阮 歐, 劉綏華*，羅 杰，胡海濤

1. 貴州師范大學地理與環(huán)境科學學院，貴州 貴陽 550025 2. 貴州省山地資源與環(huán)境遙感應(yīng)用重點實驗室，貴州 貴陽 550025

引 言

喀斯特地區(qū)是典型的生態(tài)脆弱區(qū)，受其特殊的地質(zhì)環(huán)境的影響，生態(tài)環(huán)境和抗干擾能力都較差[1]。 喀斯特石漠化(KRD)是一種特殊類型的土地退化，由于土壤被水侵蝕導(dǎo)致基巖廣泛裸露，使得土地的承載力明顯下降，形成類似荒漠的景觀，喀斯特石漠化已成為目前我國最嚴重的生態(tài)環(huán)境問題[2]，同時也是導(dǎo)致山區(qū)農(nóng)村經(jīng)濟貧困的根源[3]。 在石漠化發(fā)生時，當?shù)氐纳鷳B(tài)系統(tǒng)會發(fā)生逆向演替，在這一過程中，土壤不斷流失導(dǎo)致植被退化或消失，裸露的基巖成為最明顯的地表特征[4]。 基巖裸露率和植被覆蓋率被認為是評價喀斯特石漠化的關(guān)鍵生態(tài)指標[5]。 因此如何快速、 準確的獲取基巖裸露率和植被覆蓋率是監(jiān)測石漠化的關(guān)鍵問題。

遙感是一種先進的對地觀測手段，可以提供大范圍、 多時相、 多光譜的地面信息，已被廣泛用于地物分布和人類活動的監(jiān)測中[6]。 當前對喀斯特地區(qū)植被和裸巖的提取大多都是基于中等分辨率多光譜的遙感數(shù)據(jù)利用像元二分法(DPM)進行的。 然而，喀斯特地區(qū)因其地形復(fù)雜多變、 地表異質(zhì)性強和陰影效應(yīng)明顯等特點，常常在較小范圍內(nèi)同時存在植被、 裸土、 裸巖和陰影等，導(dǎo)致在遙感影像的一個像素中包含多種地物，而多光譜數(shù)據(jù)由于其分辨率和波段數(shù)的限制，使得基于傳統(tǒng)DPM方法估算植被覆蓋度和裸巖率的精度會受到較大的影響。 相比之下，高光譜遙感具有光譜數(shù)量多的特點，可以建立各個地物的端元矩陣，通過光譜解混模型計算混合像元中包含的光譜成分和各地物在像元中的比例，從而獲得比多光譜遙感更好的地物識別效果[7]。 當前，運用最多、 場景最廣的混合像元分解模型是線性混合模型(linear spectral mixture model，LSMM)，其原理是假設(shè)地表有多種物質(zhì)，太陽入射光線僅和其中一種地物發(fā)生作用，各地物之間并沒有相互作用，每個光子只能“看到”一種地表物質(zhì)并按一定的比例疊加到相機的傳感器上，通過將混合像元的光譜假設(shè)為幾種地物光譜線性組合進行解混，從而達到提取不同地物占比的目的[8-9]。 然而在實際的場景中，地表受大氣、 光照條件及地形等的影響，地物光譜會發(fā)生不同程度的變異，特別是在光照不足的陰影區(qū)地物反射率會變得很低，因此考慮端元的變異性是必須的[10-11]。 針對混合像元分解過程中光譜變異的問題，在20世紀80年代末，Roberts等[12]提出了多端元光譜混合分析(multiple endmember spectral mixture analysis，MESMA)，通過建立地物端元庫，枚舉出最優(yōu)端元組合，以解決端元的變異問題，但該方法端元組合最多不超過4個。 Song等[13]將某些特定端元出現(xiàn)的幾率在端元選取過程中考慮進來，提出了貝葉斯光譜混合分析。 Rogge[14]等提出了迭代光譜混合分析(iterative spectral mixture analysis，ISMA)，通過逐一去除像元中最小豐度值的端元，利用重構(gòu)誤差變化量確定每個像元的最優(yōu)端元集。 但上述方法計算較慢，并且對端元集的建立比較困難。 Lucas Drumetz等[15]通過用對角矩陣乘端元的方法有效地模擬由光照影響的地表物質(zhì)反射率的變化，以解決端元的變異情況，同時提高計算效率，該方法被稱為擴展線性模型(ELMM)，這一方法有著明確的物理機制。 雖然ELMM在光譜可變性主要由照明變化引起的情況下表現(xiàn)良好，但當端元受到更復(fù)雜的環(huán)境時光譜會失真，并且該模型假設(shè)所有波長都有固定的縮放，因此，它缺乏必要的靈活性。 針對以上問題，Imbiriba等[16]在ELMM的理論基礎(chǔ)上提出了廣義線性混合模型(generalized linear mixing model，GLMM), 考慮了每個波長間隔的光譜變異情況，依據(jù)波段的比例因子來適應(yīng)端元光譜的任意變化。

1 實驗部分

1.1 研究區(qū)概況

研究區(qū)位于威寧西部，牛欄江東部，與云南接壤，經(jīng)緯度在103°45′43″—103°54′11″，26°49′51″～26°57′58″N之間，面積25 km2，屬于亞熱帶季風性濕潤氣候，年平均降雨926 mm，全年溫差較小。 該地峰壑交錯，碳酸鹽巖分布廣泛，地形起伏大，平均海拔2 200 m，人口密度大，人多地少，強烈的人為活動干擾和土壤侵蝕導(dǎo)致植被退化，巖石廣泛裸露，是典型的石漠化研究區(qū)。

圖1 研究區(qū)位置及地形圖Fig.1 Location and topographic map of study area

1.2 數(shù)據(jù)來源

本工作的數(shù)據(jù)主要包括GF-5高光譜數(shù)據(jù)、 GF-2和GF-6高分辨率數(shù)據(jù)及DEM數(shù)據(jù)。 GF-5和GF-6成像時間為2020年1、 2月份，GF-2成像時間為2019年2月，以上數(shù)據(jù)均來自高分貴州分中心。 其中經(jīng)過大氣校正、 壞波段剔除、 條帶去除、 地形校正的GF-5高光譜數(shù)據(jù)用于混合像元分解、 植被覆蓋度計算和裸巖率計算。 GF-2和GF-6高分辨率數(shù)據(jù)的預(yù)處理主要是以GF-5為參考采用二次多項式進行幾何校正，然后用于地物目視解譯以驗證各方法提取石漠化信息的精度。 DEM高程數(shù)據(jù)來自于地理空間數(shù)據(jù)云，分辨率為30m。 數(shù)據(jù)源詳細參數(shù)見表1。

表1 數(shù)據(jù)源參數(shù)Table 1 Parameters of data source

1.3 方法

1.3.1 端元提取

端元提取采用頂點成分分析法(vertical component analysis，VCA)，該方法基于凸面幾何理論以數(shù)據(jù)中存在純像元為前提進行端元提取，該方法考慮了地形的起伏變化，運用凸錐對數(shù)據(jù)進行建模，原理如圖2所示，將影像中所有的像元投影到隨機方向上，將其中最大的投影像元作為第一端元，通過迭代方式將數(shù)據(jù)投影到與由已提取端元構(gòu)成的子空間正交方向上的方法來提取其余端元。 將影像中提取的所有植被、 裸巖、 裸土的端元各自平均，得到能普遍代表植被、 裸巖、 裸土的端元用于混合像元分解，提取的端元如圖3所示(a為提取的所有地物端元，b為各地物端元的平均波譜)。

1.3.2 廣義線性混合模型

廣義線性混合模型(GLMM)是為了彌補線性擴展模型(ELMM)不能考慮每個波長間隔的光譜可變性的一個延展，其原理是采用一個與譜帶相關(guān)的縮放因子，使其能夠適應(yīng)端元光譜的任意變化[15-16]。 在GLMM模型中每個像元rn用式(1)表示

rn=(M⊙Ψn)αn+en

(1)

式(1)中，Ψn∈⊙L×R(L為波段、R為端元)是一個縮放因子, [Ψn]l, κ=Ψnl, κ≥0, ⊙是一個Hadamard乘積。 該模型是ELMM的一種推廣，ELMM具體原理參考文獻[16]，其中縮放矩陣Ψn，可以單獨作用于每個端元的每個波長，允許考慮每個端元光譜不一致的變量，這樣使得模型變得更加靈活。 因此，ELMM只是GLMM的一種特殊情況，GLMM可以用于每個波長范圍任意粒度級別的變化，以至于達到每個像素中每個端元的每個波長分量獨立縮放的極限。

2018年5月29日下午，肇慶海事局2018年“智慧西江”“雙實驗室”簽約儀式暨“平安西江”搜救應(yīng)急裝備建設(shè)展示與操作演練在該局港口海事處進行。

圖3 各地物光譜曲線圖Fig.3 Spectral curves of local objects

1.3.3 像元二分法模型(DPM)

(1)植被覆蓋度計算

采用DPM計算植被覆蓋度(fractional vegetation cover, FVC)，基于歸一化植被指數(shù)(normalized difference vegetation index，NDVI)的DPM對研究區(qū)的植被覆蓋度進行估計，NDVI計算公式為式(2)

(2)

式(2)中，ρNIR和ρRED分別為中心波長為860與660 nm的反射率，預(yù)處理后GF-5對應(yīng)的波段分別為111和64。

根據(jù)上述公式計算研究區(qū)的NDVI值。 NDVI值服從正態(tài)隨機分布，其小于5%和大于95%的值不是植被覆蓋程度的反映。 選擇NDVI=5%的值為NDVImin，NDVI=95%的值為NDVImax，按照如式(3)計算植被覆蓋度

fc=(NDVI-NDVImin)/(NDVImax-NDVImin)

(3)

(2)巖石裸露率計算

計算方法與植被覆蓋度計算方法類似，DPM是基于NDRI計算的，計算公式分別如式(4)和式(5)

(4)

fr=(NDRI-NDRI0)/(NDRIr-NRVI0)

(5)

根據(jù)巖石在GF-5影像上的光譜特征，ρb和ρa分別取中心波長為2 355和2 335 nm處的反射率。 根據(jù)以往研究本工作選取累積頻率為95%和5%的NDRI為NDRIr和NRVI0。

1.3.4 精度驗證

采用誤差矩陣對植被覆蓋度和巖石裸露率進行精度驗證。 Kappa系數(shù)用于評估預(yù)測的植被覆蓋度和巖石裸露率的準確度，同時還計算了每個類別的總體精度、 用戶精度(UA)及生產(chǎn)者精度(PA)。 根據(jù)石漠化評估指標將植被覆蓋度和巖石裸露率各分為5個等級(0～10%，10%～35%，35%～50%，50%～70%和70%～100%)。 石漠化地面參考數(shù)據(jù)主要是通過GF-2與GF-6協(xié)同目視解譯提取的，兩者分辨率分別為0.8和2 m，根據(jù)實地調(diào)查，提取的地物與實際分布狀況是相符合的。 根據(jù)目視解譯結(jié)果參照GF-5分辨率建立對應(yīng)的30 m×30 m的網(wǎng)格，并計算每個網(wǎng)格中植被與巖石的占比，同樣將植被覆蓋度和巖石裸露率分為5個等級，最后得到用于驗證樣本共940個，其中光照區(qū)720個，陰影區(qū)220個。

2 結(jié)果與討論

2.1 各方法石漠化信息提取總體精度評價

以高分辨率遙感影像解譯結(jié)果作為參考，驗證GLMM，F(xiàn)CLSU和DPM預(yù)測的精度。 從表2中可以看出GLMM方法預(yù)測結(jié)果無論是在光照區(qū)還是陰影區(qū)都是最好的，所有區(qū)域總精度達到了84.89%，Kappa系數(shù)為0.767，明顯高于FCLSU的59.68%和DPM的67.34%。 從光照區(qū)和陰影區(qū)的精度來看，GLMM在光照區(qū)與陰影區(qū)都有著較好的分類精度，其中光照區(qū)精度為86.81%，陰影區(qū)為78.18%。 相比之下，雖然FCLSU和DPM在光照區(qū)有著較好的表現(xiàn)，精度分別為66.52%和74.44%，但在陰影區(qū)兩種方法的精度明顯下降，僅為35.91%和44.09%，Kappa系數(shù)也非常低，僅為0.111和0.061。

表2 估計的植被和裸巖覆蓋度百分比總體精度(OA)和Kappa系數(shù)Table 2 Overall accuracy (OA) and Kappa coefficient of estimatedvegetation and bare rock coverage percentage

2.2 植被覆蓋度和基巖裸露率提取精度評價

利用光照區(qū)域和陰影區(qū)域的精度評價混淆矩陣，探討各方法預(yù)測植被覆蓋度及基巖裸露率的精度。 從表3可以看出，在光照區(qū)GLMM能較好地預(yù)測每一個等級的植被覆蓋率與裸巖率，兩者用戶精度均在63%～95%之間，相對來說GLMM對20%～35%區(qū)間的覆蓋率預(yù)測稍差，植被與裸巖的覆蓋度精度都只在65%左右。 FCLSU對高植被覆蓋度和低植被覆蓋度區(qū)域的預(yù)測較好，用戶精度在75.61%～84.43%之間，但在中等覆蓋度預(yù)測效果較差，用戶精度都在49%以下，在對裸巖率的預(yù)測上FCLSU除了對裸巖率高的區(qū)域能有較好的預(yù)測外其他等級預(yù)測結(jié)果與實際相差較大。 DPM對植被的預(yù)測除小于10%的低覆蓋度地區(qū)較差外對其他等級的預(yù)測較為準確，精度在58.70%～77.36%之間，但是對巖石裸露率的預(yù)測除了70%～100%的高覆蓋區(qū)預(yù)測精度達到95.29%以外，其他等級的精度都較差，特別是對20%～70%區(qū)間的覆蓋度幾乎都沒成功預(yù)測。 相比之下，對陰影區(qū)植被和裸巖的預(yù)測，各方法都有不同程度的下降。 在植被覆蓋度預(yù)測上，GLMM對70%～100%覆蓋度的預(yù)測達到了91.75%，在0%～70%的預(yù)測精度明顯低很多，準確度僅在33.33%～66.67%之間，在對裸巖的預(yù)測上，低于10%的低覆蓋區(qū)與高于70%的高覆蓋區(qū)域，GLMM都能有一個較好的預(yù)測結(jié)果，預(yù)測精度在84.48%～90.00%之間，

表3 光照區(qū)與和陰影區(qū)域各方法結(jié)果精度驗證混淆矩陣Table 3 Confusion matrix of accuracy verification of results in illumination area and shadow area

續(xù)表3

但對20%～70之間的預(yù)測較低。 FCLSU在對中高覆蓋度植被的預(yù)測上準確度差，只有低覆蓋區(qū)域稍好，精度為64.29%； 對裸巖的預(yù)測則相反，在70%～100%之間的預(yù)測精度達到了100%，然而其他等級幾乎都沒有成功預(yù)測。 DPM的表現(xiàn)則明顯高估了各等級的覆蓋度，表明該方法受陰影影響最大。

2.3 地形效應(yīng)對提取方法的影響

圖4表明GLMM估計的植被平均覆蓋率在光照區(qū)域與陰影區(qū)域除0%～10%覆蓋度外，其余類別陰影區(qū)域光照區(qū)預(yù)測結(jié)果較為類似，預(yù)測值都在參考值的范圍內(nèi)； 在植被低覆蓋區(qū)域的陰影部分預(yù)測值明顯偏高，平均高了28%的覆蓋度。 在對裸巖率的預(yù)測中，GLMM在10%～35%之間的覆蓋度陰影區(qū)預(yù)測平均值偏低，平均值僅為12%，其余等級覆蓋度光照區(qū)與陰影區(qū)預(yù)測較為接近，均滿足參考區(qū)間的范圍； 從整體來看GLMM能較好地減輕陰影的影響，對于復(fù)雜山區(qū)石漠化的提取效果較好。 相比之下，另外兩種方法受地形效應(yīng)的影響較大，F(xiàn)CLSU對光照區(qū)的植被覆蓋度預(yù)測較好，所有的預(yù)測值都與參考值很好的契合，但在陰影區(qū)除在10%～35%之間的植被覆蓋度預(yù)測較為準確外，其余覆蓋區(qū)間的預(yù)測均有較大的差別，在0%～10%之間的預(yù)測偏高，高出參考值17%，而在35%～100%覆蓋區(qū)間則又偏低，覆蓋度越高，與預(yù)測值之間的相差越大，在70%～100%之間覆蓋度與參考值相差達到33%。 FCLSU對裸巖的預(yù)測則表現(xiàn)與植被覆蓋度預(yù)測相反結(jié)果，在高值區(qū)的表現(xiàn)好于低值區(qū)，但無論是光照區(qū)還是陰影區(qū)，裸巖率低于50%時，預(yù)測結(jié)果與實際結(jié)果出現(xiàn)較大偏差，預(yù)測結(jié)果明顯大于參考值； 相對而言，DPM的預(yù)測結(jié)果在三種方法中表現(xiàn)最差，除了對光照區(qū)大于10%覆蓋率和陰影區(qū)大于50%覆蓋率的植被預(yù)測表現(xiàn)較好外，對其余區(qū)間植被和裸巖的預(yù)測表現(xiàn)都較差。 總體來說，三種方法在光照區(qū)的預(yù)測精度均高于陰影區(qū)，考慮光譜變異的GLMM方法預(yù)測結(jié)果表現(xiàn)最好，能有效地減輕地形效應(yīng)的影響，F(xiàn)CLSU與DPM的方法對于地形復(fù)雜陰影明顯的地區(qū)適用性較差。

圖4 光照區(qū)和陰影區(qū)域裸巖與植被覆蓋度的預(yù)測百分比Fig.4 Prediction percentages of bare rock and vegetation coverage in light and shadow areas

地形效應(yīng)會使遙感影像中陰影區(qū)的地物光譜發(fā)生不同程度變異，使得提取的光照區(qū)與陰影區(qū)的相同地物表現(xiàn)出不同的效果。 以植被覆蓋率的預(yù)測為例，探討地形效應(yīng)對三種方法的影響。 如圖5所示，原始影像上a，b均為陰影區(qū)，對照GF-6號同時期同區(qū)域影像(標準假彩色)發(fā)現(xiàn)陰影下分布有大量植被。 從圖中可以看出，在a區(qū)域GLMM較好的提取出了植被，提取結(jié)果與地面實際分布輪廓基本一致； 預(yù)測的植被覆蓋率與地面參考也較為一致，F(xiàn)CLSU雖然提取結(jié)果的空間分布與地面實際一致，但植被覆蓋率預(yù)測值明顯偏低； 相比之下DPM的表現(xiàn)在陰影區(qū)域非常不盡人意，整體表現(xiàn)偏高。 在b區(qū)域，藍色和黑色方框分別代表相同植被覆蓋率的光照區(qū)和陰影區(qū)，從GLMM和FCLSU預(yù)測的結(jié)果來看，同等植被覆蓋率在光照區(qū)與陰影區(qū)表現(xiàn)相似，GLMM好于FCLSU。 而DMP則在兩個區(qū)域表現(xiàn)出較大差異，陰影區(qū)預(yù)測值明顯高于光照區(qū)。 為了進一步分析地形對各方法影響，基于DEM高程數(shù)據(jù)計算太陽入射角余弦值來模擬地形產(chǎn)生的陰影效應(yīng)，其中方法預(yù)測的值與太陽入射角余弦值相關(guān)系數(shù)越低表明受陰影影響越小。 從表4看出GLMM預(yù)測的植被覆蓋度和裸巖率與太陽入射角余弦相關(guān)系數(shù)分別為-0.159和0.045且p值均大于0.05，說明GLMM預(yù)測值與太陽入射角沒有相關(guān)性，F(xiàn)CLSU預(yù)測的裸巖率與太陽入射角余弦相關(guān)系數(shù)為0，p值大于0.05，表明陰影地形效應(yīng)對裸巖的不大，相對之下FCLSU預(yù)測的植被覆蓋度、 DPM預(yù)測的裸巖率和植被覆蓋度則與太陽入射角余弦值有較強的相關(guān)性，相關(guān)系數(shù)分別為-0.621，0.549和-0.582，p值均小于0.01，說明兩種方法受地形效應(yīng)影響較大。

圖5 各方法陰影區(qū)植被覆蓋度預(yù)測結(jié)果與高清影像對比Fig.5 Comparison of vegetation coverage prediction results of shadow areas with high-definition images by various methods

表4 各方法預(yù)測值與太陽入射角余弦值相關(guān)系數(shù)Table 4 Correlation coefficient between prediction value of eachmethod and cosine value of solar incident angle

針對喀斯特山區(qū)石漠化造成的土地退化現(xiàn)象，如何快速、 準確及時的獲取石漠化信息是當前治理和預(yù)防石漠化恢復(fù)生態(tài)的關(guān)鍵。 喀斯特地區(qū)石漠化信息提取通常利用DPM方法提取基巖裸露率與植被蓋度，但喀斯特地區(qū)，地形起伏隨處可見，崎嶇的地形不僅影響植被的生長，同時也影響著植被信息的提取。 在中等空間分辨率遙感影像中地形效應(yīng)對地物反射率的影響非常大，受陰影影響地物反射率會明顯偏低，地物光譜吸收與反射波段的DN值差距變小，光譜整體波動變大。 以植被為例，當坡向由光照區(qū)轉(zhuǎn)向陰影區(qū)時，近紅外的DN值比紅波段的DN下降更快，并且紅波段的DN值甚至會出現(xiàn)負值，使NDVI計算結(jié)果偏大，導(dǎo)致最終DPM計算的植被蓋度預(yù)測結(jié)果不準確，對地形復(fù)雜陰影效應(yīng)明顯地區(qū)不同等級石漠化面積的估測造成較大的影響。 雖然有很多研究在使用DPM時對影像進行過地形校正，但已有研究表明地形校正模型并不能有效地提高提取地物精度，因此DPM的方法在地形崎嶇的地區(qū)使用時必須考慮地形效應(yīng)的影響，本研究也進一步證明了這一點。

其次，崎嶇的喀斯特山區(qū)在產(chǎn)生大量陰影同時，由于地表破碎和地表異質(zhì)性的特點也導(dǎo)致了地表大量的混合像元，針對這一問題，光譜分解方法可以較好地解決，雖然當前這類方法在喀斯特山區(qū)的應(yīng)用較少，但在城市以及地形簡單的地區(qū)已有了大量研究。 喀斯特地區(qū)由于人為干擾、 光照條件以及風化和侵蝕的影響，端元變異的現(xiàn)象普遍存在，且由于地物破碎獲取地物端元比較困難。 因此，本工作基于考慮端元可變的GLMM方法來試解決以上問題。 研究表明，與傳統(tǒng)的DPM和不考慮端元可變的FCLSU相比，GLMM在光照區(qū)和陰影區(qū)對各等級植被覆蓋度和裸巖率的預(yù)測都有著較好地結(jié)果，好于其他兩種方法，在光照較好地地區(qū)，地物覆蓋度精度高于86%，在陰影區(qū)精度也達到了78%，這是由于GLMM的方法是通過采用對角的方法模擬光照影像的反射率的變化，并且還考慮每一個波長間隔的光譜變異以適應(yīng)端元的任意變化，因此能較為有效地模擬陰影區(qū)地物光譜反射率低的情況。 GLMM在陰影區(qū)對植被覆蓋度的預(yù)測相較于裸巖率的預(yù)測更加準確，這可能是因為裸土端元與裸巖端元非常相似(圖3)，陰影區(qū)各波段DN值變化大、 值較低，GLMM在對端元進行擴展模擬時會導(dǎo)致裸土和裸巖的端元差距變小，從而導(dǎo)致光譜的分解能力差于植被。 雖然，GLMM的方法在喀斯特復(fù)雜山區(qū)的效果好于傳統(tǒng)的DPM和不考慮端元變異情況的FCLSU，但是本工作在對地物端元的選擇是還存在一定的不足，雖然通過對研究區(qū)的實際情況進行分析，考慮了地表主要的三種地物類型： 植被、 裸土及裸巖，但是在提取端元時由于條件限制只提取了三種地物在光照充足地區(qū)的端元，沒能提取到陰影區(qū)域的端元。 GLMM雖說可以一定程度上模擬陰影區(qū)的地物光譜情況，但都是以光照區(qū)端元的光譜形態(tài)為基礎(chǔ)進行變化的，實際上陰影區(qū)地物的端元光譜形態(tài)與光照區(qū)還是存在較大差別的。 因此，在條件允許的情況下應(yīng)考慮陰影區(qū)的端元，以提高對地物的提取精度。

3 結(jié) 論

為了減輕喀斯特山區(qū)地形復(fù)雜、 地表破碎、 陰影效應(yīng)等對石漠化信息提取的影響，利用GF-5號高光譜影像基于考慮端元可變的GLMM方法對研究區(qū)進行石漠化信息提取，并與傳統(tǒng)的DPM方法和未考慮端元變異的FCLSU進行對比。 在三種方法中，精度最好的是GLMM，光照區(qū)和陰影區(qū)的總精度分別為86.80%和78.18%，F(xiàn)CLSU與DPM的預(yù)測精度較低，特別是在陰影區(qū)，精度僅為47.73%和44.09%，僅在低覆蓋和高覆蓋區(qū)表現(xiàn)較好，對于中覆蓋區(qū)預(yù)測精度非常差。 其次，三者估計的地物覆蓋度與太陽入射角余弦相關(guān)系數(shù)表明，GLMM預(yù)測的植被蓋度與裸巖率和太陽入射角余弦相關(guān)性不強，p均大于0.05，受陰影效應(yīng)影響較小。 除FCLSU預(yù)測的裸巖率與太陽入射角余弦相關(guān)系數(shù)為0，p值大于0.05外，F(xiàn)CLSU預(yù)測的植被與DPM預(yù)測的裸巖率和植被覆蓋度則與太陽入射角余弦值有較強的相關(guān)性，p值均小于0.01，受陰影效應(yīng)影像較大。 因此，在喀斯特山區(qū)采用GLMM的方法提取石漠化信息，可以一定程度上減輕陰影的影響，進一步提高石漠化信息的提取精度。