巴音布魯克草原高寒草原植被覆蓋度反演模型構建與評價

關 欣,安沙舟,荀其蕾,董乙強,孔曉晶,楊 嬌

(新疆農業(yè)大學草業(yè)與環(huán)境科學學院 新疆草地資源與生態(tài)重點實驗室,新疆 烏魯木齊 830052)

草地資源對維持農牧區(qū)生態(tài)環(huán)境、提高牧民生活水平以及發(fā)展民族特色文化具有重要意義[1]。巴音布魯克草原是中國第二大高山草原,同時是新疆最重要的畜牧業(yè)基地之一。在人類活動和全球氣候變化的影響下,由于放牧超載嚴重,巴音布魯克草原退化面積達到30.48萬hm2,占草地總面積的19.61%,部分區(qū)域退化非常嚴重[2],導致草地生產(chǎn)力和總生物量的下降,制約了當?shù)匦竽翗I(yè)的持續(xù)發(fā)展[3],草原的退化受到了人們廣泛的關注。植被覆蓋度(vegetation fractional cover,VFC)是直觀反映草地地上植被生長狀況的重要指標,同時也是指示草地退化及環(huán)境變化的常用監(jiān)測評估指標之一。植被覆蓋度數(shù)據(jù)獲取主要分為地面實測和遙感反演兩種方法。早期研究中通常使用傳統(tǒng)的目測法、儀器法和采樣法等地面實測方法獲得[4],但地面實測法具有主觀性較強、野外操作不規(guī)范以及無法大面積推廣等缺點。隨著遙感技術的不斷發(fā)展,植被覆蓋度可以利用遙感數(shù)據(jù)通過模型進行估算得到,其中主要方法有像元二分法、經(jīng)驗回歸模型法和混合像元分解法3種[5]。由于遙感反演成本低、效率高,可用于大尺度的監(jiān)測區(qū),能夠廣泛推廣等優(yōu)勢,成為了獲取植被覆蓋度的主要手段。我國研究者基于遙感技術對植被覆蓋度估算，利用植被指數(shù)構建反演模型進行了研究,如凌成星等[6]通過Worldview-2衛(wèi)星的波段特征,選擇近紅外2波段與歸一化植被指數(shù)(NDVI)構建植被覆蓋度估算模型,模型精度達到87.8%；游浩妍等[7]基于中分辨率成像光譜儀(MODIS)數(shù)據(jù)對研究區(qū)的植被覆蓋度利用像元二分模型估算,研究表明基于NDVI反演模型擬合效果最佳,估算精度達到87.13%；李藝夢等[8]以基于Landsat 8波段計算得出的轉換型土壤調整指數(shù)(TSAVI)對額濟納荒漠綠洲植被覆蓋度進行估算,結果表明基于TSAVI的像元二分模型法的監(jiān)測精度較高；宋清潔等[9]基于增強型植被指數(shù)(EVI)和NDVI對研究區(qū)建立了草地植被覆蓋度的反演模型,結果顯示EVI構建的對數(shù)模型為最優(yōu)反演模型,模型精度達到88.00%；楊峰等[10]基于Landsat TM遙感數(shù)據(jù)與實測數(shù)據(jù),通過植被指數(shù)與植被覆蓋度的相關關系對天山北坡典型退化草地構建監(jiān)測模型,研究結果表明MSAVI和GNDVI與植被覆蓋度的相關性較好,其模型精度超過90%；顧祝軍等[11]利用Landsat 7 ETM+影像,構建植被覆蓋度與NDVI的多項式回歸模型,研究表明在1～4次多項式植被覆蓋度關系模型中,模型冪次越高,擬合程度越好。雖然目前利用遙感技術開展監(jiān)測、評估植被覆蓋度的研究越來越多,但針對高寒草原的草地類型植被覆蓋度反演研究較少,而不同草地類型適宜的植被指數(shù)又不盡相同。因此,本研究以巴音布魯克高寒草原為研究區(qū)，對其通過5種植被指數(shù)進行草地植被覆蓋度的反演模型構建,篩選最佳模型并檢驗精度,為今后巴音布魯克高寒草原開展監(jiān)測工作和科學管理提供科學依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

1.2 數(shù)據(jù)獲取及預處理

野外研究區(qū)包括大尤爾都斯盆地和小尤爾都斯盆地,研究區(qū)實測數(shù)據(jù)的采取于2017年7下旬-8月初植被生長的高峰期。結合遙感影像圖,選取35個樣地(圖1),每個樣地設置3個1 m×1 m的樣方,共設置105個樣方。用手持GPS記錄樣地經(jīng)緯度,用拍照與針刺法計算樣方的植被覆蓋度。其中隨機選取25個樣地的數(shù)據(jù)用于建立回歸模型,10個樣地的數(shù)據(jù)用于對建立的模型進行精度驗證。

實測植被覆蓋度根據(jù)對每個草地樣方進行拍攝照片利用ENVI軟件提取其樣方的覆蓋度。由于拍攝角度會影響估算精度的誤差,所以拍攝時最大程度上將相機與地面處于平行的狀態(tài)在進行拍攝。首先,利用ENVI中Ground Control Points Selection工具增加5個控制點對照片進行幾何糾正。之后利用Basic Tools工具對已經(jīng)糾正照片的中心地帶進行裁剪,去除邊緣存在變形可能的圖像,接著通過非監(jiān)督分類對植被和裸地進行分類,最后通過Classification工具對樣方內的植被和裸地覆蓋度進行計算統(tǒng)計。

遙感數(shù)據(jù)選取美國國家航空航天局(National Aeronautics and Space Administration，NASA)的陸地衛(wèi)星Landsat 8 OLI傳感器2016年7月22日獲取的影像。利用ENVI 5.2對圖像進行預處理,包括輻射定標、大氣校正、幾何精校正以及圖像鑲嵌裁剪等。

圖1 研究區(qū)樣地空間分布圖Fig. 1 Spatial distribution of study area plots

1.3 研究方法

1.3.1經(jīng)驗回歸模型法 植被指數(shù)的選擇:根據(jù)研究內容及研究區(qū)的特點,本研究選擇5種植被指數(shù),依次為差值植被指數(shù)(difference vegetation index,DVI)、比值植被指數(shù)(ratio vegetation index,RVI)、歸一化植被指數(shù)(normalized difference vegetation index,NDVI)、土壤調整植被指數(shù)(soil adjusted vegetation index,SAVI)、修正土壤調整植被指數(shù)(modified soil adjusted vegetation index,MSAVI)。利用ENVI 5.2中的Band math工具根據(jù)計算公式對各個植被指數(shù)進行波段組合計算,計算公式如表1所列。利用ArcGIS 10.2中Spatial Analyst工具提取樣地各植被指數(shù)值。

表1 植被指數(shù)計算公式Table 1 Vegetation index formulan

RNIR為近紅外波段；RRed為可見光紅光波段；L為土壤調節(jié)系數(shù),L=0.5。

RNIRis near infrared band; RRedis visible light red band; L is soil regulation coefficient, L=0.5.

相關分析及模型類型的選擇:將計算出的植被覆蓋度實測值與提取的各植被指數(shù)的計算值進行相關性分析,通過相關性的差異顯著性選擇適宜植被指數(shù)構建模型。本研究選擇線性模型、對數(shù)模型、二次多項式模型、指數(shù)模型以及冪函數(shù)模型5個具有代表性及常用的回歸模型,利用SPSS統(tǒng)計軟件對其進行植被覆蓋度與各植被指數(shù)間的模型構建,再根據(jù)結果分析篩選最佳模型。

1.3.2像元二分法 像元二分模型假設影像中的像元只由植被和非植被兩個部分組成。李苗苗等[17]、王奎陽[18]通過分析建模指出像元二分模型以NDVI為參數(shù)估算植被覆蓋度的精度較高。因此,本研究選擇NDVI作為參數(shù),其計算公式為

式中：FVC為植被覆蓋度；NDVlsoil為裸地土壤或非植被區(qū)域的NDVI值；NDVlveg為有植被完全覆蓋區(qū)域的NDVI值。

由于研究區(qū)環(huán)境等因素的影響,對于裸地像元,理論上NDVI值應當近似為0,但實際情況中NDVlsoil一般為-0.1～0.2。并且影像中會存在一定的噪聲或離群值,提取的NDVI極值并不一定是NDVImax與NDIVmin,所以,NDVImax與NDVImin的值不能直接選擇影像中NDVI的最大和最小值。通常根據(jù)統(tǒng)計學原理選擇合適的置信區(qū)間,在置信區(qū)間內NDVI最大值與最小值，分別為NDVlveg與NDVIsoil,這在一定程度上能夠減弱遙感影像產(chǎn)生的噪聲影響[19]。本研究對NDVI提取值進行統(tǒng)計,將統(tǒng)計結果與研究區(qū)實測植被覆蓋的情況相結合,最終分別選取累積概率為5%和90%時,NDVIsoil和NDVIveg的取值分別為0.019 606和0.956 471。

2 結果與分析

2.1 各植被指數(shù)與植被覆蓋度間的相關分析

對選擇的5種植被指數(shù)RVI、DVI、NDVI、SAVI、MSAVI及樣地實測植被覆蓋度進行相關分析,結果表明,經(jīng)驗回歸模型中MSAVI與植被覆蓋度相關性為-1.8，無相關關系,其余4種植被指數(shù)與植被覆蓋度均呈現(xiàn)顯著正相關(P<0.01)。其中NDVI與植被覆蓋度的相關性最高,達到0.805；SAVI次之,相關系數(shù)均為0.804；隨之為DVI,相關系數(shù)為0.744；RVI與植被覆蓋度的相關性最低,相關系數(shù)僅為0.673。像元二分法中NDVI與覆蓋度相關性為0.807,略高于經(jīng)驗回歸模型法,但相差并不明顯。

2.2 植被覆蓋度與各植被指數(shù)間反演模型構建

對植被覆蓋度與RVI、DVI、NDVI、SAVI、MSAVI進行模型的構建(表2)。由于MSAVI與植被覆蓋無顯著相關關系,所以在構建模型時去除。4種植被指數(shù)中,除DVI對數(shù)模型的擬合效果(R2=0.490)相比其他模型較好以外,RVI(R2=0.695)、NDVI(R2=0.723)、SAVI(R2=0.713)均為二次多項式模型表現(xiàn)出較好的擬合效果；其中,NDVI和SAVI的擬合效果最好。

通過植被覆蓋度與各植被指數(shù)間的相關系數(shù)及反演模型的擬合R2可以看出,其中NDVI、SAVI兩種植被指數(shù)與植被覆蓋度的擬合效果較好,而RVI和DVI擬合效果較不理想。根據(jù)數(shù)據(jù)比較,本研究選擇NDVI、SAVI兩種植被指數(shù)構建巴音布魯克草原高寒草地植被覆蓋度反演模型。其中,在NDVI、SAVI的模型類型中對數(shù)模型、二次多項式模型、冪函數(shù)模型的擬合效果優(yōu)于線性模型和指數(shù)模型。

表2 植被覆蓋度與各植被指數(shù)間的反演模型Table 2 Inversion model of vegetation coverage and vegetation indices

表3 反演模型精度檢驗Table 3 Inversion model accuracy test

通過精度驗證,經(jīng)驗回歸模型法NDVI二次多項式回歸模型為最佳模型,擬合精度達到0.836 6(表3),表明在綠色植被生長旺盛期,基于NDVI構建的植被覆蓋度反演模型擬合精度能夠達到較高的效果,能夠較真實地反映地面的情況,其方法也較為簡單,應用廣泛。

3 討論

3.1 不同植被指數(shù)與植被覆蓋度間相關性差異

植被指數(shù)是利用遙感不同波段間的組合,能將相關的光譜信號有效地綜合起來,能夠增強各種植被信息,減少非植被信息,具有顯著的地域性和時效性,常受到植被本身、環(huán)境、大氣等條件的影響,能夠反映綠色植被的相對豐度和活性的輻射量值,與植被覆蓋度、綠色植被的葉面積指數(shù)(LAI)和被吸收的光合有效輻射(APAR)等指標具有較好的相關性[20]。

本研究中NDVI和SAVI與植被覆蓋度的相關性要高于DVI和RVI,這可能是由于巴音布魯克草原氣候寒冷而潮濕,日照強烈,紫外線作用強,空氣稀薄,土壤溫度高于空氣溫度,晝夜溫差極大,植被生長期較短等狀況[21],使得RVI對高覆蓋度和低覆蓋度植被有不同的敏感程度,覆蓋度較高時敏感較高,但當植被覆蓋度<50%時,這種敏感性顯著降低[22],同時大氣效應也同樣影響其指數(shù)對植被的靈敏度[20],因此需要對遙感數(shù)據(jù)預處理時進行大氣校正,但仍然可能存在部分誤差。DVI雖然能對植被覆蓋度的變化有較好的反映能力,但土壤背景的變化對該指數(shù)有較大的影響[23],當植被處于低覆蓋度時,DVI隨生物量呈現(xiàn)增加趨勢,但當植被覆蓋度大于80%時,其敏感性有明顯下降趨勢。雖然MSAVI能夠消除或減弱土壤背景的影響[24],同時對覆蓋度范圍無明確要求,但由于遙感數(shù)據(jù)受天氣狀況(如云層及云影等)的影響,雖對這些影響進行了校正等處理但可能仍存在誤差,因此影響研究結果。NDVI雖受土壤背景的影響較大,且較適用于植被生長中期或中度植被覆蓋度的區(qū)域,但由于研究區(qū)植被生長期較短的特征使得該植被指數(shù)適用于研究區(qū)。SAVI增加了土壤調節(jié)系數(shù),提高了植被覆蓋度反演的精確性。因此，根據(jù)植被指數(shù)的特性選擇其進行植被覆蓋度反演模型的構建。

3.2 植被覆蓋度反演模型的選擇

本研究通過經(jīng)驗回歸模型法和像元二分法對巴音布魯克高寒草地構建植被覆蓋度反演模型,其中利用經(jīng)驗回歸模型法NDVI、SAVI兩種植被指數(shù)與植被覆蓋度的相關性較強,NDVI二次多項式回歸模型精度驗證擬合效果達到0.836 6,能夠較好地反映研究區(qū)的植被覆蓋度,這與基于Landsat 8 OLI的荒漠化地區(qū)植被覆蓋度反演模型研究結果有相似之處[25],但研究中結果仍存在差異,這可能由于多方面原因引起,實測數(shù)據(jù)與遙感數(shù)據(jù)的時間匹配、植被覆蓋度計算過程中的誤差、儀器的選擇、研究區(qū)不同的地形條件和氣候條件、遙感影像預處理誤差等都有可能影響研究結果。利用像元二分法對研究區(qū)進行植被覆蓋度反演擬合效果略低于經(jīng)驗回歸模型法,可能與NDVI植被指數(shù)在較高覆蓋區(qū)容易飽和從而產(chǎn)生一定的誤差有關,這與基于Landsat 8荒漠綠洲植被覆蓋度估算方法對比研究部分結果有相似之處[8],但由于研究區(qū)覆蓋度不相同以及選擇的植被指數(shù)不同因此最終的結果也略有差異。

本研究通過對經(jīng)驗回歸模型法和像元二分法以及植被覆蓋度與各植被指數(shù)之間的相關關系和反演模型進行對比分析發(fā)現(xiàn),各植被指數(shù)的適用條件存在差異性且經(jīng)驗回歸模型法更適用于研究區(qū)的植被覆蓋度反演。其中NDVI在植被覆蓋度為50%～70%范圍內誤差較小,而本次選擇樣地內植被覆蓋度大部分在此范圍內。其中NDVI的反演公式較多利用于植被覆蓋度的估算,能夠在影像提取中減少相應誤差。因此NDVI模型較適宜對研究區(qū)構建反演模型。對于5種回歸模型類型,二次多項式模型的擬合效果最好。一些研究表明,對植被覆蓋度和植被指數(shù)構建模型時線性模型和二次多項式模型效果較好[10],這與本研究有相似之處也有相同之處。由于本研究只使用一年的實測數(shù)據(jù)，且對于像元二分法植被指數(shù)的選擇單一,只能對本年份高寒草原進行植被覆蓋度的反演,并且Landsat局部影像受積雪或云層等天氣影像,對部分區(qū)域的反演存在一定的誤差,其中經(jīng)驗模型法對實測數(shù)據(jù)的依賴性較高,對于較大研究區(qū)域有一定的局限性,因此在未來幾年中將對研究區(qū)持續(xù)進行相同實驗并根據(jù)研究區(qū)情況對植被指數(shù)進行多元化的選擇,以提高此研究的科學性及完整性。

4 結論

通過經(jīng)驗回歸模型法與像元二分法構建反演模型驗證精度分析,本研究最終選擇NDVI二次多項式回歸模型y=-0.894x2+1.467x+0.099(R2=0.723)構建巴音布魯克草原高寒草地植被覆蓋度反演模型,其模型精確度較高可用于反演巴音布魯克高寒草原生長旺期時的植被覆蓋度。

參考文獻References:

[1] 徐柱.面向21世紀的中國草地資源.中國草地,1998(5)：1-8.

Xu Z.Go forward the 21st century’ Chinese grassland resources.China Grassland,1998(5)：1-8.(in Chinese)

[2] 呂聰,潘學平,馮朝陽,錢金平.巴音布魯克草原植被覆蓋度估算的光譜模型及其應用.水土保持通報,2016,36(4)：62-67.

Lyu C,Pan X P,Feng C Y,Qian J P.Spectral model of vegetation coverage estimation in Bayinbuluk grassland and its application.Journal of Soil and Water Conservation,2016,36(4)：62-67.(in Chinese)

[3] 張愛寧,安沙舟,張蕊思,夏小偉,卡斯達爾·努爾旦別克,董磊.不同退化梯度下大尤爾都斯高寒草原植物種群生態(tài)位特征.草業(yè)科學,2017,34(2)：302-309.

Zhang A N,An S Z,Zhang R S,Xia X W,Kasidaer·Nuerdanbieke,Dong L.Study on niche characteristics of the plant community in the alpine grassland of Big Youerdusi under a degeneration gradient.Pratacultural Science,2017,34(2)：302-309.(in Chinese)

[4] 顧祝軍,曾志遠.遙感植被蓋度研究.水土保持研究,2005,12(2)：18-21.

Gu Z J,Zeng Z Y.Overview of researches on vegetation coverage in remote sensing.Journal of Soil and Water Conservation,2005,12(2)：18-21.(in Chinese)

[5] 溫慶可,張增祥,劉斌,喬竹萍.草地覆蓋度測算方法研究進展.草業(yè)科學,2009,26(12)：30-36.

Wen Q K,Zhang Z X,Liu B,Qiao Z P.Research progress in grassland fractional coverage estimation methods.Pratacultural Science,2009,26(12)：30-36.(in Chinese)

[6] 凌成星,張懷清,鞠洪波,孫華.基于Worldview-2數(shù)據(jù)的東洞庭湖濕地區(qū)域植被覆蓋度估算研究.科學技術與工程,2012,12(29)：7515-7520.

Ling C X,Zhang H Q,Ju H B,Sun H.Research on vegetation fractional coverage estimation of East Dongting Lake wetland area based on Worldview-2 satellite data.Science Technology and Engineering,2012,12(29)：7515-7520.(in Chinese)

[7] 游浩妍,駱成鳳,劉正軍,于秀娟.基于MODIS植被指數(shù)估算青海湖流域植被覆蓋度研究.遙感信息,2012,27(5)：55-60,66.

You H Y,Luo C F,Liu Z J,Yu X J.Estimation vegetation coverage based on vegetation index of MODIS data in Qinghai Lake watershed.Remote Sensing Information,2012,27(5)：55-60,66.(in Chinese)

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

Li Y M,Qi Y,Ma M G.The contrast research of estimating vegetation fraction coverage in the Ejina oasis based on Landsat 8 images.Remote Sensing Technology and Application,2016,31(3)：590-598.(in Chinese)

[9] 宋清潔,崔霞,張瑤瑤,孟寶平,高金龍,向宇軒.基于小型無人機與MODIS數(shù)據(jù)的草地植被覆蓋度研究：以甘南州為例.草業(yè)科學,2017,34(1)：40-50.

Song Q J,Cui X,Zhang Y Y,Meng B P,Gao J L,Xiang Y X.Grassland fractional vegetation cover analysis using small UVAs and MODIS：A case study in Gannan prefecture.Pratacultural Science,2017,34(1)：40-50.(in Chinese)

[10] 楊峰,李建龍,錢育蓉,楊齊,金國平.天山北坡典型退化草地植被覆蓋度監(jiān)測模型構建與評價.自然資源學報,2012,27(8)：1340-1348.

Yang F,Li J L,Qian Y R,Yang Q,Jin G P.Estimating vegetation coverage of typical degraded grassland in the northern Tianshan Mountains.Journal of Natural Resources,2012,27(8)：1340-1348.(in Chinese)

[11] 顧祝軍,曾志遠,史學正,鄭偉,張振龍,胡子付.基于ETM+圖像的植被覆蓋度遙感估算模型.生態(tài)環(huán)境,2008,17(2)：771-776.

Gu Z J,Zeng Z Y,Shi X Z,Zheng W,Zhang Z L,Hu Z F.A model calculating vegetation fractional coverage from ETM+ imagery.Ecological Environment,2008,17(2)：771-776.(in Chinese)

[12] Richardson A J,Wiegand C L.Distinguishing vegetation from soil background information.Photogrammetric Engineering and Remote Sensing,1978,43(12)：1541-1552.

[13] Jordan C F.Derivation of leaf area index from quality of light on the forest floor.Ecology,1969,50(4)：663-666.

[14] Rouse J W,Haas R H,Deering D W.Monitoring the vernal advancement and retrogradation(green wave effect)of natural vegetation.Progress Report RSC 1973-1,Remote Sensing Center,Texas A & M University,1973:75-76.

[15] Huete A R.A soil-adjusted vegetation index(SAVI).Remote Sensing of Environment,1988,25(3)：295-309.

[16] Qi J,Chehbouni A,Huete A R.A modified soil adjusted vegetation index.Remote Sensing of Environment,1994,48(2)：119-126.

[17] 李苗苗,吳炳方,顏長珍,周為峰.密云水庫上游植被覆蓋度的遙感估算.資源科學,2004,26(4)：153-159.

Li M M,Wu B F,Yan C Z,Zhou W F.Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing.Resource Science,2004,26(4)：153-159.(in Chinese)

[18] 王奎陽.由SPOT5提取植被覆蓋度技術研究.杭州：浙江大學碩士學位論文,2007.

Wang K Y.The picking vegetation fraction by SPOT5 DATA.Master Thesis.Hangzhou：Zhejiang University,2007.(in Chinese)

[19] 李鈺溦,賈坤,魏香琴,姚云軍,孫俊,牟麗秋.中國北方地區(qū)植被覆蓋度遙感估算及其變化分析.國土資源遙感,2015,27(2)：112-117.

Li Y W,Jia K,Wei X Q,Yao Y J,Sun J,Mou L Q.Fractional vegetation cover estimation in northern China and its change analysis.Remote Sensing of Land and Resources,2015,27(2)：112-117.(in Chinese)

[20] 田慶久,閔祥軍.植被指數(shù)研究進展.地球科學進展,1998,13(4)：10-16.

Tian Q J,Min X J.Advances in study on vegetation indices.Advances in Earth Science,1998,13(4)：10-16.(in Chinese)

[21] Purevdor J T,Stateishi R,Ishiyama T.Relationships between percent vegetation cover and vegetation indices.International Journal of Remote Sensing,1998,19(18)：3519-3535.

[22] Liu Z Y,Huang J F,Wu X H,Dong Y P.Comparison of vegetation indices and red-edge parameters for estimating grassland cover from canopy reflectance data. Journal of Integrative Plant Biology,2007,49(3)：299-306.

[23] 蔡薇.基于NDVI時間序列的菏澤市東明縣植被動態(tài)變化研究.經(jīng)濟研究導刊,2009(18)：136-137.

Cai W.Study on the dynamic change of vegetation in Dongming County of Heze City based on NDVI time series.Economic Research Guide,2009(18)：136-137.(in Chinese)

[24] Kaufman Y,Tanre D.Atmospherically resistant vegetation index(ARVI)for EOS-MODIS.IEEE Trans Geosci Remote Sensing,1992,30：261-270.

[25] 馬中剛,孫華,王廣興,林輝,佘宇晨,鄒琪.基于Landsat 8 OLI的荒漠化地區(qū)植被覆蓋度反演模型研究.中南林業(yè)科技大學學報,2016,36(9)：12-18,141.

Ma Z G,Sun H,Wang G X,Lin H,She Y C,Zou Q.Modeling percentage vegetation cover of a desert area using Landsat 8-OLI image.Journal of Central South University of Forestry and Technology,2016,36(9)：12-18,141.(in Chinese)