土壤反射光谱时空异质性影响下的植被覆盖度估算方法研究

As a quantitative parameter, the fractional vegetation cover (FVC) is an important indicator for studying the global change, ecology, hydrology and vegetation. The soil background reflectance shows great spatiotemporal heterogeneity for the influence of soil organic matter, texture and soil moisture. The variation of soil background reflectance introduces the uncertainties into the vegetation index of soil (VIo). As a great important input of FVC estimation model, VIo has an impact on the accurate quantitation of the fractional vegetation cover.. This research will carry out controllable experiments and field observations to investigate the impact of the spatiotemporal variability of soil background reflectances on the estimation of VIo. Four FVC estimation model (Gutman, Carlson, Baret and SDVI) will be validated by the controllable ground-based experiment acquiring the reflectances of the corn canopy with five different soil types and soil moistures. The soil spectra of different soil properties (soil organic matter, texture and soil moisture) and soil samples that collected from field will be used to the soil spectral classification. Then, VIo estimation model is built based on the soil spectral types, thus corrects the influence of the spatiotemporal variability of VIo on FVC estimation. The GloalSoilMap and the soil moisture of passive remote sensing will be combined with VIo model to estimate the spatiotemporal distribution of VIo. Therefore, the VIo can be used to estimate FVC, and then provide data for terrestrial ecosystems.

植被覆盖度是全球气候变化、生态、水文、植被等研究的重要基础数据。土壤是植被冠层的下垫面，其反射光谱特性受土壤属性(有机质、质地和水分等)的影响，具有较强的时空异质性，从而导致了植被覆盖度估算模型中的一个重要参数—裸土植被指数(VIo)的时空异质性，影响了植被覆盖度的遥感估算精度。. 本项目通过开展遥感可控试验和野外试验，结合四种常用的植被覆盖度反演算法，重点研究土壤背景反射率时空异质性对VIo取值的影响，揭示VIo时空异质性的内在机制，采用先土壤光谱分类后建模的方法构建VIo预测模型，修正植被覆盖度估算模型忽略VIo时空异质性的不足。在此基础上，融合全球土壤属性数据库(GlobalSoilMap)和被动微波遥感土壤水分产品将VIo模型扩展到卫星像元尺度，获取VIo时空分布；选取均质检验场，验证本研究算法在卫星尺度上改进植被覆盖度估算精度的有效性，提高植被覆盖度遥感估算精度。

植被覆盖度（Fractional vegetation cover，FVC）是表征植被冠层结构最基本的物理参数，已成为全球气候变化、生态、水文、植物、土壤等研究的重要参数。土壤作为植被冠层的下垫面，其反射光谱受土壤属性影响，具有较强的空间异质性，从而影响FVC的遥感估算精度。 . 为研究土壤反射光谱异质性对植被覆盖度遥感估算精度的影响，本项目设计与开展了如下几项研究：1)FVC像元二分模型精度对比验证；2)基于查找表法的FVC估算；3)基于PROSAIL模型分析土壤光谱异质性对FVC估算影响；4)NDVIsoil异质性对卫星FVC估算不确定性的影响；5)土壤端元NDVIsoil的主要影响因素；6)BP神经网络建模及FVC估算精度验证。. 通过这些研究取得了以下结果：1) 6种基于不同植被指数构建的FVC估算模型的精度依次为Baret et al.模型>基于MSAVI的像元二分模型>基于NDVI 和RVI的像元二分模型>Carlson-Ripley模型>Gutman-Ignatov模型>基于DVI的像元二分模型。2)在中、低覆盖度时，基于反射率的查找表法估算精度高于基于植被指数的查找表法。在高覆盖度时，基于植被指数的查找表估算精度提高。Baret et al.模型的估算精度略高于查找表法。3) 三种基于NDVI的模型和基于NDVI和RVI模型的估计值随土壤近红外反射率的升高而降低；基于DVI的模型和基于MSAVI的模型随土壤近红外反射率的升高而升高。4)不同土壤类型的NDVIsoil值存在显著差异；NDVIsoil的低估造成FVC的高估，NDVIsoil异质性造成FVC估算方差高达0.06。以土壤类型和先验知识估算NDVIsoil，提高了FVC的估算精度。5)黑土和暗棕壤的有机质与NDVIsoil具有良好的线性关系，NDVIsoil不受土壤湿度和土壤粗糙度的影响，氧化铁的成份对NDVIsoil异质性有显著影响。6) 利用遗传BP神经网络和土壤属性数据构建了NDVIsoil预测模型，其均方根误差约为0.02。相对于基于HWSD和土壤光谱的NDVIsoil取值方法，利用遗传BP神经网络提取NDVIsoil的方法提高了FVC的估算精度。