基于綜合分段優(yōu)勢的植被覆蓋度模型比較

邊慧芹，王雪梅,2

（1. 新疆師范大學地理科學與旅游學院，新疆 烏魯木齊 830054；2. 新疆干旱區(qū)湖泊環(huán)境與資源重點實驗室， 新疆 烏魯木齊 830054）

植被作為極其重要的自然環(huán)境要素，一般用植被覆蓋度來表示。植被覆蓋度(vegetation coverage, Fc)可綜合表述為植被地上部分在單位面積內(nèi)的垂直投影占區(qū)域總面積的百分比[1]。植被覆蓋度在評估水土保持、改善水文狀況、調(diào)節(jié)徑流、防止沙漠化及水土流失等方面發(fā)揮著重要意義[2]。其變化不僅能夠量度地表植被生長發(fā)育情態(tài)，還能夠反映生態(tài)系統(tǒng)變化狀況[3]。植被覆蓋度反演方法大致可分為地表實測方法和遙感監(jiān)測方法，地表實測方法又分為目估法、采樣法和儀器法(數(shù)碼照相法)。目估法準確度受人為因素影響較大，因絕對誤差較高而不適宜用于植被覆蓋度監(jiān)測[4]。雖然數(shù)碼照相法、采樣法預測植被覆蓋度具有一定精度[5-6]，但數(shù)碼照相法易受外界環(huán)境條件制約，而采樣法測量過程費時費力，僅適合估算較小區(qū)域的植被覆蓋度。遙感技術(shù)以其簡捷迅速、無破壞性及節(jié)省人力物力等優(yōu)點，為大范圍的植被覆蓋度反演提供可能，其中較為常用的遙感監(jiān)測方法有植被指數(shù)法、像元分解模型法、FCD (forest canopy density mapping model)模型法和回歸模型法[7-10]。

楊勝天等[11]利用植被指數(shù)法反演植被覆蓋度并分析其變化，對近20 年黃河流域生態(tài)保護工作進行了初步評估。由于植被指數(shù)法易受大氣、土壤、地貌等影響，且植被指數(shù)只能反映植被覆蓋度的趨勢，并不能代表實際植被覆蓋度，因此其預測精度有待提高。魏石磊等[12]、陳效逑和王恒[13]通過像元分解模型估測特定區(qū)域植被覆蓋度，發(fā)現(xiàn)此方法具有較高的估測精度。Carlson 和Ripley[14]、溫小樂等[15]發(fā)現(xiàn)利用像元二分模型的平方反演植被覆蓋度在中低植被覆蓋地域更貼近實測數(shù)值，但總體精度低于像元二分模型。馬中剛等[16]選取16 種植被指數(shù)利用逐步回歸法及線性混合像元分解法構(gòu)建荒漠化地域植被覆蓋度反演模型發(fā)現(xiàn)此方法反演結(jié)果較為貼近現(xiàn)實，但還需進一步提高估測精度。王云[17]選用不同植被指數(shù)利用分段回歸模型法反演植被覆蓋度，發(fā)現(xiàn)此方法在一定程度上能夠解決飽和性問題，并具有較高精度。FCD 模型(forest canopy density mapping Model)能夠綜合裸土指數(shù)、陰影指數(shù)及植被指數(shù)構(gòu)建復合指數(shù)代入像元二分模型反演植被覆蓋度，削弱了裸土、植被陰影及城市用地對反演結(jié)果的影響，此方法考慮現(xiàn)實問題且綜合像元二分方法的運用，所得精度普遍高于對應(yīng)的單獨植被指數(shù)[10]。

目前，已有的研究大多通過單一植被指數(shù)帶入或構(gòu)建模型進行植被覆蓋度反演[16]，但植被光譜常因植被所處環(huán)境、生長狀態(tài)、大氣因素等影響變化而具有一定時效性與區(qū)域性，且所選取的最優(yōu)植被指數(shù)也會產(chǎn)生變化。因此，根據(jù)不同植被指數(shù)特點，采用分段方式在不同植被覆蓋度區(qū)間選取最優(yōu)植被指數(shù)聯(lián)合預測植被覆蓋度，能夠有效提高反演精度。本研究選擇處于干旱與極端干旱區(qū)且地表植被構(gòu)成較為復雜的渭干河-庫車河三角洲綠洲作為研究區(qū)，在前人研究的基礎(chǔ)上選取9 種植被指數(shù)，結(jié)合野外實測植被覆蓋度數(shù)據(jù)進行相關(guān)性分析，通過敏感植被指數(shù)并基于分段方式采用回歸模型及FCD 模型對研究區(qū)植被覆蓋度進行反演，為干旱區(qū)植被覆蓋度定量監(jiān)測及生態(tài)環(huán)境評價工作開展提供一定依據(jù)。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)概況

渭干河-庫車河三角洲綠洲處于新疆維吾爾自治區(qū)境內(nèi)，是塔里木盆地北麓較為典型及完整的形似扇形的平原綠洲，空間方位在39°30′ ? 42°40′ N，81°27′ ? 84°07′ E，區(qū)域由庫車市、沙雅縣與新和縣構(gòu)成。該區(qū)域是大陸性暖溫帶干旱氣候，具有風沙肆虐、夏日干熱、冬日干冷，日照時間長，蒸發(fā)強度大，晝夜溫差大，降水稀少且分布不均勻的特性。年均氣溫介于10.5～14.4 ℃，年均降水量介于50.0～66.5 mm，年均蒸發(fā)量在2 000 mm 以上。該區(qū)域依靠由中高山地域沿途流下的塔里木河、渭干河、庫車河河水進行灌溉，以種植業(yè)為經(jīng)濟主體產(chǎn)業(yè)，主要種植棉花(Gossypium spp.)、紅棗(Ziziphus zizyphus)、玉米(Zea mays)等，地表植被組成較為復雜，鹽漬化現(xiàn)象普遍，常見耐鹽植被有檉柳(Tamarix chinensis)、鹽穗木(Halostachys caspica)及鹽節(jié)木(Halocnermum strobilaceum)等。

1.2 數(shù)據(jù)來源與處理

本研究采用的遙感數(shù)據(jù)來自具有11 個波段、空間分辨率為30 m、全色波段分辨率提高至15 m、接收時間為2019 年7 月26 日的美國陸地衛(wèi)星Landsat 8-OLI。因傳感器自身會產(chǎn)生誤差，需在ENVI 5.1 軟件中進行輻射定標，將DN (原始灰度)值轉(zhuǎn)化成大氣頂層輻射亮度來消除誤差；然后利用FLAASH 模塊進行大氣校正，消除大氣、光照變化等原因?qū)Φ匚锓瓷涞母蓴_以獲得較為真實的地物反射率，最后使用Band Math 工具計算各植被指數(shù)，并利用SPSS 22.0 軟件的相關(guān)分析工具分析不同植被指數(shù)與實測植被蓋度間的相關(guān)關(guān)系。

2019 年7 月在研究區(qū)布設(shè)樣地99 個并進行實地調(diào)查(圖1)，不含水體及城市建設(shè)規(guī)劃用地，樣地大小設(shè)計為50 m × 50 m。該區(qū)域地表植被構(gòu)成復雜，在每個樣地內(nèi)選取5 個1 m × 1 m 的草本樣方，在東西南北四角設(shè)置10 m × 10 m 的植被樣方，對樣方內(nèi)植被個數(shù)及其東西、南北方向植被冠幅進行測量，計算得到植被覆蓋度值；然后利用1 m × 1 m、10 m ×10 m 植被樣方對50 m × 50 m 植被樣方進行估測計算，得到總樣方植被覆蓋度，并對樣方所處環(huán)境的地貌特點、地表植被種類及組成等數(shù)據(jù)進行記錄。本研究采用分層抽樣方法將實測數(shù)據(jù)分為兩組，一組79 個用于建模，另一組20 個用于驗證。

圖1 研究區(qū)采樣點分布圖Figure 1 Distribution of sampling points in the study area

1.3 植被指數(shù)選取

選取較為常用的9 種植被指數(shù)并劃分為3 類：

Ⅰ. 簡單差值及比值植被指數(shù)：差值植被指數(shù)(DVI)、比 值 植 被 指 數(shù) (RVI)、歸 一 化 植 被 指 數(shù)(NDVI)、綠色歸一化差值植被指數(shù) (GNDVI)和近紅外光百分比植被指數(shù) (IPVI)。

Ⅱ. 抑制土壤背景因素干擾的植被指數(shù)：二次改進型土壤調(diào)節(jié)植被指數(shù)(MSAVI)和優(yōu)化土壤調(diào)節(jié)植被指數(shù) (OSAVI)。

Ⅲ. 增添大氣修正元素的植被指數(shù)：大氣阻抗植被指數(shù) (ARVI)和增強植被指數(shù) (EVI)。

各植被指數(shù)具體計算公式如表1 所列[18-26]。

1.4 飽和性分析

在不同植被覆蓋度等級利用不同植被指數(shù)進行反演可以提高估測精度。為了解植被指數(shù)特征及判斷各植被指數(shù)跟隨植被覆蓋度變化的飽和點，利用分段變化量、分段百分比實行飽和性分析。

分段變化量是不同植被指數(shù)在各自植被覆蓋度范圍的變化量(Si)，分段百分比是不同植被指數(shù)在各自植被覆蓋度范圍所占的比例(Ti)。計算公式如下[17]：

表1 植被指數(shù)計算Table 1 Calculation of vegetation indices

式中：Si是植被覆蓋度為i 時的分段變化量；max(VIi)、min(VIi)分別為在某一植被覆蓋度i 時植被指數(shù)所取得最大值和最小值。

式中：Ti為植被覆蓋度為i 時的分段百分比；VIi是植被覆蓋度在i ± 0.005 內(nèi)所對應(yīng)的植被指數(shù)均值；max(VI)、min(VI)分別為植被指數(shù)均值的最大值和最小值。

1.5 FCD 模型

FCD 模型是利用植被指數(shù)(vegetation index, VI)、裸土指數(shù)(bare-soil index, BI)及陰影指數(shù)(shadow index, SI)構(gòu)成復合指數(shù)(vegetation bare-soil shadow index, VBSI)代入像元二分模型對植被覆蓋度進行估測的模型，其優(yōu)點是可以消除或減弱遙感影像中陰影或裸地等對植被的影響，進一步提高地表植被覆蓋度預測精度。公式如下[27-28]：

式中：VI 為植被指數(shù)，BI 為裸土指數(shù)，SI 為陰影指數(shù)，VBSI 為復合指數(shù)，B 為藍波段反射率值，G 為綠波段反射率值，R 代表紅波段反射率值，NIR 為近紅波段反射率值，SWIR 為短波紅外波段反射率值，n 為?0.1。VBSIsoil是實測裸土樣點所對應(yīng)的VBSI 取值(累計頻率接近5%)，VBSIveg是實測純植被覆蓋樣點所對應(yīng)的VBSI 取值(累計頻率接近98%)。

1.6 模型精度評估

為檢驗各個植被覆蓋度反演模型的準確度，檢測實測植被覆蓋度與估測植被覆蓋度間的誤差情況，選取總體決定系數(shù)(R2)、均方根誤差(RMSE)及預測精度(PRECISION)進行模型精度評價。決定系數(shù)越大，變量間聯(lián)系越緊密；均方根誤差越小，預測精度越大，說明模型預測精度越高。

式中：ABS 為絕對值，yi為樣本實測值；為樣本估測值；為樣本平均值；n 是樣本總量。

2 結(jié)果與分析

2.1 植被指數(shù)和實測植被覆蓋度相關(guān)關(guān)系分析

不同植被指數(shù)與實測植被覆蓋度顯現(xiàn)出極顯著正相關(guān)關(guān)系(P ＜ 0.01) (表2)，說明可以利用其反演植被覆蓋度。植被指數(shù)中MSAVI 與實測植被覆蓋度的相關(guān)性最高，為0.917；其次為NDVI、OSAVI、IPVI、GNDVI；RVI 最低，為0.668。

表2 實測植被覆蓋度與植被指數(shù)的相關(guān)性Table 2 Correlation between measured vegetation coverage and vegetation indices

2.2 植被覆蓋度分段點的選定

為研究植被指數(shù)特征及判斷各植被指數(shù)跟隨植被覆蓋度變化的飽和點，計算不同植被指數(shù)的分段百分比。RVI 累積分段百分比約20%時植被覆蓋度在0.5 左右，說明RVI 在植被覆蓋度小于0.5 時分辨率較低；植被指數(shù)NDVI、IPVI、OSAVI 因公式中的分子、分母隨植被覆蓋度的增大而增加使得總體差異較小，所對應(yīng)的植被覆蓋度大致相同(圖2)。

在0.0 ≤ Fc≤0.3 時，不同植被指數(shù)間分段百分比變化較一致，且大多數(shù)植被指數(shù)累積百分比在20%左右；在0.3 ＜ Fc≤0.7 時，各植被指數(shù)的變化幅度也較一致，大部分植被指數(shù)累積百分比接近70%；在0.7 ＜Fc≤1.0 時，9 種植被指數(shù)變化幅度較大，所以本研究選取0.3 和0.7 作為反演植被覆蓋度的分段點。

2.3 基于分段回歸的植被覆蓋度反演模型

2.3.1 分段回歸模型最優(yōu)植被指數(shù)選取

通過計算Fc≤0.3、0.3 ＜ Fc≤0.7 及0.7 ＜ Fc≤1共3 段區(qū)間內(nèi)不同植被指數(shù)與實測植被覆蓋度間的分段相關(guān)值、分段累計變化量及分段累計百分比，可得到各植被指數(shù)分段綜合分析表(表3)。從不同植被指數(shù)與實測植被覆蓋度的分段相關(guān)值可以得出，在不同區(qū)間內(nèi)各個植被指數(shù)和植被覆蓋度均具有較好的相關(guān)性。由于利用植被指數(shù)分段反演植被覆蓋度存在像元重合或缺失的問題，綜合分段相關(guān)性高、分段累計變化量較小及分段累計百分比較高的條件，選定MSAVI 對 [0.0, 0.3]內(nèi)的植被覆蓋度進行反演，選定GNDVI 對 (0.3, 0.7]內(nèi)的植被覆蓋度進行反演，選定IPVI 為植被覆蓋度 (0.7, 1.0]內(nèi)的最佳反演植被指數(shù)。

圖2 植被指數(shù)與植被覆蓋度分段百分比Figure 2 Vegetation indices and the segmented percentage of vegetation coverage

2.3.2 分段回歸模型建立

選取線性函數(shù)、對數(shù)函數(shù)、倒數(shù)函數(shù)、二次多項式及三次多項式建立各段實測植被蓋度與最優(yōu)植被指數(shù)的回歸模型。各分段最優(yōu)植被指數(shù)與實測植被覆蓋度建模結(jié)果基本符合統(tǒng)計學要求(表4)。各分段最優(yōu)植被指數(shù)選取三次多項式模型反演植被覆蓋度最優(yōu)，F(xiàn) 檢驗達到0.01 水平，因此本研究選取MSAVI、GNDVI、IPVI 用三次多項式分段反演植被覆蓋度。其中，因植被指數(shù)分段組合中MSAVI與GNDVI 在0.0 ≤ Fc≤0.3 時分段點接近，在預測植被覆蓋度時沒有出現(xiàn)像元缺失和重復的現(xiàn)象，GNDVI與IPVI 在植被覆蓋度0.7 處存在像元重復現(xiàn)象，需要對GNDVI 在0.59～0.61 取值范圍與IPVI 做平均像元處理，使預測效果更好。

表3 各植被指數(shù)分段綜合分析Table 3 Comprehensive analysis of the different vegetation indices

表4 分段回歸植被覆蓋度模型Table 4 Vegetation coverage model based on segment regression

2.4 綜合分段優(yōu)勢的FCD 反演模型

利用不同植被指數(shù)采用分段回歸方法構(gòu)建植被覆蓋度模型可以消除飽和性、土壤、地表狀況等因素的影響以提高植被覆蓋度預測精度，因此采用不同復合植被指數(shù)代入FCD 模型，選取最優(yōu)復合植被指數(shù)所在的FCD 模型分段反演植被覆蓋度理論上也可以提高預測精度。利用圖2 結(jié)果將0.3 和0.7 作為植被覆蓋度分段點，選取決定系數(shù)(R2)、均方根誤差(RMSE)及預測精度(PRECISION)分段討論各植被指數(shù)代入FCD 模型的預測精度，使用各段模型精度最高的植被指數(shù)反演植被覆蓋度對FCD 模型進行優(yōu)化。對比各段FCD 模型決定系數(shù)、均方根誤差及預測精度可以發(fā)現(xiàn)(表5)：在0.0 ≤ Fc≤0.3 時，NDVI 及OSAVI 預測植被覆蓋度的精度最高，而復合MSAVI 在此段的精度較低，在0.3 ＜ Fc≤0.7 時，GNDVI 與MSAVI 預測植被覆蓋度的精度最高，在植被覆蓋度大于0.7 時，MSAVI 預測植被覆蓋度的精度最高，再次說明利用MSAVI 預測中，高植被覆蓋度具有較高的精度，而在預測較低植被覆蓋度時精度較弱。由于NDVI 與OSAVI 預測精度相同，但NDVI 在植被覆蓋度研究中應(yīng)用更為廣泛及預測結(jié)果穩(wěn)定，因此選定NDVI 對[0.0, 0.3]內(nèi)的植被覆蓋度進行反演，選定MSAVI 對(0.3, 0.7]及(0.7, 1.0]內(nèi)的植被覆蓋度進行反演。

表5 FCD 模型各分段植被覆蓋度精度分析Table 5 Analysis of vegetation coverage accuracy in each segment of the FCD model

由于部分介于0.3～0.6 的實測植被覆蓋度對應(yīng)的預測值小于0.3，利用FNDVI代替FMSAVI在0.0～0.3 內(nèi)的植被覆蓋度進行反演時會使這部分值偏小，使得總體預測結(jié)果不理想。對0.0～0.3 內(nèi)的植被覆蓋度繼續(xù)分段研究發(fā)現(xiàn)在植被覆蓋度介于0.0～0.1 時復合植被指數(shù)NDVI 預測結(jié)果更貼近現(xiàn)實，在植被覆蓋度介于0.1～0.3 時復合植被指數(shù)NDVI 雖反演效果更好，但考慮研究區(qū)整體植被覆蓋度反演效果，最終選取FNDVI(0.0～0.1) + FMSAVI(0.1～1.0)對植被覆蓋度進行反演(表6)。

表6 FCD 模型優(yōu)選植被指數(shù)精度分析Table 6 Accuracy analysis of optimal vegetation indices in the FCD model

2.5 模型精度驗證

分別采用分段回歸模型、結(jié)合分段優(yōu)勢的FCD模型對研究區(qū)植被覆蓋度進行反演，并基于驗證樣本進行精度評價及模型比較。結(jié)合圖3、圖4 可知，兩種模型PRECISION 均約為79%，但相比于分段回歸模型，基于分段優(yōu)勢的FCD 模型建模集R2提高0.024 7，RMSE 降 低0.010，驗 證 集R2提 高0.023 9，RMSE 降低0.002，PRECISION 提高1.189%，說明綜合分段優(yōu)勢的FCD 模型反演結(jié)果更準確，可適合用于研究區(qū)植被覆蓋度的精準反演。

圖3 分段回歸模型精度驗證圖Figure 3 Verification of the accuracy of the segment regression model

進一步采用分段回歸模型和綜合分段優(yōu)勢的FCD 模型對研究區(qū)植被覆蓋度進行反演(圖5)發(fā)現(xiàn)，兩種反演方法估算的研究區(qū)植被覆蓋度在整體上具有較為一致的空間分布趨勢，但在不同植被覆蓋度等級還存在一定的反演差異，主要體現(xiàn)在低覆蓋度與中覆蓋度(植被覆蓋度為0.3 和0.7)處反演結(jié)果差異較大。結(jié)合實地調(diào)查數(shù)據(jù)及景觀照片，并通過Google Earth 地圖和研究區(qū)植被覆蓋度反演圖對比發(fā)現(xiàn)，分段回歸模型在植被覆蓋度為0.3 及0.7 處反演效果較差，植被覆蓋度較為集中，其誤差較大；而基于分段優(yōu)勢的FCD 模型在低覆蓋度與中覆蓋度的總體反演結(jié)果更貼近現(xiàn)實，再次說明綜合分段優(yōu)勢的FCD 模型更適合用于研究區(qū)總體植被覆蓋度的反演，具有較高的反演精度。

圖4 基于分段優(yōu)勢的FCD 模型精度驗證圖Figure 4 Verification of the accuracy of the FCD model based on segment advantage

3 討論與結(jié)論

本研究表明，分段回歸模型在建模時具有較高的精度，但在反演植被覆蓋度時由于分段點處存在像元重合現(xiàn)象，經(jīng)像元平均處理后仍與實測植被覆蓋度存在一定誤差，整體植被覆蓋度反演效果較不理想，這與李鑫川等[29]的研究結(jié)果較為一致。因此，對于植被覆蓋度較為集中且已有相關(guān)實測數(shù)據(jù)的區(qū)域，使用分段回歸模型估測植被覆蓋度，其結(jié)果能夠更貼近現(xiàn)實；對于植被組成結(jié)構(gòu)復雜，植被覆蓋度變化范圍較大的地區(qū)，利用綜合分段優(yōu)勢的FCD 模型可得到較好的反演效果。

受地形地貌、地表植被等多種因素的影響，不同植被指數(shù)具有不同的適用條件。在不同植被覆蓋度區(qū)間，選擇正確的植被指數(shù)進行反演，對植被覆蓋度的精準估測研究具有重要意義。江洪等[27]發(fā)現(xiàn)FCD 模型不僅適用于Landsat TM 影像，也適用于SPOT 影像，植被覆蓋度反演總體精度可達80%以上。蔡蘅等[28]發(fā)現(xiàn)FCD 模型反演植被覆蓋度具有較高精度，并使用其對且末綠洲植被覆蓋度時空變化進行分析。但上述研究僅使用一種植被指數(shù)對植被覆蓋度進行反演，其反演精度有待提高。張成才等[30]通過計算熱量指數(shù)對FCD 模型進行改進，發(fā)現(xiàn)改進后的FCD 模型提高了植被覆蓋度反演精度。夏穎等[10]基于FCD 模型選用4 種植被指數(shù)，對裸土指數(shù)、陰影指數(shù)進行改進，構(gòu)建復合指數(shù)代入像元二分模型反演植被覆蓋度，發(fā)現(xiàn)所得精度普遍高于對應(yīng)的單獨植被指數(shù)，其中利用復合植被指數(shù)TSAVI 精度最高。但FCD 改進模型應(yīng)用具有一定地域性，其是否能夠大面積推廣還有待進一步驗證。本研究基于傳統(tǒng)FCD 模型使用分段方式，選取各段最優(yōu)復合植被指數(shù)反演植被覆蓋度，發(fā)現(xiàn)此方法具有較高精度，能夠為其他地區(qū)植被覆蓋度反演提供一定的方法參考。針對特定區(qū)域，基于FCD 改進模型采用分段方式選取最優(yōu)復合植被指數(shù)對植被覆蓋度進行反演，其反演精度將會進一步提高。

結(jié)合野外實測植被覆蓋度數(shù)據(jù)選取9 種植被指數(shù)進行相關(guān)性分析，通過選擇敏感植被指數(shù)基于分段方式采用回歸模型及FCD 模型對渭干河-庫車河三角洲綠洲植被覆蓋度進行反演，可以得到以下結(jié)論：

1)根據(jù)實測數(shù)據(jù)計算不同植被指數(shù)在植被覆蓋度變化范圍內(nèi)的比例發(fā)現(xiàn)：Fc≤ 0.3 時，不同植被指數(shù)分段百分比變化較為一致，0.3 ＜ Fc≤0.7 時，各個植被指數(shù)的變化幅度也較為一致，大部分植被指數(shù)累積百分比接近70%，0.7 ＜ Fc≤ 1.0 時，這9 種植被指數(shù)變化幅度較大，因此以0.3 及0.7 作為反演植被覆蓋度的分段點。

2)分段回歸模型在選擇最優(yōu)植被指數(shù)時考慮不同植被指數(shù)存在差異會使反演圖出現(xiàn)像元重合或缺失現(xiàn)象，為減少差異、提高反演精度需綜合考慮相關(guān)性高、分段累計變化量較小及分段累計百分比較高的條件進行選取，此模型中MSAVI (0.0～0.3)、GNDVI(0.3～0.7)、IPVI (0.7～1.0)為反演最佳植被指數(shù)。

3)綜合分段優(yōu)勢的FCD 模型中復合植被指數(shù)NDVI (0～0.3)、MSAVI (0.3～0.7、0.7～1.0)為反演最佳植被指數(shù)，由于部分介于0.3～0.6 的實測植被覆蓋度對應(yīng)的預測值小于0.3，繼續(xù)研究發(fā)現(xiàn)0.1 可為FCD 模型反演植被覆蓋度的一個分段點，考慮研究區(qū)整體植被覆蓋度反演效果，最終選取FNDVI(0.0～0.1) + FMSAVI(0.1～1.0)對植被覆蓋度進行反演。

4)分段回歸模型及基于分段優(yōu)勢的FCD 模型建模集PRECISION 均約為79%，但相比于分段回歸模型，基于分段優(yōu)勢的FCD 模型建模集R2提高0.025，RMSE 降低0.010，其驗證集R2提高0.024，RMSE 降低0.002，PRECISION 提高1.189%，更適合用于研究區(qū)整體植被覆蓋度反演，并可為其他地區(qū)植被覆蓋度反演提供一定方法參考。

由于受研究區(qū)地表環(huán)境條件的限制，本研究在后續(xù)工作中，還需使用更加科學的植被覆蓋度調(diào)查方法，增加對低植被覆蓋度區(qū)域地表植被的調(diào)查，尋求像元替換的最佳方法，對研究結(jié)果再做進一步的優(yōu)化。