中高分辨率遥感协同反演冬小麦覆盖度

孙中平，刘素红，姜 俊，白雪琪，陈永辉，朱程浩，郭文婷（1. 遥感科学国家重点实验室，北京师范大学地理科学部，北京 100875；. 环境保护部卫星环境应用中心，北京 100094；. 北京林业大学精准林业北京市重点实验室，北京 10008）

中高分辨率遥感协同反演冬小麦覆盖度

孙中平1,2，刘素红1※，姜 俊2，白雪琪3，陈永辉3，朱程浩3，郭文婷3
（1. 遥感科学国家重点实验室，北京师范大学地理科学部，北京 100875；2. 环境保护部卫星环境应用中心，北京 100094；3. 北京林业大学精准林业北京市重点实验室，北京 100083）

为了开展高精度、高时空分辨率的植被覆盖度（fraction vegetation cover，FVC）监测，该文以华北地区冬小麦地为研究对象，采用4期高分一号卫星多光谱（GF1-PMS）、多光谱宽幅(GF1-WFV)与环境一号卫星多光谱(HJ1-CCD)3种传感器同期影像数据集，基于像元二分法模型，研究多源中高分辨率遥感影像协同估算FVC方法。以基于高空间分辨率GF1-PMS影像反演的FVC作为检验数据，对单源直接获取法、多源全生育期法、多源分期法3种反演模型进行了分析比较。研究结果表明：HJ1-CCD、GF1-WFV数据与GF1-PMS数据的FVC直接反演结果具有较高的一致性，但在冬小麦的初期生长阶段，受卫星观测角度效应的影响，GF1-WFV与HJ1-CCD的FVC结果偏高，偏差随冬小麦的成熟封垄而逐渐减弱；多源分期法的时空反演得到的FVC精度最高，GF1-WFV的决定系数为0.984，均方根误差为0.030；HJ1-CCD的决定系数为0.978，均方根误差为0.034；而在缺少GF1-PMS匹配数据时，可通过多源全生育期法提高GF1-WFV与HJ1-CCD数据的反演精度，GF1-WFV的决定系数为0.964，均方根误差为0.044；HJ1-CCD的决定系数为0.950，均方根误差为0.052。通过多传感器的联合反演获取时间序列的高精度的FVC数据，可为研究植被生长状况及生态环境动态变化提供数据基础。

遥感；作物；监测；多源；覆盖度；冬小麦；像元二分法；高分一号

0 引 言

植被是陆地生态系统的基础，是连结土壤和大气的自然纽带。植被覆盖度（fraction vegetation cover，FVC）被定义为植被（包括叶、茎、枝）在单位面积内的垂直投影面积所占百分比[1]。由于FVC是反映植被生长状况的特征参量，从而成为许多生态、水文和气象模型的关键输入参数[2-3]。因此，区域及全球范围的植被覆盖度估算对研究大气、土壤、水文和生态等具有重要的意义[4]。

卫星遥感具备大范围的数据获取和连续观测能力，能够获取不同尺度上的植被覆盖及其变化信息，已经成为估算植被覆盖度的主要技术手段[5-6]。遥感估算植被覆盖度的方法有经验模型法[7-8]、植被指数法[2,9]和混合像元分解模型法[10-12]等。其中，混合像元分解法从地物光谱混合模型的角度出发估算植被在像元中所占的比例，具有一定的物理意义，且不需要地面实测植被覆盖度，易于推广，因此具有较大的潜力[13-14]。

目前，现有的FVC产品使用的数据源有POLDER[15]、SPOT/VGT[16]、NOAA/AVHRR[17]、MERIS[18]、MSG/ SEVIRI[19]等，空间分辨率为百米级、千米级尺度[7]，产品算法和产品发布系统比较完善，但对于空间分辨率几十米、米级等中高分辨率尺度，受限于单传感器数据的空间覆盖范围和获取时相，至今鲜有全球或区域产品发布。高精度、高时空分辨率的长间序FVC 数据集对于全球变化监测以及低分辨率FVC产品验证具有重要的科学意义[13,20]。随着卫星组网和协同观测技术体系的发展，利用多源卫星数据能够提供互补信息，可一定程度上提高FVC等地表参数产品在空间和时间上的连续性[5]，但产品质量、精度和时空分辨率仍需进一步改进[21]。

近些年来，中国陆续发射了一系列中高分辨率陆地观测卫星。环境一号卫星（代号HJ1）A、B星分别搭载有2台宽覆盖多光谱可见光相机（HJ1-CCD），单台相机的幅宽大于360 km，地面像元分辨率为30 m，两星协同可实现2 d的重访周期。高分一号卫星（代号GF1）搭载了2台2 m分辨率全色/8 m分辨率多光谱相机（GF1-PMS）、4台16 m分辨率多光谱相机（GF1-WFV）；2台GF1-PMS相机组合幅宽优于60 km，4台GF1-WFV相机组合幅宽优于800 km，重访周期为4 d[22]。因此，高分一号、环境一号多光谱数据的联合使用具有覆盖范围宽、时间分辨率高、空间分辨率较高等优势，是大范围内植被覆盖度反演的理想数据源。但由于传感器的在轨运行时间及性能差异，多传感器数据集的观测质量参差不齐，同时，考虑到不同传感器辐射性能和波段设置的差异、空间位置差异、大气状况等因素影响，多传感器数据集间存在一致性订正问题。同时，由于国产在轨自主卫星出现时间较短，植被覆盖度估算的相关应用研究还很少，在一定程度上影响了自主遥感数据潜力、价值的科学评估，制约了中国自主遥感数据在陆地生态系统生理参数估测应用上的进一步发展。

针对国产卫星影像应用中存在的这些问题，本研究以华北平原的冬小麦地为研究对象，联合使用多时相HJ1-CCD、GF1-WFV以及GF1-PMS数据，研究建立多源中高分辨率遥感影像协同估算植被覆盖度的方法，包括3个具体目标：1）不同传感器遥感数据间的FVC匹配；2）不同空间分辨率遥感数据的FVC匹配；3）适用于多源多尺度遥感数据的FVC估算方法优选。

1 试验区概况与数据源

1.1 试验区概况

试验区为华北平原（32°19′N～40°18′N, 112°18′E～120°25′E）的部分冬小麦主产区，涵盖北京、天津、河北南部、山东西部、河南北部（如图1）。年均气温13 ℃，年均降水量710 mm，属温带大陆性季风气候，雨热同期，土层深厚，土质肥沃，适宜小麦、玉米、大豆等多种农作物的生长。冬小麦多于每年的10月上、中旬播种，次年6月收获。

图1 试验区及样区的位置Fig.1 Location of experiment areas and sample areas

1.2 遥感影像及处理

综合考虑影像质量和冬小麦生育期，本研究选用了4期GF1-PMS、GF1-WFV和HJ1-CCD影像数据，时间跨越冬小麦返青-起身期（2015年3月23日、2015年3月29日）、拔节-开花期（2014年4月28日、2014年5月5日），所选用的同一生育期、不同卫星遥感影像的获取时间基本一致，时间差在2 d以内，所有遥感影像的具体参数见表1。所有影像借助ENVI软件进行辐射定标、大气校正、几何校正等预处理工作。辐射定标采用中国资源卫星应用中心网站提供的绝对辐射定标系数进行校正；大气校正采用FLAASH大气校正模型；几何校正是先采用影像自带RPC（rational polynomial coefficient）文件进行正射校正，再以同时期GF1-PMS影像为基准进行几何精校正，误差在一个像素以内。根据试验区范围的大小以及其所处位置选择高斯投影，从而将3种不同分辨率的影像转换到统一投影坐标系下。

冬小麦地和裸地的提取通过ENVI实现：首先利用最大似然法对四期GF1-PMS影像进行监督分类, 共分为建筑（包括道路和裸地）、水体、林草地（包括绿化）和耕地4 类；然后针对耕地、建筑，应用训练样本集，提取除错分信息，最终获得冬小麦地和裸地面积。针对每景图像获取的冬小麦地和裸地提取结果，2 种类型分别随机选30 个验证点进行目视判读验证，总体精度为85.45%，Kappa 系数为0.78，整体分类精度较高，结果可靠，满足研究精度要求。

表1 多源遥感影像的获取信息Table 1 Details of remote sensing images

2 研究方法

2.1 像元二分法模型

像元二分法是一种常用的混合像元分解法，模型简单、计算方便，在具有多种地物类型区域的应用中表现出较高的精度和稳定性[10,23]。该模型假设像元只由有植被覆盖的地表和裸地2部分组成。光谱信息也只由这 2 个组分线性合成,它们各自的面积在像元中所占的比率即为各因子的权重，其中植被覆盖地表占像元的百分比即为该像元的FVC。像元二分模型公式如式（1）

式中VI为某一植被指数，VISoil和VIVeg分别为裸土、纯植被区的植被指数值。

植被指数种类是多种多样的，归一化植被指数（normalized vegetation index，NDVI）是植被生长状态及植被空间分布密度的最佳指示因子[24]，在像元二分模型估算FVC中得到了广泛应用[10,25-26]。植被指数采用NDVI后，式（1）可写为

式中NDVISoil、NDVIVeg分别指纯土壤像元和纯植被像元的NDVI。NDVI的计算公式如式（3）所示

式中NIRρ指近红外波段的反射率，Redρ为红波段反射率。

像元二分法最大的难点在于确定NDVISoil、NDVIVeg[7]。本研究涉及冬小麦的4个关键生长期，即：返青期、起身期、拔节期、开花期。在冬小麦返青期和起身期，春播作物尚未播种，裸地面积较大，在影像上较易获取纯土壤像元；到拔节期和开花期，小麦生长逐渐完成而达到封垄，田间裸地面积小，因而在影像上较易找到全小麦覆盖的像元。同时，在没有实测数据的情况下，实际应用中，NDVISoil、NDVIVeg取给定置信度的置信区间内的最大值与最小值，以在一定程度上消除遥感图像噪声所带来的误差。综合考虑上述情况，本研究采用双时期法确定NDVISoil、NDVIVeg：提取2015年3月23日和3月25日2期裸地的NDVI值生成数据频率统计表，选取置信度为98%的NDVI值为NDVISoil；提取2014年5月5日和5月6日2期冬小麦地NDVI值生成数据累积概率分布，选定置信度为98%的NDVI值为NDVIVeg。

2.2 多源中高分辨率遥感影像协同反演FVC

像元二分法模型本质上是一种线性方程，且模型驱动变量NDVI与辐亮度信号是线性变换的，因而尺度效应影响较小[27-28]。冬小麦作为典型的行播农作物，在封垄前，呈现非均一地表特性，不同观测角度对应像元不同的采样面积, 加之植被的二向性反射特性，角度效应显著[29-30]。对于HJ1-CCD、GF1-WFV等宽幅遥感成像传感器，星下点附近的观测天顶角比较小，而远离星下点的边缘像元观测天顶角比较大，观测角度的差异导致观测对象不同，跟垂直定义的植被盖度差异较大。GF1-PMS传感器幅宽较小，观测天顶角也相对较小，不侧摆情况下，近似于垂直观测。因此，本研究借鉴Bottom-up方法[31]，基于GF1-PMS数据，对HJ1 -CCD、GF1-WFV数据进行校正，实现多源中高分辨率遥感影像植被覆盖度的协同估算。

所谓Bottom-up方法就是对高空间分辨率地表参数遥感估测值与低空间分辨率遥感数据估测值之间进行回归分析，建立经验模型，最后基于此模型, 利用低空间分辨率的遥感数据估测地表参数。

对于像元二分模型，植被指数的精度对于FVC反演具有决定作用，因此，本研究基于NDVI构建回归模型，具体步骤为：1）计算3种遥感数据的NDVI；2）将GF1-WFV和HJ1-CCD两种数据的NDVI值分别与GF1-PMS数据对应位置的NDVI值进行线性回归分析，建立中高分辨率数据的NDVI回归模型；3）基于此回归模型，对GF1-WFV和HJ1-CCD整景数据的NDVI值进行校正；4）基于像元二分模型，利用校正后的NDVI估测FVC。

GF1-PMS、GF1-WFV、HJ1-CCD3种传感器的空间分辨率分别为8 、16 和30 m，因此，无法采用点对点的像元光谱比较法进行匹配。鉴于此，本研究采用国际惯用的样区法[32-33]，即在3种分辨率的影像上选取范围相同的样区，然后以各样区的平均值进行匹配，采用取均值方法在一定程度上可减少错配，降低遥感反演误差。样区大小的选择取8 、16 、30 m的最小公倍数240 m，在4期影像上各选取40个240 m×240 m的均质冬小麦样区进行对比、回归分析。第一期回归样区空间分布情况如图1所示。

冬小麦在不同的生育期季相节律存在差异，表现出迥然不同的光谱特性[34]。在返青期和起身期，冬小麦覆盖度较低，土壤背景干扰很大；到拔节、开花期，冬小麦快速生长，覆盖度迅速增加，土壤背景干扰变小。因此，本研究构采用多源全生育期法（multi-source wholegrowth-period method，MWM）和多源分期法（multi-source single-growth-period method，MSM）2种方法构建回归模型，通过分析对比实现FVC估算方法的优选。

对于多源全生育期法，中高分辨率数据回归模型的构建是基于4期数据160个样本区进行回归分析，得到一个统一的模型，中分辨率数据校正采用统一的回归模型。而对于多源分期法，对每期40个样本区进行线性回归，得到4个回归模型，中分辨率数据校正采用当期或者时间最近的回归模型。

2.3 精度评价方法

研究表明植被盖度估测精度与遥感影像分辨率的高低密切相关，高空分辨率数据的FVC 反演结果可以用于低分辨率FVC验证[16]。本研究采用相对验证方法对不同数据、方法的植被覆盖度反演结果进行对比分析。即以GF1-PMS数据反演结果作为植被覆盖度参考值，分别在每期数据上选取20个样本区作为检验样区,检验样区与回归样区不重合（空间分布见图1），统计各检验样区的植被覆盖度参考值及对应GF1-WFV和HJ1-CCD的植被覆盖度反演值，对参考值与反演值进行对比分析。为了综合衡量植被覆盖度提取方法的精度高低，利用决定系数（R2）、均方根误差（root mean square error, RMSE）、偏差（Bias）、偏差率（ME）4个参数作为精度评价指标。

3 结果与分析

3.1 3种数据源直接反演FVC对比

本研究采用双时期法分别确定HJ1-CCD、GF1-WFV和GF1-PMS三种数据的NDVISoil、NDVIVeg，如表2所示。在此基础上，采用像元二分法模型进行FVC反演，得到3种数据的4期小麦地FVC估测数据集。2014年4月27日3种数据FVC反演结果局部对比如图2所示。

表2 纯土壤像元和纯小麦像元NDVI取值Table 2 NDVI values of pure soil and pure wheat pixels

根据40期共160个样区数据，对GF1-PMS、GF1-WFV、HJ1-CCD三种数据获取的FVC进行了统计分析，统计特征值见表3和散点分布见图3。

通过图2可以看出，整体上, GF1-PMS、GF1-WFV、HJ1-CCD三种数据获取的FVC结果相差不大，但是，随着分辨率的降低，影像结构不断粗糙，小麦地边缘受周边地块的影响，FVC估值偏小。

图2 基于HJ1-CCD、GF1-WFV与GF1-PMS影像反演的FVC结果局部对比（2014-04-27）Fig.2 Local contrast of retrieved FVC using HJ1-CCD, GF1-WFV, and GF1-PMS images（2014-04-27）

表3 植被覆盖度基本统计特征值Table 3 Statistics of retrieved FVC

图3 基于HJ1-CCD、GF1-WFV与GF1-PMS影像反演的FVC散点图Fig.3 Scatter diagram of retrieved FVC using HJ1-CCD, GF1-WFV, and GF1-PMS images

通过表3可以看出，GF1-PMS反演结果的动态范围和标准差最大，GF1-WFV居中，HJ1-CCD最小，这表明高分辨率的GF1-PMS影像对植被分辨较细，FVC估算结果更加准确；总体来看，HJ1-CCD、GF1-WFV反演结果与GF1-PMS反演结果具有较好的相关关系，R2均高于0.9，GF1-WFV与GF1-PMS反演结果具有更高的一致性，RMSE、偏差、偏差率更小。

结合表1和图3可以看出，3月23日的冬小麦地FVC为0.4左右，HJ1-CCD、GF1-WFV的观测天顶角分别比GF1-PMS大11.43°、7.01°，两者的FVC估算值明显高于GF1-PMS估算值，HJ1-CCD估算值的离散度和偏差要大于GF1-WFV；3月29日冬小麦地的FVC在0.6左右，HJ1-CCD、GF1-WFV的观测天顶角分别比GF1-PMS高7.87°、0.55°，两者估算值的离散度和偏差有所减少；4月28日和5月5日的FVC大于0.8，虽然4月28日HJ1-CCD、GF1-WFV的观测天顶角分别比GF1-PMS高12.22°、7.29°，5月5日两者的观测天顶角则分别大11.70°、13.00°，均高于3月23日和3月29日，但是HJ1-CCD、GF1-WFV与GF1-PMS估算值甚为接近。总的来说，在小麦地FVC小于0.8时，受土壤背景影响，卫星观测角度效应明显，HJ1-CCD、GF1-WFV估算值对于GF1-PMS明显偏高，而随着FVC的增加，卫星观测角度效应影响明显降低，偏差逐渐减小，到小麦封垄后，趋于一致。

3.2 不同的植被覆盖度协同反演方法对比

将GF1-WFV和HJ1-CCD 2种数据的NDVI值分别与GF1-PMS数据对应位置的NDVI值进行线性回归分析，采用多源全生育期法和多源分期法2种方法构建回归模型（表4），模型显著性检验P值均小于0.01。基于检验样区，中高分辨率卫星影像协同应用的多源全生育期法、多源分期法与中分辨率卫星影像的单源直接反演法（single-source inversion method，SIM）精度评估结果如表5所示。

表4 基于中高分辨遥感影像的植被覆盖度协同估测模型Table 4 Estimation models of FVC using multi-source remote sensing images

表5 3种FVC反演方法精度对比Tab.5 Accuracy comparison of 3 FVC inversion methods

由表5可以看出，相对于单源直接反演法，多源全生育期法GF1-WFV总体R2增加0.102，总体偏差、偏差率、RMSE分别减少0.045、6.663%、0.017，而3月23日和3月29日平均偏差、偏差率、RMSE则分别减少0.063、20.146%、0.076；HJ1-CCD的总体R2增加0.319，总体偏差、偏差率、RMSE分别减少0.1、14.977%、0.027，而3月23日和3月29日平均偏差、偏差率、RMSE则分别减少0.149、38.626%、0.11。多源分期法GF1-WFV总体R2增加0.122，总体偏差、偏差率、RMSE分别减少0.049、7.282%、0.031，而3月23日和3月29日平均偏差、偏差率、RMSE则分别减少0.089、21.662%、0.073；HJ1-CCD的总体R2增加0.347，总体偏差、偏差率、RMSE分别减少0.101、15.111%、0.045，而3月23日和3月29日平均偏差、偏差率、RMSE则分别减少0.159、39.243%、0.135。总体来说，相较于单源直接反演法，多源分期法、多源全生育期法采用近似于垂直观测的高空间分辨率GF1-PMS数据对倾斜观测的HJ1-CCD和GF1-WFV数据进行观测角度校正，FVC总体反演误差有所减少，估测精度得到提高，特是在角度效应影响显著的的冬小麦返青-起身期（3月23日、3月29日），误差减少幅度大于整个生育期，校正效果更加明显。

相较于多源全生育期法，多源分期法GF1-WFV的决定系数较高（R2=0.984），均方根误差较小（RMSE=0.030）；HJ1-CCD的决定系数也较高（R2=0.978），均方根误差较小（RMSE=0.034）。可以看出，多源分期法的平均估测精度高于多源全生育期法。

4 结 论

本研究以华北地区的冬小麦地为试验区，基于像元二分模型，研究了中高分辨率的GF1-PMS、GF1-WFV和HJ1-CCD三种传感器数据协同FVC估算方法，并基于4期遥感影像数据集，研究多源多尺度遥感数据的FVC匹配与反演方法优选。得到如下结论：

1）冬小麦作为典型的行播农作物，FVC小于0.8时，受土壤背景影响，卫星观测角度效应明显，HJ1-CCD、GF1-WFV数据的FVC估值相较于GF1-PMS偏高；而随着FVC的增加，偏差逐渐减小；到小麦封垄后，观测角度影响较小，三者趋于一致。这表明，应用宽覆盖数据协同反演FVC应考虑角度效应和季相节律的影响。

2）HJ1-CCD、GF1-WFV数据与GF1-PMS数据的FVC直接反演结果具有较好的相关关系，R2均高于0.9。相对于HJ1-CCD、GF1-WFV直接反演结果，GF1-PMS直接反演结果的动态范围和标准差最大，GF1-WFV居中，HJ1-CCD最小。这表明HJ1-CCD、GF1-WFV数据与GF1-PMS数据的FVC反演结果具有较高的一致性，高分辨率的GF1-PMS影像对地物分辨较细、观测角度较小，FVC估算结果更加准确，可以用以对中分辨率的HJ1-CCD、GF1-WFV数据进行校正。

3）多源分期法、多源全生育期法较单源直接反演法，误差有所减少，平均估测精度均有提高，其中，多源分期法估测精度最高，GF1-WFV的决定系数R2为0.984，均方根误差RMSE为0.030；HJ1-CCD的R2为0.978，RMSE为0.034。在缺少GF1-PMS匹配数据时，可通过全生育期法提高GF1-WFV与HJ1-CCD数据的反演精度，GF1-WFV的R2为0.964，RMSE为0.044；HJ1-CCD的R2为0.950，RMSE为0.052。

中高分辨率协同FVC反演能够有效提高小麦地植被覆盖度的提取精度和监测时效，对于利用多源多尺度卫星遥感数据研究植被生长状况及生态环境动态变化具有重要意义。然而，由于国产中分辨率多传感器观测数据集观测角度分布离散度不强，GF1-WFV与HJ1-CCD数据的角度信息未能加以利用，这在一定程度上限制了多传感器数据集的优势表现，后续需要进一步研究多角度观测数据的协同应用方法。

[1] Gitelson A A, KaufmanY J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[2] Purevdorj T S, Tateishi R, Ishiyama T, et al. Relationships between percent vegetation cover and vegetation indices[J]. International Journal of Remote Sensing, 1998, 19(18): 3519 - 3535.

[3] Qi J, Marsett R C, Moran M S, et al. Spatial and temporal dynamics of vegetation in the San Pedro River basin area[J]. Agricultural and Forest Meteorology, 2000, 105(1): 55-68.

[4] 陈云浩，李晓兵，史培军. 基于遥感的植被覆盖变化景观分析：以北京海淀区为例[J]. 生态学报，2002，22(10)：1581-1586. Chen Yunhao, Li Xiaobing, Shi Peijun. Landscape spatialtemporal pattern analysis on change in the fraction of green vegetation based on remotely sensed data: A case study inHaidiandistrict, Beijing[J]. Acta Ecologica Sinica, 2002, 22(10): 1581-1586. (in Chinese with English abstract)

[5] Liang Shunlin, Li Xiaowen, Wang Jindi. Advanced remote sensing: terrestrial information extraction and applications[M]. New York: Academic Press, 2012.

[6] 张喜旺，吴炳方. 基于中高分辨率遥感的植被覆盖度时相变换方法[J]. 生态学报，2015，35(4)：1155-1164. Zhang Xiwang, Wu Bingfang. A temporal transformation method of fractional vegetation cover derived from high and moderate resolution remote sensing data[J]. Acta Ecologica Sinica, 2015, 35 (4): 1155-1164. (in Chinese with English abstract)

[7] Duncan J, Stow D, Franklin J, et al. Assessing the relationship between spectral vegetation indices and shrub cover in the Jornada Basin, New Mexico[J]. International Journal of Remote Sensing, 1993, 14(18): 3395-3416.

[8] Yang J, Prince S D. Remote sensing of savanna vegetation changes in Eastern Zambia 1972-1989[J]. International Journal of Remote Sensing, 2000, 21(2): 301-322.

[9] Larsson H. Linear regressions for canopy cover estimation in Acacia woodlands using Landsat-TM,-MSS and SPOT HRV XS data[J]. Remote Sensing, 1993, 14(11): 2129-2136.

[10] Gutman G, Ignatov A. The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J]. International Journal of Remote Sensing, 1998, 19(8): 1533-1543.

[11] Zribi M, Le Hégarat-Mascle S, Taconet O, et al. Derivation of wild vegetation cover density in semi-arid regions: ERS2/ SAR evaluation[J]. International Journal of Remote Sensing, 2003, 24(6): 1335-1352.

[12] 杨强，王婷婷，陈昊，等. 基于 MODIS EVI 数据的锡林郭勒盟植被覆盖度变化特征[J]. 农业工程学报，2015，31 (22)：191-198. Yang Qiang, Wang Tingting, Chen Hao, et al. Characteristics of vegetation cover change in XilinGol League based on MODIS EVI data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 191-198. (in Chinese with English abstract)

[13] 贾坤，姚云军，魏香琴，等. 植被覆盖度遥感估算研究进展[J]. 地球科学进展，2013，28(7)：774-782. Jia Kun, Yao Yunjun, Wei Xiangqin, et al. A review on fractional vegetation cover estimation using remote sensing[J]. Advances in Earth Science, 2013, 28(7): 774-782. (in Chinese with English abstract)

[14] 杨峰，李建龙，杨文钰，等. 基于线性光谱混合模型的荒漠草地覆盖度估测[J]. 农业工程学报，2012，28(7)：243-247. Yang Feng, Li Jianlong, Yang Wenyu, et al. Assessing vegetation coverage of desert grassland based on linear spectral mixturemodel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(7): 243-247. (in Chinese with English abstract)

[15] Roujean J L, Lacaze R. Global mapping of vegetation parameters from POLDER multiangular measurements for studies of surface-atmosphere interactions: A pragmatic method and its validation[J]. Journal of Geophysical Research: Atmospheres, 2002, 107(D12).

[16] Baret F, Hagolle O, Geiger B, et al. LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATION: Part 1: Principles of the algorithm[J]. Remote Sensing of Environment, 2007, 110(3): 275-286.

[17] Baret F, Weiss M, Lacaze R, et al. GEOV1: LAI and FAPAR essential climate variables and FCOVER global time series capitalizing over existing products. Part1: Principles of development and production[J]. Remote Sensing of Environment, 2013, 137: 299-309.

[18] Baret F, Pavageau K, Béal D, et al. Algorithm theoretical basis document for MERIS top of atmosphere land products (TOA_VEG)[J]. INRA-CSE, Avignon, 2006.

[19] García-Haro F J, Camacho-de Coca F, Miralles J M. Inter-comparison of SEVIRI/MSG and MERIS/ENVISAT biophysical products over Europe and Africa[C]//Proceedings of the 2nd MERIS/(A) ATSR User Workshop, Frascati, Italy. 2008: 22-26.

[20] Jia K, Liang S, Liu S, et al. Global land surface fractional vegetation cover estimation using general regression neural networks from MODIS surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(9): 4787-4796.

[21] Liang S, Zhao X, Liu S, et al. A long-term Global Land Surface Satellite (GLASS) data-set for environmental studies[J]. International Journal of Digital Earth, 2013, 6(Suppl.1): 5-33.

[22] 孙元亨，秦其明，任华忠，等. GF-4/PMS 与 GF-1/WFV 两种传感器地表反射率及NDVI一致性分析[J]. 农业工程学报，2017，33(9)：167-173. Sun Yuanheng, Qin Qiming, Ren Huazhong, et al. Consistency analysis of earth surface reflectance and NDVI between GF-4/PMS and GF-1/WFV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 167-173. (in Chinese with English abstract)

[23] 李恒凯，雷军，杨柳. 基于 Landsat 影像的离子稀土矿区植被覆盖度提取及景观格局分析[J]. 农业工程学报，2016，32(10)：267-276. Li Hengkai, Lei Jun, Yang Liu. Extraction of vegetation coverage and analysis of landscape pattern in rare earth mining area basedon Landsat image [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(10): 267-276. (in Chinese with English abstract)

[24] Liu S, Li Q, Mao X, et al. Evaluation on consistency between HJ-1 CCD and TM images in monitoring fractional green vegetation cover[C]//Geoscience and Remote Sensing Symposium (IGARSS), 2011 IEEE International. IEEE, 2011: 1005-1008.

[25] Liu S, Li Q. A study on green vegetation cover fraction based on HJ-1 CCD image[C]// Geoinformatics, 2011 19th International Conference on. IEEE, 2011: 1-4.

[26] Zhang X, Liao C, Li J, et al. Fractional vegetation cover estimation in arid and semi-arid environments using HJ-1satellite hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 21: 506-512.

[27] 江淼，张显峰，孙权，等. 不同分辨率影像反演植被覆盖度的参数确定与尺度效应分析[J]. 武汉大学学报：信息科学版，2011，36(3)：311-315. Jiang Miao, Zhang Xianfeng, Sun Quan, et al. Vegetationcoverage retrieval scale effect analysis using multi-sensor data[J]. Geomatics and Information Science of Wuhan University, 2011, 36(3): 311-315. (in Chinese with English abstract)

[28] 刘良云. 叶面积指数遥感尺度效应与尺度纠正[J]. 遥感学报，2014，18(6)：1158-1168. Liu Liangyun. 2014. Simulation and correction of spatialscaling effects for leaf area index[J]. Journal of Remote Sensing, 2014, 18(6):1158-1168. (in Chinese with English abstract)

[29] Galvao L S, Ponzoni F J, Epiphanio J C N, et al. Sun and view angle effects on NDVI determination of land cover types in the Brazilian Amazon region with hyperspectral data[J]. International Journal of Remote Sensing, 2004, 25(10): 1861-1879.

[30] Pocewicz A, Vierling L A, Lentile L B, et al. View angle effects on relationships between MISR vegetation indices and leaf area index in a recently burned ponderosa pine forest[J]. Remote Sensing of Environment, 2007, 107(1): 322-333.

[31] Fazakas Z, Nilsson M. Volume and forest cover estimation over southern Sweden using AVHRR data calibrated with TM data[J]. International Journal of Remote Sensing, 1996, 17(9): 1701-1709.

[32] Saunier S, Goryl P, Chander G, et al. Radiometric, geometric, and image quality assessment of ALOS AVNIR-2 and PRISM sensors[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(10): 3855-3866.

[33] Chander G, Coan M J, Scaramuzza P L. Evaluation and comparison of the IRS-P6 and the Landsat sensors[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(1): 209-221.

[34] 齐腊，刘良云，赵春江，等. 基于遥感影像时间序列的冬小麦种植监测最佳时相选择研究[J]. 遥感技术与应用，2008，23(2)：154-160. Qi La, Liu Liangyun, Zhao Chunjiang, et al. Selection of optimum periods for extracting winter wheat based on multi-temporal remote sensing images[J]. Remote Sensing Technology and Application, 2008, 23(2):154-160. (in Chinese with English abstract)

Coordination inversion methods for vegetation cover of winter wheat by multi-source satellite images

Sun Zhongping1,2，Liu Suhong1※，Jiang Jun2，Bai Xueqi3，Chen Yonghui3，Zhu Chenghao3，Guo Wenting3
(1. State Key Laboratory of Remote Sensing Science, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China; 2. Satellite Environment Center, Ministry of Environmental Protection,Beijing 100094, China; 3. Beijing Key Laboratory of Precision Forestry, Beijing Forestry University, Beijing 100083, China)

Fraction vegetation cover(FVC)can be used to indicate the growing status of vegetation, which is an important input for some ecological models, hydrological models, meteorological models, and so on. And FVC data set with high precision, high temporal resolution, and high spatial resolution is critical to global change monitoring. Unfortunately, current FVC products are produced using only one kind of remote sensing image, and thus their spatial coverage and temporal coverage are limited. Aiming at acquiring continuous FVC data in space and time, we explored the estimation methods of FVC of winter wheat in North China Plain using high and medium resolution images jointly. This study focused on dimidiate pixel model by combining multi-source images includingGF1-PMSimages with spatial resolution of 8m, GF1-WFVwithspatial resolution of 16m, and HJ1-CCD with spatial resolution of 30 m. Four phases of remote sensing images of those 3 sensors were selected as data source to conduct the experiments, which covered 4 growth periods of the winter wheat, including turning green &rising stage(March 23, 2015 and March 29, 2015) and jointing & flowering stage(April 28, 2014 and May 5, 2014).Within the coincidence regions of those 3 kinds of images, we selected randomly 160 winter wheat sample areas (240 m×240 m) as the regression samples, and chose randomly another 80 winter wheat sample areas (240 m×240 m) as the checking samples to verify the performance of the methods. Using these regression samples, we developed multi-source whole-growth-period method (MWM) and multi-source single-growth-period method (MSM) based on the bottom-up method. We compared and analyzed the single-source inversion method (SIM), MWM and MSM based on the estimated FVC result using high spatial resolution GF1-PMS images. The results indicated that the FVC estimations of HJ1-CCD, and GF1-WFV images using SIM method were highly consistent with those of GF1-PMS images, and their R2values were both higher than 0.9. However, due to the observation angle effect of GF1-WFV and HJ1-CCD sensors, the estimated FVCs were a little higher in the early growing stages of winter wheat, and the bias decreased gradually with the closing of winter wheat canopy. Compared with SIM method, MWM method and MSM method both worked more effectively and generated higher accuracy. Among those two multi-source methods, MSM method showed the relatively higher accuracy, and its determinant coefficients R2was 0.984 and the root mean square error(RMSE)was 0.030 using GF1-WFV images, while the R2was 0.978 and the RMSE was 0.034 using HJ1-CCD images. The R2of MWM method was 0.964 and the RMSE was 0.044 using GF1-WFV images, and the R2was 0.950 and the RMSE was 0.052 using HJ1-CCD images. Comparison indicated that MWM can be utilized to improve the FVC estimation accuracy using GF1-WFV and HJ1-CCD images when there are no matching GF1-PMS images over the same period. This research shows that the synergetic inversion method of winter wheat FVC with multi-source satellite images can generate long time series and high precision FVC products, which can provide the critical data set for vegetation growth monitoring, monitoring of ecological environment and global change detection.

remote sensing; crops; monitoring; multi-source; fraction vegetation cover; winter wheat; dimidiate pixel model; GF-1

10.11975/j.issn.1002-6819.2017.16.021

TD865；TP79；S127

A

1002-6819(2017)-16-0161-07

孙中平，刘素红，姜俊，白雪琪，陈永辉，朱程浩，郭文婷.中高分辨率遥感协同反演冬小麦覆盖度[J]. 农业工程学报，2017，33(16)：161-167.

10.11975/j.issn.1002-6819.2017.16.021 http://www.tcsae.org

Sun Zhongping，Liu Suhong，Jiang Jun, Bai Xueqi, Chen Yonghui, Zhu Chenghao, Guo Wenting. Coordination inversion methods for vegetation cover of winter wheat by multi-source satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(16): 161-167. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.16.021 http://www.tcsae.org

2017-04-18

2017-06-30

国家重点研发计划(2016YFD0800903)

孙中平，男，博士生，高级工程师，主要从事环境遥感应用研究。北京 北京师范大学地理科学部，100875。Email：sunnybnu114@163.com

※通信作者：刘素红，女，博士，博士生导师，主要从事遥感应用研究。北京 北京师范大学地理科学部，100875。Email：liush@bnu.edu.cn