中高分辨率遙感協同反演冬小麥覆蓋度

孫中平，劉素紅，姜 俊，白雪琪，陳永輝，朱程浩，郭文婷（1. 遙感科學國家重點實驗室，北京師范大學地理科學部，北京 100875；. 環境保護部衛星環境應用中心，北京 100094；. 北京林業大學精準林業北京市重點實驗室，北京 10008）

中高分辨率遙感協同反演冬小麥覆蓋度

孫中平1,2，劉素紅1※，姜 俊2，白雪琪3，陳永輝3，朱程浩3，郭文婷3
（1. 遙感科學國家重點實驗室，北京師范大學地理科學部，北京 100875；2. 環境保護部衛星環境應用中心，北京 100094；3. 北京林業大學精準林業北京市重點實驗室，北京 100083）

為了開展高精度、高時空分辨率的植被覆蓋度（fraction vegetation cover，FVC）監測，該文以華北地區冬小麥地為研究對象，采用4期高分一號衛星多光譜（GF1-PMS）、多光譜寬幅(GF1-WFV)與環境一號衛星多光譜(HJ1-CCD)3種傳感器同期影像數據集，基于像元二分法模型，研究多源中高分辨率遙感影像協同估算FVC方法。以基于高空間分辨率GF1-PMS影像反演的FVC作為檢驗數據，對單源直接獲取法、多源全生育期法、多源分期法3種反演模型進行了分析比較。研究結果表明：HJ1-CCD、GF1-WFV數據與GF1-PMS數據的FVC直接反演結果具有較高的一致性，但在冬小麥的初期生長階段，受衛星觀測角度效應的影響，GF1-WFV與HJ1-CCD的FVC結果偏高，偏差隨冬小麥的成熟封壟而逐漸減弱；多源分期法的時空反演得到的FVC精度最高，GF1-WFV的決定系數為0.984，均方根誤差為0.030；HJ1-CCD的決定系數為0.978，均方根誤差為0.034；而在缺少GF1-PMS匹配數據時，可通過多源全生育期法提高GF1-WFV與HJ1-CCD數據的反演精度，GF1-WFV的決定系數為0.964，均方根誤差為0.044；HJ1-CCD的決定系數為0.950，均方根誤差為0.052。通過多傳感器的聯合反演獲取時間序列的高精度的FVC數據，可為研究植被生長狀況及生態環境動態變化提供數據基礎。

遙感；作物；監測；多源；覆蓋度；冬小麥；像元二分法；高分一號

0 引 言

植被是陸地生態系統的基礎，是連結土壤和大氣的自然紐帶。植被覆蓋度（fraction vegetation cover，FVC）被定義為植被（包括葉、莖、枝）在單位面積內的垂直投影面積所占百分比[1]。由于FVC是反映植被生長狀況的特征參量，從而成為許多生態、水文和氣象模型的關鍵輸入參數[2-3]。因此，區域及全球范圍的植被覆蓋度估算對研究大氣、土壤、水文和生態等具有重要的意義[4]。

衛星遙感具備大范圍的數據獲取和連續觀測能力，能夠獲取不同尺度上的植被覆蓋及其變化信息，已經成為估算植被覆蓋度的主要技術手段[5-6]。遙感估算植被覆蓋度的方法有經驗模型法[7-8]、植被指數法[2,9]和混合像元分解模型法[10-12]等。其中，混合像元分解法從地物光譜混合模型的角度出發估算植被在像元中所占的比例，具有一定的物理意義，且不需要地面實測植被覆蓋度，易于推廣，因此具有較大的潛力[13-14]。

目前，現有的FVC產品使用的數據源有POLDER[15]、SPOT/VGT[16]、NOAA/AVHRR[17]、MERIS[18]、MSG/ SEVIRI[19]等，空間分辨率為百米級、千米級尺度[7]，產品算法和產品發布系統比較完善，但對于空間分辨率幾十米、米級等中高分辨率尺度，受限于單傳感器數據的空間覆蓋范圍和獲取時相，至今鮮有全球或區域產品發布。高精度、高時空分辨率的長間序FVC 數據集對于全球變化監測以及低分辨率FVC產品驗證具有重要的科學意義[13,20]。隨著衛星組網和協同觀測技術體系的發展，利用多源衛星數據能夠提供互補信息，可一定程度上提高FVC等地表參數產品在空間和時間上的連續性[5]，但產品質量、精度和時空分辨率仍需進一步改進[21]。

近些年來，中國陸續發射了一系列中高分辨率陸地觀測衛星。環境一號衛星（代號HJ1）A、B星分別搭載有2臺寬覆蓋多光譜可見光相機（HJ1-CCD），單臺相機的幅寬大于360 km，地面像元分辨率為30 m，兩星協同可實現2 d的重訪周期。高分一號衛星（代號GF1）搭載了2臺2 m分辨率全色/8 m分辨率多光譜相機（GF1-PMS）、4臺16 m分辨率多光譜相機（GF1-WFV）；2臺GF1-PMS相機組合幅寬優于60 km，4臺GF1-WFV相機組合幅寬優于800 km，重訪周期為4 d[22]。因此，高分一號、環境一號多光譜數據的聯合使用具有覆蓋范圍寬、時間分辨率高、空間分辨率較高等優勢，是大范圍內植被覆蓋度反演的理想數據源。但由于傳感器的在軌運行時間及性能差異，多傳感器數據集的觀測質量參差不齊，同時，考慮到不同傳感器輻射性能和波段設置的差異、空間位置差異、大氣狀況等因素影響，多傳感器數據集間存在一致性訂正問題。同時，由于國產在軌自主衛星出現時間較短，植被覆蓋度估算的相關應用研究還很少，在一定程度上影響了自主遙感數據潛力、價值的科學評估，制約了中國自主遙感數據在陸地生態系統生理參數估測應用上的進一步發展。

針對國產衛星影像應用中存在的這些問題，本研究以華北平原的冬小麥地為研究對象，聯合使用多時相HJ1-CCD、GF1-WFV以及GF1-PMS數據，研究建立多源中高分辨率遙感影像協同估算植被覆蓋度的方法，包括3個具體目標：1）不同傳感器遙感數據間的FVC匹配；2）不同空間分辨率遙感數據的FVC匹配；3）適用于多源多尺度遙感數據的FVC估算方法優選。

1 試驗區概況與數據源

1.1 試驗區概況

試驗區為華北平原（32°19′N～40°18′N, 112°18′E～120°25′E）的部分冬小麥主產區，涵蓋北京、天津、河北南部、山東西部、河南北部（如圖1）。年均氣溫13 ℃，年均降水量710 mm，屬溫帶大陸性季風氣候，雨熱同期，土層深厚，土質肥沃，適宜小麥、玉米、大豆等多種農作物的生長。冬小麥多于每年的10月上、中旬播種，次年6月收獲。

圖1 試驗區及樣區的位置Fig.1 Location of experiment areas and sample areas

1.2 遙感影像及處理

綜合考慮影像質量和冬小麥生育期，本研究選用了4期GF1-PMS、GF1-WFV和HJ1-CCD影像數據，時間跨越冬小麥返青-起身期（2015年3月23日、2015年3月29日）、拔節-開花期（2014年4月28日、2014年5月5日），所選用的同一生育期、不同衛星遙感影像的獲取時間基本一致，時間差在2 d以內，所有遙感影像的具體參數見表1。所有影像借助ENVI軟件進行輻射定標、大氣校正、幾何校正等預處理工作。輻射定標采用中國資源衛星應用中心網站提供的絕對輻射定標系數進行校正；大氣校正采用FLAASH大氣校正模型；幾何校正是先采用影像自帶RPC（rational polynomial coefficient）文件進行正射校正，再以同時期GF1-PMS影像為基準進行幾何精校正，誤差在一個像素以內。根據試驗區范圍的大小以及其所處位置選擇高斯投影，從而將3種不同分辨率的影像轉換到統一投影坐標系下。

冬小麥地和裸地的提取通過ENVI實現：首先利用最大似然法對四期GF1-PMS影像進行監督分類, 共分為建筑（包括道路和裸地）、水體、林草地（包括綠化）和耕地4 類；然后針對耕地、建筑，應用訓練樣本集，提取除錯分信息，最終獲得冬小麥地和裸地面積。針對每景圖像獲取的冬小麥地和裸地提取結果，2 種類型分別隨機選30 個驗證點進行目視判讀驗證，總體精度為85.45%，Kappa 系數為0.78，整體分類精度較高，結果可靠，滿足研究精度要求。

表1 多源遙感影像的獲取信息Table 1 Details of remote sensing images

2 研究方法

2.1 像元二分法模型

像元二分法是一種常用的混合像元分解法，模型簡單、計算方便，在具有多種地物類型區域的應用中表現出較高的精度和穩定性[10,23]。該模型假設像元只由有植被覆蓋的地表和裸地2部分組成。光譜信息也只由這 2 個組分線性合成,它們各自的面積在像元中所占的比率即為各因子的權重，其中植被覆蓋地表占像元的百分比即為該像元的FVC。像元二分模型公式如式（1）

式中VI為某一植被指數，VISoil和VIVeg分別為裸土、純植被區的植被指數值。

植被指數種類是多種多樣的，歸一化植被指數（normalized vegetation index，NDVI）是植被生長狀態及植被空間分布密度的最佳指示因子[24]，在像元二分模型估算FVC中得到了廣泛應用[10,25-26]。植被指數采用NDVI后，式（1）可寫為

式中NDVISoil、NDVIVeg分別指純土壤像元和純植被像元的NDVI。NDVI的計算公式如式（3）所示

式中NIRρ指近紅外波段的反射率，Redρ為紅波段反射率。

像元二分法最大的難點在于確定NDVISoil、NDVIVeg[7]。本研究涉及冬小麥的4個關鍵生長期，即：返青期、起身期、拔節期、開花期。在冬小麥返青期和起身期，春播作物尚未播種，裸地面積較大，在影像上較易獲取純土壤像元；到拔節期和開花期，小麥生長逐漸完成而達到封壟，田間裸地面積小，因而在影像上較易找到全小麥覆蓋的像元。同時，在沒有實測數據的情況下，實際應用中，NDVISoil、NDVIVeg取給定置信度的置信區間內的最大值與最小值，以在一定程度上消除遙感圖像噪聲所帶來的誤差。綜合考慮上述情況，本研究采用雙時期法確定NDVISoil、NDVIVeg：提取2015年3月23日和3月25日2期裸地的NDVI值生成數據頻率統計表，選取置信度為98%的NDVI值為NDVISoil；提取2014年5月5日和5月6日2期冬小麥地NDVI值生成數據累積概率分布，選定置信度為98%的NDVI值為NDVIVeg。

2.2 多源中高分辨率遙感影像協同反演FVC

像元二分法模型本質上是一種線性方程，且模型驅動變量NDVI與輻亮度信號是線性變換的，因而尺度效應影響較小[27-28]。冬小麥作為典型的行播農作物，在封壟前，呈現非均一地表特性，不同觀測角度對應像元不同的采樣面積, 加之植被的二向性反射特性，角度效應顯著[29-30]。對于HJ1-CCD、GF1-WFV等寬幅遙感成像傳感器，星下點附近的觀測天頂角比較小，而遠離星下點的邊緣像元觀測天頂角比較大，觀測角度的差異導致觀測對象不同，跟垂直定義的植被蓋度差異較大。GF1-PMS傳感器幅寬較小，觀測天頂角也相對較小，不側擺情況下，近似于垂直觀測。因此，本研究借鑒Bottom-up方法[31]，基于GF1-PMS數據，對HJ1 -CCD、GF1-WFV數據進行校正，實現多源中高分辨率遙感影像植被覆蓋度的協同估算。

所謂Bottom-up方法就是對高空間分辨率地表參數遙感估測值與低空間分辨率遙感數據估測值之間進行回歸分析，建立經驗模型，最后基于此模型, 利用低空間分辨率的遙感數據估測地表參數。

對于像元二分模型，植被指數的精度對于FVC反演具有決定作用，因此，本研究基于NDVI構建回歸模型，具體步驟為：1）計算3種遙感數據的NDVI；2）將GF1-WFV和HJ1-CCD兩種數據的NDVI值分別與GF1-PMS數據對應位置的NDVI值進行線性回歸分析，建立中高分辨率數據的NDVI回歸模型；3）基于此回歸模型，對GF1-WFV和HJ1-CCD整景數據的NDVI值進行校正；4）基于像元二分模型，利用校正后的NDVI估測FVC。

GF1-PMS、GF1-WFV、HJ1-CCD3種傳感器的空間分辨率分別為8 、16 和30 m，因此，無法采用點對點的像元光譜比較法進行匹配。鑒于此，本研究采用國際慣用的樣區法[32-33]，即在3種分辨率的影像上選取范圍相同的樣區，然后以各樣區的平均值進行匹配，采用取均值方法在一定程度上可減少錯配，降低遙感反演誤差。樣區大小的選擇取8 、16 、30 m的最小公倍數240 m，在4期影像上各選取40個240 m×240 m的均質冬小麥樣區進行對比、回歸分析。第一期回歸樣區空間分布情況如圖1所示。

冬小麥在不同的生育期季相節律存在差異，表現出迥然不同的光譜特性[34]。在返青期和起身期，冬小麥覆蓋度較低，土壤背景干擾很大；到拔節、開花期，冬小麥快速生長，覆蓋度迅速增加，土壤背景干擾變小。因此，本研究構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種方法構建回歸模型，通過分析對比實現FVC估算方法的優選。

對于多源全生育期法，中高分辨率數據回歸模型的構建是基于4期數據160個樣本區進行回歸分析，得到一個統一的模型，中分辨率數據校正采用統一的回歸模型。而對于多源分期法，對每期40個樣本區進行線性回歸，得到4個回歸模型，中分辨率數據校正采用當期或者時間最近的回歸模型。

2.3 精度評價方法

研究表明植被蓋度估測精度與遙感影像分辨率的高低密切相關，高空分辨率數據的FVC 反演結果可以用于低分辨率FVC驗證[16]。本研究采用相對驗證方法對不同數據、方法的植被覆蓋度反演結果進行對比分析。即以GF1-PMS數據反演結果作為植被覆蓋度參考值，分別在每期數據上選取20個樣本區作為檢驗樣區,檢驗樣區與回歸樣區不重合（空間分布見圖1），統計各檢驗樣區的植被覆蓋度參考值及對應GF1-WFV和HJ1-CCD的植被覆蓋度反演值，對參考值與反演值進行對比分析。為了綜合衡量植被覆蓋度提取方法的精度高低，利用決定系數（R2）、均方根誤差（root mean square error, RMSE）、偏差（Bias）、偏差率（ME）4個參數作為精度評價指標。

3 結果與分析

3.1 3種數據源直接反演FVC對比

本研究采用雙時期法分別確定HJ1-CCD、GF1-WFV和GF1-PMS三種數據的NDVISoil、NDVIVeg，如表2所示。在此基礎上，采用像元二分法模型進行FVC反演，得到3種數據的4期小麥地FVC估測數據集。2014年4月27日3種數據FVC反演結果局部對比如圖2所示。

表2 純土壤像元和純小麥像元NDVI取值Table 2 NDVI values of pure soil and pure wheat pixels

根據40期共160個樣區數據，對GF1-PMS、GF1-WFV、HJ1-CCD三種數據獲取的FVC進行了統計分析，統計特征值見表3和散點分布見圖3。

通過圖2可以看出，整體上, GF1-PMS、GF1-WFV、HJ1-CCD三種數據獲取的FVC結果相差不大，但是，隨著分辨率的降低，影像結構不斷粗糙，小麥地邊緣受周邊地塊的影響，FVC估值偏小。

圖2 基于HJ1-CCD、GF1-WFV與GF1-PMS影像反演的FVC結果局部對比（2014-04-27）Fig.2 Local contrast of retrieved FVC using HJ1-CCD, GF1-WFV, and GF1-PMS images（2014-04-27）

表3 植被覆蓋度基本統計特征值Table 3 Statistics of retrieved FVC

圖3 基于HJ1-CCD、GF1-WFV與GF1-PMS影像反演的FVC散點圖Fig.3 Scatter diagram of retrieved FVC using HJ1-CCD, GF1-WFV, and GF1-PMS images

通過表3可以看出，GF1-PMS反演結果的動態范圍和標準差最大，GF1-WFV居中，HJ1-CCD最小，這表明高分辨率的GF1-PMS影像對植被分辨較細，FVC估算結果更加準確；總體來看，HJ1-CCD、GF1-WFV反演結果與GF1-PMS反演結果具有較好的相關關系，R2均高于0.9，GF1-WFV與GF1-PMS反演結果具有更高的一致性，RMSE、偏差、偏差率更小。

結合表1和圖3可以看出，3月23日的冬小麥地FVC為0.4左右，HJ1-CCD、GF1-WFV的觀測天頂角分別比GF1-PMS大11.43°、7.01°，兩者的FVC估算值明顯高于GF1-PMS估算值，HJ1-CCD估算值的離散度和偏差要大于GF1-WFV；3月29日冬小麥地的FVC在0.6左右，HJ1-CCD、GF1-WFV的觀測天頂角分別比GF1-PMS高7.87°、0.55°，兩者估算值的離散度和偏差有所減少；4月28日和5月5日的FVC大于0.8，雖然4月28日HJ1-CCD、GF1-WFV的觀測天頂角分別比GF1-PMS高12.22°、7.29°，5月5日兩者的觀測天頂角則分別大11.70°、13.00°，均高于3月23日和3月29日，但是HJ1-CCD、GF1-WFV與GF1-PMS估算值甚為接近。總的來說，在小麥地FVC小于0.8時，受土壤背景影響，衛星觀測角度效應明顯，HJ1-CCD、GF1-WFV估算值對于GF1-PMS明顯偏高，而隨著FVC的增加，衛星觀測角度效應影響明顯降低，偏差逐漸減小，到小麥封壟后，趨于一致。

3.2 不同的植被覆蓋度協同反演方法對比

將GF1-WFV和HJ1-CCD 2種數據的NDVI值分別與GF1-PMS數據對應位置的NDVI值進行線性回歸分析，采用多源全生育期法和多源分期法2種方法構建回歸模型（表4），模型顯著性檢驗P值均小于0.01。基于檢驗樣區，中高分辨率衛星影像協同應用的多源全生育期法、多源分期法與中分辨率衛星影像的單源直接反演法（single-source inversion method，SIM）精度評估結果如表5所示。

表4 基于中高分辨遙感影像的植被覆蓋度協同估測模型Table 4 Estimation models of FVC using multi-source remote sensing images

表5 3種FVC反演方法精度對比Tab.5 Accuracy comparison of 3 FVC inversion methods

由表5可以看出，相對于單源直接反演法，多源全生育期法GF1-WFV總體R2增加0.102，總體偏差、偏差率、RMSE分別減少0.045、6.663%、0.017，而3月23日和3月29日平均偏差、偏差率、RMSE則分別減少0.063、20.146%、0.076；HJ1-CCD的總體R2增加0.319，總體偏差、偏差率、RMSE分別減少0.1、14.977%、0.027，而3月23日和3月29日平均偏差、偏差率、RMSE則分別減少0.149、38.626%、0.11。多源分期法GF1-WFV總體R2增加0.122，總體偏差、偏差率、RMSE分別減少0.049、7.282%、0.031，而3月23日和3月29日平均偏差、偏差率、RMSE則分別減少0.089、21.662%、0.073；HJ1-CCD的總體R2增加0.347，總體偏差、偏差率、RMSE分別減少0.101、15.111%、0.045，而3月23日和3月29日平均偏差、偏差率、RMSE則分別減少0.159、39.243%、0.135。總體來說，相較于單源直接反演法，多源分期法、多源全生育期法采用近似于垂直觀測的高空間分辨率GF1-PMS數據對傾斜觀測的HJ1-CCD和GF1-WFV數據進行觀測角度校正，FVC總體反演誤差有所減少，估測精度得到提高，特是在角度效應影響顯著的的冬小麥返青-起身期（3月23日、3月29日），誤差減少幅度大于整個生育期，校正效果更加明顯。

相較于多源全生育期法，多源分期法GF1-WFV的決定系數較高（R2=0.984），均方根誤差較小（RMSE=0.030）；HJ1-CCD的決定系數也較高（R2=0.978），均方根誤差較小（RMSE=0.034）。可以看出，多源分期法的平均估測精度高于多源全生育期法。

4 結 論

本研究以華北地區的冬小麥地為試驗區，基于像元二分模型，研究了中高分辨率的GF1-PMS、GF1-WFV和HJ1-CCD三種傳感器數據協同FVC估算方法，并基于4期遙感影像數據集，研究多源多尺度遙感數據的FVC匹配與反演方法優選。得到如下結論：

1）冬小麥作為典型的行播農作物，FVC小于0.8時，受土壤背景影響，衛星觀測角度效應明顯，HJ1-CCD、GF1-WFV數據的FVC估值相較于GF1-PMS偏高；而隨著FVC的增加，偏差逐漸減小；到小麥封壟后，觀測角度影響較小，三者趨于一致。這表明，應用寬覆蓋數據協同反演FVC應考慮角度效應和季相節律的影響。

2）HJ1-CCD、GF1-WFV數據與GF1-PMS數據的FVC直接反演結果具有較好的相關關系，R2均高于0.9。相對于HJ1-CCD、GF1-WFV直接反演結果，GF1-PMS直接反演結果的動態范圍和標準差最大，GF1-WFV居中，HJ1-CCD最小。這表明HJ1-CCD、GF1-WFV數據與GF1-PMS數據的FVC反演結果具有較高的一致性，高分辨率的GF1-PMS影像對地物分辨較細、觀測角度較小，FVC估算結果更加準確，可以用以對中分辨率的HJ1-CCD、GF1-WFV數據進行校正。

3）多源分期法、多源全生育期法較單源直接反演法，誤差有所減少，平均估測精度均有提高，其中，多源分期法估測精度最高，GF1-WFV的決定系數R2為0.984，均方根誤差RMSE為0.030；HJ1-CCD的R2為0.978，RMSE為0.034。在缺少GF1-PMS匹配數據時，可通過全生育期法提高GF1-WFV與HJ1-CCD數據的反演精度，GF1-WFV的R2為0.964，RMSE為0.044；HJ1-CCD的R2為0.950，RMSE為0.052。

中高分辨率協同FVC反演能夠有效提高小麥地植被覆蓋度的提取精度和監測時效，對于利用多源多尺度衛星遙感數據研究植被生長狀況及生態環境動態變化具有重要意義。然而，由于國產中分辨率多傳感器觀測數據集觀測角度分布離散度不強，GF1-WFV與HJ1-CCD數據的角度信息未能加以利用，這在一定程度上限制了多傳感器數據集的優勢表現，后續需要進一步研究多角度觀測數據的協同應用方法。

[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] 陳云浩，李曉兵，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[J]. 生態學報，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] 張喜旺，吳炳方. 基于中高分辨率遙感的植被覆蓋度時相變換方法[J]. 生態學報，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] 楊強，王婷婷，陳昊，等. 基于 MODIS EVI 數據的錫林郭勒盟植被覆蓋度變化特征[J]. 農業工程學報，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] 賈坤，姚云軍，魏香琴，等. 植被覆蓋度遙感估算研究進展[J]. 地球科學進展，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] 楊峰，李建龍，楊文鈺，等. 基于線性光譜混合模型的荒漠草地覆蓋度估測[J]. 農業工程學報，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] 孫元亨，秦其明，任華忠，等. GF-4/PMS 與 GF-1/WFV 兩種傳感器地表反射率及NDVI一致性分析[J]. 農業工程學報，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] 李恒凱，雷軍，楊柳. 基于 Landsat 影像的離子稀土礦區植被覆蓋度提取及景觀格局分析[J]. 農業工程學報，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，張顯峰，孫權，等. 不同分辨率影像反演植被覆蓋度的參數確定與尺度效應分析[J]. 武漢大學學報：信息科學版，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] 劉良云. 葉面積指數遙感尺度效應與尺度糾正[J]. 遙感學報，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] 齊臘，劉良云，趙春江，等. 基于遙感影像時間序列的冬小麥種植監測最佳時相選擇研究[J]. 遙感技術與應用，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

孫中平，劉素紅，姜俊，白雪琪，陳永輝，朱程浩，郭文婷.中高分辨率遙感協同反演冬小麥覆蓋度[J]. 農業工程學報，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

國家重點研發計劃(2016YFD0800903)

孫中平，男，博士生，高級工程師，主要從事環境遙感應用研究。北京 北京師范大學地理科學部，100875。Email：sunnybnu114@163.com

※通信作者：劉素紅，女，博士，博士生導師，主要從事遙感應用研究。北京 北京師范大學地理科學部，100875。Email：liush@bnu.edu.cn