论文部分内容阅读
摘要：植被覆盖度作为表征植被生长状况与生态系统变化的定量指标，在水文分析、气象监测、生态环境变化等方面的区域或全球性问题研究中起着独一无二的作用。本文以植被覆盖度为研究对象，归纳了植被覆盖度的估算方法，并重点分析了基于遥感方法的植被覆盖监测模型的特点，其中阐述了目前基于植被指数方法估算植被覆盖度的研究内容，同时指出了植被覆盖度测算方法今后的研究重点。
关键词：遥感;植被覆盖度;监测模型;发展趋势
植被覆盖度随时间和空间的变化，在一定程度上反映地球表面生态环境的演变规律[1]。植被覆盖度通常定义为植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比[2]，是刻画地表植被覆盖的重要参数，也是指示生态环境变化的基本指标，在大气圈、土壤圈、水圈和生物圈中占据着重要的地位[3]是衡量地表植被状况的一个最重要的指标，也是影响土壤侵蚀与水土流失的主要因子。进行植被覆盖度研究是目前国际研究的主要内容和热点。本文将简要介绍植被覆盖度估算方法的研究现状。
1 植被覆盖度估算方法
1.1回归模型法
回归模型法，又称为经验模型法，通过对遥感数据的某一波段、波段组合或利用遥感数据计算出的植被指数与植被覆盖度进行回归分析，建立经验估算模型，并推广模型以求取大范围区域的植被覆盖度。
根据回归关系的不同，将回归模型法分为线性回归模型法与非线性回归模型法。线性回归模型主要是通过地面测量植被覆盖度与遥感图像的波段或植被指数进行线性回归得到研究区域的估算模型。如Gitelson等[4]采用MODIS数据建立了以色列小麦地植被覆盖度与可见光植被指数VARI（Visible Atmospherically Resistant Index）的线形关系模型，且估计误差不超过10%。
1.2植被指数法
该方法是通过对影像中植被类型及分布特征的分析，所用的植被指数一般都通过验证与覆盖度具有良好的相关关系，因此直接使用植被指数分级统计结果来近似估算植被盖度。王爱芸等[5]在塔里木河地区基于Landsat ETM+、ASTER原始影像数据影像计算了该地区的NDVI值，然后根据塔里木河下游植被覆盖实际情况，将研究区植被覆盖度分为5个等级。
植被指数是对地表植被状况的有效、简单和经验的度量。目前通过研究工作己经定义了多种植被指数，广泛地应用于全球与区域土地覆盖、环境变化、植被分类以及干旱监测等方面。其中基于NDVI进行植被覆盖度的估算公式如下[6]：
1
其中 表示植被覆盖度， 表示无植被区或裸土区NDVI值， 表示纯植被覆盖区域NDVI值（NDVI最大值）。
1.3机器学习方法
随着计算机技术的发展，机器学习方法被广泛应用到植被覆盖度的估算，包括神经网络、决策树、支持向量机等。机器学习方法的步骤一般为确定训练样本、训练模型和估算植被覆盖度。在进行知识获取时， 由研究者提供样本和相应的解， 通过特定的学习算法对样本进行训练，通过网络内部自适应算法不断修改权值分布以达到要求[7]，最终将其应用于所研究区域。机器学习方法的关键在于训练样本的选择，要确保准确性和代表性。
2总结
由于各研究所使用的遥感数据、研究理論背景等都不同且各种估算方法都有其优缺点，回归模型法十分依赖实测数据，精度高，适合小区域精确研究;植被指数法对实测数据依赖性较小，精度较低，适合大范围粗略估计;而机器学习法能容忍数据的噪声，对样本数量和质量要求较高，可广泛应用。因此在计算植被覆盖度时，要自身已有的条件，研究的目的及具体的研究区，具体分析实际状况，选择最适宜的估算方法。
3展望
综合分析各种算法及应用成果可以看出，植被覆盖度的这几种估算方法都有各自的优缺点。目前基于遥感技术的植被覆盖度的测量有局限性，主要体现在植被覆盖的不连续性，使用遥感数据估算植被覆盖度可能与生物量直接相关;其次是在获取遥感数据时，遥感传感器观测地面的角度很难保证与坡面垂直，而植被覆盖度的定义跟地面的垂直投影面积有关，观测角度会引起植被覆盖度估算时的误差。因此利用数码成像的近景测量对植被覆盖度的估算可能是之后的一个研究重点。
参考文献
[1]Philip Gerla，Meredith Cornett，Jason Ekstein，Marissa Ahlering. Talking Big： Lessons Learned from a 9000 Hectare Restoration in the Northern Tallgrass Prairie[J]. Molecular Diversity Preservation International （MDPI），2012，4（11）.
[2]Gitelson A A， Kaufman Y J， Stark R， et al.Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of Environment， 2002， 80 （1） ：76-87.
[3]秦伟，朱清科，张学霞，李文华，方斌.植被覆盖度及其测算方法研究进展[J].西北农林科技大学学报（自然科学版），2006（09）：163-170.
[4]Gitelson A A， Kaufman Y J， Robert S， et al. Novel Algorithms for Remote Estimation of Vegetation Fraction[J].Remote Sensing of Environment， 2002， 80：76-87.
[5]王爱芸，陆驰.昆明市植被覆盖变化特征分析—基于Landsat遥感影像数据[J].安徽农业科学，2015，43（18）：326-328.
[6]苗正红，刘志明，王宗明，宋开山，任春颖，杜嘉，曾丽红.基于MODIS NDVI的吉林省植被覆盖度动态遥感监测[J].遥感技术与应用，2010，25（03）：387-393.
[7]江洪，王钦敏，汪小钦.福建省长汀县植被覆盖度遥感动态监测研究[J].自然资源学报，2006（01）：126-132+166.
关键词：遥感;植被覆盖度;监测模型;发展趋势
植被覆盖度随时间和空间的变化，在一定程度上反映地球表面生态环境的演变规律[1]。植被覆盖度通常定义为植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比[2]，是刻画地表植被覆盖的重要参数，也是指示生态环境变化的基本指标，在大气圈、土壤圈、水圈和生物圈中占据着重要的地位[3]是衡量地表植被状况的一个最重要的指标，也是影响土壤侵蚀与水土流失的主要因子。进行植被覆盖度研究是目前国际研究的主要内容和热点。本文将简要介绍植被覆盖度估算方法的研究现状。
1 植被覆盖度估算方法
1.1回归模型法
回归模型法，又称为经验模型法，通过对遥感数据的某一波段、波段组合或利用遥感数据计算出的植被指数与植被覆盖度进行回归分析，建立经验估算模型，并推广模型以求取大范围区域的植被覆盖度。
根据回归关系的不同，将回归模型法分为线性回归模型法与非线性回归模型法。线性回归模型主要是通过地面测量植被覆盖度与遥感图像的波段或植被指数进行线性回归得到研究区域的估算模型。如Gitelson等[4]采用MODIS数据建立了以色列小麦地植被覆盖度与可见光植被指数VARI（Visible Atmospherically Resistant Index）的线形关系模型，且估计误差不超过10%。
1.2植被指数法
该方法是通过对影像中植被类型及分布特征的分析，所用的植被指数一般都通过验证与覆盖度具有良好的相关关系，因此直接使用植被指数分级统计结果来近似估算植被盖度。王爱芸等[5]在塔里木河地区基于Landsat ETM+、ASTER原始影像数据影像计算了该地区的NDVI值，然后根据塔里木河下游植被覆盖实际情况，将研究区植被覆盖度分为5个等级。
植被指数是对地表植被状况的有效、简单和经验的度量。目前通过研究工作己经定义了多种植被指数，广泛地应用于全球与区域土地覆盖、环境变化、植被分类以及干旱监测等方面。其中基于NDVI进行植被覆盖度的估算公式如下[6]：
1
其中 表示植被覆盖度， 表示无植被区或裸土区NDVI值， 表示纯植被覆盖区域NDVI值（NDVI最大值）。
1.3机器学习方法
随着计算机技术的发展，机器学习方法被广泛应用到植被覆盖度的估算，包括神经网络、决策树、支持向量机等。机器学习方法的步骤一般为确定训练样本、训练模型和估算植被覆盖度。在进行知识获取时， 由研究者提供样本和相应的解， 通过特定的学习算法对样本进行训练，通过网络内部自适应算法不断修改权值分布以达到要求[7]，最终将其应用于所研究区域。机器学习方法的关键在于训练样本的选择，要确保准确性和代表性。
2总结
由于各研究所使用的遥感数据、研究理論背景等都不同且各种估算方法都有其优缺点，回归模型法十分依赖实测数据，精度高，适合小区域精确研究;植被指数法对实测数据依赖性较小，精度较低，适合大范围粗略估计;而机器学习法能容忍数据的噪声，对样本数量和质量要求较高，可广泛应用。因此在计算植被覆盖度时，要自身已有的条件，研究的目的及具体的研究区，具体分析实际状况，选择最适宜的估算方法。
3展望
综合分析各种算法及应用成果可以看出，植被覆盖度的这几种估算方法都有各自的优缺点。目前基于遥感技术的植被覆盖度的测量有局限性，主要体现在植被覆盖的不连续性，使用遥感数据估算植被覆盖度可能与生物量直接相关;其次是在获取遥感数据时，遥感传感器观测地面的角度很难保证与坡面垂直，而植被覆盖度的定义跟地面的垂直投影面积有关，观测角度会引起植被覆盖度估算时的误差。因此利用数码成像的近景测量对植被覆盖度的估算可能是之后的一个研究重点。
参考文献
[1]Philip Gerla，Meredith Cornett，Jason Ekstein，Marissa Ahlering. Talking Big： Lessons Learned from a 9000 Hectare Restoration in the Northern Tallgrass Prairie[J]. Molecular Diversity Preservation International （MDPI），2012，4（11）.
[2]Gitelson A A， Kaufman Y J， Stark R， et al.Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of Environment， 2002， 80 （1） ：76-87.
[3]秦伟，朱清科，张学霞，李文华，方斌.植被覆盖度及其测算方法研究进展[J].西北农林科技大学学报（自然科学版），2006（09）：163-170.
[4]Gitelson A A， Kaufman Y J， Robert S， et al. Novel Algorithms for Remote Estimation of Vegetation Fraction[J].Remote Sensing of Environment， 2002， 80：76-87.
[5]王爱芸，陆驰.昆明市植被覆盖变化特征分析—基于Landsat遥感影像数据[J].安徽农业科学，2015，43（18）：326-328.
[6]苗正红，刘志明，王宗明，宋开山，任春颖，杜嘉，曾丽红.基于MODIS NDVI的吉林省植被覆盖度动态遥感监测[J].遥感技术与应用，2010，25（03）：387-393.
[7]江洪，王钦敏，汪小钦.福建省长汀县植被覆盖度遥感动态监测研究[J].自然资源学报，2006（01）：126-132+166.