韋欽樺， 羅文斐， 李 浩， 唐凱豐

(華南師范大學(xué)地理科學(xué)學(xué)院， 廣州 510631)

植被覆蓋度(Fractional Vegetation Cover，F(xiàn)VC)是指植被垂直投影面積占土地總面積的比例，是衡量地表植被狀況的重要指標(biāo)[1]：表征植被茂密程度、植被質(zhì)量、植被生長狀態(tài)和光合作用面積大小的重要參數(shù)之一；生物量計(jì)算模型、氣象數(shù)值模型和水文生態(tài)模型的重要因子之一；評價(jià)生態(tài)系統(tǒng)穩(wěn)定程度的重要指標(biāo)之一，對保護(hù)生態(tài)環(huán)境起著至關(guān)重要的作用[2-5]. 植被覆蓋度的應(yīng)用領(lǐng)域較為廣泛，是全球或區(qū)域水文、地表植被變化監(jiān)測、生態(tài)等科學(xué)研究領(lǐng)域的重要參數(shù)和基礎(chǔ)數(shù)據(jù)[6].

可用于估算植被覆蓋度的數(shù)據(jù)源有很多，如：ZRIBI[7]使用雷達(dá)數(shù)據(jù)估算半干旱地區(qū)的植被覆蓋度；HAN等[8]利用機(jī)載LiDAR離散點(diǎn)和強(qiáng)度信息估算南京市多層植被覆蓋度；LI等[9]利用Landsat數(shù)據(jù)估算撫仙湖流域部分地區(qū)的植被覆蓋度；JIA等[10]使用GF-1(WFV)數(shù)據(jù)估算中國圍場縣的植被覆蓋度；龐國偉等[11]利用國產(chǎn)GF-1(PMS)數(shù)據(jù)估算黃土高原典型區(qū)的植被覆蓋度. 高光譜遙感數(shù)據(jù)具有較高的光譜分辨率，有著近似連續(xù)的地物光譜信息，能夠更突出地表現(xiàn)不同地物的光譜特征. 李曉松等[12]利用高光譜遙感數(shù)據(jù)估算干旱地區(qū)的稀疏植被覆蓋度，朱蕾等[13]利用高光譜遙感數(shù)據(jù)估算作物植被覆蓋度，ZHANG等[14]利用HJ-1衛(wèi)星高光譜數(shù)據(jù)估算新疆石河子地區(qū)干旱和半干旱環(huán)境中的植被覆蓋度，馮海英等[15]基于無人機(jī)高光譜遙感數(shù)據(jù)提出一種估算植被覆蓋度的新方法，都取得了較高的植被覆蓋度估算精度.

植被覆蓋度的估算方法目前主要有2類：回歸分析方法和混合像元分解方法. 回歸分析方法是利用統(tǒng)計(jì)模型構(gòu)建波段信息(或植被指數(shù))與植被覆蓋度之間的關(guān)系模型來估算植被覆蓋度的方法[16-17]. 這類方法在一定程度上提高了效率、降低了成本，但需大量實(shí)測數(shù)據(jù)為支撐且適用范圍較小. 混合像元分解方法是目前最常用的方法，其在某種假定的比例關(guān)系下，將混合像元分解為多個(gè)純成份，從而構(gòu)建像元分解模型[18]. 相比于前者，混合像元分解方法對實(shí)測數(shù)據(jù)依賴小、適用范圍廣，適合于多種植被類型的植被覆蓋度估算且可進(jìn)行動態(tài)監(jiān)測. 基于混合像元分解理論，學(xué)者們提出了不同的解混模型和算法來估算植被覆蓋度，如：GUTMAN[19]提出多種植被混合模型估算植被覆蓋度；LI等[20]基于改進(jìn)的可選端元光譜混合模型估算植被覆蓋度；李苗苗等[21]利用像元二分模型估算植被覆蓋度；閆洋等[22]基于像元二分模型反演新疆天然草原植被覆蓋度；劉佳麗等[23]基于像元二分模型對高寒草地的植被覆蓋度進(jìn)行了研究；李曉松等[12]利用全約束混合像元分解方法估算植被覆蓋度.

為了比較不同的植被覆蓋度估算方法的適應(yīng)性，學(xué)者們對經(jīng)典的方法進(jìn)行了對比分析. 如:謝秋霞等[24]對比了回歸模型、像元二分模型和混合像元分解法3種方法；董顯聰和李曉潔[25]比較了3種經(jīng)典的混合像元分解模型(像元二分模型、Carlson模型和Baret模型)估算植被覆蓋度的適用性. 但在高光譜遙感領(lǐng)域，一些較為成熟且應(yīng)用廣泛的光譜解混模型并沒有應(yīng)用于估算植被覆蓋度. 因此，本文利用無人機(jī)高光譜遙感數(shù)據(jù)，比較3種估算植被覆蓋度的經(jīng)典模型(像元二分模型[14]、Carlson模型[26]和Baret模型[27])和3種光譜解混模型(LMM模型[28]、PPNMM模型[29]和NCM模型[30])的估算效果，以期挖掘光譜解混模型的應(yīng)用潛力，并為植被覆蓋度估算的諸多應(yīng)用提供參考.

1 研究區(qū)數(shù)據(jù)

1.1 研究區(qū)數(shù)據(jù)概況

中山市是廣東省轄地級市，位于珠江三角洲中南部，北連廣州市，毗鄰港澳，年平均溫度為22 ℃. 本文的實(shí)驗(yàn)區(qū)(圖1)為中山市民眾鎮(zhèn)義倉村內(nèi)一塊香蕉林地(113°31′12″E～113°31′18″E，22°36′58″N～22°37′06″N). 實(shí)驗(yàn)區(qū)內(nèi)植被分布較為豐富，且含有較為明顯的高植被覆蓋度區(qū)域和低植被覆蓋度區(qū)域，適用于植被覆蓋度估算模型的適用性研究.

圖1 無人機(jī)影像實(shí)驗(yàn)區(qū)域

本研究以無人機(jī)高光譜影像為數(shù)據(jù)源，使用大疆M600pro八旋翼無人機(jī)，懸停功耗1 500 W，整機(jī)重4.4 kg，有效載荷3 kg. 傳感器為美國headwall公司生產(chǎn)的Nano-17mm高光譜相機(jī)，共有270個(gè)波段，波長范圍為401～987 nm. 數(shù)據(jù)獲取時(shí)間為2019年7月17日，天氣狀況良好，無人機(jī)拍攝前在影像區(qū)域布設(shè)了多個(gè)地面控制點(diǎn)，方便后期數(shù)據(jù)的校正工作;在飛行區(qū)域放置定標(biāo)板，用于后期相對定標(biāo). 設(shè)置無人機(jī)飛行高度為400 m，經(jīng)處理后得到實(shí)驗(yàn)用的高光譜影像，該影像幅寬為111.44 m、空間分辨率為17.41 cm.

1.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理流程(圖2)如下：獲取無人機(jī)影像后，首先進(jìn)行相機(jī)通道校正，經(jīng)格式轉(zhuǎn)換后，將波段參數(shù)、相機(jī)參數(shù)和時(shí)間參數(shù)等整合到無人機(jī)影像中，再對該影像進(jìn)行粗校正；然后，利用定標(biāo)白板對經(jīng)過粗校正的影像進(jìn)行輻射校正，并進(jìn)一步剔除一些信息缺失、噪聲大、質(zhì)量較差的波段，剔除后的波段為180個(gè)有效波段(501～899 nm)；最后，根據(jù)影像拍攝前預(yù)設(shè)的地面控制點(diǎn)進(jìn)行幾何精校正，以獲取更準(zhǔn)確的無人機(jī)影像的相對位置，再利用ROI文件進(jìn)行掩膜處理，最終選取畸變較小、校正效果較好的區(qū)域進(jìn)行研究.

圖2 無人機(jī)影像預(yù)處理流程圖

2 模型與研究方法

2.1 植被覆蓋度估算模型

2.1.1 像元二分模型 像元二分模型估算植被覆蓋度的基本思想是將一個(gè)像元中所包含的信息分為兩部分，即植被與非植被[14]. 由像元二分模型的原理可知：一個(gè)像元的反射率R可由純植被像元的反射率(Rveg)與非植被像元的反射率(Rsoil)線性加權(quán)表示：

R=f×Rveg+(1-f)×Rsoil，

(1)

其中，f為植被覆蓋度.

對式(1)進(jìn)行推導(dǎo)運(yùn)算，可得f的表達(dá)式：

f=(R-Rsoil)/(Rveg-Rsoil).

(2)

李苗苗等[21]對多個(gè)植被指數(shù)進(jìn)行分析，指出以NDVI作為模型參數(shù)估算植被覆蓋度的精度較高，從而提出了一個(gè)修改后的像元二分模型：

FVC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)，

(3)

其中，F(xiàn)VC為影像植被覆蓋度，NDVIsoil為非植被覆蓋區(qū)域的NDVI值，NDVIveg為純像元植被覆蓋區(qū)域的NDVI值.

2.1.2 Carlson模型 CARLSON和RIPLEY[26]對描述植被與土壤和大氣之間相互作用的輻射傳輸模型進(jìn)行研究，提出了根據(jù)NDVI估算植被覆蓋度的Carlson模型：

(4)

2.1.3 Baret模型 Baret模型[27]的基本原理是通過建立植被覆蓋度與植被垂直間隙率之間的關(guān)系來估算植被覆蓋度. 丁艷玲[31]根據(jù)植被指數(shù)反演葉面積指數(shù)，再結(jié)合葉面積指數(shù)與垂直間隙率的關(guān)系得到改進(jìn)后的Baret模型：

(5)

其中，Kp是消光系數(shù)，與葉傾角、葉片的透過率有關(guān)；KVI是模型影響因子，其值取決于植被結(jié)構(gòu)、太陽/觀測方向和葉片的光學(xué)特性；VIsoil和VIveg分別為非植被和葉面積指數(shù)無限大時(shí)對應(yīng)的植被指數(shù)值.

2.1.4 LMM模型 光譜解混是從混合像元中提取基本地物和計(jì)算各個(gè)基本地物在混合像元中所占比例的過程，LMM模型認(rèn)為混合像元的光譜由若干個(gè)基本地物的光譜線性組合而成[28]. 全約束最小二乘法(Fully Constrained Least Squares,FCLS)是一種廣泛使用的且較具代表性的LMM模型，其函數(shù)表達(dá)形式為：

(6)

其中，Y為混合像元光譜，mi為端元，ai為端元豐度，ε為噪聲，R為端元總個(gè)數(shù).

2.1.5 PPNMM光譜解混模型 相比于線性光譜解混模型，非線性光譜解混模型考慮了地物之間的散射，對混合像元的光譜變化更為敏感，能更準(zhǔn)確地提取端元和豐度. 后驗(yàn)多項(xiàng)式非線性混合模型(Poly-nomial Post-nonliner Mixing Model,PPNMM)[29]是目前較為常用的非線性光譜解混模型，其函數(shù)形式為：

(7)

其中，Y為混合像元光譜；M=[m1,m2,…,mn]，mi為L*1的端元，L為圖像波段數(shù)；a=[a1,a2，…，an]，ai為1×k的像元豐度，k為圖像像元個(gè)數(shù)；ε為噪聲；非線性變換g(·)采用二階多項(xiàng)式的形式：

(8)

該式表示將長度為L的向量s=[s1,s2,…,sL]映射為每個(gè)元素均為一個(gè)二次多項(xiàng)式的向量，b為調(diào)整非線性效果大小的參數(shù). 將式(8)代入式(7)，同時(shí)考慮豐度的物理意義，由此得到后驗(yàn)多項(xiàng)式非線性混合模型的具體表達(dá)形式：

Y=Ma+b(Ma)⊙(Ma)+ε.

(9)

當(dāng)b為0時(shí)，該模型退化為線性混合模型.

2.1.6 NCM光譜解混模型 LMM模型和PPNMM模型都是假設(shè)所“看到”的物質(zhì)是確定不變的，然而在真實(shí)的地表環(huán)境中，環(huán)境條件、光照、大氣以及時(shí)間的變化導(dǎo)致地物光譜發(fā)生一定的變異. 正態(tài)組分模型(Normal Compositional Model，NCM)是線性光譜混合模型的一種擴(kuò)展：用概率來描述光譜的不確定性，將端元視為一個(gè)呈給定概率分布的隨機(jī)變量，利用特定參數(shù)來表示光譜變異性[32]. NCM模型認(rèn)為每一個(gè)像元的光譜構(gòu)成如下：

(10)

其中，mr為端元，從影像中提取，是獨(dú)立的高斯向量，是可變的端元部分. 該式中沒有加入額外的噪聲，是由于該模型中的端元具有不確定性.

2.2 無人機(jī)影像實(shí)驗(yàn)

為了更好地研究植被覆蓋度估算模型的精度并進(jìn)行適應(yīng)性評價(jià)，通過對影像進(jìn)行裁剪，將5 m×5 m的正方形小區(qū)域作為一個(gè)樣方. 選取研究區(qū)域內(nèi)較具有代表性的33個(gè)樣方進(jìn)行實(shí)驗(yàn)，兼顧了高植被覆蓋度區(qū)域和低植被覆蓋度區(qū)域2種情況.

根據(jù)選取的樣方，分別使用上文所述的6種植被覆蓋度估算方法進(jìn)行實(shí)驗(yàn). 對于純土壤像元，其NDVI值在理論上應(yīng)當(dāng)近似為零，但由于土壤類型、土壤粗糙度、土壤顏色、土壤含水量和環(huán)境等因素的干擾，NDVIsoil一般在-0.1～0.2之間[26]. 通常情況下，分別以置信區(qū)間內(nèi)的最大值、最小值來表示NDVIveg、NDVIsoil[21]. 本研究使用無人機(jī)影像數(shù)據(jù) 提取NDVI,并對NDVI進(jìn)行統(tǒng)計(jì)，將頻率統(tǒng)計(jì)表與研究區(qū)植被的實(shí)際情況相結(jié)合，最終選取NDVIsoil、NDVIveg的值分別為0.15、0.82，將其代入式(3)和式(4)，即可得到像元二分模型和Carlson模型估算的植被覆蓋度. 對于Baret模型，Kp/KVI值會隨著植被的生長、葉面積指數(shù)的不同和葉面透過率的不同等而改變，但在通常情況下，可以采用實(shí)驗(yàn)中的經(jīng)驗(yàn)值來確定. 文獻(xiàn)[27]提出NDVI所對應(yīng)的Kp/KVI的實(shí)驗(yàn)值為0.617 5；文獻(xiàn)[25]進(jìn)一步改進(jìn)了Baret模型，認(rèn)為當(dāng)Kp/KVI=0.654 5時(shí)的估算效果更佳. 因此，本文中Baret模型采用下式估算植被覆蓋度：

(11)

對于3種光譜解混模型：LMM模型、PPNMM模型和NCM模型，首先從圖像上選取用于解混的端元，再根據(jù)相應(yīng)的光譜解混方法(式(6)、(9)、(10))進(jìn)行豐度求解，最后根據(jù)下式計(jì)算植被覆蓋度：

(12)

其中，aveg,i為第i個(gè)像元的植被豐度值，n為一個(gè)實(shí)驗(yàn)樣本的總像元個(gè)數(shù).

2.3 精度評價(jià)方法

本研究主要通過以下2個(gè)指標(biāo)定量化評價(jià)植被覆蓋度估算模型的估算精度：一是均方根誤差(RMSE)，目的是對模型植被覆蓋度估算結(jié)果進(jìn)行殘差分析，RMSE越小表示估算精度越高；二是植被覆蓋度估算平均相對誤差(Ef)，Ef越小表示模型估算精度越高. RMSE和Ef的計(jì)算公式如下：

(13)

(14)

3 結(jié)果與分析

為了研究基于無人機(jī)高光譜影像的像元二分模型、Carlson模型、Baret模型、LMM模型、PPNMM模型和NCM模型估算植被覆蓋度的估算精度和適用性：首先，使用6種模型分別估算33個(gè)樣方的植被覆蓋度；然后,對估算的植被覆蓋度進(jìn)行精度評價(jià)；最后，結(jié)合實(shí)際的應(yīng)用場景，探討6種模型的適用性.

3.1 驗(yàn)證數(shù)據(jù)的獲取

為了驗(yàn)證植被覆蓋度的估算效果，在研究區(qū)域相同位置獲取50 m飛行高度的無人機(jī)高光譜影像，用于構(gòu)建實(shí)驗(yàn)驗(yàn)證數(shù)據(jù). 該影像幅寬為13.93 m、空間分辨率為2.18 cm，影像的預(yù)處理與400 m飛行高度的影像處理方式相同. 相比于400 m飛行高度的影像，該影像具有更高的空間分辨率，能夠更清晰地反映真實(shí)地物的分布情況；相比于航空航天遙感數(shù)據(jù)，該影像也具有更高的空間分辨率：在空間分辨率為2.18 cm時(shí)，已消除了大量混合像元的存在，可以很準(zhǔn)確地提取植被分布信息，滿足驗(yàn)證精度要求. 本研究通過評價(jià)多種監(jiān)督分類方法(最大似然分類、馬氏距離分類、最小距離分類和支持向量機(jī)(Support Vector Machine,SVM)分類方法)的分類結(jié)果，選擇精度最高的監(jiān)督分類方法來構(gòu)建驗(yàn)證數(shù)據(jù). 驗(yàn)證數(shù)據(jù)的構(gòu)建步驟如下：首先，裁取各樣方對應(yīng)位置的50 m飛行高度的無人機(jī)影像數(shù)據(jù)；然后，通過監(jiān)督分類方法將研究區(qū)域內(nèi)的地物分為植被和非植被2類，以目視解譯方式和分類精度驗(yàn)證分類結(jié)果；最后，根據(jù)分類結(jié)果統(tǒng)計(jì)植被類別面積占比，得到各樣方的植被覆蓋度驗(yàn)證數(shù)據(jù). 在圖像進(jìn)行分類前，根據(jù)實(shí)地考察的先驗(yàn)知識，采用圖像目視判讀的方法，分別在各個(gè)樣方上選取500個(gè)驗(yàn)證點(diǎn)，以此對上述監(jiān)督分類方法的分類結(jié)果進(jìn)行精度評價(jià). 分類結(jié)果(圖3)顯示：SVM分類結(jié)果的精度最高(達(dá)到99.2%)，說明該方法的分類結(jié)果可作為植被覆蓋度驗(yàn)證數(shù)據(jù). 同時(shí)，由文獻(xiàn)[33]可知，將SVM分類結(jié)果作為植被覆蓋度真實(shí)值有一定可靠性. 因此，以SVM分類結(jié)果統(tǒng)計(jì)得到的植被類別的占比作為樣方的植被覆蓋度的驗(yàn)證數(shù)據(jù).

圖3 無人機(jī)影像及4種分類方法的分類結(jié)果

3.2 結(jié)果與精度評價(jià)

使用上文所述6種模型估算各個(gè)樣方的植被覆蓋度，再獲取對應(yīng)樣方的驗(yàn)證數(shù)據(jù)，以進(jìn)行對比分析. 由實(shí)驗(yàn)結(jié)果(圖4)可知：(1)6種植被覆蓋度估算模型的相關(guān)系數(shù)均大于0.9，說明6種植被覆蓋度估算模型與植被覆蓋度都有較好的相關(guān)性. (2)像元二分模型的估算值多位于y=x的上方，有明顯高估植被覆蓋度的現(xiàn)象；而Carlson模型的估算值多位于y=x的下方，明顯低估了植被覆蓋度；Baret模型在低植被覆蓋度區(qū)域內(nèi)(即FVC<0.5)出現(xiàn)明顯高估的情況，而在高植被覆蓋度區(qū)域內(nèi)(即FVC≥0.5)出現(xiàn)明顯低估的情況. (3)從整體上來看，光譜解混模型(LMM模型、NCM模型和PPNMM模型)的估算值與驗(yàn)證值之間的相關(guān)性高于經(jīng)典模型(像元二分模型、Carlson模型和Baret模型)的，與y=x的擬合程度也優(yōu)于經(jīng)典模型的，說明光譜解混模型估算的植被覆蓋度的精度高于經(jīng)典模型的.

圖4 6種模型的植被覆蓋度估算值與驗(yàn)證值的擬合

對6種植被覆蓋度估算模型的估算結(jié)果進(jìn)行定量化精度評價(jià)，由評價(jià)結(jié)果(表1)可知：(1)NCM模型估算的植被覆蓋度的均方根誤差最小(RMSE=0.040 1). (2)NCM模型估算的植被覆蓋度的平均相對誤差為7.53%，明顯小于其他植被覆蓋度估算模型的. (3)從模型擬合線與參考線y=x來看，Carlson模型、LMM模型、NCM模型的線性擬合線與y=x更為接近，而像元二分模型、Baret模型和PPNMM模型的線性擬合線與y=x的相差較大，說明這3個(gè)模型估算的偏移程度較大，適用性較低. 綜上可知，像元二分模型、Baret模型和PPNMM模型估算的植被覆蓋度的精度較低；Carlson模型雖然擬合效果較好，但其RMSE和平均相對誤差均較大，表明其估算的植被覆蓋度的精度也較低；LMM模型和NCM模型估算的植被覆蓋度的精度較高，其中，NCM模型估算的植被覆蓋度的均方根誤差最小、平均相對誤差最小且線性擬合線與y=x較為接近，總體上說明NCM模型估算植被覆蓋度的效果最好.

表1 6種模型估算植被覆蓋度的精度評價(jià)Tabel 1 The evaluation of the accuracy of the estimation of vegetation coverage with 6 models

為了更進(jìn)一步探索模型的適用性，將實(shí)驗(yàn)區(qū)域劃分為低植被覆蓋度區(qū)域(FVC<0.5)和高植被覆蓋度區(qū)域(FVC≥0.5)，分別對6種模型逐一進(jìn)行評價(jià). 由評價(jià)結(jié)果(表2、表3)可知：(1)在低植被覆蓋度區(qū)域，NCM模型估算的植被覆蓋度的均方根誤差和平均相對誤差最小，分別為0.039 5和11.18%，說明NCM模型的估算效果最好. 其他5種模型估算的植被覆蓋度的均方根誤差和平均相對誤差都相對較大，線性擬合線與y=x有明顯偏移，說明模型估算效果較差. (2)在高植被覆蓋度區(qū)域，LMM模型估算的植被覆蓋度的均方根誤差最小(RMSE=0.039 8),平均相對誤差較小(Ef=5.05%);NCM模型估算的植被覆蓋度的平均相對誤差最小(Ef=4.49%)，均方根誤差(RMSE=0.040 5)略高于LMM模型的. 考慮到平均相對誤差一般衡量數(shù)據(jù)的可信度，而在評價(jià)估算值與真實(shí)值之間的效果時(shí)，均方根誤差更能反映結(jié)果的好壞，因此判斷LMM模型的估算效果略優(yōu)于NCM模型的. 同時(shí)，LMM模型和NCM模型的線性擬合線與y=x均較接近，說明這2個(gè)模型的估算值都非常接近驗(yàn)證值且估算效果較穩(wěn)定. (3)從整體上看，NCM模型、Carlson模型和Baret模型在低植被覆蓋度區(qū)域的估算效果優(yōu)于在高植被覆蓋度區(qū)域的；而其他3種模型在高植被覆蓋度區(qū)域的估算效果均優(yōu)于在低植被覆蓋度區(qū)域的，其中LMM模型尤為明顯：在低植被覆蓋度區(qū)域估算的植被覆蓋度的均方根誤差為0.074 4，在高植被覆蓋度區(qū)域估算的植被覆蓋度的均方根誤差為0.039 8，誤差減小將近一半.

表2 低植被覆蓋度區(qū)域的估算精度評價(jià)Tabel 2 The evaluation of the accuracy of the estimation of fractional low vegetation coverage area

表3 高植被覆蓋度區(qū)域的估算精度評價(jià)Tabel 3 The evaluation of the accuracy of the estimation of fractional high vegetation coverage area

綜上所述，基于無人機(jī)影像估算植被覆蓋度，光譜解混模型的估算效果優(yōu)于經(jīng)典模型的． 從理論上分析，經(jīng)典模型在一定程度上極大地依賴經(jīng)驗(yàn)值，如像元二分模型和Carlson模型的置信區(qū)間、Baret模型的Kp/KVI值均依據(jù)具體實(shí)驗(yàn)的經(jīng)驗(yàn)值來確定[24-25]，從而導(dǎo)致估算結(jié)果的誤差隨著實(shí)驗(yàn)區(qū)域的不同而變化，出現(xiàn)時(shí)好時(shí)壞的情況． 另外，經(jīng)典模型依靠植被指數(shù)，在常用于計(jì)算植被指數(shù)的波長范圍內(nèi)存在較多的波段，從而導(dǎo)致估算的植被覆蓋度存在一定的不確定性誤差． 而光譜解混方法以反射率光譜為基礎(chǔ)，通過反演的方式推算地物的混合情況，在一定程度上減小了偶然誤差，從而能更準(zhǔn)確地估算植被覆蓋度． 3種光譜解混模型的估算效果中，NCM模型的估算效果最好，PPNMM模型的估算效果最差；在高植被覆蓋度區(qū)域，LMM模型的估算效果與NCM模型的估算效果相近． 究其原因?yàn)椋褐脖淮嬖诿黠@的光譜變異性，LMM模型僅考慮了物質(zhì)間的線性混合，沒有考慮光譜的變異性；PPNMM模型考慮了地物間的多重散射、多種物質(zhì)非線性混合，但沒有考慮光譜的變異性；NCM模型在一定程度上考慮了“同物異譜”的情況，因此獲得了最高的估算精度．

4 小結(jié)與展望

本文基于無人機(jī)高光譜數(shù)據(jù)，對6種植被覆蓋度估算模型進(jìn)行了對比分析. 研究結(jié)果表明：(1)LMM模型、NCM模型和PPNMM模型的估算效果優(yōu)于像元二分模型、Carlson模型和Baret模型的估算效果. (2)像元二分模型高估了植被覆蓋度，Carlson模型低估了植被覆蓋度，Baret模型在低植被覆蓋度區(qū)域出現(xiàn)明顯高估的情況、在高植被覆蓋度區(qū)域出現(xiàn)低估的情況. (3)NCM模型估算植被覆蓋度效果最好；在高植被覆蓋區(qū)域，LMM模型估算植被覆蓋度的效果與NCM模型估算植被覆蓋度的效果相近．

本研究存在一些亟待解決的問題：第一，由于無人機(jī)影像的獲取過程缺少一定的地理定標(biāo)參考，并且在低空飛行獲取超高分辨率圖像時(shí)所獲取的幅寬較小，需要多條帶飛行才能獲取一定范圍的影像，導(dǎo)致在影像拼接、幾何校正時(shí)很難保證不同分辨率的兩景無人機(jī)影像之間的偏移控制在亞像元尺度內(nèi)，從而難以進(jìn)行大范圍的樣方研究；第二，由于無人機(jī)的數(shù)據(jù)區(qū)域較小，對于大范圍的植被覆蓋度的估算，混合像元分解模型適應(yīng)性如何，有待進(jìn)一步研究.