基于遙感數(shù)據(jù)的植被覆蓋度估算方法綜述

基于遙感數(shù)據(jù)的植被覆蓋度估算方法綜述

1區(qū)域及全球fvc估算技術氣候變化表明，全球變化對人類生存的環(huán)境產(chǎn)生了直接影響，如全球森林減少、土地退化和荒漠化、生態(tài)系統(tǒng)退化和植被帶移動率。直接影響人類的生活水平和質(zhì)量。如何確保人類生存環(huán)境的可持續(xù)發(fā)展,減緩全球變化的不良影響,已經(jīng)引起各國政府、科學家及公眾的強烈關注。陸地生態(tài)系統(tǒng)作為地球系統(tǒng)重要的組成部分,在維持整個地球系統(tǒng)結(jié)構(gòu)、功能和環(huán)境,并調(diào)節(jié)使之向適宜于人類生存方向發(fā)展中扮演著重要角色。植被是陸地生態(tài)系統(tǒng)中最基礎的部分,所有其他生物都依賴于植被而生。植被覆蓋度(FractionalVegetationCover,FVC)通常定義為植被(包括葉、莖、枝)在地面的垂直投影面積占統(tǒng)計區(qū)總面積的百分比,是刻畫地表植被覆蓋的重要參數(shù),也是指示生態(tài)環(huán)境變化的基本指標,在大氣圈、土壤圈、水圈和生物圈中占據(jù)著重要的地位。如FVC在氣候模式中是描述生態(tài)系統(tǒng)的重要生態(tài)氣候參數(shù),在水文生態(tài)模型中的空間分布和時間變化動態(tài)是能量和水循環(huán)的影響因子,在土壤侵蝕預報模型中是基本的輸入變量,其測量精度對土壤侵蝕預報的精度影響很大。因此,區(qū)域及全球范圍的FVC估算對植被及相關領域的研究具有十分重要的意義。遙感由于其大范圍的數(shù)據(jù)獲取和連續(xù)觀測能力,是區(qū)域及全球FVC估算的有效手段。同時由于遙感數(shù)據(jù)的空間分辨率、光譜分辨率和時相特征的多樣性,能夠獲取不同尺度上的植被覆蓋及其變化信息,已經(jīng)成為估算植被覆蓋度的主要技術手段。目前,部分遙感衛(wèi)星提供了FVC產(chǎn)品,但是產(chǎn)品不確定性較大,在不同區(qū)域表現(xiàn)出不同的精度。本文旨在針對基于遙感數(shù)據(jù)的FVC估算進行分析探討,重點討論了遙感數(shù)據(jù)源、估算方法以及現(xiàn)有產(chǎn)品和存在的問題,并對發(fā)展趨勢進行了展望。2植被覆蓋率估算的遙感數(shù)據(jù)源2.1基于多光譜成像方法的fvc估算高光譜遙感數(shù)據(jù)具有波段多、信息量豐富的特點,可以提供連續(xù)、精細的光譜信息,并且高光譜數(shù)據(jù)能夠有效消除地表光譜反射率和大氣散射等的影響,直接反映植被參數(shù)信息,已被許多學者應用到估算FVC的研究中。利用高光譜數(shù)據(jù)估算FVC的主要方法包括混合像元分解法和植被指數(shù)回歸法。Kenneth等基于混合像元分解法,利用高光譜數(shù)據(jù)計算的3個植被指數(shù)NDVI,SAVI和MSAVI進行干旱區(qū)稀疏植被覆蓋度估算研究,取得了滿意的結(jié)果。李曉松等以Hyperion為數(shù)據(jù)源,系統(tǒng)比較了NDVI與偏最小二乘回歸法估測荒漠化地區(qū)FVC的能力,結(jié)果表明,基于Hyperion數(shù)據(jù)的NDVI可以有效地估測荒漠化地區(qū)FVC,相比于寬波段NDVI估算值誤差明顯降低。Zhang等在新疆石河子地區(qū)利用環(huán)境衛(wèi)星高光譜數(shù)據(jù)計算的窄波段植被指數(shù)的像元二分模型進行FVC估算,取得了滿意的估算精度,決定系數(shù)達到0.86。高光譜數(shù)據(jù)豐富的光譜信息有能力測量低植被覆蓋度,受背景光譜變化的影響較小,是FVC準確估算的理想數(shù)據(jù)源,但目前由于在軌運行的搭載高光譜傳感器的衛(wèi)星很少,數(shù)據(jù)獲取受限。2.2地表分辨率及區(qū)域尺度的fvc估算多光譜數(shù)據(jù)是目前FVC遙感估算的主要數(shù)據(jù)源。低空間分辨率的NOAA/AVHRR數(shù)據(jù)、MODIS數(shù)據(jù)、SPOTVEGETATION數(shù)據(jù)等由于具有較寬的覆蓋范圍和較高的時間分辨率,適于進行大區(qū)域和全球FVC連續(xù)觀測。中等空間分辨率的LandsatTM/ETM+,SPOT多光譜數(shù)據(jù),ASTER多光譜數(shù)據(jù)等適于區(qū)域尺度的更為精細的FVC估算。高空間分辨率的IKONOS,Quickbird,RapidEye,GeoEye等數(shù)據(jù)能夠更清楚地反映地表特征,廣泛應用于局部區(qū)域FVC的精細估算。如Geoland-2項目利用NOAA/AVHRR數(shù)據(jù)生產(chǎn)了覆蓋全球的1981年至今的FVC產(chǎn)品;Voorde等利用LandsatETM+數(shù)據(jù)估算了比利時首都布魯塞爾地區(qū)的FVC;陳巧等利用QuickBird影像數(shù)據(jù)進行了小范圍退耕地植被蓋度遙感估算。多光譜數(shù)據(jù)由于易于獲取、覆蓋范圍大和可連續(xù)觀測,在全球及區(qū)域FVC估算方面將長期成為主力數(shù)據(jù)源。2.3小麥fvc與asar數(shù)據(jù)的相關性微波數(shù)據(jù)由于不受太陽輻射和大氣條件的影響,在FVC估算方面具有獨特的優(yōu)勢。如Zribi等將ERS-2/SAR信號分解為植被與非植被信息,估算半干旱地區(qū)的FVC。鮑艷松等在地面觀測數(shù)據(jù)的基礎上分析了小麥FVC與ASAR數(shù)據(jù)后向散射系數(shù)之間的相關關系,發(fā)現(xiàn)水平同極化后向散射系數(shù)與小麥FVC相關性顯著,但是垂直同極化后向散射系數(shù)與小麥FVC的相關性不顯著。由于微波信號對植被冠層的穿透性,導致微波數(shù)據(jù)FVC估算精度不高,目前不是FVC估算的主流數(shù)據(jù)源。2.4ar數(shù)據(jù)的應用LiDAR作為一種主動式傳感器,根據(jù)地物后向散射特性,能高精度地獲取地面點三維坐標和回波強度信息,為監(jiān)測植被生長狀態(tài)提供了新的技術手段,并在植被高度、覆蓋度等植被結(jié)構(gòu)參數(shù)反演方面取得了很大進展。LiDAR數(shù)據(jù)是點云數(shù)據(jù),主要通過分類地面點和植被點來實現(xiàn)FVC的估算。如Koetz等將LiDAR模型用于生成綜合數(shù)據(jù)表以及研究LiDAR波形模型的可逆性,結(jié)果顯示森林的冠層覆蓋度可以通過LiDAR波形模型反演得到。崔要奎等以玉米為研究對象,提出了利用機載LiDAR點云數(shù)據(jù)的強度信息和全波形數(shù)據(jù)中的距離與掃描天頂角信息反演農(nóng)作物覆蓋度的方法,在黑河的飛行試驗中取得了較高精度。LiDAR的優(yōu)勢是能夠直接測量植被結(jié)構(gòu)信息,彌補其他遙感手段的不足,在FVC估算方面具有廣闊的應用前景。但是,目前LiDAR數(shù)據(jù)大多是機載數(shù)據(jù),獲取成本較高,而且LiDAR數(shù)據(jù)是點云數(shù)據(jù),在區(qū)域上推廣使用需要結(jié)合其他遙感數(shù)據(jù)源。3植被覆蓋率的遙感估算方法3.1不同植被指數(shù)fvc的回歸模型回歸模型法是通過對遙感數(shù)據(jù)的某一波段、波段組合或利用遙感數(shù)據(jù)計算出的植被指數(shù)與FVC進行回歸分析,建立經(jīng)驗估算模型。根據(jù)用于FVC回歸的變量不同,可以將估算FVC的變量分為遙感光譜波段和植被指數(shù)。利用光譜波段建立回歸模型的方法是利用實測的FVC與遙感數(shù)據(jù)的單一波段或波段組合進行回歸分析。如North等使用ATSR-2數(shù)據(jù)的4個波段值(555,670,870和1630nm)分別與FVC進行了線性回歸,結(jié)果表明使用4個波段組合的線性混合模型估算FVC比單一植被指數(shù)要好。Voorde等利用LandsatETM+數(shù)據(jù)估算城市FVC,發(fā)現(xiàn)FVC與ETM+2,3,5,7波段的回歸模型估算效果最好。利用植被指數(shù)建立回歸模型將FVC與不同植被指數(shù)進行回歸分析,目前應用最多的植被指數(shù)為NDVI,其他還包括土壤調(diào)節(jié)植被指數(shù)、NDVI的變化形式等,常用的植被指數(shù)及計算方法如表1所示。Xiao等將LandsatETM+NDVI數(shù)據(jù)與對應FVC進行線性回歸分析,結(jié)果表明兩者之間存在很強的線性相關關系(R2=0.89)。根據(jù)回歸關系的不同,回歸模型有線形和非線形2種。線性回歸模型主要是通過地面測量FVC與遙感圖像的波段或植被指數(shù)進行線性回歸得到研究區(qū)域的估算模型。如North等和Xiao等分別使用ATSR-2波段數(shù)據(jù)和ETM+NDVI數(shù)據(jù)與FVC進行線性回歸分析,估算FVC。非線性回歸模型法主要是通過將遙感數(shù)據(jù)的波段或植被指數(shù)與FVC進行擬合,得到非線性回歸模型。Carlson等的研究表明對于部分植被覆蓋LAI在1~3的區(qū)域,如果植被聚集程度高,植被指數(shù)和FVC具有很好的非線性相關關系。Boyd等通過建立遙感數(shù)據(jù)不同波段值的非線性回歸模型估算了美國太平洋西北部的針葉林覆蓋度,計算結(jié)果在99%的置信度下相關性達0.56?；貧w模型法因其簡單易實現(xiàn)而被廣泛應用,對局部區(qū)域的FVC估算具有較高的精度。但是回歸模型一般都具有局限性,只適用于特定的區(qū)域與特定的植被類型,而且需要大量的地面實測數(shù)據(jù),因此不易推廣。區(qū)域性的經(jīng)驗模型應用于大尺度上估算FVC可能會由于地表的復雜性而出現(xiàn)較大問題。3.2模型假設及模型擬合混合光譜是指傳感器收集的地面反射光譜信息是植被光譜與下墊面光譜的綜合信息?；旌舷裨纸夥僭O每個組分對傳感器所觀測到的信息都有貢獻,建立混合像元分解模型估算FVC?；旌舷裨纸饽Ｐ头譃榫€性和非線性2種,目前的研究中大多數(shù)都是基于線性的。通過求解各組分在混合像元中的比例,植被組分所占的比例即為所需FVC。如Xiao等以ETM+為數(shù)據(jù)源,分別利用3個端元、4個端元及5個端元的線性光譜混合模型對美國新墨西哥州中部沙漠——高地過渡區(qū)內(nèi)的FVC進行了提取,研究結(jié)果表明以2種綠色植被、非光合植被、深色土壤及淺色土壤為端元的線性光譜混合模型表現(xiàn)最好,通過高分辨率影像提取的FVC進行驗證,R2達到0.88。像元二分模型是線性混合像元分解模型中最簡單的模型,其假設像元只由植被與非植被覆蓋地表兩部分構(gòu)成。光譜信息也只由這2個組分線性合成,它們各自的面積在像元中所占的比率即為各因子的權重,其中植被覆蓋地表占像元的百分比即為該像元的FVC。像元二分模型的表達式為FVC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil),其中ND-VIveg為全植被覆蓋的像元NDVI值,NDVIsoil為裸土像元的NDVI值。像元二分模型由于形式簡單和具有一定物理意義而被廣泛應用于FVC的估算。李苗苗等在對像元二分模型2個重要參數(shù)推導的基礎上,改進了已有模型的參數(shù)估算方法,建立了用NDVI估算FVC的模型。張喜旺等基于像元二分模型提取伊洛河流域的FVC,并研究其空間分異狀況。但是NDVI像元二分模型不可逾越的問題為NDVI的2個極值點(純植被和純裸土)的選擇存在很大的不確定性,因為它受土壤、植被類型以及葉綠素含量等因素的影響。目前對于這2個極值的確定主要是通過對時間和空間上的NDVI數(shù)據(jù)進行統(tǒng)計分析來獲取,也有學者直接從研究區(qū)域的NDVI數(shù)據(jù)中選取最大值和最小值分別作為純植被和純裸土的NDVI值。由于地表的復雜性,在全球尺度單一選取NDVI的2個極值點會對FVC的估算造成很大的不確定性,因此分氣候帶、區(qū)域和植被類型等分別選取純植被和裸土的NDVI值,是像元二分模型的技術難點。3.3在fvc遙感估測中的應用隨著計算機技術的發(fā)展,機器學習方法被廣泛應用到FVC的估算,包括神經(jīng)網(wǎng)絡、決策樹、支持向量機等。機器學習方法的步驟一般為確定訓練樣本、訓練模型和估算FVC。根據(jù)訓練樣本選取的不同,機器學習方法分為基于遙感影像分類和基于輻射傳輸模型2大類。基于遙感影像分類的方法首先采用高空間分辨率數(shù)據(jù)進行分類,區(qū)分出植被和非植被,再將分類結(jié)果聚合到低空間分辨率尺度,計算低空間分辨率像元中植被的比例作為訓練樣本,訓練機器學習模型,進而估算FVC。基于輻射傳輸模型的方法首先由輻射傳輸模型模擬出不同參數(shù)情況下的光譜反射率值,再根據(jù)傳感器的光譜響應函數(shù)將模擬的光譜反射率值重采樣,不同的參數(shù)和模擬的波段值作為訓練樣本對機器學習模型進行訓練。機器學習方法的關鍵在于訓練樣本的選擇,要確保準確性和代表性。神經(jīng)網(wǎng)絡算法是用計算機模擬人類學習的過程,建立輸入和輸出數(shù)據(jù)之間聯(lián)系的方法。神經(jīng)網(wǎng)絡方法不需要對輸入數(shù)據(jù)作任何的假設,而且在一定程度上可以消除噪聲的影響,有效地整合多源遙感數(shù)據(jù),因此在地表參數(shù)遙感反演方面得到了廣泛應用。Boyd等在分別比較多元回歸法、植被指數(shù)法以及神經(jīng)網(wǎng)絡法后,認為神經(jīng)網(wǎng)絡更適用于美國太平洋西北部森林覆蓋度的估算,同時比較了多層感知層、徑向基函數(shù)法以及廣義回歸神經(jīng)網(wǎng)絡3種方法,最終選擇了多層感知層進行研究區(qū)域FVC的反演。Voorde等提出了利用多層感知層神經(jīng)網(wǎng)絡對從ETM+圖像中隨機選取訓練樣本的方法進行混合像元分解,最終估算亞像元FVC。但神經(jīng)網(wǎng)絡的建立存在較多的主觀成分,而且基于黑箱原理,難以確定遙感數(shù)據(jù)與FVC的模型關系。支持向量機(SupportVectorMachine,SVM)是一種基于統(tǒng)計學習理論的新型機器學習算法,由Vapnik首先提出,在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢,并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。SVM的原理是通過解算最優(yōu)化問題,在高維特征空間中尋找最優(yōu)分類超平面,從而解決復雜數(shù)據(jù)的分類問題。SVM算法多用于遙感數(shù)據(jù)分類,并取得比其他算法更優(yōu)的分類結(jié)果。如Su等利用SVM方法來識別半干旱地區(qū)的植被類型,在SVM分類結(jié)果上進一步估算研究區(qū)域的FVC。Huang等利用SVM方法生成研究區(qū)的森林覆蓋度變化產(chǎn)品,經(jīng)高分辨率的IKONOS驗證,產(chǎn)品精度高達90%。但是在SVM算法中如何針對特定問題選擇核函數(shù)目前沒有一個準則,而且核函數(shù)對分類精度到底有什么樣的影響,還缺乏統(tǒng)一的認識。現(xiàn)有的核函數(shù)選擇方法是分別試用不同的核函數(shù),選擇分類誤差最小的核函數(shù),同時核函數(shù)的參數(shù)也用同樣的方法選定。這種選擇方法基本是憑經(jīng)驗選擇,缺乏足夠的理論依據(jù)。核函數(shù)的選擇對SVM算法精度具有一定影響,有必要對核函數(shù)進行合理選擇、改進、修正和優(yōu)化。決策樹算法是以分層分類思想為指導原則,利用樹結(jié)構(gòu)按一定的分割原則把數(shù)據(jù)分為特征更為均質(zhì)的子集。利用決策樹算法進行FVC估算的一般步驟為:由部分樣本數(shù)據(jù)建立決策樹,然后用剩余樣本數(shù)據(jù)對所建立的決策樹進行修剪和驗證,形成最終用于估算FVC的決策樹結(jié)構(gòu)。決策樹算法具有計算效率高、無需統(tǒng)計假設、可以處理不同空間尺度數(shù)據(jù)等優(yōu)點,在FVC遙感估算方面有著廣泛的應用。Hansen等采用AVHRR和MODIS遙感數(shù)據(jù),利用紅光波段反射率、近紅外波段反射率和ND-VI植被指數(shù)建立決策樹估算非洲中部的喬木覆蓋度。并且,Hansen等在此基礎上對決策樹算法進行改進,建立了MODIS標準產(chǎn)品VegetationContinuousFields算法,在全球范圍內(nèi)估算樹和草的覆蓋度。雖然決策樹算法取得了較大的發(fā)展,但是面對地表參數(shù)估算中新出現(xiàn)的問題以及應用領域的不同要求,仍需要在很多方面進行深入研究和改進,比如在對傳統(tǒng)算法進行改造以提高決策樹的預測精度及適用范圍、優(yōu)化簡化決策樹的方法和尋求新的構(gòu)造決策樹的方法等方面需要進一步加深研究。機器學習算法的主要難點在于訓練樣本的選取。模型模擬數(shù)據(jù)理論上可以涵蓋地表的所有情況,但是復雜的地表情況和前向模型的模擬精度對訓練樣本的精確性有較大影響。實測數(shù)據(jù)雖然可以獲得較高精度的樣本數(shù)據(jù),但是在代表性和全面性方面具有一定的限制。如何選擇合適的訓練樣本成為機器學習算法的重點和難點。3.4在fvc研究中的應用除了上述常用FVC遙感估算方法,主要還包括物理模型法、光譜梯度差法、FCD(ForestCanopyDensity)分級法等應用較少的方法。物理模型法是通過研究光與植被的相互作用,建立植被光譜信息與FVC之間物理關系的模型,如輻射傳輸模型、幾何光學模型等。因為輻射傳輸模型涉及到較為復雜的物理機制,很難直接計算覆蓋度,必須通過查找表或者機器學習法簡化反演過程。如EnvisatMERISFVC產(chǎn)品是利用PROS-PECT+SAIL模型模擬光譜數(shù)據(jù)訓練神經(jīng)網(wǎng)絡算法,通過輸入MERIS13個波段的觀測值得到FVC。物理方法實現(xiàn)了光學信號與植被物理參數(shù)之間關系的建立,理論上可以涵蓋不同的情況,具有更廣泛的適用性。但是這種方法需要大量的數(shù)據(jù),現(xiàn)有遙感數(shù)據(jù)在應用時需要考慮時間、空間、角度、光譜響應等,往往數(shù)據(jù)不足。另一方面如何選擇模型存在著較大問題,如果模型復雜了待估算參數(shù)多,難于反演,反之模型自身存在較大誤差。因此,物理模型方法的應用受到了限制。光譜梯度差法是在分析植被和土壤反射光譜特征的基礎上提出的。唐世浩等提出一種基于綠、紅、近紅外3個波段計算最大梯度差,進而估算FVC。古麗等利用多種方法提取植被稀疏荒漠地區(qū)的FVC,發(fā)現(xiàn)光譜梯度差法與其他模型相比簡單且易執(zhí)行,其中耕地和裸地的FVC的估算結(jié)果與實地數(shù)據(jù)最為接近,但會低估植被稀疏地區(qū)的FVC。光譜梯度差法假設在有限波段范圍內(nèi)土壤反射率隨波長線性變化,在計算FVC時也沒有考慮植被、土壤面積隨波長的變化情況,與實際情況存在差異,會影響估算精度,而且計算用到的3個波段沒有經(jīng)過比值處理,波段噪聲會有較大影響。FCD分級法是ITTO(InternationalTropicalTimberOrganization)在總結(jié)眾多學者研究的基礎上發(fā)展而成的一種新的制圖方法,其利用LandsatTM數(shù)據(jù)計算FCD模型的4個因子:植被、裸土、熱量和陰影,最后通過FCD值大小劃分FVC等級,從而做出FVC等級圖。江洪等探討了利用FCD模型從SPOT影像中提取FVC的方法,通過野外實地考察驗證,總體精度達到了80%以上,能夠滿足大中尺度FVC調(diào)查的要求。FCD分級法對植被狀態(tài)進行了定量分析,并以百分位數(shù)來表示結(jié)果,其優(yōu)點是能夠表明植被的生長狀況,也能夠用來檢測植被的動態(tài)變化。但是該方法計算繁瑣,對光譜數(shù)據(jù)的要求也比較多,所以目前應用相對較少。4fvc產(chǎn)品的物理模型目前,部分遙感數(shù)據(jù)如POLDER,EnvisatMER-IS,SPOTVEGETATION(VGT)等都提供了FVC產(chǎn)品(表2),其生產(chǎn)算法主要包括經(jīng)驗模型法和物理模型法。其中,在CYCLOPES項目里利用VGT數(shù)據(jù)生產(chǎn)FVC的算法使用了經(jīng)驗性模型。而POL-DER和EnvisatMERIS衛(wèi)星數(shù)據(jù)采用了機器學習方法,通過物理模型模擬產(chǎn)生訓練機器學習算法的樣本數(shù)據(jù),訓練后實現(xiàn)FVC的估算[52~54]。POLDER產(chǎn)品的訓練模型采用的是Kuusk輻射傳輸模型,FVC通過與葉面積指數(shù)的指數(shù)關系得到。EnvisatMERISFVC產(chǎn)品采用PROSPECT+SAIL模型,通過13個波段的光譜反射率值輸入神經(jīng)網(wǎng)絡生產(chǎn)FVC產(chǎn)品?；谖锢砟Ｐ瞳@得大量樣本數(shù)據(jù)的機器學習方法可以歸入物理模型法。Geoland-2項目中FVC的估算是基于CYCLOPESFVC產(chǎn)品修訂獲取訓練樣本訓練神經(jīng)網(wǎng)絡模型而實現(xiàn)。從現(xiàn)有FVC產(chǎn)品驗證報告來看,SEVIRI和EnvisatMERISFVC產(chǎn)品的空間一致性較好,但是MERISFVC產(chǎn)品系統(tǒng)性偏低,相差0.10~0.20。陸表植被參數(shù)產(chǎn)品驗證報告中指出SEVIRI和CYC-LOPES項目中VGT數(shù)據(jù)的產(chǎn)品之間也存在系統(tǒng)性偏差,VGT結(jié)果更高些,相差大約0.15,SEVIRI的FVC產(chǎn)品結(jié)果介于MERIS和VGT產(chǎn)品結(jié)果之間。但是Fillol等的驗證報告中提到CYCLOPESFVC產(chǎn)品比高空間分辨率SPOT多光譜數(shù)據(jù)FVC空間聚合之后的結(jié)果還要低一些。而且,Camacho等發(fā)現(xiàn)CYCLOPESFVC產(chǎn)品確實存在由于信號飽和問題引起的低估現(xiàn)象。由此推測SEVIRI,CYCLOPES和EnvisatMERIS的FVC產(chǎn)品和真實情況相比都會有系統(tǒng)性低估。Geoland-2FVC產(chǎn)品基于CYC-LOPESFVC產(chǎn)品進行了改進,修補了其低估問題,驗證結(jié)果與地面估測值更為接近,而且與CYC-LOPESFVC產(chǎn)品具有較好的一致性,但全球驗證點較少,需要繼續(xù)開展更為深入的驗證工作。5混合像元分解法在全球變化背景下,陸地生態(tài)系統(tǒng)在結(jié)構(gòu)、功能、景觀等各方面都發(fā)生了深刻變化,同時這種變化又通過改變地表反射率、粗糙度以及加劇溫室氣體排放等正反饋于全球氣候變化。長期高精度的全球植被參數(shù)數(shù)據(jù)集對于檢測、表征及量化陸表變化,驅(qū)動全球及區(qū)域氣候模式,以及用于環(huán)境政策和資源管理的各種決策支持系統(tǒng)至關重要。因此,綜合利用多源遙感數(shù)據(jù)源,繼續(xù)深入研究、發(fā)展和生產(chǎn)完整的長時間序列、高時空分辨率的全球FVC數(shù)據(jù)集對于提高全球變化監(jiān)測能力和促進全球變化學科發(fā)展具有重要的科學意義,這也將成為FVC遙感估算的一個研究熱點?；谶b感技術估算FVC的已有方法各具特點,但是理論依據(jù)、研究背景、使用的遙感數(shù)據(jù)源和所用的植被指數(shù)或波段都各不相同,目前還沒有一種標準的方法用來估算FVC。經(jīng)驗模型只適用于特定區(qū)域與特定植