CN103544477A - 基于改进的线性光谱混合模型的植被覆盖度估算方法 - Google Patents

Abstract

本发明公开了一种基于改进的线性光谱混合模型的植被覆盖度估算方法。该方法包括：获取研究区域内的图像数据；对获取的图像数据进行几何粗校正以及辐射校正预处理；对进行预处理得到的图像，采用纯净像元指数法提取端元，构建可变端元线性光谱分解模型；根据构建的可变端元线性光谱分解模型，提取研究区域内的植被覆盖度信息。应用本发明，可以提高植被覆盖度估算精度。

Description

基于改进的线性光谱混合模型的植被覆盖度估算方法

技术领域

本发明涉及植被覆盖度估算技术，尤其涉及一种基于改进的线性光谱混合模型的植被覆盖度估算方法。

背景技术

植被是地貌、水文、土壤、气候变化和人类活动长期相互作用的综合性产物，其分布、构成和发展与环境条件，特别是与气候条件密切相关。植被覆盖度是指植被（枝、茎、叶）在地面上的垂直投影占地表统计面积的百分比，是刻画地表植被水平方向上覆盖程度的一个重要参数，也是衡量地表植物覆盖状况的重要定量信息，在评估土地退化、荒漠化程度方面发挥着重要的作用。同时，植被覆盖度也是通用土壤流失方程及其修正方程、气候数值模型、水文生态模型中的重要控制因子。因而，获取区域地表植被覆盖度及其变化信息，对揭示全球变化影响下的区域生态系统响应特征和地表空间变化规律、探讨响应的驱动因子和分析评价区域生态环境具有重要意义。

目前，获取植被覆盖度的方法有地表实测法和遥感监测法两种。下面进行简要描述。

地表实测法是一种传统的获取植被覆盖度信息的方法，由于具有测量精度较高，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。但受时间、天气、区域条件的限制，测量较为费时、费力，而且只能提供小尺度范围内植被结构和分布状况的变化信息，不宜作为一种独立的测量方法应用于较大空间尺度上的植被覆盖度研究。

随着遥感技术在植被覆盖度监测的发展，为植被覆盖度的测量提供了新的发展方向。遥感的大尺度和周期探测的特性，为获取大面积的植被覆盖度和动态变化分析提供了可能，并得到广泛应用。基于遥感技术的测量植被覆盖度的方法主要包括：回归模型法、植被指数法和像元分解模型法。其中，像元分解模型法采用光谱分解模型进行测量，即通过线性或非线性光谱分解模型，提取研究区域的植被覆盖度信息。线性光谱分解模型假定像元信息为各组分信息的线性合成，到达传感器的光子只与一个组分发生了作用。该模型因其简单实用而被广泛应用于图像波段数目较小、光谱分辨率较低的情况下，在干旱半干旱地区植被覆盖度的估测中发挥了重要的作用。大量研究表明，线性光谱分解模型用于单时相的植被覆盖度估算，在一定程度上优于其他遥感估算方法。

在光谱分解过程中，现有的线性光谱分解模型对于图像中的任何一个像元，都采用全部图像端元进行分解。但实际上，低空间分辨率及中空间分辨率的图像中，多数混合像元只是由全部图像端元中的少数几种所组成，而采用全部图像端元进行分解的方法，使得估算植被覆盖度的流程非常复杂、运算量大。

为了简化估算植被覆盖度的流程以及运算量，现有技术提出了一种线性光谱混合模型（LSMM，Linear Spectral Mixture Model），通过计算像元实际光谱和参考端元光谱之间的响应值，来判断两光谱之间的相似程度，并选择与像元光谱相似度高的参考端元光谱，从而动态确定参与光谱分解的参考端元数，使得无需采用全部图像端元进行分解，从而简化流程及运算量，但该方法通过计算像元实际光谱和参考端元光谱之间的响应值进行相似程度判断，并依据相似度确定参与光谱分解的参考端元数，使得植被覆盖度估算精度不高。

发明内容

本发明的实施例提供一种基于改进的线性光谱混合模型的植被覆盖度估算方法，提高植被覆盖度估算精度。

为达到上述目的，本发明实施例提供的一种基于改进的线性光谱混合模型的植被覆盖度估算方法，该方法包括：

通过美国陆地探测卫星系统专题绘图仪TM获取研究区域内的图像数据；

对获取的图像数据进行几何粗校正以及辐射校正预处理；

对进行预处理得到的图像进行最小噪声分离变换，以将图像信息和噪声分离；在进行最小噪声分离变换的图像中，通过像元纯净指数分析获取波谱最纯净的像元；结合最小噪声分离变换结果，对获取的波谱最纯净的像元进行N维可视化分析，提取所述波谱最纯净的像元中各类地物的光谱信息；采用预先设置的植被-不透水面-土壤模型确定光谱信息分解的组分，获取光谱信息分解的端元光谱值，得到参考端元光谱；

根据经最小噪声分离变换得到的每一图像中各组分的光谱反射率，计算像元的光谱反射率；分别计算参考端元光谱和像元光谱反射率之间的响应值，进行归一化处理；计算像元光谱反射率与参考端元光谱之间的相似系数；获取最大相似系数对应的参考端元光谱矢量，作为与该像元光谱相似性最高的参考端元光谱；计算所述相似性最高的参考端元光谱矢量对混合像元光谱的贡献，结合归一化处理的响应值获取剩余端元对混合像元光谱的贡献；对剩余端元对混合像元光谱的贡献的公式进行迭代，确定混合像元包含的端元数目和对应的端元光谱；根据确定的端元数目和对应的端元光谱，获取图像的每个像元中各组分的含量值，根据各组分的含量值估算植被覆盖度。

其中，所述对获取的图像数据进行几何粗校正以及辐射校正预处理包括：

获取TM图像的像元灰度，按照预先设置的转化公式，将像元灰度转化为像元光谱辐射亮度；

根据预先设置的大气辐射传输模型，对转化得到的像元光谱辐射亮度进行大气校正，得到TM图像的大气校正结果图像。

其中，所述所述转化公式为：

$L=\frac{L_{\max }-L_{\min }}{255}\×\mathrm{DN}+L_{\min }$

式中，

L为像元光谱辐射亮度；

L_max为像元灰度为255时对应的光谱辐射亮度；

L_min为像元灰度为1时对应的光谱辐射亮度；

DN为像元灰度；

所述大气校正公式为：

${\mathrm{acr}}_i=\frac{{\mathrm{xa}}_i\×L_i-{\mathrm{xb}}_i}{1+{\mathrm{xc}}_i\×({\mathrm{xa}}_i\×L_i-{\mathrm{xb}}_i)}$

式中，

acr_i为TM图像的第i波段大气校正结果图像，i=1，2，3，4，5，7；

L_i为TM图像的第i波段像元光谱辐射亮度；

xa、xb、xc分别为6S模型的大气校正参数。

其中，所述计算像元的光谱反射率的公式为：

$R_{\mathrm{Li}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}{\mathrm{\α}}_{\mathrm{ij}}+{\mathrm{\ϵ}}_{\mathrm{Li}}$

$\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ij}}=1$

0≤α_ij≤1

式中，

R_Li为第L波段第i像元的光谱反射率；

α_ij为第i像元的第j个基本组分所占分量值；

A_Lj为第j个基本组分在第L波段的光谱反射率；

n为像元i所包含的基本组分数目；

ε_Li为残余误差值。

其中，所述归一化公式为：

${\mathrm{\ξ}}_i=\frac{x_i}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i}$

式中，

ξ_i为参考端元i对像元的贡献值；

x_i为参与比较的参考端元i与预先设置的像元光谱之间的响应值；

m为参与相似度比较的响应值个数；

所述像元光谱相似系数计算公式为：

$r_{\mathrm{ij}}=\frac{m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}{R}_{\mathrm{Li}}-\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{Li}}}{\sqrt{[m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}^2-{\left(m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}\right)}^2][m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{Li}}^2-{\left(m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{Li}}\right)}^2]}}$

其中，

r_ij为像元光谱与参考端元光谱之间的相似系数；

m为光谱波段的数目。

其中，所述结合归一化处理的响应值获取剩余端元对混合像元光谱的贡献的公式为：

$R_{\mathrm{Re}}=R_i-\mathrm{\η}\frac{r_{\max }}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_j}{A}_{\max }$

式中，

η为调节系数；

A_max为参考端元光谱矢量；

r_j为参考端元对混合像元的响应值；

R_i为混合像元光谱；

R_Re为剩余端元对混合像元光谱R_i的贡献。

其中，所述η取0.35。

其中，所述对剩余端元对混合像元光谱的贡献的公式进行迭代的迭代收敛值计算公式为：

$\mathrm{\ΔR}=R_{\mathrm{Re}}^{k+1}-R_{\mathrm{Re}}^k$

其中，

ΔR为迭代收敛值；

为第k+1次迭代后的像元光谱剩余值；

为第k次迭代后的像元光谱剩余值。

其中，所述方法进一步包括：

根据图像数据选取研究区域内的实测样地，根据选取的实测样地测量得到植被覆盖度；

基于线性光谱分解模型，对TM图像和HJ-1B图像进行植被覆盖度估算；

根据实测样地测量得到的植被覆盖度，对基于线性模型的植被覆盖度估算结果进行精度验证。

其中，所述测量得到植被覆盖度的流程具体包括：

在每一样地内设3条30m长的测线，测量获取每条测线中灌丛植被接触测线的总长度，计算灌丛植被接触测线的总长度与测线的总长度之比，得到灌丛覆盖度；

在每一样地选取3个1m×1m的草地样方，用数码相机垂直对样方进行拍摄，经过几何纠正、增强处理、彩色空间变换、分类，提取每张拍摄得到的图片的草地植被覆盖度；然后，将每一块样地内所有样方的草地植被覆盖度，通过计算算数平均值，得到草地覆盖度；

计算灌丛覆盖度与草地覆盖度之和，得到灌木植被样区的植被覆盖度。

由上述技术方案可见，本发明实施例提供的一种基于改进的线性光谱混合模型的植被覆盖度估算方法，通过改进端元贡献值的计算方法，基于美国陆地探测卫星系统专题绘图仪和环境与灾害监测预报小卫星获取研究区域内的图像数据，构建可变端元线性光谱分解模型，并基于构建的SELSMM进行混合像元分解，估算研究区域的植被覆盖度。由于在混合像元分解过程中，采用相关的图像端元进行分解，可以简化流程并相应地提高分解精度，从而提高了植被覆盖度估算精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，以下将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，以下描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员而言，还可以根据这些附图所示实施例得到其它的实施例及其附图。

图1为本发明实施例基于改进的线性光谱混合模型的植被覆盖度估算方法流程示意图。

图2为本发明实施例估算研究区域的植被覆盖度的流程示意图。

图3a为基于TM图像的LSMM估算覆盖度值与实测值的线性回归分析结果示意图。

图3b为基于TM图像的SELSMM估算覆盖度值与实测值的线性回归分析结果示意图。

图3c为基于HJ-1B图像的LSMM估算覆盖度值与实测值的线性回归分析结果示意图。

图3d为基于HJ-1B图像的SELSMM估算覆盖度值与实测值的线性回归分析结果示意图。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

在现有进行植被覆盖度估算时，在光谱分解过程中，线性光谱分解模型对于图像中的任何一个像元，都采用全部图像端元进行分解，使得估算植被覆盖度的流程复杂，运算量大；而基于线性光谱混合模型的植被覆盖度估算，通过计算像元实际光谱和参考端元光谱之间的响应值进行相似程度判断，并依据相似度确定参与光谱分解的参考端元数，植被覆盖度估算精度不高。

本发明实施例中，考虑在混合像元分解过程中，只采用相关的图像端元进行分解，可以简化流程并相应地提高分解精度。

具体来说，在现有的LSMM中，改进端元贡献值的计算方法，通过美国陆地探测卫星系统专题绘图仪（Landsat TM，Thematic Mapper）和环境与灾害监测预报小卫星（HJ-1B）获取研究区域内的图像数据，构建可变端元线性光谱分解模型（SELSMM，Selective Endmember Linear SpectralMixture Model），即改进的线性光谱混合模型，并基于构建的SELSMM进行混合像元分解，估算研究区域的植被覆盖度；同时，利用同一时期的地表实测植被覆盖度数据，对估算结果进行验证。

图1为本发明实施例基于改进的线性光谱混合模型的植被覆盖度估算方法流程示意图。参见图1，该流程包括：

步骤101，获取研究区域内的图像数据；

本步骤中，获取研究区域内的图像数据包括：

通过美国陆地探测卫星系统专题绘图仪（Landsat TM，ThematicMapper）拍摄研究区域，获取研究区域内的图像数据；或，

通过环境与灾害监测预报小卫星（HJ-1B）拍摄研究区域，获取研究区域内的图像数据。

实际应用中，在获取图像数据后，该方法还可以进一步包括：

从拍摄的图像数据中，选取1景Landsat-5TM图像或1景环境与灾害监测预报小卫星图像作为研究的图像数据的数据源。其中，

TM图像空间分辨率为30m，环境与灾害监测预报小卫星图像为HJ-1B卫星搭载的电荷耦合元件（CCD，Charge Coupled Device）相机获取的图像数据，空间分辨率为30m。

本发明实施例中，基于TM图像和HJ-1B图像，进行预处理后，分别采用线性光谱分解模型和改进的可变端元的线性光谱分解模型，进行研究区域的植被覆盖度估算。

步骤102，对获取的图像数据进行几何粗校正以及辐射校正预处理；

本步骤中，由于图像数据包括TM图像和HJ-1B图像，因而，对获取的图像数据进行几何粗校正以及辐射校正预处理包括：对TM图像进行几何粗校正以及辐射校正预处理；以及，对HJ-1B图像进行几何粗校正以及辐射校正预处理。其中，

对TM图像进行几何粗校正以及辐射校正预处理包括：

A11，获取TM图像的像元（DN，Digital Number）灰度，按照预先设置的转化公式，将像元灰度转化为像元光谱辐射亮度；

本步骤中，对于TM图像，通过将像元（DN，Digital Number）灰度转化为像元光谱辐射亮度，可以消除多光谱图像中的日照条件差异，转化公式为：

$L=\frac{L_{\max }-L_{\min }}{255}\×\mathrm{DN}+L_{\min }---\left(1\right)$

式中，

L为像元光谱辐射亮度；

L_max为像元灰度为255时对应的光谱辐射亮度；

L_min为像元灰度为1时对应的光谱辐射亮度；

DN为像元灰度。

关于像元灰度值为255和1时分别对应的光谱辐射亮度，为公知技术，在此略去详述。

A12，根据预先设置的大气辐射传输模型（6S模型），对转化得到的像元光谱辐射亮度进行大气校正，得到TM图像的大气校正结果图像。

本步骤中，应用大气辐射传输模型，对从式（1）得到的像元光谱辐射亮度进行大气校正，输出图像为大气校正结果图像，即进行预处理后得到的结果。

大气校正公式为：

${\mathrm{acr}}_i=\frac{{\mathrm{xa}}_i\×L_i-{\mathrm{xb}}_i}{1+{\mathrm{xc}}_i\×({\mathrm{xa}}_i\×L_i-{\mathrm{xb}}_i)}---\left(2\right)$

式中，

acr_i为TM图像的第i波段大气校正结果图像，i=1，2，3，4，5，7；

L_i为TM图像的第i波段像元光谱辐射亮度；

xa、xb、xc分别为6S模型的大气校正参数。

关于大气辐射传输模型，为公知技术，在此略去详述。

对HJ-1B图像进行几何粗校正以及辐射校正预处理包括：

A21，获取HJ-1B图像的像元灰度，按照预先设置的辐射定标公式，将像元灰度转化为像元光谱辐射亮度；

本步骤中，对于HJ-1B图像，根据DN值，将图像转换为光谱辐射亮度，从而完成图像数据的定标过程。

辐射定标公式为：

L=DN/a+L₀           （3）

式中，

L为像元光谱辐射亮度；

DN为像元灰度；

1/a为绝对定标系数增益；

L₀为偏移量。

转换后，像元光谱辐射亮度的单位为W·m^-2·sr^-1·um^-1。

A22，根据遥感图像处理平台（ENVI，The Environment for VisualizingImages）中的大气校正模块（FLAASH，Fast Line-of-sight AtmosphericAnalysis of Hypercubes），对转化得到像元光谱辐射亮度进行大气校正，得到HJ-1B图像的大气校正结果图像。

本步骤中，在进行转换得到像元光谱辐射亮度后，采用MODTRAN4+辐射传输模型代码，借助完整的遥感图像处理平台ENVI中的大气校正模块FLAASH进行大气校正，以消除大气和光照等因素对地物反射的影响，从HJ-1B图像中还原出地物的地表反射率，得到HJ-1B图像的大气校正结果图像，即进行预处理后得到的结果。

关于对像元光谱辐射亮度进行大气校正，还原地物的地表反射率，得到HJ-1B图像的大气校正结果图像为公知技术，在此略去详述。

步骤103，对进行预处理得到的图像，采用纯净像元指数（PPI，PixelPurity Index）法提取端元，构建可变端元线性光谱分解模型；

本步骤中，通过采用PPI法提取端元，可以确保更纯净的像元参与后续的光谱分解。其中，根据线性分解模型，提出以下假设：假定混合像元的敏感性是该像元内的各类地物组分的线性组合，且每个像元内所有组分的覆盖度之和为100%。通过线性分离，可以确定每类地物所占比率，如果一个像元内仅包含一种地物，则称该像元为典型像元，即端元，下面对端元选择进行说明。

在线性分解模型中，像元的基本组分的类型应具有代表性，是研究区域内多数像元的有效组成成分，而各个类型的端元直接影响线性模型分解的精度。因而，光谱分解过程中，选择的端元必须真实客观地代表各地类的光谱信息，这样，光谱混合分解的结果才具有较高的精度。其中，端元的数量越多，可以解释更多的光谱异质性，使得该模型的适应度增加，但过多的端元，将使得模型对端元选择更加敏感，导致模型通用性降低。因此，如何确定端元数量和模型整体优化度之间的平衡点变得至关重要。

本发明实施例中，通过计算PPI选择端元，即采用纯净像元指数（PPI，Pixel Purity Index）法提取端元包括：

A31，对预处理后的图像进行最小噪声分离（MNF，Minimum NoiseFraction）变换，将图像信息和噪声分离；

本步骤中，进行MNF变换，是为了减少图像数据的冗余度及波段间的相关性。

A32，通过像元纯净指数分析，在进行最小噪声分离变换的图像中，获取波谱最纯净的像元；

本步骤中，通过对进行最小噪声分离变换的图像进行像元纯净指数分析，可以获取波谱最纯净的像元。关于像元纯净指数分析，为公知技术，在此略去详述。

A33，结合最小噪声分离变换结果，对获取的波谱最纯净的像元进行N维可视化（n-Dimensional Visualizer）分析，提取该波谱最纯净的像元中各类地物的光谱信息；

本步骤中，通过对纯净像元指数（PPI）分析结果，即获取的波谱最纯净的像元进行N维可视化分析，将分析结果结合滤除噪声的图像信息，即最小噪声分离变换结果，可以得到纯净像元指数（PPI）分析结果中包含的各类地物的光谱信息。其中，关于对纯净像元指数（PPI）分析结果进行N维可视化分析，并结合图像信息提取光谱信息的流程为公知技术，在此略去详述。

A34，采用V-I-S模型（植被-不透水面-土壤模型）确定光谱信息分解的组分，获取光谱信息分解的端元光谱值，得到参考端元光谱。

本发明实施例中，主要提取植被覆盖度信息，不需要对非植被地物进行细分，因此采用现有V-I-S模型（植被-不透水面-土壤模型）确定光谱信息分解的组分，以此获取光谱信息分解的端元光谱值。

步骤104，根据构建的可变端元线性光谱分解模型，提取研究区域内的植被覆盖度信息。

本步骤中，图像数据中的一个像元可以由多个组分构成，每个组分对遥感传感器所观测到的信息都有贡献，每个像元的遥感信息可以分解为多个组分，一个像元中所有组分通过线性组合，构成像元的遥感信息，例如，反射率或DN值等。

因此，本发明实施例中，可以将遥感信息进行线性分解，建立像元分解模型，以此来估算植被覆盖度。

本步骤具体包括：

A41，根据组分的光谱反射率，计算像元的光谱反射率；

本步骤中，可以从预处理的图像中，获取每一图像中各组分的光谱反射率；也可以是从经最小噪声分离变换得到的图像中，获取每一图像中各组分的光谱反射率。

线性光谱混合模型是混合像元分解模型最常用的一种方法，该模型定义为：像元在某一光谱波段的反射率（亮度值）是由构成像元的基本组分（Endmember）的反射率及其所占像元面积比例为权重系数的线性组合，混合像元是每一图像中包含的所有像元。线性混合像元分解模型（式（4））及约束条件（式（5）和（6））如下，即计算像元的光谱反射率的公式为：

$R_{\mathrm{Li}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}{\mathrm{\α}}_{\mathrm{ij}}+{\mathrm{\ϵ}}_{\mathrm{Li}}---\left(4\right)$

$\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ij}}=1---\left(5\right)$

0≤α_ij≤1            （6）

式中，

R_Li为第L波段第i像元的光谱反射率；

α_ij为第i像元的第j个基本组分所占分量值；

A_Lj为第j个基本组分在第L波段的光谱反射率；

n为像元i所包含的基本组分数目；

ε_Li为残余误差值，即光谱的非模型化部分。

较佳地，在计算各图像像元基本组分的比例时，为使LSMM对植被覆盖度的估算结果更加准确可靠，可以通过全约束最小二乘算法（FCLS，FullyConstrained Least Squares）的线性光谱分解模型来实现，即在残差ε_Li最小、α_ij总和为1、且α_ij非负的三重约束下求解α_ij。

针对每个像元采用不同的组分端元，建立可变端元线性光谱分解模型，其中，如何确定每个像元所包含的组分端元是模型建立的关键。

A42，分别计算参考端元光谱和像元光谱反射率之间的响应值，进行归一化处理；

本步骤中，通过计算每一图像中参考端元光谱和像元光谱反射率之间的响应值，然后，判断两种光谱之间的相似程度，并将预先设置的参考端元的响应值作为该参考端元对像元的贡献值，参与混合像元分解，建立一种端元可变的线性光谱混合模型。其中，

参考端元光谱与像元光谱之间的响应值（响应系数）越高，两光谱之间的相似度越高，参考端元对应的组分在该像元所占的百分比越大。由此，提出一种改进的变端元算法，将参与比较的端元与预先设置的像元光谱之间的响应值（x_i）进行归一化处理，归一化公式为：

${\mathrm{\ξ}}_i=\frac{x_i}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i}$

式中，

ξ_i为参考端元i对像元的贡献值；

x_i为参与比较的参考端元i与预先设置的像元光谱之间的响应值；

m为参与相似度比较的响应值个数。

这样，通过归一化公式，可以将各响应值映射到0～1之间，并将该值作为参考端元i对像元的贡献值。通过这种新的贡献值计算方法，进行可变端元的线性光谱分解，从而提高模型的估算精度：

A43，计算像元光谱反射率与参考端元光谱之间的相似系数；

通过计算像元光谱反射率与参考端元光谱之间的相似系数，根据计算得到的相似系数，可以保证与像元光谱相似程度高的参考端元光谱入选。

相似系数等于两光谱之间的协方差除以它们各自方差的积，像元光谱相似系数可表示为：

$r_{\mathrm{ij}}=\frac{m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}{R}_{\mathrm{Li}}-\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{Li}}}{\sqrt{[m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}^2-{\left(m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}\right)}^2][m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{Li}}^2-{\left(m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{Li}}\right)}^2]}}---\left(7\right)$

其中，

r_ij为像元光谱与参考端元光谱之间的相似系数；

m为光谱波段的数目。

A44，获取最大的相似系数及最大相似系数对应的参考端元光谱矢量，将最大相似系数对应的参考端元光谱矢量作为与该像元光谱相似性最高的参考端元光谱；

本步骤中，通过计算和比较各参考端元光谱与像元光谱之间的相似系数，得到最大相似系数及其对应的端元光谱矢量A_max。其中，端元光谱矢量是由端元每个波段的光谱反射率组成，端元光谱矢量作为与该像元相似性最高的参考端元光谱，可作为该像元的首选端元。

A45，计算相似性最高的参考端元光谱矢量对混合像元光谱的贡献，结合归一化处理的响应值，获取剩余端元对混合像元光谱的贡献；

本步骤中，参与计算的参考端元光谱矢量为相似性最高的参考端元光谱矢量。设定一个参数X_j，即归一化处理的响应值，也就是相似性最高的参考端元光谱和混合像元光谱反射率之间的归一化处理的响应值，作为某参考端元A_j对混合像元光谱R_i的贡献值，那么参考端元光谱矢量A_max对混合像元光谱R_i的贡献为X_max，剩余端元（表示为R_Re）对混合像元光谱R_i的贡献可表示为：

R_Re=R_i-X_max·A_max         （8）

结合参考端元对混合像元的响应值r_j，参数X_j表示为：

$X_j=\frac{r_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_j}---\left(9\right)$

$\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{X}_j=1---\left(10\right)$

则，相似性最高的参考端元光谱矢量A_max对混合像元R_i的贡献为：

$X_{\max }=\frac{r_{\max }}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_j}---\left(11\right)$

将式（11）替换式（8）中的X_max，可知剩余端元R_Re对R_i的贡献量可表示为：

$R_{\mathrm{Re}}=R_i-\frac{r_{\max }}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_j}{A}_{\max }---\left(12\right)$

实际应用中，为了避免选取的端元光谱矢量之间的非正交性导致的混合像元只经过一次迭代，R_Re就满足中止条件的情形。本发明实施例中，引入调节系数，将式（12）调整为：

$R_{\mathrm{Re}}=R_i-\mathrm{\η}\frac{r_{\max }}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_j}{A}_{\max }---\left(13\right)$

其中，η为调节系数，取值在0-1之间，它在一定程度上影响着端元个数n，该端元个数n为后续进行覆盖度估算选取的端元：η取值太大，像元只需经过少数迭代就满足中止条件；η取值太小，所有端元都参与运算，光谱响应值的计算没有意义。

经过多次试验，对于Landsat TM图像和HJ-1B图像，η分别取0.35和0.65时，可以较好的满足实际情况。

A46，对剩余端元对混合像元光谱的贡献的公式进行迭代，确定混合像元包含的端元数目和对应的端元光谱；

本步骤中，将式（8）中的R_i用R_Re代替，依次对式（8）、（13）进行迭代运算，在R_Re某分量是负值或者迭代收敛值△R（式（14））变化很小的条件下迭代中止，从而确定像元所包含的端元数目n和对应的端元光谱。

$\mathrm{\ΔR}=R_{\mathrm{Re}}^{k+1}-R_{\mathrm{Re}}^k---\left(14\right)$

其中，

ΔR为迭代收敛值；

为第k+1次迭代后的像元光谱剩余值；

为第k次迭代后的像元光谱剩余值。

A47，根据确定的像元包含的端元数目和对应的端元光谱，获取图像的每个像元中各组分的含量值，根据各组分的含量值估算植被覆盖度。

本步骤中，通过上述方法，可以确定每个像元所包含的端元数目和相应的端元光谱矢量，结合全约束最小二乘算法条件的线性光谱混合模型，可以得到图像的每个像元中各组分的含量值。

本发明实施例中，在基于可变端元线性光谱分解模型提取研究区域内的植被覆盖度信息后，还可以采用实验验证的方式，对本发明实施例的植被覆盖度信息进行验证。该方法进一步包括：

步骤105，根据图像数据选取研究区域内的实测样地，根据选取的实测样地测量得到植被覆盖度；

本步骤中，为了通过实测数据验证本发明实施例基于SELSMM估测得到的植被覆盖度，选取研究区域内的一实测样地进行实测。为确定实测位置，可以借助GPS定位，并参照研究区域的地形图和植被类型图设置样地，样地大小与遥感图像空间分辨率相对应，为30m×30m。其中，

选取研究区域内灌木植被样区中的样地数为24个，选取研究区域内草地植被样区中的样地数为6个，每个样地随机布置样方3个，共90个样方，样方范围为1m×1m。

在选取的草地植被分布区，采用数码照相法，随机布设1m×1m的样方，采用数码相机对样方进行垂直拍摄。其中，较佳地，每一样方经过拍摄，得到一张图片，图片经过几何纠正、增强处理、彩色空间变换、分类，提取每张拍摄得到的图片的草地植被覆盖度；然后，将每一块样地内所有样方的草地植被覆盖度，通过计算算数平均值，作为该样地尺度的草地植被覆盖度数据，从而将样方尺度上的地面数据转换为样地尺度上的地面数据。关于对图片进行几何纠正、增强处理、彩色空间变换、分类，提取草地植被覆盖度的具体流程，为公知技术，在此略去详述。

在选取的灌木植被样区，采用样线法，测量得到植被覆盖度的流程具体包括：

B11，在每一样地内设3条30m长的测线，测量获取每条测线中灌丛植被接触测线的总长度，计算灌丛植被接触测线的总长度与测线的总长度之比，得到灌丛覆盖度；

B12，在每一样地选取3个1m×1m的草地样方，用数码相机垂直对样方进行拍摄，经过几何纠正、增强处理、彩色空间变换、分类，提取每张拍摄得到的图片的草地植被覆盖度；然后，将每一块样地内所有样方的草地植被覆盖度，通过计算算数平均值，作为该样地尺度的草地植被覆盖度数据，得到草地覆盖度；

B13，计算灌丛覆盖度与草地覆盖度之和，得到灌木植被样区的植被覆盖度。

步骤106，基于线性光谱分解模型，对TM图像和HJ-1B图像进行植被覆盖度估算；

本步骤中，基于线性光谱分解模型，对TM图像和HJ-1B图像进行植被覆盖度估算为公知技术，在此略去详述。

步骤107，根据实测样地测量得到的植被覆盖度，对基于线性模型的植被覆盖度估算结果进行精度验证。

图2为本发明实施例估算研究区域的植被覆盖度的流程示意图。参见图2，该流程包括：

步骤201，获取TM图像和HJ-1B图像；

步骤202，对获取的TM图像和HJ-1B图像进行预处理；

本步骤中，预处理包括几何粗校正和辐射校正。

步骤203，对进行预处理得到的图像，采用纯净像元指数（PPI，PixelPurity Index）法提取端元，进行端元选择；

本步骤中，通过采用PPI法提取端元，可以确保更纯净的像元参与光谱分解。

本发明实施例中，可结合MNF变换、像元纯净指数以及N维可视化进行端元选择。

步骤204，针对TM图像和HJ-1B图像，利用改进的可变端元的线性光谱分解模型，提取研究区的植被覆盖度信息，对比基于线性光谱分解模型的植被覆盖度估算结果；

本步骤中，针对TM图像和HJ-1B图像，分别采用改进的可变端元的线性光谱分解模型以及基于线性光谱分解模型，提取研究区的植被覆盖度信息。

步骤205，利用同期实测植被覆盖度（简称盖度）数据，对于两种图像基于不同估算模型得到的结果进行精度检验。

本步骤中，通过实测得到的植被覆盖度信息，对步骤204得到的植被覆盖度信息进行精度检验。

下面对本发明实施例的基于可变端元的线性分解模型应用进行说明。

利用线性分解模型和基于可变端元的线性分解模型，分别对TM图像和HJ-1B图像进行混合像元分解，得到研究区的植被覆盖度。为了便于比较不同的图像数据，通过线性分解模型和基于可变端元的线性分解模型分别得到的估算植被覆盖度的差异，将植被覆盖度划分为0.0～0.2、0.2～0.4、0.4～0.6、0.6～0.8、0.8～1.0以及非植被六个类型，并计算各植被覆盖度类型的面积，如表1，得到各植被覆盖度面积占总研究区总面积的百分比。

表1基于不同线性模型和不同图像估算的各植被覆盖度面积比例

表1中，比例数值为各类植被覆盖度对应的面积占研究区总面积的比例，其中，LSMMTM、SELSMMTM、LSMMHJ-1B、SELSMMHJ-1B分别表示基于TM图像的LSMM、基于TM图像的SELSMM、基于HJ-1B图像的LSMM以及基于HJ-1B图像的SELSMM。

结合相应的图像，由表1可知，研究区域内，植被覆盖度介于0.0～0.2的区域大部分分布在海拔较高的黄土覆盖区；介于0.2～0.4之间的区域最广，这与研究区植被覆盖实际情况一致；覆盖度在0.4～0.6之间的区域都在沿河的平原区域，这部分区域大部分为农田植被和人工种植的灌丛所覆盖，因此盖度值偏高；而植被覆盖度大于0.8的区域极少；非植被区域分布在河流、湖泊、水库等水域覆盖区以及矿区、城市等不透水面集中区域。

本发明实施例中，以野外实测植被覆盖度数据为参考，对表1中的植被覆盖度计算结果进行精度检验。野外实测植被覆盖度数据样地大小为30m×30m，为了使实测数据的空间尺度与图像的分辨率一致，计算每个样地中的所有样方的平均值作为30m×30m样地的植被盖度。提取与实测数据空间位置对应的估算覆盖度数值与实测盖度数据进行线性回归分析，P均小于0.05，通过0.05水平t-检验（表2），两者相关性显著。对估算覆盖度值与实测值进行线性回归分析，拟合得到的直线与1:1直线的偏离如图3a～3d所示。其中，

图3a为基于TM图像的LSMM估算覆盖度值与实测值的线性回归分析结果示意图；

图3b为基于TM图像的SELSMM估算覆盖度值与实测值的线性回归分析结果示意图；

图3c为基于HJ-1B图像的LSMM估算覆盖度值与实测值的线性回归分析结果示意图；

图3d为基于HJ-1B图像的SELSMM估算覆盖度值与实测值的线性回归分析结果示意图。

由图3a～3d可见，拟合得到的直线与1:1直线的偏离较小。因而，本发明实施例中，对于TM图像和HJ-1B图像，可以利用LSMM和SELSMM提取研究区域的植被覆盖度。

本发明实施例中，为比较模型估算的覆盖度值与实测真实值之间的差异，指标选择均方根误差（RMSE，Root-mean-square Error）、决定系数（R2）来评价模型估算的精度，各估算指标结果如表2所示。均方根误差用来评价模型分解的总体精度；决定系数用来体现模型估算结果与实测值的拟合程度。

$\mathrm{RMSE}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_i^{\′}-f_i)}^2}---\left(15\right)$

$R^2=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(f_i^{\′}-\stackrel{\‾}{f})}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_i-\stackrel{\‾}{f})}^2}---\left(16\right)$

其中，

f′_i为由模型估算得到的植被覆盖度值；

f_i为对应的实测植被覆盖度值；

为估算的植被覆盖度的平均盖度值；

N为选择进行精度检验的样本的数目。

表2基于不同图像和线性模型的估算精度

下面对植被覆盖度估算结果进行对比分析。

一、LSMM和SELSMM植被覆盖度估算结果对比分析

基于TM图像、HJ-1B图像以及两种线性模型（线性分解模型和基于可变端元的线性分解模型）的植被覆盖度估算结果，得到各类型面积比例（表2）。对于TM图像和HJ-1B图像，模型估算的植被覆盖度值在0.2～0.4之间所占的面积比例最大（基于TM图像的LSMM估算所得盖度除外），与实地调查所得结果一致。对于同一种图像，在植被覆盖度值介于0.0～0.2之间，LSMM估算所得的植被覆盖度值的面积比例大于SELSMM估算所得植被覆盖度值的面积比例；而植被覆盖度值介于0.2～0.4、0.4～0.6和0.8～1.0之间的面积比例，大小对比结果相反，即SELSMM估算所得植被盖度值在这些区间的面积比例较大。

通过对比两种模型估算的精度可以得出，LSMM估算结果的RMSE大于SELSMM估算结果的RMSE，且RMSE均小于0.100。对于同一种图像分解结果，采用LSMM进行混合像元分解，其总体精度小于SELSMM的像元分解结果。对于每种图像的决定系数R2，LSMM估算结果的R2小于SELSMM的估算结果，这表明与LSMM估算的覆盖度结果相比，采用SELSMM得到的植被覆盖度估算结果与实测植被覆盖度之间的相关程度更高。总体来说，对于该研究区域，SELSMM植被覆盖度估算结果优于LSMM的估算结果。

二、TM图像和HJ-1B图像植被覆盖度估算结果对比分析

由TM图像和HJ-1B图像两种模型的植被覆盖度估算结果得到的各类型面积比例（表1）可以看出，对于研究区域植被覆盖区域，同一模型估算出的植被覆盖度值：（1）基于TM图像估算的植被覆盖度值介于0.0～0.2之间的面积比例均小于基于HJ-1B图像估算所得的值；（2）植被覆盖度值大于0.2的区域，面积比例大小对比结果相反，HJ-1B图像估算所得的盖度值在此区间的面积比例较大。

对比TM图像和HJ-1B图像的精度检验结果，可以看出：（1）对于同一模型分解结果，基于TM图像进行混合像元分解，其总体精度高于基于HJ-1B图像的分解结果，两者RMSE相比，前者小于后者；（2）相同模型得到的植被覆盖度与实测数据建立回归模型，基于TM图像的模型估算结果所得决定系数大于基于HJ-1B的模型估算结果的决定系数，表明基于TM图像进行混合像元分解得到的覆盖度与实测值的相关性高于基于HJ-1B图像像元分解所得的覆盖值。因此，针对所选研究区域，选择TM图像进行混合像元分解所得的植被覆盖度精度更高。

由上述可见，本发明实施例提出的一种基于可变端元的线性光谱分解模型的植被覆盖度获取方法，以Landsat TM图像和HJ-1B图像为数据源，分别采用LSMM和SELSMM进行混合像元分解，有效提高了模型分解精度；并用同期的实测覆盖度数据进行验证，对比两种图像两个模型的分解精度。验证结果表明，基于TM图像的SELSMM分解结果精度最高，而基于HJ-1B图像的LSMM分解结果精度最低。总体来看，SELSMM比LSMM的估算精度更高，TM图像更合适用于混合像元分解，而HJ-1B由于其光谱信息相对较少，在通过模型进行像元分解时，其精度难以达到更高的要求。

与一般的线性光谱分解模型相比，可变端元算法针对每个像元的光谱信息来动态确定参与光谱分解的实际端元数量，尽可能避免不相关的端元参与运算，实现研究区域植被覆盖度更准确的估算。本研究对各参考端元与像元光谱之间的响应值进行归一化处理，作为参考端元对像元的贡献值，并加入调节系数，来确定参与各像元分解的端元数目和端元光谱。这种方法在一定程度上提高了线性光谱分解的精度。具体来说，

（1）基于TM图像的可变端元线性光谱分解模型估算结果的RMSE最低，为0.044，基于TM图像的线性光谱分解模型、基于HJ-1B图像的可变端元线性光谱分解模型和基于HJ-1B图像的线性光谱分解模型估算结果的RMSE分别为0.052，0.077，0.082，均高于基于TM图像的可变端元线性光谱分解模型；

（2）基于TM图像的可变端元线性光谱分解模型、基于TM图像的线性光谱分解模型、基于HJ-1B图像的可变端元线性光谱分解模型和基于HJ-1B图像的线性光谱分解模型的R2分别为0.668，0.531，0.342和0.336，其中，基于TM图像的可变端元线性光谱分解模型估算的植被覆盖度精度最高，与实测盖度值的相关性也最高。

总体看来，可变端元的线性光谱分解模型估算植被覆盖度优于线性光谱分解模型，对TM图像进行混合像元分解的优势大于对HJ-1B图像进行像元分解，因此，基于TM图像的可变端元的线性光谱分解模型对研究区域植被覆盖度的估算具有较高的精度及可靠性。

显然，本领域技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也包含这些改动和变型在内。

Claims (10)

1.一种基于改进的线性光谱混合模型的植被覆盖度估算方法，该方法包括：

通过美国陆地探测卫星系统专题绘图仪TM获取研究区域内的图像数据；

对获取的图像数据进行几何粗校正以及辐射校正预处理；

对进行预处理得到的图像进行最小噪声分离变换，以将图像信息和噪声分离；在进行最小噪声分离变换的图像中，通过像元纯净指数分析获取波谱最纯净的像元；结合最小噪声分离变换结果，对获取的波谱最纯净的像元进行N维可视化分析，提取所述波谱最纯净的像元中各类地物的光谱信息；采用预先设置的植被-不透水面-土壤模型确定光谱信息分解的组分，获取光谱信息分解的端元光谱值，得到参考端元光谱；

根据经最小噪声分离变换得到的每一图像中各组分的光谱反射率，计算像元的光谱反射率；分别计算参考端元光谱和像元光谱反射率之间的响应值，进行归一化处理；计算像元光谱反射率与参考端元光谱之间的相似系数；获取最大相似系数对应的参考端元光谱矢量，作为与该像元光谱相似性最高的参考端元光谱；计算所述相似性最高的参考端元光谱矢量对混合像元光谱的贡献，结合归一化处理的响应值获取剩余端元对混合像元光谱的贡献；对剩余端元对混合像元光谱的贡献的公式进行迭代，确定混合像元包含的端元数目和对应的端元光谱；根据确定的端元数目和对应的端元光谱，获取图像的每个像元中各组分的含量值，根据各组分的含量值估算植被覆盖度。

2.根据权利要求1所述的方法，其中，所述对获取的图像数据进行几何粗校正以及辐射校正预处理包括：

获取TM图像的像元灰度，按照预先设置的转化公式，将像元灰度转化为像元光谱辐射亮度；

根据预先设置的大气辐射传输模型，对转化得到的像元光谱辐射亮度进行大气校正，得到TM图像的大气校正结果图像。

3.根据权利要求2所述的方法，其中，所述所述转化公式为：

$L=\frac{L_{\max }-L_{\min }}{255}\×\mathrm{DN}+L_{\min }$

式中，

L为像元光谱辐射亮度；

L_max为像元灰度为255时对应的光谱辐射亮度；

L_min为像元灰度为1时对应的光谱辐射亮度；

DN为像元灰度；

所述大气校正公式为：

${\mathrm{acr}}_i=\frac{{\mathrm{xa}}_i\×L_i-{\mathrm{xb}}_i}{1+{\mathrm{xc}}_i\×({\mathrm{xa}}_i\×L_i-{\mathrm{xb}}_i)}$

式中，

acr_i为TM图像的第i波段大气校正结果图像，i=1，2，3，4，5，7；

L_i为TM图像的第i波段像元光谱辐射亮度；

xa、xb、xc分别为6S模型的大气校正参数。

4.根据权利要求3所述的方法，其中，所述计算像元的光谱反射率的公式为：

$R_{\mathrm{Li}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}{\mathrm{\α}}_{\mathrm{ij}}+{\mathrm{\ϵ}}_{\mathrm{Li}}$

$\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ij}}=1$

0≤α_ij≤1

式中，

R_Li为第L波段第i像元的光谱反射率；

α_ij为第i像元的第j个基本组分所占分量值；

A_Lj为第j个基本组分在第L波段的光谱反射率；

n为像元i所包含的基本组分数目；

ε_Li为残余误差值。

5.根据权利要求4所述的方法，其中，所述归一化公式为：

${\mathrm{\ξ}}_i=\frac{x_i}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i}$

式中，

ξ_i为参考端元i对像元的贡献值；

x_i为参与比较的参考端元i与预先设置的像元光谱之间的响应值；

m为参与相似度比较的响应值个数；

所述像元光谱相似系数计算公式为：

$r_{\mathrm{ij}}=\frac{m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}{R}_{\mathrm{Li}}-\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{Li}}}{\sqrt{[m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}^2-{\left(m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{Lj}}\right)}^2][m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{Li}}^2-{\left(m\underset{L=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{Li}}\right)}^2]}}$

其中，

r_ij为像元光谱与参考端元光谱之间的相似系数；

m为光谱波段的数目。

6.根据权利要求5所述的方法，其中，所述结合归一化处理的响应值获取剩余端元对混合像元光谱的贡献的公式为：

$R_{\mathrm{Re}}=R_i-\mathrm{\η}\frac{r_{\max }}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_j}{A}_{\max }$

式中，

η为调节系数；

A_max为参考端元光谱矢量；

r_j为参考端元对混合像元的响应值；

r_max为相似性最高的参考端元对混合像元的响应值；

R_i为混合像元光谱；

R_Re为剩余端元对混合像元光谱R_i的贡献。

7.根据权利要求6所述的方法，其中，所述η取0.35。

8.根据权利要求7所述的方法，其中，所述对剩余端元对混合像元光谱的贡献的公式进行迭代的迭代收敛值计算公式为：

$\mathrm{\ΔR}=R_{\mathrm{Re}}^{k+1}-R_{\mathrm{Re}}^k$

其中，

ΔR为迭代收敛值；

为第k+1次迭代后的像元光谱剩余值；

为第k次迭代后的像元光谱剩余值。

9.根据权利要求1至8任一项所述的方法，其中，所述方法进一步包括：

根据图像数据选取研究区域内的实测样地，根据选取的实测样地测量得到植被覆盖度；

基于线性光谱分解模型，对TM图像和HJ-1B图像进行植被覆盖度估算；

根据实测样地测量得到的植被覆盖度，对基于线性模型的植被覆盖度估算结果进行精度验证。

10.根据权利要求9所述的方法，其中，所述测量得到植被覆盖度的流程具体包括：

在每一样地内设3条30m长的测线，测量获取每条测线中灌丛植被接触测线的总长度，计算灌丛植被接触测线的总长度与测线的总长度之比，得到灌丛覆盖度；

在每一样地选取3个1m×1m的草地样方，用数码相机垂直对样方进行拍摄，经过几何纠正、增强处理、彩色空间变换、分类，提取每张拍摄得到的图片的草地植被覆盖度；然后，将每一块样地内所有样方的草地植被覆盖度，通过计算算数平均值，得到草地覆盖度；

计算灌丛覆盖度与草地覆盖度之和，得到灌木植被样区的植被覆盖度。

Images