论文部分内容阅读
植被覆盖度(Fraction of Vegetation Cover,FVC)通常被定义为植被(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。它是刻画地表植被在水平方向覆盖和指示生态环境变化的一个重要生物物理学参数,在土壤-植被-大气传输模型模拟地表和大气边界层交换中发挥着重要的作用。
目前,估算植被覆盖度的方法主要有地面测量和遥感反演。传统获取植被覆盖度的方法是地面测量,然而地面测量方法只能进行小区域的植被覆盖度监测,不适于给出大尺度地区的宏观植被信息,而常用的照相法获取植被覆盖度也因其自动化程度和分类精度问题影响地面实测效率。另一种常用方法则是通过建立遥感模型反演植被覆盖度。但传统的遥感反演模型大多数据是经验模型而且受研究区域的限制,同时这些模型大多数是基于单一尺度数据建立的;随着遥感技术的快速发展,单一尺度数据获得植被覆盖度已经不能满足应用的需求。多传感器多尺度数据的配合使用能够提高覆盖度的估算精确度,减少单一尺度数据的估算误差。本文针对目前地面测量和遥感反演获取植被覆盖度存在的问题进行了研究,主要内容及创新点如下:
第一:野外实验获取研究区数码照片,并在此基础上建立基于L*a*b*(L*表示心理明度;a*和b*为心理色度)颜色空间变换的精确快速的数码相片植被覆盖度提取模型:
第二:通过分析同一数据源在不同尺度下反演植被覆盖度的精度以及结合多尺度同时反演植被覆盖度的精度,评价了多尺度遥感反演植被覆盖度存在的尺度效应问题,并提出了纠正因子S,以部分消除空间异质性带来的尺度效应;
第三:建立了联合多尺度数据的植被覆盖度半经验半物理遥感反演模型,该模型克服了传统的纯经验性模型的缺点,模型中既引入了基于像元二分模型作为先验知识,同时又引入了加入尺度纠正因子S修正后的一维Beer-lambert定律,相关变量通过优化函数来进行最优选择;验证结果表明,所提出的植被覆盖度遥感反演方法反演的结果是可以接受的。