CN104142142A

CN104142142A - 全球植被覆盖度估算方法

Info

Publication number: CN104142142A
Application number: CN201410310530.6A
Authority: CN
Inventors: 贾坤; 梁顺林; 刘素红; 刘强; 李钰溦
Original assignee: Beijing Normal University
Current assignee: Beijing Normal University
Priority date: 2014-07-01
Filing date: 2014-07-01
Publication date: 2014-11-12
Anticipated expiration: 2034-07-01
Also published as: CN104142142B

Abstract

本发明提供了一种全球植被覆盖度估算方法，包括：先根据全球植被类型分布情况选取若干个全球陆表空间采样点；在采样点处获取卫星遥感数据中空间分辨率较高的第一地表反射率数据和空间分辨率较低的第二地表反射率数据，再以第一地表反射率数据通过像元二分模型得到植被覆盖度训练样本。然后在采样点处提取第二地表反射率数据及其空间上对应的根据第一地表反射率数据计算的植被覆盖度，分别作为训练样本的输入和输出对广义回归神经网络模型进行训练，最后使用训练好的模型根据第二地表反射率数据估算全球陆表植被覆盖度。其充分利用了地面实测资料、高空间分辨率遥感观测数据和人工智能学习算法，具有稳定性好、适应性强、精度高、易于操作等优点。

Description

全球植被覆盖度估算方法

技术领域

本发明涉及环境科学，具体涉及一种全球植被覆盖度估算方法。

背景技术

植被是陆地生态系统中最基础的部分，所有其他的生物都依赖于植被而生。植被覆盖度定义为绿色植被在地面的垂直投影面积占统计区总面积的百分比，是刻画地表植被覆盖的一个重要参数，也是指示生态环境变化的基本、客观指标，在地球表面的大气圈、土壤圈、水圈和生物圈中都占据着重要的地位。另外，从一般的应用层面看，植被覆盖度在农业、林业、资源环境管理、土地利用、水文、灾害风险监测、干旱监测等领域都有广泛的应用。因此，实现准确、快速的获取大区域陆表植被覆盖度具有重要意义。

相对于传统的地面测量植被覆盖度的监测手段，遥感技术能够提供地表的多源多维多时相信息，具有大面积、宏观、实时和动态等优势，为陆表植被覆盖度估算开辟了新的途径。遥感估算陆表植被覆盖度的方法很多，主要包括经验模型法、混合像元分解法、物理模型法等。

经验模型法是采用简单的统计模型或者回归关系对植被覆盖度进行求算，最典型的就是建立植被指数和植被覆盖度之间的经验性关系，然后再计算植被覆盖度。但是经验模型法只适用于特定区域与特定植被类型的植被覆盖度估算，不易推广，不具有普遍性，区域性的经验模型应用于大尺度上估算植被覆盖度会失效。

混合像元分解法假设每个组分对遥感传感器所观测到的信息都有贡献，因此可以将遥感信息(波段或植被指数)分解，建立像元分解模型，并利用此模型估算植被覆盖度。但是混合像元分解法需要确定每个端元的光谱，由于地表类型的复杂性，端元光谱的确定对于大尺度植被覆盖度估算是不能实现的。

物理模型法是通过研究光与植被的相互作用，建立植被光谱信息与植被覆盖度之间物理关系的模型，如辐射传输模型、几何光学模型等。因为辐射传输模型涉及到较为复杂的物理机制，比如叶片层的反射和吸收等辐射传输过程，很难直接计算植被覆盖度，必须通过查找表或者机器学习法简化反演过程，获取植被覆盖度。物理模型理论上可以涵盖不同的情况，具有更广泛的适用性。但是这种方法需要大量的数据，现有卫星遥感数据在应用时需要考虑时间、空间、角度、光谱响应等，往往数据量是不足的。另一方面如何选择模型处于两难的境地：如果模型复杂了，待估算参数多，难以计算；如果模型简单了，现有辐射传输模型和实际情况之间还存在较大误差。因此，数据和模型这两个方面的问题，限制了物理方法的应用。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供一种全球植被覆盖度估算方法，该方法充分利用了地面实测资料、高空间分辨率遥感观测数据和人工智能学习算法，具有稳定性好、适应性强、精度高、易于操作等优点。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种全球植被覆盖度估算方法，其特征在于，该方法包括：

根据全球植被类型分布情况选取若干个全球陆表空间采样点；

在所述若干个全球陆表空间采样点处，获取卫星遥感数据中空间分辨率较高的第一地表反射率数据和空间分辨率较低的第二地表反射率数据；

根据所述第一地表反射率数据以像元二分模型计算所述若干个全球陆表空间采样点处的植被覆盖度；

在每个全球陆表空间采样点处，提取所述第二地表反射率数据及其空间上对应的根据所述第一地表反射率数据计算的植被覆盖度分别作为训练样本的输入和输出，训练广义回归神经网络模型；

使用经过训练的广义回归神经网络模型根据所述第二地表反射率数据计算全球陆表的植被覆盖度。

优选地，所述获取卫星遥感数据中较高空间分辨率的第一地表反射率数据包括：

对所述第一地表反射率数据进行大气纠正，并将其中的云像元和雪像元进行识别和标识。

优选地，所述获取卫星遥感数据中较低空间分辨率的第二地表反射率数据包括：

去除所述第二地表反射率数据中包含雪和云的反射率的部分，并利用插值法对缺失的部分进行填充。

优选地，所述步骤：根据所述第一地表反射率数据以像元二分模型计算所述若干个全球陆表空间采样点处的植被覆盖度包括：

根据下式计算所述植被覆盖度FVC：

FVC＝(NDVI-NDVI_soil)/(NDVI_veg-NDVI_soil)

其中NDVI为像元的归一化植被指数、NDVI_soil为完全无植被覆盖区域的归一化植被指数、NDVI_veg为完全由植被所覆盖的像元的归一化植被指数。

利用全球生态区划数据将所述若干个全球陆表空间采样点分为若干个生态区域组；

在每个生态区域组内，根据所述第一地表反射率数据获取不同地表类型的NDVI值分布直方图；

根据所述NDVI值分布直方图中的累积比例确定各生态区域组内的NDVI_soil及各类型植被的NDVI_veg；

在每个生态区域组内，根据所述NDVI、所述NDVI_soil和所述NDVI_veg分别计算不同植被类型的所述植被覆盖度FVC。

优选地，所述步骤：根据所述NDVI值分布直方图中的累积比例确定对生态区域组内对应的NDVI_soil及各类型植被的NDVI_veg包括：

将像元归一化植被指数在给定置信度的置信区间内的最大值和最小值分别设定为所述NDVI_veg和所述NDVI_soil。

优选地，所述广义回归神经网络模型包括：

Y^{'} (X) = \frac{Σ_{i = 0}^{n} Y_{i} \exp (- \frac{D_{i}^{2}}{2 σ^{2}})}{Σ_{i = 0}^{n} \exp (- \frac{D_{i}^{2}}{2 σ^{2}})}

其中D_i ²＝(X–X_i)^T(X-X_i)，X_i和Y_i(i＝1，2，…，n)分别为第i个训练样本的输入和输出，n为训练样本的数量，X为输入向量，Y′(X)为输入向量为X时的输出向量；σ为控制拟合结果平滑程度的参数。

优选地，利用下式构造所述σ的代价函数：

f (σ) = \frac{1}{n} Σ_{i = 1}^{n} [{\hat{Y}}_{i} (X_{i}) - Y_{i}],

其中为训练样本输入为X_i时Y_i的估计值。

优选地，使用亚利桑那大学洗牌复合形演化算法(SCE-UA)求取广义回归神经网络的最优的所述σ。

优选地，所述第一地表反射率数据通过陆地卫星Landsat获取；所述第二地表反射率数据通过卫星传感器MODIS、AVHRR或VEGETATION获取。

(三)有益效果

本发明至少具有如下的有益效果：

本发明先以高空间分辨率的第一地表反射率数据以像元二分模型得到植被覆盖度训练样本，然后提取全球空间采样点位置处的第二地表反射率数据及其空间对应的根据第一地表反射率数据计算的植被覆盖度，分别作为训练样本的输入和输出对广义回归神经网络模型进行训练。最后使用训练好的模型和第二地表反射率数据估算全球陆表植被覆盖度。本发明充分利用了地面实测资料、高空间分辨率遥感观测数据和人工智能学习算法，具有稳定性好、适应性强、精度高、易于操作等优点。

相比于现有技术中的经验模型法，本发明所提出的方法可以计算全球陆表多种类型植被的植被覆盖度，即适用于大空间尺度及多植被类型，具有更高的普适性。

相比于现有技术中的混合像元分解法，本发明所提出的方法不需要确定每个端元的光谱，因而更易于操作、易于实现。

相比于现有技术中的物理模型法，本发明所用的训练样本是根据高空间分辨率的第一地表反射率数据得到的真实的训练样本，而不是模拟的植被覆盖度训练样本；而且，其将广义回归神经网络模型运用到了植被覆盖度的计算中，由于其待估参数少、逼近精度高，因而稳定性好、适应性强、精度高、易于操作。

当然，实施本发明的任一方法并不一定需要同时达到以上所述的所有优点。

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，下面将对实施例或现有技术描述中所需要使用的附图作一简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例中一种全球植被覆盖度估算方法的流程图；

图2是本发明一个实施例中全球陆表空间采样点的空间分布示意图；

图3是本发明一个实施例中广义回归神经网络的结构图；

图4是本发明一个实施例中广义回归神经网络模型(GNNR)的输入输出关系示意图；

图5是本发明一个实施例中基于MODIS地表反射率数据的植被覆盖度广义回归神经网络模型反演得到的植被覆盖度与训练样本植被覆盖度的散点图；

图6是是本发明一个实施例中基于MODIS地表反射率数据的广义回归神经网络模型反演得到的植被覆盖度、以及GEOV1植被覆盖度产品与地面测量的植被覆盖度值的对照散点图；

图7是本发明一个实施例中一种优选地全球植被覆盖度估算方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提出了一种全球植被覆盖度估算方法，参见图1，该方法包括：

步骤101：根据全球植被类型分布情况选取若干个全球陆表空间采样点；

步骤102：在所述若干个全球陆表空间采样点处，获取卫星遥感数据中空间分辨率较高的第一地表反射率数据和空间分辨率较低的第二地表反射率数据；

步骤103：根据所述第一地表反射率数据以像元二分模型计算所述若干个全球陆表空间采样点处的植被覆盖度；

步骤104：在每个全球陆表空间采样点处，提取所述第二地表反射率数据及其空间上对应的根据所述第一地表反射率数据计算的植被覆盖度分别作为训练样本的输入和输出，训练广义回归神经网络模型；

步骤105：使用经过训练的广义回归神经网络模型根据所述第二地表反射率数据计算全球陆表的植被覆盖度。

其中，全球陆表空间采样点的选取可以从现有的样点体系，如CEOS-BELMANIP(国际卫星对地观测委员会组织的多地面观测站点的集合平台)、FLUXNET(全球通量观测网)和VALERI(欧洲遥感传感器验证网络)等样点体系中选取，其均为全球植被参数产品样点体系中应用较为广泛的样点体系。所述地表反射率数据(这里具体包括较高空间分辨率的第一地表反射率数据和较低空间分辨率的第二地表反射率数据)是指从卫星遥感数据中获取的，表征地面对一个或多个波段光线反射的反射率数据。所述像元二分模型是现有技术中广泛应用的植被覆盖度计算方法，所述广义回归神经网络模型也是现有技术中的算法，下文将对其进行更具体的说明。

可见，对应于全球陆表空间采样点，其主要是通过卫星遥感数据中空间分辨率较高的第一地表反射率数据以像元二分模型得到植被覆盖度的训练样本(输出向量)，并以卫星遥感数据中空间分辨率较低的第二地表反射率数据作为输入向量，来对广义回归神经网络模型进行训练，最后使用训练好的模型根据第二地表反射率数据估算全球陆表植被覆盖度，因而充分利用了地面实测资料、高空间分辨率遥感观测数据和人工智能学习算法，具有稳定性好、适应性强、精度高、易于操作等优点。

其中，第一地表反射率数据对于训练而言是最接近真值的训练样本，因而其需要保证其所得到的植被覆盖度的准确度和精确度尽量高，才能保证本方法的估算精度。

优选地，所述获取卫星遥感数据中较高空间分辨率的第一地表反射率数据包括：对所述第一地表反射率数据进行大气纠正，并将其中的云像元和雪像元进行识别和标识。也就是说，在使用第一地表反射率数据进行计算前先进行大气纠正以减小计算的偏差，同时对云和雪进行识别、标识以减小数据中气象因素在植被地表反射率中的影响。

优选地，所述获取卫星遥感数据中较低空间分辨率的第二地表反射率数据包括：去除所述第二地表反射率数据中包含雪和云的反射率的部分，并利用插值法对缺失的部分进行填充。同理，为减小数据中气象因素在植被地表反射率中的影响，对第一地表反射率数据也进行预处理。

优选地，所述步骤：根据所述第一地表反射率数据以像元二分模型计算所述若干个全球陆表空间采样点处的植被覆盖度包括：根据下式计算所述植被覆盖度FVC：

FVC＝(NDVI-NDVI_soil)/(NDVI_veg-NDVI_soil)

其中NDVI为像元的归一化植被指数、NDVI_soil为完全无植被覆盖区域的归一化植被指数、NDVI_veg为完全由植被所覆盖的像元的归一化植被指数。该式为利用像元二分模型计算植被覆盖度的具体表达式，其由于引入参数NDVI_soil和NDVI_veg，可以削弱大气、土壤背景与植被类型等的影响。

优选地，所述步骤：根据所述第一地表反射率数据以像元二分模型计算所述若干个全球陆表空间采样点处的植被覆盖度包括：利用全球生态区划数据将所述若干个全球陆表空间采样点分为若干个生态区域组；在每个生态区域组内，根据所述第一地表反射率数据获取不同地表类型的NDVI值分布直方图；根据所述NDVI值分布直方图中的累积比例确定各生态区域组内的NDVI_soil及各类型植被的NDVI_veg；在每个生态区域组内，根据所述NDVI、所述NDVI_soil和所述NDVI_veg分别计算不同植被类型的所述植被覆盖度FVC。其通过生态区域组的划分和分布直方图的统计方法引入植被覆盖度的计算中，可以得到高分辨率的植被覆盖度训练样本。

优选地，所述步骤：根据所述NDVI值分布直方图中的累积比例确定对生态区域组内对应的NDVI_soil及各类型植被的NDVI_veg包括：将像元归一化植被指数在给定置信度的置信区间内的最大值和最小值分别设定为所述NDVI_veg和所述NDVI_soil。这可以在一定程度上消除遥感图像噪声所带来的误差。

优选地，所述广义回归神经网络模型包括：

Y^{'} (X) = \frac{Σ_{i = 0}^{n} Y_{i} \exp (- \frac{D_{i}^{2}}{2 σ^{2}})}{Σ_{i = 0}^{n} \exp (- \frac{D_{i}^{2}}{2 σ^{2}})}

其中D_i ²＝(X–X_i)^T(X-X_i)，X_i和Y_i(i＝1，2，…，n)分别为第i个训练样本的输入和输出，n为训练样本的数量，X为输入向量，Y′(X)为输入向量为X时的输出向量；σ为控制拟合结果平滑程度的参数。该式即为广义回归神经网络模型的表达式，具体来说，所述训练就是使用训练样本来拟合出该式中σ的最优取值。

优选地，利用下式构造所述σ的代价函数：

f (σ) = \frac{1}{n} Σ_{i = 1}^{n} [{\hat{Y}}_{i} (X_{i}) - Y_{i}],

其中为训练样本输入为X_i时Y_i的估计值。优选地，使用亚利桑那大学洗牌复合形演化算法(SCE-UA)求取广义回归神经网络的最优的所述σ。基于上述特征，可以求得广义回归神经网络模型中最优的σ，当然σ的计算也不仅限于上述方法。

优选地，所述第一地表反射率数据通过陆地卫星Landsat获取；所述第二地表反射率数据通过卫星传感器MODIS、AVHRR或VEGETATION获取。举例来说，陆地卫星Landsat的空间分辨率为30m级，而卫星传感器MODIS的空间分辨率为1km级，采用如上所述的第一地表反射率数据和第二地表反射率数据组合可以兼顾估算精度与效率，可以起到比较好的估算效果。

为了更清楚地说明本发明实施例的技术方案，下面介绍一种优选的全球植被覆盖度估算方法，其步骤包括：

1)全球陆表空间采样：目前全球植被参数产品样点体系应用较广泛的是CEOS-BELMANIP样点体系，其中包含部分DIRECT、FLUXNET和AERONET样点，以及文献补充样点共402个(Baret等,2006)，对于全球植被类型具有代表性，并且分布较均匀。考虑到CEOS-BELMANIP样点数量对于广义回归神经网络学习算法的训练不足，在其基础上添加了FLUXNET站点和VALERI站点集合作为样本点选择的位置。优选地，为使样点更具代表性、分布更均匀，去掉重复和地理位置较近的样点，最终得到500个样点位置，空间分布如图2所示。

2)全球空间采样点位置Landsat(陆地卫星)数据获取与预处理：在每个全球采样点位置获取四个季相的四景云覆盖较少和数据质量好的Landsat TM/ETM+数据，作为生成高空间分辨率植被覆盖度训练样本数据的源数据(第一地表反射率数据)。Landsat数据的预处理主要包括大气纠正和云雪掩模。大气纠正利用Landsat EcosystemDisturbance Adaptive Processing System(LEDAPS)工具，纠正后得到Landsat地表反射率数据。大气纠正可以有效增强图像的对比度，更真实的反映地表反射率数据特征。云雪掩模是由Fmask工具生成，用于Landsat数据上云和雪像元的识别和标识处理。

3)利用Landsat数据生成高空间分辨率的植被覆盖度训练样本：在本发明中选择广泛应用的像元二分模型作为Landsat数据植被覆盖度训练样本计算方法。像元二分模型假设一个像元的光谱反射率R可分解为植被部分贡献光谱反射率R_v和非植被部分贡献光谱反射率R_s两部分，R为R_v和R_s两部分的线性组合，即：

R＝R_v+R_s (1)

假设一个像元中有植被覆盖的面积比例为FVC，即该像元的植被覆盖度，那么非植被覆盖的面积比例为1-FVC。如果该像元全由植被所覆盖，则光谱反射率为R_veg，如果该像元无植被覆盖，则光谱反射率为R_soil。因此，混合像元的植被部分所贡献的信息R_v和非植被成分所贡献的信息R_s分别可以表示为公式(2)和(3)：

R_v＝FVC*R_veg (2)

R_s＝(1-FVC)*R_soil (3)

那么，任一像元的反射率值可以表示为由植被覆盖部分与非植被覆盖部分的线性加权的和：

R＝FVC*R_veg+(1-FVC)*R_soil (4)

由此得到植被覆盖度FVC的计算公式(5)。

FVC＝(R-R_soil)/(R_veg-R_soil) (5)

其中：R_soil与R_veg是像元二分模型的两个参数，只要求得这两个参数，根据公式(5)，就可以利用遥感信息来估算植被覆盖度。可以看出像元二分模型表达了遥感信息与植被覆盖度的线性关系，相对于线性回归模型更易于推广。此外，像元二分模型通过引入参数R_soil和R_veg可以削弱大气、土壤背景与植被类型等的影响。根据像元二分模型原理，可以将1个像元的归一化植被指数(NDVI)值表示为由有植被覆盖部分地表与无植被覆盖部分地表线性组合的形式。因此，利用NDVI计算植被覆盖度的公式可表示为：

FVC＝(NDVI-NDVI_soil)/(NDVI_veg-NDVI_soil) (6)

其中：NDVI_soil为完全是裸土或无植被覆盖区域的NDVI值，NDVI_veg则代表完全由植被所覆盖的像元的NDVI值，即纯植被像元的NDVI值。

关于参数NDVI_soil与NDVI_veg的取值，对于大多数类型裸地表面，NDVI_soil理论上应该接近零；但由于地表湿度、粗糙度、土壤类型、土壤颜色等因素影响，NDVI_soil会随着时间和空间发生变化。NDVI_veg表示全植被覆盖的像元，由于植被类型差异及植被覆盖的季节变化，NDVI_veg也具有很强的时空异质特征。通常情况下，NDVI_soil与NDVI_veg取给定置信度的置信区间内的最小值与最大值，这可以在一定程度上消除遥感图像噪声所带来的误差。

高空间分辨率植被覆盖度遥感估算采用像元二分模型的具体方案为：(1)考虑到不同生态区植被类型具有相似性，首先利用全球生态区划数据将Landsat数据分成不同的生态区域组。全球生态区划数据可以采用Olson等(2001)提出的全球陆地生态区划数据，该数据将全球分成14个生态区域；(2)在每个生态区域组内，利用30m空间分辨率的土地覆盖数据分别统计不同地表类型(包括森林、灌草和农田)的NDVI值分布直方图，根据NDVI值分布的累积比例确定这个气候区域内对应的土壤NDVI_soil值和三种植被类型的NDVI_veg值；(3)在每个生态区划内，对森林、灌草和农田三种不同的植被类型分别采用像元二分模型进行植被覆盖度估算；(4)利用现有观测数据对估算精度进行检验，同时根据检验结果对土壤NDVI_soil和植被NDVI_veg值进行调整，直到达到较好的估算效果。最终得到每个生态区划内不同植被类型的NDVI_soil和NDVI_veg的取值。对获取的Landsat TM/ETM+数据利用像元二分模型进行植被覆盖度的计算，得到高分辨率的植被覆盖度训练样本数据集。

4)MODIS(moderate-resolution imaging spectroradiomete，中分辨率成像光谱仪)地表反射率数据预处理：

这里采用MODIS地表反射率数据作为第二地表反射率数据。为了减小雪和云影响造成的全球植被覆盖度估算方法的不稳定性，有必要对MODIS地表反射率进行质量检测，剔除雪和云影响的像元，并利用插值法对缺失的反射率进行填充，形成时空一致的MODIS地表反射率数据。处理后的MODIS地表反射率数据将作为模型的输入向量，用于反演全球陆表的植被覆盖度。

5)广义回归神经网络(GNNR)的训练：广义回归神经网络是一种径向基函数神经网络，又是一种概率论神经网络。广义回归神经网络可以被划分为四层：输入层、隐层、总和层、输出层，图3为广义回归神经网络结构图。输入层把输入向量X传递给隐层的所有单元；隐层包含所有的训练样本X_i(i＝1,2,…,n)，当给定一个输入向量X，计算X和训练样本之间的距离，并带入概率密度函数；总和层有两个计算和函数的单元A和B；输出层计算A除以B，得到预测结果。

以下为广义回归神经网络的核心表达式：

Y^{'} (X) = \frac{Σ_{i = 0}^{n} Y_{i} \exp (- \frac{D_{i}^{2}}{2 σ^{2}})}{Σ_{i = 0}^{n} \exp (- \frac{D_{i}^{2}}{2 σ^{2}})}

其中D_i ²＝(X–X_i)^T(X-X_i)，X_i和Y_i(i＝1，2，…，n)分别为第i个训练样本的输入和输出，n为训练样本的数量，X为输入向量，Y′(X)为输入向量为X时的输出向量；σ为控制拟合结果平滑程度的参数，其值可以是恒定的或者是变化的，小的值意味着从较近的神经元的输出比其他神经元的要大，结果的近似值也比较准确，大的值说明比较远的向量也有影响，结果会比较平滑但有噪音。概率密度函数为高斯函数的广义回归神经网络可以生成任意光滑度的逼近函数。在本发明的训练样本训练过程中，X表示训练样本中的MODIS地表反射率数据。使用SCE-UA(亚利桑那大学洗牌复合形演化算法)优化算法，求取广义回归神经网络的最优平滑参数σ。在反演过程中，X表示从MODIS光谱反射率数据中读取的反射率数据，σ为在训练过程中求得最优值。

参见图4，利用广义回归神经网络反演植被覆盖度时，网络的输入包括预处理后的红波段(R)和近红外(NIR)波段的MODIS地表反射率数据，即输入向量为X＝(R，NIR)^T；输出为对应的植被覆盖度，即Y＝FVC。

在全球样点位置确定MODIS地表反射率数据的5×5个像元，然后提取每个像元对应的Landsat植被覆盖度训练样本数据内对应像元的平均值作为MODIS像元的植被覆盖度，从而构成MODIS红波段、近红外波段反射率和植被覆盖度的训练样本对。根据云雪掩模数据，去除Landsat数据像元存在云雪的训练样本对，并根据训练样本数据中植被覆盖度与NDVI的关系，去除部分离差较大的训练样本点，以增加训练样本的稳健型，最终MODIS地表反射率数据训练样本对数量为16969。

广义回归神经网络的训练主要是优化平滑参数σ，通过修改隐含层中神经元的转换函数，从而得到最优的FVC回归估计。本发明采用保留方法(Holdout method)构造平滑参数的代价函数：

f (σ) = \frac{1}{n} Σ_{i = 1}^{n} [{\hat{Y}}_{i} (X_{i}) - Y_{i}]

利用SCE-UA全局优化算法求取对应的广义回归神经网络的最优平滑参数。将处理好的MODIS地表反射率数据作为输入数据，利用训练好的广义回归神经网络估算全球陆表植被覆盖度，全球植被覆盖度估算的空间分辨率为1公里，时间分辨率为8天。

关于广义回归神经网络训练精度检验：广义回归神经网络植被覆盖度反演算法的训练采取随机提取90％的样本点作为训练样本，剩余10％的样本点作为训练精度检验样本。MODIS地表反射率数据的训练样本数量为15271，检验样本数量为1698。基于MODIS地表反射率数据的植被覆盖度广义回归神经网络模型反演得到的植被覆盖度与样本植被覆盖度的散点图如图5所示，线性回归的R2＝0.96，平均偏差BIAS＝-0.0006，RMSE＝0.064。从广义回归神经网络训练的结果来看，基于MODIS地表反射率数据的广义回归神经网络反演算法能够获取较为准确的植被覆盖度信息。

对于地面实测数据的验证：利用VALERI站点收集到的经过高分辨率卫星遥感数据聚合得到的植被覆盖度样本数据对基于MODIS地表反射率数据的广义回归神经网络模型反演进行精度验证。验证样本点共有44个(如表1所示)，根据每个验证点的高分辨率卫星遥感数据获取时间提取与其时间最为接近的MODIS地表反射率数据进行植被覆盖度广义回归神经网络反演，将反演的植被覆盖度值与站点测量的植被覆盖度值进行对比，散点图如图6所示。从反演的结果可以看出，广义回归神经网络反演植被覆盖度与地面验证值的R²＝0.81，RMSE＝0.157，效果较好。比目前最新的植被覆盖度产品(GEOV1)的精度有所提高(R²＝0.77，RMSE＝0.166)，而且GEOV1产品在时间和空间上有数据缺失，导致只有39个验证点可用。

表1 验证样本点表

上文中，所述地表指全球陆表森林、灌木、农田、草地和湿地。总体上，该优选的全球植被覆盖度估算方法的流程图如图7所示。

综上所述，与现有技术中的方法相比，本发明可以取得的有益效果包括：

本发明通过高分辨率植被覆盖度训练样本数据集的生成，训练广义回归神经网络模型，得到基于MODIS地表反射率数据的全球植被覆盖度估算方法，充分利用了地面实测资料、高空间分辨率遥感观测数据和人工智能学习算法，比目前经验回归模型法、物理模型法等全球植被覆盖度算法具有更强的稳定性。

本发明专利基于广义回归神经网络模型的全球植被覆盖度估算方法具有稳定性好、简单、灵活、易于操作等优点，因此，该方法适用面更加宽广，有广阔的应用前景。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种全球植被覆盖度估算方法，其特征在于，该方法包括：

2.根据权利要求1所述的方法，其特征在于，所述获取卫星遥感数据中较高空间分辨率的第一地表反射率数据包括：

3.根据权利要求1所述的方法，其特征在于，所述获取卫星遥感数据中较低空间分辨率的第二地表反射率数据包括：

4.根据权利要求1所述的方法，其特征在于，所述步骤：根据所述第一地表反射率数据以像元二分模型计算所述若干个全球陆表空间采样点处的植被覆盖度包括：

根据下式计算所述植被覆盖度FVC：

FVC＝(NDVI-NDVI_soil)/(NDVI_veg-NDVI_soil)

5.根据权利要求4所述的方法，其特征在于，所述步骤：根据所述第一地表反射率数据以像元二分模型计算所述若干个全球陆表空间采样点处的植被覆盖度包括：

6.根据权利要求5所述的方法，其特征在于，所述步骤：根据所述NDVI值分布直方图中的累积比例确定对生态区域组内对应的NDVI_soil及各类型植被的NDVI_veg包括：

7.根据权利要求1所述的方法，其特征在于，所述广义回归神经网络模型包括：

Y^{'} (X) = \frac{Σ_{i = 0}^{n} Y_{i} \exp (- \frac{D_{i}^{2}}{2 σ^{2}})}{Σ_{i = 0}^{n} \exp (- \frac{D_{i}^{2}}{2 σ^{2}})}

其中D_i ²＝(X–X_i)^T(X-X_i)，X_i和Y_i分别为第i个训练样本的输入和输出，n为训练样本的数量，X为输入向量，Y′(X)为输入向量为X时的输出向量，σ为控制拟合结果平滑程度的参数。

8.根据权利要求7所述的方法，其特征在于，利用下式构造所述σ的代价函数：

f (σ) = \frac{1}{n} Σ_{i = 1}^{n} [{\hat{Y}}_{i} (X_{i}) - Y_{i}],

其中为训练样本输入为X_i时Y_i的估计值。

9.根据权利要求8所述的方法，其特征在于，使用亚利桑那大学洗牌复合形演化算法SCE-UA求取广义回归神经网络的最优的所述σ。

10.根据权利要求1至9中任意一项所述的方法，其特征在于，所述第一地表反射率数据通过陆地卫星Landsat获取；所述第二地表反射率数据通过卫星传感器MODIS、AVHRR或VEGETATION获取。