下载文档原格式
遥感技术在植被覆盖度评估中的应用在当今时代，随着科技的飞速发展，遥感技术已经成为了我们研究和了解地球生态系统的重要工具。
其中，遥感技术在植被覆盖度评估方面发挥着至关重要的作用。
植被覆盖度作为反映生态环境质量和土地利用状况的重要指标，对于生态保护、资源管理以及气候变化研究等众多领域都具有重要意义。
首先，我们来了解一下什么是遥感技术。
简单来说，遥感就是不直接接触目标物体，而是通过传感器接收来自目标物体的电磁波信息，从而获取目标物体的特征和状态。
这些传感器可以搭载在卫星、飞机等平台上，从高空对地面进行观测。
那么，遥感技术是如何应用于植被覆盖度评估的呢？这主要依赖于植被在电磁波谱中的独特响应特征。
不同类型和生长状况的植被在可见光、近红外和短波红外等波段的反射和吸收特性有所不同。
例如，健康的植被在近红外波段具有高反射率，而在可见光波段则吸收较多的光能。
通过对这些波段的信息进行分析和处理，我们就能够区分植被和非植被区域，并进一步计算植被覆盖度。
在实际应用中，常用的遥感数据包括光学遥感数据和雷达遥感数据。
光学遥感数据，如 Landsat 系列卫星影像、SPOT 卫星影像等，具有较高的空间分辨率和光谱分辨率，能够提供丰富的植被光谱信息。
通过对这些影像进行分类和计算，可以得到较为准确的植被覆盖度。
然而，光学遥感数据在云雾遮挡等天气条件下可能会受到影响。
相比之下，雷达遥感数据，如合成孔径雷达（SAR）数据，具有穿透云雾的能力，能够在恶劣天气条件下获取地面信息。
此外，雷达遥感数据对植被的结构和水分含量较为敏感，对于评估植被的生长状况和健康程度具有独特的优势。
在评估植被覆盖度的过程中，通常会采用多种方法对遥感数据进行处理和分析。
其中，比较常见的有像元二分法、植被指数法和机器学习方法等。
像元二分法是一种简单而实用的方法。
它假设一个像元由植被和非植被两部分组成，通过计算植被部分所占的比例来估算植被覆盖度。
这种方法计算简便，但对于复杂的植被类型和混合像元的处理可能不够精确。
基于无人机遥感的植被覆盖度估算研究随着人类对自然资源的侵占不断加剧，对生态环境的保护也越来越受到关注。
植被作为生态系统的重要组成部分，对维持生态平衡和地球生命的可持续发展起着不可替代的作用。
因此，准确地了解植被覆盖度情况对于生态环境的保护和生态系统的可持续发展非常必要。
近年来，随着遥感技术的发展，基于无人机遥感的植被覆盖度估算研究逐渐成为研究热点。
相比传统遥感技术，无人机遥感技术的优势在于其高分辨率、高精度、高灵活性和低成本等特点，可以更加准确地估算植被覆盖度情况。
一、无人机遥感技术在植被覆盖度估算中的应用无人机遥感技术在植被覆盖度估算中的应用可以分为两种方式：一种是利用无人机搭载的光学相机进行影像采集，计算植被覆盖度指数；另一种是利用无人机搭载的激光雷达进行三维建模，计算植被高度、体积和覆盖度等指标。
1. 光学相机影像采集利用无人机搭载的光学相机进行影像采集的方式可以分为两种：一种是采集RGB（红、绿、蓝）三色波段影像，通过计算归一化植被指数（NDVI）来估算植被覆盖度；另一种是采集多光谱影像，通过计算植被指数来估算植被覆盖度。
归一化植被指数是基于红外线光谱波段和可见光谱波段的差异计算得出的，常用的计算公式为：NDVI=(NIR-RED)/(NIR+RED)其中，NIR为近红外波段的反射率，RED为红光波段的反射率。
NDVI的取值范围为-1到+1，数值越大表示植被覆盖度越高。
2. 激光雷达三维建模利用无人机搭载的激光雷达进行三维建模的方式可以获取植被高度、体积和覆盖度等指标。
激光雷达通过激光束扫描植被表面并记录植被与激光束的反射距离，从而获得植被表面的三维坐标信息，进而进行三维建模。
利用三维建模技术，可以计算出植被的高度和体积，从而估算植被覆盖度。
高度越低、密度越高的植被覆盖度越高。
二、无人机遥感技术在植被覆盖度估算中存在的问题和挑战虽然无人机遥感技术在植被覆盖度估算中具有很大的优势，但是实际应用过程中还存在许多问题和挑战。
遥感技术在环境监测中的植被覆盖分析方法遥感技术是一种通过获取和解释遥感图像数据来获取地球表面信息的方法。
在环境监测中，遥感技术可以用于植被覆盖分析，以评估植被的分布、健康状况和变化趋势。
本文将介绍遥感技术在环境监测中的植被覆盖分析方法。
植被覆盖是指地表被植物覆盖的程度。
植被覆盖分析对于评估生态系统的健康状况、监测土地利用和土地覆盖变化等具有重要作用。
遥感技术通过获取地表反射或辐射数据，可以提供大面积、连续性和定量化的植被信息，从而实现植被覆盖的分析。
首先，常用的遥感数据源包括卫星和航空遥感图像。
这些图像记录了地球表面的辐射能量，可以通过不同波段的信息来分析植被覆盖情况。
其中，可见光、红外和热红外波段的数据特别有助于植被覆盖分析。
其次，植被指数是植被覆盖分析中常用的量化指标。
植被指数利用不同波段的光谱反射特征，通过计算公式来估计植被的生长情况。
其中，最常用的植被指数是归一化植被指数（NDVI）和修正型归一化植被指数（EVI）。
这些指数可以通过计算地表图像中的红光和近红外波段的反射率差异得出，从而提供植被覆盖的信息。
此外，植被分类也是植被覆盖分析的重要步骤。
植被分类是将遥感图像中的像元分成不同的植被类型，以获得更详细的植被覆盖信息。
常用的分类方法包括监督分类和非监督分类。
监督分类需要提供训练样本，通过计算像元与训练样本之间的相似度来进行分类。
非监督分类不需要提前提供训练样本，它通过对图像中的像元进行聚类分析来实现分类。
此外，在植被覆盖分析中，还可以利用时序遥感数据来监测植被的变化趋势。
时序遥感数据记录了多个时间点的地表信息，可以对不同时间段的植被变化进行对比和分析。
通过比较不同时间点的植被指数或植被分类结果，可以了解植被的增长、凋落、干扰和恢复情况。
除了上述方法，还有许多其他的遥感技术可以用于植被覆盖分析。
例如，通过高空间分辨率的遥感图像可以获取更详细的植被信息；通过合成孔径雷达（SAR）遥感可以在夜间和云层遮挡的情况下获取植被信息；通过利用光谱库和多光谱图像可以实现更精确的植被识别和提取等。
如何使用遥感数据进行植被覆盖分析与监测遥感数据在植被覆盖分析与监测中扮演着重要的角色。
通过使用遥感数据，我们可以获取大规模的植被信息，包括植被类型、植被生长状况以及植被覆盖率等。
本文将介绍如何使用遥感数据进行植被覆盖分析与监测，并探讨其在环境保护和农业生产中的应用。
首先，了解遥感数据的来源和类型是进行植被覆盖分析与监测的关键。
遥感数据主要有两种类型：主动遥感数据和被动遥感数据。
主动遥感数据是指通过发送电磁波并测量其回波来获取地表信息，常见的主动遥感数据有雷达数据；被动遥感数据是指通过接收地表发出的电磁辐射来获取信息，常见的被动遥感数据有卫星图像和航空摄影图像。
选择合适的遥感数据类型取决于具体的应用场景和目标。
其次，对遥感数据进行预处理是进行植被覆盖分析与监测的必要步骤。
预处理包括图像校正、辐射校正和几何校正等。
图像校正是指将原始遥感图像转换为可用于分析的标准图像，辐射校正是消除图像中的大气影响，而几何校正是将图像的位置和方向与地理坐标系统对齐。
通过这些预处理步骤，我们可以获得准确的遥感数据，为后续的植被覆盖分析提供可靠的基础。
然后，选择适当的遥感指标是进行植被覆盖分析的关键。
常用的遥感指标包括归一化植被指数（NDVI）、归一化差异植被指数（NDWI）和归一化差值水体指数（NDWI）等。
这些指标可以通过遥感数据中的红、近红外波段的反射值计算而得。
NDVI主要用于衡量植被的绿度和生长状态，而NDWI和NDMI则可以用于检测水体和干旱地区。
通过对遥感图像进行指标计算，我们可以获得植被覆盖的信息，并进一步分析不同地区的植被状况。
此外，利用机器学习和遥感影像分类算法可以提高植被覆盖分析的效果。
机器学习算法可以通过训练样本对图像进行自动分类，常用的机器学习算法有支持向量机（SVM）和随机森林（Random Forest）等。
这些算法可以通过学习已有的样本数据，将遥感图像中的像素分类为不同的植被类型。
通过机器学习算法的辅助，我们可以更准确地分析和监测植被覆盖的情况。
《基于像元二分模型的非光合植被覆盖度遥感估算研究》篇一一、引言随着遥感技术的不断发展和应用，植被覆盖度的估算成为了生态学、环境科学和农业科学等领域的重要研究内容。
非光合植被覆盖度的遥感估算，对于了解地表覆盖类型、监测环境变化以及评估生态系统健康等方面具有重要意义。
本文旨在利用像元二分模型对非光合植被覆盖度进行遥感估算研究，为相关领域提供科学依据和技术支持。
二、像元二分模型理论基础像元二分模型是一种基于遥感影像的植被覆盖度估算方法。
该方法将每个像元分为植被覆盖部分和非植被覆盖部分（如裸土、水体等），通过比较这两种部分的像素值来估算植被覆盖度。
在非光合植被的遥感估算中，像元二分模型能够有效地将非光合植被与其它地表覆盖类型进行区分，从而得到较为准确的覆盖度信息。
三、研究方法本研究采用遥感影像数据，结合像元二分模型进行非光合植被覆盖度的估算。
具体步骤如下：1. 数据收集：收集目标区域的遥感影像数据，包括多光谱影像和归一化差异植被指数（NDVI）等数据。
2. 预处理：对遥感影像数据进行预处理，包括辐射定标、大气校正等，以提高数据的质量。
3. 像元二分模型应用：根据像元二分模型，将每个像元分为植被和非植被两部分，通过比较两者的像素值来估算非光合植被的覆盖度。
4. 结果分析：对估算结果进行统计分析，包括空间分布、时间变化等方面的分析。
四、实验结果与分析通过应用像元二分模型，我们得到了目标区域非光合植被的覆盖度信息。
以下是对实验结果的详细分析：1. 空间分布：非光合植被在目标区域内的空间分布情况表明，其主要分布在河流、湖泊等水域周边以及部分湿地地区。
这些地区的非光合植被覆盖度较高，对区域生态环境具有重要影响。
2. 时间变化：通过对不同时期遥感影像数据的处理，我们发现非光合植被的覆盖度在时间上具有一定的变化规律。
这可能与气候变化、人类活动等因素有关，需要我们进一步探讨。
3. 精度评估：为了验证估算结果的准确性，我们将估算结果与实地调查数据进行对比。
如何使用遥感技术进行植被覆盖度估算遥感技术，作为一种获取地表信息的手段，近年来在环境保护和资源管理中发挥着越来越重要的作用。
其中，植被覆盖度的估算是遥感技术的一个重要应用领域。
本文将探讨如何使用遥感技术进行植被覆盖度估算，并介绍一些常用的遥感指标和算法。
一、遥感技术在植被覆盖度估算中的应用植被覆盖度是指地表上植被的覆盖程度，是反映生态环境和土地利用状况的重要指标之一。
传统的植被覆盖度估算方法通常需要大量人力物力，耗时耗力。
而遥感技术通过获取大量的卫星图像数据，能够实现对广大区域的植被覆盖度进行遥感遥测，节省了大量的时间和成本。
遥感技术通过获取可见光、红外线、热红外等多个波段的卫星图像数据，可以从不同的角度观察地表植被的状态和变化，进而推测出植被的覆盖度。
在植被覆盖度估算中，遥感技术主要通过计算一系列遥感指标来实现，下面将介绍一些常用的遥感指标。
二、常用的遥感指标1. 植被指数（Vegetation Index，VI）植被指数是根据可见光和红外波段之间的光谱特征计算得到的一种指标。
常见的植被指数有归一化植被指数（Normalized Difference Vegetation Index，NDVI）、差值植被指数（Difference Vegetation Index，DVI）等。
这些指标通过计算不同波段的反射率之差来反映植被的覆盖度，其中NDVI是最常用的植被指数之一。
2. 植被水分指数（Vegetation Water Index，VWI）植被水分指数主要用来反映植物水分状况，是根据红外波段和短波红外波段之间的光谱特征计算得到的。
该指数可以帮助我们了解植物的水分利用效率和生长状况，从而判断植被覆盖度的变化。
3. 土壤调节植被指数（Soil Adjusted Vegetation Index，SAVI）土壤调节植被指数是一种改进的植被指数，主要通过减少反射率受土壤影响的干扰，更准确地估算植被覆盖度。
基于遥感技术的植被覆盖度监测与分析研究自然界的绿色是人类赖以生存的一个重要来源，而植被则是绿色的主要来源。
因此，对植被的监测与分析非常重要。
近年来，随着遥感技术的快速发展和普及，基于遥感技术的植被覆盖度监测与分析成为了越来越受关注的研究领域。
一、遥感技术在植被监测中的应用遥感技术是通过遥距方式获取地面信息的一种技术，它利用空间传感器获取地球表面的电磁辐射信息，根据这些信息可以推断出地表反射率、植被覆盖情况等。
相比传统的植被调查和监测方法，基于遥感技术的植被监测具有较高的效率和准确性。
遥感技术的应用可以提高数据获取的速度和精度，同时覆盖面积也会变得更广泛，可以为农业、林业、环境保护等领域提供重要支持。
二、植被覆盖度的定义和计算方法植被覆盖度是指地面被植被覆盖部分所占据的面积比例，反映出一个地区植被的丰富程度和茂盛情况。
植被覆盖度的计算方法主要有三种：目视法、样方法和遥感法。
其中，遥感法是目前应用最广泛、最准确的一种方法。
通过遥感图像的数字化，可以实现对不同地区的植被覆盖度进行监测和计算。
三、植被覆盖度监测对环境保护的重要性对于环境保护，植被覆盖度的监测是非常重要的。
植被具有拦截、保持、净化和改善水源的功能，对于土地保持和水资源的保护起到了至关重要的作用。
因此，监测植被覆盖度可以为环境保护提供重要的数据支持，促进环境保护的工作顺利进行。
四、植被覆盖度监测的未来发展趋势随着科技的不断发展，植被覆盖度监测技术也在不断创新和发展。
目前，人工智能、机器学习等新技术的应用，为植被覆盖度的监测和分析带来了更多的可能性，可以更加准确地预测和模拟植被的生长规律。
未来，植被覆盖度监测的科学研究和应用都将朝着更加深入和完善的方向不断发展。
总之，基于遥感技术的植被覆盖度监测与分析研究是当前领域内的热点和重要课题。
通过遥感技术的应用和不断的技术创新，相信在不久的将来，植被覆盖度监测可以实现更高的精度和准确度，为环境保护和人类生活带来更多的实际应用价值。
植被覆盖度的遥感估算方法研究植被覆盖度是指地表植被在地球表面的覆盖比例，是地球生态系统的重要参数之一。
植被覆盖度的变化会影响到气候、土壤和水文等自然环境要素，因此对于生态保护、农业生产和环境监测等领域具有重要意义。
遥感技术具有大范围、快速、重复和经济的优势，是进行植被覆盖度估算的重要手段。
本文将介绍植被覆盖度遥感估算的相关理论、方法和应用现状，并详细阐述具体的估算方法、实验设计及结果分析。
植被覆盖度的遥感估算涉及到遥感图像处理、地学统计和生态学等多方面的知识。
目前，许多学者已经提出了多种估算方法，如直接计数法、归一化植被指数法、混合像元分解法等。
这些方法在不同程度上取得了成功，但也存在一定的局限性。
随着遥感技术的发展，尤其是高光谱、高空间分辨率和多时相遥感数据的广泛应用，对于植被覆盖度的估算精度和细化程度的要求也在不断提高。
进行植被覆盖度遥感估算所需要的数据主要包括卫星遥感图像、数字高程模型、气象数据等。
其中，卫星遥感图像是获取植被覆盖度信息的主要来源，包括多光谱和热红外图像等。
数字高程模型可以用于提取地形特征和计算植被覆盖度之间的关系。
气象数据则可以提供植被生长的相关信息，如辐射、气温和湿度等。
数据预处理主要包括图像校正、图像融合和图像增强等步骤，旨在提高遥感图像的质量和可读性，为后续的植被覆盖度估算提供可靠的基础。
估算模型和算法是进行植被覆盖度遥感估算的核心，主要包括以下几种：（1）直接计数法：通过统计图像中绿色植被的像素数量，计算植被覆盖度。
这种方法简单直观，但难以区分不同类型的植被。
（2）归一化植被指数法：通过计算植被指数与地表反射率之间的关系，估算植被覆盖度。
常用的植被指数包括NDVI、SAVI和EVI等。
这种方法能够较为准确地反映植被覆盖度，但容易受到大气条件和地表光照条件的影响。
（3）混合像元分解法：将遥感图像中的像元分解为植被和非植被两个部分，通过统计各部分的面积计算植被覆盖度。
遥感技术在农田植被监测中的应用案例分析一、引言随着人口的增长和对粮食需求的不断增加，高效的农田管理变得至关重要。
遥感技术作为一种强大的工具，为农田植被监测提供了精确、快速和全面的信息，有助于提高农业生产效率、优化资源利用以及保护环境。
二、遥感技术概述遥感技术是通过非接触式的传感器获取远距离目标物的信息。
它利用电磁波的反射、辐射和散射特性，来收集地表物体的特征数据。
常见的遥感平台包括卫星、飞机和无人机等，所获取的数据涵盖了可见光、红外、微波等多个波段。
在农田植被监测中，常用的遥感数据有高分辨率光学影像、多光谱影像和高光谱影像等。
这些数据可以反映植被的生长状况、覆盖度、生物量等重要信息。
三、应用案例分析（一）作物生长监测在某大型农场，利用卫星遥感数据定期对小麦的生长状况进行监测。
通过分析不同时期影像中作物的光谱特征，可以准确判断出小麦的生长阶段，如分蘖期、拔节期、抽穗期等。
同时，结合植被指数（如归一化植被指数 NDVI）的计算，能够量化评估作物的生长状况和健康程度。
根据监测结果，农场管理者及时调整灌溉、施肥和病虫害防治策略，从而提高了小麦的产量和质量。
（二）农田土壤水分监测在另一地区，采用无人机搭载的微波遥感传感器对农田土壤水分进行监测。
微波能够穿透植被，对土壤水分含量具有较高的敏感性。
通过获取的遥感数据，绘制出土壤水分含量的空间分布图。
农民依据这些信息，合理安排灌溉，避免了水资源的浪费，同时也保证了作物在关键生长时期得到充足的水分供应。
（三）农田植被病虫害监测在一个农业产区，利用高光谱遥感技术对玉米田的病虫害进行监测。
高光谱数据具有丰富的光谱信息，可以捕捉到病虫害引起的植被细微光谱变化。
通过与健康植被的光谱特征进行对比分析，能够及时发现病虫害的发生区域和严重程度。
农业专家根据监测结果，精准施药，有效地控制了病虫害的蔓延，减少了农药的使用量，降低了环境污染。
（四）农田植被覆盖度估算在一片广阔的农田区域，运用多光谱遥感影像来估算植被覆盖度。
20070643(3) 北京师范大学学报(自然科学版)Journal of Beijing Normal University (Natural Science ) 343 遥感估算植被覆盖度的角度效应分析3郭占军1,2) 阎广建1) 冯 雪1) 王远征1) 张霄羽3)(1)北京师范大学地理学与遥感科学学院遥感与GIS 中心,遥感科学国家重点实验室,环境遥感与数字城市北京市重点实验室,100875,北京;2)宁夏大学资源环境学院,750021,银川;3)中国科学院地理科学与资源研究所,100101,北京)摘要 植被覆盖度是植被在地面的垂直投影面积占统计区总面积的百分比.由于植被反射的二向性特性,不同角度估算的植被覆盖度原则上不可比,另外,不同观测角度对应像元不同的采样面积,对于非均一地表这种面积差异引起的角度效应也非常显著.本文除了考虑植被的二向性反射,还重点模拟分析了由于像元的采样面积差异引起的角度效应及其带来的植被覆盖度估算误差.模拟结果表明:相比天顶观测,在倾斜40°观测时,对于作物和裸土混合,由于面积误差带来的红光波段反射率差异已高达56%,同时引起的植被覆盖度估算误差达到23%,因此研究植被覆盖度的角度效应问题很有必要.关键词 植被覆盖度;角度效应;二向性反射分布函数(BRDF );模拟3国家自然科学基金资助项目(40471095);新世纪优秀人才支持计划资助项目收稿日期:2007202217 植被覆盖度是描述生态系统的基本参数,同时是数字天气预报、区域和全球气候模型以及全球变化监测必需的参数之一[122].获取地表植被覆盖及其变化信息,对于揭示地表空间变化规律,探讨变化的驱动因子,分析评价区域生态环境都具有重要现实意义[3].目前被广泛接受的植被覆盖度定义为: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[4].该定义中很重要的一点是用于计算植被覆盖度的数据应保证观测与地表垂直.通常情况下,获得植被覆盖度的方法主要有地表实测和遥感监测2类.地表实测费时费力,而且植被覆盖度具有典型的时空分异特性,利用遥感手段获取植被覆盖度显示出了强大的优势,因此已成为目前的主要手段.对于现有的遥感手段而言,要保证对整幅图像中每一个像元(尤其在大幅面影像边缘)均垂直观测是几乎不可能的.而且现有的遥感植被覆盖度产品通常是基于一周甚至一月的观测数据计算合成得到,往往利用宽视场的遥感数据.因此,在使用遥感反演植被覆盖度时,就必须考虑观测角度效应问题.引起角度效应的因素除了植被的二向性反射特性之外,不同观测角度对应像元不同的采样面积,对于非均一地表这种面积引起的角度效应也非常显著,而面积误差在现有的植被覆盖度产品中很少被考虑.对于地物的二向性反射问题,很多学者都曾深入研究过,发展了许多描述地物二向性反射和目标特征参数之间关系的模型,大致可分为物理模型(包括几何光学模型、辐射传输模型、混合模型、计算机模拟模型)和经验模型.不同的模型适用于不同的地物类型.黄健熙[5]等使用Monte Carlo 方法模拟了作物冠层的辐射传输,结果表明,蒙特卡罗模型与实测二向性反射率分布函数(BRDF )较为吻合,蒙特卡罗模型可以作为其他作物冠层BRDF 前向模拟的有效验证工具.面积误差问题目前鲜有文献提及.事实上,对于固定瞬时视场角(IFOV )的传感器来说,不同观测角度对应像元不同的采样面积,对于均一地表,这种面积差异引起的误差可以忽略,但是对于非均一地表,即使不考虑地物的二向性反射,这种面积差异也必然导致地表反射率的差异.因此,利用不同角度的观测估算的植被覆盖度必然存在差异.在本文中,通过模拟考虑了植被冠层的二向性反射特性和由于像元的采样面积差异引起的角度效应及其引起的植被覆盖度估算误差.最后使用MODIS 地表反射率产品统计比较分析了均一像元和非均一像元的面积误差的表现以及引起的植被覆盖度估算误差.1 作物冠层二向性反射对估算植被覆盖度的影响随着遥感技术应用的日益广泛,多角度传感器已非常普遍,多角度观测数据的优点是为反演地表生物物理参数提供了更多约束条件,但是由于地表的二向性反射特性,要定量地比较不同时间、不同观测角度获取的数据很困难,因此要有效利用多角度观测数据,必 344 北京师范大学学报(自然科学版)第43卷 须正确理解与描述角度效应[6].在通常情况下,自然界中绝大多数物体都具有各向异性.地物的反射不仅具有方向性,而且依赖于入射方向,为了描述地物的这种特性,Nicodemus[7]提出了BRDF(bidirectional reflectance dist ribution f unction)的概念描述反射特征空间分布.由于植被在生态系统中的重要地位,因此很多学者都曾深入研究了植被冠层的二向性反射特性,发展了一系列模型,如Li2St rahler GOMS(Geomet ric optical mut ual shadowing)[8]、Kussk[9]、SA IL[10211]等.其中SA IL(light scattering by arbit rarily inclined leaves)模型描述了在水平均匀冠层中直射和上行下行散射光通量的辐射传输过程,它是使用最为广泛的冠层二向性反射物理模型之一.在本文中使用了SA IL H[9]模型来模拟作物冠层的二向性反射,该模型是在SA IL模型的基础上考虑了热点效应发展而来的.模型中描述冠层结构的参数包括:叶面积指数I LA、平均叶倾角A AL,叶片方位角呈随机分布,叶倾角呈椭球体分布,用偏心率ε描述,其他的输入参数还有叶片反射率ρ(λ)、叶片透过率τ(λ)、天空光比例、土壤反射率ρs(λ)、热点因子s,以及描述观测几何的参数:太阳天顶角θs、观测天顶角θv、太阳方位角和观测方位角之差.植被覆盖度是描述植被生长的一个重要参数,获取植被覆盖度的手段主要有地表实测和遥感估算2种.基于遥感估算植被覆盖度的方法大致可归纳为以下2种:混合光谱模型法和植被指数法.混合光谱模型法的基本思想是像元在某一光谱波段的反射率是由构成像元的基本组分的反射率以其所占像元面积比例为权重系数的线性组合,基于此可反求出地物的面积比例.例如像元只有土壤和植被2种物质成分,则植被覆盖度的计算模型为[12]f VC=(ρ-ρs)/(ρv-ρs),(1)其中,f VC为植被覆盖度,ρ为土壤和植被混合的波段反射率,ρv为纯植被的波段反射率,ρs为纯土壤的波段反射率.植被指数法的主要思想是通过对各像元中植被类型及分布特征的分析,建立植被指数与植被覆盖率的转换关系来直接估算植被覆盖率.如Gut man[13]提出植被覆盖度与植被指数的模型:f VC=(I NDV-I NDV,s)/(I NDV,v-I NDV,s),(2)其中:f VC为植被覆盖度,I NDV为所求像元的植被指数, I NDV,v为纯植被的植被指数,I NDV,s为纯裸土的植被指数.植被覆盖度定义中强调计算植被覆盖度时观测与地表垂直是需要保证的.目前已有很多传感器数据生产植被覆盖度产品,如MODIS的全球植被覆盖度产品.该产品是在集合多天(32d)、多种MODIS产品的基础上计算合成得到的[14215].其合成的基本思想是选取受大气气溶胶影响最小的观测,通常采用的方法是选取I NDV值最大的观测.可以看出,同一地区多时相获得的植被覆盖度产品也不能保证是在相同的θv下的数据计算得到的,因此即使不考虑地表变化的因素,2次植被覆盖度产品之间也不具有可比性.针对这一问题,研究不同θv下计算的植被覆盖度之间的差异就很有必要.下边的模拟分析以说明对于估算的植被覆盖度,倾斜观测相比垂直观测会产生多大误差.我们使用SA IL H模型模拟了作物冠层的二向性反射.模拟中θs=45°,θv从-80°到80°变化(负值表示观测和太阳在异侧),太阳和观测方位夹角为180°.模拟中所使用的作物冠层参数如表1所示,其中的光谱参数从“八六三”项目“中国典型地物标准波谱数据库”中提取.对于真实的植被覆盖度即垂直观测时的植被覆盖度可由Nilson[16]提出的方法求得:f VC=1-e(-λ03k03I LA),(3)其中λ0为Nilson参数,λ0>1代表规则分布,λ0=1代表随机分布,λ0<1代表丛生分布,I LA为叶面积指数,k0=Gcos(θv),(4)式中θv是观测天顶角,G为叶片分布的G函数,模拟中叶片为水平型,G=|cos(θv)|,(5)通过计算得知模拟中作物冠层的真实覆盖度为0191.表1 SAI LH模型的输入参数红光波段红外波段I LA 2.55A AL0°ε0.98s0.06天空光比例0.240.22叶片反射率0.080.40叶片透过率0.120.36土壤反射率0.200.27 我们分别使用公式(1)和(2)计算了θv从-80°到80°变化时植被覆盖度的变化情况.图1为各个观测角度下植被覆盖度的计算值,图2则是倾斜观测求得的植被的覆盖度相比天顶观测求得的植被覆盖度随θv 的变化的百分比.图1显示在θv为70°～80°时,使用混合光谱模型法对红光波段计算所得的植被覆盖度大于1,这是模型本身误差所致.使用SA IL H模型模拟 第3期郭占军等:遥感估算植被覆盖度的角度效应分析345 的冠层BRDF ,在观测角度为70°～80°时,随着I LA 增大红光波段的反射率有减小的趋势,从而使得使用混合光谱模型法计算f VC 时纯植被的反射率取值小于模拟的冠层的反射率,进而导致计算所得的植被覆盖度超出了0～1的范围.图1 各观测天顶角θv 下植被覆盖度f VC的计算值图2 作物冠层BRDF 对f VC 的影响f VC 较差表示倾斜观测计算的f VC 相比垂直观测计算的f VC 的变化百分比,图8,9同. 模拟结果表明,植被指数法计算所得的植被覆盖度与真实植被覆盖度最接近,且随着观测天顶角的变化,所求得的植被覆盖度相比天顶观测求得的植被覆盖度变化不大.同时,使用混合光谱模型法对红光波段计算的植被覆盖度与真实植被覆盖度也较接近,且随着观测角度的变化其角度效应亦不明显,但是对于使用混合光谱模型法对近红外波计算所得的植被覆度与真实植被覆盖度相比差别较大,而且随着观测角度不同角度效应明显.这是因为,对于作物冠层来说,近红外波段的反射率远高于红光波段,不同方向二向性反射差异的绝对值也高于红光波段,如图3所示.因此当使用混合光谱模型法即公式(1)基于单个波段计算植被覆盖度时,选择红光波段的效果要比近红外波段效果好,究其原因与近红外波段多次散射较红光波段强有一定关系.需要说明的是混合光谱模型法中忽略了多次散射,混合像元的反射率是由其组分反射率和面积比决定,使用该法计算植被覆盖度本身就存在误差.模拟结果表明,使用红光波段计算的植被覆盖度与真实植被覆盖度更接近,而且随着观测角度的变化其变化不大,但是对于使用近红外波计算所得的植被覆盖度与真实植被覆盖度相比差别较大,而且随着观测角度不同差别明显.这是因为,对于作物冠层来说,近红外波段的反射率远高于红光波段,不同方向二向性反射差异的绝对值也高于红光波段,见图3.因此当使用混合光谱模型法即式(1)基于单个波段计算植被覆盖度时,选择红光波段的效果要比近红外波段效果好,究其原因与近红外波段多次散射较红光波段强有一定关系.需要说明的是混合光谱模型法中忽略了多次散射,混合像元的反射率是由其组分反射率和面积比决定,使用该法计算植被覆盖度本身就存在误差.图3 SAI LH 模拟的作物冠层的BRDF2 不同观测角度面积差异对估算植被覆盖度的影响对于固定瞬时视场角(IFOV )的传感器来说,不同观测角度对应像元不同的采样面积.对于均一地表,不管θv 怎么变化,瞬时视场中“看到”的地物只有1种,像元的反射率只由地物的二向性反射决定,而对于非均一地表来说,随着θv 的变化,像元的反射率除了跟地物的二向性反射有关之外,还跟瞬时视场中“看到”的地物组分类型及其面积比例有关,所以考虑面积误差很有必要.针对像元地面采样面积不同这一问题,我们进行 346 北京师范大学学报(自然科学版)第43卷 了以下的模拟分析.假定地表平坦,垂直观测时,像元中只包括模拟中的作物一种地物,随着θv 的增大,像元所观测到的地面面积在不断加大,假定像元中新加入的地物成分分别为:裸土(干)、裸土(湿)、海藻石、硫锑铋矿、砂岩、水体,其反射率数据见表2.表2 模拟中所用到的地物反射率数据3地物红光反射率ρ696nm红外反射率ρ896nm裸土(干)0.200.27裸土(湿)0.1950.025海藻石0.310.33硫锑铋矿0.130.12砂岩0.1650.170水体0.080.033引自“八六三”项目“中国典型地物标准波谱数据库”. 模拟在主平面内进行,θs =45°,倾斜观测时像元由作物和新加入的地物线性混合得到,其中作物冠层的二向性反射使用SA IL H 模型模拟,作物冠层的输入参数见表1,新加入的地物种类则认为朗伯.模拟结果如图4～7所示.图4、5表示θv 从-80到80°变化时,新增面积分别对红光波段和红外波段反射率的影响.图6、7分别表示对于红光波段和红外波段,由于新增面积的影响引起的倾斜观测的反射率相比天顶观测的反射率的变化百分比.可以看出,新加入的地物成分对混合像元的反射率影响随着θv 的增大在增加,作物和新加入地物的反射率差值越大对混合像元反射率影响越大.在红光波段,海藻石和作物的反射率差值最大,所以表现出角度效应最明显,而水体和作物的反射率差值最小,所以合成后像元的反射率曲线和作物的BRDF 曲线最接近,如图4、6所示.在红外波段,作物和湿土的反射率差别最大,所以角度效应也最明显,而作物和海藻石的反射率差值最小,所以合成后混合像元的反射率曲线和作物的BRDF 曲线最接近,如图5、7所示.图8、9表示的是新加入的地物对植被覆盖度的影响,由于对于面积差异导致的植被覆盖度计算差异而言,红光和近红外波段是一样的.故本文仅选用了红光波段进行示例.图8是使用公式(1)计算植被覆盖度所得,而图9则是使用公式(2)计算植被覆盖度所得.可以看出,无论使用哪种植被覆盖度计算模型,由于面积误差的影响,倾斜观测所求植被覆盖度均小于垂直观测的植被覆盖度,这和我们假设大角度观测仅仅增加 第3期郭占军等:遥感估算植被覆盖度的角度效应分析347 非植被是一致的.故既考虑BRDF 效应,又考虑面积误差,计算的植被覆盖度随观测角度的变化是增大还是减小是不一定的.3 数据验证为了验证即使在2种平坦的近似朗伯的地表交界处角度效应依然明显,我们使用了250m 分辨率的MODIS 地表反射率日产品,试验区域选在西藏那木错湖地区,该地区全年天气以晴朗为主,受云的影响较少,如图10所示.实验中选取湖边2个混合像元A 和B ,目视判译为水体和裸土混合.分别统计了2001年1月1日至14日该像元及与其临近的水体和裸土的反射率,如果有云则排除.其中水体和裸土的反射率取其周围的多个像元的平均值以避免取单个像元值的片面性,而且保证每一天选取的多个像元基本相同,以使其具有可比性.统计结果如图11、12所示.可以看出水体和土壤的角度效应均不是很明显,而这2种地物混合后的反射率角度效应则很明显.其中1月13日的数据质量较像元A 像元B图10 试验区域8日合成图 差.图中显示有时混合像元的反射率并不在组成混合像元2种成分的反射率范围之内,这种情况可能是由于MODIS 的配准误差引起的.图11 像元A 反射率统计图 由于这2个像元中目视判读没有植被,我们使用覆盖度计算公式(1)计算了2001年1月1日至14日像元中裸土的覆盖度,将水体认为是背景地物.我们的目标是研究使用遥感数据计算混合像元组分的覆盖度是否会随着日期的变化(即θv 的变化)而发生较大的差异,所以无论是计算植被的覆盖度还是水体的覆盖度对于理论研究来说不会有很大影响.结果如图13、14所示. 348 北京师范大学学报(自然科学版)第43卷可以看出,这2个像元中土壤的覆盖度随时间变化明显,这就意味着选用不同时间的遥感数据计算非均一地物的覆盖度具有很大的不确定性.综上,对于均一地物如水体随着θv的变化其反射率没有显示出很明显的角度效应(MODIS反射率产品已经过BRDF 纠正);而对于非均一地物无论是其反射率还是覆盖度随着θv的变化均显示出了较明显的角度效应,引起这种现象的主要原因就是随着θv的变化像元采样面积发生了变化,进而导致混合像元内地物组分面积比例发生了变化所致.4 结论针对遥感估算植被覆盖度这一古老的话题,本文既考虑了BRDF效应带来的影响,又特别研究了不同角度遥感观测地表覆盖面积不一样可能带来的误差.有以下几点结论:1)地物的二向性反射和不同观测角度对应像元不同的采样面积误差对植被覆盖度估算精度同时存在影响,即使在2种平坦的朗伯地物交界处依然影响很大,所以估算植被覆盖度时角度效应必须考虑.2)由于目前很多遥感成像在本质上不同角度对应的是不同的观测面积,这样对于一个混合像元,同时考虑BRDF效应和面积采样误差,无论使用红光波段还是使用红外波段计算的植被覆盖度随观测角度的变化是增大还是减小是不一定的,这主要取决于混合像元内部各部分在不同角度的面积比和地物类型.3)对于植被冠层,红外波段的“碗边效应”较红光波段更明显,因此,当运用混合光谱模型法仅利用单个波段计算植被覆盖度时,选择红光波段的效果要比红外波段效果好.4)混合像元内地物间反射率差异越大,受到不同角度采样面积的影响越明显.最后,本文中的模拟基于作物冠层理想化的假设,只是为了说明研究植被覆盖度角度效应的必要性.以后的工作中可以进一步考虑更复杂的地物类型如林地,并尝试改进尽可能减小角度效应的植被覆盖度计算模型.5 参考文献[1] Weiss M,Baret F.Evaluation of canopy biophysicalvariable retrieval performances f rom the accumulation of large swath satellite data[J].Remote Sensing ofEnvironment,1999,70:293[2] Avissar R,Pielke R A.A parameterization ofheterogeneous land surfaces for atmospheric numerical models and its impact on regional meteorology[J].Monthly Weather Review,1989,117:2113[3] 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[4] Purevdor Ts,Tateishi R,Ishiyama T.Relationshipsbetween percent vegetation cover and vegetation indices [J].International Journal of Remote Sensing,1998,18: 3519[5] 黄健熙,吴炳方.基于蒙特卡罗方法的森林冠层BRDF模拟[J].系统仿真学报,2006,18(6):1672[6] Shepherd J D,Dymond J R.BRDF correction of 第3期郭占军等:遥感估算植被覆盖度的角度效应分析349vegetation in AV HRR imagery[J].Remote Sensing of Environment,2000,74:397[7] Nicodemus F E,Richmond J C,Hsia J J.G eometricalconsiderations and nomenclature for reflectance[J].National Bureau of Standards Monograph,1977:160 [8] Li Xiaowen,Strahler A H.G eometric2opticalbidirectional reflectance modeling of the discrete crown vegetation canopy:effect of crown shape and mutual shadowing[J].IEEE Trans Geosci Rem Sens,1992, GE230:276[9] Kussk A E.The hot spot of a uniform vegetation cover[J].J Remote Sensing,1985,3(4):645[10] Verhoef W.Light scattering by leaf layers withapplication to canopy reflectance modeling:the SA ILmodel[J].Remote Sensing of Environment,1984,16:125[11] Verhoef W.Earth observation modeling based on layerscattering matrices[J].Remote Sensing ofEnvironment,1985,17:165[12] Camacho De Coca F,García Haro F J,G ilabert M A.Vegetation cover seasonal changes assessment f rom TMimagery in a semi2arid landscape[J].InternationalJournal of Remote Sensing,2004,25(17):3451 [13] Gutman G,Ignatov A.The derivation of the greenvegetation f raction from NOAA/AV HRR data for use innumerical weather prediction models[J].InternationalJournal of Remote Sensing,1998,19(8):1533[14] Strahler A,Muchoney D,Borak J.MODIS land coverproduct algorithm theoretical basis document(A TBD)version510[EB/OL].[2007202215].http:∥MODIS./data/atbd/land2atbd.php[15] Zhan X,de Fries R,Hansen M.MODIS enhanced landcover and land cover change product algorithmtheoretical basis documents(A TBD)version210[EB/OL].[2007202215].http:∥/data/atbd/land2atbd.php[16] Nilson T.A theoretical analysis of the f requency of gapsin plant stands[J].Agric Meteorol,1971,8:25ANALYSIS ON ANGU LAR EFFECTS OF VEGETATION FRACTION COVER ESTIMATION BASED ON REMOTE SENSING DATAGuo Zhanjun1,2) Yan Guangjian1) Feng Xue1)Wang Yuanzheng1) Zhang Xiaoyu3)(1)School of Geography and Remote Sensing Science,State Key Laboratory of Remote Sensing Science,Jointly Sponsored by Beijing Normal University and t he Institute of Remote Sensing Applications of Chinese Academy of Sciences;Beijing Key Laboratory of Enviromental Remote Sensing and City Digitalization,Beijing Normal University:100875,Beijing,China;2)School of Resources and Environment Science,Ningxia University,750021,Y inchuan,China;3)Institute of Geographical Sciences and Natural Resources Research,Chinese Academy of Sciences,100101,Beijing,China)Abstract The fraction of vegetation cover(FVC)is t he vertical projection of t he crown or shoot s area of vegetation to t he gro und surface exp ressed as t he fraction or percentage of t he reference area.In fact,it is incomparable between two FVC estimations from two different directions for t he reason of bidirectional reflectance of vegetatio n canopy.Besides,for heterogeneous surface,different ground sampling area in different view direction can also bring t he angular effect s which may be prominent sometimes.In t his paper, bot h of t he BRDF caused angular effect s and t he ground sampling caused angular effect s in FVC estimation are analyzed by simulation.From t he simulation result s,it can be found t hat even for a mixed pixel wit h two Lambertian flat surfaces in it,t he effective reflectance may show large angular differences due to different ground sampling area.At view zenit h angle of40°,reflectance differences and FVC differences brought by such ground sampling p roblem may be as large as56%and23%respectively compared wit h nadir viewing in red band for winter wheat mixed wit h bare soil.Consequently,it is necessary to consider bot h of t he BRDF effect s and t he various ground sampling area in FVC estimation using large FOV remote sensing images.K ey w ords f raction of vegetation cover;angular effect s;bidirectional reflectance dist ribution f unction; simulation。
