全 文 ：植物生态学报 2011, 35 (6): 615–622 doi: 10.3724/SP.J.1258.2011.00615
Chinese Journal of Plant Ecology http://www.plant-ecology.com
——————————————————
收稿日期Received: 2010-11-08 接受日期Accepted: 2011-03-18
* E-mail: zdzhujingfang@163.com
内蒙古草原植被覆盖度遥感估算
朱敬芳1* 邢白灵1 居为民1 朱高龙1,2 柳艺博1
1南京大学国际地球系统科学研究所, 南京 210093; 2闽江学院地理科学系, 福州 350108
摘 要 以内蒙古锡林浩特市南部中国科学院草原生态系统定位研究站周围的草场为研究对象, 分析比较了统计模型和亚
像元分解模型进行草地植被覆盖度(vegetation coverage, VC)遥感估算的适用性。结果表明, 根据Landsat-5 TM影像数据计算的
比值植被指数(simple ratio vegetation index, SR)与观测的VC的相关性最高(R2 = 0.761); 统计模型和亚像元分解模型生成的VC
空间分布特征相似, 但亚像元分解模型得到的VC平均值比统计模型的结果高0.091; 在VC的低值和高值区, 两种方法得到的
VC结果相似; 但在VC的中值区, 亚像元模型得到的结果较统计模型的结果偏高。
关键词 内蒙古白音锡勒草原, 草地植被覆盖度, Landsat-5 TM影像, 统计模型, 亚像元分解模型
Remote-sensing estimation of grassland vegetation coverage in Inner Mongolia, China
ZHU Jing-Fang1*, XING Bai-Ling1, JU Wei-Min1, ZHU Gao-Long1,2, and LIU Yi-Bo1
1International Institute for Earth System Science, Nanjing University, Nanjing 210093, China; and 2School of Geographic Sciences, Minjing University, Fuzhou
350108, China
Abstract
Aims Our objective was to estimate grassland vegetation coverage (VC) in Inner Mongolia prairie, China, using
a statistical model and a sub-pixel model and determine which model was more applicable in this area.
Methods Field experiments were conducted around three experimental stations in the Inner Mongolia prairie
using a digital camera and a LAI-2000 plant canopy analyzer. A spectrum information model was used to extract
the measured VC value from the photos. Statistical models were built between those VC values and six vegetation
indexes. Then the VC map was made by using the model with the highest R2. The measured leaf area index (LAI)
values were used in the sub-pixel model to make another VC map.
Important findings The simple ratio vegetation index extracted from the Landsat-5 TM (thematic mapper) im-
age had the higher correlation with VC values calculated from the photos taken in the field (R2 = 0.761). The VC
spatial distribution maps generated by the two models were generally similar, but the VC average value gained
from the statistical model was 0.09 lower than that of VC values retrieved by the sub-pixel model. These two me-
thods had similar results in the areas with higher and lower VC values, but the results from the sub-pixel model
were higher than the statistical model with mid VC values.
Key words Baiyanxile grassland in Inner Mongolia, grassland vegetation coverage, Landsat-5 TM image, sta-
tistical model, sub-pixel model

植被覆盖度(vegetation coverage, VC)指植被(包
括叶、茎、枝)在单位土地面积内的垂直投影面积所
占百分比(Purevdorj et al., 1998; Gitelson et al.,
2002), 是衡量陆地植被覆盖和生长状况的重要生
态学参数和量化指标, 同时也是水文、气象和生态
等模型的重要参数(Sellers et al., 1996)。准确地获取
地表的植被覆盖信息, 对揭示地表空间变化规律、
探讨变化的驱动因子和分析评价区域生态环境具
有重要意义。
获取VC的方法可分为地表实测和遥感监测两
类。地表实测方法包括采样法、仪器法和目视估测
法等。这些方法的测量精度较高, 在地表植被调查
中发挥着非常重要的作用, 一直被广泛使用, 但费
时、费力, 而且只能提供很小尺度范围内植被结构
和分布状况的变化信息(张岩等, 2002; 牛宝茹等,
2005; 龚建周和夏北成, 2007)。因此, 地表实测法难
以应用于较大空间尺度VC信息的获取。而遥感具有
大尺度和周期探测的特性, 从而使获取区域尺度的
616 植物生态学报 Chinese Journal of Plant Ecology 2011, 35 (6): 615–622

www.plant-ecology.com
VC信息成为可能, 得到了日益广泛的应用。
现有的利用遥感资料估算VC的方法大致可分
为两大类, 即统计模型法和植被指数转换法。经验
统计模型法是通过建立实测VC数据与植被指数的
经验统计模型来估算大面积的VC, 该方法使用时
间较长, 已有大量的研究证实该类方法可以很好地
应用于大范围草场的VC估算(Graetz et al., 1988;
Dymond et al., 1992; Wittich & Hansing, 1995;
Purevdorj et al., 1998)。经验统计模型具有参数少、
计算效率高、容易实现等优点, 常被应用于利用高
分辨率遥感数据获取小区域的覆盖度, 但也存在模
型参数随时间和地点变化的缺陷。植被指数转换法
是最近发展的不依赖于覆盖度实测数据, 直接由植
被指数向VC转换的方法 , 其中亚像元分解模型
(Gutman & Ignatov, 1998)近年来应用较为广泛。亚
像元分解模型利用像元的光谱和植被指数等遥感
信息, 通过建立像元内不同组分的分解模型, 分别
获得各组分在像元中所占的比例(杨胜天等, 2006)。
虽然植被指数转换法不需要进行覆盖度的野外观
测, 但就小范围区域而言, 其精度可能低于经验模
型法。
本研究以位于内蒙古锡林浩特市南部的中国
科学院草原生态系统定位研究站周围的草场为研
究对象, 利用数码相机观测VC, 分析了不同植被指
数与VC之间的关系, 建立VC遥感估算的统计模型,
并与亚像元分解模型的结果进行比较, 鉴别不同方
法提取VC的适用性。
1 研究区概况
本研究在中国科学院内蒙古草原生态系统定
位研究站周围进行, 该定位站(43°37′48″ N, 116°42′
18″ E)位于内蒙古自治区锡林郭勒盟白音锡勒牧场
境内。白音锡勒牧区是我国典型的温带草原区, 气
候属于大陆性半干旱草原气候, 平均海拔1 100 m,
年平均气温–2.00–6.00 ℃, 极端最高气温38.50 ℃;
极端最低气温–42.80 ℃, 冬春寒冷干燥多风, 夏秋
温暖湿润, 无霜期90–130天。年降水量250–450 mm,
其中70%集中于7、8月。地带性土壤为栗钙土, 土
层深度在1 m左右, 腐殖层厚20–30 cm。植被以蒙古
草原植被区系成分占优势, 主要建群种与优势种为
大针茅(Stipa grandis)、克氏针茅(Stipa krylovii)、羊
草(Leymus chinensis)和蒿类(变蒿Artemisia commu-
tata和冷蒿Artemisia frigida)等。研究区北部以沙地
为主, 样地分布如图1所示。
2 数据来源及处理
2.1 植被覆盖度实测数据
2010年6月29日–7月4日对研究区进行了实地
考察和野外观测。本次试验中, VC实测数据的获取
分两步进行: 1)设置样方, 拍摄草地覆盖的数码照
片; 2)对数码照片进行处理以计算草地覆盖度。根据
VC为样地中全部植物个体地上部分垂直投影面积
所占比例的定义, 样方图像中植被像素数占像素总
数的百分比即为VC。
首先, 实地获取草地覆盖度的数码照片。参照
地形图, 在研究区内植被密度不同的位置布设50个
有代表性的50 m × 50 m样地(考虑到与TM影像像
元对应时有偏差), 每个样地内的植被分布相对均
匀, 用GPS记录每个样地的位置。在每个样地内选
择3–5个有代表性的点进行数码照片的拍摄; 拍摄
前在地面放置1 m × 1 m的金属框, 用于数码相机镜
头的定位; 拍摄时镜头离草本层的高度约2 m, 并
尽可能与地面保持垂直。用数码相机垂直于样方的
角度顺光拍摄, 保证将所选样方完全摄入; 同时记
录土壤类型、地表面特征、土地利用方式、放牧载
畜量、植被组成、高度和覆盖度等信息。
拍摄的数码照片先用ArcMap 9.3软件(ESRI




图1 研究区和野外实测点的分布图。
Fig. 1 Distribution of study area and field sampling points.
朱敬芳等: 内蒙古草原植被覆盖度遥感估算 617

doi: 10.3724/SP.J.1258.2011.00615
corporation, California, USA)进行畸变校正, 选取照
片中1 m × 1 m铁框架的4个顶点为校正点, 将这4个
点的坐标从左上角开始顺时针依次定为: (0, 0)、(0,
1 000)、(1 000, 0)、(1 000, 1 000); 再对消除几何畸
变的照片在样方框边缘进行裁剪; 最后根据照片的
色彩特征进行植被像元的提取, 计算草地覆盖度,
并用目视解译方法进行精度检验。
本研究根据数码照片的RGB值将代表绿色植
被的像元与代表土壤、枯死植物以及阴影部分的像
元区分开, 建立VC信息提取模型。提取方法如下: 1)
草种主要为羊草或大针茅时, 草色呈鲜绿色, 利用
条件g > r, g > b进行覆盖度提取(张云霞等, 2003;
池宏康等, 2007; 张学霞等, 2008), 其中g、r、b分别
代表数码照片上绿、红和蓝色的灰度值; 2)草地稀疏
且杂草多, 草色呈褐色或开花时, 不满足上述条件,
采用监督分类、非监督分类和目视解译相结合的方
法提取VC。
2.2 草地叶面积指数的观测
在进行 VC 观测的样区 , 同时用 LAI-2000
(LI-COR Inc., Lincoln, USA)观测草地的叶面积指数
(leaf area index, LAI)。考虑到地形及地表均质性对
观测结果的影响, 样区设置在地势相对平坦、优势
草种比较单一、草地空间分布相对均匀、面积大于
100 m × 100 m处, 这些样区在研究区内尽量均匀分
布, 基本涵盖了研究区的主要草种类型。在每个样
区内, 沿垂直于太阳散射光的方向布设2条相互间
隔25 m、长50 m的测线, 在每条测线上每隔10 m用
LAI-2000观测采样(朱高龙等, 2010)。
2.3 遥感数据预处理
根据研究区的地理位置, 从美国地质勘探局
(United States Geological Survey, USGS)数据中心
(http://www.edc.usgs.gov/)下载得到2010年6月21日
锡林浩特的Landsat-5 TM (path : 123, row : 30)影
像。遥感影像获取时间与VC的野外观测时间基本同
步。在PCI Geomatics 7.0软件(PCI corporation, To-
ronto, Canada)平台上, 利用在野外观测时记录的地
面控制点的坐标对TM遥感数据进行几何精校正和
投影变换。图像几何校正的总体误差(RMSE)控制在
0.5个像元以内。图像采用WGS 84 UTM投影, 分辨
率为30 m × 30 m。采用6S模型(Vermote et al., 1997)
对图像进行大气校正, 得到反射率图像。在运行6S
模型时, 大气模式设为中纬度夏季模式, 气溶胶类
型设为大陆型, 大气的能见度设为30 km, 研究区
平均海拔1 100 m。最后将采样点叠加到遥感影像
上, 对其进行裁剪, 得到研究区的遥感影像。
3 植被覆盖度模型
3.1 基于植被指数的统计模型
VC的遥感估算统计模型是通过分析根据遥感
数据计算出的不同植被指数与VC之间的关系, 采
用统计方法建立的VC估算模型, 进而外推区域的
VC。根据回归关系的不同, 回归模型分为线形回归
模型和非线形回归模型两类。
本研究是在分析地面实测的VC与根据TM数据
计算的植被指数值之间关系的基础上, 建立估算
VC的统计模型。另外, 利用实测的51个样地的LAI
与6种植被指数建立线性回归方程、二次多项式回
归方程及指数方程计算本研究区的LAI。
具体步骤如下:
1)利用VC信息提取模型计算一个样地内不同
观测点的VC, 取其平均值, 得到样地尺度的VC;
2)根据TM数据计算6种植被指数;
3)根据所有样地的VC观测数据和植被指数数
据, 建立VC的遥感估算统计模型。
本研究采用比值植被指数(simple ratio vegeta-
tion index, SR) (Jordan, 1969)、减小的比值植被指数
(reduced simple ratio vegetation index, RSR) (Nemani
et al., 1993)、归一化植被指数(normalized difference
vegetation index, NDVI) (Rouse et al., 1974)、修正的
归一化植被指数 (modified normalized difference
vegetation index, MNDVI) (Nemani et al., 1993)、土
壤修正植被指数 (soil adjusted vegetation index,
SAVI) (Huete, 1988)和垂直植被指数(perpendicular
vegetation index, PVI) (Richardson & Wiegand, 1977)
6种植被指数进行建模, 各种植被指数的计算公式
如下:
NDVI = (NIR – R)/(NIR + R) (1)
MNDVI = NDVI × (1 – (SWIR – SWIRmin)/
(SWIRmax – SWIRmin)) (2)
SR = NIR/R (3)
RSR = SR × (1 – (SWIR – SWIRmin)/(SWIRmax –
SWIRmin)) (4)
SAVI = (NIR – R)/(NIR + R + L) × (1 + L) (5)
PVI = (NIR – a × R – b)/(1 + a2)1/2 (6)
618 植物生态学报 Chinese Journal of Plant Ecology 2011, 35 (6): 615–622

www.plant-ecology.com
其中, R、NIR和SWIR分别是卫星影像数据的红光、
近红外及短波红外波段的反射率。L为土壤调整参
数, 一般取值为0.5, SWIRmax和SWIRmin分别为短波
红外波段反射率的最大值和最小值, 分别取0.479 3
和0.154 8。a和b为土壤线方程的系数, 本次实验中
通过NIR和R回归得到的土壤线方程为NIR = 1.118
× R + 0.033。
3.2 亚像元分解模型
NDVI是像元内植被类型、密度和生长状况等的
综合反映, 与VC存在着密切的关系; 但不同亚像元
的植被结构(垂直密度和水平密度)可能产生相同的
NDVI值(Price, 1992)。Gutman和Ignatov (1998)根据
不同亚像元的植被分布特征, 将亚像元分为均一亚
像元和混合亚像元, 而混合亚像元又进一步分为等
密度、非等密度和混合密度亚像元。针对不同的亚
像元结构, 以NDVI为基础, 可分别建立不同的VC
估算模型。
本研究区内的土地利用类型主要有草地、麦田
/灌木/林地、沙地/居民地/道路和水体。研究区内LAI
< 3的草地, 覆盖度的估算采用非等密度模型; 少量
沿河草地和麦田的LAI ≥ 3, 采用等密度模型; 而
居民地、裸地和水域因没有植被覆盖, 覆盖度直接
赋0值。
假设像元中植被覆盖部分其植被类型一致但
密度有不同变化, 由于LAI <<∞, 于是像元的植被
指数(vegetation index, VI)可以表示为:
VI = VC × VIv + (1 – VC) × VImin (7)
式中VC为植被覆盖度, VIv为植被部分的植被指数,
而VImin为非植被部分的植被指数。
由(7)式得:
VC = (VI – VImin) /(VIv – VImin) (8)
当LAI ≥ 3时, VIv等于VC最大时的植被指数
值VImax; LAI < 3时, VIv = VImax – (VImax – VImin) exp
(–kLAI), k为消光系数, 参考Price (1992)的研究, 该
参数取值为1.0。在建立VI和LAI的经验模型中发现
MNDVI与LAI有很好的相关性 , 故本研究中选用
MNDVI代入方程(8)计算VC, 并将其中的MNDVImin
设为0.013 8, MNDVImax设为0.783 0。
4 结果和分析
4.1 统计模型估算的草地覆盖度
VI与VC间存在显著的相关关系(表1), 以SR为
自变量的线性模型估算研究区VC的效果最好(R2 =
0.761)。由于研究区内大部分像元的LAI < 3, SR能够
消除地面影响, 准确地表征地表的VC信息。因此,
采用线性模型(VC = 0.113 × SR – 0.040)反演研究区
的VC。
由于建模采用的VC数据都是在草地观测的 ,
所以建立的模型只适合于草地。因此将该模型应用
于遥感影像之前, 必须要对遥感影像进行分类, 提
取出研究区内草地覆盖的区域。本文参考记录的野
外采样点和控制点的地表覆盖类型信息, 采用监督
分类方法将地表覆盖类型分为草地、麦田/灌木/林
地、沙地/居民地/道路和水体4种。土地覆盖类型为
沙地/居民地/道路的区域, 其VC直接赋为0值; 小麦
(Triticum aestivum)在7月处于抽穗期, 种植均匀且
密集, 灌木/林地LAI较高, 故此类型VC赋为1; 最
后, 将模型应用于草地区域, 得到研究区30 m × 30
m分辨率的VC空间分布图(图2)。
从图3中可以看出, 研究区VC的空间变化比较
明显, 90%的地区都有植被覆盖, 但覆盖度不是很
高, 北部和西部多数地区小于0.25, 其中北部大部


表1 由不同植被指数建立的植被覆盖度统计模型
Table 1 Vegetation coverage statistical models developed by different vegetation indexes
植被指数
Vegetation index
线性回归模型
Linear regression model R
2 指数模型 Exponential model R
2
归一化植被指数 Normalized difference vegetation index y = 1.702x – 0.502 0.691 y = 0.039e3.918x 0.514
修正的归一化植被指数 Modified normalized difference vegetation index y = 1.329x – 0.075 0.671 y = 0.104e3.069x 0.502
比值植被指 Simple ratio vegetation index y = 0.113x – 0.040 0.761 y = 0.121e0.243x 0.486
减小的比值植被指数 Reduced simple ratio vegetation index y = 0.112x + 0.092 0.751 y = 0.160e0.242x 0.489
土壤调节指数 Soil adjusted vegetation index y = 2.566x – 0.361 0.734 y = 0.061e5.491x 0.471
垂直植被指数 Perpendicular vegetation index y = 5.787x – 0.059 0.705 y = 0.119e12.11x 0.433

朱敬芳等: 内蒙古草原植被覆盖度遥感估算 619

doi: 10.3724/SP.J.1258.2011.00615


图2 研究区30 m × 30 m分辨率的土地利用分类图。
Fig. 2 Landuse map of the study area in 30 m × 30 m resolu-
tion.




图3 利用统计模型生成的研究区植被覆盖度分布图。
Fig. 3 Vegetation coverage map of the study area generated
by the statistical model.


分区域植被的覆盖度为0.00–0.10, 只有少部分天然
草地的覆盖度为0.50–0.75, 锡林河附近水源充足,
草地的覆盖度较高, 为0.75–1.00; 总体上来看, 东
南部的VC高于西部。
以光谱反射率或植被指数为自变量、LAI为因
变量的统计模型是传统的LAI遥感反演方法, 在多
光谱和高光谱领域都得到广泛的研究与应用(方秀
琴和张万昌, 2003)。但该方法属经验性的, 只适用



图4 叶面积指数与修正的归一化植被指数的关系模型。
Fig. 4 Relation model between leaf area index and modified
normalized difference vegetation index.





图5 亚像元分解模型生成的植被覆盖度分布图。
Fig. 5 Vegetation coverage map of the study area generated
by sub-pixel model.



于面积小的研究区, 不具有普遍适用性。
在本研究区内, 利用实测的51个样地的LAI与6
种植被指数(NDVI、MNDVI、SR、RSR、SAVI、PVI)
建立线性回归方程、二次多项式回归方程及指数方
程, 其中与MNDVI建立的二次多项式回归模型具有
最好的相关性, R2 = 0.772 (图4)。采用关系式LAI =
4.898MNDVI2 + 0.676MNDVI + 0.757来反演研究区
的LAI分布, 应用于亚像元模型来反演草地覆盖度。
620 植物生态学报 Chinese Journal of Plant Ecology 2011, 35 (6): 615–622

www.plant-ecology.com
4.2 亚像元模型反演草地覆盖度
通过亚像元模型得到的研究区30 m × 30 m分
辨率的VC分布如图5所示。可以看出, 研究区内VC
主要分布在0.00–0.75之间, 其中VC在0.00–0.10之
间的主要是北部沙地和未耕作的部分地区。白音锡
勒地区的人工草地实行间作轮休, 故图上显示有人
工草地和空地相间。研究区内草场VC的空间分布特
征的差异与统计模型得到的结果相似, 草地覆盖度
的高值区主要分布在锡林河附近, 东南部大部分草
地的覆盖度在0.50左右 , 而西部区域VC在0.45左
右。对于人工草地部分, 该模型的反演结果偏低,
大都集中在0.10–0.25, 而野外实测值为0.40, 这可
能主要是由于该模型中使用的LAI反演模型是针对
自然草地建立的, 对人工草地LAI估算的误差不适
用而造成VC结果偏低。亚像元模型能理想地反演密
度大长势好的麦田的VC。
4.3 不同方法得到的植被覆盖度结果的比较
在51个观测样地中, 统计模型和亚像元分解模
型得到的VC具有很好的相关性(R2 = 0.865) (图6)。
但是当VC中等或较低时, 亚像元分解模型得到的
VC比统计模型得到的VC偏高, 当VC > 0.55时, 两
种方法得到的结果较一致。对整个研究区而言, 利
用两种模型生成的VC的空间分布特征相似, 但亚
像元分解模型得到的研究区VC平均值为0.403, 而
统计模型的结果为0.312。
通过分区间统计两种模型估算的研究区覆盖



图6 统计模型与亚像元模型得到的样地植被覆盖度比较。
Fig. 6 Comparison of vegetation coverage (VC) in sampling
sites computed by statistical model and sub-pixel model.



图7 统计模型和亚像元模型的植被覆盖度统计结果对比。
Fig. 7 Comparison of vegetation coverage statistical results
of the statistical model and sub-pixel model.


度可以看出, 两种方法得到的VC低值区(0–0.25)和
高值区(0.55–1.00)的面积差异很小; 但是, 两种方
法得到的中等覆盖度(VC为0.25–0.55)的面积差异
明显。统计模型反演结果显示, 47.60%的区域的VC
为0.25–0.35, 17.7%的区域的VC为0.35–0.45, 仅有
3.40%的区域的VC为0.45–0.55。相反, 亚像元分解
模型得到的VC的峰值出现在0.35–0.45, 面积比例
占36.30%, 在VC为0.25–0.35和0.45–0.55时, 面积比
例分为18.96%和17.60%。与统计模型相比, 亚像元
分解模型得到的VC偏高主要发生在中等植被覆盖
条件下(VC为0.25–0.55), 与在观测样地的实际情况
相同。
5 结论
本文采用数码相机获取内蒙古典型草地的VC,
通过与同期获取的遥感数据进行分析, 比较了统计
模型和亚像元分解模型进行草地VC遥感估算的可
行性。通过研究得出如下结论:
1)当VC低于0.35时, 利用光谱信息模型从数码
照片上提取的覆盖度存在着低估现象; 当VC中等
或较高, 并且植被色彩偏绿时, 效果较好。
2)植被指数与VC存在着较好的相关性, 表明依
据植被指数建立VC统计模型进行研究区的VC遥感
制图是可行的。在所有的6种植被指数中, SR与VC
的相关性最高(R2 = 0.761)。
3)利用统计模型和亚像元分解模型生成的草地
VC的空间分布特征相似, 但亚像元分解模型得到
的研究区VC比统计模型的结果偏高了0.091。在统
朱敬芳等: 内蒙古草原植被覆盖度遥感估算 621

doi: 10.3724/SP.J.1258.2011.00615
计模型计算的VC分布于0.25–0.35时, 亚像元模型
计算出的VC分布于0.35–0.55; 在其他区间, 两者计
算的VC差异较小, 故两者的计算误差分布在0.25–
0.55。另外, LAI在亚像元分解模型的应用中起着关
键作用, 其估算误差会引起模型估算结果的偏差。
致 谢 国家“863”项目(2009AA12Z134)和“973”
项目(2010CB833503)资助。在野外观测中得到中国
科学院内蒙古草原生态系统定位站的帮助, 在此表
示衷心的感谢。
参考文献
Chi HK (池宏康), Zhou GS (周广胜), Xu ZZ (许振柱), Yuan
WP (袁文平) (2007). Measuring coverage of grassland
vegetation using remote sensing over short distances. Acta
Prataculturae Sinica (草地学报), 16, 105–110. (in Chi-
nese with English abstract)
Dymond JR, Stephens PR, Newsome PF, Wilde RH (1992).
Percentage vegetation cover of a degrading rangeland
from SPOT. International Journal of Remote Sensing, 13,
1999–2007.
Fang XQ (方秀琴), Zhang WC (张万昌) (2003). The applica-
tion of remotely sensed data to the estimation of the leaf
area index. Remote Sensing for Land & Resources (国土
资源遥感), 57(3), 58–62. (in Chinese with English ab-
stract)
Gitelson AA, Kaufman YJ, Stark R, Rundquist D (2002).
Novel algorithms for remote estimation of vegetation frac-
tion. Remote Sensing of Environment, 80, 76–87.
Gong JZ (龚建周), Xia BC (夏北成) (2007). Remote sensing
estimation of vegetation coverage in Guangzhou based on
the correction atmospheric radiation. Chinese Journal of
Applied Ecology (应用生态学报), 18, 575–580. (in Chi-
nese with English abstract)
Graetz RD, Pech RP, Davis AW (1988). The assessment and
monitoring of sparsely vegetated rangelands using cali-
brated Landsat data. International Journal of Remote
Sensing, 9, 1201–1222.
Gutman G, Ignatov A (1998). The derivation of the green ve-
getation fraction from NOAA/AVHRR data for use in
numerical weather prediction models. International Jour-
nal of Remote Sensing, 19, 1533–1543.
Huete AR (1988). A soil adjusted vegetation index (SAVI).
Remote Sensing of Environment, 25, 295–309.
Jordan CF (1969). Derivation of leaf-area index from quality of
light on the forest floor. Ecology, 50, 663–666.
Niu BR (牛宝茹), Liu JR (刘俊蓉), Wang ZW (王政伟)
(2005). Remote sensing information extraction based
vegetation fraction in semiarid area. Geo-information Sci-
ence (地理信息科学), 7, 84–88. (in Chinese with Eng-
lish abstract)
Nemani R, Pierce DL, Running SW, Band LE (1993). Forest
ecosystem processes at the watershed scale: sensitivity to
remotely sensed leaf area index estimates. International
Journal of Remote Sensing, 14, 2519–2534.
Price JC (1992). Estimating vegetation amount from visible and
near infrared reflectances. Remote Sensing of Environ-
ment, 41, 29–34.
Purevdorj TS, Tateishi R, Ishiyama T, Honda Y (1998). Rela-
tionships between percent vegetation cover and vegetation
indices. International Journal of Remote Sensing, 19,
3519–3535.
Richardson AJ, Wiegand CL (1977). Distinguishing vegetation
from soil background information. Photogrammetric En-
gineering and Remote Sensing, 43, 1541–1552.
Rouse JW Jr, Haas RH, Schell JA, Deering DW (1974). Moni-
toring vegetation systems in the Great Plains with ERTS.
Third Earth Resources Technology Satellite-1 Symposium.
1, 309–317.
Sellers PJ, Los SO, Tucker CJ, Justice CO, Dazlich DA, Col-
latz GJ, Randall DA (1996). A revised land surface para-
meterization (SiB2) for atmospheric GCMs. Part II. The
generation of global fields of terrestrial biophysical pa-
rameters from satellite data. Journal of Climate, 9, 706–
737.
Vermote EF, Tanré D, Deuzé JL, Herman M, Morcrette JJ
(1997). Second simulation of the satellite signal in the so-
lar spectrum, 6S: an overview. IEEE Transactions on
Geosciences and Remote Sensing, 35, 675–686.
Wittich KP, Hansing O (1995). Area-averaged vegetative
cover fraction estimated from satellite data. Interna-
tional Journal of Biometeorology, 38, 209–215.
Yang ST (杨胜天), Li Q (李茜), Liu CM (刘昌明), Zhi H (智
泓), Wang XL (王雪蕾) (2006). Detecting vegetation
fractional coverage of riparian buffer strips in Guanting
Reservoir based on “Beijing-1” remote sensing data. Geo-
graphical Research (地理研究), 25, 570–578. (in Chi-
nese with English abstract)
Zhang XX (张学霞), Zhu QK (朱清科), Wu GM (吴根梅),
Sun DZ (孙丹珠) (2008). Vegetation coverage assessment
622 植物生态学报 Chinese Journal of Plant Ecology 2011, 35 (6): 615–622

www.plant-ecology.com
by digital photos. Journal of Beijing Forestry University
(北京林业大学学报), 30, 164–169. (in Chinese with
English abstract)
Zhang Y (张岩), Yuan JP (袁建平), Liu BY (刘宝元) (2002).
Advance in researches on vegetation cover and manage-
ment fraction in the soil erosion prediction model. Chinese
Journal of Applied Ecology (应用生态学报), 13, 1033–
1036. (in Chinese with English abstract)
Zhang YX (张云霞), Li XB (李晓兵), Chen YH (陈云浩)
(2003). Overview of field and multiscale remote sensing
measurement approaches to grassland vegetation cover-
age. Advance in Earth Sciences (地球科学进展), 18,
85–93. (in Chinese with English abstract)
Zhu GL (朱高龙), Ju WM (居为民), Chen JM, Fan WY (范文
义), Zhou YL (周艳莲), Li XF (李显风), Li MZ (李明泽)
(2010). Forest canopy leaf area index in Maoershan
Mountain: ground measurement and remote sensing re-
trieval. Chinese Journal of Applied Ecology (应用生态学
报), 21, 2117–2124. (in Chinese with English abstract)


责任编委: 常 杰 实习编辑: 黄祥忠