Remote sensing estimation and change analysis of fractional vegetation coverage in Natural Forest Resource Protection Project area
-
摘要:目的 天然林资源保护工程(简称“天保工程”)实施20多年来有效保护和恢复了工程区的森林资源。工程实施成效除了森林覆盖面积增加,更多的表现为森林资源质量持续提升。为了更好地评估天保工程建设成效,利用植被覆盖度作为定量评价指标,分析天保一期(2000—2010年)、天保二期(2011—2020年)工程实施期间的森林质量变化。方法 综合年度植被指数合成策略、优化纯植被像元和纯裸土像元值域的动态确定方法,构建改进的像元二分模型,生产天保工程区时间序列的植被覆盖度产品。基于森林资源一类清查郁闭度数据、森林生态系统定位研究网络郁闭度数据、机载高光谱植被覆盖度数据,验证该植被覆盖度产品的精度。在此基础上,分析天保工程林区植被覆盖度的时空变化趋势。结果 天保一期植被覆盖度均值为0.68,天保二期植被覆盖度均值为0.71,增加了4.41%;工程区植被覆盖度呈现增加趋势的面积占林区总面积的78.22%,而呈减小趋势的面积仅占林区总面积的9.56%。结论 在中国天保工程森林地区,基于MODIS 植被指数产品和改进的像元二分模型生产的植被覆盖度产品的精度高于MODIS产品的精度。自天保工程实施以来,林区植被覆盖度总体上呈现出明显的增加趋势,说明天保工程实施效果显著,森林资源质量持续提升。Abstract:Objective The forest resources have been effectively protected and restored with the implement of Natural Forest Resource Protection Project (NFPP) in recent twenty years. In addition to a slight increase in forest coverage, effects of the project are mainly the continuous improvement of forest resource quality. To quantitatively assess the effects of NFPP, the fractional vegetation coverage (FVC) was used as the indicator to demonstrate the forest quality during the first stage (2000−2010) and second stage (2011−2020) of NFPP.Method A modified dimidiate pixel model was proposed based on the new vegetation index composition strategy and the dynamically determination method of the pure vegetation and soil pixels, and time series FVC was generated in the project area. FVC was then validated by forest resource inventory data, Chinese forest ecosystem research network data and airborne hyperspectral data. At last, the spatial and temporal variation of FVC was analyzed in NFPP area of China.Result FVC increased from 0.68 to 0.71 since the implement of the project. Area with increased FVC trend was about 78.22% of the total forest area, while area with decreased FVC trend only accounted for 9.56% of the total forest area.Conclusion Accuracy of the estimated FVC was higher than that of MODIS product. An obviously increasing trend of FVC could be found in the NFPP area, which indicates that the quality of forest is increasing since the implement of NFPP.
-
天然林是我国森林资源的主体,主要分布在西南、西北、东北的江河中上游林区。我国天然林资源保护工程(简称“天保工程”)以维护国家生态安全、改善生态环境、保护生物多样性、促进经济可持续发展为宗旨。工程一期建设时间为2000—2010年,工程区范围包括17个省(市、区)的734个县和167个森工局;二期建设时间为2011—2020年,工程区新增加了丹江口库区的11 个县(市、区)[1]。天保工程实施成效除了森林覆盖面积略有增加,更多的表现为森林资源质量持续提升[2]。评估天保工程对森林资源的保护成效,可为天然林保护、修复提供决策依据和科学支撑。
植被覆盖度(fractional vegetation coverage,FVC)是表征植被冠层结构最基本的物理参数之一,能反映地表植被群落长势,描述生态系统特征及发展过程,可作为评价森林资源状况的重要指标。已有学者用林区FVC反映森林资源的分布和覆盖情况、表现林区的生物多样性、分析森林的生态功能和生态服务价值、评价森林景观资源和生态功能脆弱性、分析森林健康状态和退化情况、监测森林扰动等[3-7]。遥感技术的发展为快速、高效估算大面积FVC,进而评价森林资源状况及发展变化规律提供了可能性。基于遥感数据估算天保工程区的FVC,并分析其发展变化趋势,对于揭示天保工程区森林生态系统的发展变化规律、分析天保工程对于中国生态环境的影响、研究区域乃至全球碳循环具有重要意义[8-11]。
美国国家航空航天局(National Aeronautics and Space Administration,NASA)的MODIS 连续植被覆盖产品(vegetation continuous fields,VCF)是当前较常用的植被覆盖度产品,在大区域植被覆盖变化监测、森林损失和退化分析等领域应用广泛[12]。该产品基于高分辨率的Ikonos、Quickbird影像获取训练数据,结合MODIS地表反射率、亮度温度和土地覆盖数据,采用M5回归树算法生产,包含森林覆盖比(percent-tree cover)、非森林覆盖比(percent-non tree vegetation)、非植被比(percent non vegetated)等数据集[13]。但是,有研究表明该产品存在诸多局限性,主要表现在:在森林覆盖低的区域,FVC会出现高估现象,而在森林覆盖高的区域,FVC会出现低估现象[14];在地形异质性较强的区域精度较低[15-16];在森林、灌丛等不同类型下,MODIS产品会低估FVC约5.2% ~ 31.0%[17-21];年际变化较大,不适合用简单的变化检测方法分析变化趋势[22];在中国森林地区的精度验证的研究较少,该产品用于中国森林地区趋势变化分析的适用性不明确。分析天保工程区FVC的变化规律,评估天保工程的建设成效,亟需更可靠、精度更高的FVC数据集。
混合像元分解模型是常用的估算FVC的模型之一,常见的分解方法有线性分解和非线性分解[23-24]。其基本原理是将反射光谱信息分为植被和非植被两个组分,通过求解植被和非植被部分的比例来确定FVC。为了反映纯植被像元和纯裸土像元的光谱信息,当前常用的取值方法是在某一置信区间内取植被指数的最大值和最小值[23]。由于混合像元存在,纯植被和纯裸土像元的选择具有一定的不确定性[25-26]。利用混合像元分解模型估算FVC时,在不同的尺度上纯植被和纯裸土像元的参数差异较大,存在尺度效应问题。如何选择合适的尺度,并在该尺度上获取纯植被和纯裸土像元参数,使得混合像元分解模型的参数具有本地化特征、FVC估算结果具有较好的时空连续性,以及该参数的敏感性和对精度的影响,仍是值得研究的问题。
针对MODIS连续植被覆盖产品和混合像元分解模型的局限性,本文基于MODIS植被指数产品,改进年度植被指数的合成策略,优化纯植被像元和纯裸土像元值域的动态确定方法,构建改进的像元二分模型,以期提高天保工程林区FVC的估算精度;在此基础上,生产天保工程区时间序列的FVC产品,分析天保工程区FVC的时空变化趋势。
1. 研究区概况及研究方法
1.1 研究区概况
天保工程实施范围主要包括长江上游地区、黄河中上游地区、东北和内蒙古地区、新疆维吾尔自治区和海南省的18个省(区、市)的重点国有森工企业、地方森工企业、采育场和以采伐天然林为经济支柱的国有林业局(场)、集体林场(图1)。天然林面积约7 × 107 hm2,占全国天然林总面积的约69%。天保工程自2000年实施以来,对天然林资源的保护和恢复、生态环境的改善,发挥了重大作用。
1.2 数据及预处理
1.2.1 遥感数据
MODIS植被指数产品来源于NASA的MOD13Q1(https://modis.gsfc.nasa.gov),版本为C06,时间分辨率为16 d,空间分辨率为250 m,包含了归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)、数据质量等数据集[25]。该数据产品通过选择高质量的、无云的近红外(858 nm)、红光(670 nm)、蓝光(470 nm)波段的地表反射率合成每8 d的地表反射率数据,采用有限视角内的最大值法(constrained view angle-maximum value composite,CV-MVC)合成[25]。为了减小物候的影响,本文合成了2000—2020年每年生长季(5—9月)NDVI的最大值和中值。
MODIS连续植被产品来源于NASA的MOD44B(https://modis.gsfc.nasa.gov),数据版本为C06,时间分辨率为1年,空间分辨率为250 m。利用位于马里兰、巴西的地面站点的数据对产品进行精度验证,结果表明该产品具有较高的精度(RMSE为10.46%,平均绝对误差为9.40%)[26]。计算了森林覆盖占比和非森林植被覆盖占比的和作为参考数据,与本文估算FVC的精度进行比较。
孟家岗林场(130°32′ ~ 130°52′ E,46°20′ ~ 46°30′ N)位于黑龙江省佳木斯市,林场经营面积约1.6×104 hm2,主要森林类型为长白落叶松人工林。2017年6月,利用中国林业科学研究院机载遥感系统CAF-LiCHy,获取了孟家岗1.1万hm2的林区高光谱影像数据。CAF-LiCHy系统集成了可见光至近红外谱段的高光谱成像仪、全波形LiDAR扫描仪、CCD相机[27-29]。高光谱影像的光谱范围为400 ~ 1 000 nm,光谱分辨率为3.3 nm,波段数为64个,空间分辨率为1 m[28]。基于高光谱数据植被像元面积与总面积的比获取了250 m的FVC的均值(图2),以验证估算FVC的精度。
1.2.2 森林分布数据
依据中国林业科学研究院发布的我国天保工程区的2020年30 m森林覆盖产品[1](https://www.forestdata.cn/data-detail-en.html?id=1205__TB_MET_GRID),聚合成天保工程区250 m森林分布图。聚合方法为计算250 m像元内的30 m像元的土地覆盖类型的多数值,作为该像元内的森林覆盖类型。该森林覆盖产品基于公开发布的多种土地覆盖产品构建训练样本数据集,并利用随机森林模型进行分类,利用连续变化检测算法进行一致性分析[1],森林分类的精度较高。利用中国森林生态站样地数据、地面调查数据以及森林资源二类调查数据验证该土地覆盖产品,结果表明森林的总体分类精度分别为98.04%、89.82%、84.01%[1]。
1.2.3 森林资源清查数据
收集了吉林省2004、2009和2014年3 401个森林资源连续清查固定样地的森林郁闭度数据,以验证FVC估算值的精度。该数据来源于国家林业和草原局林草调查规划院。全国森林资源连续清查中,吉林省的固定样地按4 km × 4 km等距布设,样地形状为方形,样地面积0.06 hm2。
1.2.4 森林生态系统定位研究网络数据
该数据来源于中国森林生态系统定位研究网络(Chinese Forest Ecosystem Research Network, CFERN)(http://www.forestdata.cn/data-detail.html?id=936416__TB_MET_CTYSJ)。收集了天保工程林区从2017—2019年68个生态站的570个固定样地的郁闭度调查数据以验证FVC估算值的精度,固定样地形状为方形,样地面积0.04 ~ 0.06 hm2。
1.3 研究方法
1.3.1 改进的像元二分模型
像元二分模型对影像辐射校正影响不敏感、简单方便、有一定的物理意义,且在植被覆盖高值区与低值区均有较高的精度[21],因此,本文选择像元二分模型估算天保工程林区的植被覆盖度。像元二分模型的基本假设是像元反射的光谱信息仅由纯植被和纯裸土两部分组成,则该像元的反射率R为植被反射率Rv与裸土反射率Rs之和[21]:
R=Rv+Rs (1) 设该像元内植被覆盖度为FVC,则裸土覆盖度为(1 − FVC),纯植被覆盖的像元的反射率为Rveg,纯裸土像元的反射率为Rsoil,则有:
Rv=FVC×Rveg (2) Rs=(1−FVC)×Rsoil (3) 结合式(1)、式(2)、式(3):
FVC=(R−Rsoil)/(Rveg−Rsoil) (4) 像元的 NDVI值可分解为植被和裸土NDVI值的线性之和,所以式(4)可表示为[16]:
FVC=(INDVI−INDVIs)/(INDVIv−INDVIs) (5) 式中:INDVIv、INDVIs分别为纯植被像元、纯裸土像元的NDVI值。
在像元二分模型中,INDVIv和INDVIs是影响模型精度的关键参数。理论上INDVIv的值接近于1,INDVIs的值接近于0。但实际上由于受到地表覆盖类型、植被空间分布、混合像元等因素的影响,INDVIv和INDVIs的取值会随时空发生变化,并影响FVC的估算精度。为了最大程度保证所选像元为纯植被和纯裸土像元,并顾及到NDVI的值的年内季节变化对INDVIv、INDVIs值的影响,本文将每景MODIS影像分块,动态确定区域纯植被像元INDVIv和纯裸土像元INDVIs的值,选取每块NDVI最大值的频率累计表上99.9%处的NDVI值作为该块INDVIv的值,选取每块NDVI中值的频率累计表上0.1%处的NDVI值作为该块INDVIs的值。有研究表明MODIS NDVI在植被覆盖区的敏感度降低,在0.9左右会出现饱和现象;而在植被覆盖低的区域,NDVI在0.2 ~ 0.3左右精度降低[30-32]。为了减轻MODIS NDVI在植被覆盖高值区饱和,在植被覆盖低值区精度不高的缺陷对FVC估算精度的影响,提高FVC产品空间的可对比性,本文当INDVIv小于0.90时,将INDVIv赋值为0.90;当INDVIs大于0.25时,则将INDVIs赋值为0.25。为了分析INDVIv、INDVIs的值敏感性和对FVC估算结果的影响,本文分析了不同的分块策略下(从1块 × 1块至10块 × 10块)FVC的估算精度,并基于最优方案生产天保工程区FVC产品。
1.3.2 FVC精度验证
直接利用森林资源清查样点郁闭度、森林生态系统定位研究网络郁闭度数据分别与样点位置所在像元的FVC进行比较,验证估算FVC的精度;利用机载高光谱获取FVC与估算FVC逐像元比较,采用决定系数(determination coefficient,R2)、均方根误差(root mean square error,RMSE)来评价FVC估算值的精度。
1.3.3 FVC趋势分析
采用Theil-Sen median趋势分析与Mann-Kendall显著性检验相结合,分析天保工程实施以来FVC的变化趋势。该方法对于显著性水平检验具有较好的统计学理论基础,不要求数据服从一定的分布,并可减小异常数据对趋势的影响[33-34]。本文在0.05的置信水平下,依据Theil-Sen median趋势以及Mann-Kendall显著性检验的Z值,将FVC的变化分为明显增加、轻微增加、保持稳定、轻微减小、明显减小5个等级(表1)[33-34]。
表 1 FVC趋势变化分级Table 1. FVC trend change gradingTheil-Sen median趋势
Theil-Sen median trendMann-Kendall显著性检验Z值
Z value of Mann-Kendall significance test分类
Classification≥ 0.0005 ≥ 1.96 明显增加 Increasing obviously ≥ 0.0005 ≤ 1.96 轻微增加 Increasing slightly −0.0005 ~ 0.0005 ≤ 1.96 保持稳定 Maintain stable ≤ −0.0005 ≤ 1.96 轻微减小 Decreasing slightly ≤ −0.0005 ≥ 1.96 明显减小 Decreasing obviously 注:引自文献[33-34]。Note: Cited form reference [33-34]. 2. 结果与分析
2.1 精度验证
2.1.1 基于森林资源清查数据的验证
天保工程区基于MODIS数据估算的FVC如图3。采用2004、2009和2014年吉林省森林资源一类清查的森林郁闭度数据,与本文估算的FVC进行直接比较如图4。本文估算的FVC与清查样地的郁闭度之间的R2分别为0.56、0.60、0.54,RMSE分别为0.15、0.14、0.14。MODIS VCF产品的R2小于等于0.03,而RMSE大于等于0.21,表明MODIS VCF产品的精度低于估算FVC的精度。当郁闭度小于0.70时,MODIS VCF产品值主要分布在0.70 ~ 0.90之间,估算结果偏高;在郁闭度较高时(> 0.90),估算结果又过早达到峰值,且低于清查郁闭度。本文基于MODIS植被指数产品估算的FVC在低值区和高值区,精度均较高。
2.1.2 基于森林生态站数据的验证
采用森林生态站观测的郁闭度数据,与本文估算的FVC进行直接比较,以验证FVC估算值的精度。估算FVC与森林生态站郁闭度之间有较好的线性关系,R2为0.49,RMSE分别为0.13(图5a)。MODIS VCF产品与森林生态站之间的相关性较差,R2为0.04,RMSE为0.22(图5b)。验证结果表明,估算FVC的精度明显高于MODIS产品的精度。
2.1.3 基于机载高光谱FVC的验证
将2017年孟家岗林场机载高光谱影像获取的FVC与估算FVC数据逐像元比较,以验证估算FVC的精度,如图6a所示。机载FVC与估算FVC之间存在较好相关性,R2为0.62,RMSE为0.11。MODIS VCF产品的精度如图6b所示,机载FVC与MODIS VCF产品之间的相关性较弱,R2为0.12,RMSE为0.17。FVC估算值的精度高于MODIS产品的精度。
2.2 天保工程区FVC时空变化
在天保一期(2000—2010年),全国FVC均值为0.68;在天保二期(2011—2020年),全国FVC均值为0.71,相较于天保一期增加4.41%。总体上,天保实施以来(2000—2020年),东北和内蒙古自治区重点国有林区、长江上游地区、黄河中上游地区、新疆维吾尔自治区重点国有林区、海南省重点国有林区的FVC都表现出增加趋势(图7)。在东北和内蒙古自治区重点国有林区,天保一期、二期的FVC均值分别为0.74、0.76,增加2.70%;在长江上游地区,天保一期、二期的FVC均值分别为0.64、0.68,增加6.25%;在黄河中上游地区,天保一期、二期的FVC均值分别为0.71、0.76,增加7.04%;在新疆维吾尔自治区重点国有林区,天保一期、二期的FVC分别为0.60、0.62,增加3.33%。海南省重点国有林区,天保一期、天保二期的FVC分别为0.75、0.77,增加2.67%。
天保实施以来,工程区FVC估算值变化趋势如图8所示。在天保一期(图8a),FVC呈增加趋势的面积占天保工程林区总面积的69.31%,增加趋势明显的区域为东北大兴安岭地区、四川省东部、重庆和贵州省北部地区、陕西省南部地区;呈减小趋势的面积占天保工程区总林区面积的21.38%,主要分布在长江上游林区(如四川省西部、云南省北部的部分林区)。在天保二期(图8b),FVC呈增加趋势的面积占天保工程区总面积的66.66%,增加趋势明显的区域是大兴安岭、四川省和云南省东部、重庆和贵州省林区;呈减小趋势的面积占总林区面积的22.04%,大部分分布在长江上游四川省西部的部分林区。自天保工程实施以来(图8c),FVC呈现增加趋势的面积占总林区面积的78.22%,而呈减小趋势的面积占总林区面积的9.56%(主要分布在四川省西部和云南省北部的部分林区),FVC增加和保持不变的面积比例较高(90.44%)(表2)。
表 2 天保工程实施以来重点区域FVC变化趋势面积比率Table 2. FVC trend area ratio in key areas since the implementation of NFPP% 时间 Time 区域 Area 明显减小
Deceasing obviously轻微减小
Decreasing
slightly保持稳定
Maintain stable轻微增加
Increasing slightly明显增加
Increasing obviously天保一期(2000—2010年)
The first stage of NFPP (2000−2010)长江上游地区
The upper reaches of the Yangtze River0.97 20.90 7.50 56.47 14.17 黄河中上游地区
The upper and middle reaches of the Yellow River0.69 14.14 7.51 50.06 27.61 东北和内蒙古自治区重点国有林区
Key state-owned forest area in Northeast China
and Inner Mongolia Autonomous Region0.70 20.41 13.17 57.66 8.06 新疆维吾尔自治区重点国有林区
Key state-owned forest area in Xinjiang Uygur Autonomous Region7.73 17.10 27.96 44.74 2.47 海南省重点国有林区
Key state-owned forest area in Hainan Province1.58 22.36 10.26 52.18 13.63 天保工程区 NFPP area 1.03 20.35 9.31 55.10 14.21 天保二期
(2011—2020年)
The second stage of
NFPP (2011−2020)长江上游地区
The upper reaches of the Yangtze River0.92 20.54 8.48 56.61 13.45 黄河中上游地区
The upper and middle reaches of the Yellow River0.59 15.38 8.86 56.96 18.22 东北和内蒙古自治区重点国有林区
Key state-owned forest area in Northeast China
and Inner Mongolia Autonomous Region0.97 23.56 17.15 51.27 7.05 新疆维吾尔自治区重点国有林区
Key state-owned forest area in Xinjiang Uygur Autonomous Region3.22 15.66 29.57 46.74 4.81 海南省重点国有林区
Key state-owned forest area in Hainan Province3.09 24.93 10.22 50.52 11.25 天保工程区 NFPP area 0.96 21.07 11.30 54.66 12.00 天保实施以来(2000—2020年)
Since the implement of
NFPP (2000−2020)长江上游地区
The upper reaches of the Yangtze River0.90 7.88 9.12 32.92 49.19 黄河中上游地区
The upper and middle reaches of the Yellow River0.45 3.27 6.34 21.08 68.87 东北和内蒙古自治区重点国有林区
Key state-owned forest area in Northeast China
and Inner Mongolia Autonomous Region1.58 9.38 20.00 37.62 31.43 新疆维吾尔自治区重点国有林区
Key state-owned forest area in Xinjiang Uygur Autonomous Region3.91 7.27 34.31 40.68 13.84 海南省重点国有林区
Key state-owned forest area in Hainan Province3.86 9.98 12.05 32.34 41.77 天保工程区 NFPP area 1.43 8.13 12.22 32.31 45.91 3. 讨 论
3.1 基于FVC的天保工程建设成效分析
分析天保工程区FVC的动态变化趋势特征,对于评估天保工程对生态环境的影响,具有重要意义。研究表明,天保工程实施后,在大部分地区的建设成效显著。例如,东北天然林区的生态系统质量得到改善,FVC、叶面积指数和植被净初级生产力呈现明显上升趋势[35];陕西省、甘肃省等区域植被覆盖状态总体呈改善趋势,天保工程对植被恢复产生了显著的正向影响[36-37];西南地区FVC表现出波动变化的特征[38],呈减少趋势区域主要集中在四川省西北部地区、汶川周边林区、横断山脉部分林区以及云南省文山林区等地区[4,39];人类活动对黄土高原区植被增加起正向作用的区域占71.90%,主要分布在延安北部及周边地区;新疆维吾尔自治区天山区域,植被生态质量优良区主要集中在中部地区,FVC呈现减小趋势的区域主要集中在西南部地区[5]。本文的研究结果同样表明,天保实施以来,东北和内蒙古自治区重点国有林区、长江上游地区、黄河中上游地区、新疆维吾尔自治区重点国有林区、海南省重点国有林区的FVC都表现出较稳定的增加趋势,而FVC呈减小趋势的面积较小(主要分布于四川省西部和云南省北部局部林区),表明天保工程建设成效显著。
3.2 FVC估算方法的优势
当前,基于遥感数据估算FVC的方法总体上可分为:经验模型、混合像元分解模型、物理模型、基于机器学习的模型。经验模型即建立植被指数与FVC之间的经验关系,该方法形式简单、应用方便,但是具有一定的区域适用性[40];混合像元分解模型的基本思想是将反射光谱信息分为植被和下垫面两个组分,通过求解植被和非植被部分的比例来确定FVC,常见的分解方法有线性分解和非线性分解[41-42],但是该方法中纯裸土和纯植被像元的选择具有一定的不确定性;物理模型通过分析光与植被的相互作用,建立植被光谱传输过程与FVC之间的物理关系,如辐射传输模型、几何光学模型等,该类模型机理性较强,但是模型复杂、输入数据类型较多且部分输入数据较难获取[43];机器学习方法如神经网络、支撑向量机、随机森林等,也被陆续运用到FVC的遥感估算中[44-45],但是机器学习模型的精度与训练样本的数量、准确性和代表性密切相关。本文综合年度植被指数合成策略、优化纯植被像元和纯裸土像元值域的动态确定方法,在此基础上构建像元二分模型,简单方便,且模型具有本地化特征和更好的时空连续性。
纯植被像元的植被指数和纯裸土像元的植被指数是影响像元二分模型精度的关键参数。当前常用的取值方法有:在某一置信区间内取植被指数的最大值和最小值[21, 46]、通过目视解译或端元提取(如像元纯度指数)选择纯植被像元和纯裸土像元并确定其植被指数[47-48]、结合地面观测数据提取[49-50]。本文基于MODIS植被指数产品(250 m)估算FVC,分辨率较低,难以在图像上直接确定纯像元。为了使像元二分模型的参数具有本地化特征,同时具有更好的时空连续性,本文优化了INDVIv和INDVIs的确定策略,将MODIS影像分块以动态确定INDVIv和INDVIs。基于吉林省森林资源连续清查的郁闭度数据,分析了不同的分块策略下的FVC估算精度(图9)。当分块数量增加时,FVC的精度会随之增加。将每景MODIS影像分成8块 × 8块区域(每块面积约150 km × 150 km)时,精度最高。进行更多的区域划分时,受MODIS影像的分辨率和植被覆盖类型的制约,对FVC的精度提升作用不明显。因此,本文按照每景MODIS影像分成8块 × 8块的分块策略,生产天保工程区FVC产品。
以东北地区的MODIS影像为例,分析了高森林覆盖区(森林覆盖率 > 60%)(图10区域1)、中森林覆盖区(30% < 森林覆盖率 ≤ 60%)(图10区域2)、低森林覆盖区(森林覆盖率 ≤ 30%)(图10区域3)的不同取值策略的INDVIv(分别取NDVI频率累计表的95%,97%,99%和99.9%)和INDVIs(分别取NDVI频率累计表的5%,3%,1%和0.1%)的值。NDVI中值的频率累计0.1%处的值小于0.25,可认为是纯裸土像元INDVIs; NDVI最大值的频率累计99.9%处的值大于0.9,可认为是纯植被像元INDVIv。同时,
NDVIveg 和INDVIs的年际变化较小,增强了FVC估算值的时间连续性。3.3 FVC估算精度不确定性分析
利用NDVI数据估算FVC时,估算精度会随着植被覆盖率的变化而发生变化。在低植被覆盖区域,基于NDVI数据估算FVC的精度较高[22];在高植被覆盖的区域,NDVI会迅速达到饱和,此时FVC的估算精度会受到影响[51-54]。在本文中,当郁闭度大于0.90时,估算FVC的值也会出现一些饱和的现象(FVC出现饱和像元的比率小于10%),影响了FVC的估算精度。
此外,采用郁闭度数据来验证FVC的估算结果,该验证方法的可靠性、以及对验证精度的影响仍需进一步研究。这是因为FVC与郁闭度的贡献主体有所差别:FVC指包括乔木、灌木和草本植物在地面的垂直投影面积占总面积的比,而郁闭度仅仅指乔木树冠部分在地面的垂直投影面积占总面积的比[55]。因此,本文在利用郁闭度数据验证估算FVC的精度时,大部分样点的森林郁闭度的值低于FVC估算值(图4、5)。本文除了利用吉林省森林资源清查数据、森林生态系统定位研究网络数据验证FVC的精度以外,还采用机载高光谱数据来验证FVC的精度,结果同样证明估算FVC的精度高于MODIS产品的精度(图6)。但是,受机载数据的区域的限制,本文仅在孟家岗林场对估算FVC的结果进行了验证。在以后的研究中,可结合更多的高分辨率数据对估算结果精度进行分析。
像元二分法计算FVC的方法虽然简单、方便,但是该方法的机理性较弱,不能揭示FVC所体现的生态和物理过程。未来的研究中,可结合FVC反演的遥感生态机理模型,开展结果对比分析和交叉验证。
4. 结 论
本文优化了年度植被指数合成策略、纯植被像元和纯裸土像元值域的动态确定方法,在此基础上构建了改进的像元二分模型,估算了2000—2020年中国天保工程区的FVC,并分析了FVC的时空变化趋势;利用森林资源清查郁闭度数据、森林生态系统定位研究网络郁闭度数据、机载FVC数据验证了估算FVC的精度, 比较了估算FVC与MODIS VCF产品的精度。结果表明:
(1)在中国天保工程区森林地区,基于MODIS 植被指数产品和改进的像元二分模型估算的FVC的精度高于MODIS VCF产品的精度。
(2)时间序列的中高分辨率FVC产品为分析天保林区生态系统的发展变化规律提供了可靠数据。
(3)自天保工程实施以来,工程区的林区FVC的均值增加了4.41%;FVC呈现增加趋势的面积比例(78.22%)较高,而呈减小趋势的面积仅占工程区总面积的9.56%。林区FVC总体上呈现出明显的增加趋势,说明天保工程实施效果显著,森林资源质量持续提升。
-
表 1 FVC趋势变化分级
Table 1 FVC trend change grading
Theil-Sen median趋势
Theil-Sen median trendMann-Kendall显著性检验Z值
Z value of Mann-Kendall significance test分类
Classification≥ 0.0005 ≥ 1.96 明显增加 Increasing obviously ≥ 0.0005 ≤ 1.96 轻微增加 Increasing slightly −0.0005 ~ 0.0005 ≤ 1.96 保持稳定 Maintain stable ≤ −0.0005 ≤ 1.96 轻微减小 Decreasing slightly ≤ −0.0005 ≥ 1.96 明显减小 Decreasing obviously 注:引自文献[33-34]。Note: Cited form reference [33-34]. 表 2 天保工程实施以来重点区域FVC变化趋势面积比率
Table 2 FVC trend area ratio in key areas since the implementation of NFPP
% 时间 Time 区域 Area 明显减小
Deceasing obviously轻微减小
Decreasing
slightly保持稳定
Maintain stable轻微增加
Increasing slightly明显增加
Increasing obviously天保一期(2000—2010年)
The first stage of NFPP (2000−2010)长江上游地区
The upper reaches of the Yangtze River0.97 20.90 7.50 56.47 14.17 黄河中上游地区
The upper and middle reaches of the Yellow River0.69 14.14 7.51 50.06 27.61 东北和内蒙古自治区重点国有林区
Key state-owned forest area in Northeast China
and Inner Mongolia Autonomous Region0.70 20.41 13.17 57.66 8.06 新疆维吾尔自治区重点国有林区
Key state-owned forest area in Xinjiang Uygur Autonomous Region7.73 17.10 27.96 44.74 2.47 海南省重点国有林区
Key state-owned forest area in Hainan Province1.58 22.36 10.26 52.18 13.63 天保工程区 NFPP area 1.03 20.35 9.31 55.10 14.21 天保二期
(2011—2020年)
The second stage of
NFPP (2011−2020)长江上游地区
The upper reaches of the Yangtze River0.92 20.54 8.48 56.61 13.45 黄河中上游地区
The upper and middle reaches of the Yellow River0.59 15.38 8.86 56.96 18.22 东北和内蒙古自治区重点国有林区
Key state-owned forest area in Northeast China
and Inner Mongolia Autonomous Region0.97 23.56 17.15 51.27 7.05 新疆维吾尔自治区重点国有林区
Key state-owned forest area in Xinjiang Uygur Autonomous Region3.22 15.66 29.57 46.74 4.81 海南省重点国有林区
Key state-owned forest area in Hainan Province3.09 24.93 10.22 50.52 11.25 天保工程区 NFPP area 0.96 21.07 11.30 54.66 12.00 天保实施以来(2000—2020年)
Since the implement of
NFPP (2000−2020)长江上游地区
The upper reaches of the Yangtze River0.90 7.88 9.12 32.92 49.19 黄河中上游地区
The upper and middle reaches of the Yellow River0.45 3.27 6.34 21.08 68.87 东北和内蒙古自治区重点国有林区
Key state-owned forest area in Northeast China
and Inner Mongolia Autonomous Region1.58 9.38 20.00 37.62 31.43 新疆维吾尔自治区重点国有林区
Key state-owned forest area in Xinjiang Uygur Autonomous Region3.91 7.27 34.31 40.68 13.84 海南省重点国有林区
Key state-owned forest area in Hainan Province3.86 9.98 12.05 32.34 41.77 天保工程区 NFPP area 1.43 8.13 12.22 32.31 45.91 -
[1] 庞勇, 蒙诗栎, 史锴源, 等. 中国天然林保护工程区森林覆盖遥感监测[J]. 生态学报, 2021, 41(13): 5080−5092. Pang Y, Meng S L, Shi K Y, et al. Forest coverage monitoring in the Natural Forest Protection Project area of China[J]. Acta Ecologica Sinica, 2021, 41(13): 5080−5092.
[2] Liu J, Coomes D A, Gibson L, et al. Forest fragmentation in China and its effect on biodiversity[J]. Biological Reviews, 2019, 94(5): 1636−1657. doi: 10.1111/brv.12519
[3] 李依璇, 朱清科, 石若莹, 等. 2000—2018年黄土高原植被覆盖时空变化及影响因素[J]. 中国水土保持科学, 2021, 19(4): 60−68. doi: 10.16843/j.sswc.2021.04.007 Li Y X, Zhu Q K, Shi R Y, et al. Spatial and temporal changes of vegetation cover and its influencing factors in the Loess Plateau from 2000 to 2018[J]. Science of Soil and Water Conservation, 2021, 19(4): 60−68. doi: 10.16843/j.sswc.2021.04.007
[4] 李美丽, 尹礼昌, 张园, 等. 基于MODIS-EVI的西南地区植被覆盖时空变化及驱动因素研究[J]. 生态学报, 2021, 41(3): 1138−1147. Li M L, Yin L C, Zhang Y, et al. Spatio-temporal dynamics of fractional vegetation coverage based on MODIS-EVI and its driving factors in Southwest China[J]. Acta Ecologica Sinica, 2021, 41(3): 1138−1147.
[5] 李超, 罗栋梁, 李雪梅, 等. 2000—2018年天山植被生态质量综合评价[J]. 兰州大学学报 (自然科学版), 2021, 57(4): 528−536. Li C, Luo D L, Li X M, et al. A comprehensive evaluation of the vegetation ecology quality from 2000 to 2018 in the Tianshan Mountains[J]. Journal of Lanzhou University (Natural Sciences), 2021, 57(4): 528−536.
[6] 刘世荣, 庞勇, 张会儒, 等. 中国天然林资源保护工程综合评价指标体系与评估方法[J]. 生态学报, 2021, 41(13): 5067−5079. Liu S R, Pang Y, Zhang H R, et al. Evaluation indicator system and method designed for Natural Forest Protection Program of China[J]. Acta Ecologica Sinica, 2021, 41(13): 5067−5079.
[7] 闫敏, 李增元, 陈尔学, 等. 内蒙古大兴安岭根河森林保护区植被覆盖度变化[J]. 生态学杂志, 2016, 35(2): 236−243. doi: 10.13292/j.1000-4890.201602.033 Yan M, Li Z Y, Chen E X, et al. Vegetation fractional coverage change in Daxinganling Genhe Forest Reserve of Inner Mongolia[J]. Chinese Journal of Ecology, 2016, 35(2): 236−243. doi: 10.13292/j.1000-4890.201602.033
[8] 李钰溦, 贾坤, 魏香琴, 等. 中国北方地区植被覆盖度遥感估算及其变化分析[J]. 国土资源遥感, 2015, 27(2): 112−117. Li Y W, Jia K, Wei X Q, et al. Fractional vegetation cover estimation in northern China and its change analysis[J]. Remote Sensing for Land & Resources, 2015, 27(2): 112−117.
[9] 郑树峰, 王丽萍, 臧淑英. 大兴安岭天保工程区生态系统服务变化研究[J]. 地理科学, 2021, 41(7): 1295−1302. doi: 10.13249/j.cnki.sgs.2021.07.020 Zheng S F, Wang L P, Zang S Y, et al. The change of ecosystem services of natural forest protection project regions in the Da Hinggan Mountains[J]. Scientia Geographica Sinica, 2021, 41(7): 1295−1302. doi: 10.13249/j.cnki.sgs.2021.07.020
[10] Amarnath G, Babar S, Murthy M S R. Evaluating MODIS-vegetation continuous field products to assess tree cover change and forest fragmentation in India: a multi-scale satellite remote sensing approach[J]. The Egyptian Journal of Remote Sensing and Space Science, 2017, 20(2): 157−168. doi: 10.1016/j.ejrs.2017.05.004
[11] DiMiceli C, Townshend J, Carroll M, et al. Evolution of the representation of global vegetation by vegetation continuous fields[J/OL]. Remote Sensing of Environment, 2021, 254: 112271[2022−08−02]. https://doi.org/10.1016/j.rse.2020.112271.
[12] Majasalmi T, Rautiainen M. Representation of tree cover in global land cover products: Finland as a case study area[J]. Environmental Monitoring and Assessment, 2021, 193(3): 1−19.
[13] Gao Y, Ghilardi A, Paneque-Galvez J, et al. Validation of MODIS vegetation continuous fields for monitoring deforestation and forest degradation: two cases in Mexico[J]. Geocarto International, 2016, 31(9): 1019−1031. doi: 10.1080/10106049.2015.1110205
[14] Adzhar R, Kelley D I, Dong N, et al. MODIS vegetation continuous fields tree cover needs calibrating in tropical savannas[J]. Biogeosciences, 2022, 19(5): 1377−1394. doi: 10.5194/bg-19-1377-2022
[15] Adzhar R, Kelley D I, Dong N, et al. Assessing MODIS vegetation continuous fields tree cover product (collection 6): performance and applicability in tropical forests and savannas[J]. Biogeosciences Discussions, 2021, 1: 1−20.
[16] Yang X, Crews K. Applicability analysis of MODIS tree cover product in Texas savanna[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 81: 186−194. doi: 10.1016/j.jag.2019.05.003
[17] Tang H, Armston J, Hancock S, et al. Characterizing global forest canopy cover distribution using spaceborne lidar [J/OL]. Remote Sensing of Environment, 2019, 231: 111262 [2022−08−02]. https://doi.org/10.1016/j.rse.2019.111262.
[18] Fagan M E. A lesson unlearned? Underestimating tree cover in drylands biases global restoration maps[J]. Global Change Biology, 2020, 26(9): 4679−4690. doi: 10.1111/gcb.15187
[19] Yu T, Ni W, Zhang Z, et al. Regional sampling of forest canopy covers using UAV visible sereoscopic imagery for assessment of satellite-based products in Northeast China[J/OL]. Journal of Remote Sensing, 2022, 1−14[2022−12−02]. https://spj.science.org/doi/pdf/10.34133/2022/9806802.
[20] Gross D, Achard F, Dubois G, et al. Uncertainties in tree cover maps of Sub-Saharan Africa and their implications for measuring progress towards CBD Aichi Targets[J]. Remote Sensing in Ecology and Conservation, 2018, 4(2): 94−112. doi: 10.1002/rse2.52
[21] 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. doi: 10.1080/014311698215333
[22] 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. doi: 10.11867/j.issn.1001-8166.2013.07.0774 Jia K, Yao Y J, Wei X Q, et al. A review on fractional vegetation cover estimation using remote sensing[J]. Advance in Earth Science, 2013, 28(7): 774−782. doi: 10.11867/j.issn.1001-8166.2013.07.0774
[23] Yang Y, Wu T, Zeng Y, et al. An adaptive-parameter pixel unmixing method for mapping evergreen forest fractions based on time-series NDVI: a case study of Southern China[J/OL]. Remote Sensing, 2021, 13(22): 4678[2022−08−02]. https://doi.org/10.3390/rs13224678.
[24] Jia K, Yang L, Liang S, et al. Long-term global land surface satellite (GLASS) fractional vegetation cover product derived from MODIS and AVHRR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 12(2): 508−518.
[25] Ramon S R, Didan K, Jacobson A, et al. Modis vegetation index user’s guide[R/OL]. Tucson: 2010[2022−08−02]. https://lpdaac.usgs.gov/products/mod13q1v006/.
[26] Townshend J, Hansen M, Carroll M, et al. User guide for the MODIS vegetation continuous fields product collection 5 version 1[R/OL]. Maryland: 2011[2022−08−02]. https://modis.gsfc.nasa.gov/data/dataprod/mod44.php.
[27] Pang Y, Li Z, Ju H, et al. LiCHy: the CAF’s LiDAR, CCD and hyperspectral integrated airborne observation system[J/OL]. Remote Sensing, 2016, 8(5): 398[2022−08−02]. https://doi.org/10.3390/rs8050398.
[28] 庞勇, 梁晓军, 荚文, 等. 塞罕坝林场机载综合遥感实验[J]. 遥感学报, 2021, 25(4): 904−917. doi: 10.11834/jrs.20210222 Pang Y, Liang X J, Jia W, et al. The comprehensive airborne remote sensing experiment in Saihanba Forest Farm[J]. National Remote Sensing Bulletin, 2021, 25(4): 904−917. doi: 10.11834/jrs.20210222
[29] Jia W, Pang Y, Tortini R, et al. A kernel-driven BRDF approach to correct airborne hyperspectral imagery over forested areas with rugged topography[J/OL]. Remote Sensing, 2020, 12(3): 432[2022−08−02]. https://doi.org/10.3390/rs12030432.
[30] Rahman A F, Cordova V D, Gamon J A, et al. Potential of MODIS ocean bands for estimating CO2 flux from terrestrial vegetation: a novel approach[J]. Geophysical Research Letters, 2004, 31(10): 1−4.
[31] Gholamnia M, Khandan R, Bonafoni S, et al. Spatiotemporal analysis of MODIS NDVI in the semi-arid region of Kurdistan (Iran)[J/OL]. Remote Sensing, 2019, 11(14): 1723[2022−08−02]. https://doi.org/10.3390/rs11141723.
[32] Vanella D, Consoli S, Ramírez-Cuesta J M, et al. Suitability of the MODIS-NDVI time-series for a posteriori evaluation of the Citrus tristeza virus epidemic[J/OL]. Remote Sensing, 2020, 12(12): 1965[2022−08−02]. https://doi.org/10.3390/rs12121965.
[33] Shi P, Hou P, Gao J, et al. Spatial-temporal variation characteristics and influencing factors of vegetation in the Yellow River Basin from 2000 to 2019[J/OL]. Atmosphere, 2021, 12(12): 1576[2022−08−02]. https://doi.org/10.3390/atmos13060962.
[34] 方利, 王文杰, 蒋卫国, 等. 2000 ~ 2014 年黑龙江流域 (中国) 植被覆盖时空变化及其对气候变化的响应[J]. 地理科学, 2017, 37(11): 1745−1754. Fang L, Wang W J, Jiang W G, et al. Spatio-temporal variations of vegetation cover and its responses to climate change in the Heilongjiang Basin of China from 2000 to 2014[J]. Scientia Geographica Sinica, 2017, 37(11): 1745−1754.
[35] 相恒星, 王宗明, 毛德华. 东北地区天然林资源保护工程生态保护成效分析[J]. 中国科学院大学学报, 2021, 38(3): 314−322. doi: 10.7523/j.issn.2095-6134.2021.03.004 Xiang H X, Wang Z M, Mao D H. Ecological effect of Natural Forest Protection Project in Northeast China[J]. Journal of University of Chinese Academy of Sciences, 2021, 38(3): 314−322. doi: 10.7523/j.issn.2095-6134.2021.03.004
[36] 钱琛, 陈海滨, 侯现慧. 生态建设背景下陕西省植被覆盖时空变化及其影响因素研究[J]. 干旱区地区, 2020, 43(2): 425−433. Qian C, Chen H B, Hou X H. Temporal and spatial variation of vegetation cover and its influencing factors in Shaanxi Province in the context of ecological construction[J]. Arid Land Geography, 2020, 43(2): 425−433.
[37] 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): 736−743. doi: 10.13275/j.cnki.lykxyj.2013.06.011 Chen Q, Chen Y H, Ju H B. Vegetation change monitoring for the natural forest protection based on spatial analysis techniques[J]. Forest Research, 2013, 26(6): 736−743. doi: 10.13275/j.cnki.lykxyj.2013.06.011
[38] 郑朝菊, 曾源, 赵玉金, 等. 近15年中国西南地区植被覆盖度动态变化[J]. 国土资源遥感, 2017, 29(3): 128−136. Zheng C J, Zeng Y, Zhao Y J, et al. Monitoring and dynamic analysis of fractional vegetation cover in southwestern China over the past 15 years based on MODIS data[J]. Remote Sensing for Land & Resources, 2017, 29(3): 128−136.
[39] 陶蕴之, 吕一河, 李凤全, 等. 西南天然林保护工程区生态成效评估[J]. 生态与农村环境学报, 2016, 32(5): 716−723. doi: 10.11934/j.issn.1673-4831.2016.05.005 Tao Y Z, Lü Y H, Li F Q, et al. Assessment of ecological effect on the natural forest protection project in southwest China[J]. Jouranl of Ecology and Rural Environment, 2016, 32(5): 716−723. doi: 10.11934/j.issn.1673-4831.2016.05.005
[40] Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80: 76−87. doi: 10.1016/S0034-4257(01)00289-9
[41] 陈晋, 陈云浩, 何春阳, 等. 基于土地覆盖分类的植被覆盖率估算亚像元模型与应用[J]. 遥感学报, 2001, 5(6): 416−422. doi: 10.11834/jrs.20010603 Chen J, Chen Y H, He C Y, et al. Sub-pixel model for vegetation fraction estimation based on land cover classification[J]. Journal of Remote Sensing, 2001, 5(6): 416−422. doi: 10.11834/jrs.20010603
[42] Xiao J, Moody A. A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico, USA[J]. Remote Sensing of Environment, 2005, 98(2−3): 237−250.
[43] Kimes D S, Knyazikhin Y, Privette J L, et al. Inversion methods for physically-based models[J]. Remote Sensing Reviews, 2000, 18: 381−439. doi: 10.1080/02757250009532396
[44] Bacour C, Baret F, Béal D, et al. Neural network estimation of LAI, fAPAR, fCover and LAI Cab, from top of canopy MERIS reflectance data: principles and validation[J]. Remote Sensing of Environment, 2006, 105: 313−325. doi: 10.1016/j.rse.2006.07.014
[45] Xiao Z, Wang T, Liang S, et al. Estimating the fractional vegetation cover from GLASS leaf area index product[J/OL]. Remote Sensing, 2016, 8(4): 337[2022−08−02]. https://doi.org/10.3390/rs8040337.
[46] 李攀, 胡德勇, 赵文吉. 北方农牧交错带植被覆盖变化遥感监测研究−以河北省沽源县为例[J]. 国土资源遥感, 2010, 22(2): 113−117. Li P, Hu D Y, Zhao W J. The monitoring of changes of land vegetation covers by remote sensing in farming-pastoral mixedzones of North China: a case study in Guyuan County, Hebei Province[J]. Remote Sensing for Natural Resources, 2010, 22(2): 113−117.
[47] 张成才, 娄洋, 李颖, 等. 基于像元二分模型的伏牛山地区植被覆盖度变化[J]. 水土保持研究, 2020, 27(3): 301−307. doi: 10.13869/j.cnki.rswc.2020.03.043 Zhang C C, Lou Y, Li Y, et al. Change of vegetation coverage in Funiu Mountain Regions based on the dimidiate pixel model[J]. Research of Soil and Water Conservation, 2020, 27(3): 301−307. doi: 10.13869/j.cnki.rswc.2020.03.043
[48] 廖春华, 张显峰, 孙权, 等. 基于HJ-1高光谱数据的植被覆盖度估测方法研究[J]. 遥感信息, 2011(5): 65−70. doi: 10.3969/j.issn.1000-3177.2011.01.013 Liao C H, Zhang X F, Sun Q, et al. Fractional vegetation cover estimation using HJ-1 spaceborne hyperspectral data[J]. Remote Sensing Information, 2011(5): 65−70. doi: 10.3969/j.issn.1000-3177.2011.01.013
[49] 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 M, Zhang X F, Sun Q, et al. Vegetation coverage retrieval scale effect analysis using multi-sensor data[J]. Geomatics and Information Science of Wuhan University, 2011, 36(3): 311−315.
[50] 孟浩斌, 周启刚, 李明慧, 等. 基于MODIS像元尺度的三峡库区植被覆盖度变化的地形分布特征[J]. 长江流域资源与环境, 2020, 29(8): 1790−1799. Meng H B, Zhou Q G, Li M H, et al. Topographic distribution characteristics of vegetation cover change in the Three Gorges Reservoir Area based on MODIS pixel scale[J]. Resources and Environment in the Yangtze Basin, 2020, 29(8): 1790−1799.
[51] 赵威成, 马福义, 吕利娜, 等. 基于DVI的像元二分模型反演植被覆盖度研究[J]. 黑龙江科技大学学报, 2020, 30(2): 125−128. doi: 10.3969/j.issn.2095-7262.2020.02.002 Zhao W C, Ma F Y, Lü L N, et al. Study on inversion of FVC based on DVI pixel dichotomous model[J]. Journal of Heilongjiang University of Science and Technology, 2020, 30(2): 125−128. doi: 10.3969/j.issn.2095-7262.2020.02.002
[52] 庞国伟, 杨勤科, 王春梅, 等. 像元二分模型参数确定方法对高分一号 PMS 数据估算植被覆盖度精度的影响[J]. 地理与地理信息科学, 2019, 35(4): 27−33. doi: 10.3969/j.issn.1672-0504.2019.04.005 Pang G W, Yang Q K, Wang C M, et al. Influence of parameter determination methods of the pixel dichotomy model on the estimation accuracy of fractional vegetation cover by GF-1 PMS data[J]. Geography and Geo-Information Science, 2019, 35(4): 27−33. doi: 10.3969/j.issn.1672-0504.2019.04.005
[53] 丹宇卓, 石晶明, 李心怡, 等. 基于改进的像元二分模型估测郁闭度[J]. 北京林业大学学报, 2019, 41(6): 35−43. doi: 10.13332/j.1000-1522.20180263 Dan Y Z, Shi J M, Li X Y, et al. Estimation of canopy closure based on improved dimidiate pixel model[J]. Journal of Beijing Forestry University, 2019, 41(6): 35−43. doi: 10.13332/j.1000-1522.20180263
[54] Yan K, Gao S, Chi H, et al. Evaluation of the vegetation-index-based dimidiate pixel model for fractional vegetation cover estimation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 1−14.
[55] Guo B, Han F, Jiang L. An improved dimidiated pixel model for vegetation fraction in the Yarlung Zangbo River Basin of Qinghai-Tibet Plateau[J]. Journal of the Indian Society of Remote Sensing, 2018, 46(2): 219−231. doi: 10.1007/s12524-017-0692-8
-
期刊类型引用(0)
其他类型引用(2)