植被覆蓋度的提取方法研究綜述

汪明霞，王衛(wèi)東

（1.黃河水利職業(yè)技術學院，河南 開封 475001；2.小流域水利河南省高校工程技術研究中心 河南 開封 475001；3.水利部黃土高原水土流失過程與控制重點實驗室，河南 鄭州 450003）

0 引言

植被是全球生態(tài)系統(tǒng)的重要組成部分，它可以減緩地表徑流，保護水土，對陸地表面的能量交換、水文循環(huán)及全球環(huán)境的變化，起著至關重要的作用。而植被覆蓋度作為表征地表植被狀況的一個重要指標，是全球或區(qū)域水文、生態(tài)等科學研究領域的重要參數和基礎數據[1-13]，也是研究土壤植被降雨耦合條件下水土流失的關鍵因子之一。 基于此，本文試對植被覆蓋度的提取方法進行了評述。

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)測提供基礎數據，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。

1.1 目估法

目估法是根據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[14～15]。

1.2 采樣法

采樣法是根據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占總樣針數的百分數即為植被覆蓋度；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[16]。

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，據此計算植被的覆蓋度。該方法通常采用數碼相機作為傳感器， 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[17]。

1.4 模型法

模型法是對地面的實際測量數據進行分析，利用數理統(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[18]。該方法只適用于某一特定的區(qū)域與植被類型，不易推廣。

2 遙感監(jiān)測方法

近年來，遙感技術的發(fā)展和大量不同類型衛(wèi)星對多時段、多波段的對地觀測，為國內外學者在植被覆蓋度遙感監(jiān)測方面創(chuàng)造了有利條件，并發(fā)展了大量通過大范圍遙感監(jiān)測提取植被覆蓋度的方法。目前，常用的遙感監(jiān)測方法有回歸模型法、植被指數法、像元分解模型法等。

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)測數據，計算出植被指數（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據與Landsat MSS 的第5 波段遙感監(jiān)測數據進行線性回歸，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[19]。 Peter 分別使用ATSR-2 圖像中的多個波段與植被葉面積指數、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[20]。 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[21]。

新西蘭學者Dymond 利用TM 圖像，計算出NDVI植被指數，并將該指數與新西蘭草地退化地區(qū)植被覆蓋度進行了非線性回歸，估算了當地退化草地的植被覆蓋度[22～23]。 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、Green NDVI、VARI3 種植被指數同小麥的植被覆蓋度建立回歸模型，NDVI、Green NDVI 采用的是線性回歸的方法、VARI 采用的是非線性回歸的方法[24]。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 根據植被覆蓋度的實際測量數據與Landsat MSS 的第5 波段遙感監(jiān)測數據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，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、Dymond Anatoly 所用的遙感圖像分別是landsat MSS ATSR-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。

2.2 植被指數法

植被指數法是根據植物的光譜特征，直接選取與植被覆蓋度有良好相關性的植被指數，并通過植被指數與植被覆蓋度的關系，估算植被覆蓋度。 回歸模型法中已經說明植被指數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。 該值的類型并不唯一，也可以用其他的植被指數替換。 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就趨近于無窮大，現狀的植被指數值就是非植被覆蓋區(qū)域的植被指數值。 楊勝天等依據不同的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[25]。 Choudhury etal 與Gillies etal 使用不同的方法和數據集，均得到相同的植被覆蓋度估算公式，即Fcover=（NDVI-NDVI0）/(NDVIs-NDVI0)[26～27]。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， 結合NOAA AVHRR 的遙感數據，估算了該地區(qū)的森林覆蓋度。結果表明，經常用的植被指數與森林覆蓋度相關性最高。 由此說明，植被指數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。 但植被指數法在小范圍內的估算精度低于回歸模型。 在應用植被指數模型時，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。

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據信息，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。 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[28]，然后進行線性組合，即：

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)域內地物類型的數量大于遙感數據波段量時，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[29～30]。

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。

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。

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為為混合像元中植被的貢獻值。

將式（3）和式（4）代入式（2）可得：

由公式（4）可推出植被覆蓋度的計算公式：

其中，Ssoil與Sveg都是參數，因而可以根據式（6），利用遙感信息來估算植被覆蓋度。 根據像元二分模型， 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，以歸一化植被指數作為反映其像元信息的指標。 代入式（6）得：

由此導出植被覆蓋度的計算公式：

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[31]。QiJ 將植被指數分解為純植被和無植被的植被指數代入該模型，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[32]。 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據分辨率較高，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。

3 結語

（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或數據源等信息也各不相同。 回歸模型法對實測數據的依賴性較強，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。 植被指數法與像元分解法，由于不受實測數據的制約，目前使用比較廣泛，但在實際應用中，仍應根據地表情況，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。

[1] 隋洪智. 農田蒸散雙層模型及其在半干旱要搞監(jiān)測中的應用[J]. 遙感學報，1997，1（3）：220-224.

[2] 孫紅雨，王長耀，牛錚，等. 中國地表植被覆蓋變化及其與氣候因子關系-基于NOAA 時間序列數據分析[J]. 遙感學報，1998，2（3）：204-210.

[3] 田慶久，閔祥軍. 植被指數研究進展[J]. 地球科學進展，1998，13（4）：327-333.

[4] 汪有科，森林植被保持水分功能評價[J]. 水土保持研究，1994，1（3）：24-30.

[5] 王長耀，布和敖斯爾，狄小春. 遙感技術在全球環(huán)境變化研究中的作用[J]. 地球科學進展，1998，13（3）：278-284.

[6] 王思遠，張增祥，周全斌，等. 基于遙感與GIS 技術的土地利用時空特征研究[J]. 遙感學報，2002, 6（3）：223-228.

[7] 陳晉. 基于土地覆蓋分類的植被覆蓋率估算亞像元模型與應用[J]. 遙感學報，2001, 5（6）：416-422.

[8] 布和敖斯爾，劉紀遠， 王長耀，等. 遙感技術在我國資源和環(huán)境變化研究中的作用[J]. 科技導報，1997（8）：14－17.

[9] 趙春玲，李志剛，呂海軍，等. 中德合作寧夏賀蘭山封山育林育草項目區(qū)植被覆蓋度監(jiān)測[J]. 寧夏農林科技，2000（增刊）：6-14.

[10] 張興昌， 劉國彬， 付會芳. 不同植被覆蓋度對流域氮素徑流流失的影響[J]. 環(huán)境科學，2000（11）：16-19.

[11] 張一平，張克映， 馬友鑫，等. 西雙版納熱帶地區(qū)不同植被覆蓋度低于徑流特征[J]. 土壤侵蝕與水土保持學報，1997，3（4）：25-30.

[12] 張云霞，李曉兵， 陳云浩. 草地植被覆蓋度的多尺度遙感與實地測量方法綜述[J].地球科學進展，2003, 18（1）：85-93.

[13] 陳云浩， 李曉兵， 史培軍， 等. 北京海淀區(qū)植被覆蓋的遙感動態(tài)研究[J]. 植物生態(tài)學報，2001,25（5）：588-593.

[14] 章文波，符素華，劉寶元. 目估法測量植被覆蓋度的精度分析[J]. 北京師范大學學報：自然科學版，2001, 37（3）：402-408.

[15] 章文波， 劉寶元， 吳敬東. 小區(qū)植被覆蓋度動態(tài)快速測量方法研究[J]. 水土保持通報，2001, 21（6）：60-63.

[16] 丁艷梅，張繼賢，王堅，等. 基于TM 數據的植被覆蓋度反演[J].測繪科學，2006，31（1）：43-46.

[17] White Michael A, Asner Gregory P, Nemani Ramakrishna R, etal. Measuring fractional cover and leaf area index in arid ecosystem: Digital camera,radiation trasmittance, and laser altimetry methods [J].Remote Sensing of Environment, 2000, 74(1): 45-47.

[18] 吳素業(yè). 一年生植被覆蓋度的簡化測試方法[J]. 水土保持科技情報，1999(1):45-47.

[19] Pech R P, Gratez R D, Davis A W, Reflectance modeling and the derivation of vegetation indices for an Australian semi-arid shrubland. [J]International Journal of Remte Sensing, 1986 (7):389-403.

[20] Peter R. J. North Estimation of fapar, LAI, and vegetation fraction cover from ATSR -2 imagery [J]Remote Sensing of Environment, 2002, 80(1): 114-121.

[21] Hans Temmervik, Kjell Arid Hegda, Inger Solheim,Monitoring vegetation changes in Pasvik （Norway） and Pechenga in Kola Peninsula (Russia) using multitemporal Landsat MSS/TM data [J]. Remote Sensing of Environment,2003,85(3):370-388.

[22] Dymond J R, Stephens P R, Newsome P F etal.Percent vegetation cover of a degrading rangeland from SPOT[J]. International Journal of Remote Sensing, 1992,13 (11): 1999-2007.

[23] Dymond J R, Stepherd J D, Qi J.A simple physical model of vegetation reflectance for standardizing optical statellite imagery [J]. Remote Sensing of Environment,2001, 77（2）：230-239.

[24] Anatoly A Gitelson, Yoram J Kaufman. Robert Stak,Don Rundquist, Novel algorithmfor remote estimation of vegetation fraction [J]. Remote of Environment, 2002, 80(1): 76-87.

[25] 楊勝天， 劉昌明， 楊志峰， 等. 南水北調工程區(qū)的自然生態(tài)環(huán)境評價[J]. 地理學報，2001,57（1）：11-18.

[26] Choudhury BJ. Relationships between vegetation indices,raditation absorption and net photosynthesis evaluated by a sensitivity analysis[J]. Remote Sensing of Environment,1987, 22 (2): 209-233.

[27] Gillies R R, Kustas W P, Humes K S, A Verification of the "triangle" method of obtaining surface soil water content and energy fluxes from remote measurements of the Normalized difference vegetation index (NDVI) and surface[J]. International Journal of Remote Sensing, 1997(18)：3145－3166.

[28] 田靜. 基于遙感實驗下的植被覆蓋率反演[D]. 長春：吉林大學，2004.

[29] Quarmby NA,Townshend J R G, Settle J J etaal. Linear mixture modeling applied to AHVRR data for crop area estimation [J]. International Journal of Rremote Sensing,1192,13（3）:415-425.

[30] 馬超飛， USLE 模型中植被覆蓋因子的腰桿數據定量估算[J]. 水土保持通報，2001,21（4）：6-9.

[31] Zribi M, LE HE GARAT_MASLES, Taconet O, Ciarietti V,Vidal-Madjar D, Boussema M R. Derivation of wild vegetation cover density in semi-arid regions: ERS2/SAR evaluation [J]. International Journal of Remote Sensing,2003 (24): 1335-1352.

[32] Qi J, Masett R C, Moran M. S., Goodrich D.C, P.Heilman. etal. Chehbouni and X.X. Zhang. Spatial ans temporal dynamics of vegetation in the San Pedro River basin area[J]. Agricultural and Forest Meteorology, 2000(105): 55-68.