引用本文
夏颖, 范建容, 张茜彧, 毕永清. 复合植被指数在稀疏高寒草原植被盖度遥感反演中的应用. 草业科学, ,34(9):1767-1777
Xia Ying, Fan Jian-rong, Zhang Xi-yu, Bi Yong-qing. Application of composite vegetation index in remote sensing inversion of sparse fractional vegetation cover in Alpine steppe. Pratacultural Science,,34(9): 1767-1777  
Permissions
Copyright©, 《草业科学》编辑部
《草业科学》编辑部
复合植被指数在稀疏高寒草原植被盖度遥感反演中的应用
夏颖1,2, 范建容1, 张茜彧1,2, 毕永清3
1.中国科学院水利部成都山地灾害与环境研究所,四川 成都 610041
2.中国科学院大学,北京 100049
3.西南交通大学地球科学与环境工程学院,四川 成都 610031
通信作者：范建容(1969-),女,四川井研人,研究员,博士,主要从事山地生态与灾害遥感研究。E-mail:fjrong@imde.ac.cn

第一作者:夏颖(1991-),女,重庆长寿人,在读硕士生,主要从事植被遥感研究。E-mail:137330621@qq.com

收稿日期: 2017-02-24
基金: 中国科学院战略性先导科技专项(B类)(XDB03030505)
摘要

基于Landsat 8遥感影像数据,以西藏日喀则经南木林到申扎县的一条样带高寒草原作为研究对象,选择较为常用的归一化植被指数(normalized difference vegetation index,NDVI)、土壤调整植被指数(soil adjusted vegetation index,SAVI)、修改型土壤调整植被指数(modified soil adjusted vegetation index,MSAVI)以及对半干旱区低覆盖植被信息较为敏感的转换型土壤调整植被指数(transformational soil adjusted vegetation index,TSAVI),结合地表反射率改进运算的FCD模型(forest canopy density mapping model)裸土(bare soil index,BI)和阴影指数(shadow index,SI)构建适合低植被覆盖区域的复合植被指数(vegetation bare shadow index,VBSI);基于各植被指数构建像元二分模型,定量反演高寒草原植被盖度;并利用网格法实测的植被盖度分析反演精度。研究结果表明,8种植被指数所构建的像元二分模型对高寒草原植被盖度的反演精度以VBSI(TSAVI)最高,反演精度为85.66%;并证明了基于野外采集的土壤光谱曲线获取的TSAVI所构建的像元二分模型对高寒草原植被盖度信息的提取具有一定的实用性;改进运算的FCD模型裸土和阴影指数能较好地削弱土壤和阴影对植被信息的影响,所构建的复合植被指数对提取稀疏高寒草原植被盖度信息具有重要的实际意义。

关键词: 像元二分模型; 高光谱曲线; 复合植被指数; 高寒草原; 植被盖度; 土壤线; FCD模型
中图分类号:S812 文献标志码:A 文章编号:1001-0629(2017)09-1767-11 doi: 10.11829/j.issn.1001-0629.2016-0589
Application of composite vegetation index in remote sensing inversion of sparse fractional vegetation cover in Alpine steppe
Xia Ying1,2, Fan Jian-rong1, Zhang Xi-yu1,2, Bi Yong-qing3
1.Institute of Mountain Disaster and Environment, Chinese Academy of Sciences, Chengdu 610041, China
2.Chinese Academy of Sciences, Beijing 100049, China
3.Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 610031, China
Corresponding: Fan Jian-rong E-mail: fjrong@imde.ac.cn
Abstract

Based on the Landsat 8 remote sensing image data,a transect of alpine steppe from Shigatse City through Nanmulin County to Shenzha County in Tibet was selected as the research area. Four commonly used vegetation indices were used in this study, including the normalised difference vegetation index (NDVI), soil-adjusted vegetation index (SAVI), modified soil-adjusted vegetation index (MSAVI), and transformational soil-adjusted vegetation index (TSAVI), which is sensitive to vegetation information with low coverage in semi-arid areas. Furthermore, the study improved the bare soil index (BI) and the shadow index (SI) using surface reflectance to construct the vegetation bare shadow index (VBSI) suitable for areas of low vegetation coverage. Then, based on the above vegetation indices, the quantitative inversion of vegetation coverage of the alpine steppe was conducted by the dimidiate pixel model. Finally, the inversion accuracy was analysed using the field vegetation coverage data by the grid method. The results showed that the inversion accuracy of VBSI (TSAVI) was the highest among the eight vegetation indices used, and the inversion accuracy was 85.66%. It was demonstrated that the dimidiate pixel model constructed by TSAVI based on the soil spectrum obtained by field collection has a certain practicality for the inversion of vegetation coverage of alpine steppe. The BI and SI of the improved FCD model can significantly reduce the influence of soil and shade on vegetation information. The constructed composite vegetation index is of great practical significance to extract the vegetation coverage information of sparse alpine steppe.

Keyword: dimidiate pixel model; hyperspectral curve; composite vegetation index; alpine steppe; fractional vegetation cover; soil line; FCD model

植被是地表生态系统的重要组成部分, 也是全球气候变化非常重要的影响因素[1]。植被盖度(Fractional Vegetation Cover, FVC)是衡量地表植被状况的重要参数之一, 也是水文、土壤、气象模型研究的重要输入因子[2]。植被盖度一般被定义为区域内植被地面上的垂直投影面积占统计区面积的比例[3, 4]。传统的野外人工植被盖度测量方法耗时、耗力, 受地理环境条件和人为误差影响明显[5]。遥感技术具有监测范围广、信息量大、更新周期快等优势, 近年来逐步成为区域植被参数反演的主要方法。已有的研究选择不同的指标和模型, 构建了很多植被盖度遥感反演方法, 例如植被指数法[6]、回归模型法[7]、像元分解法[8]以及光谱梯度差法[9]等。其中像元分解法中的像元二分模型因参数易获取而应用最为广泛。

研究者[10]基于MODIS数据, 采用像元二分法估算了新疆荒漠的植被盖度, 其反演结果表明, 当植被盖度约小于30%时, 估算值相对实测值偏高, 误差较大。而采用像元二分模型对昌都县的植被盖度信息进行提取, 总体精度达82.5%, 随着植被盖度的降低, 模型估算误差也越大[11]。基于Landsat 8影像数据, 利用像元二分模型法反演干旱荒漠区植被盖度, 结果表明当植被盖度较高时, 模型反演效果较好, 而随着植被盖度的降低, 模型反演精度则越低[12]。

上述研究均表明像元二分模型在中高植被覆盖区域对植被盖度的反演精度较高, 而对于低植被盖度反演精度则相对较低。原因是低植被覆盖区域土壤背景对植被具有较大的干扰作用。青藏高原天然草地面积占全国草地面积的1/3[13], 其中约60%的面积为高寒草原[14], 其对整个高原及周边地区的生态系统具有重要的作用。青藏高原高寒草原的监测和保护, 也是我国生态安全屏障建设的重要组成[15]。而高寒草原的植被盖度较低, 基于普通植被指数的像元二分模型反演稀疏高寒草原植被盖度存在一定的局限性。应用像元二分模型估算植被盖度的关键在于植被指数的选取。因此, 为了提高像元二分模型对高寒草原植被盖度的反演精度, 选取或构造更适合于高寒草原植被盖度反演模型的植被指数是非常有必要的。而植被指数众多, 结合前人经验以及高寒草原植被分布稀疏、盖度低的特点, 此次研究选用了常用的归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、修改型土壤调整植被指数(MSAVI)以及对半干旱区低覆盖植被信息较为敏感的转换型土壤调整植被指数(TSAVI)[16]4种植被指数作为像元二分模型建立的基础, 并引入了FCD模型中的裸土指数和阴影指数, 构造对应的4种复合植被指数, 从而建立像元二分模型, 反演高寒草原植被盖度。

1 数据来源与研究方法
1.1 研究区概况

选择西藏自治区中部一条样带作为研究区, 样区南北长266.40 km, 东西宽74.68 km, 主要分布在申扎县、南木林县、班戈县、谢通门县、日喀则市、白朗县和萨迦县境内(88° 31'-89° 17' E, 29° 12'-31° 37' N)(图1)。研究区海拔在3 700~6 400 m, 年均降水量300 mm, 降水集中在6月-8月, 年均温6.5 ℃, 气候干燥, 大陆性气候特征明显, 从东南向西北由高原温带半干旱季风气候区过渡到高原亚寒带干旱季风气候区。研究区植被以高寒草原为主, 主要植被包括披碱草(Elymus dahuricus)、火绒草(Leontopodium alpinum)、紫花针茅(Stipa purpurea)、青藏苔草(Carex moorcroftii)等, 由于地势和海拔引起的辐射、温度和水分条件的不同, 导致高寒草原从南到北呈现出植被盖度逐渐下降、植株愈加低矮的趋势[17, 18]。

图1 研究区概况图Fig. 1 Sketch of the study area

1.2 数据来源

研究选用了3景Landsat 8遥感影像, 轨道号139/38、139/39、139/40, 覆盖整个研究区, 其云量分别为0.35%、0.18%、23.99%, 但研究区所在区域无云覆盖, 影像质量较好。影像获取时间为2015年7月5日, 与野外调查时间一致。使用的影像都利用ENVI5.1的相关模块进行了辐射定标、大气校正、几何精校正[19]。辐射校正过程中将像元亮度值转换为反射率值, 继而基于面向对象的影像信息提取方法确定了研究区高寒草原的分布范围, 进而反演植被盖度。

研究使用了2015年7月5日-10日野外同步采集的植被盖度和高光谱数据。其中植被盖度采用网格法, 获取了172个样地(图1)调查数据。为了提高实测数据的可靠性和可行性, 利用谷歌高分影像预先设采样方案, 样地的交通可达性高, 样地植被类型相对一致, 空间上尽可能随机分布并具有海拔梯度。在野外调查时, 每个样地布置3~5个样方, 样方大小为1 m× 1 m, 调查1 m× 1 m范围内植被盖度, 其中, 1 m× 1 m样方被划分10× 10的网格, 样方盖度求平均值作为该样地的盖度, 并利用空间误差为1-3 m的GPS对各样方进行定位, 同时记录其海拔、经纬度、草高、砾石盖度、植被盖度等信息。另外, 为更好地计算植被指数, 野外还实测了土壤光谱。研究区地表组成以砾石土壤为主, 砾石盖度多在20%~40%。使用SVCHR-1024地物光谱仪测定土壤高光谱数据, 该仪器的波长范围为350~2 500 nm。每次测量前, 先对照白板进行定标, 将25° 视场角的传感器探头垂直置于样点上方1.35 m处, 探头接收垂直中心点直径0.6 m圆形范围内的光谱。每个样点重复测量5次, 后期对光谱曲线进行去重叠和平滑处理, 获得每个样点的反射光谱数据。

1.3 研究方法

1.3.1 技术路线 由于研究对象为高寒草原, 因此本研究利用Ecognition软件, 运用面向对象的分类方法剔除了湖泊、河流、冰川等无植被区, 提取出高寒草原, 经验证, 生产者精度和用户精度分别为92.80%和90.84%, 在此基础上, 进行人工修正, 以保证高寒草原植被盖度反演研究的严密性; 基于遥感影像和实测数据计算4种植被指数, 利用FCD模型进一步计算获得4种对应的复合植被指数; 基于8种植被指数构建像元二分模型反演高寒草原植被盖度; 最后利用实测盖度数据对反演结果进行精度分析, 确定高寒草原区最佳的植被盖度反演方法(图2)。

图2 研究技术路线Fig. 2 Workflow of the study

1.3.2 土壤线提取 研究中TSAVI的计算需要土壤线斜率、截距因子作为基本参数, 因此土壤线的获取是必不可少的。在30 m的Landsat 8影像上难以直接获取纯土壤背景像元信息, 本研究利用野外实测的64组土壤光谱曲线获取了土壤线方程。为保证研究的可靠性, 需要将实测光谱数据获取的土壤线方程的光谱波段统一到遥感影像光谱波段上, 使之具有相同的波段间隔, 研究基于Landsat 8遥感影像的波普响应函数对实测土壤光谱数据进行了重采样, 计算方法见公式(1)。得到最终的土壤线方程(图3)。并将方程中获取的斜率和截距用于有关植被指数的计算。

ρOLI=∫λi1λi2ρ(λ)W(λ)d(λ)∫λi1λi2W(λ)d(λ)(1)

式中:i为4或5(分别为Landsat 8的4或5波段); ρ (λ )为波长λ nm处土壤光谱反射率; λ i1和λ i2分别为Landsat 8波谱响应函数中第i波段范围边界波长; W(λ )为波长λ nm处光谱反射率的权重; ρ OLI为Landsat 8第i波段的光谱反射率。

图3 土壤线Fig. 3 Soil line

研究区土壤线斜率为1.125 8, 截距0.036 2, 斜率值在1.06~1.60正常区间内, 截距在-0.01~0.07正常区间内[20], 因此本研究所获得的研究区土壤线方程具有一定的理论意义。

1.3.3 植被指数的选取 选择合适的植被指数是提高像元二分模型植被盖度估算精度的关键之一[21]。在众多的植被指数中, NDVI被广泛用于监测植被盖度, 指示植被生长状况及空间分布。SAVI在一定程度上降低了土壤背景的影响[22]。MSAVI在SAVI的基础上, 进一步进行了修正, 以提高土壤线参数的适应性[23]。TSAVI通过引入土壤线的斜率和截距因子, 提高了半干旱区植被状态的指示作用[16]。为降低研究区土壤背景对植被盖度估算的影响, 本研究选取这4种指数反演高寒草原植被盖度, 计算公式如下:

NDVI= NIR-RNIR+R(2)

SAVI= NER-RNIR+R+L(1+L) (3)

MSAVI=(2NIR+1-

2NIR+1)-8(NIR-R)2(4)

TSAVI= a(NIR-aR-b)R+aNIR-ab(5)

式中:R、NIR分别为红、近红外波段的反射率; L为土壤调节系数[22], 取值范围0~1; a、b分别为土壤线斜率和截距。

1.3.4 复合植被指数的构建

1)FCD模型原理

FCD模型包含4个指数:植被指数(VI)、裸土指数(BI)、阴影指数(SI)和热量指数(TI), 其中植被指数可以使用现有的植被指数或改进的植被指数[24]。4个指数的特性如图4所示, 从图中可以看出当植被类型为草地时, 裸土指数与热量指数对植被的影响较大, 而阴影指数虽小, 但其对植被指数的相对影响力是不容忽视的。TI指数需要从热红外波段提取, Landsat 8的热红外波段空间分辨率为100 m, 与其它30 m空间分辨率波段存在较大差异, 因此本研究未使用热量指数。FCD为定性分析模型[25], 为保证定量研究的严密性, 本研究首先将影像DN值转化为地表反射率, 对BI、SI指数进行改进运算。BI和SI指数的计算公式如下:

BI=SWIR-RED-NIR-BLUESWIR+RED-NIR+BLEU(6)

SI=(1-BLUE)(1-GREEN)(1-RED)(7)

其中, SWIR、RED、NIR、BLUE、GREEN分别为短波红外、红、近红、蓝和绿波段的反射率。

图4 4个指数的特性Fig. 4 The characteristicsof four vegetation indices

2)复合植被指数的构建

已有研究[26]指出FCD模型NDVI、SI和BI 指数的线性组合可以在一定程度上降低山体阴影和土壤背景等对植被信息的影响, 适合提取山区植被盖度。实验发现, 植被指数在高植被覆盖地区具有饱和性, 在低覆盖区会夸大数值[27], 因此本研究经过多次试验选择了适合低植被覆盖区域的复合植被指数VBSI(vegetation bare shadow index), 公式为:

VBSI(VI)=f(VI, BI, SI)=(VI+n·BI)·SI(8)

式中:n为修正系数, 这里n=-0.1, VI为植被指数, 研究中分别将4种植被指数(NDVI、SAVI、MSAVI和TSAVI)作为变量输入, 获取对应的复合植被指数VBSI(NDVI)、VBSI(SAVI)、VBSI(MSAVI)和VBSI(TSAVI)。

3)复合植被指数的优势

本研究以NDVI与VBSI(NDVI)为例, 对比分析简单植被指数与复合植被指数削弱山体阴影干扰的能力。首先, 在研究区影像上选取10个不同地点相邻山体阳坡(影像上无阴影的山坡)和阴坡(影像上有阴影的山坡)的NDVI和VBSI(NDVI)值。由于阴坡受山体阴影的影响, 其植被指数值均小于阳坡。因此这里以阳坡植被指数为标准进行比较分析(表1)。其中, 相对误差=(阳坡植被指数-阴坡植被指数)/阳坡植被指数。

VBSI(NDVI)与NDVI的平均相对误差分别为11.46%和19.13%(表1)。可见, 复合植被指数相对于简单植被指数可以更好地削弱山体阴影对高寒草原的干扰作用, 为更好地提取研究区高寒草原植被盖度信息奠定了较好的基础。

表1 VBSI(NDVI)和NDVI削弱影像阴影干扰作用的比较分析 Table 1 Analysis of NDVI and VBSI(NDVI) with decreasing interference from shadow

1.3.5 植被盖度反演模型采用像元二分模型反演植被盖度。该模型假设遥感影像单个像元由土壤和植被两部分组成, 即植被信息(Sveg )和土壤信息量(Ssoil)之和[28, 29, 30]。这里以NDVI为例, 计算公式为:

Fc= NDVI-NDVIsoilNDVIveg-NDVIsoil(9)

式中:Fc为植被盖度, NDVIsoil为裸土或无植被覆盖区的NDVI值(理想状态下为最小值, 即NDVImin), NDVIveg为完全植被覆盖的纯植被像元的NDVI值(理想状态下为最大值, 即NDVImax)。由于噪声的干扰, 遥感影像上植被指数的最大值或最小值不一定是地面实际的最大值或最小值。研究往往选择置信区间或野外实测数据确定这些参数[31]。本研究利用野外实测数据确定这些参数, 然后代入8种植被指数分别估算研究区高寒草原植被盖度, 以FNDVI、FVBSI(NDVI)、FSAVI、FVBSI(SAVI)、FMSAVI、FVBSI(MAVI)、FTSAVI、FVBSI(TSAVI)标识对应的植被盖度估算值。

2 结果与分析

从8种植被指数反演的高寒草原植被盖度结果(图5)来看, 研究区植被盖度整体偏低。

图5 采用不同方法提取的研究区植被盖度信息Fig. 5 Fractional vegetation coverage of the study area estimated using different methods

2.1 精度分析

实测数据揭示, 8种植被指数反演植被盖度的总体精度都大于70%, 最高的精度可达85.66%, 说明像元二分模型在高寒草原区有较好的适应性(表2)。在8种植被指数中, VBSI(TSAVI) 指数反演植被盖度的效果最好, 反演结果与实测值的相关系数达0.864(图 6), 二者呈显著相关性(P< 0.01)。均方根误差(RMSE)值和相对误差都是最小, 可选作高寒区植被盖度反演的首选植被指数。在简单植被指数中, TSAVI和NDVI的反演盖度值与实测值之间的相关系数较高, 分别为0.752和0.769, FTSAVI的RMSE和相对误差均低于FNDVI, 相对而言TSAVI对高寒草原植被盖度的反演效果更好。MSAVI和SAVI的反演精度相对较低, FMSAVI反演成果优于FSAVI。在复合植被指数中, 4种植被指数反演结果的精度出现类似顺序, FVBSI(TSAVI)的精度最高, 其余由高到低依次为FVBSI(NDVI)、FVBSI(MSAVI)、FVBSI(SAVI), 这揭示了不同区域植被盖度估算需要对植被指数进行筛选, 确定最优的反演方法。

表2 不同模型植被盖度模拟值与实测值精度分析 Table 2 Analysis of the correlation between modelled and observed vegetation index data for eight modelling methods

图6 VBSI(TSAVI)模拟值与实测值散点图Fig. 6 Scatter plots of observed fractional vegetation coverage and modelled using VBSI(TSAVI)

总体上, 复合植被指数提取的高寒草原植被盖度精度均优于简单植被指数获取的结果。说明通过FCD模型降低了地形阴影和土壤背景对植被信息的影响, 这种方法在植被相对稀疏的高寒区仍具有明显的效果。

VBSI(TSAVI)指数反演的植被盖度精度最高, 土壤线参数是该指数计算的关键。研究利用野外实测光谱数据获取了土壤线参数, 进而很好地提取了研究区的植被盖度信息。考虑到研究区的植被盖度情况, 将反演的植被盖度分为7级(0~0.10、0.10~0.15、0.15~0.20、0.20~0.25、0.25~0.30、0.30~0.40、> 0.40), 结果表明(表3), 随着植被盖度的提高, 研究区反演结果的相对误差和最大误差总体呈现下降的趋势。研究区大多数的采样点盖度低于20%, 代表当地植被覆盖总体情况, 研究反演结果在低植被盖度区的相对误差均在20%以内, 提升了低盖度高寒草原植被盖度的反演精度, 具有很强的实用性。

表3 VBSI(TSAVI)模拟值与实测值比较 Table 3 Comparison between observed FVC data and modelled using VBSI(TSAVI)
2.2 植被覆盖现状

选择VBSI(TSAVI)指数反演的植被盖度数据分析研究区2015年植被分布情况。研究区植被总面积12 631.66 km2, 平均植被盖度为23%, 大部分(55.11%)植被盖度低于25%, 大于40%植被盖度的比例低于11%, 研究区植被盖度总体较低(表4)。

表4 2015年研究区植被覆盖 Table 4 Vegetation cover of the study area in 2015

研究区植被集中在海拔4 600~5 400 m, 占80.48%, 高寒特征明显, 植被分布相对稀疏(图7、图8)。伴随海拔上升, 植被盖度呈现出显著的变化, 突出的表现为:海拔升高, 低覆盖植被(小于10%)的比例逐步增加, 10%~25%盖度的植被在多数海拔区都占优势, 高覆盖植被的比例在减少, 甚至消失(5 400 m以上), 反映了该区植被覆盖的总体情况。

图7 研究区不同海拔土地面积统计Fig. 7 Land area statistics at different altitudes in study area

图8 研究区不同海拔植被盖度面积统计Fig. 8 Area statistics of vegetation coverage at different altitudes in the study area

3 讨论与结论

研究从像元二分模型的原理出发, 针对高寒草原植被稀疏的特点, 选择了适合反演其植被盖度的4种植被指数(NDVI、SAVI、MSAVI及TSAVI)。研究者[16]指出, TSAVI对干旱半干旱区稀疏植被具有较好地指示作用, 但TSAVI中的土壤线斜率和截距因子难以获取。对此, 受刘焕军等[32]的启发, 本研究通过获取研究区典型土壤类型的高光谱曲线构造土壤线, 获取土壤线参数, 从而构造TSAVI。值得注意的是, 为保证数据的一致性和结果的可靠性, 实测的土壤光谱数据须利用遥感影像的波谱响应函数与其匹配。从精度分析结果来看, 4种简单植被指数中, 基于TSAVI的像元二分模型对高寒草原植被盖度反演精度较其它几种植被指数高, 因此研究建议可利用实测的土壤光谱数据获取土壤线参数, 从而提高稀疏植被盖度反演效果。而制约山区稀疏植被盖度遥感反演精度最重要的两个因素是土壤背景及山体阴影。对此有学者[26, 33]提出FCD模型的裸土和阴影因子与简单植被指数经过线性组合, 可以在一定程度上削弱土壤背景和山体阴影对植被造成的影响。但FCD模型为定性分析模型, 其各指数均通过计算DN值得到。此次研究为植被盖度定量反演, 因此通过将DN值转为地表反射率改进运算FCD模型的裸土和阴影因子, 并与简单植被指数经过一定的线性组合构建了对应的复合植被指数。研究通过对比分析简单植被指数与复合植被指数在削弱山体阴影对植被影响方面的能力后发现, 复合植被指数相对简单植被指数而言, 在削弱山体阴影对植被影响的效果上存在一定的优势, 得到了与前人研究相同的结论[34]。这对于山区植被盖度的定量遥感反演具有借鉴意义。最终将各植被指数引入像元二分模型中, 反演高寒草原植被盖度。从精度分析来看, 基于复合植被指数的像元二分模型对高寒草原植被盖度的反演精度普遍高于其对应的简单植被指数, 最高精度达85.66%。另外, 从反演结果来看, 研究区高寒草原盖度多小于25%, 平均盖度为23%, 与实测数据具有一致性, 更加证明了复合植被指数相对于简单植被指数在定量反演山区稀疏植被盖度时, 可有效地削弱土壤背景及山体阴影对植被的影响, 更真实地反映出植被覆盖信息。此次研究积累了高寒半干旱、干旱区植被盖度反演的经验, 可为其它相似研究区植被盖度反演提供借鉴。

尽管本研究较好地提取了高寒草原植被盖度, 但研究仍存在一些不足。由于高寒草原植被稀疏, 无法获取全植被覆盖的像元, 因此研究采用实测数据获取了像元二分模型的相关参数。另外, 由于研究区较大, 且天气和时间条件对野外工作具有一定的限制性, 因此无法使实测数据与遥感影像保持完全的同步。另外由于受实测数据的限制, 研究目前仅针对一个时期遥感影像进行了研究。在未来条件允许的情况下, 可利用多年影像数据及实测数据对研究区开展更长时间的植被盖度动态监测。

The authors have declared that no competing interests exist.

参考文献
[1] 陈爱京, 傅玮东, 肖继东, 张旭, 王蕾, 沙依然. 基于像元二分模型的和布克赛尔县植被覆盖动态变化分析. 草业科学, 2012, 29(6): 857-862.
Chen A J, Fu W D, Xiao J D, Zhang X, Wang L, Sha Y R. Dynamic analysis for vegetation coverage change in Hoboksar based on dimidiate pixel model. Pratacultural Science, 2012, 29(6): 857-862. (in Chinese) [本文引用:1]
[2] 廖春华, 张显峰, 孙权, 赵杰鹏, 王旭阳, 包慧漪. 基于HJ-1高光谱数据的植被覆盖度估测方法研究. 遥感信息, 2011, 26(5): 65-70.
Liao C H, Zhang X F, Sun Q, Zhao J P, Wang X Y, Bao H Y. Fractional vegetation cover estimation using HJ-1 spaceborne hyperspectral data. Remote Sensing Information, 2011, 26(5): 65-70. (in Chinese) [本文引用:1]
[3] 陈建军, 宜树华, 任世龙, 秦彧, 王晓云. 疏勒河上游高寒草地植被盖度反演及精度评价. 草业科学, 2014, 31(1): 56-65.
Chen J J, Yi S H, Ren S L, Qin Y, Wang X Y. Retrieval of fractional vegetation cover of alpine grassland and the efficiency of remote sensing retrieval in the upper of Shule River Basin. Pratacultural Science, 2014, 31(1): 56-65. (in Chinese) [本文引用:1]
[4] 宋清洁, 崔霞, 张瑶瑶, 孟宝平, 高金龙, 向宇轩. 基于小型无人机与MODIS数据的草地植被覆盖度研究——以甘南州为例. 草业科学, 2017, 34(1): 40-50.
Song Q J, Cui X, Zhang Y Y, Meng B P, Gao J L, Xiang Y X. Grassland fractional vegetation cover analysis using small UVAS and MODIS——A case study in Gannan Prefecture. Pratacultural Science, 2017, 34(1): 40-50. (in Chinese) [本文引用:1]
[5] 张喜旺, 吴炳方. 基于中高分辨率遥感的植被覆盖度时相变换方法. 生态学报, 2015, 35(4): 1155-1164.
Zhang X W, Wu B F. A temporal transformation method of fractional vegetation cover derived from high and moderate resolution remote sensing data. Acta Ecological Sinica, 2015, 35(4): 1155-1164. (in Chinese) [本文引用:1]
[6] Gillies R R, Kustas W P, Humes K S. A verification of the ‘triangle’ method for obtaining surface soil water content and energy fluxes from remote measurements of the normalized difference vegetation index (NDVI) and surface. International Journal of Remote Sensing. 1997, 18(15): 3145-3166. [本文引用:1]
[7] Wittich K P, Hansing O. Area-averaged vegetative cover fraction estimated from satellite data. International Journal of Biometeorology. 1995, 38(4): 209-215. [本文引用:1]
[8] Zribi M, Hégarat-Mascle S L, Taconet O, Ciarletti V, Vidal-Madjar D, Boussema M R. Derivation of wild vegetation cover density in semi-arid regions: ERS2/SAR evaluation. International Journal of Remote Sensing, 2003, 24(6): 1335-1352. [本文引用:1]
[9] 古丽·加帕尔, 陈曦, 包安明. 干旱区荒漠稀疏植被覆盖度提取及尺度扩展效应. 应用生态学报, 2009, 20(12): 2925-2934.
Guli·Jiapael, Chen X, Bao A M. Coverage extraction and up-scaling of sparse desert vegetation in arid. Chinese Journal of Applied Ecology, 2009, 20(12): 2925-2934. (in Chinese) [本文引用:1]
[10] 李向婷, 白洁, 李光录, 罗格平, 古丽·加帕尔, 李均力. 新疆荒漠稀疏植被覆盖度信息遥感提取方法比较. 干旱区地理, 2013, 36(3): 502-511.
Li X T, Bai J, Li G L, Luo G P, Guli·Jiapaer, Li J L. Comparison of methods based on MODIS for estimating sparse vegetation fraction across desert in Xinjiang. Arid Land Geography, 2013, 36(3): 502-511. (in Chinese) [本文引用:1]
[11] 郭芬芬, 范建容, 严冬, 郭祥, 宫奎方, 张定容. 基于像元二分模型的昌都县植被盖度遥感估算. 中国水土保持, 2010, 31(5): 65-67.
Guo F F, Fan J R, Yan D, Guo X, Gong K F, Zhang D R. Extraction of vegetation coverage in Changdu based on remote sensing data and dimidiate pixel model. Soil and Water Conservation in China, 2010, 31(5): 65-67. (in Chinese) [本文引用:1]
[12] 李艺梦, 祁元, 马明国. 基于Land sat 8影像的额济纳荒漠绿洲植被覆盖度估算方法对比研究. 遥感技术与应用, 2016, 31(3): 590-598.
Li Y M, Qi Y, Ma M G. The contrast research of estimation vegetation fraction coverage in the Ejina Oasis based on Land sat 8 images. Remote Sensing technology and application, 2016, 31(3): 590-598. (in Chinese) [本文引用:1]
[13] 韦惠兰, 祁应军. 基于遥感监测的青藏高原草地退化及其人文驱动力分析. 草业科学, 2016, 33(12): 2576-2586.
Wei H L, Qi Y J. Analysis of grassland degradation of the Tibet Plateau and human driving forces based on remote sensing. Pratacultural Science, 2016, 33(12): 2576-2586. (in Chinese) [本文引用:1]
[14] Ding M J, Zhang Y L, Sun X M, Liu L S, Wang Z F, Bai W Q. Spatiotemporal variation in alpine grassland phenology in the Qinghai-Tibetan Plateau from 1999 to 2009. Science Bulletin. 2013, 58(3): 396-405. [本文引用:1]
[15] 邹珊, 吕富成. 青藏高原两种特殊的植被类型: 高寒草原和高寒草甸. 地理教学, 2016, 58(2): 4-7.
Zou S, Luy F C. Two kinds of special vegetation types in Tibet Plateau: Alpine steppe and alpine meadow. Geography Teaching, 2016, 58(2): 4-7. (in Chinese) [本文引用:1]
[16] 刘金锋. 基于多源遥感数据的青海湖流域植被指数研究. 西宁: 青海师范大学硕士学位论文, 2014.
Liu J F. Vegetation indices based on multi-source remote sensing data of the Qinghai Lakebasin. Master Thesis. Xining: Qinghai Normal University, 2014. (in Chinese) [本文引用:3]
[17] 裴志永, 周才平, 欧阳华, 杨文斌. 青藏高原高寒草原区域碳估测. 地理研究, 2010, 29(1): 102-110.
Pei Z Y, Zhou C P, Ouyang H, Yang W B. A carbon budget of alpine steppe area in the Tibetan Plateau. Geographical Research, 2010, 29(1): 102-110. (in Chinese) [本文引用:1]
[18] 郑度, 李炳元. 青藏高原自然环境的演化与分异. 地理研究, 1990, 9(2): 1-10.
Zheng D, Li B Y. Evolution and different ation of the physico-geographical environment of Qinghai-Xizang Plateau. Geographical Research, 1990, 9(2): 1-10. (in Chinese) [本文引用:1]
[19] 王杰, 李卫朋. 基于灵活的时空融合模型的植被覆盖度与植被指数关系. 草业科学, 2017, 34(2): 264-272.
Wang J, Li W P. Research on relationship between vegetation cover fraction and vegetation index based on flexible spatiotemporal data fusion model. Pratacultural Science, 2017, 34(2): 264-272. (in Chinese) [本文引用:1]
[20] Galvão L S, Vitorello Í. Variability of laboratory measured soil lines of soils from southeastern Brazil. Remote Sensing of Environment, 1998, 63(2): 166-181. [本文引用:1]
[21] 李亚刚, 李文龙, 刘尚儒, 秦兰兰. 基于遥感技术的甘南牧区草地植被状况多年动态. 草业科学, 2015, 32(5): 675-685.
Li Y G, Li W G, Liu S R, Qin L L. Grassland vegetation dynamics over the years based on remote sensing technology in Gannan pastoral area. Pratacultural Science, 2015, 32(5): 675-685. (in Chinese) [本文引用:1]
[22] Huete A R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 1988, 25(3): 295-309. [本文引用:2]
[23] Qi J, Chehbouni A, Huete A R, Kerr Y H, Sorooshian S. A modified soil adjusted vegetation index. Remote Sensing of Environment. 1994, 48(2): 119-126. [本文引用:1]
[24] Rikimaru A. Land sat T M data processing guide for forest canopy density mapping and monitoring model. International Tropical Timber Organization (ITTO) Workshop on Utilization of Remote Sensing in Site Assessment and Planning for Rehabilitation of Logged-over Forest. Thailand : Bangkok, 1996: 1-8. [本文引用:1]
[25] Rikimaru A, Roy P S, Miyatake S. Tropical forest cover density mapping. Tropical Ecology, 2002, 43(1): 39-47. [本文引用:1]
[26] 罗志军, 赵小敏, 刘耀林. 基于遥感的三峡库区植被覆盖度动态监测. 农业工程学报, 2008, 24(S1): 57-60.
Luo Z J, Zhao X M, Liu Y L. Dynamic monitoring of vegetation fraction based on remote sensing in Three Gorge area, Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(S1): 57-60. (in Chinese) [本文引用:2]
[27] 赵英时. 遥感应用分析原理与方法. 第二版. 北京: 科学出版社, 2013: 370.
Zhao Y S. Principles and Methods of Remote Sensing Application Analysis. 2nd Edition. Beijing: Science Press, 2003. (in Chinese) [本文引用:1]
[28] 姜烨, 孙建国, 李庆. 基于像元二分模型的植被覆盖度遥感信息提取. 科技信息, 2013, 30(10): 168.
Jiang Y, Sun J G, Li Q. A study of extracting vegetation coverage based on remote sensing data and dimidiate pixel model. Science & Technology Information, 2013, 30(10): 168. (in Chinese) [本文引用:1]
[29] 黎良财, 邓利, 曹颖, 肖万娟, 陈翠玉, 李宏志. 基于NDVI像元二分模型的矿区植被覆盖动态监测. 中南林业科技大学学报, 2012, 32(6): 18-23.
Li L C, Deng L, Cao Y, Xiao W J, Chen C Y, Li H Z. Vegetation dynamic monitoring in mining area based on NDVI serial images and dimidiate pixel model. Journal of Central South University of Forestry & Technology, 2012, 32(6): 18-23. (in Chinese) [本文引用:1]
[30] 马娜, 胡云锋, 庄大方, 张学利. 基于遥感和像元二分模型的内蒙古正蓝旗植被覆盖度格局和动态变化. 地理科学, 2012, 32(2): 251-256.
Ma N, Hu Y F, Zhuang D F, Zhang X L. Vegetation coverage distribution and its changes in Plan Blue Banner based on remote sensing data and dimidiate pixel model. Scientia Geographica Sinica, 2012, 32(2): 251-256. (in Chinese) [本文引用:1]
[31] 李苗苗. 植被覆盖度的遥感估算方法研究. 北京: 中国科学院研究生院(遥感应用研究所)硕士学位论文, 2003.
Li M M. The method of vegetation fraction estimation by remote sensing. Master Thesis. Beijing: Graduate University of Chinese Academy of Sciences (Institute of Remote Sensing Applications), 2003. (in Chinese) [本文引用:1]
[32] 刘焕军, 张柏, 宋开山, 王宗明, 段洪涛, 杨飞, 张新乐. 基于室内光谱反射率的土壤线影响因素分析. 遥感学报, 2008, 23(1): 119-127.
Liu H J, Zhang B, Song K S, Wang Z M, Duan H T, Yang F, Zhang X L. Soilline influence factors analysis based on laboratory soil hyperspectral reflectance. Journal of Remote Sensing, 2008, 23(1): 119-127. (in Chinese) [本文引用:1]
[33] 蔡蘅, 王结贵, 杨瑞霞, 李超, 吉玮, 王心源. 基于FCD模型的且末绿洲植被覆盖度时空变化分析. 国土资源遥感, 2013, 25(2): 131-137.
Cai H, Wang J G, Yang R X, Li C, Ji W, Wang X Y. Analysis of spatial-temporal change of Qiemo oasis vegetation coverage based on FCD model. Remote Sensing for Land and Resources, 2013, 25(2): 131-137. (in Chinese) [本文引用:1]
[34] 江洪, 王钦敏, 汪小钦. 福建省长汀县植被覆盖度遥感动态监测研究. 自然资源学报, 2006, 21(1): 126-132.
Jiang H, Wang Q M, Wang X Q. Dynamic monitoring of vegetation fraction by remote sensing in Changting County of Fujian Province. Journal of Natural Resources, 2006, 21(1): 126-132. (in Chinese) [本文引用:1]