康?？h荒漠化地區(qū)植被覆蓋度遙感反演研究.pdf

1、土地荒漠化不僅是全球性的重大環(huán)境問題，也是我國面臨的最為嚴重的生態(tài)問題。遙感技術以其信息量大、獲取速度快及覆蓋范圍廣等特點，已逐漸成為土地荒漠化監(jiān)測與評價的主要手段，而準確了解土地荒漠化地區(qū)植被分布狀況是監(jiān)測和評價區(qū)域荒漠化程度的基礎工作，植被覆蓋度作為反映地表信息的重要參數，是土地荒漠化監(jiān)測和評價最為直接有效的指標。
　　本文以河北省康?？h為研究區(qū)，以實地拍攝的樣方數碼相片及2014年Landsat-8遙感影像數據為數據源，結合

2、研究區(qū)2014年野外樣地調查數據，針對植被稀疏的土地荒漠化地區(qū)（康?？h）進行植被覆蓋度定量反演，探討了由小尺度基于數碼影像的樣方植被度蓋度反演到大尺度基于遙感影像的植被指數法、多元逐步回歸分析模型法、線性混合像元分解模型法及k個最靠近鄰居或樣地(kNN)算法的植被覆蓋度反演，全面系統(tǒng)的研究了各種植被覆蓋度反演方法，并對結果進行了綜合比較分析。主要研究結論如下:
　　(1)基于數碼影像的樣方植被覆蓋度反演
　　針對植被稀疏，地

3、物復雜的土地荒漠化地區(qū)（康?？h），利用數碼影像通過計算機自動分類和人工目視解譯相結合估算出的各樣地植被覆蓋度，其估算值與實測植被覆蓋度值之間有較強的線性關系，決定系數R2為0.7884，較好的反映了研究區(qū)樣地植被覆蓋信息，可作為土地荒漠化地區(qū)植被覆蓋信息提取快速、低成本且實用可行的方法。
　　(2)基于多元逐步回歸分析法的植被覆蓋度反演
　　利用研究所選取的植被指數與植被覆蓋度單獨進行線性回歸擬合，歸一化植被指數(NDVI)

4、和土壤調節(jié)植被指數(SAVI)表現(xiàn)最佳（R2為0.604）;土壤調節(jié)因子L對植被稀疏，土壤類型有限的土地荒漠化地區(qū)（康?？h）沒有表現(xiàn)出明顯的調節(jié)作用，對研究區(qū)中等覆蓋的樣地調節(jié)作用微弱;利用多元逐步回歸分析法篩選出的三種最佳植被指數（SAVI0.5、比值植被指數-SRN-R、增強型植被指數-EVI）建模，模型決定系數R2為0.7193，均方根誤差為0.2416，模型精度為86.69％。
　　(3)基于線性混合像元分解模型的植被覆蓋

5、度反演
　　在植被稀疏，混合像元尤為突出的土地荒漠化地區(qū)（康?？h），基于幾何頂點的端元選取方法要優(yōu)于基于純凈像元指數(PPI)的端元選取方法;線性混合像元分解模型法植被覆蓋度反演精度雖不及多元逐步回歸分析法，但此方法可以不依賴外業(yè)調查數據，推廣性強，可作為監(jiān)測土地荒漠化地區(qū)植被覆蓋實用可行的方法。
　　(4)基于kNN算法的植被覆蓋度反演
　　利用通過多元逐步回歸分析法篩選出的最佳指數因子對研究區(qū)進行kNN植被覆蓋度反

6、演，隨著k值的增大，均方根誤差和平均誤差逐漸減少，總體估測精度逐漸增高，一定程度上減弱了土地荒漠化地區(qū)“異物同譜”現(xiàn)象對分類結果的干擾，當k值取10時，預估測精度最高為73.67％，結果表明利用kNN方法通過少量地面調查數據就能反映出土地荒漠化地區(qū)植被覆蓋情況。
　　(5)綜合評價分析
　　無論將線性混合像元分解結果植被分量導入到多元逐步回歸模型中還是將其參與到植被指數中進行kNN算法植被覆蓋度反演，都能一定程度上提高反演精