利用ENVI计算植被覆盖度

不吃青菜的倒霉兔子

已于 2023-11-13 17:36:38 修改

阅读量9.2k

点赞数 39

分类专栏： RS 文章标签：学习

于 2023-11-13 17:07:14 首次发布

本文链接：https://blog.csdn.net/Einzebrn/article/details/134314639

版权

RS 专栏收录该内容

15 篇文章

订阅专栏

一、植被覆盖度介绍

植被覆盖度（FVC或者VFC），是指植被(包括叶、茎、枝)在单位面积内植被的垂直投影面积所占百分比,它是植被群落覆盖地表状况的一个综合量化指标，是描述植被群落及生态系统的重要参数，植被覆盖及变化是区域生态系统环境变化的重要指示，对水文、生态、全球变化都具有重要意义，也是影响土壤侵蚀与水土流失的重要因子。（后续有个小补充）

二、实现方法及工作原理

植被覆盖度的测量方法主要分为：地面测量法、遥感估算法、*机器学习法。

其中地面测量法主要有目测估计法和人工采样法，人工采样法主要通过在实地进行植物测量和采样，主要分为样点测量法和样线测量法，该方法相对精度较高，适合田间尺度的测量以及小面积和复杂地形的测量，但由于成本较高以及人力限制，现已逐渐被遥感大范围估算法所替代。

遥感估测法，主要有经验模型法、光谱植被指数法和像元分解模型法；

经验模型主要是通过对地面的实际测量数据进行分析，利用数理统计的方法得到植被覆盖度的时空分布规律，并对其进行分析，得到相关经验模型的测量方法。该方法只适用于某一特定的区域与植被类型，不易推广。

植被指数法是根据植物的光谱特征，直接选取与植被覆盖度有良好相关性的植被指数，并通过植被指数与植被覆盖度的关系，估算植被覆盖度。常用的光学植被指数有NDVI、DVI等，通过计算不同波段之间的差异性，反应了不同程度的植被覆盖情况。(NDVI取值在-1~1之间，一般越接近1可以认为覆盖度越高；DVI是通过计算不同波段之间差值计算得到的，一般有绿边差值指数GDVI和红边差值指数RDVI,同样的，数值越高代表覆盖度越高)

像元分解模型具有计算模型简单可靠，数据参数通用易得、反演精度较高的优点：

通常，像元分为两种，纯净像元和混合像元。纯净像元是只含一种地物类型的像元，混合像元则是几种地物类型混合组成的像元。像元二分模型是一种简单实用的植被估算模型，假设一个像元的真实地表由有植被覆盖部分与无植被覆盖部分组成，那么遥感技术中传感器观测到的光谱信息就由这２个组分因子线性加权合成，各因子的权重是各自的面积在像元中所占的比率。

像元二分模型原理如下：

S=Sv+Ss (1)

其中，S代表通过遥感传感器所观测到的信息，Sv指代绿色植被部分的信息，Ss指代无植被覆盖部分的信息，即裸土部分的信息。

植被覆盖度（VFC）指植被冠层的垂直投影面积与土壤总面积之比。设一个像元的植被覆盖度为fc，则裸止覆盖的面积比例为1-fc 。 $S\nu$ 表示全植被覆盖的纯净像元信息，则与 $S\nu$ 的乘积表示混合像元的植被信息SV:

SV=fc* $S\nu$ (2)

同样的，若裸土覆盖的纯净像元的信息由 $Ss$ 表示，则混合像元的土壤信息 $Ss$ 可表示为1-fc与 $Ss$ 的乘积：

Ss=（1-fc）* $Ss$ (3)

将公式（2）与（3）代入公式（1）得：

$S=fc*S\nu +\left ( 1-fc \right )Ss$ （4）

公式（4）化简可得植被覆盖度的公式为：

$fc=\frac{\left ( S-Ss \right )}{\left ( S\nu-Ss \right )}$ (5)

由（5）式可知，要想估算某一区域的植被覆盖度只要知道 $Ss$ 与 $S\nu$ 两个参数即可。该模型表达了遥感信息与植被覆盖度的关系，其优点是最大限度地降低了大气、土壤背景与植被类型等对遥感信息的影响，只保留了植被覆盖度的信息。其中参数 $Ss$ 与 $S\nu$ 所表示的是土壤与植被的纯像元所反映的遥感信息。

参考文献

滕玲. 基于时序Landsat解析合肥市植被覆盖度动态变化研究[D].安徽大学,2016.

基于机器学习的方法：

通过利用机器学习的方法对植被区和非植被区进行分类，然后利用统计分析的方法，计算二者的比值和整个区域的植被覆盖度。