全球植被覆盖度估算方法
【专利摘要】本发明提供了一种全球植被覆盖度估算方法，包括：先根据全球植被类型分布情况选取若干个全球陆表空间采样点；在采样点处获取卫星遥感数据中空间分辨率较高的第一地表反射率数据和空间分辨率较低的第二地表反射率数据，再以第一地表反射率数据通过像元二分模型得到植被覆盖度训练样本。然后在采样点处提取第二地表反射率数据及其空间上对应的根据第一地表反射率数据计算的植被覆盖度，分别作为训练样本的输入和输出对广义回归神经网络模型进行训练，最后使用训练好的模型根据第二地表反射率数据估算全球陆表植被覆盖度。其充分利用了地面实测资料、高空间分辨率遥感观测数据和人工智能学习算法，具有稳定性好、适应性强、精度高、易于操作等优点。
【专利说明】全球植被覆盖度估算方法
【技术领域】
[0001] 本发明涉及环境科学，具体涉及一种全球植被覆盖度估算方法。
【背景技术】
[0002] 植被是陆地生态系统中最基础的部分，所有其他的生物都依赖于植被而生。植被 覆盖度定义为绿色植被在地面的垂直投影面积占统计区总面积的百分比，是刻画地表植被 覆盖的一个重要参数，也是指示生态环境变化的基本、客观指标，在地球表面的大气圈、土 壤圈、水圈和生物圈中都占据着重要的地位。另外，从一般的应用层面看，植被覆盖度在农 业、林业、资源环境管理、土地利用、水文、灾害风险监测、干旱监测等领域都有广泛的应用。 因此，实现准确、快速的获取大区域陆表植被覆盖度具有重要意义。
[0003] 相对于传统的地面测量植被覆盖度的监测手段，遥感技术能够提供地表的多源多 维多时相信息，具有大面积、宏观、实时和动态等优势，为陆表植被覆盖度估算开辟了新的 途径。遥感估算陆表植被覆盖度的方法很多，主要包括经验模型法、混合像元分解法、物理 模型法等。
[0004] 经验模型法是采用简单的统计模型或者回归关系对植被覆盖度进行求算，最典型 的就是建立植被指数和植被覆盖度之间的经验性关系，然后再计算植被覆盖度。但是经验 模型法只适用于特定区域与特定植被类型的植被覆盖度估算，不易推广，不具有普遍性，区 域性的经验模型应用于大尺度上估算植被覆盖度会失效。
[0005] 混合像元分解法假设每个组分对遥感传感器所观测到的信息都有贡献，因此可以 将遥感信息（波段或植被指数）分解，建立像元分解模型，并利用此模型估算植被覆盖度。 但是混合像元分解法需要确定每个端元的光谱，由于地表类型的复杂性，端元光谱的确定 对于大尺度植被覆盖度估算是不能实现的。
[0006] 物理模型法是通过研究光与植被的相互作用，建立植被光谱信息与植被覆盖度之 间物理关系的模型，如辐射传输模型、几何光学模型等。因为辐射传输模型涉及到较为复杂 的物理机制，比如叶片层的反射和吸收等辐射传输过程，很难直接计算植被覆盖度，必须通 过查找表或者机器学习法简化反演过程，获取植被覆盖度。物理模型理论上可以涵盖不同 的情况，具有更广泛的适用性。但是这种方法需要大量的数据，现有卫星遥感数据在应用时 需要考虑时间、空间、角度、光谱响应等，往往数据量是不足的。另一方面如何选择模型处于 两难的境地：如果模型复杂了，待估算参数多，难以计算；如果模型简单了，现有辐射传输 模型和实际情况之间还存在较大误差。因此，数据和模型这两个方面的问题，限制了物理方 法的应用。
【发明内容】
[0007] (一）解决的技术问题
[0008] 针对现有技术的不足，本发明提供一种全球植被覆盖度估算方法，该方法充分利 用了地面实测资料、高空间分辨率遥感观测数据和人工智能学习算法，具有稳定性好、适应 性强、精度高、易于操作等优点。
[0009](二）技术方案
[0010] 为实现以上目的，本发明通过以下技术方案予以实现：
[0011] 一种全球植被覆盖度估算方法，其特征在于，该方法包括：
[0012] 根据全球植被类型分布情况选取若干个全球陆表空间采样点；
[0013] 在所述若干个全球陆表空间采样点处，获取卫星遥感数据中空间分辨率较高的第 一地表反射率数据和空间分辨率较低的第二地表反射率数据；
[0014] 根据所述第一地表反射率数据以像元二分模型计算所述若干个全球陆表空间采 样点处的植被覆盖度；
[0015] 在每个全球陆表空间采样点处，提取所述第二地表反射率数据及其空间上对应的 根据所述第一地表反射率数据计算的植被覆盖度分别作为训练样本的输入和输出，训练广 义回归神经网络模型；
[0016] 使用经过训练的广义回归神经网络模型根据所述第二地表反射率数据计算全球 陆表的植被覆盖度。
[0017] 优选地，所述获取卫星遥感数据中较高空间分辨率的第一地表反射率数据包括：
[0018] 对所述第一地表反射率数据进行大气纠正，并将其中的云像元和雪像元进行识别 和标识。
[0019] 优选地，所述获取卫星遥感数据中较低空间分辨率的第二地表反射率数据包括：
[0020] 去除所述第二地表反射率数据中包含雪和云的反射率的部分，并利用插值法对缺 失的部分进行填充。
[0021] 优选地，所述步骤：根据所述第一地表反射率数据以像元二分模型计算所述若干 个全球陆表空间采样点处的植被覆盖度包括：
[0022] 根据下式计算所述植被覆盖度FVC :
[0023]
【权利要求】
1. 一种全球植被覆盖度估算方法，其特征在于，该方法包括： 根据全球植被类型分布情况选取若干个全球陆表空间采样点； 在所述若干个全球陆表空间采样点处，获取卫星遥感数据中空间分辨率较高的第一地 表反射率数据和空间分辨率较低的第二地表反射率数据； 根据所述第一地表反射率数据以像元二分模型计算所述若干个全球陆表空间采样点 处的植被覆盖度； 在每个全球陆表空间采样点处，提取所述第二地表反射率数据及其空间上对应的根据 所述第一地表反射率数据计算的植被覆盖度分别作为训练样本的输入和输出，训练广义回 归神经网络模型； 使用经过训练的广义回归神经网络模型根据所述第二地表反射率数据计算全球陆表 的植被覆盖度。
2. 根据权利要求1所述的方法，其特征在于，所述获取卫星遥感数据中较高空间分辨 率的第一地表反射率数据包括： 对所述第一地表反射率数据进行大气纠正，并将其中的云像元和雪像元进行识别和标 识。
3. 根据权利要求1所述的方法，其特征在于，所述获取卫星遥感数据中较低空间分辨 率的第二地表反射率数据包括： 去除所述第二地表反射率数据中包含雪和云的反射率的部分，并利用插值法对缺失的 部分进行填充。
4. 根据权利要求1所述的方法，其特征在于，所述步骤：根据所述第一地表反射率数据 以像元二分模型计算所述若干个全球陆表空间采样点处的植被覆盖度包括： 根据下式计算所述植被覆盖度FVC : FVC = (NDVI-NDVIsoil)/(NDVIveg-NDVIsoil) 其中NDVI为像元的归一化植被指数、NDVIS()il为完全无植被覆盖区域的归一化植被指 数、NDVIveg为完全由植被所覆盖的像元的归一化植被指数。
5. 根据权利要求4所述的方法，其特征在于，所述步骤：根据所述第一地表反射率数据 以像元二分模型计算所述若干个全球陆表空间采样点处的植被覆盖度包括： 利用全球生态区划数据将所述若干个全球陆表空间采样点分为若干个生态区域组； 在每个生态区域组内，根据所述第一地表反射率数据获取不同地表类型的NDVI值分 布直方图； 根据所述NDVI值分布直方图中的累积比例确定各生态区域组内的NDVIS()il及各类型植 被的 NDVIveg ; 在每个生态区域组内，根据所述NDVI、所述NDVIS()il和所述NDVIveg分别计算不同植被 类型的所述植被覆盖度FVC。
6. 根据权利要求5所述的方法，其特征在于，所述步骤：根据所述NDVI值分布直方图 中的累积比例确定对生态区域组内对应的NDVIS()il及各类型植被的NDVIveg包括： 将像元归一化植被指数在给定置信度的置信区间内的最大值和最小值分别设定为所 述 NDVIveg 和所述 NDVISQil。
7. 根据权利要求1所述的方法，其特征在于，所述广义回归神经网络模型包括：
其中D/ = (X - Xi)T(X-Xi)，Xi和Yi分别为第i个训练样本的输入和输出，η为训练样 本的数量，X为输入向量，(X)为输入向量为X时的输出向量，σ为控制拟合结果平滑 程度的参数。
8. 根据权利要求7所述的方法，其特征在于，利用下式构造所述〇的代价函数：
其中
为训练样本输入为\时t的估计值。
9. 根据权利要求8所述的方法，其特征在于，使用亚利桑那大学洗牌复合形演化算法 SCE-UA求取广义回归神经网络的最优的所述〇。
10. 根据权利要求1至9中任意一项所述的方法，其特征在于，所述第一地表反射率数 据通过陆地卫星Landsat获取；所述第二地表反射率数据通过卫星传感器MODIS、AVHRR或 VEGETATION 获取。
【文档编号】G01C11/00GK104142142SQ201410310530
【公开日】2014年11月12日 申请日期:2014年7月1日 优先权日:2014年7月1日
【发明者】贾坤, 梁顺林, 刘素红, 刘强, 李钰溦 申请人:北京师范大学