融合多源遥感数据的高分辨率城市植被覆盖度估算
摘要
准确获取城市植被覆盖定量信息对城市生态环境评价，城市规划及可持续城市发展具有重要意义。遥感技术的发展为获取区域及全球植被覆盖信息提供了有效手段，目前基于单传感器、单时相遥感数据的城市植被覆盖度估算方法得到较为广泛的应用。然而，由于城市地表覆盖的复杂性、植被类型的多样性，在一定程度上影响了城市植被覆盖信息提取的精度。为此，本文提出一种基于多源遥感数据与时间混合分析的城市植被覆盖度估算方法。首先，通过时空融合、植被物候特征分析获得最佳时序的GF-1 NDVI数据；其次，基于时间序列的GF-1 NDVI及Landsat 8 SWIR1、SWIR2数据，采用时间混合分析方法以长沙市为例估算城市植被覆盖度。实验研究表明，基于多源遥感数据与时间混合分析方法获得了较高精度的城市植被覆盖度估算（RMSE为0.2485，SE为0.1377，MAE为0.1889），相对于单时相光谱混合分析、传统的像元二分法，本文提出的方法更为稳定，在低、中、高不同植被覆盖区均能获得较高的估算精度，为城市植被覆盖度定量估算提供了有效方法。
译
Abstract
The accurate extraction of quantitative information on urban vegetation coverage is of great significance for urban ecological environment assessment, urban planning, and sustainable urban development. With the development of remote sensing technology, effective means for obtaining regional and global vegetation coverage information have emerged. At present, urban vegetation coverage estimation methods based on single-sensor and single-phase remote sensing data are widely used. However, due to the complexity of urban land cover and the diversity of vegetation types, the accuracy of urban vegetation cover information extraction is compromised. In this study, we propose an urban vegetation coverage estimation method based on multi-source remote sensing data and Temporal Mixture Analysis (TMA). First, the best time series GF-1 NDVI data are obtained by using STARFM and vegetation phenomenological analysis. Second, on the basis of time series GF-1 NDVI and Landsat8 SWIR1 and SWIR2 data, TMA is used to estimate the urban vegetation coverage in Changsha City. Results show that the method based on multi-source remote sensing data and TMA can obtain highly accurate urban vegetation coverage estimates (RMSE=0.2485, SE=0.1377, MAE=0.1889). Compared with traditional methods like single-time phase spectral hybrid analysis and dimidiate pixel model, our method is more stable, and can obtain higher estimation accuracy in low, medium, and high vegetation coverage areas. This study provides an effective method for quantitative estimation of urban vegetation coverage.
译
1 引言
21世纪以来，城市化进程在全球范围不断加快，极大地推进了区域经济发展，基础设施升级，但由此导致的生态环境问题已成为影响城市可持续发展的主要问题，备受科学界及政府管理部门的重视（
Grimm等，2008；Georgescu等，2014；匡文慧，2019）。植被及其变化作为表征生态环境变化的综合指示器，是评价生态环境质量及其对人类活动影响的重要参数，在很大程度上反映了区域环境状况（Grahn和Stigsdotter，2003；Tyrväinen等，2005；Zhang等，2010；Lu等，2017）。因此，城市植被覆盖定量信息对评价城市生态环境质量，科学合理地规划城市，促进城市健康可持续发展具有重要意义（Nowak等，1996）。
译
遥感由于其大范围的数据获取和连续观测能力，已成为区域及全球植被覆盖度估算的有效手段（
胡姝婧 等，2010；崔天翔 等，2013；Zhu和Liu，2015；Yang等，2017）。近年来，随着高空间分辨率卫星遥感数据的增多，使城市区域植被覆盖信息的精细估算成为可能，Quickbird、GF-1、Sentinel 2A/B等卫星数据已用于城市植被信息的提取与变化监测（Andersen等，2005；Meusburger等，2010；Johnson等，2012；Jia等，2016；Wang等，2018）。
译
目前基于遥感数据的植被覆盖估算方法主要有回归模型法、像元二分模型及线性光谱混合分析法（LSMA）等。
Xiao和Moody（2005）使用ETM+NDVI数据与FVC进行线性回归分析，对美国新墨西哥州中部地区的FVC进行了估算；Van de Voorde等（2008）利用Landsat ETM+数据与植被覆盖度FVC（Fractional Vegetation Cover）建立回归模型进行了城市植被覆盖的估算。回归模型对局部区域的覆盖度估算具有较高的精度，但仅适用于特定的区域与特定的植被类型，且需大量的地面实测数据，因此不易推广。像元二分模型由于物理意义明确、模型简单，因而得到较多应用。陈云浩等（2002）基于像元二分模型研究了北京海淀区植被覆盖变化；高永刚和徐涵秋（2017）研究了不同植被指数及二分模型对城市不同尺度植被覆盖度的估算。然而，基于像元二分模型估算植被覆盖度时，纯植被与纯裸土NDVI值的选取是技术难点，因而影响植被覆盖度估算的精度。近年来，线性光谱混合分析模型在土地覆盖研究中得到应用（马孟莉 等，2012；黄银友 等，2015；Degerickx等，2019），在植被覆盖度估算的研究中也得到推广。胡健波等（2009）基于线性混合像元分析对沈阳市三环内的城市植被覆盖变化进行了分析；Meusburger等（2010）基于线性光谱解混进行植被覆盖度估算，计算结果R2达到了0.85。然而，目前基于线性光谱混合分析模型的植被覆盖度估算方法中，以基于单时相数据的固定端元混合模型为主，而地表植被类型的多样性在一定程度上影响了植被覆盖度估算的精度。
译
近年来，时间混合分析（TMA）在城市非渗透表面信息提取中得到重视与应用（
Knight和Voth，2011；Yang等，2012；Li和Wu，2014）。但受遥感数据时间分辨率的限制，目前时间混合分析中，以低分辨率的MODIS数据为主，基于高空间分辨率数据的时间混合分析方法尚未见报道。然而，基于多源遥感数据的时空融合模型的发展及应用为解决高空间分辨率、高时间分辨率数据提供了有效途径（Gao等，2006；Lu等，2016；柳文杰 等，2018；Wang等，2018）。为此，本文利用GF-1、MODIS、Landsat 8 OLI数据，通过时空融合方法获取反映地表物候特征的时间序列融合数据；利用时间混合分析方法，定量估算城市复杂景观植被覆盖度；为验证方法的有效性，以快速发展的长江中游城市群的主要城市—长沙市为例进行了实验研究。
译
2 研究区和数据
2.1 研究区概况
选择位居于长江中游城市群的长沙市区为研究区，地理位置介于112°45′E—113°16′E，27°59′N—28°24′N之间，土地面积约2.29×" role="presentation">103 km2（图1）。研究区位于湘江下游的河谷地带，属于典型的亚热带季风性湿润气候，年均气温16—18 ℃，四季分明，雨水丰沛。研究区中心区域建筑密度较高，周边郊区多为丘陵、山地，植被覆盖度高。该地区植被类型多样、物候差异明显，景观异质性较高。
译
图1 研究区范围（真彩色合成）
Fig.1 Study area（True Color）
下载: 原图 | 高精图 | 低精图
2.2 数据及处理
本研究采用2017年GF-1 WFV、MODIS13Q1以及Landsat 8 OLI数据（表1）。GF-1 WFV 数据，包含可见光和近红外共4个波段，空间分辨率为16 m，全年可用数据共5期（云量小于5%）。MODIS13Q1（16 d合成NDVI）数据，空间分辨率为250 m，覆盖整个研究区需2景（h27v06、h28v06），全年共23期。Landsat 8 OLI的短波红外数据，空间分辨率为30 m，全年共2期可用数据（云量小于5%）。
译
表1 遥感数据类型及获取时间
Table 1 Types and acquisition dates of data
数据类型获取日期 GF-1 WFV 2017-01-22、2017-02-27、2017-05-13、2017-05-28、2017-12-20 MODIS13Q1 2017年全年共23期 Landsat 8 OLI 2017-07-26、2017-12-17对GF-1 WFV数据，利用ENVI 5.3进行辐射定标，并采用FLAASH模块进行大气校正；其次，以Landsat 8 OLI影像为基准，选取同名地物点，利用二次多项式进行几何校正，校正误差小于0.5个像元。最后，裁剪研究区，并利用红、近红外波段反射率计算GF-1 NDVI。
译
对于MODIS13Q1数据，首先进行投影转换（UTM），并进行图像拼接处理，其次，以Landsat 8 OLI为基准，对MODIS NDVI数据进行几何校正，之后重采样至16 m（与GF-1 WFV一致），并裁剪出研究区数据。最后，为进一步去除可能残存的云污染，通过Savitzky-Golay滤波去除噪声突变值，以最大化消除云污染的影响，便于后续融合处理。
译
对于Landsat 8 OLI SWIR数据，为便于后续对多源数据做时间混合分析，在辐射校正的基础上，对波段反射率作归一化处理，并将空间分辨率重采样至16 m。最后裁剪出研究区数据。
译
以Google Earth高空间分辨率影像，作为评价时间混合分析精度的数据。
译
3 研究方法
在多源遥感数据预处理的基础上，首先利用STARFM模型，基于GF-1 NDVI、MODIS NDVI时间序列数据，融合构建完整时间序列的GF-1 NDVI数据集；然后综合分析研究区植被的物候特征，确定出最佳时相组合的GF-1 NDVI时序数据；其次，利用最佳时间序列的GF-1 NDVI数据与Landsat 8 OLI的SWIR数据，基于多端元混合模型进行时间混合分析，定量提取城市复杂地表植被覆盖信息；最后，以Google Earth高分辨率影像解译获得的城市地表植被覆盖度作为参考数据，评价植被覆盖度估算精度，并与单时相光谱混合分析方法所得结果进行对比分析。研究技术流程如图2所示。
译
图2 技术流程图
Fig.2 Structure chart of the method
下载: 原图 | 高精图 | 低精图
3.1 多源遥感融合数据的构建
首先，基于目前广泛应用的时空自适应反射率融合模型（STARFM）（
Gao等，2006，黄波和赵涌泉，2017），利用GF-1 NDVI数据以及全年23期的MODIS NDVI数据，以相近时相的GF-1 NDVI与MODIS NDVI数据作为基准影像对，融合获得16 d间隔的GF-1 NDVI时序数据（共23期）。
译
其次，利用研究区土地利用现状图，选取数量足够的不同土地利用类型的样本，获取每一地类样本的NDVI，并用各地类样本NDVI的均值绘制时间变化曲线（图3）。各地类NDVI随时间变化分析表明，建设用地与旱地的NDVI随时间的变化较为平稳，且全年NDVI值较低；研究区的水田作物以双季稻为主，NDVI值在5月生长期达到波峰，到7月份左右，水稻收割季节NDVI曲线出现明显的波谷，在9月份前后，水稻成熟期NDVI曲线再次回到波峰；草地与林地在5—10月份前后，NDVI值均处于高峰，并且林地的NDVI值均高于草地。综合分析各地类的NDVI随时间变化的特征，并结合研究区不同植被类型物候特征的相关研究成果（
Yang等，2012；Li和Wu，2014；朱永森 等，2017），选择能够反映研究区植被物候特征及其差异的2017-02-27、2017-05-13、2017-07-17、2017-09-14、2017-10-16、2017-12-20（年-月-日）共6期的GF-1 NDVI融合数据作为研究区植被覆盖信息提取的最佳时序数据。
译
图3 各地类NDVI时间序列曲线
Fig. 3 NDVI time series curve of each land type
下载: 原图 | 高精图 | 低精图
为进一步提高植被与非植被的区分能力，利用不同土地利用类型样本的GF-1 NDVI均值、Landsat SWIR1、SWIR2反射率归一化均值，获得研究区不同地类的变化曲线（图4）。分析表明，不同地类SWIR反射率具有明显差异，且与NDVI的取值相反。为此，将反映植被与非植被水分含量差异的Landsat SWIR1、SWIR2数据作为时间混合分析的辅助数据，结合最佳时序GF-1 NDVI融合数据进行植被覆盖度估算。
译
图4 不同地类的NDVI与SWIR比较
Fig. 4 NDVI and SWIR of land types
下载: 原图 | 高精图 | 低精图
3.2 基于时间混合分析的植被信息提取
时间混合分析方法TMA （Temporal Mixture Analysis）建立在光谱混合分析原理基础上，是将分析的对象由电磁波谱替换为由多时相数据构成的时间光谱进行混合像元分解的方法 （
Piwowar等，1998）。为此，首先，利用GF-1 NDVI融合数据获得的最佳时间序列数据以及SWIR数据，构成时间光谱数据；其次，对时间光谱数据，利用V-I-S模型进行最优端元的选取（Ridd，1995）；最后，利用多端元光谱混合模型（MESMA） （Roberts等，1998），针对时间光谱数据进行混合分析，提取城市植被覆盖定量信息。
译
研究区范围较大，为使端元选择具有较好的代表性，结合Google Earth高分辨率影像以及长沙市土地利用现状数据，选取6块包含多种土地覆盖类型的典型区域，逐块进行端元的选取。为降低融合数据波段间的相关性及数据冗余度，首先进行MNF变换 （
Green等，1988）；其次，选择MNF变换的前3个分量做N维可视化分析；最后，比较各端元NDVI的时间变化曲线，确定端元位置、类型及数量，建立端元光谱库。
图5为研究区东北部典型区端元提取的实例，以相同方法依次构建6块典型区域的端元光谱库，最终组合形成整个研究区端元光谱库，共包含1058个端元。
译
下载:
| 高精图 | 低精图
图5 MNF前3个分量的特征空间
Fig.5 Two-dimensional feature space plots using the first three MNF components
为了对初选端元做进一步遴选，以获得代表研究区的最优端元，首先，利用VIPER Tools计算波谱库中每个端元的EAR、in_CoB、out_CoB以及MASA；其次，考虑端元应满足in_CoB较高且out_CoB较低或者EAR、MASA较低的原则，选取最优端元，最终选取了36个最优端元。其中，植被16个、非渗透表面13个、裸土7个。并由最优端元构成二端元、三端元组合模型（表2）。
译
表2 多端元混合像元分解模型
Table 2 MESMA models
模型类型端元组成模型数量 二端元模型 植被、非渗透表面 208 植被、裸土 112 非渗透表面、裸土 91 三端元模型 植被、非渗透表面、裸土 1456 总量 1867利用多端元线性混合像元分解模型进行时间混合分析，线性混合分析模型如下：
译
式中，Rb" role="presentation">为影像b" role="presentation">波段的反射率；N" role="presentation">为端元数；fi" role="presentation">为端元i" role="presentation">的权重估计值；Ri,b" role="presentation">是端元i" role="presentation">在波段b" role="presentation">的反射率；eb" role="presentation">为残差。采用均方根误差（RMSE）评价模型的效果：
译
式中，M" role="presentation">为影像波段数。RMSE越小说明总体误差越小，模型效果越优。
译
基于最优端元的组合模型（表2），进行多端元线性光谱混合分解，筛选出RMSE最小，复杂度最低的模型作为每个像元的最佳解混模型，获得每个像元的植被、非渗透表面及裸土丰度值，将解混获得的植被丰度值作为植被覆盖度的估算值。
译
3.3 估算精度验证
为评估基于多源遥感数据与时间混合分析的植被覆盖度估算精度，以高分辨率影像解译计算得到的植被覆盖度作为验证数据，进行对比分析与精度定量评价。精度评价选择包括中心城区、城乡结合部及边缘城区的区域作为验证区，验证区地表覆盖类型较为齐全。
译
首先从Google Earth下载2 m分辨率遥感影像，进行图像预处理，并采用SVM分类器将土地覆盖分为非渗透表面、植被、裸土和其他4种地表覆盖类型，为确保分类的精度，根据Google Earth高分辨率影像和长沙市土地利用现状图，获得修正与完善后的分类结果（图6）；其次，以8×" role="presentation">×8像元构成16 m×" role="presentation">×16 m格网单元的大小，将格网覆盖于土地覆盖分类图上，计算获得验证区降尺度的植被丰度、非渗透表面丰度，并以此作为两者的地表覆盖的真值（图6）。
下载:
| 高精图 | 低精图
图6 验证区土地覆盖分类及覆盖度图
Fig.6 Land cover classification and coverage map of the verification area
为减小估算数据与验证数据几何配准的误差影响，以3×" role="presentation">×3像元（48 m×" role="presentation">×48 m）大小构建格网，将此格网覆盖于估算数据与验证数据上，计算得到降尺度的植被覆盖度估值，以及降尺度的植被覆盖度、非渗透表面覆盖度真值，采用均方根误差（RMSE）、系统误差（SE）及平均绝对误差（MAE），评价植被覆盖度估值的准确性与可靠性，相关计算公式如下：
式中，N" role="presentation">N为像元的总数，V̂i" role="presentation">V̂i为像元i" role="presentation">i对应植被覆盖度的估计值，Vi" role="presentation">Vi为像元i" role="presentation">i对应植被覆盖度的真值。
4 结果与分析
4.1 时空融合结果与分析
基于STARFM模型融合获得了全年缺失的18期GF-1 WFV影像，从而得到完整时间序列的高分辨率NDVI数据。为验证GF-1 NDVI融合数据的精度，利用真实GF-1 NDVI数据进行比较分析（图7）。对比分析表明，融合的GF-1 NDVI与真实的GF-1 NDVI数据空间分布信息基本一致。
译
下载:
| 高精图 | 低精图
图7 不同数据源的NDVI
Fig. 7 Observed NDVI and predicted NDVI
为进一步定量分析融合的精度，在融合的数据中随机选取27000个样点，对比真实数据进行相关性分析，结果表明（图8），两个时期的融合NDVI与真实NDVI的相关系数分别为：0.90、0.82。这说明基于STARFM的时空融合算法生成的融合NDVI数据与真实NDVI数据具有很高的一致性，可用于后续研究。
译
下载:
| 高精图 | 低精图
图8 两个时期融合NDVI与真实NDVI相关系数
Fig.8 Scatter plot of predicted NDVI and observed NDVI on two periods
4.2 城市植被覆盖度估算结果
基于GF-1 NDVI融合数据、Landsat SWIR数据，通过时间混合分析估算了长沙市植被覆盖度（图9）。从图9中大体可以看，建筑密度较高的中心城区，主要以建筑物、路面等非渗透表面为主，植被覆盖度最低；而城市边缘城乡结合部建筑物较为分散，植被覆盖度较高；城市周边的丘陵、山地植被覆盖度最高。为比较分析，本文基于单时相光谱混合分析、像元二分法分别估算了研究区的植被覆盖度。尽管三者估算结果在空间分布上大致相同，但从细节上看，由于考虑了植被物候信息以及地表湿度信息，基于多源遥感数据与时间混合分析的植被覆盖度估算结果，在空间细节上更为合理。中心城区的公园、绿地等植被覆盖得到了有效的估算，而基于单时相数据的光谱混合分析方法、像元二分法均低估了城市中心区域的植被覆盖度。因此，基于多源遥感数据与时间混合分析的植被覆盖度估算方法能更有效地提取、估算城市复杂地表的植被覆盖信息。
译
下载:
| 高精图 | 低精图
图9 3种方法的植被覆盖度估算结果
Fig.9 Estimation of vegetation coverage generated from three methods
为进一步定量分析植被覆盖度估算的精度，在研究区选择典型样区作为验证区，进行植被覆盖度估算精度分析。将验证区按非渗透表面覆盖度分为城市中心地区（非渗透表面丰度≥" role="presentation">≥30%）以及城市边缘地区（非渗透表面丰度<" role="presentation"><30%），并利用验证区植被覆盖度真值，计算RMSE、MAE和SE（表3）。结果表明，在全区域、城市中心地区，城市边缘地区，基于多源遥感数据与时间混合分析的植被覆盖度估算结果相对于单时相光谱混合分析、像元二分法的结果更接近真实值，特别是在城市的边缘地区，相对于单时相光谱混合分析法，RMSE下降了7.96%，SE下降了9.39%，MAE下降了7.51%；相对于像元二分法，RMSE下降了15.67%，SE下降了19.72%，MAE下降了17.7%。
表3 植被覆盖度精度评价
Table 3 Accuracy evaluation of vegetation coverage
RMSESEMAE 时间混合 分析 全区域范围 0.2485 0.1377 0.1889 城市中心地区 0.2010 0.0378 0.1526 城市边缘地区 0.2613 0.1682 0.2000 单时相光谱混合分析 全区域范围 0.3140 0.2255 0.2482 城市中心地区 0.2021 0.1059 0.1603 城市边缘地区 0.3409 0.2621 0.2751 像元二分法 全区域范围 0.3777 0.2976 0.3251 城市中心地区 0.1949 0.0767 0.1553 城市边缘地区 0.4180 0.3652 0.3770另外，将验证区植被按覆盖度划分为10个区间（0—0.1、0.1—0.2、…、0.9—1.0），然后在每个区间内随机选取100个样点，总共选取1000个样点。分别计算植被覆盖度估值与真值之间的相关系数、RMSE （图10，表4）。从整体上看，3种方法得出的植被覆盖度估值与真值相比，均具有良好的相关性（相关系数约0.77）和较低的估计误差（RMSE约0.20）。但是随着植被覆盖度的增加，单时相光谱混合分析方法、像元二分法植被覆盖度的估算值偏低，而时间混合分析方法较稳定（图10）。
译
下载:
| 高精图 | 低精图
图10 3种方法估算植被覆盖度与真实植被覆盖度的相关性
Fig.10 Correlation between estimated vegetation coverage and true vegetation coverage
表4 植被覆盖度精度评价
Table 4 Accuracy evaluation of vegetation coverage
RMSEr 时间混合分析 低植被覆盖地区 0.1701 0.5375 中植被覆盖地区 0.2247 0.2466 高植被覆盖地区 0.1942 0.4593 单时相光谱混合分析 低植被覆盖地区 0.1344 0.5264 中植被覆盖地区 0.2585 0.2376 高植被覆盖地区 0.3045 0.3542 像元二分法 低植被覆盖地区 0.1452 0.3708 中植被覆盖地区 0.2637 0.2519 高植被覆盖地区 0.3936 0.2603为进一步比较3种方法对于不同地区植被覆盖度的估算精度，将研究区的植被覆盖度划分为3级：低 （植被覆盖度≥45%）、中（45%<植被覆盖度≤65%）、高植被覆盖地区（植被覆盖度≥65%），分别计算RMSE、相关系数r（表4）。结果表明，在低、中、高植被覆盖地区，相对于单时相光谱混合分析、像元二分法，时间混合分析方法的估算结果与真实值的相关性更高；在低植被覆盖地区，像元二分法与单时相混合分析方法的误差略低，但在中、高植被覆盖地区，时间混合分析方法的估算误差最低，特别是在高植被覆盖地区，时间混合分析的优势更加明显，相对于单时相光谱混合分析，RMSE降低了11.03%；相对于像元二分法，RMSE降低了19.94%。
译
5 结论
本文提出了一种基于融合多源数据与时间混合分析估算城市植被覆盖度的方法。以长沙市城区GF-1多光谱影像、MOD13Q1数据以及Landsat 8 OLI数据为数据源，基于STARFM模型并结合植被物候特征，获得多源遥感融合数据，最后利用时间混合分析估算城市植被覆盖度。研究结果表明：
译
（1）基于STARFM模型得到的时序GF-1 NDVI影像空间信息细节清晰，与真实的NDVI数据进行对比，相关系数在0.8左右，融合效果较好。基于STARFM模型融合的GF-1 NDVI能在一定程度上解决遥感数据时空分辨率相互制约的问题，能为城市区域，尤其是云雨天气较多的中国南方城市区域环境定量研究提供时序遥感数据。
译
（2）基于多源遥感数据与时间混合分析方法获得了较高精度的城市植被覆盖度（RMSE为0.2485，SE为0.1377，MAE为0.1889），相对于传统的单时相光谱混合分析与像元二分法，基于多源遥感数据与时间混合分析方法估算的城市植被覆盖度，无论在城市中心区域还是城市边缘区域，均更接近真实的植被空间分布与覆盖度。3种方法植被覆盖度的估算值与真实值的相关性和RMSE分析表明，基于多源遥感数据与时间混合分析方法的估算方法最稳定，是估算城市植被覆盖度的有效方法。
译
本文在时间混合分析中，以最佳时序NDVI数据及Landsat 8 OLI的短波红外数据作为数据源，并对Landsat 8 OLI的短波红外数据进行了重采样处理，这在一定程度上对时间混合分析的精度会产生影响。另外，本文所用的高分辨率时间序列数据中，部分数据通过时空融合算法获得，融合的NDVI与真实值不可避免存在一定偏差，这在一定程度上会影响时间混合分析的精度。为此，在后续研究中拟结合降尺度融合方法获取16 m分辨率的短波红外数据，并发展新的时空融合方法改进融合的精度，以期进一步提高植被覆盖度估算精度。
译
参考文献（References）
Andersen H E, McGaughey R J and Reutebuch S E. 2005. Estimating forest canopy fuel parameters using LIDAR data. Remote Sensing of Environment, 94(4): 441-449 [DOI: 10.1016/j.rse.2004.10.013] [百度学术]
Chen Y H, Li X B and Shi P J. 2002. Landscape spatial-temporal pattern analysis on change in the fraction of green vegetation based on remotely sensed data: a case study in Haidian District, Beijin. Acta Ecologica Sinica, 22(10): 1581-1586 [百度学术]
陈云浩, 李晓兵, 史培军. 2002. 基于遥感的植被覆盖变化景观分析——以北京海淀区为例. 生态学报, 22(10): 1581-1586 [DOI: 10.3321/j.issn:1000-0933.2002.10.002] [百度学术]
Cui T X, Gong Z N, Zhao W J, Zhao Y L and Lin C. 2013. Research on estimating wetland vegetation abundance based on spectral mixture analysis with different endmember model: a case study in Wild Duck Lake wetland, Beijing. Acta Ecologica Sinica, 33(4): 1160-1171 [百度学术]
崔天翔, 宫兆宁, 赵文吉, 赵雅莉, 林川. 2013. 不同端元模型下湿地植被覆盖度的提取方法——以北京市野鸭湖湿地自然保护区为例. 生态学报, 33(4): 1160-1171 [DOI: 10.5846/stxb201204270604] [百度学术]
Degerickx J, Roberts D A and Somers B. 2019. Enhancing the performance of Multiple Endmember Spectral Mixture Analysis (MESMA) for urban land cover mapping using airborne lidar data and band selection. Remote Sensing of Environment, 221: 260-273 [DOI: 10.1016/j.rse.2018.11.026] [百度学术]
Gao F, Masek J, Schwaller M and Hall F. 2006. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 44(8): 2207-2218 [DOI: 10.1109/tgrs.2006.872081] [百度学术]
Gao Y G and Xu H Q. 2017. Estimation of multi-scale urban vegetation coverage based on multi-source remote sensing images. Journal of Infrared and Millimeter Waves, 36(2): 225-234 [百度学术]
高永刚, 徐涵秋. 2017. 基于多源遥感影像的多尺度城市植被覆盖度估算. 红外与毫米波学报, 36(2): 225-234 [DOI: 10.11972/j.issn.1001-9014.2017.02.017] [百度学术]
Georgescu M, Morefield P E, Bierwagen B G and Weaver C P. 2014. Urban adaptation can roll back warming of emerging megapolitan regions. Proceedings of the National Academy of Sciences of the United States of America, 111(8): 2909-2914 [DOI: 10.1073/pnas.1322280111] [百度学术]
Grahn P and Stigsdotter U A. 2003. Landscape planning and stress. Urban Forestry and Urban Greening, 2(1): 1-18 [DOI: 10.1078/1618-8667-00019] [百度学术]
Green A A, Berman M, Switzer P and Craig M D. 1988. A transformation for ordering multispectral data in terms of image quality with implications for noise removal. IEEE Transactions on Geoscience and Remote Sensing, 26(1): 65-74 [DOI: 10.1109/36.3001] [百度学术]
Grimm N B, Faeth S H, Golubiewski N E, Redman C L, Wu J G, Bai X M and Briggs J M. 2008. Global change and the ecology of cities. Science, 319(5864): 756-760 [DOI: 10.1126/science.1150195] [百度学术]
Hu J B, Chen W, Li X Y and He X Y. 2009. Urban vegetation coverage change inside the third-ring road of Shenyang city, China: a study with linear spectral unmixing technique. Chinese Journal of Applied Ecology, 20(5): 1140-1146 [百度学术]
胡健波, 陈玮, 李小玉, 何兴元. 2009. 基于线性混合像元分解的沈阳市三环内城市植被盖度变化. 应用生态学报, 20(5): 1140-1146 [DOI: 10.13287/j.1001-9332.2009.0187] [百度学术]
Hu S J, Hu D Y and Zhao W J. 2010. Extract urban vegetation coverage based on LSMM and improved FCM: a case study in Haidian district. Acta Ecologica Sinica, 30(4): 1018-1024 [百度学术]
胡姝婧, 胡德勇, 赵文吉. 2010. 基于LSMM和改进的FCM提取城市植被覆盖度——以北京市海淀区为例. 生态学报, 30(4): 1018-1024 [百度学术]
Huang B and Zhao Y Q. 2017. Research status and prospect of spatiotemporal fusion of multi-source satellite remote sensing imagery. Acta Geodaetica et Cartographica Sinica, 46(10): 1492-1499 [百度学术]
黄波, 赵涌泉. 2017. 多源卫星遥感影像时空融合研究的现状及展望. 测绘学报, 46(10): 1492-1499 [DOI: 10.11947/j.AGCS.2017.20170376] [百度学术]
Huang Y Y, Feng L, Zhu L J, Liu H and Li C X. 2015. Vegetation information extraction based on HJ-1 satellite time-series images by pixel unmixing. Journal of Nanjing University (Natural Sciences), 51(5): 1058-1067 [百度学术]
黄银友, 冯莉, 朱榴骏, 刘寒, 李成蹊. 2015. 基于混合像元分解的HJ-1卫星时间序列影像城市植被信息提取. 南京大学学报(自然科学), 51(5): 1058-1067 [DOI: 10.13232/j.cnki.jnju.2015.05.017] [百度学术]
Jia K, Liang S L, Gu X F, Baret F, Wei X Q, Wang X X, Yao Y J, Yang L Q and Li Y W. 2016. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data. Remote Sensing of Environment, 177: 184-191 [DOI: 10.1016/j.rse.2016.02.019] [百度学术]
Johnson B, Tateishi R and Kobayashi T. 2012. Remote sensing of fractional green vegetation cover using spatially-interpolated endmembers. Remote Sensing, 4(9): 2619-2634 [DOI: 10.3390/rs4092619] [百度学术]
Knight J and Voth M. 2011. Mapping impervious cover using multi-temporal MODIS NDVI data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 4(2): 303-309 [DOI: 10.1109/jstars.2010.2051535] [百度学术]
Kuang W H. 2019. Mapping global impervious surface area and green space within urban environments. Scientia Sinica Terrae, 49(7): 1151-1168 [百度学术]
匡文慧. 2019. 全球城市人居环境不透水面与绿地空间特征制图. 中国科学: 地球科学, 49(7): 1151-1168 [DOI: 10.1360/N072018-00164] [百度学术]
Li W L and Wu C S. 2014. Phenology-based temporal mixture analysis for estimating large-scale impervious surface distributions. International Journal of Remote Sensing, 35(2): 779-795 [DOI: 10.1080/01431161.2013.873147] [百度学术]
Liu W J, Zeng Y N and Zhang M. 2018. Mapping rice paddy distribution by using time series HJ blend data and phenological parameters. Journal of Remote Sensing, 22(3): 381-391 [百度学术]
柳文杰, 曾永年, 张猛. 2018. 融合时间序列环境卫星数据与物候特征的水稻种植区提取. 遥感学报, 22(3): 381-391 [DOI: 10.11834/jrs.20187298] [百度学术]
Lu M, Chen J, Tang H J, Rao Y H, Yang P and Wu W B. 2016. Land cover change detection by integrating object-based data blending model of Landsat and MODIS. Remote Sensing of Environment, 184: 374-386 [DOI: 10.1016/j.rse.2016.07.028] [百度学术]
Lu Y H, Coops N C and Hermosilla T. 2017. Estimating urban vegetation fraction across 25 cities in pan-Pacific using Landsat time series data. ISPRS Journal of Photogrammetry and Remote Sensing, 126: 11-23 [DOI: 10.1016/j.isprsjprs.2016.12.014] [百度学术]
Ma M L, Zhu Y, Li W L, Yao X, Cao W X and Tian Y C. 2012. Extracting area information of paddy rice based on stratified multiple endmember spectral mixture analysis. Transactions of the CSAE, 28(2): 154-159 [百度学术]
马孟莉, 朱艳, 李文龙, 姚霞, 曹卫星, 田永超. 2012. 基于分层多端元混合像元分解的水稻面积信息提取. 农业工程学报, 28(2): 154-159 [DOI: 10.3969/j.issn.1002-6819.2012.02.027] [百度学术]
Meusburger K, Bänninger D and Alewell C. 2010. Estimating vegetation parameter for soil erosion assessment in an alpine catchment by means of QuickBird imagery. International Journal of Applied Earth Observation and Geoinformation, 12(3): 201-207 [DOI: 10.1016/j.jag.2010.02.009] [百度学术]
Nowak D J, Rowntree R A, McPherson E G, Sisinni S M, Kerkmann E R and Stevens J C. 1996. Measuring and analyzing urban tree cover. Landscape and Urban Planning, 36(1): 49-57 [DOI: 10.1016/S0169-2046(96)00324-6] [百度学术]
Piwowar J M, Peddle D R and Ledrew E F. 1998. Temporal mixture analysis of arctic sea ice imagery: a new approach for monitoring environmental change. Remote Sensing of Environment, 63(3): 195-207 [DOI: 10.1016/S0034-4257(97)00105-3] [百度学术]
Ridd M K. 1995. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities. International Journal of Remote Sensing, 16(12): 2165-2185 [DOI: 10.1080/01431169508954549] [百度学术]
Roberts D A, Gardner M, Church R, Ustin S, Scheer G and Green R O. 1998. Mapping chaparral in the santa monica mountains using multiple endmember spectral mixture models. Remote Sensing of Environment, 65(3): 267-279 [DOI: 10.1016/s0034-4257(98)00037-6] [百度学术]
Tyrväinen L, Pauleit S, Seeland K and de Vries S. 2005. Benefits and uses of urban forests and trees//Konijnendijk C, Nilsson K, Randrup T and Schipperijn J, eds. Urban Forests and Trees: A Reference Book. Berlin, Heidelberg: Springer: 81-114 [DOI: 10.1007/3-540-27684-x_5] [百度学术]
Van de Voorde T, Vlaeminck J and Canters F. 2008. Comparing different approaches for mapping urban vegetation cover from Landsat ETM+data: a case study on Brussels. Sensors, 8(6): 3880-3902 [DOI: 10.3390/s8063880] [百度学术]
Wang B, Jia K, Liang S L, Xie X H, Wei X Q, Zhao X, Yao Y J and Zhang X T. 2018. Assessment of sentinel-2 MSI spectral band reflectances for estimating fractional vegetation cover. Remote Sensing, 10(12): 1927 [DOI: 10.3390/rs10121927] [百度学术]
Wang Q M and Atkinson P M. 2018. Spatio-temporal fusion for daily Sentinel-2 images. Remote Sensing of Environment, 204: 31-42 [DOI: 10.1016/j.rse.2017.10.046] [百度学术]
Xiao J F and Moody A. 2005. A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico, USA. Remote Sensing of Environment, 98(2/3): 237-250 [DOI: 10.1016/j.rse.2005.07.011] [百度学术]
Yang F, Matsushita B, Fukushima T and Yang W. 2012. Temporal mixture analysis for estimating impervious surface area from multi-temporal MODIS NDVI data in Japan. ISPRS Journal of Photogrammetry and Remote Sensing, 72: 90-98 [DOI: 10.1016/j.isprsjprs.2012.05.016] [百度学术]
Yang L Q, Jia K, Liang S L, Wei X Q, Yao Y J and Zhang X T. 2017. A robust algorithm for estimating surface fractional vegetation cover from landsat data. Remote Sensing, 9(8): 857 [DOI: 10.3390/rs9080857] [百度学术]
Zhang X W, Wu B F, Ling F, Zeng Y, Yan N N and Yuan C. 2010. Identification of priority areas for controlling soil erosion. CATENA, 83(1): 76-86 [DOI: 10.1016/j.catena.2010.06.012] [百度学术]
Zhu X L and Liu D S. 2015. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series. ISPRS Journal of Photogrammetry and Remote Sensing, 102: 222-231 [DOI: 10.1016/j.isprsjprs.2014.08.014] [百度学术]
Zhu Y S, Zeng Y N and Zhang M. 2017. Extract of land use/cover information based on HJ satellites data and object-oriented classification. Transactions of the Chinese Society of Agricultural Engineering, 33(14): 258-265 [百度学术]
朱永森, 曾永年, 张猛. 2017. 基于HJ卫星数据与面向对象分类的土地利用/覆盖信息提取. 农业工程学报, 33(14): 258-265 [DOI: 10.11975/j.issn.1002-6819.2017.14.035] [百度学术]
相关知识
融合多源遥感数据的高分辨率城市植被覆盖度估算
林下植被对遥感估算马尾松LAI的影响
城市植被遥感分类研究进展与展望
基于无人机高光谱遥感的荒漠草原覆盖度提取方法研究
北部湾沿海5种红树林群落生物量的遥感估算
近10 a阿克苏流域植被覆盖时空演变特征及影响因素
内蒙古大兴安岭根河森林保护区植被覆盖度变化
流域植被覆盖格局时空演变研究综述
2013–2022年福建漳江口互花米草分布无人机遥感数据集
基于多源遥感信息的作物病虫害生境评价研究进展
网址: 融合多源遥感数据的高分辨率城市植被覆盖度估算 https://m.huajiangbk.com/newsview140460.html
| 上一篇: 《中国植被志》的植被分类系统、植 |
下一篇: 珠海市主要植被类型与城市林业建设 |
