植被蓋度遙感反演模型在稀疏高寒草原的對比研究

夏 穎，范建容，李磊磊，李 炫

(1.中國科學(xué)院水利部成都山地災(zāi)害與環(huán)境研究所，成都 610041；2.中國科學(xué)院大學(xué)，北京 100049；3.易智瑞(中國)信息技術(shù)有限公司，北京 100000)

植被蓋度遙感反演模型在稀疏高寒草原的對比研究

夏 穎1，2，范建容1*，李磊磊3，李 炫1，2

(1.中國科學(xué)院水利部成都山地災(zāi)害與環(huán)境研究所，成都 610041；2.中國科學(xué)院大學(xué)，北京 100049；3.易智瑞(中國)信息技術(shù)有限公司，北京 100000)

【目的】基于Landsat8遙感影像數(shù)據(jù)，反演西藏日喀則地區(qū)高寒草原植被蓋度?！痉椒ā坎捎帽容^常用的3種植被蓋度反演模型，即像元二分模型、基于歸一化植被指數(shù)(NDVI)與土壤調(diào)整植被指數(shù)(SAVI)的回歸模型、改進(jìn)的三波段梯度差模型，對稀疏高寒草原植被蓋度進(jìn)行反演，并采用照相法實(shí)測植被蓋度進(jìn)行反演精度分析?！窘Y(jié)果】3種模型對高寒草原植被蓋度的反演精度以像元二分模型最高，反演精度為82.02％，其他兩種模型均小于80％?！窘Y(jié)論】像元二分模型相對于回歸模型和改進(jìn)的三波段梯度差模型更適用于稀疏高寒草原植被蓋度的反演。

植被蓋度；稀疏高寒草原；像元二分模型；改進(jìn)的三波段梯度差模型；回歸模型

植被蓋度指植被冠層或葉面在地面上的垂直投影面積占統(tǒng)計(jì)區(qū)面積的百分比，是植被生長狀況的直觀量化指標(biāo)[1]。它不僅可以在一定程度上直觀地反映植被生長的基本狀況，進(jìn)而指示生態(tài)環(huán)境的變化，為生態(tài)環(huán)境治理提供數(shù)據(jù)支撐[2]。還被作為重要的指標(biāo)和因子廣泛應(yīng)用于生態(tài)學(xué)、氣候變化、水土保持、植物學(xué)和土地管理等領(lǐng)域的研究中。植被蓋度的估算對于研究水土流失、土壤沙漠化、生態(tài)環(huán)境等具有重要意義。

植被蓋度的測算方法主要經(jīng)歷了目測估算、儀器測量和遙感反演3個階段[3]，對于大范圍地區(qū)，用目測估算和儀器測量不僅費(fèi)時費(fèi)力，而且還會受到天氣、區(qū)域條件等的影響。而遙感由于其大范圍的數(shù)據(jù)獲取和連續(xù)觀測能力，已成為區(qū)域及全球植被蓋度估算的有效手段。同時由于遙感數(shù)據(jù)的空間分辨率、光譜分辨率和時相特征的多樣性，能夠獲取不同尺度上的植被覆蓋及其變化信息，已經(jīng)成為估算植被蓋度的主要技術(shù)手段[4]。目前國內(nèi)外用于植被蓋度的遙感反演方法主要有植被指數(shù)模型[5]、回歸模型[6-7]、像元分解模型[8]以及光譜梯度差模型[9-10]等。

研究區(qū)屬于干旱半干旱、高海拔多山地區(qū)，高寒草原長期處于低溫的環(huán)境條件中，因此，其生長季節(jié)較短，草群比較稀疏、低矮，植被蓋度低[11]。如何提高遙感技術(shù)探測低植被蓋度的能力是干旱半干旱山區(qū)地帶植被遙感亟待解決的問題。國內(nèi)已有一些學(xué)者對遙感技術(shù)提取低覆蓋區(qū)的植被蓋度展開了研究。古麗等[9]利用改進(jìn)的三波段梯度差模型對塔克拉瑪干沙漠地區(qū)的植被蓋度進(jìn)行了反演，發(fā)現(xiàn)在干旱半干旱地區(qū)稀疏植被覆蓋區(qū)的植被蓋度預(yù)測值與實(shí)測值基本一致。李向婷等[12]采用改進(jìn)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)法等6種植被蓋度反演方法估算了干旱荒漠區(qū)稀疏植被的植被蓋度，結(jié)果表明改進(jìn)的三波段梯度差法相對其他幾種方法反演效果較好。且在實(shí)測蓋度數(shù)據(jù)缺乏，難以獲取純像元的情況下，像元二分模型的估算精度會受到很大的影響。李藝夢等[13]通過對比像元二分模型、回歸模型以及改進(jìn)的三波段梯度差模型對額濟(jì)納干旱荒漠區(qū)稀疏植被的植被蓋度反演結(jié)果，證實(shí)了像元二分模型可以較好地估算荒漠區(qū)植被蓋度。以上方法均較好地提取了稀疏植被的植被蓋度信息，而研究區(qū)亦屬于植被稀疏的干旱半干旱地區(qū)。因此，為了探尋一種滿足大尺度高海拔寒冷地區(qū)草原植被蓋度信息的提取方法，分析和對比現(xiàn)有的植被蓋度遙感反演方法對稀疏高寒草原植被蓋度反演的適宜性是極具必要性的。

本研究以日喀則的聶日雄鄉(xiāng)、邊雄鄉(xiāng)、日喀則市區(qū)、曲美鄉(xiāng)、甲措雄鄉(xiāng)和曲布雄鄉(xiāng)6個鄉(xiāng)為例，基于Landsat8遙感影像數(shù)據(jù)，通過對國內(nèi)外植被蓋度遙感反演方法的總結(jié)，結(jié)合研究區(qū)高寒草原的實(shí)際情況，選用了像元二分模型、改進(jìn)的三波段梯度差模型以及基于歸一化植被指數(shù)(NDVI)和土壤調(diào)整植被指數(shù)(SAVI)的回歸模型對日喀則地區(qū)高寒草原的植被蓋度進(jìn)行了反演，利用實(shí)測植被蓋度作為精度驗(yàn)證數(shù)據(jù)，對比分析各個模型對日喀則高寒草原植被蓋度的反演精度，探尋出一種能相對較好地獲取高寒草原植被蓋度信息的模型。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)地處西藏西南部(見圖1)，位于雅魯藏布江及其主要支流年楚河的匯流處，南、北地勢較高，其間為藏南高原和雅魯藏布江谷地。地理范圍為88°28′E～89°13′E，29°57′N～29°25′N，境內(nèi)地形主要由高山、寬谷和湖盆組成，平均海拔4 000m左右，屬高原溫帶半干旱季風(fēng)氣候區(qū)，空氣稀薄，年溫差小，日溫差大，最冷月份平均氣溫為2～12℃，最暖月份的平均氣溫為10～18℃，年均氣溫為6.3℃，年平均日照時間3 300h。降水集中在7-8月份。全區(qū)草地面積約12.2×106hm2，占土地總面積的70％，可利用草地面積約占全區(qū)土地總面積的54％，蓋度在20％～40％之間，以高寒草原類和高寒草甸類為主[14]。

圖1 研究區(qū)概況Fig 1 The sketch map of study area

1.2 研究方法

1.2.1 數(shù)據(jù)準(zhǔn)備及預(yù)處理

本文采用研究區(qū)(日喀則中部)云量較少的2015年7月5日的Landsat8遙感影像數(shù)據(jù)作為數(shù)據(jù)源，遙感影像的獲取時間在植被生長期，因此能夠較好地反映研究區(qū)植被的生長狀況。影像預(yù)處理包括輻射定標(biāo)、大氣校正、幾何精校正及裁剪等[15-17]。采用ENVI的輻射校正工具，結(jié)合影像的成像時間(2015年7月5日)、傳感器高度(705km)、研究區(qū)平均高程(4 162m)等參數(shù)對Landsat8遙感影像進(jìn)行輻射定標(biāo)和大氣校正，將影像DN值轉(zhuǎn)化為地表反射率。并以分布均勻、影像地物位置相對穩(wěn)定為原則，選取控制點(diǎn)對影像進(jìn)行幾何精校正，誤差控制在1個像元內(nèi)(精度誤差為0.82)。

2015年7月上旬進(jìn)行了實(shí)際蓋度測量，實(shí)測蓋度數(shù)據(jù)是通過照相法獲得。為保證實(shí)測蓋度數(shù)據(jù)的可靠性和代表性，在野外調(diào)查時，首先在室內(nèi)通過谷歌影像在研究區(qū)內(nèi)預(yù)選交通便利的采樣點(diǎn)(盡量均勻分布在整個研究區(qū))，在實(shí)地采樣時根據(jù)實(shí)際情況選取了130個樣塊(見表1)，在每個樣塊內(nèi)布設(shè)3～5個0.5m×0.5m的正方形樣方(分布在1個像元以內(nèi)，即30m)，同時記錄各樣方的GPS點(diǎn)位。樣方內(nèi)包含了研究區(qū)主要的多年生草本、墊狀小灌木和墊狀植物，如針茅科紫花針茅、座花針茅和藏籽蒿、藏南蒿、墊狀蒿等，其草高多為2～7cm。所用數(shù)碼相機(jī)視場角為26°，因此垂直拍照時，相機(jī)高度約為1.1m。由于獲取的相片，其邊緣易造成變形，需裁剪部分邊緣區(qū)域，僅保留其長寬的2/3區(qū)域。首先用數(shù)碼相機(jī)拍攝樣方四周環(huán)境及局部信息，同時記錄其經(jīng)緯度及其他相關(guān)信息。然后借助MATLAB軟件平臺，對照片進(jìn)行HSV彩色變換，然后將在HSV綠色值范圍內(nèi)的像元記為植被類像元，計(jì)算植被像元數(shù)占像元總數(shù)的百分比，從而得到植被蓋度，為后面植被蓋度反演模型的建立和驗(yàn)證提供數(shù)據(jù)基礎(chǔ)。通過實(shí)地調(diào)查發(fā)現(xiàn)，研究區(qū)高寒草原植被蓋度多分布于20％～40％之間。

1.2.2 高寒草原植被信息提取

由于本文的研究對象為高寒草原，因此采用了面向?qū)ο蠓指詈蜎Q策樹分類結(jié)合的方法將研究區(qū)劃分為農(nóng)田、河流、高寒草原、高寒草甸、河灘地和其他6大類。首先對影像進(jìn)行多尺度分割，設(shè)置分割尺度為100，光譜權(quán)重為0.8，圖像平滑度權(quán)重為0.1。決策樹采用DEM、NDVI植被指數(shù)、影像各波段反射率等空間特征作為指標(biāo)，對樣本數(shù)據(jù)進(jìn)行深度挖掘，通過不斷的循環(huán)實(shí)驗(yàn)得到最終的決策樹，對遙感影像進(jìn)行分類，并評價其分類精度(見表2)。

從分類結(jié)果中可以看出，高寒草原的分類精度為82.61％。在此基礎(chǔ)上進(jìn)行人工修正，以便更準(zhǔn)確地提取高寒草原植被信息，為植被蓋度的反演奠定基礎(chǔ)。

1.1.3 植被蓋度遙感反演模型

①像元二分模型

表1 實(shí)測數(shù)據(jù)特征Table 1 Characteristic of measured data

表2 分類精度評價(總體精度=85.3％，kappa系數(shù)=0.831)Table 2 Accuracy Assessment of classification(overall accuracy=85.3％，kappa coefficient=0.831)

像元二分模型假設(shè)遙感影像中的單個像元是由土壤和植被兩部分提供的信息組成。通過遙感傳感器所觀測的像元信息量S可表達(dá)為由綠色植物部分提供的信息量Sveg和由土壤背景部分提供的信息量Ssoil之和[18-19]。NDVI是植被生長狀態(tài)及植被蓋度的最佳指示因子。根據(jù)像元二分模型，像元的NDVI值可由綠色植被所貢獻(xiàn)的NDVIveg和土壤背景貢獻(xiàn)部分NDVIsoil兩部分組成，因此，可利用NDVI反演植被蓋度fc：

式中：NDVIsoil為裸土或無植被覆蓋區(qū)域的NDVI值，對于大多數(shù)類型的裸地表面，NDVIsoil理論上應(yīng)該接近0，并且是不易變化的，但由于受眾多因素影響，NDVIsoil會隨著空間而變化，其變化范圍一般在-0.1～0.2[20-21]。NDVIveg為完全由植被所覆蓋的純植被像元的NDVI值，NDVIveg值也會隨著植被類型和植被的時空分布而變化。

②回歸模型

回歸分析是通過建立植被蓋度與植被指數(shù)之間的回歸模型，進(jìn)而反演植被蓋度。研究區(qū)植被稀疏、低矮，地形復(fù)雜，因此選擇合適的植被指數(shù)構(gòu)建回歸模型對反演研究區(qū)高寒草原植被蓋度至關(guān)重要。NDVI被廣泛應(yīng)用于遙感植被研究以及植物物候研究中，它是指示植物生長狀態(tài)以及植被空間分布密度的最佳因子。A.R.Huete[22]提出了土壤調(diào)整植被指數(shù)(SAVI)。SAVI通過向NDVI的分母中引入土壤反射調(diào)節(jié)因子L，而將土壤亮度對于光譜植被指數(shù)的影響減至最低。因此，本文選擇將NDVI和SAVI用于回歸模型中，從而提取高寒草原植被蓋度信息。

然而,當(dāng)噪聲 vk,i存在時,(3)不能保證參數(shù)的估計(jì)性能。因此,本文將從最大似然估計(jì)(Maximum Likelihood Estimation,MLE)原理推導(dǎo)一種基于期望最大和遞歸最小二乘的自適應(yīng)參數(shù)估計(jì)算法。

③改進(jìn)的三波段梯度差模型

根據(jù)植被和土壤的光譜特征，唐世浩等[10]采用近紅外(nir)、紅(red)、綠(blue)3個波段梯度差來反演植被蓋度，提出了三波段最大梯度差模型(TGDVI model)。古麗等[9]分析干旱區(qū)典型荒漠植被、農(nóng)田和裸地的光譜特征，發(fā)現(xiàn)在Landsat-TM影像上(空間分辨率30m)，裸土與稀疏植被在485、660和830nm波長處的光譜曲線特征相似，而高覆蓋的農(nóng)田與稀疏植被在830、1 650和2 220nm波長處的光譜曲線特征相似，因此，她用短波近紅外代替綠波段，從而提出了改進(jìn)的三波段梯度差模型(Modified TGDVI)。改進(jìn)后的模型為：

式中：Rred、Rnir、Rswir分別代表紅、近紅外和短波紅外的反射值(％)，λred、λnir、λswir分別代表紅、近紅和短紅外波段的波長(nm)，d為像元梯度差，dmax為最大像元梯度差，A為植被蓋度。當(dāng)全植被覆蓋時，像元的梯度差最大[10]。

2 結(jié)果與分析

2.1 高寒草原植被蓋度反演

2.1.1 像元二分模型

像元二分模型反演植被蓋度，最重要的是NDVIsoil、NDVIveg值的確定。但研究區(qū)高寒草原分布稀疏，且遙感影像的空間分辨率為30m，難以在影像上找到接近全植被覆蓋和全裸土的像元。因此本文結(jié)合野外采集的實(shí)測植被蓋度數(shù)據(jù)，參考了李苗苗[23]使用改進(jìn)后的像元二分模型估算植被蓋度的方案二：

首先是取高寒草原實(shí)測蓋度最大和最小的兩個像元 fcmax、fcmin，并找到其對應(yīng)的 NDVImax、NDVImin已知)，將這 2個像元帶入式(1)，求得其 NDVIsoil、NDVIveg：

在此基礎(chǔ)上，反演高寒草原植被蓋度。

2.1.2 回歸模型

利用遙感影像計(jì)算出NDVI和SAVI，通過實(shí)測蓋度樣方的GPS坐標(biāo)找到其對應(yīng)的NDVI和SAVI值，并以其為自變量，實(shí)測植被蓋度為因變量，構(gòu)建(植被指數(shù)-實(shí)測蓋度)散點(diǎn)圖，剔除噪聲數(shù)據(jù)。為了較好地擬合草地植被變化，本文分別選擇了55個實(shí)測蓋度與植被指數(shù)建立了線性回歸、二次函數(shù)回歸和三次函數(shù)回歸、指數(shù)、對數(shù)和冪函數(shù)多種擬合回歸模型，并采用交叉驗(yàn)證的方法，將剩下的實(shí)測植被蓋度數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，計(jì)算估算值與實(shí)測值之間的均方根誤差RMSE。R2表示趨勢線的估測值與對應(yīng)的實(shí)際數(shù)據(jù)之間的擬合程度，是取值范圍為0～1的數(shù)值，當(dāng)R2接近1或等于1時，其可靠性最高。而RMSE是衡量估算值與實(shí)際值之間的偏差，RMSE越小，則估算值越準(zhǔn)確。故以R2大以及RMSE小為最優(yōu)的原則，選擇最優(yōu)的回歸模型反演植被蓋度。最優(yōu)回歸擬合結(jié)果如圖2、圖3所示。

圖2 NDVI與實(shí)測植被蓋度的冪函數(shù)回歸模型Figure 2 Quadratic function regression model of NDVI and measured vegetation coverage

圖3 SAVI與實(shí)測植被蓋度的冪函數(shù)回歸模型Figure 3 Quadratic function regression model of SAVI and measured vegetation coverage

式中：x是植被指數(shù)，y是實(shí)測植被蓋度。

NDVI和SAVI的計(jì)算公式如下：

式中：Rnir、Rred分別為近紅外和紅外的波段反射值，分別對應(yīng)Landsat8遙感影像的第4、5波段；L是隨著植被密度變化的參數(shù)，取值范圍從0～1，當(dāng)植被蓋度很高時為0，很低時為1。當(dāng)L=0時，SAVI=NDVI。Huete[22]通過實(shí)驗(yàn)分析表明，對于草地和棉花田，L取0.5時SAVI能較好地消除土壤反射率對像元平均反射率影響，當(dāng)植被較稀疏時L取1能更好地消除土壤反射率對對像元平均反射率的影響。因高寒草原分布稀疏，因此此次研究中的L取值為1。

2.1.3 改進(jìn)的三波段梯度差模型

古麗等[9]利用改進(jìn)的三波段梯度差模型較好地提取了干旱區(qū)低蓋度的植被信息，由于研究區(qū)高寒草原植被稀疏，本文同樣選擇了改進(jìn)的三波段梯度差模型反演高寒草原植被蓋度。而此模型亦需要知道純植被像元所對應(yīng)的梯度差值，因此研究仍然選用了實(shí)測蓋度中最大值所對應(yīng)的梯度差值，計(jì)算出純植被像元的最大梯度差值。

設(shè)實(shí)測最大蓋度值對應(yīng)的梯度差為d1，其對應(yīng)的植被蓋度為A1，純植被像元對應(yīng)的最大梯度差值為dveg，則植被蓋度的估算公式如下：

式中：d為像元梯度差值，A為植被蓋度。

通過分析像元二分模型、回歸模型和改進(jìn)的三波段梯度差模型反演高寒草原植被蓋度的結(jié)果(見圖4)，結(jié)合實(shí)地調(diào)查情況來看，SAVI回歸模型與改進(jìn)的三波段梯度差模型反演結(jié)果明顯偏低，植被蓋度集中在0～20％之間。

圖4 采用不同模型提取的研究區(qū)植被蓋度信息Figure 4 Vegetation coverage of the study area by using different models

2.2 精度分析

本次精度驗(yàn)證選取了75個實(shí)測蓋度數(shù)據(jù)與遙感估算值進(jìn)行線性回歸分析，對上述方法進(jìn)行驗(yàn)證。采用相關(guān)系數(shù)、均方根誤差(RMSE)及相對誤差，分析評價不同方法對高寒草原植被蓋度的反演精度，探尋各方法反演高寒草原植被蓋度適宜性。

模擬結(jié)果(表3)表明，像元二分模型對高寒草原植被蓋度的模擬值與實(shí)測值的相關(guān)性最好，相關(guān)系數(shù)為0.819 1，且相對誤差與均方根誤差(RMSE)亦是幾種模型中最小的；其次是使用NDVI的回歸模型，其模擬值與實(shí)測值的相關(guān)系數(shù)為0.805 5。均方根誤差與相對誤差稍次于像元二分模型。而改進(jìn)的三波段梯度差模型和使用SAVI的回歸模型對高寒草原植被蓋度反演效果則相對較差，相關(guān)系數(shù)均為0.7左右，相對誤差與RMSE也相對較低。

表3 植被蓋度估算誤差Table 3 Vegetation coverage estimation error

綜上所述，像元二分模型相對于其他兩種植被蓋度反演模型更適用于稀疏高寒草原植被蓋度的信息提取。其反演精度達(dá)到了82.02％，而其他兩種模型均低于80％。

2.3 蓋度統(tǒng)計(jì)

選用模擬效果最好的像元二分模型統(tǒng)計(jì)研究區(qū)高寒草原各植被蓋度各級的面積百分比(表4)，并根據(jù)不同海拔梯度分級統(tǒng)計(jì)高寒草原面積所占比例(見圖6)。

從表4和圖5種可知，研究區(qū)高寒草原主要分布在海拔3 803～4 700m，植被蓋度主要分布在20％～40％之間，約占研究區(qū)高寒草原總面積的60％。平均蓋度為31.52％，整體蓋度偏低。因?yàn)楦吆菰L期處于低溫的環(huán)境，從而導(dǎo)致植被分布稀疏、植株低矮。

圖6還表明，海拔在3 803～4 700m時，植被蓋度多為20％～40％。海拔在4 700～5 000m時，低蓋度植被較少，植被蓋度多大于20％。海拔為5 000～5 300m時，植被蓋度減小。隨著海拔的升高，植被分布則愈為稀疏，蓋度低。當(dāng)海拔高于5 300m時，植被蓋度均小于40％，其中約90％以上的高寒草原植被蓋度均低于20％。因?yàn)殡S著海拔的升高，輻射、溫度和水分條件也會發(fā)生變化，從而導(dǎo)致植被的生長受到影響。

表4 各植被蓋度等級的面積百分比Table 4 Area percent of each vegetation coverage grade ％

圖5 不同海拔所占面積比例統(tǒng)計(jì)Figure 5 Statistics of the proportion of different altitudes

圖6 不同海拔植被蓋度分級統(tǒng)計(jì)[1]Figure 6 Statistics of the classification proportion of vegetation coverage at different altitudes

3 討論與結(jié)論

①像元二分模型相對回歸模型和改進(jìn)的三波段梯度差模型能更好地反演稀疏高寒草原的植被蓋度，精度高達(dá)82.02％。

②NDVI回歸模型對稀疏高寒草原植被蓋度的反演精度高于SAVI回歸模型。

③改進(jìn)的三波段梯度差模型對高寒草原植被蓋度反演效果則相對較差。

研究選用了適宜于干旱半干旱地區(qū)植被蓋度反演模型[12-13]反演高寒草原植被蓋度。由于高寒草原植被稀疏，無法獲取全植被覆蓋像元，因此本文參考了李苗苗[23]反演植被蓋度的方法，通過獲取實(shí)測蓋度數(shù)據(jù)中的最大值與最小值，計(jì)算像元二分模型和改進(jìn)的三波段梯度差模型的全植被覆蓋像元對應(yīng)值，克服了純像元選取的局限性為模型反演植被蓋度帶來的困難?；貧w模型中，為使結(jié)果具有可靠性，以相關(guān)系數(shù)(R2)較大和均方根誤差(RMSE)較小為優(yōu)的原則[12]，獲取植被指數(shù)與植被蓋度的最優(yōu)擬合回歸方程，反演高寒草原植被蓋度。從理論分析和實(shí)驗(yàn)結(jié)果來看，本文所采用的模型及參數(shù)確定的方法具有一定的可行性，對低植被覆蓋區(qū)域的植被蓋度信息提取有一定的實(shí)踐意義。但此方法需要借助于實(shí)測數(shù)據(jù)，因此對于一些地勢險峻、實(shí)地采樣較為困難的地區(qū)，其應(yīng)用存在較大的局限性，對區(qū)域及時間的要求較高。

另外研究區(qū)因植被稀疏，導(dǎo)致土壤對植被蓋度信息獲取產(chǎn)生了較大的影響，所以在下一步研究中，在對高寒草原植被蓋度反演效果較好的像元二分模型的基礎(chǔ)上，可以考慮采用通過獲取土壤高光譜數(shù)據(jù)構(gòu)造土壤線的方式[24]，削弱土壤對植被信息的干擾，更好地提取稀疏植被蓋度的信息。且青藏高原屬于多山高海拔區(qū)域，植被分布比較稀疏、均勻，在今后的研究中，可以考慮引入陰影和裸土因子，削弱山體陰影和裸土對植被反射率的影響，并結(jié)合對土壤、大氣影響削弱效果較好的植被指數(shù)，構(gòu)造適合于低植被覆蓋區(qū)域的復(fù)合植被指數(shù)，從而提高高寒地區(qū)稀疏植被蓋度的提取精度。

[1] 溫慶可，張?jiān)鱿?，劉斌，?草地覆蓋度測算方法研究進(jìn)展[J].草業(yè)科學(xué)，2009，26(12)：30-36.

[2] 王志國，尚士友，閆秀芳.典型草原植被蓋度計(jì)算與試驗(yàn)插值對比分析[J].江蘇農(nóng)業(yè)科學(xué)，2015，43(2)：310-313.

[3] WHITE M A，ASNER G P，NEMANI R R，et al.Measuring fractional cover and leaf area index in arid ecosystems：digital camera，radiation transmittance，and laser altimetry methods[J].Remote Sensing of Environment，2000，74(1)：45-57.

[4] JACKSON T.Advanced remote sensing-terrestrial information extraction and applications[J].Heart&Lung the Journal of Acute&Critical Care，2001，30(32-33)：475.

[5] GILLIES R R，KUSTAS W P，HUMES K S.A verification of the"triangle"method for 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(15)：3145-3166.

[6] ASRAR G，MYNENI R B，CHOUDHURY B J.Spatial heterogeneity in vegetation canopies and remote sensing of absorbed photosynthetically active radiation：A modeling study[J].Remote Sensing of Environment，1992，41(2-3)：85-103.

[7] 霍艾迪，張廣軍，武蘇里，等.利用MODIS-NDVI進(jìn)行沙化土地評價研究：以陜西省北部地區(qū)為例[J].干旱地區(qū)農(nóng)業(yè)研究，2008，26(2)：154-158.

[8] ZRIBI M，Hégarat-Mascle S L，TACONET O，et al.Derivation of wild vegetation cover density in semi-arid regions：ERS2/SAR evaluation[J].International Journal of Remote Sensing，2003，24(6)：1335-1352.

[9] 古麗·加帕爾，陳曦，包安明.干旱區(qū)荒漠稀疏植被覆蓋度提取及尺度擴(kuò)展效應(yīng)[J].應(yīng)用生態(tài)學(xué)報，2009，20(12)：2925-2934.

[10] 唐世浩，朱啟疆，周宇宇，等.一種簡單的估算植被覆蓋度和恢復(fù)背景信息的方法[J].中國圖象圖形學(xué)報，2003，8(11)：1304-1308.

[11] 王金亭，李渤生.西藏羌塘高原高寒草原的基本類型與特征[J].植物生態(tài)學(xué)報，1982，6(1)：54-65.

[12] 李向婷，白潔，李光錄，等.新疆荒漠稀疏植被覆蓋度信息遙感提取方法比較[J].干旱區(qū)地理(漢文版)，2013，36(3)：502-511.

[13] 李藝夢，祁元，馬明國.基于Landsat 8影像的額濟(jì)納荒漠綠洲植被覆蓋度估算方法對比研究[J].遙感技術(shù)與應(yīng)用，2016，31(3)：590-598.

[14] 陳懷順.西藏日喀則地區(qū)草地資源現(xiàn)狀及其可持續(xù)利用探討[J].草業(yè)科學(xué)，2000，17(6)：7-11.

[15] 李德仁，王密.“資源三號”衛(wèi)星在軌幾何定標(biāo)及精度評估[J].航天返回與遙感，2012，33(3)：1-6.

[16] 李芬.資源三號衛(wèi)星數(shù)據(jù)在土地利用遙感監(jiān)測中的應(yīng)用研究[D].吉林：吉林大學(xué)，2013.

[17] 劉斌，孫喜亮，邸凱昌，等.資源三號衛(wèi)星傳感器校正產(chǎn)品定位精度驗(yàn)證與分析[J].國土資源遙感，2012，24(4)：36-40.

[18] 黎良財，鄧?yán)芊f，等.基于NDVI像元二分模型的礦區(qū)植被覆蓋動態(tài)監(jiān)測[J].中南林業(yè)科技大學(xué)學(xué)報，2012，32(6)：18-23.

[19] 馬娜，胡云鋒，莊大方，等.基于遙感和像元二分模型的內(nèi)蒙古正藍(lán)旗植被覆蓋度格局和動態(tài)變化[J].地理科學(xué)，2012，32(2)：251-256.

[20] RUNDQUIST B C.The influence of canopy green vegetation fraction on spectral measurements over native tallgrass prairie[J].Remote Sensing of Environment，2002，81(1)：129-135.

[21] 陳愛京，傅瑋東，肖繼東，等.基于像元二分模型的和布克賽爾縣植被覆蓋動態(tài)變化分析[J].草業(yè)科學(xué)，2012，29(6)：857-862.

[22]HUETE A R.A soil-adjusted vegetation index(SAVI)[J].Remote sensing of environment，1988，25(3)：295-309.

[23] 李苗苗.植被覆蓋度的遙感估算方法研究[D].北京：中國科學(xué)院研究生院，2003.

[24] 劉金鋒.基于多源遙感數(shù)據(jù)的青海湖流域植被指數(shù)研究[D].青海：青海師范大學(xué)，2014.

Comparisons on Sparse Alpine Grassland Based on Vegetation Coverage Inversion Models of Remote Sensing

XIA Ying1，2，F(xiàn)AN Jian-rong1*，LI Lei-lei3，LI Xuan1，2
(1.Institute of Mountain Hazards and Environment，CAS，Chengdu 610041；2.Chinese Academy of Sciences，Beijing 100049；3.Esri China Information Technology Co.，Ltd，Beijing 100000，China)

【Objective】 The aim of the study was to estimate vegetation coverage of sparse alpine grassland in Shigatse city based on Landsat8 multispectral images.【Method】The dimidiate pixel model，regression model based on NDVI(Normalized Difference Vegetation Index)and SAVI(Soil Adjusted Vegetation Index)and modified three-band gradient difference model were used to estimate vegetation coverage of sparse alpine grassland.The vegetation coverage calculated by photographic method，which was used to validate the estimate values.【Results】The dimidiate pixel model had a higher precision compared to other two models.its precision was 82.02％but the estimation accuracy by other two models were less than 80％.【Conclusion】The dimidiate pixel model is more suitable for the inversion of vegetation coverage of sparse alpine grassland compared to other models.

vegetation coverage；sparse alpine grassland；dimidiate pixel model；regression model；modified three-band gradient difference model

TP79

A

1000-2650(2017)01-0037-08

10.16036/j.issn.1000-2650.2017.01.006

2016-11-29

中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)(A類)(XDA05050506)

夏穎，碩士研究生。*責(zé)任作者：范建容，博士，研究員，主要從事山地生態(tài)與災(zāi)害遙感研究，E-mail：fjrong@imde.ac.cn。

(本文審稿：趙安玖；責(zé)任編輯：鞏艷紅；英文審稿：徐振鋒)