表明，在对遥感图像不做大气纠正的情况下，该模型仍然有较高的精度。总的来说，像元二分模型估算植被动态变化方面结果可靠。但是，由于像元二分模型要求遥感数据分辨率较高，且在森林遥感中很难找到纯光谱像元，所以该方法不适合森林的覆盖度的估算。5总结

（1）地表实测法由于人力、物力等诸多因素的制约，不适合在较大范围内单独应用。伴随着遥感技术的发展，地表实测法已逐渐变成了遥测较大范围内植被覆盖度的辅助手段。它对于建立植被覆盖度经验模型及遥感覆盖度监测的精度评价和验证有着很重要的意义。

（2）由于遥感估算植被覆盖度的理论、研究背景各不相同，因此所需用的植被指数或数据源等信息也各不相同。回归模型法对实测数据的依赖性较强，因此尽管小范围内有较高精度，但在应用上受到很大的制约。植被指数法与像元分解法，由于不受实测数据的制约，目前使用比较广泛，但在实际应用中，仍应根据地表情况，与其他方法综合使用，以进一步提高植被覆盖度的提取精度。6文献翻译一.基于数码相机测量数据及遥感模型对植被覆盖度的估算EstimationofFractionalVegetationCoverBasedonDigitalCameraSurveyDataandaRemoteSensingModelHUZhen-qi1,HEFen-qin1,YINJian-zhong2,LUXia1,TANGShi-lu1,WANGLin-lin1,LIXiao-jing11.土地复垦和生态修复学会，中国矿业大学。中国，北京1000832.测量、制图与遥感信息工程重点实验室，中国，湖北武汉430079摘要：本文的目标是改善植被覆盖度的监测速度与精度，当fcmax（植被覆盖度的最大值）和fcmin（植被覆盖度的最小值）不是约等于100%和0%时，本文主要集中于对植被覆盖度进行估算，分别由于使用中等或低空间分辨率的遥感图像。与此同时，我们提出了一个基于从数码相机（DC）测量数据与二分像元模型中得到的随机的一组植被覆盖度的最大和最小参数来估算植被覆盖度的新方法。结果表明，该方法用于植被覆盖度的监测是方便有效且精确地，最大误差是0.172，且数码相机（DC）测量数据和遥感模型的估算参数之间的相关系数是0.974。其余的数码测量数据可以用作检验植被覆盖度精读度数据，通常来说，基于数码测量数据和遥感模型对植被覆盖度的估算是一种全新的发展趋势且值得广泛应用。关键词：植被覆盖度；数码相机；测量数据；二分像元模型1.引言植被覆盖度对于评估生态环境是一个重要的参数。传统的生态参数通过这些方法进行评估，例如地面测量，包括：目视估测样点、采样点、计量法。这些在野外操作的方法不方便，且对植被覆盖度的快速估算有困难。遥感技术的快速发展为植被覆盖度的估算提供了一个新的趋势且特别对大范围监测植被覆盖度提供了可能性。目前，植被覆盖度估算的方法通过遥感数据采用回归模型，植被指数方法和二分像元模型，回归模型受大量条件所限制且只适合于特定区域和植被类型，它不用更传统的应用作出重要的共同原因。然而，植被指数和二分像元模型的原理简单。这两种方法比回归模型更为普遍接受且适合广泛使用。对于一些植被覆盖度低且遥感数据分辨率低得区域，基于遥感的植被覆盖度的监测经常需要用测量数据来验证。

随着数字图像处理与摄影技术的显著改善现在有许多高质量的DCs,这使得植被覆盖度的地面测量更方便、精确。有文献指出，基于DC对植被覆盖度的测量可能成为更适用的方法。然而，只有少数案例来证实这点，因此，我们试图估算基于DC测量数据和遥感模型估算植被覆盖度。本次研究的目的是提高植被覆盖度监测的精度以及评估基于DC对植被覆盖度测量潜力。1.引言

植被覆盖度对于评估生态环境是一个重要的参数。传统的生态参数通过这些方法进行评估，例如地面测量，包括：目视估测样点、采样点、计量法。这些在野外操作的方法不方便，且对植被覆盖度的快速估算有困难。

遥感技术的快速发展为植被覆盖度的估算提供了一个新的趋势且特别对大范围监测植被覆盖度提供了可能性。目前，植被覆盖度估算的方法通过遥感数据采用回归模型，植被指数方法和二分像元模型，回归2.数码相机测量原理

最近，基于DC的植被覆盖度的测量已逐渐成为一个崭新的且公认的方法，这是一种廉价、高效且快捷的方法，用DC测量对植被覆盖度的计算原理是基于来自通过植被层状况遥感传感器的测量光的应用。DC镜头将它的射线聚集于电荷耦合器（CCD），组成的滤色阵列对R和NIR电磁波敏感，它可以对亮度值进行直接测量，滤色阵列记录的辐射参数从0.615微米到1.05微米。临近色滤阵列元素对不同波长的响应，R在0.6微米-0.75微米之间，NIR在0.75微米到1.05微米之间。由于裸露的土壤表层的峰值和谷值具不显著的发射率，土壤的反射光谱曲线是平滑的。有因此，R和NIR光谱谱带之间的亮度差异是不明显的。然而，植被反射光谱曲线的匀称性（规则性）是明显地且唯一的：绿色植被具有高近红外光谱和低红外光谱的特点。因此，很容易区分来自DC的土壤和植被近红外光谱信息；这对于植被覆盖度的估算是方便的。

本次研究中的数码相机是一架奥林匹斯C-730UltraZoom(超变焦)全自动光学相机。它也有一个5-7米的遥控操作距离。此数码相机记录尺寸496×365像素的图像，用一个8.5mm的镜头和一个8.5mm焦距。此外，CCD有一个31.5×24.25°的角视场，在1米的距离，这等于一个565mm×429mm大小的图像，同样地，当它需要一个垂直的画面时，DCC数码相机的焦距需固定在28mm。3遥感模型的建立

基于之前色研究经验，我们选择二分像元模型来估算植被覆盖度，二分像元模型是.一种简单且实用的遥感模型。基于假设是一个像元的表面覆盖着植被和非植被。归一化植被指数也是一种从遥感传感器接收物体表面的光谱信息并反映地表植被状况的定量计算值。该表达式是NDVI=NIR–R/NIR+R(1)其中，NIR和R代表在遥感图像中近红外反射率值和红色波段反射率值。

根据二分像元模型，来自绿色植被信息的NDVI值得一个像元表示为NDVIveg，来自裸露土壤信息的NDVI值得一个像元表示为NDVIsoil。因此，植被覆盖度估算的遥感模型被定义为:fc=NDVI-NDVIsoil/NDVIveg-NDVIsoil(2)

其中，NDVIsoil和NDVIveg代表裸露土壤或无植被覆盖像元和纯植被像元。理论上，大部分裸露土壤表面的NDVIsoil值由于受多种因素的影响介于0.1到0.2之间。NDVIveg代表纯植被像元的最大值。然而，由于不同植被类型的影响，NDVIveg也随着时间和空间而改变。因此，在这个模型中，NDVIsoil和NDVIveg值得确定已成为一个关键问题。实际上，NDVIsoil和NDVIveg的值有以下关系，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分别代表遥感图像的最大和最小值。这些方程，NDVIsoil和NDVIveg值得确定转换为4个参数值得确定（也就是fcmin、fcmax

、NDVImax

、NDVImin）。根据fc的最大值和最小值的不同，有两种情况：1）遥感影像的空间分辨率相对较高，纯像元很容易找到。因此，fcmax和fcmin可能约等于100%和0%，式中，NDVIsoil=NDVImin;NDVIveg=NDVImaxfc的估算转化为方程（5）fc=NDVI-NDVImin/NDVImax-NDVImin(5)对于这种情况，已经有了许多相关研究及研究成果，本文将不作强调。2）遥感影像空间分辨率相对较低，纯像元不易发现，因此，fcmax和fcmin不等于100%和0%。作为结果，fc的估算需要经过测量数据的验证。在这种情况下，很少有对检验植被覆盖度的相关研究。因此，这篇论文主要集中于第二种情况的研究。我们基于DC（数码相机）测量数据和一个遥感模型讨论植被覆盖度fc的估算，以填补这一领域的空白并实现数码相机（DC）的潜力。4.案例研究4.1研究区域和数据来源

我们选择中国北京的门头沟区的一个废弃的煤矿用地作为本文的案例研究。煤矿的长期使用导致了植被破坏和环境恶化。我们所选用地数据是2004年5月23日的轨道数量279/269的法国SPOT-5卫星数据，这有无云层覆盖的相当高质量的数据。选用了2003年0.5m分辨率航空影像及1:10000比例尺的数字高程模型。4.2数据处理

这一部分主要包括ortho-correction（正校正）,遥感影像的几何校正和DC（数码相机）测量数据的监督分类。4.2.1遥感影像的校正

由于SPOT-5卫星是测视影像，必须首先进行正校正，航空图像作为地面控制点(GCP)采集的参考图像。与此同时，由于用PCI外部控制器接口（PeripheralComponentInterconnect）外部设备互连总线软件中的OrthoEngine模型以及现有的DEM，正校正（ortho-correction）基于一个共线性方程校正进行。然后，必须进行几何图形校正，航空影像也被作为参考图像。采用北京-54坐标作为投影系统及36GCPs（地面控制点），基于三次多项式拟合的方法调整计算以及对线性重采样的双线性插值法进行几何校正，经过校正之后的均方差(RMS)少于0.5像素，这满足精度要求。4.2.2调查数据的获取和处理

我们选择门头沟区的Wangping镇这个典型的生态模型区的两个采样点，植被的主要类型是灌木（如，Langdangye）。采样采用了垂直摄影法，具体步骤如下：1）首先我们选用1×1像元大小的采样点，（代表面积大小为10米×10米）。然后我们用过DC（数码相机）在地面上的一个垂直角度基于平均值拍了许多采样点的数码相片。同时，用GPS（全球定位系统）来获取采样点的地理坐标。2）由于中心投影摄影造成了数码相片边缘大的变形，三分之二的长度和宽度需要从数码相片的中心被裁剪，以便能获取精确的植被覆盖率的测量数据并减小边缘变形误差。3）用大规模的数码摄影和一个容易分辨地面特征的简单类型，为了监督分类简单明了，对研究区域作了选择。监督分类适合于研究区的植被和裸露土壤的数码相机和提取信息。该统计植被区取自我们的分类图，我们可以在DC（数码相机）调查的帮助下，从这一区域原始数字相片分类中计算fc（植被覆盖度）。4）计算fc（植被覆盖度）的平均值。4.3基于遥感模型的（fc）植被覆盖度的估算

植被覆盖度估算的主要观点是基于DC测量数据从遥感模型中获取fcmax和fcmin值。此外，其他DC测量数据用来验证fc估算的精度，这一过程中具体步骤如下：1）基于公式（1）计算遥感图像的NDVI值；2）从DC（数码相机）测量数据中任意选取一组fc的最大和最小值分别作为fcmax和fcmin值；3）借用GPS定位点得帮助，从遥感图像模型中找到fcmax和fcmin相对应的像元NDVI值，并把它们标注为NDVImax和NDVImin，其它测量数据用于检验。4）基于公式（3）和（4）的fcmax、fcmin、NDVImax和NDVImin值计算NDVIsoil和NDVIveg值；5）用公式（2）中的NDVIsoil和NDVIveg估算研究区的fc。这是基于在ENVI遥感软件中的波段运算的函数；6）基于密度切片的上一步从fc的等级中获取一个fc等级图。

图1基于DC测量数据和遥感模型的fc估算等级图

下面的图2显示了基于DC测量数据和遥感模型的fc估算的工作流程。

图2植被覆盖度估算和分级的流程图4.4结果分析

对研究区植被覆盖度的等级图进行分析，可以看出，该废弃煤矿用地的植被覆盖度在2004年相对较高。超过90%的废弃地的植被覆盖度居于0.6到1之间，表明该区域植被覆盖度较高。然而，居民区和独立煤矿的fc相对较低，介于0到0.4之间，表明了一个低得植被覆盖度，主要原因是煤矿的长期使用导致了煤矿附近植被的严重破坏和环境的恶化。5.精度的检验和评估

为了基于DC测量数据和遥感模型来检验fc（植被覆盖度）估算的精度以及比较fcmax≠100%,fcmin≠0%和fcmax≈100%。fcmin≈0%之间植被覆盖度估算的差异，植被覆盖度的估算满足fcmax和fcmin约等于100%和0%这一假设。在公式（5）中对fc进行计算。fc的等级图如图3所示，表1展示了定量数据对比，该结果表明，在DC测量数据的帮助之下，当fcmax≠100%且fcmin≠0%时，通过遥感模型的fc估算的精度相对较高，它的最大误差是-0.172，DC测量数据和估算值之间的相关系数是0.974.另一方面，如果fcmax和fcmin假定为100%和0%，用最大误差0.380和相关系数0.540的fc估算的误差相对较大。

图3遥感模型估算的fc等级图表1来自遥感模型的DC测量数据和估算值之间的对比6.结论

本次研究结果表明，低植被覆盖度和低空间分辨率的遥感影像，通常不易找到一个纯像元。因此，fcmax和fcmin不能很容易被认为是100%和0%，有必要考虑研究区的实际情况，否则将造成大的估算误差。

本次研究中所采用的方法，即基于DC测量数据和遥感模型的fc的估算，不仅方便快捷，而且精确度高。此外，它还可以通过遥感模型用DC测量数据对fc估算的精度进行检验。

随着数字处理和摄影技术的快速发展，基于高品质DC的fc地面测量变得更加方便与精确。因此，基于DC测量数据和遥感模型的fc的估算是一个崭新的发展趋势并值得进一步广泛应用。二.基于不同光谱指数对植被稀疏区域的植被覆盖度估算的精度对比ComparisontheaccuraciesofdifferentspectralindicesforestimationofvegetationcoverfractioninsparsevegetatedareasSusanBaratia,1,BehzadRayegania,*,MehdiSaatib,2,AlirezaSharific,MasoudNasriba.青年科学家俱乐部，伊斯兰自由大学，阿德斯坦分院，伊朗，伊斯法罕b.伊斯兰自由大学，阿德斯坦分院，伊朗，伊斯法罕c.测量和测绘学工程系，德黑兰，伊朗德黑兰大学关键词：植被覆盖度；遥感；LISSIII（IRS-P6卫星LISS3图像）;植被指数摘要对树冠生物物理变量的定量估算在不同的研究如气象学、农业以及生态学中都有非常重要的意义；因此，对这些变量的时空分布进行研究是非常有益的，与此同时，在对大范围区域进行植被覆度估算时，遥感技术被认为是重要的信息来源。目前，在对植被特征的遥感估算中，最广泛采用的是光谱指数。但相比植被稀疏区域，它更多地用于反应土壤和岩石，这使得对植被信号的分离产生困难。因此，在本次研究中，测量了一个沙漠区域的植被覆盖度，并对20种植被指数进行了评估，分为了五个最合适的类别，或指示沙漠植被，这五个类别包括：（1）常规比例和微分（差分）指数如归一化植被指数（2）修正指数及来自传统的指标如NDVIc和GNDVI(绿色归一化植被指数)（3）土壤反射率调节指数如SAVI（土壤调节植被指数SoilAdjustedVegetationIndice）（4）基于三个窄条带的三角指数，在它们的方程中（绿色、红色以及近红外光谱）如TVI（组织速度成像TissueVelocityImaging）(5)非常规比例和差分指数如CI根据这项研究结果，DVI（差分植被指数differentvegetationindice）指数的决定系数(R2)为0.668，显示出了对植被覆盖度的最好估计。但是根据沙漠区域的稀疏植被以及本研究的结果来看，这些指标中没有一个能够单独来精确地估算植被覆盖度，然而，在一个多元回归模型中输入这些指数数据来作一个适当的估算是可能的。使用这种模型能使决定系数增加到0.797。

1.引言植被覆盖度对近地面的能量交换具有重要影响，植被覆盖度被认为是衡量干旱及半干旱区域土地退化及荒漠化的合适标准，且对它的测量能够用来研究这些过程(XiaoandMoody,2005)。此外，对树冠生物物理变量，特别是植被覆盖度进行定量估算，在不同的研究中如气象学、农业以及生态学，都是很重要的；因此，研究这些变量的时空分布将大有益处(LawrenceandRipple,1998;Houborgetal.,2007)。在对大尺度范围内的植被覆盖度进行估算时，遥感是一种重要的数据来源(XiaoandMoody,2005)，基于卫星的指数被用在许多估算植被覆盖度的研究中(Gilabertetal.,2002;Kalleletal.,2007;Jiangetal.,2008)。通过运用这些指数，许多植被参数如叶面积、生物量和生物活性得以估算(BaretandGuyot,1991;Verrelstetal.,2008)。基于红外和近红外反射率的光谱植被指数与叶面积和树冠覆盖有着高度相关性(BrogeandLeblanc,2000)。然而，在植被稀疏区域，土壤和沙子的反射率要比植被的反射率高得多，所以，植被覆盖反射率的探测是困难的。因此，土壤反射率调整指数如土壤调节植被指数(SAVI)，优化土壤调节植被指数(OSAVI)以及修正土壤调节植被指数(MSAVI)已被开发(Karnielietal.,2001;Gilabertetal.,2002;ShupeandMarsh,2004)。本次研究中，通过使用由各种不同的植被指数组成的20种不同的植被覆盖指数，如简单的差分指数(e.g.DVI),单比指数(如SR)以及归一化指数(如NDVI)，土壤调节指数(如SAVI)以及三角指数(如MTVI)对植被覆盖度进行了估算并对它们的精度进行了比较。

2.研究区域

研究区域位于伊朗中部地区，伊斯法罕市附近，占地面积2118公顷（如图1所示）。根据Bagnouls和Gaussen的气候分类系统(BagnoulsandGaussen,1957),本地存在荒漠气候，依据Emberger气候分类系统(Emberger,1955),该区域属于干冷型气候。研究区7月出现最高月平均气温46℃，1月出现最低月平均气温为-13℃，年平均气温为19℃。研究区的大部分区域已经变为牧场（草地），一些接近河流和季节性河道的分散区域有农场分布。白艾草（艾属，草本）作为优势种分布于研究区的大部分地区并且是仅存的物种。在一些地方其它物种如蒿属植物（山艾，艾属），木香（雀苣属，东方型），叙利亚芸香（骆驼蓬），Pteropyrumaucheri,柽柳(柽柳属)，刺叶属，也观察到Forssk(Lounaeaspinosa)。3.卫星数据

本次研究采用了IRS-LISSIII影像，该卫星图像使用50个地面控制点作为地理参考坐标，已获取了0.248像素的均方根误差(RMSe)。4.地面数据

植被覆盖度的地面测量开始于2010年6月3日，采样点为36m长的正方形区域，来覆盖影像数据的像元大小，对研究区进行了调查，确定了所有植被类型。在研究区的大部分区域白艾草（艾属，草本）作为优势种。采样点的位置选择在这些由他们组成植被类型。总共有40个采样点（图3所示），为了测量植被覆盖度，采用了一些之间距离为6米的平行样带（图4所示）。在每个样带中，树冠接触到样带的位置被记录且测量其所接触的长度。然后，接触长度的平均百分比占整个样带长度的百分比被用作采样点的植被覆盖度，在每个相对应的像元中，绿色波段、红色波段、近红外波段以及短波红外波段的参数已经被记录在案。5.研究方法本研究中，研究了五个不同类型的植被指数：（1）常规比率和差分指数如单比指数(SR),归一化植被指数NDVI，差分植被指数DVI以及红外百分比植被指数(IPVI);（2）校正并改进的常规指数，例如修正单比指数(SRc),改进单比指数(MSR),NDVIc,GNDVI，比值植被指数(RDVI)以及非线性指数(NLI);（3）土壤调节植被指数如SAVI,优化土壤调节植被指数(OSAVI)以及改进的土壤调节植被指数(MSAVI);（4）基于绿色、红色、红外波段的三角指数如TVI（组织速度成像）,改进的三角测量植被指数-1(MTVI1)和MTVI2;（5）非常规比率和差分指数如归一化红外指数(NDII),比表面积植被指数(SLAVI),CI和归一化冠层指数(NCI)。上述指数见于表1。表1中，RSWIR,RNIR,

RRED

和RGREEN分别是短波红外、近红外、红色以及绿色波段的光谱反射率。同时，最小和最大是最小反射率和最大反射率，或是在相应的光谱范围之内的数值。对于40个采样点，估算了所介绍的所有指数与植被覆盖度的相关性。6.结果

对植被指数与植被覆盖度之间的相关性进行了评估，并分为了5个植被类型。6.1常规比例和差分指数

根据所有的指数得出结果,如表2所示，依据表2，植被覆盖与常规比例以及差分指数之间的关联性比其他指数要大，此外，在所有指数之中，DVI（差分植被指数）相关系数最大。通过叶绿素在红外区域的电磁波的吸收以及在近红外区域的高反射率是在这类指数中存在高相关系数(Tucker,1980)。虽然NDVI已在许多研究中被运用，但是在植被覆盖度高地区域，这个指数是饱和的也与植被生物物理关系存在非线性相关(Haboudaneetal.,2004;VescovoandGianelle,2008;Jiangetal.,2008;BaretandGuyot,1991;Gitelson,2004)。由于研究区域的植被覆盖度低；这个指数是不饱和的，如表3所示，6.2纠正并改进的常规指数

根据植被覆盖度与NDVI之间的非线性相关，基于植被覆盖度和植被指数之间的线性相关性(RougeanandBreon,1995)提出了RDVI的两个新指数，(Chen,1996)提出了MSR。虽然MSR指数对植被覆盖度的敏感性更大，但是根据表2，MSR指数的敏感性要低于它的导数指数(SR)。根据表3，对于线性、二次和三次关系RDVI和植被覆盖度之间的决定相关性，分别是0.637、0.659和0.663。然而，根据Rougean和Breon(1995)报告的结果表明，RDVI指数和植被覆盖度之间的关联比MSR和植被覆盖度之间的关联更具线性。基于改进的归一化植被指数，

NDVIc和GNDVI指数比NDVI有较低的决定关联性。在植被稀疏区域对植被覆盖变化运用绿色波段，看起来减少了植被指数的敏感性，在这个类型中NLI指数有最低的相关性。依据研究区的低植被覆盖以及近红外范围的高土壤反射率，（图5所示），对于植被覆盖度变化，通过调整近红外反射率，NLI指数的敏感性已经降低了。（图5不同光谱波段的反射量）6.3土壤反射率调整指数

为了减少背景的影响，Huete(1988)提出了SAVI指数。这个指数的方程中（表1），L是植被覆盖密度的函数。在这个研究中，所有采样点的植被覆盖度的平均值已经被用来估算L参数，得出L=0.86853。如表2所示，NDVI和SAVI的相关系数几乎是相同的。Huete(1988)已经将L=0.5作为L的最佳值，但是相关系数并没有显著提高。这是因为对所有的样点采用唯一的L值。这个结果将得不到提高，通过使用OSAVI和NDVI的相关系数，取得了相同的结果，SAVI和OSAVI几乎是相似的。因此，以前的植被覆盖值对于确定精确地L值是必需的(Huete,1988)。为了解决这个问题，Qietal，1994年提出了MSAVI指数，然而，这项研究的结果显示从MSAVI指数获得的相关系数低于SAVI指数的相关系数。一般来说，如L