王俊奇， 王廣軍， 梁四海， 杜海波， 彭紅明

（1.中國地質(zhì)大學（北京）土地科學技術學院，北京 100083； 2.中國地質(zhì)大學（北京）水資源與環(huán)境學院，北京 100083；3.內(nèi)蒙古自治區(qū)煤田地質(zhì)局勘測隊，內(nèi)蒙古 呼和浩特 010010； 4.青海省環(huán)境地質(zhì)勘查局，青海 西寧 810007）

0 引言

植被是陸地生態(tài)系統(tǒng)的重要組成部分，其在保持水土、涵養(yǎng)水源等方面起著重要的作用。作為描述植被覆蓋狀況的重要參數(shù)，植被覆蓋度的變化對于評價生態(tài)環(huán)境狀況和土地沙化程度有著重要的指導意義［1-2］。在過去的30 多年，受全球氣候變暖和人為活動的影響，素有地球“第三極”之稱的青藏高原，特別是黃河源區(qū)出現(xiàn)草地不同程度的退化和土地沙化等一系列生態(tài)環(huán)境問題，已經(jīng)成為全球氣候變化研究的關鍵地區(qū)［3-5］。為保護黃河源生態(tài)環(huán)境，國家于2005年、2014年分別實施“三江源生態(tài)保護和建設一期、二期工程”［6-7］。2016年，正式啟動三江源國家公園體制試點。特別是2019—2020年，習近平總書記四次實地考察黃河，并多次強調(diào)沿黃生態(tài)環(huán)境保護的重要性。從植被覆蓋度變化角度開展黃河源區(qū)生態(tài)環(huán)境變化研究，對于深入理解青藏高原多年凍土區(qū)在氣候變化和人類活動雙重作用下的植被響應，以及為黃河源區(qū)生態(tài)環(huán)境保護和治理提供輔助決策具有重要的意義。

隨著遙感技術的不斷發(fā)展和進步，植被覆蓋度的反演方法也逐漸的完善與成熟。常用的反演方法包括植被指數(shù)法、經(jīng)驗模型法和混合像元分解方法［8-10］。受限于遙感數(shù)據(jù)的空間分辨率，混合像元分解方法在包括黃河源區(qū)的三江源地區(qū)受到了廣泛的關注和利用?；旌舷裨纸夥椒òň€性光譜混合分解方法（Linear Spectral Mixture Analysis，LSMA）和非線性光譜混合分解方法（Nonlinear Spectral Mixture Analysis，NLSMA）［11-12］。當 前 以LSMA為基礎的像元二分模型在三江源地區(qū)應用較多。如吳喜芳等［13］基于像元二分模型方法，對1982—2006 年NOAA/AVHRR NDVI 和2000—2012 年MODIS NDVI 數(shù)據(jù)進行植被覆蓋度提取，結(jié)果發(fā)現(xiàn)黃河源區(qū)植被覆蓋度呈現(xiàn)由東南向西北遞減趨勢，并且整體植被覆蓋度呈增加趨勢；張穎等［1］采用同樣的方法對三江源植被覆蓋度進行提取，結(jié)果發(fā)現(xiàn)植被覆蓋度的整體趨勢與上述基本一致；馬天嘯等［14］對黃河源2000—2010 年植被覆蓋度進行時空變化分析，結(jié)果表明植被退化區(qū)平均坡度和海拔更低，說明人類活動可能對植被退化產(chǎn)生了影響；肖桐等［15］采用像元二分模型對2000—2011 年三江源植被覆蓋度進行提取，結(jié)果表明黃河源地區(qū)草地覆蓋度恢復特征明顯。盡管像元二分模型提取的結(jié)果能夠從整體上反映植被覆蓋度的變化趨勢，但像元二分模型其實質(zhì)是兩端元的LSMA 模型。由于在LSMA模型中，植被一般以一個固定端元表示，忽略了“同物異譜”現(xiàn)象，導致包括像元二分模型在內(nèi)的LSMA 模型在面向多種植被覆蓋區(qū)域適用性較差。而在LSMA基礎上發(fā)展起來的MESMA分解模型由于考慮了“同物異譜”［16］，在面向多種植被覆蓋或異質(zhì)性區(qū)域適用性較好。如廖春華等［17］采用MESMA和LSMA模型分別與實測數(shù)據(jù)對比，結(jié)果發(fā)現(xiàn)MESMA 提取的結(jié)果與實測數(shù)據(jù)相關性更高。并且相較于LSMA 模型，MESMA 可以對植被進行分類，因此更適合在地表類型復雜多變的黃河源區(qū)進行土地信息的提取。安如等［18］采用MESMA 模型從可食牧草、毒雜草、裸地三種端元對2012 年三江源典型區(qū)域的草地退化進行研究，并與實測數(shù)據(jù)對比，精度高達84.2%；此外，安如等［19］、Li 等［20］采用優(yōu)化后的MESMA 方法黃河源瑪多縣“黑土灘”進行遙感定量識別，相較于傳統(tǒng)的目視解譯有了較大的改善。

考慮到以上研究多采用黃河源地區(qū)2000—2012 年的數(shù)據(jù)，對于2012 年以來鮮有研究，且基于MESMA 理論基礎的研究區(qū)主要集中在“黑土灘”等黃河源典型區(qū)域［21-22］，范圍有限，也沒有對毒雜草的面積數(shù)量變化及其對畜牧業(yè)的影響進行分析。因此本文擬采用MESMA 模型對1996 年、2000 年、2004 年、2006 年、2008 年、2013 年、2015 年共7 年的黃河源植被覆蓋度進行提取，并采用轉(zhuǎn)移矩陣和一元線性回歸趨勢分析方法對提取出的植被覆蓋度進行后續(xù)分析，最后對1996 年和2015 年的毒雜草分布情況統(tǒng)計并分析其對畜牧業(yè)發(fā)展的影響，以期為黃河源區(qū)生態(tài)環(huán)境的研究提供新的視角。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

本研究區(qū)所指的黃河源區(qū)地理坐標為33°03′～35°29′N、95°52′～99°52′E，位于青藏高原東北部，研究區(qū)示意圖見圖1。高山、峽谷等地貌分布其中，平均海拔約4 200m，總面積約4.4 萬km2，地勢西北高東南低。黃河源區(qū)屬于典型的大陸性高原氣候，寒冷干燥，東南空氣濕潤，西北氣候干燥，太陽輻射強，日溫差大，降水多集中在6—9 月［5，23-24］。作為“世界屋脊”青藏高原的一部分，黃河源區(qū)的自身氣候變化和生態(tài)系統(tǒng)均十分敏感。其主要植被類型包括小嵩草、藏嵩草、早熟禾和紫花針茅等可食牧草，以及棘豆、火絨草等毒雜草；土壤類型包括寒鈣土，草氈土以及沼澤土等［25-26］。

圖1 研究區(qū)示意圖Fig.1 Location of the study area

1.2 數(shù)據(jù)來源與預處理

黃河源區(qū)受海拔和氣候影響，植被生長季相對較短，非生長季植被枯萎，且存在霜凍和冰雪覆蓋現(xiàn)象，因此本研究選取植被處于最大生長季的7—9月且受云覆蓋影響較小的1996 年、2000 年、2004年、2006 年、2008 年、2013 年、2015 年7 個年度35 景Landsat 影像。由于部分年份的個別景影像受云影像較大，故采用相鄰年份的影像替代（表1）。由于2013 年采用兩景Landsat7-ETM+數(shù)據(jù)，因此首先要對其進行去條帶處理。之后利用ENVI5.3 軟件對數(shù)據(jù)進行輻射定標、FLAASH 大氣校正、地形校正和拼接裁剪等預處理。地形校正中采用的DEM 數(shù)據(jù)為2015 年1 月6 號發(fā)布的ASTER GDEM V2。此外，在MESMA 模型建立感興趣區(qū)時采用的輔助數(shù)據(jù)包括1∶100萬植被圖及1∶100萬土壤圖［27-28］。

表1 Landsat影像信息列表Table 1 Landsat image information list

2 研究方法

2.1 多端元混合像元分解模型

LSMA 模型的基本假設是，混合像元的光譜是由兩種及兩種以上的固定地物以線性組合的方式構(gòu)成。其具體模型為

式中：rω為混合像元光譜反射率；fi為每一個端元的光譜反射率；ri為各端元的豐度值；εγ為殘余誤差；N為波段總數(shù)。

MESMA模型是對LSMA模型的一種改進，其原理為在每個像元中采用不同的光譜分解模型（即采用不同的端元組分）進行測試，選擇模型誤差最小的作為提取本像元的分解模型，從而避免了LSMA 的缺陷［17］，在實踐應用中也更符合實際情況。MESMA模型中常用的端元包括植被、非植被、土壤、陰影四種端元，本研究中選擇了植被-土壤-陰影三種端元組合。MESMA程序主要包括以下兩個主要步驟［29-31］：①構(gòu)建光譜庫并選取最優(yōu)端元，②端元模型的確定。

2.1.1 光譜庫的建立和最優(yōu)端元的選取

光譜庫的構(gòu)建通常包含參考端元和圖像端元兩部分，本研究在黃河源區(qū)1∶100 萬植被分類圖和土壤分類圖的輔助支撐下，以圖像端元作為光譜庫的主要構(gòu)建方式。本文中選取植被、土壤、陰影三種端元，其中植被包含小嵩草、藏嵩草、紫花針茅、早熟禾等可食牧草以及鋪散亞菊、火絨草、棘豆等毒雜草。土壤包含寒鈣土、草氈土、沼澤土等類型。由于在遙感影像成像過程中，地物陰影普遍存在，因此將陰影作為一種端元更符合實際情況［17］。最終通過對不同種類地物分別建立感興趣區(qū)，共選取植被端元2 056 個，土壤端元258 個，并將這些端元構(gòu)建為備選光譜庫。

由于端元之間存在著相關性、可分性等一些不可避免的因素特點，需要通過計算端元的平均均方根誤差（endmember average root mean square error ，EAR）和最小平均波譜角（minimum average spectral angle，MASA）［17，31］來選擇最優(yōu)端元。本文中利用ENVI插件“Viper Tools 2”工具（下載地址：www.vipertools.org）來計算EAR 和MASA。依據(jù)EAR 越小，端元越純且MASA 越小，端元相關性越小的原則，且經(jīng)實地確認，如表2所示，最終選取出小嵩草、嵩草等植被類型以及寒鈣土、草氈土等土壤類型的端元光譜曲線。圖2~3 所示為研究區(qū)主要的植被、土壤端元光譜曲線圖。

2.1.2 端元模型的確定

本文選擇植被、土壤、陰影三種端元，端元模型選擇二端元和三端元模型進行測試。研究表明二端元模型適合自然地物景觀的模擬分解，三端元模型適合人為擾動下的地物景觀模擬分解［32］，綜合考慮，選擇三端元模型進行黃河源區(qū)MESMA分解。

根據(jù)理論研究，各組分在像元中的比例為0～1，由于誤差存在，端元比例設置為1.05 為宜，因此設置組分值范圍為-0.05～1.05，陰影最大比例為0.8，RMSE 和殘差約束為0.025［17，29］。由2.1.1 節(jié)可以選取出最終的三種端元光譜庫（包括陰影），而后通過三種光譜庫中的光譜進行排列組合，并通過上述的約束條件選擇最優(yōu)的端元模型，將原始圖像中的每個像元分解為植被、土壤、陰影，從而獲得各組分的豐度圖像。

表2 端元實地驗證結(jié)果Table 2 Field verification of endmembers

圖2 植被端元光譜曲線圖Fig.2 Vegetation endmember spectral curve

圖3 土壤端元光譜曲線圖Fig.3 Soil endmember spectral curve

2.2 一元線性回歸趨勢分析

本文中采用一元線性回歸趨勢分析在空間上對植被變化進行分析，本方法在像元尺度上對植被覆蓋度進行空間變化分析，根據(jù)每個像素植被覆蓋度隨時間的變化特征來反映整個空間的變化規(guī)律［33-34］，公式為

式中：n為監(jiān)測年數(shù)；fvci為第i年植被覆蓋度；slope為多年植被覆蓋度線性擬合斜率。

擬合直線反映研究區(qū)多年內(nèi)的植被覆蓋度變化趨勢，斜率為正，表示植被覆蓋度增加，反之則表示減少；擬合斜率的絕對值越大，表示變化越顯著。借鑒相關的研究成果［35］將變化趨勢劃為顯著減少（slope≤-0.015）、輕度減少（-0.015＜slope≤-0.005）、基本穩(wěn)定（-0.005＜slope≤0.005）、輕度增加（0.005＜slope≤0.015）、顯著增加（slope＞0.015）五個等級。

3 結(jié)果與分析

3.1 植被覆蓋度空間分布特征

根據(jù)植被覆蓋度提取結(jié)果并結(jié)合研究區(qū)的植被蓋度實際情況，本文將植被覆蓋度劃分為5 個等級。即：植被覆蓋度在0～10%為裸地，植被覆蓋度在10%～30%為低覆蓋度區(qū)域，植被覆蓋度在30%～45%為中低覆蓋度區(qū)域，植被覆蓋度在45%～60%為中覆蓋度區(qū)域，植被覆蓋度在60%～100%為高覆蓋度區(qū)域。運用MESMA模型對黃河源1996年、2000年、2004年、2006年、2008年、2013年、2015年共7年的數(shù)據(jù)提取植被覆蓋度，并通過ArcGIS對植被覆蓋度進行分級統(tǒng)計。由于居民區(qū)及荒漠化嚴重的北部等地區(qū)植被稀少，在本文的方法中只存在土壤一個端元，因此此處的植被覆蓋度按裸地統(tǒng)計，詳見圖4（a～g）。研究區(qū)整體植被覆蓋度東南高西北低，北部地區(qū)荒漠化嚴重。1996—2015年的植被覆蓋度統(tǒng)計結(jié)果見表3。各年份的植被覆蓋度統(tǒng)計說明具體如下：

圖4 1996—2015年黃河源區(qū)植被覆蓋度時間序列分布Fig.4 Time series of vegetation coverage in the source region of the Yellow River from 1996 to 2015

表3 黃河源1996—2015年植被覆蓋度面積及比例Table 3 Area and proportion of vegetation coverage in the source region of the Yellow River from 1996 to 2015

（1）1996—2015 年，研究區(qū)裸地在2013 年占比最低，為10.60%，2004 年占比最高，為24.93%；其他年份裸地占比與2013 年略有浮動，但差異不大。研究區(qū)裸地主要分布在北部干旱地區(qū)及一些高海拔地區(qū)。

（2）研究區(qū)低覆蓋、中低覆蓋及中覆蓋的區(qū)域面積占比基本保持一致，其中低覆蓋面積占比在17%～20%，中低覆蓋和中覆蓋面積占比在12%～14%，且以上三種植被覆蓋度區(qū)域主要集中在西部地區(qū)、扎陵湖和鄂陵湖的南部、鄂陵湖的東部及中部部分區(qū)域。

（3）研究區(qū)高覆蓋區(qū)域面積占比結(jié)果顯示，2004年面積占比最低，為28.65%，1996年、2000年、2006 年及2008 年面積占比約為40%，而2013 年、2015 年兩年的面積占比相對較高，均在45%左右浮動，這也顯示出近年來黃河源區(qū)植被覆蓋度有所改善。研究區(qū)高植被覆蓋區(qū)域主要分布在中南部、東部及東南部區(qū)域。

3.2 不同植被覆蓋度動態(tài)變化分析

本文利用ArcGIS 軟件對1996—2004 年、2004—2015 年兩個時間段的植被覆蓋度分別建立轉(zhuǎn)移矩陣，獲取植被覆蓋度的動態(tài)變化特征，并對1996年、2004 年、2015 年3 年的不同土地覆蓋類型制作面積比例圖，如圖5所示。轉(zhuǎn)移矩陣詳見表4～5。由上述兩表并結(jié)合圖5 分析可得，1996—2004 年裸地整體增加10.24%，未轉(zhuǎn)化面積占比高達77.22%。低覆蓋類型、中低覆蓋類型和中覆蓋類型整體基本保持不變，且轉(zhuǎn)化主要向更低的植被覆蓋度類型，分別占比為46.05%、61.38%、61.89%。而高覆蓋類型整體降低12.75%，且未轉(zhuǎn)化面積僅占61.05%。因此1996—2004 年植被覆蓋度總體呈退化趨勢。而2004—2015 年，裸地整體降低12.91%，主要轉(zhuǎn)化為低覆蓋類型，占比為39.09%。低覆蓋類型、中低覆蓋類型及中覆蓋類型基本保持不變，且均主要向更高植被覆蓋度類型轉(zhuǎn)變，分別占比為62.87%、67.91%、72.91%。 而高覆蓋類型整體增加16.18%，且未轉(zhuǎn)化面積占比高達92.23%。綜合以上分析，說明2004—2015年黃河源區(qū)整體植被蓋度呈改善趨勢。這也同時表明國家于2005年、2014年實施的“三江源生態(tài)保護和建設一期、二期工程”收到成效。

圖5 1996年、2004年、2015年黃河源區(qū)不同土地覆蓋類型的面積比例Fig.5 Area ratio of different land cover types in the source region of the Yellow River of 1996、2004、2015

3.3 植被覆蓋度變化趨勢分析

本文通過一元線性回歸趨勢分析方法（slope）對1996—2015年的植被覆蓋度進行變化趨勢分析，見圖6，并對五種趨勢進行統(tǒng)計，見表6。

由表6 可知，植被覆蓋度呈增加趨勢的區(qū)域面積占57.25%，其中顯著增加占40.08%，輕度增加區(qū)域面積占17.17%，顯著增加區(qū)域主要分布在中部、中東部、環(huán)鄂陵湖區(qū)域及北部部分區(qū)域，輕度增加區(qū)域則相對散亂，分布在研究區(qū)的各個部分?？紤]到北部區(qū)域以裸地及低覆蓋植被為主，而北部植被覆蓋度呈增加趨勢，說明北部地區(qū)生態(tài)環(huán)境改善較為明顯；植被覆蓋度呈下降趨勢的區(qū)域占26.73%，顯著降低區(qū)域占15.47%，主要分布在黃河源區(qū)的西部、扎陵湖北部、源區(qū)東北部及東南部部分區(qū)域，分析其原因，主要是因為黃河源頭及一些河谷地帶、環(huán)湖地區(qū)受人類影響較大，且東南部地區(qū)海拔較低受過度放牧影響較大以及扎陵湖北部的牧場消失等。輕微減少的區(qū)域占11.26%，分布相對散亂?；静蛔兊膮^(qū)域主要集中在北部及東部沙漠地區(qū)，占16.02%。因此黃河源區(qū)的治理范圍應主要集中在常年不長植被地區(qū)及植被覆蓋度下降區(qū)域，這也是生態(tài)監(jiān)測的重點地區(qū)。

表4 黃河源1996—2004年植被覆蓋度轉(zhuǎn)移矩陣Table 4 Area transfer matrix of vegetation coverage in the source region of the Yellow River from 1996 to 2004

表5 黃河源2004—2015年植被覆蓋度轉(zhuǎn)移矩陣Table 5 Area transfer matrix of vegetation coverage in the source region of the Yellow River from 2004 to 2015

圖6 黃河源1996—2015年植被覆蓋度變化趨勢Fig.6 Vegetation coverage tendency in the source region of the Yellow River from 1996 to 2015

表6 黃河源1996—2015年植被覆蓋度變化趨勢面積及比例Table 6 Area and proportion of vegetation coverage change in the source region of the Yellow River from 1996 to 2015

3.4 毒雜草分析

3.4.1 毒雜草分布

圖7 1996年和2015年火絨草、棘豆、鋪散亞菊分類Fig.7 Classification of Edelweiss，Oxytropis，and Ajania khartensis in 1996 and 2015

圖8 1996年和2015年毒雜草植被覆蓋度Fig.8 Poisonous weeds vegetation coverage in 1996 and 2015

本文采用三端元模型對源區(qū)鋪散亞菊、火絨草、棘豆等主要的毒雜草類型進行提取，分析了1996年、2015年兩年的三種毒雜草的分布概況并對毒雜草的總面積進行統(tǒng)計，詳見圖7（a、b）、圖8（a、b）。從圖7分析可得，黃河源區(qū)的毒雜草主要以火絨草、棘豆為主，火絨草主要分布在研究區(qū)南側(cè)，棘豆則主要分布在北側(cè)，鋪散亞菊分布地區(qū)則相對分散。這與毒雜草的生長環(huán)境息息相關。火絨草較宜疏松土壤環(huán)境，棘豆則生長于沙地、山坡草地，而相較于整個研究區(qū)，北部主要以沙地為主，土壤較為貧瘠，南部地區(qū)土壤則相對疏松，土壤有機質(zhì)含量較高。對圖8 的毒雜草面積統(tǒng)計并結(jié)合表6 分析可得，1996—2015 年黃河源區(qū)總體植被覆蓋度呈增加趨勢，說明生態(tài)環(huán)境有所改善，但毒雜草的面積由1996 年的16 060 km2到2015 年的22 942 km2，整體增加6 882 km2，說明部分植被覆蓋度增加的區(qū)域伴隨著毒雜草的增加，因此對于部分黃河源區(qū)的畜牧業(yè)來講是不利因素。

3.4.2 毒雜草提取結(jié)果驗證

本文重點對MESMA提取出的植被類型從以下兩方面進行了驗證：

（1）結(jié)合實地考察數(shù)據(jù)，對18 個地點的植被類型提取結(jié)果進行了驗證，驗證結(jié)果如表7 所示。結(jié)果表明，MESMA 反演的18 個地點的植被類型數(shù)據(jù)，其中與實地考察結(jié)果一致的有13個地點，另有5個地點的提取結(jié)果與實地不一致。植被類型提取結(jié)果的正確率為72.22%。

（2）考慮到實地考察中有些地方難以到達，本文同時還利用2013 年8 月16 日獲取的HJ-1A 高光譜遙感數(shù)據(jù)，基于堆棧式稀疏自編碼器方法［36］，對37.76 km2（34°58′58″～35°02′12″N，97°52′13″～97°52′22″E）的無云覆蓋區(qū)域進行了植被分類試驗，將高光譜遙感數(shù)據(jù)的分類結(jié)果［圖9（a）］與本文MESMA反演的植被類型提取結(jié)果［圖9（b）］進行了對比。本文提取的毒雜草分布狀況除個別區(qū)域外，總體空間分布狀況與高光譜提取結(jié)果近似一致。在驗證區(qū)內(nèi)，MESMA 模型提取的毒雜草面積為18.56 km2，占比49.2%；堆棧式稀疏自編碼器方法提取的毒雜草面積為15.22 km2，占比為40.3%；而兩者提取出的公共毒雜草面積為9.35 km2。如果以HJ-1A高光譜數(shù)據(jù)分類結(jié)果為準的話，本文MESMA模型提取出的毒雜草的正確率為61.43%。但考慮到HJ-1A 高光譜遙感數(shù)據(jù)采用的是硬分類方法，對于毒雜草覆蓋度較低的區(qū)域無法進行有效分類，以及HJ-1A 高光譜遙感數(shù)據(jù)空間分辨率較低的事實（HJ-1A HSI數(shù)據(jù)空間分辨率為100 m），認為本文的提取結(jié)果精度應高于61.43%，研究結(jié)論是可信的。

表7 端元一致性確認結(jié)果Table 7 Endmember consistency validation results

圖9 毒雜草對比驗證結(jié)果Fig.9 Comparison results of poisonous weeds：results of hyperspectral classification（a）and results of MESMA（b）

4 結(jié)論與展望

本文利用黃河源區(qū)七期陸地衛(wèi)星影像，輔以1∶100 萬植被圖和土壤圖，基于MESMA 模型完成了黃河源區(qū)植被覆蓋度的提取，結(jié)論主要如下：

（1）研究區(qū)以中低植被覆蓋度為主，且植被覆蓋度由東南向西北呈遞減趨勢，這與研究區(qū)的海拔和氣候條件相一致。

（2）研究區(qū)在1996—2015 年植被覆蓋度總體呈改善趨勢。其中1996—2004 年生態(tài)環(huán)境呈退化趨勢，2004—2015年研究區(qū)生態(tài)環(huán)境有所改善。

（3）雖然研究區(qū)在1996—2015 年植被覆蓋度總體呈改善趨勢，但毒雜草的覆蓋面積也在隨之增加，不利于當?shù)匦竽翗I(yè)的發(fā)展。

MESMA 模型對不同的像元采用不同的端元模型，提高了植被覆蓋度的反演精度，且MESMA模型同時可以逐像素獲取像元內(nèi)的植被類型，從而提取出研究區(qū)的毒雜草。但由于條件限制，本文僅采用圖像光譜，如何將實測光譜與圖像光譜（包括星載高光譜影像）相結(jié)合，以提高植被類型提取的精度，也是未來考慮的方向。

本文所采用的MESMA模型提取出的黃河源區(qū)植被覆蓋度變化在空間分布上與吳喜芳等［13］、張穎等［1］的研究基本保持一致，總體呈現(xiàn)出由東南向西北逐級遞減的趨勢。在時間分布上，1996—2004 年植被覆蓋度變化趨勢與康悅等［4］的研究一致，呈退化趨勢；而在1996—2015 年與吳喜芳等［13］在相同時段內(nèi)的研究一致，總體呈增加趨勢。因為已有的研究已經(jīng)證明了MESMA進行植被覆蓋度提取的有效性［37-38］，所以本文主要是側(cè)重進行毒雜草類型的驗證，主要通過與實地考察數(shù)據(jù)和HJ-1A HSI 高光譜影像提取結(jié)果對比進行驗證說明，且認為本文的植被類型提取結(jié)果精度應高于61.43%，研究結(jié)論是可信的。本文的研究結(jié)果反映了毒雜草在黃河源區(qū)廣泛分布且逐步擴大的事實，畜牧業(yè)管理部門應對此加以重視。