全 文 ：植物生态学报 2013, 37 (1): 18–25 doi: 10.3724/SP.J.1258.2013.00002
Chinese Journal of Plant Ecology http://www.plant-ecology.com
——————————————————
收稿日期Received: 2012-08-27 接受日期Accepted: 2012-11-13
* E-mail: xiangfeidewujian@126.com
不同地形条件下植被盖度信息提取技术研究
吴 见* 刘民士 李伟涛
滁州学院地理信息与旅游学院, 安徽滁州 239000
摘 要 为系统地研究特定区域的植被盖度信息提取技术, 在不同的地形条件下, 比较了目前流行的多种高光谱遥感植被盖
度提取方法。结果表明: 最优高光谱归一化植被指数(NDVI1)的建模和验证精度均高于其他两种归一化植被指数(NDVI), 直接
采用NDVI建立的回归模型对研究区植被盖度的估测能力低于像元二分模型; 阴坡的最佳模型为基于一阶微分的偏最小二乘
回归模型(PLSR模型), 其建模决定系数(R2)为0.810, 均方根误差(RMSE)为6.29, 验证R2为0.773, RMSE为8.85; 阳坡的最佳模
型为基于二阶微分的PLSR模型, 其建模R2为0.823, RMSE为6.04, 验证R2为0.801, RMSE为7.35; 平原的最佳模型为全受限的
线性光谱混合分解模型(FCLS), 其验证R2为0.852, RMSE为5.86。
关键词 干旱半干旱, 高光谱, 模型, 植被盖度
Research on vegetation cover information extraction technologies under different terrain
conditions
WU Jian*, LIU Min-Shi, and LI Wei-Tao
Geographic Information and Tourism College, Chuzhou University, Chuzhou, Anhui 239000, China
Abstract
Aims We compared a variety of vegetation cover extraction methods by hyperspectral remote sensing that are
currently popular. Our aims were to systematically study vegetation information extraction technology and pro-
vide a reference for further study of vegetation cover.
Methods The methods of vegetation index, dimidiate pixel model, principal component regression (PCR), par-
tial least squares regression first order differential (PLSR) and linear spectral mixture decomposition model were
used to extract vegetation information.
Important findings The vegetation cover estimation ability of dimidiate pixel models established by different
normalized differential vegetation index (NDVI) was higher than that of the regression models established by
NDVI directly. The optimization model for shady slopes was PLSR model based on the first order differential
(FD) with modeling R2 = 0.810, root mean square error (RMSE) = 6.29 and validation R2 = 0.773, RMSE = 8.85.
The optimization model for sunny slopes was PLSR model based on the second order differential (SD), with mod-
eling R2 = 0.823, RMSE = 6.04 and validation R2 = 0.801, RMSE = 7.35. The optimization model for plains was
full confine linear spectral mixture model (FCLS), with validation R2 = 0.852, RMSE = 5.86.
Key words arid and semi-arid, high spectrum, model, vegetation coverage

植被盖度的定义为一定的观测区域内植被投
影面积占区域总面积的比率, 该指标不仅反映了区
域的植被生长状况, 也指示了区域生态环境的优劣
状况(程红芳等, 2008)。随着遥感技术的迅速发展,
为大范围全面、及时、准确地获取植被盖度信息提
供了可能。不同的区域和不同的地形条件下, 植被
盖度及生长状况差异很大, 增加了植被信息的提取
难度(Townshend & Justice, 1986)。传统的遥感数据
源, 如MSS、SPOT、TM影像等, 光谱分辨率低、
波段少, 因此包含的植被信息量相对较少(Black-
burn, 1998)。为适应实际需求, 近年来高光谱遥感技
术应运而生, 高光谱遥感数据具有很多窄波段, 能
够提供连续的光谱曲线, 解决了传统遥感数据地物
光谱信息不足的难题, 为准确地提取地物信息提供
了新的手段(Elvidge & Chen, 1995; Thenkabail et al.,
2000)。
目前, 用于获取植被盖度信息的方法主要是计
算植被指数(VI) (杜明义等, 2002)、回归分析法和光
吴见等: 不同地形条件下植被盖度信息提取技术研究 19

doi: 10.3724/SP.J.1258.2013.00002
谱混合分析法(SMA) (Hansen et al., 2002)。在植被
稀疏的区域, 土壤背景等因素对归一化植被指数
(NDVI)等常用的植被指数影响较大(Kremer & Run-
ning, 1993), 且大范围评价时需要确定土壤调节植
被指数的一系列参数, 带来了较多的人为影响(杨
晓晖和慈龙骏, 2006)。因此, SMA开始被逐步用于
获取地面植被信息(Asner & Lobell, 2000), 其中大
多数研究均采用线性光谱混合分解模型(LSSM)
(Drake et al., 1999)。
目前针对特定区域植被盖度信息提取方法的
研究多是采用某一种或两种方法进行的, 且在同一
研究区域不同地形条件下对各种方法进行系统全
面分析的研究还未见报道, 适合不同地形条件下植
被盖度提取模型的选择尚需要进一步的探索。为系
统地研究特定区域的植被盖度信息提取技术, 本文
在不同的地形条件下, 比较了目前流行的多种高光
谱遥感植被盖度提取方法, 旨在为特定区域植被盖
度信息提取技术的深入研究提供参考。
1 研究区概况和数据获取
1.1 研究区概况
怀柔地处北京东北部, 总面积达2 128.7 km2,
是华北平原、内蒙古高原以及燕山山脉的过渡地
带。该区北部环山, 南部是草原, 地形包括深山、
浅山、平原3种类型, 从南向北绵延128 km, 且山地
面积占整个怀柔区的88.7%, 宜林山场森林面积达
41%。地势呈北高南低, 海拔变化较大, 在34–1 661
m之间。该区气候冬天受西伯利亚冷空气影响, 寒
冷干燥, 夏天受海洋气团影响, 温热湿润, 春秋季
节短且干旱多风。年平均气温在6–12 ℃之间, 常年
平均年降水量在470–850 mm之间。土壤主要包括草
甸土、褐土、棕壤、风砂土等类型。
1.2 数据获取
本研究选取北京怀柔部分地区2001年5月19日
的EO-1 Hyperion高光谱数据, 该数据共有242波段,
其中1–70波段是可见光近红外波段(VNIR), 71–242
波段是短波红外波段(SWIR), 光谱分辨率为10 nm,
空间分辨率为30 m。
首先删除2个重复、20个受水汽影响严重及44
个未定标波段, 剩余176个波段; 然后对剩余波段
进行处理, 包括坏线修复、条纹去除以及smile效应
去除; 最后, 对处理后的图像进行检验, 继续删除
质量差的波段7个, 剩余169个波段。被删除的具体
波段为: 1–7、58–78、121–129、166–180、185–186、
224–242。利用FLAASH软件对剩余的169个波段进
行大气纠正, 得到反射率图像。大气纠正后, 采用
1:50 000地形图对影像进行几何纠正 , 总误差是
0.35个像元。
1.3 地面数据获取
样地大小为30 m × 30 m的正方形, 调查因子主
要包括: 植被盖度、样地中心点和4个顶角的坐标、
坡度、坡向、植被类型等, 其中植被盖度采用对角
线法获取。将调查数据以阴坡(坡向为西北和东北)、
阳坡(坡向为东南和西南)和平原3种地形进行划分,
每种地形选取样地数为60块。地面数据调查的时间
为2001年5–6月。
2 植被盖度信息提取技术
2.1 基于NDVI的植被盖度估测
2.1.1 NDVI的计算方法
植被指数NDVI的计算式为:
NDVI = (NIR – Red) / (NIR + Red) (1)
其中NIR代表近红外波段光谱, Red代表红色波段光
谱。为比较不同NDVI在干旱地区估测植被覆盖度的
能力, 选取了最优高光谱NDVI (NDVI1)、标准高光
谱NDVI (NDVI2)和TM波段NDVI (NDVI3) 3种植被
指数进行植被盖度估测。
不同NDVI选取的NIR与Red波段的光谱不同:
对于NDVI1, 选取Hyperion高光谱影像中NIR光谱范
围(756–1 000 nm)和Red光谱范围(600–740 nm)内的
全部波段两两组合计算NDVI1, 同时计算所有的
NDVI1值与实测植被盖度的相关性, 采用相关系数
最大的NDVI1进行植被盖度估测, 本研究采用李晓
松等(2011)的研究结果 , 选择构建NDVI1的NIR与
Red最优波长组合为823.65/701.55 nm; 对于NDVI2,
NIR与Red的值选择TM的ρ4与ρ3波段中心波长处对
应的高光谱波段光谱值; 对于NDVI3, 将高光谱数
据重采样成Landsat TM波段数据, 并以ρ4、ρ3的光谱
值作为NIR和Red的取值。
2.1.2 不同地形条件下不同NDVI估测植被盖度能
力分析
采用NDVI1、NDVI2和NDVI3对阴坡、阳坡和平
原3种地形条件下的植被盖度分别进行估测, 每种
地形的建模样本随机选取35个, 验证样本为25个。
20 植物生态学报 Chinese Journal of Plant Ecology 2013, 37 (1): 18–25

www.plant-ecology.com
不同地形条件下的建模和验证结果分别见表1、表2
和表3。


表1 不同归一化植被指数(NDVI)估测阴坡植被盖度的建模
和验证结果
Table 1 Modeling and verification results of shady slope
vegetation coverage estimation of different normalized differ-
ential vegetation index (NDVI)
建模 Modeling 验证 Verification
NIR (nm)
Red
(nm) R2 RMSE R2 RMSE
NDVI1 823.65 701.55 0.656 10.73 0.638 11.74
NDVI2 803.3 671.02 0.508 14.65 0.497 14.40
NDVI3 TM4 TM3 0.483 15.01 0.476 15.29
NDVI1, 最优高光谱NDVI; NDVI2, 标准高光谱NDVI; NDVI3, TM波
段NDVI; NIR, 近红外波段光谱; Red, 红色波段光谱; RMSE, 均方
根误差。
NDVI1, optimal hyper spectral NDVI; NDVI2, standard high spectral
NDVI; NDVI3, TM band NDVI; NIR，near infrared band spectrum；Red,
red band spectrum；RMSE, root mean square error.


表2 不同归一化植被指数(NDVI)估测阳坡植被盖度的建模
和验证结果
Table 2 Modeling and verification results of sunny slope
vegetation coverage estimation of different normalized differ-
ential vegetation index (NDVI)
建模 Modeling 验证 Verification
NIR (nm) Red (nm)
R2 RMSE R2 RMSE
NDVI1 823.65 701.55 0.731 8.85 0.711 9.94
NDVI2 803.3 671.02 0.712 9.87 0.682 10.73
NDVI3 TM4 TM3 0.713 9.96 0.708 10.69
NDVI1, 最优高光谱NDVI; NDVI2, 标准高光谱NDVI; NDVI3, TM波
段NDVI; NIR, 近红外波段光谱; Red, 红色波段光谱; RMSE, 均方
根误差。
NDVI1, optimal hyper spectral NDVI; NDVI2, standard high spectral
NDVI; NDVI3, TM band NDVI; NIR，near infrared band spectrum；Red,
red band spectrum；RMSE, root mean square error.


表3 不同归一化植被指数(NDVI)估测平原植被盖度的建模
和验证结果
Table 3 Modeling and verification results of plain vegetation
coverage estimation of each normalized differential vegetation
index (NDVI)
建模 Modeling 验证 Verification
NIR (nm) Red (nm)
R2 RMSE R2 RMSE
NDVI1 823.65 701.55 0.746 7.09 0.732 8.95
NDVI2 803.3 671.02 0.723 7.84 0.706 10.47
NDVI3 TM4 TM3 0.705 9.12 0.691 10.70
NDVI1, 最优高光谱NDVI; NDVI2, 标准高光谱NDVI; NDVI3, TM波
段NDVI; NIR, 近红外波段光谱; Red, 红色波段光谱; RMSE, 均方
根误差。
NDVI1, optimal hyper spectral NDVI; NDVI2, standard high spectral
NDVI; NDVI3, TM band NDVI; NIR，near infrared band spectrum；Red,
red band spectrum；RMSE, root mean square error.

从表1可以看出, NDVI1的建模和验证精度均高
于其他两种NDVI, 建模R2达0.656, RMSE为10.73,
验证R2为0.638, RMSE为11.74。NDVI2比NDVI3的建
模和验证结果稍好, 但总体来看NDVI2和NDVI3的
建模和验证结果精度均较低, 不能满足实际植被盖
度监测需求。
图1为NDVI1对阴坡植被盖度预测值的验证结
果。由图1可知, 该指数在高植被盖度区的估测精度
较高, 误差主要来源于对30%以下的低盖度植被估
测效果较差。这主要是因为阴坡的植被盖度整体较
低, 高植被盖度区较少, 大多在50%以下, NDVI自
身对土壤背景比较敏感, 在植被盖度较低时会受到
土壤背景的影响, 造成在低植被盖度区估测精度
降低。




图1 最优高光谱归一化植被指数(NDVI1)的阴坡植被盖度
预测值验证结果。RMSE, 均方根误差。
Fig. 1 Verification results of the prediction value of shady
slope vegetation coverage by the optimal hyper spectral nor-
malized differential vegetation index (NDVI1). RMSE, root
mean square error.


从表2可以看出, NDVI1的建模和验证精度均高
于其他两种NDVI, 建模R2达0.731, RMSE为8.85, 验
证R2为0.711, RMSE为9.94。尽管NDVI2和NDVI3的建
模和验证精度较NDVI1低, 但相对于阴坡的估测精
度来看, 整体精度已较高。阳坡的林地生长较好,
植被丰富, 平均盖度较高, 土壤背景等因素的影响
较小, 3种NDVI均可用于阳坡的植被盖度估测。
从表3可以看出, NDVI1的建模和验证精度均高
于其他两种NDVI, 建模R2达0.746, RMSE为7.09, 验
证R2为0.732, RMSE为8.95。与阴坡和阳坡的植被盖
吴见等: 不同地形条件下植被盖度信息提取技术研究 21

doi: 10.3724/SP.J.1258.2013.00002
表4 不同地形条件下不同归一化植被指数(NDVI)的像元二分模型验证结果
Table 4 Verification results of pixel binary model of different normalized differential vegetation index (NDVI) under different ter-
rain conditions
阴坡 Shady slope 阳坡 Sunny slope 平原 Plain NDVIsoil NDVIveg
R2 RMSE R2 RMSE R2 RMSE
NDVI1 –0.10 0.64 0.656 10.38 0.730 9.15 0.758 8.06
NDVI2 –0.06 0.62 0.537 12.69 0.717 10.06 0.725 9.90
NDVI3 –0.02 0.55 0.504 14.17 0.684 11.23 0.712 10.34
NDVI1, 最优高光谱NDVI; NDVI2, 标准高光谱NDVI; NDVI3, TM波段NDVI; NDVIsoil, 全裸土覆盖像元的NDVI值; NDVIveg, 全植被覆盖像元的
NDVI值; RMSE, 均方根误差。
NDVI1, optimal hyper spectral NDVI; NDVI2, standard high spectral NDVI; NDVI3, TM band NDVI; NDVIsoil, NDVI value of pixel covered by naked
soil; NDVIveg, NDVI value of pixel covered by all the vegetation.

度估测结果相比, 不同NDVI对平原植被盖度的估
测精度相对较高。这主要是由于平原地区植被盖度
较高, 裸土光谱对各NDVI的影响较小, 且实地调查
数据获取时不受坡度干扰, 结果更加精确。
2.1.3 不同地形条件下像元二分模型植被盖度估测
采用以上3种NDVI建立像元二分模型, 公式为:
)/()( soilvegsoil NDVINDVINDVINDVIfc −−=
式中 , fc为植被覆盖度 , NDVI为影像中各像元的
NDVI值 , NDVIsoil为全裸土覆盖像元的NDVI值 ,
NDVIveg为全植被覆盖像元的NDVI值。从中可以看
出, NDVIsoil和NDVIveg的确定是关键, 将直接影响
植被覆盖度估算结果。本研究取NDVI影像中的最
小值作为NDVIsoil, 取NDVI影像中的最大值作为
NDVIveg。
不同地形条件下3种NDVI建立的像元二分模
型对研究区植被盖度进行了估测, 结果见表4。由
表4可知, 不同NDVI的像元二分模型对平原植被
盖度的整体估测精度最高, 阳坡次之, 阴坡最差。
另一方面, 在3种地形条件下, 基于NDVI1的像元
二分模型验证精度均高于其他两种NDVI, 其中阴
坡的验证R2为0.656, RMSE为10.38, 阳坡的验证R2
为 0.730, RMSE为 9.15, 平原的验证 R2为 0.758,
RMSE为8.06。
图2为基于NDVI1的像元二分模型阴坡植被盖
度预测值验证结果。从图2可知, 实测植被盖度小于
模型的预测值, 这主要是因为阴坡植被生长稀疏,
整体盖度较低, 很难找到30 m × 30 m的纯植被覆盖
像元, 因此NDVIveg值偏小, 根据像元二分模型计算
时, 估测结果偏大。对比表1–4可知, 除NDVI3建立
的像元二分模型对阳坡植被盖度的估测精度低于
直接采用NDVI3建立的回归模型外, 其他情况下,
直接采用NDVI建立的回归模型对研究区植被盖度


图2 基于最优高光谱NDVI(NDVI1)的像元二分模型阴坡植
被盖度预测值验证结果。RMSE, 均方根误差。
Fig. 2 Verification results of the prediction value of shady
slope vegetation coverage of pixel binary model based on the
optimal high spectral NDVI (NDVI1). RMSE, root mean square
error.


的估测能力低于像元二分模型。
通过比较表1至表4可知 , 各种方法的R2和
RMSE指标的差别不是特别明显, 说明基于NDVI指
标的植被盖度估测方法总体差别并不大, 体现了
NDVI较强的反映植被状况的能力 , 并且NDVI的
NIR与Red波段的光谱越细致, 对植被盖度的估测越
准确。
2.2 基于主成分回归 (PCR)与偏最小二乘回归
(PLSR)的植被盖度估测
主成分回归时, 自变量光谱数据首先被分解成
得分矩阵和特征向量, 然后再与因变量进行回归。
PLSR与PCR非常相似, 但PLSR回归对自变量光谱
数据进行分解时兼顾了因变量信息并从中提取因
子, 进而根据因子间相关性的高低对其重新排列,
PLSR得到的权重矩阵体现了自变量光谱数据和因
22 植物生态学报 Chinese Journal of Plant Ecology 2013, 37 (1): 18–25

www.plant-ecology.com
变量间的协方差结构。PLSR的建模步骤(李晓松等,
2011)为:
1)将自变量矩阵X = (xij) n × p和因变量矩阵Y =
(yij) n × m分解为特征向量:
Y = UQ + F (2)
X = TP + E (3)
其中, U 、T代表X与Y的特征因子矩阵( n × d阶, d代
表抽象组分数), Q ( d × m阶)、P ( d × p阶)代表X与Y
的载荷阵, F( n × m阶)、E ( n × p阶)代表Y与X的残差
阵。
2)按照特征向量的相关性将Y和X进行分解, 建
立回归模型:
U = TB + Ed (4)
其中, B代表d维对角回归系数阵, Ed代表随机误差
阵。采用交叉验证法确定最佳维数d, 当交叉验证均
方根误差最小时 , 选取其对应的维数d作为最佳
维数。
为了分析不同数据处理方法预测研究区植被
盖度的效果, 获取最佳回归预测模型, 对反射率光
谱分别进行一阶微分(FD)、二阶微分(SD)、包络线
去除(CR)等3种光谱处理, 加上原始反射率无变换
数据(NO)共4种不同光谱处理方法, 作为建立回归
预测模型的输入数据集。对阴坡、阳坡和平原3种
地形条件下的植被盖度分别进行估测, 每种地形的
建模样本选取35个, 验证样本为25个, 与NDVI估测
法选取的建模和验证样本一致。选取RMSE和R2来
检验建立的回归模型拟合效果和预测能力。
2.2.1 PCR模型植被盖度估测
表5为4种光谱处理方法PCR模型阴坡植被盖度
建模和验证结果。由表5可知, 基于CR的PCR模型
的建模和验证精度均较其他光谱处理高, 其建模R2
为0.794, RMSE为8.49, 验证R2为0.753, RMSE为
9.06。基于FD的PCR模型对阴坡植被盖度的估测效
果次之, 基于NO的PCR模型效果最差。4种光谱处
理方法PCR模型对阴坡植被盖度的建模精度由高到
低为: CR > FD > SD > NO; 验证精度由高到低为:
CR > FD > SD > NO。
表6为4种光谱处理方法PCR模型阳坡植被盖度
建模和验证结果。由表6可知, 对于建模精度, 基于
SD的PCR模型精度最高, 其R2为0.775, RMSE为
8.90, FD光谱建模精度次之, NO建模效果最差; 对
于验证精度, 基于FD光谱的PCR模型精度最高, 其
表5 不同光谱处理方法主成分回归(PCR)模型阴坡植被盖
度建模和验证结果
Table 5 Modeling and verification results of shady slope
vegetation coverage by principal component regression (PCR)
models based on different spectral processing methods
建模
Modeling
验证
Verification
光谱处理方法
Spectrum processing
method
变量个数
Variable
number R2 RMSE R2 RMSE
无变换数据 NO 8 0.693 11.28 0.667 11.95
一阶微分 FD 7 0.748 9.55 0.714 11.03
二阶微分 SD 9 0.732 10.17 0.708 11.15
包络线去除 CR 9 0.794 8.49 0.753 9.06
CR, continuum-removal; FD, first order differential; NO, no transform
data; SD, second order differential; RMSE, root mean square error.



表6 不同光谱处理方法主成分回归(PCR)模型阳坡植被盖
度建模和验证结果
Table 6 Modeling and verification results of sunny slope
vegetation coverage by principal component regression (PCR)
model based on different spectral processing methods
建模
Modeling
验证
Verification
光谱处理方法
Spectrum processing
method
变量个数
Variable
number R2 RMSE R2 RMSE
无变换数据 NO 10 0.739 10.26 0.641 12.76
一阶微分 FD 12 0.766 9.14 0.685 11.57
二阶微分 SD 8 0.775 8.90 0.639 12.88
包络线去除 CR 10 0.753 9.67 0.650 12.34
CR, continuum-removal; FD, first order differential; NO, no transform
data; SD, second order differential; RMSE, root mean square error.


R2为0.685, RMSE为11.57, CR验证精度次之, SD的
验证结果最差。4种光谱处理方法PCR模型的阳坡植
被盖度建模精度由高到低为: SD > FD > CR > NO;
验证精度由高到低为: FD > CR > NO > SD。从以上
分析结果可以看出, 4种光谱处理方法的整体建模
精度较高, 但验证精度下降均较大, 这主要是因为
阳坡植被盖度普遍较高, 低植被区域较少, 拟合过
程容易出现过度拟合现象。
表7为4种光谱处理方法PCR模型平原植被盖度
建模和验证结果。由表7可知, 基于FD的PCR模型的
建模和验证精度均较其他光谱处理高, 其建模R2为
0.759, RMSE为9.71, 验证R2为0.726, RMSE为10.04。
4种光谱处理方法PCR模型平原植被盖度的建模精
度由高到低为: FD > NO > CR > SD; 验证精度由高
到低为: FD > CR > NO > SD。
从以上分析结果可以看出, 采用PCR模型估测
植被盖度时, 基于CR的PCR模型对阴坡植被盖度
估测效果最佳, 基于FD光谱的PCR模型对阳坡和平
吴见等: 不同地形条件下植被盖度信息提取技术研究 23

doi: 10.3724/SP.J.1258.2013.00002
表7 不同光谱处理方法主成分回归(PCR)模型平原植被盖
度建模和验证结果
Table 7 Modeling and verification results of plain vegetation
coverage by principal component regression (PCR) model
based on different spectral processing methods
建模
Modeling
验证
Verification
光谱处理方法
Spectrum processing
method
变量个数
Variable
number R2 RMSE R2 RMSE
无变换数据 NO 7 0.745 10.06 0.703 11.68
一阶微分 FD 10 0.759 9.71 0.726 10.04
二阶微分 SD 11 0.681 11.93 0.659 12.48
包络线去除 CR 9 0.730 10.51 0.717 11.45
CR, continuum-removal; FD, first order differential; NO, no transform
data; SD, second order differential; RMSE, root mean square error.


原植被盖度估测效果最佳。
2.2.2 PLSR模型植被盖度估测
表8为4种光谱处理方法PLSR模型阴坡植被盖
度建模和验证结果。由表8可知, 无论是建模精度还
是验证精度, 基于FD的PLSR模型精度均为最高,
其中建模时的R2为0.810, RMSE为6.29, 验证精度的
R2为0.773, RMSE为8.85。4种光谱处理方法PLSR模
型阴坡植被盖度的建模精度由高到低为: FD > SD
> NO > CR; 验证精度从高到低为: FD > SD > NO >
CR。

表8 不同光谱处理方法偏最小二乘回归(PLSR)模型阴坡植
被盖度建模和验证结果
Table 8 Modeling and verification results of shady slope
vegetation coverage by partial least squares regression (PLSR)
model based on different spectral processing methods
建模
Modeling
验证
Verification
光谱处理方法
Spectrum processing
method
变量个数
Variable
number R2 RMSE R2 RMSE
无变换数据 NO 9 0.742 10.64 0.718 11.34
一阶微分 FD 13 0.810 6.29 0.773 8.85
二阶微分 SD 10 0.794 7.78 0.761 9.16
包络线去除 CR 8 0.726 10.15 0.692 11.54
CR, continuum-removal; FD, first order differential; NO, no transform
data; SD, second order differential; RMSE, root mean square error.


表9为4种光谱处理方法PLSR模型阳坡植被盖
度建模和验证结果。由表9可知, 无论是建模精度还
是验证精度, 基于SD的PLSR模型精度均为最高,
其中建模时的R2为0.823, RMSE为6.04, 验证精度的
R2为0.801, RMSE为7.35。4种光谱处理方法PLSR模
型阳坡植被盖度的建模精度由高到低为: SD > FD
> NO > CR; 验证精度从高到低为: SD > FD > NO >
表9 不同光谱处理方法偏最小二乘回归(PLSR)模型阳坡植
被盖度建模和验证结果
Table 9 Modeling and verification results of sunny slope
vegetation coverage by partial least squares regression (PLSR)
model based on different spectral processing methods
建模
Modeling
验证
Verification
光谱处理方法
Spectrum processing
method
变量个数
Variable
number R2 RMSE R2 RMSE
无变换数据 NO 11 0.783 8.18 0.756 9.84
一阶微分 FD 7 0.790 7.96 0.758 9.23
二阶微分 SD 9 0.823 6.04 0.801 7.35
包络线去除 CR 8 0.731 10.27 0.692 11.49
CR, continuum-removal; FD, first order differential; NO, no transform
data; SD, second order differential; RMSE, root mean square error.


CR。
表10为4种光谱处理方法PLSR模型平原植被盖
度建模和验证结果。由表10可知, 对于建模精度,
基于SD的PLSR模型精度最高 , 其建模时的R2为
0.836, RMSE为6.13; 对于验证精度 , 基于FD的
PLSR模型精度最高, 其验证时的R2为0.809, RMSE
为6.95; 4种光谱处理方法PLSR模型平原植被盖度
的建模精度由高到低为: SD > FD > CR > NO; 验证
精度从高到低为: FD > SD > NO > CR。

表10 不同光谱处理方法偏最小二乘回归(PLSR)模型平原
植被盖度建模和验证结果
Table 10 Modeling and verification results of plain vegeta-
tion coverage by partial least squares regression (PLSR) model
based on different spectral processing methods
建模
Modeling
验证
Verification
光谱处理方法
Spectrum processing
method
变量个数
Variable
number R2 RMSE R2 RMSE
无变换数据 NO 10 0.765 8.90 0.743 10.21
一阶微分 FD 8 0.804 7.22 0.809 6.95
二阶微分 SD 7 0.836 6.13 0.760 8.57
包络线去除 CR 11 0.773 9.15 0.739 10.38
CR, continuum-removal; FD, first order differential; NO, no transform
data; SD, second order differential; RMSE, root mean square error.


从以上分析结果可以看出, 采用PLSR模型估
测植被盖度时, 基于FD的PLSR模型对于阴坡和平
原植被盖度估测效果最佳, 基于SD的PLSR模型对
阳坡植被盖度估测效果最佳。通过表5至表10的比
较可以看出, PCR的精度与NDVI相比没有改善多
少, 而PLSR的精度整体提高较为明显, 这主要是由
于PLSR回归对自变量光谱数据进行分解时兼顾了
因变量信息并从中提取因子, 同时更有效地降低了
24 植物生态学报 Chinese Journal of Plant Ecology 2013, 37 (1): 18–25

www.plant-ecology.com
不同波段数据的相关性 , 使得回归模拟的效果
更好。
2.3 基于线性光谱混合分解模型的植被盖度估测
线性光谱混合分解模型的分解结果与实测植
被盖度可直接对应起来, 具有明确的物理意义, 因
此本研究选择线性光谱混合模型(LSMM)分解研究
区域影像, 公式为:
kjikm
m
mjikji eF ,,,
p,1
,,,, += ∑
=
ρρ (5)
式中: ρi, j, k为i行j列像元在k波段的反射率(%); Fi, j, m
为基本组分m在i行j列像元中所占分量值; ρm, k为基
本组分m在k波段的反射率; ei, j, k为k波段i行j列像元
的误差值。此模型为非受限的LSMM (LS), 该算法
的分解结果常常不能准确地反映各端元的真实分
布。为改善分解效果, 需要对公式(5)附加2个限制性
条件, 即:

此模型为全受限的LSMM (FCLS)。为进行比
较, 本研究同时采用了FCLS和LS模型对影像进行
分解。影像分解的精度往往取决于端元的选取, 从
实验室或野外光谱数据库中选取各端元光谱时, 影
像的大气校正要求严格, 且获取光谱数据时间经常
与影像不一致, 因此本研究直接从影像中获取端元
光谱, 无需复杂的大气校正, 且可以代表影像尺度
上的光谱测量值, 易与地面特征相联系(李晓松等,
2010)。首先, 采用最小噪声白化变换(MNF)对原始
影像进行处理, 以压缩维数、消除波段间的高相关
性。然后, 将研究区内的水体掩模去除, 以使基本
组分的选取更具代表性。最后, 本研究以极端基本
组分法选择了基本组分。利用去除水体后的MNF分
量1与MNF分量2构建特征空间, 经分析及实地调查
可知特征空间的4个顶角分别代表耕地、裸岩地、
植被、滩涂。因此, 去除水体后研究区域的地物反
射率可以用耕地、裸岩地、植被、滩涂4个基本组
分的混合模型来表达。本研究采用最小包含特征空
间法, 即选择最靠近特征空间顶角的大约100个像
元的反射率均值来确定基本组分光谱。
基本组分的数目及光谱特征确定以后, 本研究
采用FCLS和LS两种模型对原始反射率影像进行了
分解。针对FCLS和LS两种模型对原始反射率影像
分解的植被分量进行了精度验证, 在阳坡、阴坡和
平原3种地形条件下各选取野外实测的25个验证样
本(与NDVI、PCR和PLSR的验证样本一致), 与分解
结果建立回归关系, 验证结果见表11。

表11 不同地形条件下全受限的LSMM (FCLS)和非受限的
LSMM (LS)模型分解的植被分量精度验证结果
Table 11 Accuracy verification results of vegetation compo-
nent unmixed by full confining linear spectral mixture model
(FCLS) and linear spectral mixture model (LS) under different
terrain conditions
验证 Verification
阴坡
Shady slope
阳坡
Sunny slope
平原
Plain
分解模型
Decomposition
model
R2 RMSE R2 RMSE R2 RMSE
LS 0.618 14.59 0.709 11.92 0.746 10.37
FCLS 0.653 12.87 0.761 8.45 0.852 5.86


表11是FCLS和LS两种模型对原始反射率影像
分解的不同地形条件下植被分量精度验证结果。由
表11可知, 两种分解模型的精度在阴坡、阳坡和平
原区域逐步提高, 这主要是因为阴坡分解时受到阴
影和坡度的影响较大, 阳坡主要受坡度干扰, 平原
相对较容易分解。另外, FCLS分解的精度在不同地
形条件下均高于LS的分解结果, 这主要是由于LS
模型对各基本组分分量没有约束条件, 造成植被分
量中既有正值又有负值, 使得结果与实测植被盖度
相关性下降。
从以上分析结果可以看出, 采用线性光谱混合
分解模型估测植被盖度时, FCLS对阴坡、阳坡和平
原的植被盖度估测效果均为最佳。
3 结论
为系统地研究干旱半干旱区植被盖度信息提
取技术, 本文以北京怀柔为例, 采用EO-1 Hyperion
高光谱数据, 在不同地形条件下, 对目前流行的多
种高光谱遥感植被盖度提取方法进行了对比研究,
得到如下主要结论:
1) NDVI1的建模和验证精度均高于其他两种
NDVI, 在3种地形条件下, 基于NDVI1的像元二分
模型验证精度均高于其他两种NDVI; 直接采用
NDVI建立的回归模型对研究区植被盖度的估测能
力低于像元二分模型。
2)采用PCR模型估测植被盖度时, 基于CR的
PCR模型对阴坡植被盖度估测效果最佳, 基于FD光
谱的PCR模型对阳坡和平原植被盖度估测效果最
吴见等: 不同地形条件下植被盖度信息提取技术研究 25

doi: 10.3724/SP.J.1258.2013.00002
佳 ; 采用PLSR模型估测植被盖度时 , 基于FD的
PLSR模型对于阴坡和平原植被盖度估测效果最佳,
基于SD的PLSR模型对阳坡植被盖度估测效果最
佳; 采用线性光谱混合分解模型估测植被盖度时,
FCLS对阴坡、阳坡和平原的植被盖度估测效果均为
最佳。
3)阴坡的最佳模型为基于FD的PLSR模型, 其
建模 R2为 0.810, RMSE为 6.29, 验证 R2为 0.773,
RMSE为8.85; 阳坡的最佳模型为基于SD的PLSR模
型 , 其建模R2为 0.823, RMSE为 6.04, 验证R2为
0.801, RMSE为7.35; 平原的最佳模型为FCLS, 其
验证R2为0.852, RMSE为5.86。
基金项目 安徽省高等学校省级优秀青年人才基
金项目(2011SQRL124)和滁州学院科研项目(2010-
kj-027B)。
参考文献
Asner GP, Lobell DB (2000). A biogeophysical approach for
automated SWIR unmixing of soils and vegetation. Re-
mote Sensing of Environment, 74, 99–112.
Blackburn GA (1998). Quantifying chlorophylls and caroten-
iods at leaf and canopy scales: an evaluation of some hy-
perspectral approaches. Remote Sensing of Environment,
66, 273–285.
Cheng HF, Zhang WB, Chen F (2008). Advances in researches
on application of remote sensing method to estimating
vegetation coverage. Remote Sensing for Land & Re-
sources, 20(1), 13–18. (in Chinese with English abstract)
[程红芳, 章文波, 陈锋 (2008). 植被覆盖度遥感估算
方法研究进展. 国土资源遥感, 20(1), 13–18.]
Drake NA, Mackin S, Settle JJ (1999). Mapping vegetation,
soils, and geology in semi-arid shrublands using spectral
matching and mixture modeling of SWIR AVIRIS im-
agery. Remote Sensing of Environment, 68, 12–25.
Du MY, Wu WB, Guo ZD (2002). Research on multi-source
geographic information based classification of desertifica-
tion. Journal of Image and Graphics, 7, 740–743. (in
Chinese with English abstract) [杜明义, 武文波, 郭达志
(2002). 多源地学信息在土地荒漠化遥感分类中的应用
研究. 中国图形图像学报, 7, 740–743.]
Elvidge CD, Chen ZK (1995). Comparison of broad-band and
narrow-band red and near-infrared vegetation indices.
Remote Sensing of Environment, 54, 38–48.
Hansen MC, Defries RS, Townshend JRG, Sohlberg R, Dimi-
celi C, Carroll M (2002). Towards an operational MODIS
continuous field of percent tree cover agorithm: examples
using AVHRR and MODIS data. Remote Sensing of En-
vironment, 83, 303–319. (in Chinese with English ab-
stract)
Kremer RG, Running SW (1993). Community type differentia-
tion using NOAA/AVHRR data within a sagebrush-steppe
ecosystem. Remote Sensing of Environment, 46, 311–318.
Li XS, Gao ZH, Li ZY, Bai LN, Wang BY (2010). Estimation
of sparse vegetation coverage in arid region based on hy-
perspectral mixed pixel decomposition. Chinese Journal
of Applied Ecology, 21, 152–158. (in Chinese with English
abstract) [李晓松, 高志海, 李增元, 白黎娜, 王琫瑜
(2010). 基于高光谱混合像元分解的干旱地区稀疏植被
覆盖度优测. 应用生态学报, 21, 152–158.]
Li XS, Li ZY, Gao ZH, Bai LN, Wang BY (2011). Estimation
of vegetation cover in desertified regions from hyperion
imageries using NDVI and partial least squares regression.
Journal of Desert Research, 31, 162–167. (in Chinese
with English abstract) [李晓松, 李增元, 高志海, 白黎
娜, 王琫瑜 (2011). 基于NDVI与偏最小二乘回归的荒
漠化地区植被覆盖度高光谱遥感优测. 中国沙漠, 31,
162–167.]
Thenkabail PS, Smith RB, de Pauw E (2000). Hyperspectral
vegetation indices and their relationships with agricultural
crop characteristics. Remote Sensing Environment, 71,
158–182.
Townshend JRG, Justice CO (1986). Analysis of dynamics of
African vegetation using the normalized difference vege-
tation index. International Journal of Remote Sensing, 12,
1224–1242.
Yang JH, Ci LJ (2006). Progress on remote sensing-based de-
sertification assessment. World Forestry Research,
19(6), 11–17. (in Chinese with English abstract) [杨晓晖,
慈龙骏 (2006). 基于遥感技术的荒漠化评价研究进展.
世界林业研究, 19(6), 11–17.]


特邀编委: 范闻捷 责任编辑: 李 敏