植被覆盖度的提取方法研究综述

汪明霞，王卫东

（1.黄河水利职业技术学院，河南 开封 475001；2.小流域水利河南省高校工程技术研究中心 河南 开封 475001；3.水利部黄土高原水土流失过程与控制重点实验室，河南 郑州 450003）

0 引言

植被是全球生态系统的重要组成部分，它可以减缓地表径流，保护水土，对陆地表面的能量交换、水文循环及全球环境的变化，起着至关重要的作用。而植被覆盖度作为表征地表植被状况的一个重要指标，是全球或区域水文、生态等科学研究领域的重要参数和基础数据[1-13]，也是研究土壤植被降雨耦合条件下水土流失的关键因子之一。 基于此，本文试对植被覆盖度的提取方法进行了评述。

1 地表实测方法

地表实测方法主要用于较小范围内的植被覆盖度监测，对于较大范围内的植被覆盖度监测，它常作为遥感监测的辅助手段，为遥感监测提供基础数据，对建立植被覆盖度经验模型及遥感覆盖度监测的精度评价和验证，有着很重要的意义。 目前，较为熟知的地表实测方法有目估法、采样法、仪器法、模型法。

1.1 目估法

目估法是根据经验目估判别植被覆盖度的方法，具体分为传统目估法、相片目估法、椭圆目估法和网格目估法。传统目估法是在野外划定一定区域，由经验判断植被覆盖度；相片目估法是多人根据同一野外相片估算植被覆盖度，然后计算其平均值；椭圆目估法是在植被稀疏的情况下，把地表植物近似看成椭圆形，估算样地植被盖度；网格目估法是将样地划分为若干网格，估算各网格样地的植被盖度均值。总的来说，目估法简单易行，但估算精度受人为的影响比较大[14～15]。

1.2 采样法

采样法是根据地面的实际测量计算植被覆盖度的方法。 常见的采样法有样点法和阴影法。 样点法是将一根根样针在植被中垂直放下，接触到植物枝叶的样针数占总样针数的百分数即为植被覆盖度；阴影法是正午时将一根刻度尺放于地表，在平行于行播作物行距方向，以一定距离向前移动，并读取尺子上阴影长度，总阴影长度占尺子总长度的百分数即为植被覆盖度。 由此可见，采样法的测量程序复杂、费时费力，受到的条件制约多、效率不高，但是精度相对高[16]。

1.3 仪器法

仪器法是利用感光传感器捕捉光通过植被冠层的情况，据此计算植被的覆盖度。该方法通常采用数码相机作为传感器， 利用计算机的图像处理软件进行处理，因此较为经济，测量效率也高，而且测量结果有较高精度。 这使该方法成为目前地表实测方法的主要方法。 White 等在对多种地表实测方法比较之后，认为仪器法是较容易掌握，而且可以作为验证遥感信息的可靠方法[17]。

1.4 模型法

模型法是对地面的实际测量数据进行分析，利用数理统计的方法得到植被覆盖度的时空分布规律，并对其进行分析，得到相关经验模型的测量方法[18]。该方法只适用于某一特定的区域与植被类型，不易推广。

2 遥感监测方法

近年来，遥感技术的发展和大量不同类型卫星对多时段、多波段的对地观测，为国内外学者在植被覆盖度遥感监测方面创造了有利条件，并发展了大量通过大范围遥感监测提取植被覆盖度的方法。目前，常用的遥感监测方法有回归模型法、植被指数法、像元分解模型法等。

2.1 回归模型法

回归模型法又称为统计经验模型法。 它利用单一波段或几个波段的遥感监测数据，计算出植被指数（NDVI）和植被覆盖度，并通过回归分析得到相应的统计模型，然后利用空间的外延模型，推求更大区域的植被覆盖度。 依据回归所利用的方法，回归模型法分为线性与非线性两种。 目前，线性回归模型的应用比较广泛。 如Graetz 与Pech 把植被覆盖度的实测数据与Landsat MSS 的第5 波段遥感监测数据进行线性回归，并通过对草地生长稀疏地区覆盖度的计算，对该模型进行了验证[19]。 Peter 分别使用ATSR-2 图像中的多个波段与植被叶面积指数、覆盖度等进行了线性回归分析，研究表明，估算的植被覆盖度多波段线性混合模型明显高于单一波段的线性回归模型[20]。 H.Larsson 分别由TM 遥感监测图像、多光谱监测图像和SPOT5 遥感监测图像估算了阿拉伯地区森林的NDVI 值， 并得到了精度较高的统计模型[21]。

新西兰学者Dymond 利用TM 图像，计算出NDVI植被指数，并将该指数与新西兰草地退化地区植被覆盖度进行了非线性回归，估算了当地退化草地的植被覆盖度[22～23]。 也有相当一部分研究是将线性与非线性回归混合应用， 如Anatoly 分别利用NDVI、Green NDVI、VARI3 种植被指数同小麦的植被覆盖度建立回归模型，NDVI、Green NDVI 采用的是线性回归的方法、VARI 采用的是非线性回归的方法[24]。研究结果表明，VARI 对于完全无植被覆盖和植被完全覆盖的情况十分敏感，并且也可以极大的降低大气影响的敏感度。因此，建议采用VARI 线性回归模型进行植被覆盖度估算。

回归模型对所需遥感图像的空间分辨率的要求比较高，且所建立的模型有很大的局限性，即只适用特定的地区和植被，不宜推广。 但该模型对于局部区域的植被覆盖度估算具有相当高的精度。 如Graetz 与Pech 根据植被覆盖度的实际测量数据与Landsat MSS 的第5 波段遥感监测数据进行线性回归得到的模型，只适用于稀疏草地；Dymond 利用TM遥感图像，计算出NDVI 植被指数，并与新西兰草地退化地区植被覆盖度进行了非线性回归，也仅适用于草地退化地区；Anatoly 建立的回归模型也仅适用于小麦覆盖的情况下。 与此同时，Graetz、Dymond Anatoly 所用的遥感图像分别是landsat MSS ATSR-2 和SPOT。 由此可见，回归模型的建立也需要较高分辨率的遥感图像。

2.2 植被指数法

植被指数法是根据植物的光谱特征，直接选取与植被覆盖度有良好相关性的植被指数，并通过植被指数与植被覆盖度的关系，估算植被覆盖度。 回归模型法中已经说明植被指数与植被覆盖之间存在一定的相关性，但是与关系模型相比，植被指数法不需要建立相应回归模型，且不受区域、时间和植被类型的限制，更易于使用。 张仁华提出了植被覆盖度和植被指数的关系，即Fcover=（NDVI-NDVIs）/(NDVIv-NDVIs)。 其中，NDVIs 为纯土壤像元的NDVI值；NDVIv为纯植被像元的NDVI 值；NDVI 为所求地块的植被指数。 该值的类型并不唯一，也可以用其他的植被指数替换。 该模型最重要的环节就是如何确定纯植被和纯土壤的NDVI， 它们直接影响着模型的精度。

近年来，有些学者根据植被垂向分层密度，建立了区域范围内亚像元的植被分解模型。 当区域内叶面积指数趋近于无穷大时， 说明植被类型较为单一，且垂向的冠层密度较大，那么相应的纯植被指数就趋近于无穷大，现状的植被指数值就是非植被覆盖区域的植被指数值。 杨胜天等依据不同的NDVI 值，把植被覆盖度分为高、中高、中、低覆盖类型。 当植被覆盖度大于75%时，为高类；当植被覆盖度在60%～75%之间时，为中高类；当植被覆盖度介于45%～60%之间时，为中类；当植被覆盖度小于45%时，为低类[25]。 Choudhury etal 与Gillies etal 使用不同的方法和数据集，均得到相同的植被覆盖度估算公式，即Fcover=（NDVI-NDVI0）/(NDVIs-NDVI0)[26～27]。他们用该模型对美国太平洋地区的森林覆盖度进行估算， 并且采用不同类型植被指数， 结合NOAA AVHRR 的遥感数据，估算了该地区的森林覆盖度。结果表明，经常用的植被指数与森林覆盖度相关性最高。 由此说明，植被指数模型较适用于大尺度的应用，比回归模型更具有普遍的意义。 但植被指数法在小范围内的估算精度低于回归模型。 在应用植被指数模型时，由于可见光和近红外波段对植物反应最敏感的波段，因此，目前NDVI 值主要是基于这两个波段建立的遥感信息。

2.3 像元分解模型法

像元分解模型法的原理是，在某种假定情况下，将遥感图像中的一个实际像元分解成由多个组分构成的遥感数据信息，用这些遥感信息构建像元分解模型，从而估算出植被覆盖度。Pech 将裸土、灌木等组分信息和植被阴影覆盖结合起来，综合考虑，建立了澳大利亚半干旱灌木林地区像元分解模型，并对其植被覆盖度进行估算。

在目前的研究中，虽然混合光谱能反映植被光谱与下垫面的一些综合信息，但是由于各种光谱之间的干扰，使各种光谱被削弱，致使多光谱仪的优点很难体现。 这也就给成像多光谱仪遥感图像的应用带来很大限制。 因此，很多学者将线性混合理论和混合光谱进行应用和解释，并得到了较好的效果。田静基于这一理论，将不同物质的混合光谱信息分解成单个波段光谱[28]，然后进行线性组合，即：

式中：a、b、c 等表示的是权重，Ra、Rb、Rc表示的是单一物质的反射率。

在实际运用时，权重值实际上是各单独成分占混合范围的总面积比，因此，植被覆盖度有明显的相关性。 其解释为：各单一成分的光谱信息是实际存在的，而混合光谱信息是各单一成分光谱信息传入传感器后产生的。 根据这一理论基础，大量学者提出了线性光谱模型来估算植被覆盖度。 线性分解模型是目前应用最广泛的分解模型。 它首先假定像元信息是由各组分信息线性耦合而成的，如果一个组分到达传感器的像元信息与很多分信息发生相互作用，就会形成非线性的耦合。 但这种线性和非线性的耦合是建立在同一理论基础上的，即无论是线性混合还是非线性混合，都是多次反射的特殊情况。 线性分解法最大的缺点是，当区域内地物类型的数量大于遥感数据波段量时，就会产生较大的偏差。 马超飞、Quarmby 等都分别针对不同的区域，利用线性分解法的理论， 建立了相应的线性混合模型，很好了验证这一点[29～30]。

在线性像元分解模型法中，有一个最简单的模型，即像元二分模型。 它假设一个像元的信息可以分为土壤与植被两部分。 由遥感传感器传回的信息（S）可以分解为植被的贡献值Sv和土壤的贡献值Ss。

在由土壤和植被构成的混合像元中，植被覆盖所占的比例就是这该像元的植被覆盖度 （用fc表示），与之对应的就是土壤所占的比例。 对于一个由土壤与植被两部分组成的混合像元，像元中的植被覆盖面积比例即为该项元的植被覆盖度fc， 而土壤覆盖的面积比例为1-fc。

式中：Sveg为纯植被覆盖贡献的信息，Ss为纯土壤信息贡献值；Sv为为混合像元中植被的贡献值。

将式（3）和式（4）代入式（2）可得：

由公式（4）可推出植被覆盖度的计算公式：

其中，Ssoil与Sveg都是参数，因而可以根据式（6），利用遥感信息来估算植被覆盖度。 根据像元二分模型， 一个像元的NDVI 值可以表达为由绿色植被部分所贡献的信息NDVIveg与裸土部分所贡献的信息NDVIsoil这两部分的组合，以归一化植被指数作为反映其像元信息的指标。 代入式（6）得：

由此导出植被覆盖度的计算公式：

由于像元二分模型其理论简单， 制约条件少，所以应用比较广泛。 如ZRibi 在半干旱地区利用该模型对雷达信号进行分解，求得该地区的植被覆盖度[31]。QiJ 将植被指数分解为纯植被和无植被的植被指数代入该模型，对美国西南部植被覆盖的时空变化进行研究，结果表明，在对遥感图像不做大气纠正的情况下，该模型仍然有较高的精度[32]。 总的来说，像元二分模型估算植被动态变化方面结果可靠。但是，由于像元二分模型要求遥感数据分辨率较高，且在森林遥感中很难找到纯光谱像元，所以该方法不适合森林的覆盖度的估算。

3 结语

（1）地表实测法由于人力、物力等诸多因素的制约，不适合在较大范围内单独应用。 伴随着遥感技术的发展，地表实测法已逐渐变成了遥测较大范围内植被覆盖度的辅助手段。 它对于建立植被覆盖度经验模型及遥感覆盖度监测的精度评价和验证有着很重要的意义。

（2）由于遥感估算植被覆盖度的理论、研究背景各不相同，因此所需用的植被指数或数据源等信息也各不相同。 回归模型法对实测数据的依赖性较强，因此尽管小范围内有较高精度，但在应用上受到很大的制约。 植被指数法与像元分解法，由于不受实测数据的制约，目前使用比较广泛，但在实际应用中，仍应根据地表情况，与其他方法综合使用，以进一步提高植被覆盖度的提取精度。

[1] 隋洪智. 农田蒸散双层模型及其在半干旱要搞监测中的应用[J]. 遥感学报，1997，1（3）：220-224.

[2] 孙红雨，王长耀，牛铮，等. 中国地表植被覆盖变化及其与气候因子关系-基于NOAA 时间序列数据分析[J]. 遥感学报，1998，2（3）：204-210.

[3] 田庆久，闵祥军. 植被指数研究进展[J]. 地球科学进展，1998，13（4）：327-333.

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

[5] 王长耀，布和敖斯尔，狄小春. 遥感技术在全球环境变化研究中的作用[J]. 地球科学进展，1998，13（3）：278-284.

[6] 王思远，张增祥，周全斌，等. 基于遥感与GIS 技术的土地利用时空特征研究[J]. 遥感学报，2002, 6（3）：223-228.

[7] 陈晋. 基于土地覆盖分类的植被覆盖率估算亚像元模型与应用[J]. 遥感学报，2001, 5（6）：416-422.

[8] 布和敖斯尔，刘纪远， 王长耀，等. 遥感技术在我国资源和环境变化研究中的作用[J]. 科技导报，1997（8）：14－17.

[9] 赵春玲，李志刚，吕海军，等. 中德合作宁夏贺兰山封山育林育草项目区植被覆盖度监测[J]. 宁夏农林科技，2000（增刊）：6-14.

[10] 张兴昌， 刘国彬， 付会芳. 不同植被覆盖度对流域氮素径流流失的影响[J]. 环境科学，2000（11）：16-19.

[11] 张一平，张克映， 马友鑫，等. 西双版纳热带地区不同植被覆盖度低于径流特征[J]. 土壤侵蚀与水土保持学报，1997，3（4）：25-30.

[12] 张云霞，李晓兵， 陈云浩. 草地植被覆盖度的多尺度遥感与实地测量方法综述[J].地球科学进展，2003, 18（1）：85-93.

[13] 陈云浩， 李晓兵， 史培军， 等. 北京海淀区植被覆盖的遥感动态研究[J]. 植物生态学报，2001,25（5）：588-593.

[14] 章文波，符素华，刘宝元. 目估法测量植被覆盖度的精度分析[J]. 北京师范大学学报：自然科学版，2001, 37（3）：402-408.

[15] 章文波， 刘宝元， 吴敬东. 小区植被覆盖度动态快速测量方法研究[J]. 水土保持通报，2001, 21（6）：60-63.

[16] 丁艳梅，张继贤，王坚，等. 基于TM 数据的植被覆盖度反演[J].测绘科学，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] 吴素业. 一年生植被覆盖度的简化测试方法[J]. 水土保持科技情报，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] 杨胜天， 刘昌明， 杨志峰， 等. 南水北调工程区的自然生态环境评价[J]. 地理学报，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] 田静. 基于遥感实验下的植被覆盖率反演[D]. 长春：吉林大学，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] 马超飞， USLE 模型中植被覆盖因子的腰杆数据定量估算[J]. 水土保持通报，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.