植被盖度遥感反演模型在稀疏高寒草原的对比研究

夏 颖，范建容，李磊磊，李 炫

(1.中国科学院水利部成都山地灾害与环境研究所，成都 610041；2.中国科学院大学，北京 100049；3.易智瑞(中国)信息技术有限公司，北京 100000)

植被盖度遥感反演模型在稀疏高寒草原的对比研究

夏 颖1，2，范建容1*，李磊磊3，李 炫1，2

(1.中国科学院水利部成都山地灾害与环境研究所，成都 610041；2.中国科学院大学，北京 100049；3.易智瑞(中国)信息技术有限公司，北京 100000)

【目的】基于Landsat8遥感影像数据，反演西藏日喀则地区高寒草原植被盖度。【方法】采用比较常用的3种植被盖度反演模型，即像元二分模型、基于归一化植被指数(NDVI)与土壤调整植被指数(SAVI)的回归模型、改进的三波段梯度差模型，对稀疏高寒草原植被盖度进行反演，并采用照相法实测植被盖度进行反演精度分析。【结果】3种模型对高寒草原植被盖度的反演精度以像元二分模型最高，反演精度为82.02％，其他两种模型均小于80％。【结论】像元二分模型相对于回归模型和改进的三波段梯度差模型更适用于稀疏高寒草原植被盖度的反演。

植被盖度；稀疏高寒草原；像元二分模型；改进的三波段梯度差模型；回归模型

植被盖度指植被冠层或叶面在地面上的垂直投影面积占统计区面积的百分比，是植被生长状况的直观量化指标[1]。它不仅可以在一定程度上直观地反映植被生长的基本状况，进而指示生态环境的变化，为生态环境治理提供数据支撑[2]。还被作为重要的指标和因子广泛应用于生态学、气候变化、水土保持、植物学和土地管理等领域的研究中。植被盖度的估算对于研究水土流失、土壤沙漠化、生态环境等具有重要意义。

植被盖度的测算方法主要经历了目测估算、仪器测量和遥感反演3个阶段[3]，对于大范围地区，用目测估算和仪器测量不仅费时费力，而且还会受到天气、区域条件等的影响。而遥感由于其大范围的数据获取和连续观测能力，已成为区域及全球植被盖度估算的有效手段。同时由于遥感数据的空间分辨率、光谱分辨率和时相特征的多样性，能够获取不同尺度上的植被覆盖及其变化信息，已经成为估算植被盖度的主要技术手段[4]。目前国内外用于植被盖度的遥感反演方法主要有植被指数模型[5]、回归模型[6-7]、像元分解模型[8]以及光谱梯度差模型[9-10]等。

研究区属于干旱半干旱、高海拔多山地区，高寒草原长期处于低温的环境条件中，因此，其生长季节较短，草群比较稀疏、低矮，植被盖度低[11]。如何提高遥感技术探测低植被盖度的能力是干旱半干旱山区地带植被遥感亟待解决的问题。国内已有一些学者对遥感技术提取低覆盖区的植被盖度展开了研究。古丽等[9]利用改进的三波段梯度差模型对塔克拉玛干沙漠地区的植被盖度进行了反演，发现在干旱半干旱地区稀疏植被覆盖区的植被盖度预测值与实测值基本一致。李向婷等[12]采用改进的三波段梯度差法、像元二分法、线型混合像元分解法、归一化植被指数法等6种植被盖度反演方法估算了干旱荒漠区稀疏植被的植被盖度，结果表明改进的三波段梯度差法相对其他几种方法反演效果较好。且在实测盖度数据缺乏，难以获取纯像元的情况下，像元二分模型的估算精度会受到很大的影响。李艺梦等[13]通过对比像元二分模型、回归模型以及改进的三波段梯度差模型对额济纳干旱荒漠区稀疏植被的植被盖度反演结果，证实了像元二分模型可以较好地估算荒漠区植被盖度。以上方法均较好地提取了稀疏植被的植被盖度信息，而研究区亦属于植被稀疏的干旱半干旱地区。因此，为了探寻一种满足大尺度高海拔寒冷地区草原植被盖度信息的提取方法，分析和对比现有的植被盖度遥感反演方法对稀疏高寒草原植被盖度反演的适宜性是极具必要性的。

本研究以日喀则的聂日雄乡、边雄乡、日喀则市区、曲美乡、甲措雄乡和曲布雄乡6个乡为例，基于Landsat8遥感影像数据，通过对国内外植被盖度遥感反演方法的总结，结合研究区高寒草原的实际情况，选用了像元二分模型、改进的三波段梯度差模型以及基于归一化植被指数(NDVI)和土壤调整植被指数(SAVI)的回归模型对日喀则地区高寒草原的植被盖度进行了反演，利用实测植被盖度作为精度验证数据，对比分析各个模型对日喀则高寒草原植被盖度的反演精度，探寻出一种能相对较好地获取高寒草原植被盖度信息的模型。

1 材料和方法

1.1 研究区概况

研究区地处西藏西南部(见图1)，位于雅鲁藏布江及其主要支流年楚河的汇流处，南、北地势较高，其间为藏南高原和雅鲁藏布江谷地。地理范围为88°28′E～89°13′E，29°57′N～29°25′N，境内地形主要由高山、宽谷和湖盆组成，平均海拔4 000m左右，属高原温带半干旱季风气候区，空气稀薄，年温差小，日温差大，最冷月份平均气温为2～12℃，最暖月份的平均气温为10～18℃，年均气温为6.3℃，年平均日照时间3 300h。降水集中在7-8月份。全区草地面积约12.2×106hm2，占土地总面积的70％，可利用草地面积约占全区土地总面积的54％，盖度在20％～40％之间，以高寒草原类和高寒草甸类为主[14]。

图1 研究区概况Fig 1 The sketch map of study area

1.2 研究方法

1.2.1 数据准备及预处理

本文采用研究区(日喀则中部)云量较少的2015年7月5日的Landsat8遥感影像数据作为数据源，遥感影像的获取时间在植被生长期，因此能够较好地反映研究区植被的生长状况。影像预处理包括辐射定标、大气校正、几何精校正及裁剪等[15-17]。采用ENVI的辐射校正工具，结合影像的成像时间(2015年7月5日)、传感器高度(705km)、研究区平均高程(4 162m)等参数对Landsat8遥感影像进行辐射定标和大气校正，将影像DN值转化为地表反射率。并以分布均匀、影像地物位置相对稳定为原则，选取控制点对影像进行几何精校正，误差控制在1个像元内(精度误差为0.82)。

2015年7月上旬进行了实际盖度测量，实测盖度数据是通过照相法获得。为保证实测盖度数据的可靠性和代表性，在野外调查时，首先在室内通过谷歌影像在研究区内预选交通便利的采样点(尽量均匀分布在整个研究区)，在实地采样时根据实际情况选取了130个样块(见表1)，在每个样块内布设3～5个0.5m×0.5m的正方形样方(分布在1个像元以内，即30m)，同时记录各样方的GPS点位。样方内包含了研究区主要的多年生草本、垫状小灌木和垫状植物，如针茅科紫花针茅、座花针茅和藏籽蒿、藏南蒿、垫状蒿等，其草高多为2～7cm。所用数码相机视场角为26°，因此垂直拍照时，相机高度约为1.1m。由于获取的相片，其边缘易造成变形，需裁剪部分边缘区域，仅保留其长宽的2/3区域。首先用数码相机拍摄样方四周环境及局部信息，同时记录其经纬度及其他相关信息。然后借助MATLAB软件平台，对照片进行HSV彩色变换，然后将在HSV绿色值范围内的像元记为植被类像元，计算植被像元数占像元总数的百分比，从而得到植被盖度，为后面植被盖度反演模型的建立和验证提供数据基础。通过实地调查发现，研究区高寒草原植被盖度多分布于20％～40％之间。

1.2.2 高寒草原植被信息提取

由于本文的研究对象为高寒草原，因此采用了面向对象分割和决策树分类结合的方法将研究区划分为农田、河流、高寒草原、高寒草甸、河滩地和其他6大类。首先对影像进行多尺度分割，设置分割尺度为100，光谱权重为0.8，图像平滑度权重为0.1。决策树采用DEM、NDVI植被指数、影像各波段反射率等空间特征作为指标，对样本数据进行深度挖掘，通过不断的循环实验得到最终的决策树，对遥感影像进行分类，并评价其分类精度(见表2)。

从分类结果中可以看出，高寒草原的分类精度为82.61％。在此基础上进行人工修正，以便更准确地提取高寒草原植被信息，为植被盖度的反演奠定基础。

1.1.3 植被盖度遥感反演模型

①像元二分模型

表1 实测数据特征Table 1 Characteristic of measured data

表2 分类精度评价(总体精度=85.3％，kappa系数=0.831)Table 2 Accuracy Assessment of classification(overall accuracy=85.3％，kappa coefficient=0.831)

像元二分模型假设遥感影像中的单个像元是由土壤和植被两部分提供的信息组成。通过遥感传感器所观测的像元信息量S可表达为由绿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是植被生长状态及植被盖度的最佳指示因子。根据像元二分模型，像元的NDVI值可由绿色植被所贡献的NDVIveg和土壤背景贡献部分NDVIsoil两部分组成，因此，可利用NDVI反演植被盖度fc：

式中：NDVIsoil为裸土或无植被覆盖区域的NDVI值，对于大多数类型的裸地表面，NDVIsoil理论上应该接近0，并且是不易变化的，但由于受众多因素影响，NDVIsoil会随着空间而变化，其变化范围一般在-0.1～0.2[20-21]。NDVIveg为完全由植被所覆盖的纯植被像元的NDVI值，NDVIveg值也会随着植被类型和植被的时空分布而变化。

②回归模型

回归分析是通过建立植被盖度与植被指数之间的回归模型，进而反演植被盖度。研究区植被稀疏、低矮，地形复杂，因此选择合适的植被指数构建回归模型对反演研究区高寒草原植被盖度至关重要。NDVI被广泛应用于遥感植被研究以及植物物候研究中，它是指示植物生长状态以及植被空间分布密度的最佳因子。A.R.Huete[22]提出了土壤调整植被指数(SAVI)。SAVI通过向NDVI的分母中引入土壤反射调节因子L，而将土壤亮度对于光谱植被指数的影响减至最低。因此，本文选择将NDVI和SAVI用于回归模型中，从而提取高寒草原植被盖度信息。

然而,当噪声 vk,i存在时,(3)不能保证参数的估计性能。因此,本文将从最大似然估计(Maximum Likelihood Estimation,MLE)原理推导一种基于期望最大和递归最小二乘的自适应参数估计算法。

③改进的三波段梯度差模型

根据植被和土壤的光谱特征，唐世浩等[10]采用近红外(nir)、红(red)、绿(blue)3个波段梯度差来反演植被盖度，提出了三波段最大梯度差模型(TGDVI model)。古丽等[9]分析干旱区典型荒漠植被、农田和裸地的光谱特征，发现在Landsat-TM影像上(空间分辨率30m)，裸土与稀疏植被在485、660和830nm波长处的光谱曲线特征相似，而高覆盖的农田与稀疏植被在830、1 650和2 220nm波长处的光谱曲线特征相似，因此，她用短波近红外代替绿波段，从而提出了改进的三波段梯度差模型(Modified TGDVI)。改进后的模型为：

式中：Rred、Rnir、Rswir分别代表红、近红外和短波红外的反射值(％)，λred、λnir、λswir分别代表红、近红和短红外波段的波长(nm)，d为像元梯度差，dmax为最大像元梯度差，A为植被盖度。当全植被覆盖时，像元的梯度差最大[10]。

2 结果与分析

2.1 高寒草原植被盖度反演

2.1.1 像元二分模型

像元二分模型反演植被盖度，最重要的是NDVIsoil、NDVIveg值的确定。但研究区高寒草原分布稀疏，且遥感影像的空间分辨率为30m，难以在影像上找到接近全植被覆盖和全裸土的像元。因此本文结合野外采集的实测植被盖度数据，参考了李苗苗[23]使用改进后的像元二分模型估算植被盖度的方案二：

首先是取高寒草原实测盖度最大和最小的两个像元 fcmax、fcmin，并找到其对应的 NDVImax、NDVImin已知)，将这 2个像元带入式(1)，求得其 NDVIsoil、NDVIveg：

在此基础上，反演高寒草原植被盖度。

2.1.2 回归模型

利用遥感影像计算出NDVI和SAVI，通过实测盖度样方的GPS坐标找到其对应的NDVI和SAVI值，并以其为自变量，实测植被盖度为因变量，构建(植被指数-实测盖度)散点图，剔除噪声数据。为了较好地拟合草地植被变化，本文分别选择了55个实测盖度与植被指数建立了线性回归、二次函数回归和三次函数回归、指数、对数和幂函数多种拟合回归模型，并采用交叉验证的方法，将剩下的实测植被盖度数据作为验证数据，计算估算值与实测值之间的均方根误差RMSE。R2表示趋势线的估测值与对应的实际数据之间的拟合程度，是取值范围为0～1的数值，当R2接近1或等于1时，其可靠性最高。而RMSE是衡量估算值与实际值之间的偏差，RMSE越小，则估算值越准确。故以R2大以及RMSE小为最优的原则，选择最优的回归模型反演植被盖度。最优回归拟合结果如图2、图3所示。

图2 NDVI与实测植被盖度的幂函数回归模型Figure 2 Quadratic function regression model of NDVI and measured vegetation coverage

图3 SAVI与实测植被盖度的幂函数回归模型Figure 3 Quadratic function regression model of SAVI and measured vegetation coverage

式中：x是植被指数，y是实测植被盖度。

NDVI和SAVI的计算公式如下：

式中：Rnir、Rred分别为近红外和红外的波段反射值，分别对应Landsat8遥感影像的第4、5波段；L是随着植被密度变化的参数，取值范围从0～1，当植被盖度很高时为0，很低时为1。当L=0时，SAVI=NDVI。Huete[22]通过实验分析表明，对于草地和棉花田，L取0.5时SAVI能较好地消除土壤反射率对像元平均反射率影响，当植被较稀疏时L取1能更好地消除土壤反射率对对像元平均反射率的影响。因高寒草原分布稀疏，因此此次研究中的L取值为1。

2.1.3 改进的三波段梯度差模型

古丽等[9]利用改进的三波段梯度差模型较好地提取了干旱区低盖度的植被信息，由于研究区高寒草原植被稀疏，本文同样选择了改进的三波段梯度差模型反演高寒草原植被盖度。而此模型亦需要知道纯植被像元所对应的梯度差值，因此研究仍然选用了实测盖度中最大值所对应的梯度差值，计算出纯植被像元的最大梯度差值。

设实测最大盖度值对应的梯度差为d1，其对应的植被盖度为A1，纯植被像元对应的最大梯度差值为dveg，则植被盖度的估算公式如下：

式中：d为像元梯度差值，A为植被盖度。

通过分析像元二分模型、回归模型和改进的三波段梯度差模型反演高寒草原植被盖度的结果(见图4)，结合实地调查情况来看，SAVI回归模型与改进的三波段梯度差模型反演结果明显偏低，植被盖度集中在0～20％之间。

图4 采用不同模型提取的研究区植被盖度信息Figure 4 Vegetation coverage of the study area by using different models

2.2 精度分析

本次精度验证选取了75个实测盖度数据与遥感估算值进行线性回归分析，对上述方法进行验证。采用相关系数、均方根误差(RMSE)及相对误差，分析评价不同方法对高寒草原植被盖度的反演精度，探寻各方法反演高寒草原植被盖度适宜性。

模拟结果(表3)表明，像元二分模型对高寒草原植被盖度的模拟值与实测值的相关性最好，相关系数为0.819 1，且相对误差与均方根误差(RMSE)亦是几种模型中最小的；其次是使用NDVI的回归模型，其模拟值与实测值的相关系数为0.805 5。均方根误差与相对误差稍次于像元二分模型。而改进的三波段梯度差模型和使用SAVI的回归模型对高寒草原植被盖度反演效果则相对较差，相关系数均为0.7左右，相对误差与RMSE也相对较低。

表3 植被盖度估算误差Table 3 Vegetation coverage estimation error

综上所述，像元二分模型相对于其他两种植被盖度反演模型更适用于稀疏高寒草原植被盖度的信息提取。其反演精度达到了82.02％，而其他两种模型均低于80％。

2.3 盖度统计

选用模拟效果最好的像元二分模型统计研究区高寒草原各植被盖度各级的面积百分比(表4)，并根据不同海拔梯度分级统计高寒草原面积所占比例(见图6)。

从表4和图5种可知，研究区高寒草原主要分布在海拔3 803～4 700m，植被盖度主要分布在20％～40％之间，约占研究区高寒草原总面积的60％。平均盖度为31.52％，整体盖度偏低。因为高寒草原长期处于低温的环境，从而导致植被分布稀疏、植株低矮。

图6还表明，海拔在3 803～4 700m时，植被盖度多为20％～40％。海拔在4 700～5 000m时，低盖度植被较少，植被盖度多大于20％。海拔为5 000～5 300m时，植被盖度减小。随着海拔的升高，植被分布则愈为稀疏，盖度低。当海拔高于5 300m时，植被盖度均小于40％，其中约90％以上的高寒草原植被盖度均低于20％。因为随着海拔的升高，辐射、温度和水分条件也会发生变化，从而导致植被的生长受到影响。

表4 各植被盖度等级的面积百分比Table 4 Area percent of each vegetation coverage grade ％

图5 不同海拔所占面积比例统计Figure 5 Statistics of the proportion of different altitudes

图6 不同海拔植被盖度分级统计[1]Figure 6 Statistics of the classification proportion of vegetation coverage at different altitudes

3 讨论与结论

①像元二分模型相对回归模型和改进的三波段梯度差模型能更好地反演稀疏高寒草原的植被盖度，精度高达82.02％。

②NDVI回归模型对稀疏高寒草原植被盖度的反演精度高于SAVI回归模型。

③改进的三波段梯度差模型对高寒草原植被盖度反演效果则相对较差。

研究选用了适宜于干旱半干旱地区植被盖度反演模型[12-13]反演高寒草原植被盖度。由于高寒草原植被稀疏，无法获取全植被覆盖像元，因此本文参考了李苗苗[23]反演植被盖度的方法，通过获取实测盖度数据中的最大值与最小值，计算像元二分模型和改进的三波段梯度差模型的全植被覆盖像元对应值，克服了纯像元选取的局限性为模型反演植被盖度带来的困难。回归模型中，为使结果具有可靠性，以相关系数(R2)较大和均方根误差(RMSE)较小为优的原则[12]，获取植被指数与植被盖度的最优拟合回归方程，反演高寒草原植被盖度。从理论分析和实验结果来看，本文所采用的模型及参数确定的方法具有一定的可行性，对低植被覆盖区域的植被盖度信息提取有一定的实践意义。但此方法需要借助于实测数据，因此对于一些地势险峻、实地采样较为困难的地区，其应用存在较大的局限性，对区域及时间的要求较高。

另外研究区因植被稀疏，导致土壤对植被盖度信息获取产生了较大的影响，所以在下一步研究中，在对高寒草原植被盖度反演效果较好的像元二分模型的基础上，可以考虑采用通过获取土壤高光谱数据构造土壤线的方式[24]，削弱土壤对植被信息的干扰，更好地提取稀疏植被盖度的信息。且青藏高原属于多山高海拔区域，植被分布比较稀疏、均匀，在今后的研究中，可以考虑引入阴影和裸土因子，削弱山体阴影和裸土对植被反射率的影响，并结合对土壤、大气影响削弱效果较好的植被指数，构造适合于低植被覆盖区域的复合植被指数，从而提高高寒地区稀疏植被盖度的提取精度。

[1] 温庆可，张增祥，刘斌，等.草地覆盖度测算方法研究进展[J].草业科学，2009，26(12)：30-36.

[2] 王志国，尚士友，闫秀芳.典型草原植被盖度计算与试验插值对比分析[J].江苏农业科学，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，张广军，武苏里，等.利用MODIS-NDVI进行沙化土地评价研究：以陕西省北部地区为例[J].干旱地区农业研究，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] 古丽·加帕尔，陈曦，包安明.干旱区荒漠稀疏植被覆盖度提取及尺度扩展效应[J].应用生态学报，2009，20(12)：2925-2934.

[10] 唐世浩，朱启疆，周宇宇，等.一种简单的估算植被覆盖度和恢复背景信息的方法[J].中国图象图形学报，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类型与特征[J].植物生态学报，1982，6(1)：54-65.

[12] 李向婷，白洁，李光录，等.新疆荒漠稀疏植被覆盖度信息遥感提取方法比较[J].干旱区地理(汉文版)，2013，36(3)：502-511.

[13] 李艺梦，祁元，马明国.基于Landsat 8影像的额济纳荒漠绿洲植被覆盖度估算方法对比研究[J].遥感技术与应用，2016，31(3)：590-598.

[14] 陈怀顺.西藏日喀则地区草地资源现状及其可持续利用探讨[J].草业科学，2000，17(6)：7-11.

[15] 李德仁，王密.“资源三号”卫星在轨几何定标及精度评估[J].航天返回与遥感，2012，33(3)：1-6.

[16] 李芬.资源三号卫星数据在土地利用遥感监测中的应用研究[D].吉林：吉林大学，2013.

[17] 刘斌，孙喜亮，邸凯昌，等.资源三号卫星传感器校正产品定位精度验证与分析[J].国土资源遥感，2012，24(4)：36-40.

[18] 黎良财，邓利，曹颖，等.基于NDVI像元二分模型的矿区植被覆盖动态监测[J].中南林业科技大学学报，2012，32(6)：18-23.

[19] 马娜，胡云锋，庄大方，等.基于遥感和像元二分模型的内蒙古正蓝旗植被覆盖度格局和动态变化[J].地理科学，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] 陈爱京，傅玮东，肖继东，等.基于像元二分模型的和布克赛尔县植被覆盖动态变化分析[J].草业科学，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.植被覆盖度的遥感估算方法研究[D].北京：中国科学院研究生院，2003.

[24] 刘金锋.基于多源遥感数据的青海湖流域植被指数研究[D].青海：青海师范大学，2014.

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

XIA Ying1，2，FAN 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

中国科学院战略性先导科技专项(A类)(XDA05050506)

夏颖，硕士研究生。*责任作者：范建容，博士，研究员，主要从事山地生态与灾害遥感研究，E-mail：fjrong@imde.ac.cn。

(本文审稿：赵安玖；责任编辑：巩艳红；英文审稿：徐振锋)