不同端元模型下濕地植被覆蓋度的提取方法
——以北京市野鴨湖濕地自然保護區為例

崔天翔，宮兆寧，趙文吉，趙雅莉，林 川

(首都師范大學資源環境與旅游學院;三維信息獲取與應用教育部重點實驗室;資源環境與地理信息系統北京市重點實驗室;北京市城市環境過程與數字模擬國家重點實驗室培育基地，北京 100048)

濕地作為重要的生存環境和自然界最富生物多樣性的生態景觀之一，在調節徑流、改善氣候、控制污染、維護生物多樣性和保持區域生態平衡等生態功能和效益方面，發揮著不可替代的作用［1-2］。濕地植物是濕地生態系統的基本組分，也是其存在的基礎。植被覆蓋度作為衡量植被覆蓋和生長狀況的重要生態學參數和量化指標，其準確獲取在檢測濕地生態環境、分析植被蒸騰和土壤水分蒸發、研究濕地水土保持等方面發揮重要的作用［3］。傳統植被覆蓋度的地面測量主要采用采樣法、儀器法和目視估測法，由于這些方法易受時間、天氣及區域條件的影響，耗費時間、成本較大，且只能在較小的尺度范圍內提供植被覆蓋信息［4］，因此應用受到一定的限制。遙感技術的發展為植被覆蓋度大面積、準確、及時的獲取提供了可能。

利用遙感技術估算植被覆蓋度可以分為植被指數法和混合像元法兩種方法［5］。植被指數法是通過構建樣區植被指數與植被覆蓋度之間的回歸模型來估算更大區域內植被覆蓋度的過程，操作相對簡單，然而，這種回歸模型只適用于特定的研究區域和特定的植被類型，因此應用存在局限。與植被指數法相比，具有一定物理學意義的混合像元法在植被覆蓋度估算上更具優勢?；旌舷裨ㄊ歉鶕裨獌炔扛鞣N地物覆蓋類型對遙感傳感器所觀測到信息的貢獻，建立影像像元信息的分解模型，來估算地表的植被覆蓋度。常用的混合像元分解模型有線性模型、模糊模型、概率模型、隨機幾何模型和幾何光學模型［6］。由于線性光譜混合模型的物理意義明顯且相對簡單，因此應用較為廣泛，國內外許多學者對此進行了廣泛的研究:C.Small等在對Landsat ETM+影像進行主成分變換和最小噪聲變換的基礎上，發現利用V-I-S(植被-不透水層-裸露土壤)3種端元建立的線性光譜混合模型可以較好的反映城市地區的植被覆蓋度［7-8］;Madhavan等利用同樣的模型來分析泰國首都曼谷在1988年至1994年期間城市發展狀況［9］;在分析城市不透水層在Landsat ETM+影像上光譜特征的基礎上，Wu等對V-I-S三端元模型進行了改進，構造V-L-H-S(植被-低反射率地物-高反射率地物-裸露土壤)四端元模型，并以此建立線性光譜混合模型來分析城市地物覆蓋狀況，并取得較好的結果［10］;Andrew J.Elmore等則以Landsat TM影像為數據源，采用另外一組四端元(植被-深色土壤-淺色土壤-陰影)建立線性光譜混合模型估算美國加利福尼亞州歐文斯峽谷的植被覆蓋度，并研究了該地區連續六年的植被覆蓋變化［11］;此外，S.LEE等利用Landsat ETM影像分別基于四端元和五端元建立的線性光譜混合模型估算了城市植被覆蓋度［12］;Jingfeng Xiao等以Landsat ETM+影像為數據源，對美國新墨西哥州中部的沙漠—山地過渡帶分別利用三端元、四端元以及五端元建立的線性光譜混合模型進行混合像元分解，從而獲得植被覆蓋度［13］。在對線性光譜混合模型的應用過程中，也有學者通過對其進行改進來獲得更好的估算結果:王天星等以土地利用類型專題圖為基礎，利用ASTER影像針對每一種土地類型分別建立線性光譜混合模型來估算植被覆蓋度，從而改進了估算精度［14］。

雖然利用遙感技術估算植被覆蓋度得到了廣泛的應用，但目前研究主要集中在城市、草原、干旱半干旱地區，針對濕地植被覆蓋度的研究比較少見。另外，由于中等分辨率的Landsat TM/ETM+影像的可見光波段(第1—3波段)之間通常具有較高的相關性，研究中通常最多可以使用4種類型端元［10］，而4種類型端元往往不能充分的表達濕地植被類型豐富，土地利用類型多樣化的特點。鑒于當前對濕地植被覆蓋度方面的研究相對不足、Landsat影像在植被覆蓋度的提取中應用4種以上端元的研究相對較少的現狀，本研究以華北內陸典型的淡水濕地——北京市野鴨湖濕地自然保護區為研究對象，Landsat TM影像為數據源，以線性光譜混合模型為研究方法。經分析，構建以植物、高反射率地物、低反射率地物、裸露土壤為組分的四端元模型以及以陸生植物、水生植物、高反射率地物、低反射率地物、裸露土壤為組分的五端元模型來分別反映研究區內的地物組分;以此為基礎，運用線性光譜分解算法對兩種端元模型求解，來獲取研究區的植被覆蓋度;精度檢驗采用同時期的WorldView-2多光譜影像來進行。

1 研究區概況

野鴨湖濕地自然保護區屬于華北內陸典型的內陸淡水濕地，是北京市面積最大的濕地自然保護區，也是北京市首個濕地鳥類自然保護區。地理位置處于 115°46'16″—115°59'48″E，40°22'04″—40°30'31″N，位于北京市延慶縣西北部，西南部與河北省懷來縣接壤，是官廳水庫的延慶轄區及環湖淹沒區所構成的庫塘和灘涂組成的次生濕地(圖1)。保護區總面積6837hm2，其中濕地面積3939hm2，超過保護區總面積的50%。該區屬于大陸性季風氣候，是暖溫帶與中溫帶、半干旱到半濕潤的過渡地帶，四季變化較為明顯;最低氣溫出現在1月份，最高氣溫處于6—8月份;降水主要集中在6—8月，其中降水高峰期為7月下旬至8月上旬［15］。研究區內部植被區系復雜、生物多樣性豐富，水生植物、濕生植物、中生植物以及鹽生植物共有71科213屬357種。豐富的植物資源為保護區內生存的各類動物提供了充足的食物資源和豐富的棲息、繁殖場所，具有極其重要的生物多樣性保護價值［16］。

2 數據資料與研究方法

2.1 數據源

研究采用中等分辨率的Landsat TM影像作為數據源進行植被覆蓋度的提取，影像獲取時間為2011年7月26日，采用空間分辨率為30m的可見光(波段1—3)、近紅外(波段4)、中紅外(波段5、7)6個波段進行運算;植被覆蓋度估算值的檢驗采用高空間分辨率的WorldView-2影像進行，該影像全色波段空間分辨率為0.5m，多光譜波段為1.8m，影像獲取時間同為2011年7月26日。兩影像在獲取時間上的一致表明兩者可反映相同的植被覆蓋信息。

圖1 研究區地理位置圖Fig.1 Location map of study area

2.2 影像預處理

影像輻射校正是為了消除因傳感器自身條件、大氣條件、太陽位置和角度等引起的傳感器測量值與目標真實光譜反射率或輻射亮度值等物理量之間的差異。研究采用Landsat TM影像數字量化值(Digital Number，DN)與表觀輻射亮度值(At-sensor Spectral Radiance)之間的定量關系［17］，完成兩者的轉換;綜合表觀輻射亮度影像與初始能見度、氣溶膠模型等大氣參數，利用ENVI提供的FLAASH(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)大氣校正模型消除大氣影響，得到地表目標的光譜反射率信息。

為進行后期植被覆蓋度的精度檢驗，在Landsat TM影像與WorldView-2影像上均勻選取52個同名地物點，以二次多項式模型為幾何校正模型，最近鄰像元插值法為重采樣方法完成兩影像配準;總誤差控制在1個像元內(RMS error=0.6196)。

3 技術路線與研究方法

3.1 技術路線

以中等分辨率的Landsat TM影像為數據源，經一系列運算，構建植物、高反射率地物、低反射率地物、裸露土壤四端元模型;此外，通過對原始影像增加歸一化植被指數(Normalized Difference Vegetation Index，NDVI，(TM4-TM3)/(TM3+TM4))光譜維的方法來改進端元提取的數量，構建另外一組以陸生植物、水生植物、高反射率地物、低反射率地物、裸露土壤為組分的五端元模型;針對這兩種端元模型，運用全約束的線性光譜混合模型(Linear Spectral Mixture Model，LSMM)算法進行混合像元分解，從而得到研究區的植被覆蓋度;另一方面，通過分析影像中純水體光譜特征，綜合NDVI和歸一化水體指數(Normalized Difference Water Index，NDWI，(TM2-TM4)/(TM2+TM4))來獲取研究區的純水體信息，并以此進行植被覆蓋度的修正;兩種端元模型的估算精度采用同時期的高空間分辨率WorldView-2多光譜影像上反映的植被覆蓋信息來評價。整個研究技術路線如圖2示。

3.2 線性光譜混合模型

線性光譜混合模型是假設太陽入射輻射只與一種地物表面發生作用，物體之間沒有相互作用，傳感器在一定瞬時視場角(Instance Field of View，IFOV)內所觀測到像元的光譜反射率，可以通過構成該像元的各物質反射率與它們在像元中所占比例的加權和來描述［18］，即:

圖2 技術路線流程圖Fig.2 Technique flow chart of research

式中，Riλ為第λ波段第i個像元的光譜反射率;Ckλ為第k種端元組分在第λ波段的光譜反射率;fki為對應于第i個像元的第k種端元組分的豐度值;εiλ為第λ波段的剩余殘差，反映了線性光譜混合模型與實際的差異;n為端元數目，為實現方程求解，端元數目要求不大于影像波段數加1［10］。

為獲得植被覆蓋度準確、可靠的估計，需滿足兩個限制條件:

(1)各端元組分分量之和為1(Abundance Sum-to-One Constraint，ASC)，即:

(2)各端元組分分量為非負(Abundance Nonnegativity Constraint，ANC)，即:

僅滿足公式(1)的線性光譜混合模型稱作無約束LSMM;滿足ASC條件的稱作半約束LSMM;同時滿足ASC條件和ANC條件為全約束LSMM。有研究表明:相對于無約束LSMM算法和半約束LSMM算法，全約束LSMM算法可以獲得對地表真實覆蓋狀況更好的估算結果［19］。因此，本研究采用了全約束LSMM算法進行野鴨湖濕地自然保護區植被覆蓋度的提取。

3.3 端元提取

端元提取即確定影像中構成混合像元的基本組分的數目和類型，以及這些基本組分的光譜信息。端元的數目由影像的光譜維數決定，理論上，Landsat TM影像可以使用的端元數目為2—6個，實際應用中由于可見光波段之間的相關性較高，通?？梢蕴崛?—4種端元。端元光譜的確定通常有兩種方式:利用光譜儀在地面或實驗室測量得到的“參考端元”［20］或在遙感影像上提取得到的“影像端元”，雖然前者可以精確測量，但由于大氣狀況、輻射條件、物候等因素以及傳感器不同造成的影響，導致參考端元光譜信息與影像上像元光譜信息不一致，從而引起較大的誤差;因此，本研究采用直接從遙感影像上提取端元的方法。

由于遙感影像各波段之間存在一定的相關性，為有效地從遙感影像上提取端元，需要對影像進行去相關處理。最小噪聲分離變換(Minimum Noise Fraction，MNF)可以將影像的主要信息集中在前面幾個波段，以分離數據中的噪聲、減少后處理計算量［21］。

MNF變換的結果用于計算純像元指數(Pure Pixel Index，PPI)。PPI是在影像中尋找波譜最純凈像元的一種方法，它通過迭代將N維光譜特征空間中的離散點映射到一個隨機單位向量來計算，并記錄被標記為純凈像元的點與標記為純凈像元的次數以生成像元純度影像［22］。在像元純度影像上，每個像元的像素值表示被標記為純像元的次數，像元值越大，表示像元的純度越高。因此可以通過對PPI影像設置一定的閾值來獲得相對較純凈的像元作為候選端元。

端元的最終確定是在ENVI提供的N維可視化分析工具中通過人機交互完成的。N維可視化分析工具可以與MNF和PPI的結果相結合，用以定位、識別數據集中最純的像元，從而獲得端元波譜信息。通過在N維可視化工具中選擇拐角處的數據點和相對獨立的點，并與影像相結合，最終確定端元類型及端元光譜。

3.3.1 四端元模型

通過對原始Landsat TM影像作MNF變換、PPI計算并在N維可視化分析工具中進行端元提取，最終確定了植物、高反射率地物、低反射率地物、裸露土壤四種類型端元，其對應的光譜信息通過對N維可視化分析工具中選取的數據點取平均值來表達(圖3)?？梢钥闯?，4種端元具有各自明顯的光譜特征，在一定程度上可以反映研究區不同類型地物的光譜差異。

3.3.2 五端元模型

經分析，研究區3個可見光波段之間具有較高的相關性，相關系數分別為:0.935(第1波段和第2波段)、0.912(第1波段和第3波段)、0.940(第2波段和第3波段);因此，利用原始影像可以獲取的端元數目有限。為充分表達研究區的地物組分、反映不同地物間的光譜差異;研究通過擴展Landsat TM影像光譜維度的方法，改進端元提取的數量，選取五種類型端元進行后續分析，并與四端元模型進行對比。

歸一化植被指數(Normalized Difference Vegetation Index，NDVI)通過紅光波段與近紅外波段的組合實現對植被信息的表達，其計算公式為:

圖3 4種端元光譜曲線Fig.3 TM-based spectral signatures of the four selected endmembers

式中，Red為可見光紅光波段的反射率，NIR為近紅外波段的反射率，分別對應Landsat TM影像的第3、4波段，NDVI取值范圍為［-1，1］。NDVI與綠色植物的葉片生物量、葉面積指數、植物光合能力以及植物總的干物質積累等有很好的相關性，能夠較準確地反映植被的生長狀況、覆蓋程度，并能較好的區分地物類型［23］。有研究表明:NDVI在0.2以上表示有植被覆蓋，0.2以下表示地表無植被覆蓋，如裸土、沙漠等，當NDVI取值為負且數值較小時，表示對可見光高反射的水體、冰雪等地物［24］;因此，作為紅光波段與近紅外波段的非線性組合，NDVI可以提供獨立于兩者的新信息。

通過將NDVI與原始Landsat TM影像合并，以擴展原始影像的光譜維數，為獲取5種類型端元提供了可能;而5種端元可以較4種端元更好的反映研究區內不同地物之間的光譜差異。

根據MNF特征影像空間一致性和相應的MNF特征值數據的雙重檢查，選取前4個MNF成分分量(提供影像97.985%的信息)進行PPI的計算;以PPI影像中像素值大于10的像元作為候選端元(候選端元主要分布在研究區的官廳水庫、耕地、城鎮建筑等位置)。通過在N維可視化分析工具中選取，最終獲取陸生植物、水生植物、高反射率地物、低反射率地物以及裸露土壤5種類型端元，端元光譜反射率與NDVI值以N維可視

化分析工具中所選數據點的光譜信息均值來表達。圖4反映了所選5種端元的光譜反射率曲線及其對應的NDVI值?？梢钥闯?高反射地物的光譜反射率較高，位于0.2—0.4之間，其對應的NDVI值為0.090;而低反射地物的光譜反射率很低，NDVI值為-0.335，明顯區別于其他類型地物的光譜反射率和NDVI;裸露土壤的光譜反射率介于0.04與0.3之間;陸生植物的光譜反射率曲線在綠光波段有一反射峰，紅光波段到近紅外波段之間反射率急劇增加，符合植被光譜特征，且其NDVI值較高，為0.853;與之相比，水生植物的光譜反射率要相對較低，但NDVI值仍遠高于其他類型地物。5種地物端元分別具有各自明顯的光譜特征及NDVI值，可以較好的反映了研究區不同類型地物之間的光譜差異。

3.4 全約束LSMM算法提取植被覆蓋度

針對兩種端元模型，研究采用全約束LSMM算法進行混合像元分解以獲取植被覆蓋度。由于全約束LSMM算法涉及不等式限制條件，算法較復雜;另外，現有的軟件平臺不能實現全約束LSMM算法求解。因此，研究以IDL語言為開發工具，通過數值分析的方法［18，25］，編程實現了兩種端元模型下的全約束LSMM求解，在滿足研究需求的同時，也豐富了ENVI軟件在線性光譜混合模型方面的求解算法。

3.5 植被覆蓋度估算結果的優化

由于線性光譜混合模型在模擬實際光譜混合機理方面的固有缺陷，在研究區的純水體區域仍能得到一定的植被覆蓋度估算值，通過對這部分區域的植被覆蓋度賦為零，可以起到優化估算結果的目的。經分析，在Landsat TM影像中，純水體在第4波段的光譜反射率小于第2和第3波段，區別于其他地物在第4波段的光譜反射率普遍大于第2和第3波段的光譜特征;為了突出純水體與其他地物之間的光譜差異，構建NDVI和NDWI來提取研究區的水體信息。本研究選取影像中NDVI值小于-0.03且NDWI值大于0.1的像元作為純水體區，并將植被覆蓋度專題圖中相應位置的像元值賦為零，從而改善了植被覆蓋度的估算質量。

4 結果與分析

針對陸生植物、水生植物、高反射率地物、低反射率地物以及裸露土壤所組成的五端元模型，運用全約束LSMM算法進行混合像元分解，獲得兩種類型植物的植被覆蓋度如圖5?？梢钥闯?陸生植物的高植被覆蓋區位于耕地區域(圖5A)，而分布于西南部的草地區(圖5B)植被覆蓋度相對較低;水生植物多分布在水體兩側(圖5)，這與水生植物的生長環境相吻合。

運用全約束LSMM算法，對兩種端元模型進行混合像元分解，獲得研究區植被覆蓋度估算結果如圖6。可以看出，兩種端元模型的估算結果在空間分布趨勢上是基本一致的:研究區的草地(圖6A)與居民地(圖6B)區，植被覆蓋度相對較低;而高植被覆蓋區主要分布于耕地區域(圖6C、圖6D)。在數值上，與四端元模型相比，五端元模型估算值明顯較高;相對于四端元模型在水體區域的植被覆蓋度估算值普遍低于0.1的情況，五端元模型的估算值在相應部分位置可以達到0.2以上，從而更好的反映水生植物的信息。

5 精度評價

以同時期的WorldView-2多光譜影像上獲取的植被覆蓋度作為檢驗數據，進行植被覆蓋度估算結果的精度檢驗。在植被覆蓋度專題圖上隨機采樣，為降低影像配準帶來的誤差，采樣窗口設置為3×3，窗口內像元的平均值作為樣區的植被覆蓋度估算值。同時，在高分辨率的WorldView-2影像上獲取相應的樣本區(對應窗口大小為50×50)，采用目視解譯的方法，勾畫植被區域，計算植被在樣區中所占的比例，進而獲得植被覆蓋度的檢驗數據。表1為所選取的60個樣本區基于兩種端元模型的植被覆蓋度估算數據以及WorldView-2檢驗數據。

圖4 5種端元光譜曲線及其對應的NDVI值(左軸反映光譜反射率，右軸反映NDVI)Fig.4 TM-based spectral signatures and NDVI of the five selected endmembers

圖5 野鴨湖濕地自然保護區兩種類型植物的植被覆蓋度(五端元模型)Fig.5 The estimation abundance of two types of vegetation in Wild Duck Lake wetland based on five-endmember model

圖6 野鴨湖濕地自然保護區植被覆蓋度Fig.6 The estimation of vegetation abundance in Wild Duck Lake wetland

植被覆蓋度的估算精度采用相關系數(R)和均方根誤差(Root Mean Square Error，RMSE)來反映。相關系數R(公式4)反映了估算值與檢驗值之間的相關程度，R的絕對值越大，相關程度越高;RMSE(公式5)反映了采樣樣本的總體精度，RMSE越小精度越高。

式中，Xi表示估算值，為估算值均值;Yi表示檢驗值，為檢驗值均值;N為樣本數。

表1 各采樣區兩種端元模型的估算值與WorldView-2檢驗值Table 1 Values of vegetation abundance estimated using different endmember model and inspection data based on WorldView-2

通過對兩種端元模型的估算結果進行精度檢驗，由表2可以看出，五端元模型估算值與檢驗值之間的相關系數R為0.9023，相對于四端元模型的0.8671提高0.0352;另外，五端元模型估算值的均方根誤差RMSE為0.0939，明顯優于四端元模型的0.1711。兩種端元模型的估算值與WorldView-2檢驗值1∶1關系圖(圖7)直觀的反映了相對于四端元模型，五端元模型在估算研究區植被覆蓋度方面要更具優勢。

表2 兩種端元模型相關性分析和均方根誤差比較Table 2 Correlation analysis and RMSE comparison of two models

6 結論

研究以線性光譜混合模型為研究方法，分別基于植物、高反射率地物、低反射率地物、裸露土壤為組分的四端元模型和陸生植物、水生植物、高反射率地物、低反射率地物、裸露土壤為組分的五端元模型，對野鴨湖濕地自然保護區的植被覆蓋度進行了提取;另外，通過修正純水體區域的估算結果來改進提取精度;最后，輔以同時期高空間分辨率的WorldView-2多光譜影像對提取結果進行精度評價。結論如下:

(1)端元的數目通常由遙感影像的維數來決定［26］，Landsat TM影像的3個可見光波段之間往往存在較高的相關性，因此通常最多可使用四種類型的端元;而4種類型端元往往不能充分反映濕地植被類型豐富、土地利用多樣化的特點。研究通過擴展原始Landsat TM影像的數據維，為五端元模型的構建提供了可能。經檢驗，五端元模型估算值與檢驗值之間的相關系數達到0.9023，均方根誤差為0.0842，明顯優于傳統的四端元模型。這表明:通過擴展Landsat TM影像數據維的方法來改進端元提取的數量是可行的。NDVI作為紅光波段與近紅外波段的非線性組合，在反映植被生長狀況、覆蓋程度以及區分地物類型等方面具有重要意義，對Landsat TM影像增加NDVI數據維，可以克服從原始影像上獲取有限數量端元的局限，從而改進端元提取的數量。

圖7 兩種端元模型估算值與檢驗值之間1∶1關系圖Fig.7 The 1 ∶1 relationship between the predicted and inspection value of two models

(2)本研究基于線性光譜混合模型，通過對比四端元模型(植物、高反射率地物、低反射率地物、裸露土壤)與五端元模型(陸生植物、水生植物、高反射率地物、低反射率地物、裸露土壤)的植被覆蓋度估算結果，發現后者估算值與檢驗值之間的相關系數比前者提高了0.0351，均方根誤差降低了0.0613，從而得到更好的估算效果。這反映了相對于五種類型端元，四種類型端元并不能充分反映研究區復雜的地物組成，而五種類型端元可以較為充分的反映地物之間的光譜差異，從而獲得更好的估算結果。

(3)研究利用野鴨湖濕地自然保護區的純水體信息對植被覆蓋度的估算結果進行優化，通過構建NDVI與NDWI來增強純水體與其他類型地物的光譜差異，從而較為準確的獲取了純水體信息。通過修正純水體區域的植被覆蓋度估算值，從而改進了相應區域的估算精度。

7 討論

線性光譜混合模型適用于本質上屬于或者基本屬于線性光譜混合的地物，以及在大尺度上可以認為是線性光譜混合的地物。本研究采用中等分辨率的Landsat TM多光譜影像，基于線性光譜混合模型對北京市野鴨湖濕地自然保護區的植被覆蓋度進行了提取并獲得較好的效果，研究表明:線性光譜混合模型可以一定程度的反映Landsat TM影像上研究區內地物之間的實際光譜混合狀況。然而，一般情況下，利用非線性光譜混合模型計算出的結果要比用線性光譜混合模型計算出的結果要更好［18，27］，因此，在后續研究中，可以進一步探索非線性光譜混合模型在植被覆蓋度提取中的應用，以提高估算結果的準確性與可靠性。

本研究采用2011年7月26日中等分辨率的Landsat TM多光譜影像進行植被覆蓋度的估算，影像獲取時間是研究區植被生長最為旺盛的階段。Landsat-5衛星每16d覆蓋全球1次，因此，獲取1a內的多期多時相影像是可行的。在后續研究中，通過獲取同一區域不同時期的植被覆蓋度，結合氣溫、降水等自然因素以及政策變動、人類活動等人為因素，可以分析影響植被覆蓋度變化的驅動因子。同樣，通過分析1984年(Landsat-5發射時間)至今的植被覆蓋度，可以得到植被覆蓋度的年際變化。另一方面，植被覆蓋度作為反映植物生長狀況的一個重要參數，對地上植被生物量的估算具有一定的意義［28-29］。傳統地上植被生物量主要通過構建樣區植被指數與地上生物量的統計回歸模型來估算區域范圍內的植被生物量，在后續分析中可以通過增加植被覆蓋度這一影響因子來改進地上植被生物量的估算過程。

［1］Woodward R T，Wui Y S.The economic value of wetland services:a meta-analysis.Ecological Economics，2001，37(2):257-270.

［2］Yang Y X.Main characteristics，progress and prospect of international wetland science Research.Process in Geography，2002，21(2):111-120.

［3］Guo Z J，Yan G J，Feng X，Wang Y Z，Zhang X Y.Analysis on angular effects of vegetation fraction cover estimation based on Remote Sensing data.Journal of Beijing Normal University:Natural Science，2007，43(3):343-349.

［4］Xing Z R，Feng Y G，Yang G J，Wang P，Huang W J.Method of estimating vegetation coverage based on Remote Sensing.Remote Sensing Technology and Application，2009，24(6):849-854.

［5］Chen Y H，Li X B，Shi P J.Landscape spatial-temporal pattern analysis on change in the fraction of green vegetation based on Remotely Sensed Data:a case study in Haidian District，Beijing.Acta Ecologica Sinica，2002，22(10):1581-1586.

［6］Fan W L，Du H Q，Zhou G M，Xu X J，Cui R R，Dong D J.Spectral mixture analysis method based on the simulation of real scenario.Journal of Remote Sensing，2010，14(6):1250-1258.

［7］Small C，Lu J W T.Estimation and vicarious validation of urban vegetation abundance by spectral mixture analysis.Remote Sensing of Environment，2006，100(4):441-456.

［8］Small C.Estimation of urban vegetation abundance by spectral mixture analysis.International Journal of Remote Sensing，2001，22(5):789-806.

［9］Madhavan B B，Kubo S，Kurisaki N，Sivakumar T V L N.Appraising the anatomy and spatial growth of the Bangkok Metropolitan area using a vegetation-impervious-soil model through Remote Sensing.International Journal of Remote Sensing，2001，22(5):789-806.

［10］Wu C S，Murray A T.Estimating imperious surface distribution by spectral mixture analysis.Remote Sensing of Environment，2003，84(4):493-505.

［11］Elmore A J，Mustard J F，Manning S J，Lobell D B.Quantifying vegetation change in semiarid environments:precision and accuracy of spectral mixture analysis and the Normalized Difference Vegetation Index.Remote Sensing of Environment，2000，73(1):87-102.

［12］Lee S，Lathrop R G.Sub-pixel estimation of urban land cover components with linear mixture model analysis and Landsat Thematic Mapper imagery.International Journal of Remote Sensing，2005，26(22):4885-4905.

［13］Xiao J F，Moody A.A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico，USA.Remote Sensing of Environment，2005，98(2):237-250.

［14］Wang T X，Chen S L，Ma Y.Inversion of canopy abundance based on improved linear spectral unmixing model.Geo-Information Science，2008，10(1):114-120.

［15］Gong Z N，Gong H L，Zhao W J.The ecological evolution of Beijing wetland:a case study in Beijing Wild Duck Lake.Beijing:China Environmental Science Press，2007:56-62.

［16］Lin C，Gong Z N，Zhao W J.Hyperspectral estimation models for plant community water content at both leaf and canopy levels in Wild Duck Lake wetland.Atca Ecologica Sinica，2011，31(22):6645-6658.

［17］Chander G，Markham B L，Helder D L.Summary of current radiometric calibration coefficients for Landsat MSS，TM，ETM+，and EO-1 ALI sensors.Remote Sensing of Environment，2009，113(5):893-903.

［18］Zhang B，Gao L R.Hyperspectral image classification and target detection.Beijing:Science Press，2011:108-111.

［19］Li X S，Gao Z H，Li Z Y，Bai L N，Wang B Y.Estimation of sparse vegetation coverage in arid region based on hyperspectral mixed pixel decomposition.Chinese Journal of Applied Ecology，2010，21(1):152-158.

［20］Kameyama S，Yamagata Y，Nakamura F，Kaneko M.Development of WTI and turbidity estimation model using SMA—application to Kushiro Mire，eastern Hokkaido，Japan.Remote Sensing of Environment，2001，77(1):1-9.

［21］Jensen J R.Introductory digital image processing:a Remote Sensing Perspective.Beijing:China Machine Press，2007:426-428.

［22］Li S，Li W Z，Zhou J J，Zhuang D F.A review on endmember selection in the course of mixed pixel decomposition of Remote Sensing images.Geography and Geo-Information Science，2007，23(5):35-42.

［23］Zhang J H，Zhang G P，Wang P J.Vegetation and ecological Remote Sensing.Beijing:Science Press，2010:242-244.

［24］Shabanov N V，Zhou L M，Knyazikhin Y，Myneni R B，Tucker C J.Analysis of interannual changes in northern vegetation activity observed in AVHRR data from 1981 to 1994.IEEE Transaction on Geoscience and Remote Sensing，2002，40(1):115-130.

［25］Daniel C H.Fully constrained least squares linear spectral mixture method for material quantification in Hyperspectral Imagery.IEEE Transaction on Geoscience and Remote Sensing，2001，39(3):529-545.

［26］Theseira M A，Thomas G，Sannier C A D.An evaluation of spectral mixture modeling applied to a semi-arid environment.International Journal of Remote Sensing，2002，23(4):687-700.

［27］Hu S J，Hu D Y，Zhao W J.Extract urban vegetation coverage based on LSMM and improved FCM:a case study in Haidian District.Atca Ecologica Sinica，2010，30(4):1018-1024.

［28］Basuki T M，Skidmore A K，Laake P E V，Duren I V Hussin Y A.The potential of spectral mixture analysis to improve the estimation accuracy of tropical forest biomass.Geocarto International，2012，27(1):1-17.

［29］Fang J，Huang X D，Wang W，Yu H，Ma L Y，Liang T G.The grassland biomass monitoring by Remote Sensing technology in the Qinghai-TibetPlateau.Pratacultural Science，2011，28(7):1345-1351.

參考文獻:

［2］楊永興.國際濕地科學研究的主要特點、進展與展望.地理科學進展，2002，21(2):111-120.

［3］郭占軍，閻廣建，馮雪，王遠征，張霄羽.遙感估算植被覆蓋度的角度效應分析.北京師范大學學報:自然科學版，2007，43(3):343-349.

［4］刑著榮，馮幼貴，楊貴軍，王萍，黃文江.基于遙感的植被覆蓋度估算方法述評.遙感技術與應用，2009，24(6):849-854.

［5］陳云浩，李曉冰，史培軍.基于遙感的植被覆蓋變化景觀分析——以北京海淀區為例.生態學報，2002，22(10):1581-1586.

［6］范渭亮，杜華強，周國模，徐小軍，崔瑞蕊，董德進.模擬真實場景的混合像元分解.遙感學報，2010，14(6):1250-1258.

［14］王天星，陳松林，馬婭.基于改進線性光譜分離模型的植被覆蓋度反演.地球信息科學，2008，10(1):114-120.

［15］宮兆寧，宮輝力，趙文吉.北京濕地生態演變研究——以野鴨湖濕地自然保護區為例.北京:中國環境科學出版社，2007:56-62.

［16］林川，宮兆寧，趙文吉.葉冠尺度野鴨湖濕地植物群落含水量的高光譜估算模型.生態學報，2011，31(22):6645-6658.

［18］張兵，高連如.高光譜圖像分類與目標探測.北京:高等教育出版社，2011:108-111.

［19］李曉松，高志海，李增元，白黎娜，王琫瑜.基于高光譜混合像元分解的干旱地區洗漱植被覆蓋度估測.應用生態學報，2010，21(1):152-158.

［22］李素，李文正，周建軍，莊大方.遙感影像混合像元分解中的端元選擇方法綜述.地理與地理信息科學，2007，23(5):35-42.

［23］張佳華，張國平，王培娟.植被與生態遙感.北京:科學出版社，2010:242-244.

［27］胡姝婧，胡德勇，趙文吉.基于LSMM和改進的FCM提取植被城市覆蓋度——以北京市海淀區為例.生態學報.2010，30(4):1018-1024.

［29］方金，黃曉東，王瑋，于慧，馬琳雅，梁天剛.青藏高原草地生物量遙感動態監測.草業科學，2011，28(7):1345-1351.