高分一号与Landsat TM数据估算稀疏植被信息对比

孙斌，李增元，郭中，高志海，王琫瑜

(1.中国林业科学研究院资源信息研究所，北京 100091；2.内蒙古自治区林业科学研究院，呼和浩特 010010)

高分一号与Landsat TM数据估算稀疏植被信息对比

孙斌1，李增元1，郭中2，高志海1，王琫瑜1

(1.中国林业科学研究院资源信息研究所，北京 100091；2.内蒙古自治区林业科学研究院，呼和浩特 010010)

为了分析高分一号卫星数据在稀疏植被信息提取方面的能力，该文选取浑善达克沙地及其周边为研究区，以GF-1和Landsat TM为数据源，结合地面同步实测数据，比较了两个传感器在荒漠化地区植被覆盖度和地上生物量估算方面的能力与差异。结果表明：在该区域，两种数据基于NDVI建立的对数模型可用于植被覆盖度的估测(GF-1：R2=0.7966，RMSEP=0.0908；Landsat 8：R2=0.8080，RMSEP=0.0871)，GF-1基于SAVI和Landsat 8基于NDVI建立的乘幂模型进行地上生物量的估测效果最好(R2=0.4866，0.3715；RMSEP=143.46，130.71)。其次，在该区域，经过修正的土壤调节植被指数MSAVI相对于没有经过修正的土壤调节植被指数SAVI，与植被覆盖度和植被生物量的相关性并没有多大提高。第三，两种数据通过引入蓝色、绿色波段的多元回归模型估算植被覆盖度相比单一植被指数植被要好，尤其是对于Landsat影像改进效果更为明显，R2提高了0.3。总之，GF-1的16m数据具有相对较高的质量，可以代替Landsat 8多光谱数据，而且其具有更高的分辨率、重访周期和覆盖范围。

高分一号；Landsat 8；植被指数；植被覆盖度；地上生物量；回归模型

0 引 言

荒漠化是指包括气候变化和人类活动在内的种种因素造成的干早、半干早和干早亚湿润地区的土地退化[1]。在荒漠化地区，植被覆盖度和植被生物量是衡量地表植被状况的两个重要指标，同时也是影响土壤侵蚀与水土流失的主要因子[2-3]。因此，准确地评估荒漠化地区的植被覆盖度和植被生物量状况，对于掌握荒漠化发展态势具有重要意义[4-5]。

目前，植被覆盖度的估测主要包括地面测量和遥感估算两种方法。其中地面测量主要包括目估法、采样法和仪器测量法等。如任杰等人[6]、赵继强等人[7]对从数码照片中提取植被覆盖度的方法进行了探索。总体而言，这些方法都具有简单易操作的特点，缺点是主观随意性较大，工作效率较低，不适合大范围的植被覆盖度估测[8-9]。随着科学技术的发展，遥感成为估算植被覆盖度的主要技术手段，它具有适应尺度大和工作效率高的特点，其主要方法有植被指数法、混合像元分解法和神经网络的方法[10]。如Mohamma等[11]基于SPOT影像的NDVI植被指数计算了叙利亚地区植被覆盖度并分级；李晓松等[12]基于星载高光谱Hyperion数据，系统比较了NDVI与偏最小二乘回归(PLS)估测荒漠化地区植被覆盖度的能力；张瑾[13]使用长时间序列的MODIS NDVI数据，基于改进的混合像元二分模型的方法，对我国2000年～2010年植被覆盖度进行了反演；陈涛等[14]使用BJ-1影像数据，采用BP神经网络法对密云水库流域内的植被覆盖进行了反演。

在荒漠化地区植被地上生物量估测中，传统的野外调查实测方法获得的数据精度很高，但是对于大范围的研究区难以做到均匀的实地调查，而且通过有限的样点推算整个区域生物量会产生较大误差[15]。遥感技术的应用在很大程度上弥补了地面调查取样的不足，通过植被指数与地上生物量建立相应的函数关系，进而推算整个研究区生物量的方法取得了一定的研究成果。如除多等人[16]基于该方法，对青藏高原中部草地地上生物量遥感估算方法进行了探索；高添等人[17]基于MODIS NDVI数据和样地调查数据，对内蒙古西部草原地上生物量进行了估算；孙晓芳等人[18]基于野外调查数据和同期的遥感影像数据，发展了一种草地地上生物量的高精度曲面建模的方法。

通过对比可以发现，在这些方法中，以植被指数法估算植被覆盖度和地上生物量的方法最为简洁易行且具有较高的精度。植被指数(Vegetation index，VI)是指对多光谱遥感数据的波段进行线性组合或非线性组合，得到的对植被长势、覆盖状况、生物量、叶面积指数等有一定指示意义的数值[19]。在卫星影像中，红光和红外波段等包含了90%以上的植被信息[20]，因此可以利用这些波段的不同组合形式提取不同的植被指数，进行大范围植被覆盖度和生物量估测。近年来，国内外学者做了大量的研究工作[21-25]，今已发展了40余种植被指数，虽然大多数植被指数都可应用于植被参量遥感估测，但不同环境下的效果存在争论，至今尚未明确各种植被指数间的相互关系及其适用范围[26-29]。

2013 年2月11日在美国加州成功发射的Landsat 8卫星，填补了Landsat系列卫星近1年4个月无数据的空白[30]。而作为中国高分辨率对地观测系统的首发星，“高分一号”(GF-1)卫星于2013年4月26日发射成功，卫星搭载了2台8m分辨率和4台16m分辨率多光谱相机[31]。作为目前比较新的两颗卫星，GF-1和Landsat 8各有优势，GF-1拥有比Landsat 8更高的分辨率，而Landsat 8拥有更多的波段设置。GF-1的幅宽为60km(8m多光谱)和800km(16m多光谱)，Landsat 8的幅宽为185km。在重访周期上，Landsat 8为16天，而GF-1仅为4天，这在一定程度上提高了同一地区的长时间序列数据的获取能力。两个卫星影像的相同波段的波长参数列表如表1所示。

表1 GF-1和Landsat 8相同波段性能参数列表

从表1可以发现，在相同波段的设置中，两颗卫星的不同主要集中在近红外波段波长的设置，为了去除在0.825μm处的水汽吸收的影响[32]，Landsat 8收窄了它的近红外波段的范围。其次，在全色波段的设置中，Landsat 8卫星中的全色波段分辨率为15m，而且不包含近红外波段，而GF-1的全色波段为2m分辨率，包含了近红外波段。

目前两颗卫星均正常运行，由于两者都是系列卫星，因此在将来都是长时间序列数据集构建的重要数据源，这对于基于遥感手段进行植被变化和生态环境变化动态监测意义重大。目前对于Landsat系列卫星相关研究较多，而应用GF-1数据的相关研究还很少。本研究以GF-1号卫星的16m分辨率影像和Landsat 8的OLI影像为主要数据源，通过提取不同植被指数与获取同期地面实测数据，建立不同植被参量的反演统计模型，旨在分析两种新的遥感数据在半干旱荒漠化地区植被参量反演能力，从而为两种遥感数据的使用提供参考。

1 数据和研究方法

1.1 研究区概况

研究获取的遥感影像覆盖了浑善达克沙地及其周边，影像列表如表2所示。浑善达克沙地地处内蒙古自治区中部的内蒙古高原上，是我国四大沙地之一，也是华北区域近年来频繁发生沙尘暴的主要沙尘源地之一[33]。其地理位置介于42°06′N～43°45′N和112°41′E～117°30′E之间，面积约5.2万平方公里，平均海拔1300m。浑善达克沙地属温带大陆性气候，年平均气温为1.5℃，年均降水为365.1mm，主要降水集中在7月～9月，占全年降水的80%～90%。浑善达克沙地内多为固定或半固定沙丘，周边为多为戈壁、稀疏草地等覆盖，土壤多为栗钙土和沙土。主要的植被类型包括羊草(Leymuschinensis(Trin.) Tzvelev.)、冰草(Agropyroncristatum(L.) Gaertn.)、冷蒿(ArtemisiafrigidaWilld.)、黑沙蒿(ArtemisiaordosicaKrasch.)、沙蓬(Agriophyllumsquarrosum(L.) Moq)、虫实(CorispermumhyssopifoliumL.)、沙鞭(Psammochloavillosa(Trin.) Bor)、芦苇(Phragmitesaustralis(Cav.) Trin.ex Steud.)、苔草(CarexcallitrichosV.Krecz)、糙隐子草(Cleistogenessquarrosa(Trin.) Keng)、芨芨草(Achnatherumsplendens(Trin.) Nevski)、小叶锦鸡儿(CaraganamicrophyllaLam.)等。

1.2 遥感数据的预处理

对GF-1数据的预处理主要包括大气校正和几何校正两个部分，根据GF-1提供的波段、半波长信息和中国卫星应用中心提供的GF-1 WFV相机的辐射定标系数和GF-1载荷光谱响应函数，利用ENVI的Flaash模块进行大气校正，以消除大气、光照等因素对地物反射的影响。使用ERDAS Imagine软件提供的Geometric Correction模块，以Landsat TM影像为参考，结合已经过几何精校正的高分辨率影像，选取38个均匀分布在整景影像的控制点，基于二次多项式模型对影像做了几何纠正，误差控制在一个像元之内。同样，基于ENVI的Flaash模块对Landsat 8影像也进行了大气校正，之后对两种数据都进行了影像拼接。

表2 获取的遥感影像信息表

1.3 样地数据

课题组于2013年8月21日～30日对研究区进行样地植被覆盖度和植被地上生物量的野外调查，获取了与影像同期的实测数据。在研究区内共布设样地点54个，并用GPS(Trimble GeoExplorer 3000 Series)定位，记录下样地的经纬度。图1为研究区地理位置、获取影像及野外调查样地点分布图。

采用“针刺法”对植被覆盖度进行测量，具体方法为：沿着两条互相垂直的样线，以1m为单位依次判断落针处有无植被覆盖，有植被覆盖记为1(同时记录植被种名)，无覆盖记为0，最后统计并计算植被的覆盖度。

采用“收割法”对植被生物量进行地面测量，具体方法为：在样地的对角线方向布设2个1m×1m的小样方，取其平均值作为小样方的生物量鲜重，进而推算整个大样地的生物量鲜重。将小样方地上部分的植被贴地全部剪起，称量鲜重，然后带回室内用烘箱烘干至恒量，然后称量，计算植被样品的含水率，进而推算生物量干重(单位：g/m2)。

在野外调查中，同时记录的样地信息还有主要草种、优势种高度、土壤类型和样地类型等信息，以便为后面的结果分析提供参考。

图1 研究区地理位置及野外调查样地点分布

1.4 植被指数选取

根据影像位置特点，研究选取的植被指数主要是考虑了土壤背景对植被信息提取的影响。选取的植被指数主要包括：归一化植被指数(Normalized Difference Vegetation Index，NDVI)[34]、土壤调整植被指数(Soil Adjusted Vegetation Index，SAVI)[35]和修正的土壤调节植被指数(Modified Soil Adjusted Vegetation Index，MSAVI)[36]。

(1)

(2)

(3)

其中，RNIR为近红外波段的反射率，Rred为红光波段的反射率，Rblue为蓝光波段的反射率，L1为降低土壤背景的影响而设置的一个土壤调节参数，它随着植被密度变化而变化，Huete认为在稀疏植被覆盖地区消除土壤背景影响的恰当调节参数为L1=0.5[26，28]。

1.5 多元回归分析

本研究所选取的3种植被指数都是通过红波段与近红波段的组合计算出来的，而GF-1传感器中有4个波段，Landsat 8中的OLI传感器更是拥有9个波段，为了探索这些未参与计算的波段与提取的植被指数结合能否提高遥感反演的精度，本研究尝试将蓝色波段、绿色波段的波段反射率结合相应的植被指数构建多元回归模型来探索能否提高植被覆盖度和地上生物量的估测精度。

1.6 回归模型建立与检验

以GPS记录的样地位置为中心，提取2×2个窗口像元的植被指数的平均值作为影像对应位置的植被指数值，这样可以最大程度上保证实测植被参量数据和遥感影像光谱数据在几何位置上的匹配。以影像计算的各个植被指数的数值为自变量，实测的植被覆盖度和地上生物量作为因变量建立4种回归模型：线性模型、指数模型、乘幂模型和对数模型。

回归模型之间用决定系数R2和均方根误差(RMSE)来进行植被覆盖度和地上生物量估测精度的评价。R2越高、RMSE越小表明估测的效果越好。R2和RMSE的计算公式如下：

(4)

(5)

结合影像进行分析，去除位于云下的2个样地和不在GF-1和Landsat 8公共区域影像的1个样地，有效的样地数据51个，其中，41个用于建模(n=41)，10个用于验证(n=10)。

2 结果分析

2.1 植被指数与植被地表参量的拟合比较

根据GF-1影像和Landsat 8影像提取的植被指数与实测样地数据建立不同的回归模型，R2、建模校正误差均方根(RMSEC)和预测误差均方根(RMSEP)结果如表3、表4所示。植被指数与植被覆盖度和地上生物量相关性最优模型拟合效果如图2、图3所示。从统计结果可以看出，总体而言，基于植被指数法的植被覆盖度估测效果明显好于地上生物量的估测效果。在植被覆盖度的估测中，R2都在0.5～0.8之间，而地上生物量的估测中，R2在0.1～0.5之间，明显低很多。

在植被覆盖度的估测中，对于GF-1影像，3种植被指数估测效果依次为NDVI>SAVI>SAVI，4种不同模型的估算效果为估测效果依次为对数>乘幂>线性>指数。虽然通过SAVI和MSAVI所建立的对数模型虽然有较高的R2，但是RMSEP均较大。因此总体结果以基于NDVI的对数模型表现最好(R2=0.7966，RMSEP=0.0841)。经过统计，基于NDVI构建的对数模型RMSEP约为验证实测数据平均值的14%，从图2可以看出误差主要集中在对于覆盖度0.8以上的点估测过高。而SAVI构建的对数模型的RMSEP占验证实测数据平均值的18%，误差主要集中在对覆盖度0.8左右的两个样地的高估和低估。MSAVI构建的对数模型的RMSEP占验证实测数据平均值的22%，误差主要集中在对覆盖度0.3以下的两个样地和0.8以上一个样地的估测过高。对于Landsat 8数据，表现最好的植被指数为NDVI，其次是SAVI和MSAVI。4种不同模型的估算效果为估测效果依次为对数>线性>乘幂>指数，总体结果以基于NDVI的对数模型表现最好(R2=0.8080，RMSEP=0.0871)。综合分析，两种数据均以NDVI构建的对数模型表现最佳，而且NDVI指数提取植被信息范围更广，在值0.8以上才达到饱和，而SAVI和MSAVI提取植被信息范围较窄，在0.4左右就达到了饱和。相比GF-1数据，Landsat 8数据的SAVI和MSAVI构建的模型R2均低很多，RMSEP也较大。

表3 不同植被指数估算植被覆盖度表现

表4 不同植被指数估算植被地上生物量表现

图2 不同植被指数估测植被覆盖度最佳模型及验证结果

图3 不同植被指数估测植被地上生物量最优模型

在地上生物量的估测中，对于GF-1数据，3种植被指数的估测效果依次为SAVI>MSAVI>NDVI，4种不同估算模型的估测效果依次为乘幂>指数>对数>线性，总体结果以基于SAVI的乘幂模型表现最好(R2=0.4866，RMSEP=143.46)。对于Landsat 8数据，表现最好的植被指数为NDVI，其次是SAVI和MSAVI。4种不同的模型的估算效果为估测效果依次为乘幂>对数>指数>线性，总体结果以基于SAVI的乘幂模型表现最好(R2=0.3715，RMSEP=124.90)。综合分析，两种数据均以植被指数建立的乘幂模型表现最好，其中GF-1数据构建的模型效果好于Landsat 8。

在本研究区，经过修正的土壤调节植被指数MSAVI相对于没有经过修正的土壤调节植被指数SAVI，表现效果更好，这一结果与李晓松等人[37]在甘肃民勤-荒漠化过渡带典型区的研究结果是一致的。就两种数据相对而言，GF-1数据提取的植被指数，与地面实测的覆盖度以及生物量的相关性(除了NDVI估测植被覆盖度相关性稍低于)均较高于Landsat 8影像。这在很大程度上是由于GF-1具有相对较高的分辨率，对于荒漠化地区的稀疏植被具有更准确的反映。因此，在本研究区植被覆盖度和地上生物量的估测中，GF-1数据可以代替Landsat 8数据。但是，对于两种数据而言，相对于植被覆盖度反演的较高精度，植被地上生物量的反演精度较低，因此在本研究区不能使用该方法进行植被地上生物量的估算。

2.2 多元回归估测植被参量比较

根据前文的分析，基于3种植被指数的线性模型在植被覆盖度的估测中表现出了不同的估算效果。在此基础上，本节尝试将未参与指数计算的蓝色波段反射率、绿色波段反射率引入，与3种植被指数建立多元回归模型估算植被覆盖度和地上生物量，探索对于这两个植被参量的估算精度是否有提高(表5、表6)。

表5 多元回归模型估测植被覆盖度表现

表6 多元回归模型估测植被地上生物量表现

研究发现，3种植被指数引入蓝色波段反射率和绿色反射率后构建的模型R2都较为接近，但相对于前文单独的植被指数构建的模型，R2均有不同程度的提高。其中以MSAVI最为明显，对于GF-1而言，基于MSAVI的拟合模型R2提高了0.1，达到了0.758，SAVI与NDVI也略有提高，表征结果预测的RMSEP也有所减小。对于Landsat 8数据而言，提高更为明显，基于MSAVI、SAVI和NDVI的拟合模型R2由0.4794、0.5499和0.7439都提高到了0.83以上，RMSEP的值也有所减小。总体而言，两种影像数据通过引入蓝色、绿色波段的多元回归模型对于植被覆盖度的估测能力显著提高，尤其是对于Landsat 8影像效果更为明显。

对于植被地上生物量的多元回归估算，相对一元线性回归模型，各模型的R2和RMSEP均略有提高，但是不够明显，仍然无法满足高精度估算要求。

2.3 两种数据在两种估算方法中的表现

在植被覆盖度的一元回归和多元回归的估测中，两种数据均表现出了较好的估测效果。其中，在一元回归的估测中，GF-1的估测效果明显好于Landsat 8，尤其是SAVI和MSAVI两个植被指数的估测效果相对Landsat 8表现更好(SAVI：R2=0.7371、0.5499；MSAVI：R2=0.6596、0.4794)。而在多元回归的估测中，引入蓝色、绿色波段的反射率之后，Landsat 8的估测能力优于GF-1。Landsat 8的拟合模型R2在0.84左右，而GF-1的在0.73～0.80之间。相对一元线性回归的拟合效果，Landsat 8的R2提高了0.3左右。综上所示，在植被覆盖度的一元回归估测中，GF-1表现较好，而在多元回归的估测中Landsat 8表现更好。

3 结束语

从研究结果可以看出，在半干旱的荒漠化地区，GF-1和Landsat 8卫星提取的植被指数与植被覆盖度均具有很高的相关性，对于两种数据，均以NDVI建立的对数模型表现最好(GF-1：R2=0.7966，RMSEP=0.0908；Landsat 8：R2=0.8080，RMSEP=0.0871)，而且，NDVI比SAVI和MSAVI拥有更广的植被信息覆盖范围。在地上生物量的估测，GF-1表现最好的为基于SAVI的乘幂模型(R2=0.4866，RMSEP=143.46)Landsat 8表现最好的为基于NDVI构建的乘幂模型(R2=0.3715，RMSEP=130.71)，相对于植被覆盖度反演的较高精度，植被地上生物量的反演精度较低，因此不能使用该方法进行植被地上生物量的估算。这些反演结果表明非线性模型与线性模型比，更加适合植被参量模型的构建。这一研究结果与渠翠平等人[38]、杨连英等人[39]的研究结果是一致的。与此同时，在本研究区，经过修正的土壤调节植被指数MSAVI相对于没有经过修正的土壤调节植被指数SAVI，在植被覆盖度和植被生物量的估算中并没有多大的提高。分析原因可能是由于2013年研究区生长季降雨量相对其他年份要高很多，在一定程度上植被长势使得植被覆盖度浓密，从而使得消除土壤因素的植被指数限制了结果的准确性。这一问题，在下一步的工作中还要结合气象因素进行讨论分析。

在一元回归模型的估测中，总体上3种植被指数建立的4种回归模型中，GF-1表现明显优于Landsat 8。一方面，这与GF-1相对较高的分辨率有关，另一方面与GF-1传感器本身性能有关。在多元回归分析估测植被覆盖度的分析中，GF-1和Landsat 8通过引入蓝色波段、绿色波段的反射率所构建的多元回归模型对于植被覆盖度的估测能力有显著提高，尤其是对于Landsat 8影像效果更为明显。分析原因，可能与Landsat 8近红波段波长有关，它的波长在0.85μm～0.88μm之间，相比于GF-1影像，窄了一半还多。这在一定程度上可能影响了一元线性回归模型的估测效果。因此，在引入其他几个波段之后使得3种植被指数在估测植被覆盖度的能力较单独使用植被指数进行估测能力上有显著提高。具体的原因，还需要进一步结合相应的其他波段设置相同或相近的遥感影像进行进一步的研究与分析。

研究发现，GF-1与Landsat 8在使用植被指数法估测植被覆盖度时表现良好，主要原因还是取决于他们具有较高的空间分辨率，其次是在荒漠化地区植被以稀疏草地为主，植被指数没有达到饱和的问题。因此，我们也应该看到该方法相应的局限性，该方法建立的回归模型受区域性的限制，而区域的经验模型应用于大尺度的推算，可能会带来较大的误差[40]。在以稀疏草地为主要植被类型的荒漠化地区，可以通过植被指数法建立非线性模型进行植被覆盖度的估算，而对于地上生物量的估算，使用该方法可能会造成较大误差，尤其是在植被覆盖度高的区域，NDVI会达到饱和，影响植被生长高峰季和高植被覆盖度区域的估测。因此，在下一步研究中，需要结合不同的生长期进行分析，可能效果会更好。而相关研究发现，非参数的方法如神经网络法可能是较好的选择[40]。这些都是未来研究提高荒漠化地区地上生物量估测的方向。

总体来说，反演结果表明，在该研究区GF-1 16m数据可以代替Landsat 8数据用于植被覆盖度和地上生物量的估测，而且，其空间分辨率更高，重访周期更短，覆盖面积也更大。这为GF-1及以后其他的GF系列卫星和国产卫星提供了广阔的应用前景。同时，GF-1和Landsat 8通过引入蓝色或绿色波段的多元回归模型对于植被覆盖度的估测能力显著提高。这些研究都将会对荒漠化地区的植被参量提取工作提供参考作用。

[1] UNEP.United Nations convention to combat desertification in those countries experiencing serious drought and/or desertification，particularly in Africa[S].Geneva：United Nation Environment Programme for the Convention to Combat Desertification (CCD)，Interim Secretariat for the CCD，1994：71.

[2] 徐爽，沈润平，杨晓月.利用不同植被指数估算植被覆盖度的比较研究[J].国土资源遥感，2012(4)：95-100.

[3] 张峰，周广胜，王玉辉.基于CASA模型的内蒙古典型草原植被净初级生产力动态模拟[J].植物生态学报，2008，32(4)：786-797.

[4] JIN Y X，XU B，YANG X C，et al.Remote sensing dynamic estimation of grass production in Xilinguole，Inner Monglia[J].Scientia Sinica Vitae，2011，41：1185-1195.

[5] 高志海，李增元，魏怀东，等.干旱地区植被指数(VI)的适宜性研究[J].中国沙漠，2006，26(2)：243-248.

[6] 任杰，柏延臣，王锦地.从数码照片中快速提取植被覆盖度的方法研究[J].遥感技术与应用，2010，25(5)：719-724.

[7] 赵继强，谢东辉，孟夏，等.规则林地覆盖度照相测量法的精度分析[J].农业工程学报，2013，29(19)：152-158.

[8] 凌成星，张怀清，鞠洪波，等.基于Worldview-2数据的东洞庭湖湿地区域植被覆盖度估算研究[J].科学技术与工程，2012，12(29)：7515-7520.

[9] 王红岩，高志海，王琫瑜，等.基于SPOT5遥感影像丰宁县植被地上生物量估测研究[J].遥感技术与应用，2010，25(5)：639-646.

[10] 陈巧，陈永富，鞠洪波.基于3S技术的天保区植被变化监测方法研究[J].林业科学研究，2013，26(6)：736-742.

[11] MONTANDON L M，SMALL E E.The impact of soil reflectance on the quantification of the green vegetation fraction from NDVI[J].Remote Sensing of Environment，2008，112：1835-1845.

[12] 李晓松，李增元，高志海，等.基于NDVI与偏最小二乘回归的荒漠化地区植被覆盖度高光谱遥感估测[J].中国沙漠，2011，(1)：162-167.

[13] 张瑾.全国时空连续植被覆盖度遥感监测[D].北京：中国科学院研究生院，2013.

[14] 陈涛，牛瑞卿，李平湘，等.基于人工神经网络的植被覆盖遥感反演方法研究[J].遥感技术与应用，2010，25(1)：24-30.

[15] FANG J Y，YANG Y H，MA W H，et al.Ecosystem carbon stocks and their changes in China's grasslands[J].Science China Life Science，2010，53：757-765.

[16] 除多，普布次仁，德吉央宗，等.西藏高原中部草地地上生物量遥感估算方法[J].山地学报，2013，31(6)：664-671.

[17] 高添，徐斌，杨秀春，等.内蒙古西部草原地上生物量的遥感估算[J].中国沙漠，2013，33(2)：597-603.

[18] 孙晓芳，岳天祥，王情.草地地上生物量高精度曲面建模[J].遥感学报，2013，17(5)：1060-1076.

[19] 赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003.

[20] 天庆久，闵祥军.植被指数研究进展[J].地球科学进展，1998，13(4)：327-333.

[21] 李晓松，高志海，李增元，等.基于高光谱混合像元分解的干旱地区稀疏植被覆盖度估测[J].应用生态学报，2010，(1)：152-158.

[22] 朴世龙，方精云，贺金生，等.中国草地植被生物量及其空间分布格局[J].植物生态学报，2004，28(4)：491-498.

[23] 王正兴，刘闯，陈文波，等.MODIS 增强型植被指数EVI与NDVI 初步比较[J].武汉大学学报(信息科学版)，2006，31(5)：407-410.

[24] 金云翔，徐斌，杨秀春，等.草原生物量及碳密度遥感估算--以内蒙古正蓝旗为例[J].中国农学通报，2013，29(5)：11-16.

[25] 范建友，丁国栋，关博源，等.正蓝旗植被覆盖动态变化的遥感监测[J].中国水土保持科学，2005，3(4)：54-59.

[26] MYNENI R B，HALL F B，SELLERS P J，et a1.The interpretation of spectral vegetation indices[J].IEEE Transactions on Geoscience and Remote Sensing，1995，33：481-486.

[27] 李京，陈晋，袁清.应用NOAA/AVHRR遥感资料对大面积草场进行产草量定量估算的方法研究[J].自然资源学报，1994，9(4)：365-374.

[28] 张艳楠，牛建明，张庆，等.植被指数在典型草原生物量遥感估测应用中的问题探讨[J].草业学报，2012，21(1)：229-238.

[29] WU J J，GAO Z H，LI Z Y，et al.Estimation for sparse vegetation information in desertification region based on Tiangong-1 hyperspectral image[J].Spectroscopy and Spectral Analysis，2014，34(3)：751-756.

[30] NASA.LDCM Launch.[EB/OL].http：//www.nasa.Gov/mission_pages/landsat/launch/index.html，2013/4/18.

[31] 中国资源卫星应用中心.[EB/OL].http：//www.cresda.com/n16/index.html.

[32] 徐涵秋，唐菲.新一代Landsat系列卫星：Landsat 8 遥感影像新增特征及其生态环境意义[J].生态学报，2013，33(11)：3249-3257.

[33] 银山.内蒙古浑善达克沙地荒漠化动态研究[D].呼和浩特：内蒙古农业大学，2010.

[34] DEERING D W，ROUSE J W，HAAS R H，et a1.Measuring forage production of grazing units from Landsat MSS data[J].Proceedings of the 10th International Symposium on Remote Sensing of Environment，1975：1169-1178.

[35] HUETE A R.A soil-adjusted vegetation index (SAVI)[J].Remote Sensing of Environment，1988，25(3)：295-309.

[36] QI J，CHEHBOUNI A，HUETE A R，et al.A modified soil adjusted vegetation index[J].Remote Sensing of Environment，1994，48：119-126.

[37] 李晓松，李增元，高志海，等.基于Hyperion植被指数的干旱地区稀疏植被盖度估测[J].北京林业大学学报，2010，32(3)：95-100.

[38] 渠翠平，关德新，王安志，等.基于MODIS数据的草地生物量估算模型比较[J].生态学杂志，2008，27(11)：2028-2032.

[39] 杨英莲，邱新法，殷青军，等.2007.基于MODIS增强型植被指数的青海省牧草产量估产研究[J].气象，33(6)：102-107.

[40] 梁顺林，李小文，王锦地，等.定量遥感：理念与算法[M].北京：科学出版社，2013.

Comparison of Sparse Vegetation Information Estimation Based on GF-1 and Landsat Multi-spectral Data

SUN Bin1，LI Zeng-yuan1，GUO Zhong2，GAO Zhi-hai1，WANG Beng-yu1

(1.ResearchInstituteofForestResourceInformationTechniques，ChineseAcademyofForestry，Beijing100091；2.InnerMongoliaAcademyofForestry,Huhhot010010)

With the wide use of GF-1 data，the ability of sparse vegetation information estimation of the data needs to be further analyzed.Based on the data of domestic satellite GF-1and Landsat 8 as well as the simultaneous field survey of vegetation cover and above-ground biomass，the research was implemented on Otindag sandy land and its surrounding areas，in which abilities of two sensors to estimate vegetation physiological parameters in desertification areas were compared with each other.It was shown that，firstly，in study region，logarithmic functions which were established on NDVI of GF-1 data (R2=0.7966，RMSEP=0.0841) and Landsat 8 data (R2=0.8080，RMSEP=0.0871) could be used to estimate the vegetation coverage perfectly，the power functions which were established on NDVI of GF-1and SAVI of Landsat 8 have the best estimation effect (R2=0.4866，0.3715；RMSEP=143.46，130.71).Secondly，compared with the unrevised vegetation index SAVI，the correlation of MSAVI with vegetation cover and above-ground biomass was not significantly improved.Thirdly，blue and green band were introduced into multiple regression models，which were supposed to enhance the ability of estimating vegetation coverage，especially for Landsat，andR2was improve 0.3.In general，GF-1 has a relatively high data quality，it can replace Landsat 8 data in vegetation parameter inversion，and it has a higher resolution，shorter revisit cycle and wider coverage.

GF-1；Landsat 8；vegetation index；vegetation coverage；above-ground biomass；regression model

2014-10-10

2014-10-21

国家863计划项目(2012AA12A03)；国家高分辨率对地观测系统重大专项(21-Y30B05-9001-13/15)。

孙斌(1987—)，男，博士研究生，研究方向为荒漠化遥感监测与评价。

E-mail：sunbin5448@126.com

高志海(1963—)，男，研究员，博士，研究方向为荒漠化遥感监测与评价、生态遥感。

E-mail：zhihai_gao@163.com

10.3969/j.issn.1000-3177.2015.05.008

P237

A

1000-3177(2015)141-0048-09