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(shù)氣候變化表明，全球變化對(duì)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(dòng)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(xué)家及公眾的強(qiáng)烈關(guān)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(gè)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(chǔ)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(jì)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(biāo),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(shí)間變化動(dòng)態(tài)是能量和水循環(huán)的影響因子,在土壤侵蝕預(yù)報(bào)模型中是基本的輸入變量,其測(cè)量精度對(duì)土壤侵蝕預(yù)報(bào)的精度影響很大。因此,區(qū)域及全球范圍的FVC估算對(duì)植被及相關(guān)領(lǐng)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(cè)能力,是區(qū)域及全球FVC估算的有效手段。同時(shí)由于遙感數(shù)據(jù)的空間分辨率、光譜分辨率和時(shí)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(shù)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(duì)基于遙感數(shù)據(jù)的FVC估算進(jìn)行分析探討,重點(diǎn)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(duì)發(fā)展趨勢(shì)進(jìn)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(diǎn),可以提供連續(xù)、精細(xì)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(xué)者應(yīng)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(jì)算的3個(gè)植被指數(shù)NDVI,SAVI和MSAVI進(jìn)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(cè)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(cè)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(jì)算的窄波段植被指數(shù)的像元二分模型進(jìn)行FVC估算,取得了滿意的估算精度,決定系數(shù)達(dá)到0.86。高光譜數(shù)據(jù)豐富的光譜信息有能力測(cè)量低植被覆蓋度,受背景光譜變化的影響較小,是FVC準(zhǔn)確估算的理想數(shù)據(jù)源,但目前由于在軌運(yùn)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(shí)間分辨率,適于進(jìn)行大區(qū)域和全球FVC連續(xù)觀測(cè)。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(xì)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(yīng)用于局部區(qū)域FVC的精細(xì)估算。如Geoland-2項(xiàng)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(shí)首都布魯塞爾地區(qū)的FVC;陳巧等利用QuickBird影像數(shù)據(jù)進(jìn)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(cè),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(guān)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(dú)特的優(yōu)勢(shì)。如Zribi等將ERS-2/SAR信號(hào)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(cè)數(shù)據(jù)的基礎(chǔ)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(guān)關(guān)系,發(fā)現(xiàn)水平同極化后向散射系數(shù)與小麥FVC相關(guān)性顯著,但是垂直同極化后向散射系數(shù)與小麥FVC的相關(guān)性不顯著。由于微波信號(hào)對(duì)植被冠層的穿透性,導(dǎo)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(yīng)用LiDAR作為一種主動(dòng)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(diǎn)三維坐標(biāo)和回波強(qiáng)度信息,為監(jiān)測(cè)植被生長狀態(tài)提供了新的技術(shù)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(jìn)展。LiDAR數(shù)據(jù)是點(diǎn)云數(shù)據(jù),主要通過分類地面點(diǎn)和植被點(diǎn)來實(shí)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(duì)象,提出了利用機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的強(qiáng)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(yàn)中取得了較高精度。LiDAR的優(yōu)勢(shì)是能夠直接測(cè)量植被結(jié)構(gòu)信息,彌補(bǔ)其他遙感手段的不足,在FVC估算方面具有廣闊的應(yīng)用前景。但是,目前LiDAR數(shù)據(jù)大多是機(jī)載數(shù)據(jù),獲取成本較高,而且LiDAR數(shù)據(jù)是點(diǎn)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(duì)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(jì)算出的植被指數(shù)與FVC進(jìn)行回歸分析,建立經(jīng)驗(yàn)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(shí)測(cè)的FVC與遙感數(shù)據(jù)的單一波段或波段組合進(jìn)行回歸分析。如North等使用ATSR-2數(shù)據(jù)的4個(gè)波段值(555,670,870和1630nm)分別與FVC進(jìn)行了線性回歸,結(jié)果表明使用4個(gè)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(jìn)行回歸分析,目前應(yīng)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(jì)算方法如表1所示。Xiao等將LandsatETM+NDVI數(shù)據(jù)與對(duì)應(yīng)FVC進(jìn)行線性回歸分析,結(jié)果表明兩者之間存在很強(qiáng)的線性相關(guān)關(guān)系(R2=0.89)。根據(jù)回歸關(guān)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(cè)量FVC與遙感圖像的波段或植被指數(shù)進(jìn)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(jìn)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(jìn)行擬合,得到非線性回歸模型。Carlson等的研究表明對(duì)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(guān)關(guān)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(jì)算結(jié)果在99%的置信度下相關(guān)性達(dá)0.56。回歸模型法因其簡單易實(shí)現(xiàn)而被廣泛應(yīng)用,對(duì)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(shí)測(cè)數(shù)據(jù),因此不易推廣。區(qū)域性的經(jīng)驗(yàn)?zāi)Ｐ蛻?yīng)用于大尺度上估算FVC可能會(huì)由于地表的復(fù)雜性而出現(xiàn)較大問題。3.2模型假設(shè)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(shè)每個(gè)組分對(duì)傳感器所觀測(cè)到的信息都有貢獻(xiàn),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(gè)端元、4個(gè)端元及5個(gè)端元的線性光譜混合模型對(duì)美國新墨西哥州中部沙漠——高地過渡區(qū)內(nèi)的FVC進(jìn)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(jìn)行驗(yàn)證,R2達(dá)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(shè)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(gè)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(quán)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(dá)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(yīng)用于FVC的估算。李苗苗等在對(duì)像元二分模型2個(gè)重要參數(shù)推導(dǎo)的基礎(chǔ)上,改進(jìn)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(gè)極值點(diǎn)(純植被和純裸土)的選擇存在很大的不確定性,因?yàn)樗芡寥馈⒅脖活愋鸵约叭~綠素含量等因素的影響。目前對(duì)于這2個(gè)極值的確定主要是通過對(duì)時(shí)間和空間上的NDVI數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析來獲取,也有學(xué)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(fù)雜性,在全球尺度單一選取NDVI的2個(gè)極值點(diǎn)會(huì)對(duì)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(shù)難點(diǎn)。3.3在fvc遙感估測(cè)中的應(yīng)用隨著計(jì)算機(jī)技術(shù)的發(fā)展,機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用到FVC的估算,包括神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)等。機(jī)器學(xué)習(xí)方法的步驟一般為確定訓(xùn)練樣本、訓(xùn)練模型和估算FVC。根據(jù)訓(xùn)練樣本選取的不同,機(jī)器學(xué)習(xí)方法分為基于遙感影像分類和基于輻射傳輸模型2大類?；谶b感影像分類的方法首先采用高空間分辨率數(shù)據(jù)進(jìn)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(jì)算低空間分辨率像元中植被的比例作為訓(xùn)練樣本,訓(xùn)練機(jī)器學(xué)習(xí)模型,進(jìn)而估算FVC?；谳椛鋫鬏斈Ｐ偷姆椒ㄊ紫扔奢椛鋫鬏斈Ｐ湍M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(yīng)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(xùn)練樣本對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練。機(jī)器學(xué)習(xí)方法的關(guān)鍵在于訓(xùn)練樣本的選擇,要確保準(zhǔn)確性和代表性。神經(jīng)網(wǎng)絡(luò)算法是用計(jì)算機(jī)模擬人類學(xué)習(xí)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(luò)方法不需要對(duì)輸入數(shù)據(jù)作任何的假設(shè),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(yīng)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(luò)法后,認(rèn)為神經(jīng)網(wǎng)絡(luò)更適用于美國太平洋西北部森林覆蓋度的估算,同時(shí)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(luò)3種方法,最終選擇了多層感知層進(jìn)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(luò)對(duì)從ETM+圖像中隨機(jī)選取訓(xùn)練樣本的方法進(jìn)行混合像元分解,最終估算亞像元FVC。但神經(jīng)網(wǎng)絡(luò)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(guān)系。支持向量機(jī)(SupportVectorMachine,SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的新型機(jī)器學(xué)習(xí)算法,由Vapnik首先提出,在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì),并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)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(fù)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(shí)別半干旱地區(qū)的植被類型,在SVM分類結(jié)果上進(jìn)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(yàn)證,產(chǎn)品精度高達(dá)90%。但是在SVM算法中如何針對(duì)特定問題選擇核函數(shù)目前沒有一個(gè)準(zhǔn)則,而且核函數(shù)對(duì)分類精度到底有什么樣的影響,還缺乏統(tǒng)一的認(rèn)識(shí)?，F(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(shí)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(yàn)選擇,缺乏足夠的理論依據(jù)。核函數(shù)的選擇對(duì)SVM算法精度具有一定影響,有必要對(duì)核函數(shù)進(jìn)行合理選擇、改進(jìn)、修正和優(yōu)化。決策樹算法是以分層分類思想為指導(dǎo)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(jìn)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(duì)所建立的決策樹進(jìn)行修剪和驗(yàn)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(jì)算效率高、無需統(tǒng)計(jì)假設(shè)、可以處理不同空間尺度數(shù)據(jù)等優(yōu)點(diǎn),在FVC遙感估算方面有著廣泛的應(yīng)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(chǔ)上對(duì)決策樹算法進(jìn)行改進(jìn),建立了MODIS標(biāo)準(zhǔn)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(duì)地表參數(shù)估算中新出現(xiàn)的問題以及應(yīng)用領(lǐng)域的不同要求,仍需要在很多方面進(jìn)行深入研究和改進(jìn),比如在對(duì)傳統(tǒng)算法進(jìn)行改造以提高決策樹的預(yù)測(cè)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(jìn)一步加深研究。機(jī)器學(xué)習(xí)算法的主要難點(diǎn)在于訓(xùn)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(fù)雜的地表情況和前向模型的模擬精度對(duì)訓(xùn)練樣本的精確性有較大影響。實(shí)測(cè)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(xùn)練樣本成為機(jī)器學(xué)習(xí)算法的重點(diǎn)和難點(diǎn)。3.4在fvc研究中的應(yīng)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(jí)法等應(yīng)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(guān)系的模型,如輻射傳輸模型、幾何光學(xué)模型等。因?yàn)檩椛鋫鬏斈Ｐ蜕婕暗捷^為復(fù)雜的物理機(jī)制,很難直接計(jì)算覆蓋度,必須通過查找表或者機(jī)器學(xué)習(xí)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(xùn)練神經(jīng)網(wǎng)絡(luò)算法,通過輸入MERIS13個(gè)波段的觀測(cè)值得到FVC。物理方法實(shí)現(xiàn)了光學(xué)信號(hào)與植被物理參數(shù)之間關(guān)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(yīng)用時(shí)需要考慮時(shí)間、空間、角度、光譜響應(yīng)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(fù)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(yīng)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(chǔ)上提出的。唐世浩等提出一種基于綠、紅、近紅外3個(gè)波段計(jì)算最大梯度差,進(jìn)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(shí)地?cái)?shù)據(jù)最為接近,但會(huì)低估植被稀疏地區(qū)的FVC。光譜梯度差法假設(shè)在有限波段范圍內(nèi)土壤反射率隨波長線性變化,在計(jì)算FVC時(shí)也沒有考慮植被、土壤面積隨波長的變化情況,與實(shí)際情況存在差異,會(huì)影響估算精度,而且計(jì)算用到的3個(gè)波段沒有經(jīng)過比值處理,波段噪聲會(huì)有較大影響。FCD分級(jí)法是ITTO(InternationalTropicalTimberOrganization)在總結(jié)眾多學(xué)者研究的基礎(chǔ)上發(fā)展而成的一種新的制圖方法,其利用LandsatTM數(shù)據(jù)計(jì)算FCD模型的4個(gè)因子:植被、裸土、熱量和陰影,最后通過FCD值大小劃分FVC等級(jí),從而做出FVC等級(jí)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(shí)地考察驗(yàn)證,總體精度達(dá)到了80%以上,能夠滿足大中尺度FVC調(diào)查的要求。FCD分級(jí)法對(duì)植被狀態(tài)進(jìn)行了定量分析,并以百分位數(shù)來表示結(jié)果,其優(yōu)點(diǎn)是能夠表明植被的生長狀況,也能夠用來檢測(cè)植被的動(dòng)態(tài)變化。但是該方法計(jì)算繁瑣,對(duì)光譜數(shù)據(jù)的要求也比較多,所以目前應(yīng)用相對(duì)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(yàn)?zāi)Ｐ头ê臀锢砟Ｐ头?。其?在CYCLOPES項(xiàng)目里利用VGT數(shù)據(jù)生產(chǎn)FVC的算法使用了經(jīng)驗(yàn)性模型。而POL-DER和EnvisatMERIS衛(wèi)星數(shù)據(jù)采用了機(jī)器學(xué)習(xí)方法,通過物理模型模擬產(chǎn)生訓(xùn)練機(jī)器學(xué)習(xí)算法的樣本數(shù)據(jù),訓(xùn)練后實(shí)現(xiàn)FVC的估算[52~54]。POLDER產(chǎn)品的訓(xùn)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(guān)系得到。EnvisatMERISFVC產(chǎn)品采用PROSPECT+SAIL模型,通過13個(gè)波段的光譜反射率值輸入神經(jīng)網(wǎng)絡(luò)生產(chǎn)FVC產(chǎn)品?；谖锢砟Ｐ瞳@得大量樣本數(shù)據(jù)的機(jī)器學(xué)習(xí)方法可以歸入物理模型法。Geoland-2項(xiàng)目中FVC的估算是基于CYCLOPESFVC產(chǎn)品修訂獲取訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型而實(shí)現(xiàn)。從現(xiàn)有FVC產(chǎn)品驗(yàn)證報(bào)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(yàn)證報(bào)告中指出SEVIRI和CYC-LOPES項(xiàng)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(yàn)證報(bào)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(shí)存在由于信號(hào)飽和問題引起的低估現(xiàn)象。由此推測(cè)SEVIRI,CYCLOPES和EnvisatMERIS的FVC產(chǎn)品和真實(shí)情況相比都會(huì)有系統(tǒng)性低估。Geoland-2FVC產(chǎn)品基于CYC-LOPESFVC產(chǎn)品進(jìn)行了改進(jìn),修補(bǔ)了其低估問題,驗(yàn)證結(jié)果與地面估測(cè)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(yàn)證點(diǎn)較少,需要繼續(xù)開展更為深入的驗(yàn)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(shí)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(duì)于檢測(cè)、表征及量化陸表變化,驅(qū)動(dòng)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(guān)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(shí)間序列、高時(shí)空分辨率的全球FVC數(shù)據(jù)集對(duì)于提高全球變化監(jiān)測(cè)能力和促進(jìn)全球變化學(xué)科發(fā)展具有重要的科學(xué)意義,這也將成為FVC遙感估算的一個(gè)研究熱點(diǎn)。基于遙感技術(shù)估算FVC的已有方法各具特點(diǎn),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(biāo)準(zhǔn)的方法用來估算FVC。經(jīng)驗(yàn)?zāi)Ｐ椭贿m用于特定區(qū)域與特定植