徐 爽，沈潤(rùn)平，楊曉月

(1.南京信息工程大學(xué)氣象災(zāi)害省部共建教育部重點(diǎn)實(shí)驗(yàn)室，南京 210044;2.南京信息工程大學(xué)遙感學(xué)院，南京 210044)

利用不同植被指數(shù)估算植被覆蓋度的比較研究

徐 爽1，2，沈潤(rùn)平1，楊曉月1，2

(1.南京信息工程大學(xué)氣象災(zāi)害省部共建教育部重點(diǎn)實(shí)驗(yàn)室，南京 210044;2.南京信息工程大學(xué)遙感學(xué)院，南京 210044)

選用蔬菜地和草地2種植被類型，利用ASD光譜儀實(shí)測(cè)二者在不同覆蓋度下的光譜響應(yīng)，分析了歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、比值植被指數(shù)(RVI)、修正植被指數(shù)(MVI)、修改型土壤調(diào)節(jié)植被指數(shù)(MSAVI)以及全球環(huán)境監(jiān)測(cè)植被指數(shù)(GEMI)等6種植被指數(shù)所用的最佳波段及其組合，進(jìn)而研究了利用像元二分模型估算植被覆蓋度時(shí)的不同植被指數(shù)的表現(xiàn)。結(jié)果表明，與蔬菜地植被指數(shù)相關(guān)系數(shù)較高的波段組合為620～740 nm譜段和780～900 nm譜段內(nèi)波段的組合，與草地植被指數(shù)相關(guān)系數(shù)較高的波段組合為620～750 nm譜段和760～900 nm譜段內(nèi)波段的組合，相關(guān)系數(shù)均達(dá)0.8以上;在高光譜數(shù)據(jù)構(gòu)建的植被指數(shù)和模擬衛(wèi)星數(shù)據(jù)構(gòu)建的植被指數(shù)中，用DVI和MSAVI估算植被覆蓋度，平均總體精度分別達(dá)到83.7%和79.5%，與其他4種植被指數(shù)相比，這2種指數(shù)更適合于利用像元二分模型進(jìn)行植被覆蓋度的估算。

植被覆蓋度;植被指數(shù);像元二分模型

0 引言

植被作為陸地生態(tài)系統(tǒng)的主要成分之一，對(duì)氣候變化具有重要的調(diào)節(jié)作用［1］。植被覆蓋度(vegetation coverage)是指植被在地面的垂直投影面積占統(tǒng)計(jì)區(qū)總面積的百分比［2］，是衡量地表植被狀況的一個(gè)重要指標(biāo)，也是影響土壤侵蝕與水土流失的主要因子，對(duì)于區(qū)域環(huán)境變化和監(jiān)測(cè)研究具有重要意義［3］。利用遙感數(shù)據(jù)估算植被覆蓋度是測(cè)定區(qū)域植被覆蓋度的主要手段之一，目前應(yīng)用的遙感測(cè)量方法較多，其中應(yīng)用最廣泛的是回歸模型法和像元分解模型法。Wittich等［4］和刁兆巖等［5］都曾建立了歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)和植被覆蓋度的回歸模型，并對(duì)所選研究區(qū)植被覆蓋度進(jìn)行了估算;但回歸模型法一般只適用于特定區(qū)域和特定植被類型，并且需要大量的實(shí)測(cè)數(shù)據(jù)建立模型，有一定的局限性，不利于普遍推廣應(yīng)用。像元分解法則具有理論基礎(chǔ)較好，不依賴于實(shí)測(cè)數(shù)據(jù)，不受地域限制，可削弱大氣、土壤背景和植被類型等影響，較易于推廣等優(yōu)點(diǎn)。其中，像元二分模型(dimidiate pixel model)法得到廣泛的認(rèn)可，具體應(yīng)用時(shí)，需要首先構(gòu)建植被指數(shù)。

目前，應(yīng)用NDVI來估算植被覆蓋度的研究較多［6－8］，有關(guān)其估算精度問題，Jiang 等［9］對(duì) NDVI代入模型所存在的誤差問題進(jìn)行了公式推導(dǎo);Small［10］研究發(fā)現(xiàn)，在中等植被覆蓋度時(shí)利用TM數(shù)據(jù)計(jì)算的NDVI隨著葉面積指數(shù)(leaf area index，LAI)的增加逐漸趨于飽和，并且會(huì)高估植被密度較高區(qū)域周圍零散分布的植被區(qū)的覆蓋度，這種現(xiàn)象主要是由于陰影對(duì)NDVI的影響造成的。由于不同植被指數(shù)的構(gòu)建有著不同的理論依據(jù)和應(yīng)用價(jià)值，利用像元二分模型法開展不同植被指數(shù)應(yīng)用效果的比較尚缺乏系統(tǒng)、深入的研究。

本文基于地表高光譜實(shí)測(cè)數(shù)據(jù)，構(gòu)建了歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(difference vegetation index，DVI)、比值植被指數(shù)(ratio vegetation index，RVI)、修正植被指數(shù)(modified vegetation index，MVI)、修改型土壤調(diào)節(jié)植被指數(shù)(modified soiladjusted vegetation index，MSAVI)及全球環(huán)境監(jiān)測(cè)植被指數(shù)(global environment monitoring index，GEMI)等6種植被指數(shù)，采用像元二分模型對(duì)植被覆蓋度進(jìn)行估算，對(duì)比分析不同植被指數(shù)估算植被覆蓋度的效果，為植被覆蓋度的遙感估算提供理論依據(jù)。

1 數(shù)據(jù)源及其預(yù)處理

1.1 實(shí)驗(yàn)數(shù)據(jù)獲取

選用位于 N 32.203°，E 118.705°處，覆蓋度達(dá)100%的青菜地為代表的蔬菜地和草地。光譜測(cè)定日期為2011－10－14，天氣狀況良好，晴朗無云。采用ASD Field Spec Pro FRTM野外光譜輻射儀進(jìn)行采集，光譜采集范圍350～2500 nm，采樣間隔1.4 nm(350～1000 nm)和2 nm(1000～2500 nm)，重采樣間隔1 nm。測(cè)定光譜時(shí)，傳感器探頭垂直向下，視場(chǎng)角25°，距離冠層頂1.6 m;每次采集10條光譜，最后取光譜平均值。所測(cè)光譜數(shù)據(jù)經(jīng)處理后，選擇適當(dāng)譜帶構(gòu)建植被指數(shù)，以便利用像元二分模型進(jìn)行植被覆蓋度估算。

植被覆蓋度通過數(shù)碼相機(jī)拍攝獲得。為了保證植被覆蓋度測(cè)量的準(zhǔn)確性，并保證與光譜測(cè)量范圍相對(duì)應(yīng)，在拍攝前放置一鐵圈于草地周圍，鐵圈大小盡量與光譜儀的視場(chǎng)角范圍一致;拍攝時(shí)相機(jī)垂直向下，保證整個(gè)鐵圈(樣圓)內(nèi)的草地在拍攝范圍內(nèi)(測(cè)量光譜時(shí)將鐵圈移走)。為研究不同植被覆蓋度下光譜曲線的變化，在利用光譜儀完成樣區(qū)內(nèi)植被覆蓋度100%下的光譜測(cè)量后，分7次在該樣圓內(nèi)進(jìn)行人工均勻去除一定量植被，調(diào)節(jié)植被覆蓋度，直至樣圓內(nèi)所有植被全部去除;每去除一次植被后，進(jìn)行一次光譜測(cè)量和植被覆蓋度拍照。對(duì)蔬菜地也做同樣處理，對(duì)不同覆蓋度下的蔬菜地進(jìn)行了光譜采集和覆蓋度測(cè)量。

1.2 數(shù)據(jù)預(yù)處理

在Photoshop和ENVI軟件下完成植被覆蓋度的求算。首先在Photoshop軟件下進(jìn)行樣圓裁切，然后在ENVI軟件下進(jìn)行監(jiān)督分類，求算植被所占百分比，得到樣地的植被覆蓋度。草地植被覆蓋度分別為 100%，78%，62%，44%，37%，25%，18% 和0%;蔬菜地的植被覆蓋度分別為100%，85%，74% ，62%，58%，52%，42%，39%，33%，25%，10%和0%。利用ViewSpecPro軟件剔除2個(gè)樣地光譜數(shù)據(jù)中的異常數(shù)據(jù)，并取光譜數(shù)據(jù)的平均值得到不同覆蓋度下的植被光譜曲線。

2 植被覆蓋度估算

2.1 不同植被指數(shù)構(gòu)建

首先要確定有效譜段范圍和波段組合，波段選擇方法主要有逐步回歸選擇法、簡(jiǎn)單波段自相關(guān)選擇法和主成分系數(shù)權(quán)重選擇法［11－12］等。比較所有波段組合下求算的植被指數(shù)與植被覆蓋度的相關(guān)系數(shù)大小，來確定構(gòu)建植被指數(shù)的較優(yōu)波段。由于運(yùn)算量較大，所以通過VBA編程實(shí)現(xiàn)運(yùn)算。另外，根據(jù)光譜響應(yīng)函數(shù)模擬衛(wèi)星傳感器波段的反射率，利用高光譜數(shù)據(jù)模擬美國(guó)陸地衛(wèi)星Landsat7 TM數(shù)據(jù)和我國(guó)環(huán)境減災(zāi)衛(wèi)星HJ－1A CCD數(shù)據(jù)，分別計(jì)算NDVI，DVI，RVI，MVI，MSAVI和 GEMI等 6 種植被指數(shù)，用以分析代入像元二分模型的適宜性。6種植被指數(shù)的計(jì)算公式見表1。

表1 植被指數(shù)一覽表Tab.1 Vegetation indices

2.2 基于像元二分模型的植被覆蓋度估算

像元二分模型［19］是一種簡(jiǎn)單實(shí)用的遙感估算模型，它假設(shè)一個(gè)像元的地表由有植被覆蓋地表與無植被覆蓋地表共同組成，而傳感器觀測(cè)到的光譜信息也由這2個(gè)組分的因子線性加權(quán)合成，各因子的權(quán)重是各自的面積在像元中所占比例，如植被的權(quán)重可以看作是植被覆蓋度。

根據(jù)像元二分模型的原理，通過遙感傳感器所獲信息S可以表達(dá)為由綠色植被組分所貢獻(xiàn)的信息Sv和由土壤組分所貢獻(xiàn)的信息Ss組成，即

設(shè)像元中有植被覆蓋的面積比例為fc(即該像元的植被覆蓋度)，則無植被覆蓋地表(土壤覆蓋)的面積比例為1－fc;設(shè)全部由植被所覆蓋的純像元所得的遙感信息為Sveg，則混合像元中的植被組分所貢獻(xiàn)的信息Sv可以表示為Sveg與fc的乘積，即

同理，設(shè)全部由土壤覆蓋的純像元所得的遙感信息為Ssoil，則混合像元中的土壤成分所貢獻(xiàn)的信息Ss可以表示為Ssoil與1－fc的乘積，即

將式(2)(3)代入式(1)，可得

對(duì)式(4)進(jìn)行變換，可得

式中Ssoil與Sveg是模型的2個(gè)參數(shù)。本文中Ssoil即為植被覆蓋度為0%時(shí)的植被指數(shù)信息;Sveg即為植被覆蓋度為100%時(shí)的植被指數(shù)信息;S則為所求覆蓋度下的植被指數(shù)信息。將 NDVI代入式(5)［20］，可得

將表示其他5種植被指數(shù)的變量(DVI，RVI，MVI，MSAVI和GEMI)也分別代入式(5)進(jìn)行植被覆蓋度估算。

3 結(jié)果與分析

3.1 不同覆蓋度下植被光譜特征

圖1為不同植被覆蓋度下蔬菜地和草地的光譜反射率曲線圖。

圖1 不同植被覆蓋度下植被反射光譜曲線Fig.1 Reflectance spectra of vegetation in different levels of vegetation coverage

從圖1可以看出，隨著植被覆蓋度的增大，可見光譜段內(nèi)藍(lán)光波段反射率有減小趨勢(shì)，綠光波段反射率有增大趨勢(shì)(但不是很明顯)，紅光波段反射率減小較為明顯;近紅外譜段反射率則逐漸增大，并且增加幅度較大。裸土光譜反射率在紅光波段內(nèi)明顯高于有植被覆蓋時(shí)的反射率，在近紅外譜段則明顯低于有植被覆蓋時(shí)的反射率。

3.2 高光譜數(shù)據(jù)構(gòu)建植被指數(shù)估算覆蓋度比較

3.2.1 植被指數(shù)最佳波段選擇

因植被光譜反射率隨植被覆蓋度變化的規(guī)律在1000 nm后表現(xiàn)不明顯，因此本文選取1000 nm前的數(shù)據(jù)進(jìn)行了植被指數(shù)構(gòu)建。由于在可見光和近紅外譜段植被光譜隨植被覆蓋度變化的規(guī)律性明顯，因此首先對(duì)這2個(gè)譜段內(nèi)所有波段兩兩組合，求算其植被指數(shù)，然后計(jì)算植被指數(shù)與植被覆蓋度的相關(guān)系數(shù)，依照相關(guān)系數(shù)的大小來確定植被覆蓋度估算較優(yōu)的植被指數(shù)波段組合。確定的結(jié)果是:蔬菜地植被指數(shù)相關(guān)系數(shù)較高的波段組合為620～740 nm譜段和780～900 nm譜段內(nèi)波段的組合，草地植被指數(shù)相關(guān)系數(shù)較高的波段組合為620～750 nm譜段和760～900 nm譜段內(nèi)波段的組合，植被指數(shù)的相關(guān)系數(shù)均達(dá)0.8以上。本文選取相關(guān)系數(shù)最高的最佳波段組合構(gòu)建 NDVI，DVI，RVI，MVI，MSAVI和GEMI(表2)，再分別代入像元二分模型估算對(duì)應(yīng)的植被覆蓋度。

表2 不同植被指數(shù)最佳波段組合Tab.2 Optimized band combination of different vegetation indices

3.2.2 不同植被指數(shù)估算精度比較

將相關(guān)系數(shù)最高的波段組合構(gòu)建計(jì)算得到的NDVI，DVI，RVI，MVI，MSAVI和 GEMI分別代入像元二分模型，估算植被覆蓋度，并與實(shí)測(cè)值比較(圖2)。結(jié)果表明，對(duì)于蔬菜地，用DVI和MSAVI代入像元二分模型估算的覆蓋度與實(shí)測(cè)值較接近，在圖2(a)中兩者散點(diǎn)較接近于1∶1直線，用MSAVI的估算結(jié)果略好于DVI;對(duì)于草地(圖2(b))，同樣用DVI和MSAVI的估算結(jié)果較接近1∶1直線。而RVI，MVI和NDVI這3種植被指數(shù)存在高估植被覆蓋度的現(xiàn)象，對(duì)于蔬菜地植被覆蓋度的高估現(xiàn)象則更加嚴(yán)重(尤其以用RVI估算植被覆蓋度時(shí)高估現(xiàn)象最為嚴(yán)重)。具體估算精度見表3。

圖2 植被指數(shù)估算覆蓋度與實(shí)測(cè)覆蓋度對(duì)比Fig.2 Comparison between observed and estimated coverage using the six different vegetation indices

表3 高光譜數(shù)據(jù)構(gòu)建不同植被指數(shù)估算覆蓋度誤差對(duì)照表Tab.3 Evaluation of different methods to derive vegetation coverage

由表3可以看出，在蔬菜地用DVI估算植被覆蓋度的總體精度為88.0%，用MSAVI估算的總體精度達(dá)到88.3%，估算總體精度均高于另外4種植被指數(shù)，且MAE和MRE也均低于其他4種植被指數(shù)?？梢姡肈VI和MSAVI代入像元分解模型效果較好。同樣，在草地情況下也是DVI和MSAVI這2種植被指數(shù)估算總體精度較高，平均誤差較低，代入像元二分模型的結(jié)果優(yōu)于另外4種植被指數(shù)。

3.3 模擬衛(wèi)星數(shù)據(jù)構(gòu)建植被指數(shù)估算植被覆蓋度比較

利用光譜響應(yīng)函數(shù)模擬美國(guó)陸地衛(wèi)星Landsat7 TM數(shù)據(jù)和我國(guó)環(huán)境減災(zāi)衛(wèi)星HJ－1A CCD波段數(shù)據(jù)，分別計(jì)算以上6種植被指數(shù)，代入像元二分模型估算植被覆蓋度，并與實(shí)測(cè)值比較(圖3—圖4)，結(jié)果表明，用DVI估算植被覆蓋度的效果最好。

圖3 模擬TM數(shù)據(jù)構(gòu)建的植被指數(shù)估算覆蓋度與實(shí)測(cè)覆蓋度對(duì)照Fig.3 Comparison between observed and estimated coverage using the six different vegetation indices by simulated TM data

圖4 模擬HJ－1A CCD數(shù)據(jù)構(gòu)建的植被指數(shù)估算覆蓋度與實(shí)測(cè)覆蓋度對(duì)照Fig.4 Comparison between observed and estimated coverage using the six different vegetation indices by simulated CCD data

從圖3—圖4可知，DVI估算結(jié)果最接近1∶1直線，無論是對(duì)于草地還是蔬菜地估算的植被覆蓋度均較接近實(shí)測(cè)值;其次為MSAVI;另外4種植被指數(shù)對(duì)植被覆蓋度的高估較為嚴(yán)重，RVI偏離最大，其他依次是MVI，NDVI和GEMI。具體估算精度見表4。

表4 模擬衛(wèi)星數(shù)據(jù)構(gòu)建不同植被指數(shù)估算覆蓋度誤差對(duì)照表Tab.4 Evaluation of different methods to derive vegetation coverage

從表4可以看出，無論是對(duì)于草地還是蔬菜地，用DVI估算植被覆蓋度的精度都最高，平均總體精度達(dá)到80.6%，平均絕對(duì)誤差和平均相對(duì)誤差均低于其他植被指數(shù)，代入像元二分模型的估算結(jié)果最好;用MSAVI估算的精度也較高，僅次于DVI，因此模擬衛(wèi)星數(shù)據(jù)中也是DVI和MSAVI兩種植被指數(shù)更適宜代入像元二分模型。

綜上所述，用6種不同植被指數(shù)估算植被覆蓋度，以DVI表現(xiàn)最優(yōu)。對(duì)于蔬菜地與草地2種植被類型，無論是高光譜數(shù)據(jù)構(gòu)建的植被指數(shù)，還是模擬衛(wèi)星數(shù)據(jù)構(gòu)建的植被指數(shù)，用DVI估算的植被覆蓋度總體精度都較高，高光譜數(shù)據(jù)與模擬衛(wèi)星數(shù)據(jù)2種方法估算的植被覆蓋度平均總體精度達(dá)83.7%，平均絕對(duì)誤差只有4.05%，平均相對(duì)誤差為16.25%;其次為MSAVI，平均總體精度達(dá)到79.5%，在利用模擬衛(wèi)星數(shù)據(jù)情況下總體精度低于DVI，但在利用高光譜數(shù)據(jù)構(gòu)建情況下，總體精度略高于DVI;用GEMI估算的植被覆蓋度精度居中，平均總體精度為70.8%;用RVI估算的植被覆蓋度平均總體精度僅為40.09%，平均絕對(duì)誤差達(dá)24.06%，平均相對(duì)誤差則高達(dá)50.91%;用MVI和NDVI估算的植被覆蓋度平均總體精度分別為53.27%和53.19%。因此，用RVI，MVI與NDVI代入模型估算精度都較低，代入像元二分模型估算植被覆蓋度的結(jié)果不理想。

4 結(jié)論

1)本文選用蔬菜地和草地2種植被類型，通過實(shí)測(cè)不同覆蓋度下植被光譜，構(gòu)建6種植被指數(shù)，估算植被覆蓋度。研究表明，蔬菜地各植被指數(shù)相關(guān)系數(shù)較高的波段組合為620～740 nm譜段和780～900 nm譜段內(nèi)波段的組合，草地各植被指數(shù)相關(guān)系數(shù)較高的波段組合為620～750 nm譜段和760～900 nm譜段內(nèi)波段的組合。

2)取相關(guān)系數(shù)最高波段組合構(gòu)建 NDVI，DVI，RVI，MVI，MSAVI和 GEMI，代入像元二分模型估算植被覆蓋度，發(fā)現(xiàn)DVI和MSAVI表現(xiàn)較好。將模擬TM數(shù)據(jù)和HJ－1A CCD數(shù)據(jù)構(gòu)建的6種植被指數(shù)代入像元二分模型，估算植被覆蓋度，DVI和MSAVI同樣表現(xiàn)優(yōu)于其他植被指數(shù)。目前很多研究用NDVI代入像元二分模型進(jìn)行植被覆蓋度估算，本研究表明NDVI估算精度較低，代入像元二分模型表現(xiàn)不理想。另外RVI，MVI植被指數(shù)估算精度同樣較低，代入模型也并不理想。

［1］Qi J，Cabot F，Moran M S，et al.Biophysical Parameter Estimations Using Multidirectional Spectral Measurements［J］.Remote Sensing Of Environment，1995，54(1):71 －83.

［2］Gitelson A A，Kaufman Y J，Stark R，et al.Novel Algorithms for Remote Estimation of Vegetation Fraction［J］.Remote Sensing of Environment，2002，80(1):76 －87.

［3］黨 青，楊武年.近20年成都市植被覆蓋度動(dòng)態(tài)變化檢測(cè)及原因分析［J］.國(guó)土資源遙感，2011(4):121 －125.Dang Q，Yang W N.Dynamic Supervision and Reason Analysis of Vegetation Coverage Changes of Chengdu in the Past 20 Years［J］.Remote Sensing for Land and Resource，2011(4):121 － 125(in Chinese with English Abstract).

［4］Wittich K P，Hansing O.Area－averaged Vegetative Cover Fraction Estimated from Satellite Data［J］.International Journal of Biometerology，1995，38(4):209 －215.

［5］刁兆巖，徐立榮，馮朝陽，等.呼倫貝爾沙化草原植被覆蓋度估算光譜模型［J］.干旱區(qū)資源與環(huán)境，2012，26(2):139 －144.Diao Z Y，Xu L R，F(xiàn)eng C Y，et al.The Ground Spectral Model for Estimating Vegetation Coverage on Desertified Grassland，Hulunbeier，Inner Mongolia，China［J］.Journal of Arid Land Resources and Environment，2012，26(2):139 －144(in Chinese with English Abstract).

［6］李登科，范建忠，王 娟.陜西省植被覆蓋度變化特征及其成因［J］.應(yīng)用生態(tài)學(xué)報(bào)，2010，21(11):2896 －2903.Li D K，F(xiàn)an J Z，Wang J.Change Characteristics and Their Causes of Fractional Vegetation Coverage(FVC)in Shaanxi Province［J］.Chinese Journal of Applied Ecology，2010，21(11):2896 －2903(in Chinese with English Abstract).

［7］劉 瑞，王世新，周 藝，等.基于遙感技術(shù)的縣級(jí)區(qū)域環(huán)境質(zhì)量評(píng)價(jià)模型研究［J］.中國(guó)環(huán)境科學(xué)，2012，32(1):181 －186.Liu R，Wang S X，Zhou Y，et al.Ecological Environment Condition Evaluation Mode of County Region Based on Remote Sensing Techniques［J］.China Environmental Science，2012，32(1):181 － 186(in Chinese with English Abstract).

［8］廖春華，張顯峰，孫 權(quán)，等.基于HJ－1高光譜數(shù)據(jù)的植被覆蓋度估測(cè)方法研究［J］.遙感信息，2011(5):65－70.Liao C H，Zhang X F，Sun Q，et al.Fractional Vegetation Cover Estimation Using HJ －1 Spaceborne Hyperspectral Data［J］.Remote Sensing Information，2011(5):65 －70(in Chinese with English Abstract).

［9］Jiang Z Y，Huete A R，Chen J，et al.Analysis of NDVI and Scaled Difference Vegetation Index Retrievals of Vegetation Fraction［J］.Remote Sensing of Environment，2006，101(3):366 －378.

［10］Small C.Estimation of Urban Vegetation Abundance by Spectral Mixture Analysis［J］.International Journal of Remote Sensing，2001，22(7):1305 －1334.

［11］Huang Z，Turner B J，Dury S J，et al.Estimating Foliage Nitrogen Concentration from HyMAP Data Using Continuum Removal Analysis［J］.Remote Sensing of Environment，2004，93(1/2):18 －29.

［12］Thenkabail P S，Enclona E A，Ashton M S，et al.Accuracy Assessments of Hyperspectral Waveband Performance for Vegetation Analysis Applications［J］.Remote Sensing of Environment，2004，91(3/4):354－376.

［13］Rouse J W，Haas R H，Schell J A，et al.Monitoring Vegetation Systems in the Ggreat Plains with ERTS［C］//Third Earth Resources Technology Satellite － 1 Symposium.Washington.DC.NASA，1973，1:309 －317.

［14］Jordan C F.Derivation of Leaf－area Index from Quality of Light on the Forest Floor［J］.Ecology，1969，50(4):663 －666.

［15］Pearson R L，Miller D L.Remote Mapping of Standing Crop Biomass for Estimation of the Productivity of the Shortgrass Prairie［C］//Proceedings of the English International Symuposium on Remote Sensing of Environment，1972，2:1375 －1381.

［16］McDaniel K C，Haas R H.Assessing Mesquite－ grass Vegetation Condition from Landsat［J］.Photogrammetric Engineering and Remote Sensing，1982，48(3):441 －450.

［17］Qi J，Chenbouni A，Huete A R，et al.A Modified Soil Adjusted Vegetation Index［J］.Remote Sensing of Environment，1994，48(2):119－126.

［18］Pinty B，Verstraete M M.GEMI:A Non－linear Index to Monitor Global Vegetation from Satellites［J］.Vegetation，1992，101(1):15 －20.

［19］Zribi M，Le Hegarat－ Mascle S，Taconet O，et al.Derivation of Wild Vegetation Cover Density in Semi－arid Regions:ERS2/SAR Evaluation［J］.International Journal of Remote Sensing，2003，24(6):1335 －1352.

［20］李 麗，童立強(qiáng)，李小慧.基于植被覆蓋度的石漠化遙感信息提取方法研究［J］.國(guó)土資源遙感，2010(2):59－62.Li L，Tong L Q，Li X H.The Remote Sensing Information Extraction Method Based on Vegetation Coverage［J］.Remote Sensing for Land and Resources，2010(2):59 －62(in Chinese with English Abstract).

A Comparative Study of Different Vegetation Indices for Estimating Vegetation Coverage Based on the Dimidiate Pixel Model

XU Shuang1，2，SHEN Run － ping1，YANG Xiao － yue1，2
(1.Key Laboratory of Meteorological Disasters，Ministry of Education，Nanjing University of Information Science and Technology，Nanjing 210044，China;2.College of Remote Sensing，Nanjing University of Information Science and Technology，Nanjing 210044，China)

ASD Field Spec Pro FRTM spectroradiometer was used to measure the spectral response of the vegetable and grass at different vegetation coverage levels.The data were applied to calculate six vegetation indices，i.e.，NDVI(normalized difference vegetation index)，DVI(difference vegetation index)，RVI(ratio vegetation index)，MVI(modified vegetation index)，MSAVI(modified soil adjusted vegetation index)and GEMI(global environment monitoring index).Then the best combination of spectral bands was analyzed.Furthermore，the performance of different vegetation indices was investigated when they were used to estimate the vegetation coverage by using the dimidiate pixel model.The results show that，for the green vegetable，the best combinations of bands in the spectral region from 620 to 740 nm and from 780 to 900 nm have the best correlation with the vegetation index，whereas for the grass，the best combinations of bands are from 620 to 750 nm and from 760 to 900 nm，with the correlation coefficients of the two cases being all larger than 0.8.The bands of Landsat7 and HJ－1A CCD1 simulated according to the spectral response function were employed to calculate the six vegetation indices.The average overall accuracy for estimating the vegetation fraction by DVI and MSAVI is 83.7%and 79.5%respectively，indicating that they are superior to the other four vegetation indices as the input of vegetation index for the dimidiate pixel model.

vegetation coverage;vegetation index;dimidiate pixel model

10.6046/gtzyyg.2012.04.16

TP 79

A

1001－070X(2012)04－0095－06

2012－02－15;

2012－04－08

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)項(xiàng)目(編號(hào):2010CB950701－1，2005CB121108－6)和江蘇省高?！扒嗨{(lán)工程”項(xiàng)目共同資助。

徐 爽(1985－)，女，碩士研究生，主要從事遙感建模與應(yīng)用研究。E－mail:kening_xsh@sina.com。

沈潤(rùn)平(1963 －)，男，教授，博士生導(dǎo)師。E －mail:rpshen@nuist.edu.cn。

(責(zé)任編輯:李 瑜)