植被覆盖度计算机模拟模型与参数敏感性分析
基于无人机遥感的植被覆盖度估算研究
基于无人机遥感的植被覆盖度估算研究随着人类对自然资源的侵占不断加剧，对生态环境的保护也越来越受到关注。
植被作为生态系统的重要组成部分，对维持生态平衡和地球生命的可持续发展起着不可替代的作用。
因此，准确地了解植被覆盖度情况对于生态环境的保护和生态系统的可持续发展非常必要。
近年来，随着遥感技术的发展，基于无人机遥感的植被覆盖度估算研究逐渐成为研究热点。
相比传统遥感技术，无人机遥感技术的优势在于其高分辨率、高精度、高灵活性和低成本等特点，可以更加准确地估算植被覆盖度情况。
一、无人机遥感技术在植被覆盖度估算中的应用无人机遥感技术在植被覆盖度估算中的应用可以分为两种方式：一种是利用无人机搭载的光学相机进行影像采集，计算植被覆盖度指数；另一种是利用无人机搭载的激光雷达进行三维建模，计算植被高度、体积和覆盖度等指标。
1. 光学相机影像采集利用无人机搭载的光学相机进行影像采集的方式可以分为两种：一种是采集RGB（红、绿、蓝）三色波段影像，通过计算归一化植被指数（NDVI）来估算植被覆盖度；另一种是采集多光谱影像，通过计算植被指数来估算植被覆盖度。
归一化植被指数是基于红外线光谱波段和可见光谱波段的差异计算得出的，常用的计算公式为：NDVI=(NIR-RED)/(NIR+RED)其中，NIR为近红外波段的反射率，RED为红光波段的反射率。
NDVI的取值范围为-1到+1，数值越大表示植被覆盖度越高。
2. 激光雷达三维建模利用无人机搭载的激光雷达进行三维建模的方式可以获取植被高度、体积和覆盖度等指标。
激光雷达通过激光束扫描植被表面并记录植被与激光束的反射距离，从而获得植被表面的三维坐标信息，进而进行三维建模。
利用三维建模技术，可以计算出植被的高度和体积，从而估算植被覆盖度。
高度越低、密度越高的植被覆盖度越高。
二、无人机遥感技术在植被覆盖度估算中存在的问题和挑战虽然无人机遥感技术在植被覆盖度估算中具有很大的优势，但是实际应用过程中还存在许多问题和挑战。
基于综合分段优势的植被覆盖度模型比较
432-442草 业 科 学第 38 卷第 3 期3/2021PRATACULTURAL SCIENCE Vol.38, No.3DOI: 10.11829/j.issn.1001-0629.2020-0438边慧芹，王雪梅. 基于综合分段优势的植被覆盖度模型比较. 草业科学, 2021, 38(3): 432-442.BIAN H Q, WANG X M. Comparison of vegetation coverage models based on comprehensive segmentation advantages. Pratacultural Science, 2021, 38(3): 432-442.基于综合分段优势的植被覆盖度模型比较边慧芹1，王雪梅1, 2（1. 新疆师范大学地理科学与旅游学院，新疆 乌鲁木齐 830054；2. 新疆干旱区湖泊环境与资源重点实验室， 新疆 乌鲁木齐 830054）摘要：基于Landsat 8 OLI遥感影像选取9种植被指数，与野外实测植被覆盖度进行相关性分析，采用分段方式选择敏感植被指数，构建回归模型及FCD模型(forest canopy density mapping model, FCD)对渭干河–库车河三角洲绿洲植被覆盖度进行反演。
结果表明：1)根据实测数据计算不同植被指数在不同植被覆盖度范围内的变化比例，从而确定0.3和0.7作为研究区植被覆盖度的分段点；2)分段回归模型与综合分段优势的FCD模型建模精度均约为79%，但综合分段优势的FCD模型建模集R2较高，RMSE较小，其验证结果优于分段回归模型，验证集R2为0.832，RMSE为0.154，精度为82.018%。
综合分段优势的FCD模型更适合用于研究区总体植被覆盖度反演，可为干旱区植被覆盖度定量监测与生态环境评价提供依据。
关键词：植被指数；分段回归；FCD模型；植被覆盖度反演；渭干河–库车河三角洲绿洲文献标志码：A 文章编号：1001-0629(2021)03-0432-11Comparison of vegetation coverage models based on comprehensive segmentation advantagesBIAN Huiqin1, WANG Xuemei1, 2(1. College of Geography Science and Tourism, Xinjiang Normal University, Urumqi 830054, Xinjiang, China;2. Xinjiang Laboratory of Lake Environment and Resources in Arid Zone, Urumqi 830054, Xinjiang, China)Abstract: On the basis of Landsat 8 OLI remote sensing images, nine vegetation indices were selected to analyze the correlation between vegetation indices and field-measured vegetation coverage. A sensitive vegetation index was selected based on the segmentation method, and regression and FCD (forest canopy density mapping model) models were used to invert the vegetation coverage in the Weigan-Kuqa River delta oasis. The following results were obtained. 1) Using the measurement data, the change proportion of different vegetation indices in different vegetation coverage ranges was calculated, and 0.3 and 0.7 were determined as the segmentation points of vegetation coverage in the study area. 2) The modeling accuracy of the segmented regression and FCD segmentation models was approximately 79%; however, the R2 (0.832) and RMSE (0.154) values of the FCD segmentation model were higher and smaller, respectively, than those of the segmented regression model. Thus, the FCD segmentation model was established as providing better validation results (PRECISION of 82.018%). The FCD segmentation model is therefore considered more suitable for inversion of the total vegetation coverage in the study area, and will contribute to the quantitative monitoring of vegetation coverage and evaluation of the ecological environment in arid areas.收稿日期：2020-08-15 接受日期：2020-10-30基金项目：新疆维吾尔自治区重点实验室招标课题“塔里木盆地北缘植被地上生物量遥感估测研究”(XJNUSYS2019A14)；国家自然科学基金“塔里木盆地北缘绿洲–荒漠过渡带植被对土壤盐渍化的响应研究”(41561051)；自治区研究生科研创新项目“基于改进植被指数的渭–库绿洲植被覆盖度反演及时空演变分析”(XJ2019G228)第一作者：边慧芹(1994-)，女，新疆昌吉人，在读硕士生，研究方向为资源环境遥感。
arcgis植被覆盖度计算步骤
海瑞：经典名言10句，嘉靖者言家家皆净而无财用也海瑞，字汝贤，号刚峰。
明朝著名文学家、官员。
祖父海宽官至松溪县知县，从伯父海澄官至四川道监察御史。
海瑞幼年丧父，由母亲抚养成人。
作生员时，迷上陆王心学，不喜八股文，这也导致他应试不顺。
直到三十七岁时，才考中举人。
三年后的会试未中进士，遂以举人出仕。
历任南平县教谕、淳安县知县，累迁至应天巡抚。
本文选取海瑞经典名言10句，附上译文和点评，以飨读者。
为直言天下第一事，以正君道、明臣职，求万世治安事。
为了匡正君道，明确臣下职责，求得万世之安，我要直陈天下第一事。
点评：出自《治安疏》。
海瑞为官廉洁正直、节俭朴素，是历史上著名的清官。
他关心民间疾苦，一生与贪官污吏、大地主进行着不屈不挠地斗争，就连嘉靖皇帝也不例外。
这篇《治安疏》就是海瑞担任户部主事时，向嘉靖献直言。
美曰美，不一毫虚美；过曰过，不一毫讳过。
好就是好，坏就是坏，一丝一毫都不敢隐瞒。
点评：海瑞要献直言，遂向嘉靖保证，他所说的都是事实，没有虚假。
汉宣之厉精，光武之大度，唐太宗之英武无敌，宪宗之志平僭乱，宋仁宗之仁恕。
像汉宣帝一样努力认真，像光武帝一样为人大度，像唐太宗一样英明武勇，像唐宪宗一样平定叛乱，像宋仁宗一样仁贤有德。
点评：作者列举历史上贤明的君王，夸赞嘉靖也有上述的美好品德。
唐宪宗曾经镇压藩镇叛乱，短暂终结藩镇割据。
富有四海不曰民之脂膏在是也，而侈兴土木。
二十余年不视朝，纲纪驰矣。
富有四海，却不关心民间疾苦。
大兴土木，大举修建宫殿庙宇。
陛下二十余年不上朝处理政务，导致纲纪松弛，朝政败坏不堪。
点评：嘉靖皇帝在位四十四年，却有二十几年不理朝政。
嘉靖者言家家皆净而无财用也。
嘉靖就是家家皆净而无财用的意思。
点评：作者引用的民间谚语。
在海瑞看来，由于嘉靖荒废朝政，导致朝政败坏、民不聊生，贪官污吏横行。
老百姓入不敷出，一年到头没有积蓄。
迩者，严嵩罢相，世蕃极刑，差快人意一时称清时焉。
近来，严嵩被罢相，严世蕃被处以极刑。
水土保持生态效应评价指标敏感性分析
63 •
-
2019年第3 期
水利规划与设计
科研与管理
2 )1
式 中 ， .一 输 出 层 单 元 的 个 数 一 期 望 输 出 值 ;
; 一 实 际 输 出 值 。
值 区 间 范 围 为 （0 ，1 ) ，这 样 有 助 于 模 型 进 行 训 练
学习。
/ ( - ) ' (1 + 〇-) -
(3)
式 中 ， -一 输 人 值 。
隐 含 层 到 输 出 值 之 间 的 关 系 通 常 采 用 PuKlrn
函 数 来 表 达 ， 即 输 出 值 等 于 输 人 值 。
学 习 训 练 完 成 后 ， 该 模 型 即 可 应 用 于 实 际
工作。
2 . 2 基 于 Garson的参数敏感性分析方法
在 神 经 网 络 反 复 训 练 学 习 过 程 中 ，两 个 层 之 间
的连接权值确定了输人值对输出值大小的影响程 度 ，通 过 确 定 不 同 层 次 之 间 的 权 值 （连 接 强 度 ）即 可 确 定 输 人 值 影 响 输 出 值 的 强 弱 程 度 。 因 此 ，可以 描述这种强度的算法是十分必要的。
植被覆盖度估算方法
植被覆盖度估算方法植被覆盖度估算方法植被覆盖度估算是为了评估一个区域或地点的植被覆盖程度，常用于生态环境研究、林业资源管理、土地利用规划等领域。
本文将介绍几种常用的植被覆盖度估算方法。
1. 监测图像分类法•监测图像分类法是利用遥感图像进行植被覆盖度估算的常见方法。
•首先，从卫星或无人机获取高分辨率的遥感图像。
•然后，利用图像分类算法（如最大似然法、支持向量机等）将图像分成不同的类别，包括植被和非植被。
•最后，计算植被覆盖度的比例，可以通过像元数、面积比例等指标进行量化。
2. 样地调查法•样地调查法是一种在野外进行的实地调查方法，适用于小范围的植被覆盖度估算。
•首先，在研究区域内选择一定数量的样地，通常为正方形或长方形的固定面积。
•然后，对每个样地内的植被进行详细调查，记录不同植被类型的面积、高度、覆盖度等信息。
•最后，根据样地的统计数据计算整个研究区域的植被覆盖度，可以通过平均值或加权平均值等方式计算。
3. 植被指数法•植被指数法是利用遥感图像中的植被指数进行植被覆盖度估算的方法。
•植被指数是通过计算遥感图像中不同波段（如红、近红外）的比值或差值获得的。
•通过植被指数，可以较为准确地反映植被的生长状况和覆盖度。
•常用的植被指数包括归一化植被指数（NDVI）、差值植被指数（DVI）、综合植被指数（EVI）等。
4. 模型模拟法•模型模拟法是利用数学或计算机模型模拟植被覆盖度的方法。
•常用的模型包括植被生长模型、碳循环模型等。
•通过收集气象数据、土壤数据等相关资料，输入到模型中进行模拟，得到植被覆盖度的估算结果。
•模型模拟法可以考虑多个因素的影响，并提供一种数值化、可重复性的估算方法。
5. 光谱混合法•光谱混合法是利用遥感图像中的光谱信息进行植被覆盖度估算的方法。
•遥感图像中的每个像元通常包含多种地物的光谱信息，通过光谱混合分析，可以将不同地物的贡献进行分离。
•通过对植被和非植被的光谱特性进行分析，可以计算植被覆盖度的比例。
植被覆盖度计算
ENVI下植被覆盖度的遥感估算(植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。
容易与植被覆盖度混淆的概念是植被盖度，植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。
两个概念主要区别就是分母不一样。
植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。
植被覆盖度的测量可分为地面测量和遥感估算两种方法。
地面测量常用于田间尺度，遥感估算常用于区域尺度。
估算模型目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI。
下面是李苗苗等在像元二分模型的基础上研究的模型：VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) （1）其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值，NDVIveg 则代表完全被植被所覆盖的像元的NDVI值，即纯植被像元的NDVI值。
两个值的计算公式为：NDVIsoil=（VFCmax*NDVImin- VFCmin*NDVImax）/( VFCmax- VFCmin) （2）NDVIveg=（(1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin）/( VFCmax- VFCmin) （3）利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。
这里有两种假设：1）当区域内可以近似取VFCmax=100%，VFCmin=0%。
公式（1）可变为：VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) （4）NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。
由于不可避免存在噪声，NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图像实际情况来定。
2）当区域内不能近似取VFCmax=100%，VFCmin=0%当有实测数据的情况下，取实测数据中的植被覆盖度的最大值和最小值作为VFCmax和VFCmin，这两个实测数据对应图像的NDVI作为NDVImax 和NDVImin。
基于遥感技术的植被覆盖度监测与分析研究
基于遥感技术的植被覆盖度监测与分析研究自然界的绿色是人类赖以生存的一个重要来源，而植被则是绿色的主要来源。
因此，对植被的监测与分析非常重要。
近年来，随着遥感技术的快速发展和普及，基于遥感技术的植被覆盖度监测与分析成为了越来越受关注的研究领域。
一、遥感技术在植被监测中的应用遥感技术是通过遥距方式获取地面信息的一种技术，它利用空间传感器获取地球表面的电磁辐射信息，根据这些信息可以推断出地表反射率、植被覆盖情况等。
相比传统的植被调查和监测方法，基于遥感技术的植被监测具有较高的效率和准确性。
遥感技术的应用可以提高数据获取的速度和精度，同时覆盖面积也会变得更广泛，可以为农业、林业、环境保护等领域提供重要支持。
二、植被覆盖度的定义和计算方法植被覆盖度是指地面被植被覆盖部分所占据的面积比例，反映出一个地区植被的丰富程度和茂盛情况。
植被覆盖度的计算方法主要有三种：目视法、样方法和遥感法。
其中，遥感法是目前应用最广泛、最准确的一种方法。
通过遥感图像的数字化，可以实现对不同地区的植被覆盖度进行监测和计算。
三、植被覆盖度监测对环境保护的重要性对于环境保护，植被覆盖度的监测是非常重要的。
植被具有拦截、保持、净化和改善水源的功能，对于土地保持和水资源的保护起到了至关重要的作用。
因此，监测植被覆盖度可以为环境保护提供重要的数据支持，促进环境保护的工作顺利进行。
四、植被覆盖度监测的未来发展趋势随着科技的不断发展，植被覆盖度监测技术也在不断创新和发展。
目前，人工智能、机器学习等新技术的应用，为植被覆盖度的监测和分析带来了更多的可能性，可以更加准确地预测和模拟植被的生长规律。
未来，植被覆盖度监测的科学研究和应用都将朝着更加深入和完善的方向不断发展。
总之，基于遥感技术的植被覆盖度监测与分析研究是当前领域内的热点和重要课题。
通过遥感技术的应用和不断的技术创新，相信在不久的将来，植被覆盖度监测可以实现更高的精度和准确度，为环境保护和人类生活带来更多的实际应用价值。
SWAT模型参数及运行过程
SWAT模型参数及运行过程SWAT (Soil and Water Assessment Tool) 是一种基于分布式水文模型的农业水文模型，被广泛应用于研究、管理和决策支持系统中。
下面将介绍SWAT模型的参数设置，以及其运行过程。
1.SWAT模型参数设置：- 模型时间尺度（Time Step）：定义模拟的时间跨度，可选择从小时到年。
- 流域面积（Watershed Area）：描述研究区域的地理范围，单位为平方千米或英亩。
- 坡度（Slope）：描述研究区域的地表坡度，以百分比表示。
- 壤土类型（Soil Type）：描述地区土壤的类型，包括土壤质地、土壤有机质含量等。
- 植被类型（Land Use Type）：描述地区植被覆盖类型，包括农田、林地、草地等。
- 降水数据（Precipitation Data）：包括降水量、降水强度等降水信息。
- 水文过程模型（Hydrological Process Model）：描述地区的水文循环过程，包括蒸散发、径流产生、地下水补给等。
- 水利设施（Water Management Practice）：描述地区水利设施的使用情况，如灌溉、排水等。
2.SWAT模型运行过程：数据输入：首先需要收集和整理与研究区相关的地理、气象、土壤和植被数据。
这些数据包括流域边界、坡度、土壤类型、植被类型、降水量和温度等数据。
数据可以从局部观测站点、遥感数据和气象模型等获取。
参数设置：在模型中设置先前提到的参数，以准确描述研究区域的水文过程和土壤特性。
参数设置可以根据实地观测数据和经验来进行。
模型运行：针对所设置的参数和数据，SWAT模型通过数学方程和水文过程模型进行数值模拟。
模型会根据给定的时间尺度分别计算降水、蒸散发、径流产生、地下水补给等水文过程，并给出模拟结果。
模型评估：通过对模拟结果与实际观测数据进行比较和评估，来判断模型的精度和对研究区域水文过程的描述能力。
可以使用多种统计指标来评估模拟结果的准确性，如R方、均方根误差等。
森林冠层反射率模拟模型敏感参数研究——以INFORM模型为例
林地面积２９４０ｋｍ２，森林覆盖率达７７％，主要林种有茶园、板栗、毛竹、马尾松、杉木、栎树等。
设置了２１个样地，样地统一采用正方形，面积为１００００ｍ２（１００ｍ１００ｍ）。每个样地内确定两个
３０ｍ３０ｍ的样方。每个样方调查内容包括经纬度、海拔、群落类型、坡度、坡向、树种、树高、冠幅、ＬＡＩ、
森林密度等，且所有的测量工作均在１０：００～１６：００完成，观测了共４２个样方信息。
犛狋狌犱狔狅犳狋犺犲犛犲犚狀犲狊犳犻犾狋犲犻犮狏狋犲犪狀犘犮犪犲狉犪犝犿狊犻犲狀狋犲犵狉犐狊犖犻狀犉犗犛犻犚犿犕狌犾犪犕狋犻狅狀犱犵犲犾犉狅狉犲狊狋犆犪狀狅狆狔
ＹＵＡＮＨｕｉｌｉ１，ＬＩＪｉｙｉｎｇ２ （１．ＪｉｎｌｉｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１１１６９，Ｃｈｉｎａ；２．ＢｉｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｂｉｎｚｈｏｕ２５６６０３，Ｃｈｉｎａ） 犃犫狊狋狉犪犮狋：Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅＩＮＦＯＲＭｍｏｄｅｌ，ｗｈｉｃｈｓｐｅｃｉａｌｌｙｓｉｍｕｌａｔｅｄｆｏｒｅｓｔｃａｎｏｐｙｒｅｆｌｅｃｔａｎｃｅ， ｗａｓｕｓｅｄｔｏａｎａｌｙｚｅｔｈｅｓｅｎｓｉｔｉｖｉｔｙｏｆｅｉｇｈｔｉｎｐｕｔｐａｒａｍｅｔｅｒｓａｎｄｏｐｔｉｍｉｚｅｔｈｅｓｔｅｐｓｉｚｅｏｆｔｈｅｓｅｎｓｉｔｉｖｅ ｐａｒａｍｅｔｅｒｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅ犔犃犐，ｃａｎｏｐｙｈｅｉｇｈｔ，ｍｅａｎｃｒｏｗｎｂｒｅａｄｔｈａｎｄｆｏｒｅｓｔｄｅｎｓｉｔｙ ｗｅｒｅｓｅｎｓｉｔｉｖｅｐａｒａｍｅｔｅｒｓ．Ｔｈｅ犔犃犐，ｃａｎｏｐｙｈｅｉｇｈｔ，ｍｅａｎｃｒｏｗｎｗｅｒｅｉｎｐｕｔａｔｔｈｅｓｔｅｐｏｆ０．６６ｍ， １ｍａｎｄ０．５５５ｍ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｆｏｒｅｓｔｄｅｎｓｉｔｙｗｅｒｅｉｎｐｕｔａｔｔｈｅｓｔｅｐｏｆ１００ｔｒｅｅｓ·ｈｍ－２ｗｉｔｈｉｎ ｔｈｅｓｃｏｐｅｏｆ２４４～１２４４ｔｒｅｅｓ·ｈｍ－２，ｗｈｉｌｅａｔｔｈｅｓｔｅｐｏｆ４００ｔｒｅｅｓ·ｈｍ－２ｗｉｔｈｉｎｔｈｅｓｃｏｐｅｏｆ １２４４～５２４４ｔｒｅｅｓ·ｈｍ－２．Ｔｈｅｒｅｓｅａｒｃｈｃａｎｓｉｍｐｌｉｆｙｔｈｅｍｏｄｅｌｃａｌｃｕｌａｔｉｏｎ，ｉｍｐｒｏｖｅｏｐｅｒａ ｔｉｏｎａｌｅｆｆｉｃｉｅｎｃｙａｎｄｅｎｓｕｒｅｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓ． 犓犲狔狑狅狉犱狊：ｓｉｍｕｌａｔｉｎｇｒｅｆｌｅｃｔａｎｃｅ；ＩＮＦＯＲＭｍｏｄｅｌ；ｐａｒａｍｅｔｅｒｓｓｅｎｓｉｔｉｖｉｔｙ；ｏｐｔｉｍｕｍｓｔｅｐ 森林冠层反射率是有效进行植被类型解译、森林冠层叶面积指数（ＬＡＩ）、光合有效辐射吸收系数、叶 绿素等固碳参量遥感反演的重要依据。辐射传输模型通过实测叶片反射率和相关理化参数，揭示植被冠 层对太阳辐射的吸收、二向反射、透射及其辐射在冠层传递的物理机制［１］，分析电磁波与冠层参数之间的 相互作用，可以高精度地模拟不同植被类型的冠层反射率［２４］。因此，基于辐射传输模型的森林冠层反射 率模拟及其应用成为近年研究的热点。 除了常用的ＰＲＯＳＰＥＣＴ模型［５］、ＳＡＩＬ模型［６］、ＬｉＳｔｒａｈｌｅｒ几何光学模型［７］等，近几年出现的专门针
RUSLE模型的参数灵敏度研究
ＲＵＳＬＥ模型的参数灵敏度研究作者：蔡芫镔陈燕红潘文斌来源：《海峡科学》2008年第07期[摘要]采用局部灵敏度分析法，结合福建吉溪流域当地情况，选取植被与经营管理C因子、降雨侵蚀力R因子分别作±5%和±10%的变化来获取整个流域的土壤侵蚀量，研究这两个参数对土壤侵蚀量的灵敏程度。
[关键词]土壤流失通用水土流失方程参数灵敏度分析由于空间差异性、预算约束等原因，模型输入参数在某种程度上总是不确定的[1]。
参数的灵敏度分析不仅有助于避免模型调参工作陷入混乱无序，还可以引导更好的理解评估和减少不确定性。
因此，参数灵敏度分析是模型使用过程中不可或缺、有较强实用意义的一步工作。
从RUSLE模型不难看出，制约土壤侵蚀量的各个因子都不同程度地影响土壤侵蚀量，侵蚀量随着各个因子的变化而变化。
由于坡度坡长LS因子和土壤可蚀性K因子在一定时间内发生变化的可能性极小，因此，本文采用局部灵敏度分析法，以福建吉溪流域为研究对象，对RUSLE模型的植被与经营管理C因子和降雨侵蚀R因子进行参数灵敏度分析。
1 参数灵敏度分析概况如果模型结果的不确定性很大，模型结果就不能作为可靠的决策依据。
若要提高模型预测的精度，就需要提高模型各参数的精度（降低模型各参数的不确定性）。
然而很多生态模型存在几十到几百个参数，要提高每一个参数的精度则很难做到。
此外，由于自然界是一个非常复杂的系统，每一个生态过程都受各种各样的不确定性因素影响，所以某些参数的不确定性是无法降低的。
比如，一个种群中每一个个体的出生或死亡都会受当时的食物、天气状况、捕食者的多少、疾病的传播及其它各种不确定性因素的影响，种群增长率或死亡率的估计总会存在较大的不确定性。
因此，需要通过灵敏度分析来评价各个参数的不确定性对模型运行结果的影响，集中人力、物力提高那些对模型结果影响程度大的参数的精度，对于那些对模型结果影响不大的参数，只需选取其经验值[2]。
灵敏度分析也是模型参数校正过程中的一个非常有用的工具[3-8]，其目的在于确定模型中哪些方面最容易在系统描述中引进不确定性。
基于遥感数据的植被覆盖度监测与变化分析研究
基于遥感数据的植被覆盖度监测与变化分析研究一、前言植被是地球生态系统中最为重要的组成部分之一，是维持地球生态系统平衡的重要因素。
植被覆盖度是指地表被植被覆盖的程度，是评价生态系统健康程度的一个重要指标。
植被覆盖度的监测与变化分析对于生态环境保护和可持续发展具有重要意义。
遥感技术的快速发展为植被覆盖度的监测与变化分析提供了新的手段和思路。
本篇文章旨在探讨如何基于遥感数据进行植被覆盖度监测与变化分析。
二、植被覆盖度的监测1.传统调查法传统调查法是指人工采集植被覆盖度数据的方法。
该方法主要包括样地调查、流动调查和空间调查。
这些方法需要人工采集大量的数据，工作量大、耗时耗力、费用高、覆盖区域有限。
同时，人工调查结果受调查员主观因素影响，数据的可靠性和精度难以保证。
2.遥感技术遥感技术是指通过卫星、飞机等探测器采集地表信息，再通过图像处理和解译等手段获取有关地表特征的技术。
遥感技术可以快速、精确、经济地获取大范围地表植被信息，并能够提供定量化的结果。
在植被覆盖度监测方面，遥感技术可以利用NDVI指数进行分析，NDVI指数是植被指数的一种，可以反映出植被生长状态。
可以通过遥感图像解译获取植被覆盖度信息，利用遥感技术可以在较短时间内遥距掌握大范围地表植被信息，使监测结果具有空间和时间分辨率。
三、植被覆盖度的变化分析植被覆盖度的变化分析是指对植被覆盖度随时间的变化趋势进行研究，分析更改的时间、原因和趋势。
植被覆盖度的变化分析可以通过遥感技术和GIS技术实现。
1.遥感技术遥感技术可以通过比较不同时期的影像，实现植被覆盖度变化分析。
在遥感技术中，通过建立变化检测模型，可以检测不同时期遥感数据的差异，从而分析植被覆盖度的变化趋势和类型。
在变化检测过程中，多时相数据融合以及多源数据结合可以提高变化检测的精度和准确性。
2.GIS技术GIS技术是指借助计算机软件和硬件，利用空间数据进行地理信息处理和空间分析的一种技术。
在植被覆盖度变化分析中，GIS技术可以实现空间数据的可视化和分析，对时间序列遥感数据进行可视化，从而更加精确地了解植被覆盖度变化趋势和类型。
植草沟典型构建因子对降雨径流调控及其敏感性分析
植草沟典型构建因子对降雨径流调控及其敏感性分析魏宇聪;邱慧;何严松;党慧馨;夏梦姿【期刊名称】《中南林业科技大学学报》【年(卷),期】2022(42)5【摘要】【目的】植草沟在海绵城市建设中被广泛应用,但关于植草沟的设计参数对其滞蓄效果影响的研究却较少,通过研究植草沟的护坡高度、植被覆盖率、坡度和边坡比这4个典型构造因子对地表径流的调控效果及其敏感性,为植草沟的建设和优化提供科学依据。
【方法】采用SWMM模型模拟两种降雨事件中不同构造参数设置下植草沟所消减的径流和洪峰量,再通过修正了的Morris法检验植草沟各构造参数对于地表径流和洪峰流量变化的敏感程度,并进行排序。
【结果】(1)植草沟对降雨径流和洪峰流量具有一定的消减作用,在1 a重现期的降雨事件中具有较好的径流和洪峰消减效果,平均可以达到60%以上,但在2 a期降雨重现期条件下,径流和洪峰消减效果大大降低,只有30%左右。
(2)对于径流消减:1 a重现期降雨事件中,护坡高度、植被覆盖率和边坡比为敏感参数,坡度为中敏感参数;而在2 a重现期降雨事件中,护坡高度为敏感参数,植被覆盖率和坡度为中敏感参数,边坡比为不敏感参数。
(3)对于洪峰消减:1 a重现期降雨事件中,护坡高度、植被覆盖率和坡度均为敏感参数,边坡比为中敏感参数;而在2 a重现期降雨事件中,覆盖率为敏感参数,护坡高度、坡度和边坡比为不敏感参数。
【结论】植草沟设计中不能忽视构造因子对径流调控的影响。
(1)低降雨强度时植草沟调控水量功能明显,4个典型构造因子中,护坡高度与植被覆盖率与植草沟径流和洪峰流量消减呈正相关;而坡度和边坡比与之呈负相关。
(2)植草沟典型构建因子中植被覆盖率主要影响洪峰延迟,护坡高度、坡度和边坡比主要影响滞蓄效果。
因此,在植草沟设计中,不能简单复制方案图集,避免规划设计与实际效果不符。
【总页数】9页(P101-108)【作者】魏宇聪;邱慧;何严松;党慧馨;夏梦姿【作者单位】中南林业科技大学风景园林学院;中南林业科技大学湖南省自然保护地风景资源大数据工程技术研究中心【正文语种】中文【中图分类】S732【相关文献】1.生态植草沟结构参数变化对降雨径流调蓄净化效应的影响2.植草沟草种选择对降雨径流调蓄效应的影响3.植草沟在城市降雨径流控制中的应用研究4.生态植草沟对降雨径流污染物去除率试验分析5.雨水花园、植草沟对降雨径流削减效果的评估及比对因版权原因，仅展示原文概要，查看原文内容请购买。
无人机多光谱数据反演叶面积指数方法研究
对本文的可见光和近红外波段几乎没有影响，所以本
文中的这些参数取固定值；叶面积指数 LAI 和观测角
Oza 的变化对光谱曲线的影响很大,从而可以利用此模
型进行 LAI 的定量反演。
2.1.2
模型反演
玉米属于水平型比较均一的植被，所以本文采用
PROSAIL 模型进行叶面积指数的反演。简单来说，本
文利用无人机获取的多光谱影像，以玉米为研究对
便、快捷、实时性强的特点，使得利用航空遥感进行
叶面指数反演得到了迅猛发展，如 Berni
[1-2]
利用航拍数
象，利用顾及敏感性分析的 prosail 模型和统计模型进
行玉米叶面积指数反演的研究,为无人机作为植被评估
据联合叶子水平辐射传输模型 （PROSPECT），灌顶盖
area index inversion from UAV multi-spectral images. The inversion results show that R2 of PROSAIL model is 0.79, and R2 of GNDVI model
is 0.82.The experiment shows that UAV multi-spectral images can be used to invert corn leaf area index, and the effect is good.
(1. Henan Water Survey Co., LTD, University, Zhengzhou 450003, China)
Abstract: Taking corn in the Qingdao area as research object, we used PROSAIL model and vegetation index model to study the method of leaf
植被覆盖度
本文对高分辨率QuickBird 影像的全色波段和多光谱波段进行了各种融合方法的试验。
结果表明：Gram-schmidt 变换法和Pansharp 变换法在保持光谱信息方面的能力强于Brovey 变换法、IHS 变换法和PCA 变换法。
综合考虑各评价参数，通过视觉效果比较和定量分析可以得出：Gram-schmidt 变换法和Pansharp 变换法能够在提高原始多光谱影像的空间信息的同时尽可能地保持了多光谱影像的光谱信息，尤其以Gramschmidt变换法对高分辨率QuickBird 影像的融合效果最好。
高分辨率遥感影像融合应采用Gramschmidt方法。
本次工作获得的Qu ickb ird 卫星影像数据为预正射产品( O rtho Ready S tandard) , 带有RPC ( Rational Ploynom ial Coeffic ien,t 有理多项式系数)参数。
由于工作区为中低山区峡谷区, 因此必须对Qu ickbird原始影像进行正射校正。
由于获得的Qu ickb ird 数据为预正射产品, 采用有理函数模型( RationalFunction)[ 2 ] 来对Qu ickbird 原始影像进行正射校正, 即在PC IGeomatica遥感图像处理软件中采用Quickbird单景影像+ RPC + DEM + GCP 的模式, 对Quickb ird原始全色影像进行正射校正。
DEM ( D igital E levat ionMode,l 数字高程模型)由数字地形图( DLG) 生成, GCP ( Ground Contro l Po in,t 地面控制点)通过GPS 实测获得。
正射校正后的Qu ickbird影像满足1B1万重点调查的精度要求。
研究去为山区应进行正射校正。
彩色合成波段组合为红色XS3、绿色XS2、蓝色XS1, 这种自然彩色合成方式比较符合人眼的视觉习惯, 有利于地质灾害目视解译, 然后与全色影像配准, 采用自动融合算法)，PANSHARP( Automatic ImageFusion)进行融合, 并对融合后的影像进行拉伸增强、对比度和亮度调整, 获得分辨率为0. 61m 的彩色校正图像。
中国典型植被类型NDVI动态变化与气温、降水变化的敏感性分析
中国典型植被类型NDVI动态变化与气温、降水变化的敏感性分析一、本文概述本文旨在探讨中国典型植被类型（Normalized Difference Vegetation Index，NDVI）的动态变化与气温、降水变化的敏感性。
NDVI作为一种重要的遥感植被指数，能够反映植被的生长状况、覆盖度以及生产力等关键信息。
气温和降水作为影响植被生长的主要气候因子，对NDVI的变化具有重要影响。
因此，研究NDVI与气温、降水之间的敏感性关系，有助于深入理解植被动态变化的驱动机制，为生态环境保护、气候变化研究以及农业可持续发展提供科学依据。
本文将基于长时间序列的遥感影像数据，结合地面气象观测数据，运用统计分析方法，对中国典型植被类型的NDVI动态变化进行定量描述。
通过构建敏感性分析模型，评估气温和降水变化对NDVI的影响程度，揭示不同植被类型对气候变化的响应机制和差异。
本文的研究结果将有助于深入了解中国植被动态变化的特点和规律，为生态环境保护和可持续发展提供决策支持。
本文的研究方法和成果也可为类似地区或国家的植被动态变化与气候变化关系研究提供借鉴和参考。
二、研究区域与数据来源本研究选取了中国境内具有代表性的植被类型分布区作为研究区域，这些植被类型包括森林、草原、荒漠和湿地等。
具体研究区域的选择基于中国植被图的分类和中国生态系统研究网络（CERN）的布局，确保所选区域能够全面反映中国植被类型的多样性及其地理分布特点。
数据来源主要包括遥感数据和气象数据。
遥感数据选用了长时间序列的归一化植被指数（NDVI）数据，该数据来源于美国国家航空航天局（NASA）的MODIS卫星产品，具有较高的时空分辨率和稳定性，能够准确反映植被的生长状况和变化趋势。
气象数据则来自中国气象局的国家气候中心，包括气温和降水等关键气象要素，数据覆盖范围广泛，时间序列连续，为分析植被与气候因子的关系提供了有力支撑。
在数据处理方面，首先对遥感数据进行预处理，包括辐射定标、大气校正和几何校正等步骤，以确保数据的准确性和可靠性。
天然林资源保护区植被覆盖度遥感估算及变化分析
第58卷 第3期 广 东 蚕 业 V ol.58,No.03 2024年3月GUANGDONG CANYE Mar . 202428DOI ：10.3969/j .issn .2095-1205.2024.03.08天然林资源保护区植被覆盖度遥感估算及变化分析张 勇（普安县林业局 贵州黔西南 561500）摘 要 天然林资源作为地球生态系统的重要组成部分，对于维持生物多样性、调节气候和保持水土平衡等方面发挥着关键作用。
贵州省黔西南地区作为中国西南部的一个重要生态区域，其天然林资源的保护与监测尤为关键。
遥感技术作为一种高效的地表监测手段，为天然林资源的保护和管理提供了新的视角和工具。
文章旨在通过遥感技术对黔西南地区的天然林植被覆盖度进行精确估算和变化分析，提出植被覆盖度优化建议，以期提升该区域的生态保护工作成效。
关键词 天然林资源保护区；植被覆盖度；遥感估算；变化分析；贵州省 中图分类号:TP751;Q948文献标识码:C文章编号:2095-1205(2024)03-28-03植被覆盖度（FVC ）是描述地表植被状况的关键参数，对于生态环境评价、资源管理、气候变化研究等领域具有重要意义。
随着遥感技术的发展，通过卫星影像分析植被覆盖度已成为一种有效方法。
然而，如何根据不同地区的具体环境特点选择合适的遥感数据和分析方法，以及如何将遥感技术应用于具体的区域生态保护策略，仍然是一个值得深入研究的课题。
贵州省黔西南地区作为一个生态敏感区，其天然林覆盖度变化对于区域生态平衡和水土保持具有重要影响。
因此，深入研究该区域的植被覆盖度变化，并提出有效的生态保护策略，对于做好该区域的生态保护工作和促进当地经济社会可持续发展具有重要意义。
1 贵州省黔西南地区植被覆盖度的遥感估算1.1 区域概况普安县位于贵州省西南部乌蒙山区，黔西南布依族苗族自治州西北部。
普安县地处云贵高原向黔中过渡的梯级状斜坡地带，县境呈不同规则南北向长条形。
植被覆盖度估算方法(一)
植被覆盖度估算方法(一)植被覆盖度估算引言植被覆盖度是评估一个区域内植被覆盖程度的重要指标。
它能够帮助我们理解地表的植被分布情况，为生态环境和资源管理提供依据。
本文将介绍几种常见的植被覆盖度估算方法。
光谱指数法光谱指数是通过遥感数据中植物的光谱反射信息计算得出的。
常见的光谱指数有归一化植被指数（NDVI）、差值植被指数（DVI）等。
这些指数通过计算不同波段之间的差异性，反映了植被覆盖的程度。
光谱指数法适用于大面积、连续性的植被覆盖度估算。
•归一化植被指数（NDVI）•差值植被指数（DVI）•…人工采样法人工采样法是通过在实地进行植物测量和采样，来获取植被覆盖度信息的一种方法。
该方法适用于小面积、复杂地形的植被覆盖度估算。
•样点测量法•样线测量法•…监测与遥感技术相结合监测与遥感技术相结合的方法能够在大范围内进行植被覆盖度估算，并结合地表特征和遥感数据进行分析。
•基于遥感图像分类的方法•基于监测站点数据分析的方法•…基于机器学习的方法近年来，随着机器学习技术的快速发展，基于机器学习的植被覆盖度估算方法也逐渐被应用。
通过训练模型，使用大量的遥感数据进行植被覆盖度的预测和估算。
•支持向量机（SVM）•随机森林（Random Forest）•…结论植被覆盖度的估算方法多种多样，可以根据具体的研究对象和研究目的选择合适的方法。
光谱指数法适用于大面积的植被覆盖度估算，人工采样法适用于小面积的植被覆盖度估算，监测与遥感技术相结合的方法能够在大范围内进行植被覆盖度估算，基于机器学习的方法在精确度和效率上都有较好的表现。
不同的方法相互补充，可以为我们提供全面和准确的植被覆盖度估算结果。
光谱指数法归一化植被指数（NDVI）归一化植被指数（NDVI）是通过计算近红外和可见光波段的反射率之差除以两者之和得出的。
NDVI的取值范围在-1到1之间，数值越高表示植被覆盖度越高。
差值植被指数（DVI）差值植被指数（DVI）是通过计算不同波段之间的反射率差异得出的。
名词解释(含答案)
1.比值增强与差值增强比值增强它是将图像每个像元的某一波段的数值（亮度值）与同一像元的另一波段的数值（亮度值）相除，用所得的新值作为该像元的新数值（亮度值），显示图像，即得到一幅得到比值增强的图像。
比值增强可压抑图像上不需要的影像信息，还可消除由于地形起伏而造成的阴影等干扰因素的影响，因此，比值增强常作为其它处理的前期处理，以得到更好的图像显示效果或分类精度。
差值增强它是将图像每个像元的某一波段的数值（亮度值）与同一像元的另一波段的数值（亮度值）相减，用所得的新值作为该像元的新数值（亮度值），显示图像，即得到一幅得到差值增强的图像。
差值增强可用于提取土壤背景的变化。
2.比值植被指数与归一化植被指数[2]比值植被指数RVI：RVI = NIR/R(1)绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。
植被的RVI通常大于2；(2)RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量(3)植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；(4)RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
归一化植被指数NDVI：NDVI=(NIR-R)/(NIR+R)(1)NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；(2)-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大(3)NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。
对于同一幅图像，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；(4)NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。
植被覆盖率
植被覆盖率植被覆盖率估算模型一：研究区域数据获取本次实验主要是对植被覆盖率估算，因此实验区域的影像因尽量选择植被茂盛的季节。
在数据源选取上，我在马里兰大学的网站下了 Landsat 5 1T 级数据，包够了红，绿，蓝，近红外，热红外 7 个波段。
下载的地区是覆盖了福建省中部地区 2009年 6月 6日的影像。
下图（图 1）为原始数据的假彩色合成图一：原始数据假彩色合成二：数据预处理进行植被覆盖率估算，需要用到归一化植被指数（ NDVI）。
NDVI 的物理依据是地物反射率的差异变化，所以用反射率来计算是比较客观准确的。
TM原始数据就是 DN 值，不能用来直接计算 NDVI，必须通过辐射定标计算成反射率，才能用来计算 NDVI。
因此，要对对实验数据先进行辐射校正和大气校正。
下载的 L1T 级数据，头文件（ L5119042_04220090606_MT）L 有详细影像参数，控制点文件（ L5119042_04220090606_GC）P中有控制点高程信息用于大气校正的地形参数，可以利用这两个文件做辐射校正和大气校正。
（1）辐射定标实验使用数据为 L1T 级数据，经过系统辐射校正的数据。
由于 1 级产品的 DN值是由辐射亮度线性变换得到的，因此从 1 级产品计算辐射亮度只需利用相关参数（ Gain 和 Bias ）进行线性反变换即可，计算过程比较简单。
各参数可在影像头文件中找到， Calibration Type 注意选择为 Radiance 。
图 2：辐射定标参数设置（2）大气校正大气校正是采用 ENVI的 FLAASH模块， FLAASH模块要求输入辐亮度图像，输出反射率图像。
之前对进行了辐射定标，得到辐亮度图像，在这里要把 BSQ 格式的图像转换为BIL 或者 BIP 格式的图像。
FLAASH校正输入图像后，程序会让你选择 Scale Factor ，即原始辐亮度单位与 ENVI 默认辐亮度单位之间的比例。
基于熵值法和信息量模型的公路路域地质灾害敏感性研究
基于熵值法和信息量模型的公路路域地质灾害敏感性研究王林;贾兴利;周吴啸
【期刊名称】《公路工程》
【年(卷),期】2024(49)2
【摘要】为探讨浙江省高速公路路域范围内地质灾害分布规律,应用熵值理论和信息量法,基于地理信息系统技术平台,选取地面高程、降雨量、植被覆盖度等指标进行分析,并对高速路域进行敏感性评价。
结果表明,浙江省高速公路路域灾害主要分布在西南部山区,并以滑坡为主;灾害面积比基本随地面高程、地表坡度、地表起伏度、降雨量、植被覆盖度的增加呈增长趋势,随与河流距离的增加呈减小趋势;对高速公路路域2 km内灾害敏感性进行分级后,极高敏感区、高敏感区、中敏感区、低敏感区、极低敏感区分别占比3.56%、31.09%、45.35%、19.72%、0.28%,路域高敏感区主要分布于浙江省西南部。
【总页数】6页(P152-157)
【作者】王林;贾兴利;周吴啸
【作者单位】中交第一公路勘察设计研究院有限公司;长安大学公路学院
【正文语种】中文
【中图分类】P694
【相关文献】
1.基于LH-OAT与熵值法的水文模型参数敏感性系数分析
2.基于加权信息量法的成家庄地质灾害敏感性评价研究
3.基于信息量法的地质灾害气象风险预警模型研
究4.省域绿色金融发展及影响因素时空异质性研究——基于熵值法和GTWR模型的实证分析5.基于信息量模型法的地质灾害风险评价研究——以滁州市全椒县为例
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
作物学报 ACTA AGRONOMICA SINICA 2008, 34(11): 1964−1969/zwxb/ISSN 0496-3490; CODEN TSHPA9E-mail: xbzw@基金项目: 国家重点基础研究发展计划(973计划)项目(2007CB407203); 国家自然科学基金项目(40771150); 国家基础科学人才培养基金(NFFTBS-J0630532)作者简介: 瞿瑛(1985–), 男, 在读硕士研究生。
E-mail: quying@*通讯作者(Corresponding author): 谢云。
E-mail: xieyun@Received(收稿日期): 2008-02-26; Accepted(接受日期): 2008-06-08.DOI: 10.3724/SP.J.1006.2008.01964植被覆盖度计算机模拟模型与参数敏感性分析瞿 瑛1,2 刘素红1,2,3 谢 云1,2,*(1 北京师范大学地理学与遥感科学学院, 北京100875; 2 北京师范大学遥感国家重点实验室, 北京100875; 3 北京师范大学环境遥感与数字城市北京市重点实验室, 北京100875)摘 要: 植被覆盖度是重要的生态学参数, 对水文、生态、全球变化等研究具有重大意义。
目前使用的目测估算法和数码照相法都具有一定的主观性, 另外通过自然界中相似样方的大量测量获得稳定的统计规律具有很大的难度, 因此建立叶面积指数和植被覆盖度之间的统计模型是估算植被覆盖度的有效方法。
本文以大豆为例,利用椭圆来模拟大豆的叶片, 选取大豆植株结构的关键参数, 通过随机分布函数来模拟植株叶片位置、倾角和大小的分布, 获得不同植被结构参数下单位面积上的植被覆盖度, 建立植被覆盖度计算机模拟模型。
通过实测数据和理论研究结论来验证模拟结果。
对模型的参数敏感性进行分析结果表明, 叶半短轴是比叶半长轴更为敏感的植被结构参数。
该模型为植被覆盖度的研究提供了一种新的思路和方法。
关键词: 植被覆盖度; 计算机模拟模型; 参数敏感性; 大豆Computer Simulation Model of Fractional Vegetation Cover and Its Pa-rameters SensitivityQU Ying 1,2, LIU Su-Hong 1,2,3, and XIE Yun 1,2,*(1 School of Geography, Beijing Normal University, Beijing 100875; 2 State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875; 3 Beijing Key Laboratory for Remote Sensing of Environment and Digital Cities, Beijing 100875, China)Abstract : Fractional Vegetation Cover (FVC) is an important ecology parameter, which is essential in the studies of hydrology,ecology, and global variation. Currently, the estimation methods used for FVC, including eyeballing method and digital camera imagery interpretation method, are obviously subjective and uncertain. Furthermore, it is rather difficult for the statistical rela-tionship between FVC and leaf area index (LAI) to establish by measurement of millions of samples that have similar vegetation structure parameters. Thus, it is an effective way for the estimation of FVC to develop a statistical model between FVC and LAI . In the paper, we simulated the soybean leaves using ellipses, and determined the position, orientation and size with random distri-bution function by choosing the key parameters in the soybean structure to obtain the FVC per area under different vegetation structure parameters. The model was validated with data measured in situ and the theoretical conclusion. The analysis of parame-ter sensitivity of the simulation model showed that the length of stem is not a sensitive parameter when it was longer than foliage interval; wheresa the angle of stem is not a sensitive parameter until it reache a threshold. The leaf tilt angle and foliage interval were in inverse portion to the fractional vegetation cover, while the semimajor and semiminor axis of leaf were in direct portion to the fractional vegetation cover. The semiminor axis of leaf was a much more sensitive parameter than semimajor axis of leaf. It suggested that it was a novel and feasible way for FVC.Keywords: Fractional vegetation cover; Computer simulation model; Parameters sensitivity; Soybean植物是沟通有机界和无机界, 完成自然界水循环、碳循环、生物圈物质和能量交换过程的重要一环。
植被覆盖度是指植被(包括叶、茎、枝)在单位面积内的垂直投影面积所占百分比[1-2], 是衡量陆地植被覆盖和生长状况的重要生态学参数和量化指标, 同时也是水文、气象、生态等区域或全球问题的定第11期瞿瑛等: 植被覆盖度计算机模拟模型与参数敏感性分析1965量研究模型的重要参数[3]。
因此其测算的准确性在很大程度上影响相关研究结论的科学性。
植被覆盖度的测算方法大体可归纳为目测估算法、统计测量法、数码照相法和遥感模型法4类。
目测估算法是通过肉眼观测直接估计样方内植被覆盖度, 误差较大且主观性较强[4]; 统计测量法是利用不同的采样策略获取样方的植被覆盖度, 如点测法、尺测法、样带测量法和正方形视点框架法等, 测量的主观性降低, 精度有所提高[3]; 数码照相法是通过数码照相机获得植株冠层垂直投影图像, 从而计算样方内的植被覆盖度, 方便快捷且准确性较高[5]。
Decagon公司生产了First Growth植被覆盖度分析仪[6], 为野外覆盖度快捷测量提供了方便。
Zhou 等[7]通过光谱纹理分类器, 提高了照相法计算影像植被覆盖度的精度。
前3种方法都是通过样方测量来获取点数据, 在实际应用中, 都需要通过数值内插方法来获取面数据。
遥感模型法直接获取植被覆盖度的面数据, 可以分为经验模型法、植被指数转换法和亚像元分解法3类[8]。
经验模型法通过建立地表实测数据与植被指数的经验模型, 再将模型推广到大区域来计算植被覆盖度, Graetz等[9]、Dymond等[10]和Wittich 等[11]分别建立了植被覆盖度与植被指数的线性和非线性经验模型, 但他们的结论都受限于特定区域而难以推广到更大范围。
植被指数转化法是通过对像元中植被类型及分布特征的分析, 建立植被指数与植被覆盖度之间的转换关系来直接估算植被覆盖度。
亚像元分解法是分析亚像元结构分布特征, 针对不同的亚像元结构, 建立不同的植被覆盖度模型[12-13]。
在实践中研究人员发现了现有方法存在的一些问题：(1) 目前遥感模型需要以地面实测为基础, 模型的建立和有效性验证需要大量的测量数据; (2) 地面上的参数获取需要多次重复观测, 费时费力; (3) 采集地面数据的样方不一定表现参数的所有变化范围, 造成测量参数的缺失。
这些问题制约了地理学过程的定量分析模型和遥感参数反演模型的发展。
因此, 植被覆盖度遥感监测与地面测量的技术手段和理论问题有待深入研究, 鉴于植被真实结构计算机模拟模型在植被反射率波谱[14]、热点效应模拟中取得的巨大成功, 根据植被真实结构参数, 利用计算机模拟植被覆盖度可能成为植被覆盖度研究中的一种有效的方法, 填补测量数据的完备性, 补充地面观测数量上的不足, 是具有挑战性和应用价值的。
1材料与方法1.1计算机模拟模型的思路以大豆为例, 采用计算机图形学方法, 模拟叶片垂直投影在水平面上的叠掩现象。
首先将真实大豆植株进行简化和抽象, 提取影响植被覆盖度的关键植株结构参数, 对大豆植株信息进行数字化表达和存储。
描述大豆形态结构的参数模型是大豆的概念化表现形式, 即该类型对象的类(Class)。
实际的大豆植株(大豆类的对象)的结构参数具有差异性, 而大量植株的植被结构参数则服从一定的统计规律。
1.2计算机模拟模型的基本参数大豆植株(图1)的主茎一般分出多条枝, 每枝的顶端长出3片椭圆形复叶(图2), 常采取行播耕种方式。