基于像元二分模型的植被慰盖度遥感信息提取.docxVIP

PAGE

1-

基于像元二分模型的植被慰盖度遥感信息提取

1.像元二分模型概述

(1)像元二分模型（PixelBinaryModel，PBM）是一种在遥感领域中广泛应用的植被覆盖度估算模型。该模型基于遥感影像的光谱响应特性，将每个像元视为一个二元系统，即“有植被”和“无植被”两种状态。这种简化处理方式使得模型在植被覆盖度估算中具有较高的效率和实用性。据相关研究显示，PBM在多种植被覆盖类型和遥感数据源上的应用均取得了较好的效果。例如，在估算森林覆盖度时，PBM的估算精度可达80%以上。

(2)像元二分模型的核心思想是将遥感影像中的每个像元划分为两个部分：一个是反射率高于背景的植被部分，另一个是反射率低于背景的非植被部分。这种划分方法基于植被对太阳辐射的吸收和反射特性。在可见光和近红外波段，植被的反射率通常高于背景，因此可以通过对比这两个波段的反射率差异来判断像元是否包含植被。例如，在Landsat8卫星的影像中，红光波段（Band4）和近红外波段（Band5）常被用于植被覆盖度的估算。

(3)像元二分模型在实际应用中需要考虑多种因素，如地表反射率、大气校正、传感器性能等。其中，地表反射率是影响模型估算精度的重要因素之一。研究表明，地表反射率的变化会导致PBM估算精度的降低。为了提高估算精度，通常需要对遥感影像进行大气校正和地表反射率校正。例如，在利用MODIS数据估算植被覆盖度时，通过对影像进行大气校正和地表反射率校正，可以将估算精度从60%提高到80%。此外，像元二分模型在估算不同植被类型和不同时空尺度的植被覆盖度时，也表现出较好的适应性。

二、2.植被覆盖度遥感信息提取方法

(1)植被覆盖度遥感信息提取方法主要包括光谱指数法、像元二分模型、混合像元分解和物理模型法等。光谱指数法是其中最基础和常用的方法，如NDVI（归一化植被指数）和SAVI（土壤调整植被指数）等，它们通过分析植被对特定波段的反射率差异来估算植被覆盖度。例如，在利用Landsat8数据的NDVI指数估算中国东北地区的植被覆盖度时，结果显示该地区的植被覆盖度平均值为0.65，与地面实测数据相比，精度达到了0.85。

(2)像元二分模型通过将遥感影像的每个像元分为植被和非植被两部分，基于植被与背景在光谱上的差异来进行植被覆盖度的估算。这种方法在处理复杂地形和不同植被类型时具有较好的适应性。例如，在应用像元二分模型估算青藏高原地区的植被覆盖度时，通过结合Landsat8和MODIS数据，估算得到的植被覆盖度与地面实测数据的相关系数达到了0.89，表明了模型在该区域的适用性。

(3)混合像元分解方法（如ISODA、MISR等）在处理复杂地表覆盖时，能够将遥感影像中的每个像元分解为多个具有不同光谱特性的混合像元，并估算出各个混合像元的比例。这种方法在估算植被覆盖度时，能够更加精确地反映地表覆盖的复杂结构。例如，在利用MISR数据估算美国加利福尼亚州植被覆盖度时，通过混合像元分解方法，得到了该地区植被覆盖度的平均精度为0.82，显著优于传统的光谱指数法。

3.基于像元二分模型的遥感信息提取步骤

(1)基于像元二分模型的遥感信息提取步骤首先是从遥感影像中选取合适的波段。通常，选择可见光和近红外波段，因为植被在这两个波段具有显著的光谱特征。例如，在Landsat8影像中，波段4（红光）和波段5（近红外）被广泛用于植被覆盖度的估算。

(2)接下来，对遥感影像进行预处理，包括大气校正、辐射校正和几何校正等。这些步骤旨在消除大气和传感器本身的误差，提高遥感数据的准确性。例如，使用ENVI软件中的ATCOR大气校正工具对Landsat8影像进行校正，可以显著减少大气对植被指数计算的影响。

(3)在预处理完成后，根据像元二分模型，计算每个像元的植被指数，如NDVI。NDVI是通过比较红光波段和近红外波段的反射率来计算的，其公式为NDVI=(NIR-Red)/(NIR+Red)。通过NDVI值可以判断像元是否包含植被，并估算植被覆盖度。在实际应用中，可能还需要根据研究区域的植被特性和遥感数据特性对模型进行调整，以提高估算精度。

四、4.模型应用与评估

(1)像元二分模型在植被覆盖度遥感信息提取中的应用广泛，特别是在森林资源监测、草原管理、农业产量评估等领域。例如，在巴西亚马逊地区的森林监测中，通过应用像元二分模型，研究人员能够有效地监测森林覆盖变化，估算森林面积和生物量，这对于了解区域生态系统状况和保护生物多样性具有重要意义。

(2)模型的评估是确保其应用效果的关键步骤。评估通常包括精度评估和可靠性评估。精度评估通过将遥感估算的植被覆盖度与地面实测数据进行对比，计算相关系数、均方根误差（RMSE）等指标。例如，在利用像元二分模型估算中国北方某地区的植被覆盖度时