植被覆盖度的提取方法研究.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,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,引言,植被覆盖度的定义与研究意义,国内外研究进展,植被覆盖度的提取方法,总结,文献翻译,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（,Fractional Vegetation Cover,）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,Landsat TM,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及其变化信息，在像元分解模型的基础上，采用等提出的混合像元二分模型和改进的参数确定方法定量估算了三江源区年的，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,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 与的 关 系，进 而 获 得，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、（,-,）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；、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，,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，其大小取决于等要素，从而可以利用植被指数估算。到目前为止，已经发展了多种植被指数，如归一化植被指数、土壤调整植被指数、大气阻抗植被指数等。归一化植被指数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、（,Mapping),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,Landsat MSS,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,(Along Track Scanning Radiometer),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,、,Green NDVI,、,VARI3,种植被指数同小麦的植被覆盖度建立回归模型，,NDVI,、,Green NDVI,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,Landsat MSS,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,、,Dymond Anatoly,所 用 的 遥 感 图 像 分 别 是,landsat MSS ATSR-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,F,cover,=,（,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。,Choudhury etal,与,Gillies etal,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,F,cover,=,（,NDVI-NDVI,0,）,/(NDVI,s,-NDVI,0,),。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,NOAA AVHRR,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=aR,a,+bR,b,+cR,c,+,（,1,）,式中：,a,、,b,、,c,等表示的是权重，,R,a,、,R,b,、,R,c,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,S,v,和土壤的贡献值,S,s,。,S=S,v,+S,s,（,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,f,c,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,f,c,，而土壤覆盖的面积比例为,1-f,c,。,S,v,=f,c,S,veg,（,3,）,S,s,=,（,1-f,c,）,S,soil,（,4,）,式中：,S,veg,为纯植被覆盖贡献的信息，,S,s,为纯土壤信息贡献值；,S,v,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=f,c,S,veg,+,（,1-f,c,）,S,soil,（,5,）,由公式（,4,）可推出植被覆盖度的计算公式：,S=f,c,S,veg,+,（,1-f,c,）,S,soil,（,6,）,其中，,S,soil,与,S,veg,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,NDVI,veg,与裸土部分所贡献的信息,NDVI,soil,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=f,c,NDVI,veg,+,（,1-f,c,）,NDVI,soil,（,7,）,由此导出植被覆盖度的计算公式：,f,c,=,（,NDVI-NDVI,soil,）（,NDVI,veg,-NDVI,soil,）（,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,Estimation of Fractional Vegetation Cover Based on Digital Camera Survey Data and a Remote Sensing Model,HU Zhen-qi,1,HE Fen-qin,1,YIN Jian-zhong,2,LU Xia,1,TANG Shi-lu,1,WANG Lin-lin,1,LI Xiao-jing,1,1.,土地复垦和生态修复学会，中国矿业大学。中国，北京,100083,2.,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,f,cmax,（植被覆盖度的最大值）和,f,cmin,（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-730 Ultra Zoom(,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,496365,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,31.524.25,的角视场，在,1,米的距离，这等于一个,565 mm 429 mm,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，,NDVI,soil,和,NDVI,veg,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,NDVI,soil,值由于受多种因素的影响介于,0.1,到,0.2,之间。,NDVI,veg,代表纯植被像元的最大值。然而，由于不同植被类型的影响，,NDVI,veg,也随着时间和空间而改变。因此，在这个模型中，,NDVI,soil,和,NDVI,veg,值得确定已成为一个关键问题。实际上，,NDVI,soil,和,NDVI,veg,的值有以下关系，如公式（,3,）和（,4,）。,NDVI,soil,=fc,max,NDVI,min,-fc,min,NDVI,max,/fc,max,-fc,min,(3),NDVIveg=(1-fc,min,),NDVI,max,-(1-fc,max,),NDVI,min,/fc,max,fc,min,(4),式中，,fc,max,和,fc,min,分别代表遥感图像的最大和最小值。这些方程，,NDVI,soil,和,NDVIveg,值得确定转换为,4,个参数值得确定（也就是,fc,min,、,fc,max,、,NDVI,max,、,NDVI,min,）。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，,fc,max,和,fc,min,可能约等于,100%,和,0%,，式中，,NDVI,soil,=NDVI,min,;NDVI,veg,=NDVI,max,fc,的估算转化为方程（,5,）,fc=NDVI-NDVI,min,/NDVI,max,-NDVI,min,(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，,fc,max,和,fc,min,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（,Peripheral Component Interconnect,）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,fc,max,和,fc,min,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,fc,max,和,fc,min,值；,3,）借用,GPS,定位点得帮助，从遥感图像模型中找到,fc,max,和,fc,min,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,fc,max,、,fc,min,、,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,fc,max,100%,fc,min,0%,和,fc,max,100%,。,fc,min,0%,之间植被覆盖度估算的差异，植被覆盖度的估算满足,fc,max,和,fc,min,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,fc,max,100%,且,fc,min,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,fc,max,和,fc,min,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，,fc,max,和,fc,min,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,Comparison the accuracies of different spectral indices,for estimation of vegetation cover fraction in sparse vegetated areas,Susan Barati,a,1,Behzad Rayegani,a,*,Mehdi Saati,b,2,Alireza Sharifi,c,Masoud Nasri,b,a.,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；,LISS III,（,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,Soil Adjusted Vegetation Indice,）,（,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,Tissue Velocity Imaging,）,(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,different vegetation indice,）指数的决定系数,(,R,2,),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,(Xiao and Moody,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,(Lawrence and Ripple,1998;Houborg et al.,2007),。在对大尺度范围内的植被覆盖度进行估算时，遥感是一