馬中剛 ，孫 華 ，王廣興 ,2，林 輝 ，佘宇晨 ，鄒 琪

（1.中南林業(yè)科技大學 林業(yè)遙感信息工程研究中心，湖南 長沙 410004; 2. Dept. of Geography, Southern Illinois University, USA）

基于Landsat 8-OLI的荒漠化地區(qū)植被覆蓋度反演模型研究

馬中剛1，孫 華1，王廣興1,2，林 輝1，佘宇晨1，鄒 琪1

（1.中南林業(yè)科技大學 林業(yè)遙感信息工程研究中心，湖南 長沙 410004; 2. Dept. of Geography, Southern Illinois University, USA）

基于Landsat 8-OLI影像數(shù)據(jù)，利用植被指數(shù)逐步回歸分析和線性混合像元分解的方法，結(jié)合134個野外樣地調(diào)查數(shù)據(jù)，將線性混合像元分解結(jié)果（植被豐度）導入影像植被指數(shù)逐步回歸模型，建立康保縣荒漠化地區(qū)植被覆蓋度反演混合模型，并進行精度檢驗。結(jié)果表明：（1）在所選16種影像植被指數(shù)中，采用單一植被指數(shù)進行荒漠化地區(qū)植被覆蓋度反演建模，與植被覆蓋度擬合優(yōu)度最高的是歸一化植被指數(shù)（NDVI）和土壤調(diào)節(jié)植被指數(shù)（SAVI），利用植被指數(shù)逐步回歸分析建模，篩選出的3種最佳影像植被指數(shù)是土壤調(diào)節(jié)植被指數(shù)（SAVI0.5），比值植被指數(shù)（SRN-R）和增強型植被指數(shù)（EVI）；（2）通過線性混合像元分解建立的植被覆蓋度反演模型，分解所得植被豐度與植被覆蓋度的決定系數(shù)為0.673，模型精度低于利用植被指數(shù)逐步回歸分析法反演的模型精度，但高于單一植被指數(shù)與植被覆蓋度反演模型的精度；（3）精度檢驗顯示植被指數(shù)逐步回歸分析法反演的植被覆蓋度模型的決定系數(shù)（R2）和精度分別為0.719和86.70%，而混合像元分解和植被指數(shù)逐步回歸分析綜合所建的混合模型的決定系數(shù)（R2）和精度分別為0.807和92.37%，表明植被指數(shù)逐步回歸分析與混合像元分解相結(jié)合能較好地提高荒漠化地區(qū)植被覆蓋度反演精度。

荒漠化；植被覆蓋度反演；影像植被指數(shù)；逐步回歸分析；線性混合像元分解

土地荒漠化是指由于氣候變化和人類不合理的經(jīng)濟活動等因素，使干旱、半干旱和具有干旱災害的半濕潤地區(qū)的土地發(fā)生了退化[1-2]。它使土地資源數(shù)量不斷減少，沙塵暴等自然災害頻繁發(fā)生，生態(tài)環(huán)境逐漸惡化，嚴重影響區(qū)域生態(tài)環(huán)境和經(jīng)濟的可持續(xù)發(fā)展[3-4]。因此，發(fā)展一個精確的土地荒漠化監(jiān)測和預估模型，為土地荒漠化防治提出科學、準確的理論與方法具有重要的理論意義與實用價值。

隨著航空航天技術(shù)的發(fā)展，建立基于遙感影像的植被覆蓋度預測模型已成為荒漠化監(jiān)測與評價的主要手段[5-7]。常用的遙感反演植被覆蓋度方法主要有經(jīng)驗模型法和混合像元分解模型法。前者是建立影像植被指數(shù)（如NDVI）與植被覆蓋度之間的回歸關(guān)系估算植被覆蓋度；后者是基于影像中的一個像元有多個組分構(gòu)成，并對該像元的信息都有貢獻，用數(shù)學模擬方法將信息分解，得到各組分豐度，從而估算植被覆蓋度[8]。如，Xiao等[9]用Landsat ETM+ NDVI圖像和線性回歸方法完成了植被覆蓋度的估算；馬超飛等[10]利用線性混合像元分解從Landsat ETM+影像中提出了像元的植被覆蓋度。干旱荒漠化地區(qū)植被分布稀疏，混合像元現(xiàn)象突出，而從遙感影像上監(jiān)測到的植被光譜信息較為微弱，純凈端元的選取也較為困難，從而影響反演精度[11]。因此，在干旱荒漠化地區(qū)采用單一的植被指數(shù)回歸或混合像元分解法建立植被覆蓋度反演模型，其精度常常無法滿足要求。本研究采用了基于植被指數(shù)的逐步回歸與混合像元分解相結(jié)合的方法，建立一個荒漠化地區(qū)植被覆蓋度的混合模型，以提高荒漠化地區(qū)植被覆蓋度的估計精度，為預測荒漠化地區(qū)植被覆蓋度提供理論依據(jù)和技術(shù)支撐。

1 研究區(qū)概況

康?？h地處河北省西北部，隸屬于張家口市。東、北、西三面分別與內(nèi)蒙古自治區(qū)的太仆寺旗、正鑲白旗、化德縣、商都縣接壤，南部同張北、沽源、尚義三縣毗鄰，總面積3 365 km2。地勢由東北向西南緩緩傾斜，北部、東部為丘陵區(qū)，南部為波狀平原區(qū)，平均海拔1 450 m，地理坐標為東經(jīng) 114°11′～ 114°56′，北緯 41°25′～ 42°08′，屬東亞大陸性季風氣候中溫帶亞干旱區(qū)，雨熱同期，年均氣溫1.2℃（見圖1）。

2 材料與方法

2.1 影像數(shù)據(jù)獲取與處理

研究所使用的遙感數(shù)據(jù)為美國陸地衛(wèi)星Landsat 8-OLI，接收時間為2014年8月1日，共有11個波段。本次研究選取前7個空間分辨率30 m×30 m的多光譜波段和第8個空間分辨率15 m×15 m的全色波段。首先將影像的原始灰度（DN）值轉(zhuǎn)換為大氣外層表面反射率，消除傳感器本身產(chǎn)生的誤差。然后，完成大氣校正，消除大氣和光照等因素對地物反射的影響，獲得地物反射率。最后，將低空間分辨率的多光譜圖像與高空間分辨率的單波段黑白影像重采樣生成一幅高分辨率多光譜圖像，便于端元選擇，從而提高混合像元分解精度。數(shù)據(jù)處理前后的影像見圖2（封三）。

2.2 樣地調(diào)查與數(shù)據(jù)處理

研究對土地荒漠化（康保縣）地區(qū)開展系統(tǒng)抽樣，共布設(shè)樣地134個，實際調(diào)查了 124個樣地（不含水域和建設(shè)用地）。樣地設(shè)計確定抽樣間隔為5 km×5 km，樣地大小設(shè)置為30 m×30 m?？紤]到與本研究Landsat 8影像的匹配性（影像融合后空間分辨率為15 m×15 m），在樣地中心點及兩對角線水平方向上7.5 m處選擇一個1 m×1 m的樣方進行調(diào)查。在每個小樣方內(nèi)，用皮尺在樣方的東西和南北方向測量樣方的植被覆蓋度，以10 cm為間隔查看是否有植被覆蓋，取兩次測量的均值作為樣方的植被覆蓋度，同時測量植被高度。然后，用三角架支撐的數(shù)碼相機拍照，以便由數(shù)碼照片計算植被覆蓋度。

圖1 研究區(qū)地理位置及樣地分布Fig.1 Geographic location of the study area

除了樣地野外調(diào)查之外，植被覆蓋度也可由數(shù)碼照片分類獲得。即根據(jù)照片中不同植被類別和不同顏色的數(shù)據(jù)化（DN）值，探求數(shù)碼照片可見光波段R、G、B對不同的地物所顯現(xiàn)的DN值（0～255）的不同組合規(guī)律，進行決策樹分類得到植被覆蓋度。圖3（a）顯示了這兩種方法所得的樣地植被覆蓋度。因為荒漠化地區(qū)植被稀疏且分布隨機性大，所以以10 cm為間隔，通過外業(yè)測量所得的植被覆蓋度較地面樣地真實植被覆蓋度易偏大，而通過數(shù)碼照片提取的植被覆蓋度由于地面陰影等因素的存在較樣地真實植被覆蓋度易偏小。但二者之間具有良好的線性關(guān)系（見圖3b），決定系數(shù)（R2）為0.808。

圖3 實地調(diào)查與影像植被覆蓋度Fig.3 Field survey and image extraction coverage

2.3 植被指數(shù)的提取

研究共選取了歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（SR）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、增強型植被指數(shù)（EVI）、大氣阻抗植被指數(shù)（ARVI）、差值植被指數(shù)（DVI）及衍生植被指數(shù)。其中，SR和DVI通過選取近紅外和可見光各波段組合共有8種（如近紅外與紅色波段比值植被指數(shù)表示為SRN-R，近紅外與海藍波段差值植被指數(shù)表示為DVIN-C），SAVI根據(jù)其調(diào)節(jié)因子（0.1、0.2、0.3、0.4、0.5）有5種，實際共計算了16個指數(shù)因子[12]。利用ENVI軟件的BAND MATH工具進行提取。

2.4 植被覆蓋度反演方法

2.4.1 逐步回歸

本研究采用逐步回歸分析進行自變量的篩選，以保證所有入選回歸方程的自變量是最優(yōu)且顯著性是最高的[13]。首先，對所有16種植被指數(shù)與植被覆蓋度單獨擬合建立覆蓋度反演模型，獲得反演植被覆蓋度的最優(yōu)植被指數(shù)；其次，分析植被指數(shù)與植被覆蓋度的相關(guān)性，通過共線性診斷移除相關(guān)性較高的變量，再利用逐步回歸分析篩選出最終植被指數(shù)建立模型。同時，對124個野外調(diào)查樣地數(shù)據(jù)進行殘差分析，剔除5個離群值大的數(shù)據(jù)。然后，隨機選取90個樣地進行建模，將剩余的29個樣地用于精度檢驗。

2.4.2 線性混合像元分解與逐步回歸的綜合

混合像元分解主要可分為線性和非線性方法。非線性比線性混合像元分解更復雜，且所得結(jié)果難以直觀解釋，使得準確定量反演植被覆蓋度較為困難[14-16]。因此，本研究采用線性混合像元分解進行植被覆蓋度反演。該方法是假設(shè)像元內(nèi)部各組分對像元信息都有貢獻，但沒有交互作用，以各組分的光譜特征值為因子，它們面積為權(quán)重，建立線性混合模型：

式中：Rj為波段j的各像元反射率；fi為端元i在混合像元中所占的比例；rij為端元i在波段j中的反射率；n為端元的個數(shù)；ej為擬合波段j的誤差。已知混合像元和各端元的值，通過最小二乘法可以求解出各組分在混合像元中的比例，即植被覆蓋度。本研究選取植被、裸露地和水體3個端元，用Landsat 8-OLI影像進行線性混合像元分解。

端元的合理選取影響著分解的精度[17-18]。通常可用幾何頂點（N-FINDA）和純凈像元指數(shù)（PPI）兩種方法來完成端元選取。后者對像元純度要求高，而荒漠化地區(qū)植被稀疏且分布隨機性大，純度高的像元較少，端元選取受到很大的影響，從而降低混合像元分解的精度。相比之下，基于幾何頂點的端元選取每個頂點都是一種地物類型且具有明確的物理意義，還能通過目視解譯和影像交互進行分析選取，因此基于幾何頂點的方法更適合于荒漠化地區(qū)端元選取。該方法是先將影像進行最小噪聲分離（MNF）變換，去除波段間的相關(guān)性，再將MNF變換結(jié)果前面兩個相關(guān)性很小的波段作為X、Y軸構(gòu)成二維散點圖。其散點圖一般是三角形狀，純凈端元的位置分布在三角形的三個頂點，其內(nèi)部的點則是這三個頂點的線性組合，也就是混合像元。本研究將混合像元分解得到的植被分量作為一個變量導入到逐步回歸分析所得的最佳模型中，再次進行植被覆蓋度反演。

2.5 精度檢驗

利用29個未參與建模的樣地數(shù)據(jù)對以上逐步回歸植被覆蓋度反演模型和逐步回歸分析與線性混合像元分解綜合建立的混合模型進行精度檢驗，其選用包括決定系數(shù)（R2）、均方根誤差（RMSE）和相對誤差（RE%）。

3 結(jié)果與分析

3.1 植被指數(shù)與植被覆蓋度相關(guān)性分析

研究對所選取的16種植被指數(shù)分別進行了線性回歸建模，結(jié)果NDVI與SAVI0.1-0.5所得植被覆蓋度回歸模型的決定系數(shù)（R2）為最高（0.604），ARVI的決定系數(shù)（R2）為最低（0.356）。對SAVI來看，土壤調(diào)節(jié)因子L對荒漠化地區(qū)SAVI與植被覆蓋度線性回歸模型基本沒有影響。經(jīng)研究分析造成該現(xiàn)象的可能原因有兩點：一是因為研究區(qū)域較小，區(qū)域內(nèi)土壤覆蓋類型有限，不同土壤類型光譜差異不大，像元光譜變化主要取決于植被光譜信息，土壤調(diào)節(jié)因子起不到相應的作用；二是也有研究指出土壤調(diào)節(jié)因子L考慮的是通過冠層時的紅光和近紅外消光差異，隨植被密度的變化而變化，影響較大的區(qū)域是中等植被覆蓋度地區(qū)，而不是植被非常稀少的干旱荒漠化地區(qū)。

3.2 逐步回歸分析建模

利用逐步回歸進行自變量的篩選和建立植被覆蓋度反演模型，其結(jié)果見表1。最先引入回歸方程的自變量為土壤調(diào)節(jié)植被指數(shù)SAVI0.5，然后是SRN-R和EVI。隨著模型中變量的增加，R2、修正的R2隨之增大，估計標準誤差隨之減少。最終得到的模型包括了3個顯著的植被指數(shù)（SAVI0.5，SRN-R和EVI），估計標準誤差為0.132。變量回歸系數(shù)見表2。將表2中“非標準化回歸系數(shù)”欄目中的值代入多元回歸模型得到最優(yōu)的逐步回歸模型（方程2）。

表1 逐步回歸擬合結(jié)果Table 1 Results of stepwise regression

表2 逐步回歸最終模型參數(shù)估計值統(tǒng)計Table 2 The statistics of stepwise regression models

3.3 線性混合像元分解植被覆蓋度反演模型

在二維散點圖中根據(jù)三角形三個頂點對應于影像上的地物類型選擇端元，然后將選取的端元輸入N維可視化器進行可分離性檢驗，最終確定用于混合像元分解的端元并進行線性混合像元分解，得到的植被和裸地豐度圖（如圖4所示）。將植被豐度圖輸入ArcGIS空間分析模塊中，提取對應樣本點的數(shù)據(jù)信息，并與植被覆蓋度進行相關(guān)性分析（如圖5所示）。

由圖5可知，線性混合像元分解對植被覆蓋度的決定系數(shù)（R2）為0.673，比單個植被指數(shù)回歸反演的植被覆蓋度模型決定系數(shù)（R2= 0.604）高，卻比通過植被指數(shù)逐步回歸反演植被覆蓋度決定系數(shù)（R2= 0.748）低。說明在植被稀疏的荒漠化地區(qū)，線性混合像元分解反演植被覆蓋度優(yōu)于單一植被指數(shù)的植被覆蓋度反演，卻不及植被指數(shù)逐步回歸植被覆蓋度反演。

圖4 線性混合像元分解結(jié)果Fig. 4 Results of linear unmixing analysis

圖5 線性混合像元分解結(jié)果與樣地植被覆蓋度相關(guān)性Fig.5 Relationship of vegetation fraction values from linear unmixing analysis with fi eld observations of sample plots

3.4 逐步回歸分析和線性混合像元分解綜合建模

把混合像元分解結(jié)果（植被豐度）作為自變量導入到植被指數(shù)最佳回歸模型中，再利用SPSS軟件分析得出反演研究區(qū)植被覆蓋度的混合模型，其與植被覆蓋度的決定系數(shù)（R2）為0.807，估計標準誤差為0.123?；旌夏Ｐ蜑椋?/p>

4 模型精度檢驗

利用剩余的29個樣地數(shù)據(jù)對植被所獲植被覆蓋度反演模型進行精度檢驗，結(jié)果如表3和圖6所示。以SAVI0.5、SRN-R、EVI和Vegetation fraction（Vegfrac）這4個因子建立的混合模型估測值與植被覆蓋度實測值擬合優(yōu)度較高，其判定系數(shù)（R2）為0.8，均方根誤差為0.1631，相對誤差為7.63%，即模型精度為92.37%?？梢娎弥脖恢笖?shù)逐步回歸分析和混合像元分解相結(jié)合進行植被覆蓋度反演能較好的提高模型精度，對植被覆蓋度定量估算具有重要的理論意義與實用價值。

表3 模型精度檢驗結(jié)果比較Table 3 Accuracy assessment and comparison of regression models

圖6 植被覆蓋度實測值與估測值的線性回歸模型Fig.6 Predicted values plotted against observations of percentage vegetation cover

5 結(jié)論與討論

本文基于Landsat 8-OLI遙感影像數(shù)據(jù)，利用逐步回歸對研究區(qū)所選的16種植被指數(shù)進行篩選，建立土地荒漠化（康?？h）地區(qū)植被覆蓋度反演最優(yōu)估算模型，并結(jié)合混合像元分解結(jié)果（植被豐度）建立植被覆蓋度反演混合模型，通過分析比較和精度評價，得到以下結(jié)論：

（1）遙感植被指數(shù)（如NDVI等）對荒漠化地區(qū)稀疏的植被覆蓋反應不敏感，僅用一種或幾種植被指數(shù)建立植被覆蓋度反演模型精度低。在所選16種植被指數(shù)中，采用單一植被指數(shù)進行荒漠化地區(qū)植被覆蓋度反演建模，其擬合最高的是歸一化植被指數(shù)（NDVI）和土壤調(diào)節(jié)植被指數(shù)（SAVI）。利用逐步回歸分析篩選出的最優(yōu)遙感植被指數(shù)是土壤調(diào)節(jié)植被指數(shù)（SAVI0.5）、比值植被指數(shù)SRN-R和增強型植被指數(shù)EVI，所得模型提高了植被覆蓋度反演精度。

（2）通過線性混合像元分解建立的植被覆蓋度反演模型，所得植被豐度與植被覆蓋度的決定系數(shù)低于利用植被指數(shù)逐步回歸反演，但高于單一植被指數(shù)與植被覆蓋度回歸的反演。

（3）混合像元分解和植被指數(shù)逐步回歸分析綜合所建的混合模型的決定系數(shù)（R2）和精度都高于植被指數(shù)逐步回歸反演的植被覆蓋度模型的決定系數(shù)（R2）和精度，表明植被指數(shù)逐步回歸與混合像元分解相結(jié)合能較好的提高荒漠化地區(qū)植被覆蓋度反演精度。

本文僅選取了6種遙感植被指數(shù)及其衍生植被指數(shù)因子進行建模，未對更多的植被指數(shù)進行分析研究，并且只與混合像元分解結(jié)果建立了混合模型提高了土地荒漠化（康?？h）地區(qū)植被覆蓋度的反演精度，探尋其他更好的植被覆蓋度反演因子建模有待進一步研究。

[1]中華人民共和國林業(yè)部防治沙漠化辦公室.聯(lián)合國關(guān)于在發(fā)生嚴重干旱和/或荒漠化的國家特別是在非洲防治荒漠化的公約[M].北京:中國林業(yè)出版社,1994.

[2]高尚玉,張春來,鄒學勇,等.京津風沙源治理工程效益[M].北京：科學出版社，2012.

[3]汪曉菲,何 平,康文星.若爾蓋縣高原草地沙化成因分析[J].中南林業(yè)科技大學學報,2015,35(3):100-106.

[4]劉愛霞,王長耀,王 靜,等.基于MODIS和NOAA/AVHRR的荒漠化遙感監(jiān)測方法[J].農(nóng)業(yè)工程學報,2007,23(10):145-150.

[5]郭玉川,何 英,李 霞.基于MODIS的干旱區(qū)植被覆蓋度反演及植被指數(shù)優(yōu)選[J].國土資源遙感,2011,89(2):115-118.

[6]趙英時.遙感應用分析原理與方法[M].北京:科學出版社,2003.

[7]張 雷,楊 波,程曉凌.干旱區(qū)發(fā)展的資源環(huán)境基礎(chǔ)評價:以新疆為例[J].干旱區(qū)地理,2011,34(5):713-718.

[8]梁順林,李小文,王錦地.定量遙感理念與算法[M].北京:科學出版社,2013.

[9]Xiao J F,Moody A. A comparison of methods for estimating fractional 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.

[10]馬超飛,馬建文,布和敖斯爾. USLE模型中植被覆蓋度因子的遙感數(shù)據(jù)定量估算[J].水土保持通報,2001,21(4):6-9.

[11]Roberts D A,et al.Mapping chaparral in the Santa Monica Mountains Using Multiple Endmember spectral Mixture Models[J]. Remote Sensing of Environment,1998,65(3):267-279.

[12]John R.Jensen(美).遙感數(shù)字影像處理導論[M].陳曉玲,等譯.北京:機械工業(yè)出版社,2007.

[13]孫 華,鞠洪波,張懷清,等.三種回歸分析方法在Hyperion影像LAI反演中的比較[J].生態(tài)學報,2012,32(24):7781-7790.

[14]張熙川,趙英時.應用線性光譜混合模型快速評價土地退化的方法研究[J].中國科學院研究生院學報,1999,16(2):169-176.

[15]林 輝,孫 華,熊育久,等.林業(yè)遙感[M].北京:中國林業(yè)出版社,2011.

[16]李 君,范文義,李明澤.線性混合光譜模型在多光譜遙感影像分類中的應用[J].東北林業(yè)大學學報,2008,36(8):45-48.

[17]Lu D,Weng Q. Spectral mixture analysis of the urban landscape in Indianapolis with Landsat ETM+ imagery[J]. Photogrammetric Engineering and Remote Sensing, 2004, 70(9): 1053-1062.

[18]盧 遠,林年豐.松嫩平原西部土地退化的遙感動態(tài)監(jiān)測研究——以吉林省通榆縣為例[J].地理與地理信息科學,2003,9(2): 24-27.

Modeling percentage vegetation cover of a desert area using Landsat 8-OLI image

MA Zhong-gang1, SUN Hua1, WANG Guang-xing1,2, LIN Hui1, SHE Yu-chen1, ZOU Qi1
(1.Research Center of Forest Remote Sensing & Information Engineering , Central South University of Forestry & Technology,Changsha 410004, Hunan, China; 2. Dept. of Geography, Southern Illinois University, USA)

Percentage vegetation cover is a direct and effective measure used to assess and monitor deserti fi cation. In this study, a novel method that combined stepwise regression and linear spectral unmixing analysis was developed to derive an integrated regression model of percentage vegetation cover against image vegetation indices and vegetation fraction. A total of 134 sample plots were systematically selected in the study area – Kangbao County and percentage vegetation cover data that quanti fi ed deserti fi cation were collected. Landsat 8-OLI image was acquired and a total of 16 vegetation indices were calculated. Linear spectral unmixing analysis was conducted to extract vegetation fraction of mixed pixels that were introduced into stepwise regression. The results were validated using the observations of sample plots and showed that: (1) When individual vegetation indices were used to develop regression models, the vegetation indices that had the highest correlation were normalized difference vegetation index (NDVI) and soil adjusted vegetation index (SAVI). In the case of stepwise regression modeling, soil adjusted vegetation index (SAVI0.5), simple ratio (SRN-R)and enhanced vegetation index (EVI) had signi fi cant contributions and were selected. (2) When only vegetation fraction from linear spectral unmixing analysis was used as an independent variable, the coef fi cient of determination for the obtained model was 0.673,lower than the coef fi cient from stepwise regression, but higher than those when individual vegetation indices were employed. (3) The results of accuracy assessment showed that the stepwise regression based on the vegetation indices led to the coef fi cient of determinationR2and accuracy of 0.719 and 86.70%, and the new method that introduced vegetation fraction together with the vegetation indices as independent variables into the stepwise regression resulted in the coef fi cient of determinationR2and accuracy of 0.807 and 92.37%.This implied that the integration of regression modeling and linear spectral unmixing analysis provided a great potential to increase the accuracy of predicting percentage vegetation cover as a measure of deserti fi cation.

deserti fi cation; percentage vegetation cover; image vegetation index; stepwise regression; linear spectral unmixing analysis

S771.8

A

1673-923X(2016)09-0012-07

10.14067/j.cnki.1673-923x.2016.09.003

2015-05-20

國家林業(yè)局荒漠化和沙化監(jiān)測專題項目“基于遙感影像和少量地面數(shù)據(jù)的京津風沙源區(qū)年度荒漠化趨勢監(jiān)測模型”（20149889）；湖南省百人計劃特聘教授基金項目（1020990）；中國博士后科學基金（2014M562147）

馬中剛，碩士生

王廣興，教授，博士

馬中剛，孫 華，王廣興，等. 基于Landsat 8-OLI的荒漠化地區(qū)植被覆蓋度反演模型研究[J].中南林業(yè)科技大學學報，2016, 36(9): 12-18.

[本文編校：謝榮秀]