植被覆盖度计算机模拟模型与参数敏感性分析
基于无人机遥感的植被覆盖度估算研究
基于无人机遥感的植被覆盖度估算研究随着人类对自然资源的侵占不断加剧，对生态环境的保护也越来越受到关注。
植被作为生态系统的重要组成部分，对维持生态平衡和地球生命的可持续发展起着不可替代的作用。
因此，准确地了解植被覆盖度情况对于生态环境的保护和生态系统的可持续发展非常必要。
近年来，随着遥感技术的发展，基于无人机遥感的植被覆盖度估算研究逐渐成为研究热点。
相比传统遥感技术，无人机遥感技术的优势在于其高分辨率、高精度、高灵活性和低成本等特点，可以更加准确地估算植被覆盖度情况。
一、无人机遥感技术在植被覆盖度估算中的应用无人机遥感技术在植被覆盖度估算中的应用可以分为两种方式：一种是利用无人机搭载的光学相机进行影像采集，计算植被覆盖度指数；另一种是利用无人机搭载的激光雷达进行三维建模，计算植被高度、体积和覆盖度等指标。
1. 光学相机影像采集利用无人机搭载的光学相机进行影像采集的方式可以分为两种：一种是采集RGB（红、绿、蓝）三色波段影像，通过计算归一化植被指数（NDVI）来估算植被覆盖度；另一种是采集多光谱影像，通过计算植被指数来估算植被覆盖度。
归一化植被指数是基于红外线光谱波段和可见光谱波段的差异计算得出的，常用的计算公式为：NDVI=(NIR-RED)/(NIR+RED)其中，NIR为近红外波段的反射率，RED为红光波段的反射率。
NDVI的取值范围为-1到+1，数值越大表示植被覆盖度越高。
2. 激光雷达三维建模利用无人机搭载的激光雷达进行三维建模的方式可以获取植被高度、体积和覆盖度等指标。
激光雷达通过激光束扫描植被表面并记录植被与激光束的反射距离，从而获得植被表面的三维坐标信息，进而进行三维建模。
利用三维建模技术，可以计算出植被的高度和体积，从而估算植被覆盖度。
高度越低、密度越高的植被覆盖度越高。
二、无人机遥感技术在植被覆盖度估算中存在的问题和挑战虽然无人机遥感技术在植被覆盖度估算中具有很大的优势，但是实际应用过程中还存在许多问题和挑战。
基于综合分段优势的植被覆盖度模型比较
432-442草 业 科 学第 38 卷第 3 期3/2021PRATACULTURAL SCIENCE Vol.38, No.3DOI: 10.11829/j.issn.1001-0629.2020-0438边慧芹，王雪梅. 基于综合分段优势的植被覆盖度模型比较. 草业科学, 2021, 38(3): 432-442.BIAN H Q, WANG X M. Comparison of vegetation coverage models based on comprehensive segmentation advantages. Pratacultural Science, 2021, 38(3): 432-442.基于综合分段优势的植被覆盖度模型比较边慧芹1，王雪梅1, 2（1. 新疆师范大学地理科学与旅游学院，新疆 乌鲁木齐 830054；2. 新疆干旱区湖泊环境与资源重点实验室， 新疆 乌鲁木齐 830054）摘要：基于Landsat 8 OLI遥感影像选取9种植被指数，与野外实测植被覆盖度进行相关性分析，采用分段方式选择敏感植被指数，构建回归模型及FCD模型(forest canopy density mapping model, FCD)对渭干河–库车河三角洲绿洲植被覆盖度进行反演。
结果表明：1)根据实测数据计算不同植被指数在不同植被覆盖度范围内的变化比例，从而确定0.3和0.7作为研究区植被覆盖度的分段点；2)分段回归模型与综合分段优势的FCD模型建模精度均约为79%，但综合分段优势的FCD模型建模集R2较高，RMSE较小，其验证结果优于分段回归模型，验证集R2为0.832，RMSE为0.154，精度为82.018%。
综合分段优势的FCD模型更适合用于研究区总体植被覆盖度反演，可为干旱区植被覆盖度定量监测与生态环境评价提供依据。
关键词：植被指数；分段回归；FCD模型；植被覆盖度反演；渭干河–库车河三角洲绿洲文献标志码：A 文章编号：1001-0629(2021)03-0432-11Comparison of vegetation coverage models based on comprehensive segmentation advantagesBIAN Huiqin1, WANG Xuemei1, 2(1. College of Geography Science and Tourism, Xinjiang Normal University, Urumqi 830054, Xinjiang, China;2. Xinjiang Laboratory of Lake Environment and Resources in Arid Zone, Urumqi 830054, Xinjiang, China)Abstract: On the basis of Landsat 8 OLI remote sensing images, nine vegetation indices were selected to analyze the correlation between vegetation indices and field-measured vegetation coverage. A sensitive vegetation index was selected based on the segmentation method, and regression and FCD (forest canopy density mapping model) models were used to invert the vegetation coverage in the Weigan-Kuqa River delta oasis. The following results were obtained. 1) Using the measurement data, the change proportion of different vegetation indices in different vegetation coverage ranges was calculated, and 0.3 and 0.7 were determined as the segmentation points of vegetation coverage in the study area. 2) The modeling accuracy of the segmented regression and FCD segmentation models was approximately 79%; however, the R2 (0.832) and RMSE (0.154) values of the FCD segmentation model were higher and smaller, respectively, than those of the segmented regression model. Thus, the FCD segmentation model was established as providing better validation results (PRECISION of 82.018%). The FCD segmentation model is therefore considered more suitable for inversion of the total vegetation coverage in the study area, and will contribute to the quantitative monitoring of vegetation coverage and evaluation of the ecological environment in arid areas.收稿日期：2020-08-15 接受日期：2020-10-30基金项目：新疆维吾尔自治区重点实验室招标课题“塔里木盆地北缘植被地上生物量遥感估测研究”(XJNUSYS2019A14)；国家自然科学基金“塔里木盆地北缘绿洲–荒漠过渡带植被对土壤盐渍化的响应研究”(41561051)；自治区研究生科研创新项目“基于改进植被指数的渭–库绿洲植被覆盖度反演及时空演变分析”(XJ2019G228)第一作者：边慧芹(1994-)，女，新疆昌吉人，在读硕士生，研究方向为资源环境遥感。
arcgis植被覆盖度计算步骤
海瑞：经典名言10句，嘉靖者言家家皆净而无财用也海瑞，字汝贤，号刚峰。
明朝著名文学家、官员。
祖父海宽官至松溪县知县，从伯父海澄官至四川道监察御史。
海瑞幼年丧父，由母亲抚养成人。
作生员时，迷上陆王心学，不喜八股文，这也导致他应试不顺。
直到三十七岁时，才考中举人。
三年后的会试未中进士，遂以举人出仕。
历任南平县教谕、淳安县知县，累迁至应天巡抚。
本文选取海瑞经典名言10句，附上译文和点评，以飨读者。
为直言天下第一事，以正君道、明臣职，求万世治安事。
为了匡正君道，明确臣下职责，求得万世之安，我要直陈天下第一事。
点评：出自《治安疏》。
海瑞为官廉洁正直、节俭朴素，是历史上著名的清官。
他关心民间疾苦，一生与贪官污吏、大地主进行着不屈不挠地斗争，就连嘉靖皇帝也不例外。
这篇《治安疏》就是海瑞担任户部主事时，向嘉靖献直言。
美曰美，不一毫虚美；过曰过，不一毫讳过。
好就是好，坏就是坏，一丝一毫都不敢隐瞒。
点评：海瑞要献直言，遂向嘉靖保证，他所说的都是事实，没有虚假。
汉宣之厉精，光武之大度，唐太宗之英武无敌，宪宗之志平僭乱，宋仁宗之仁恕。
像汉宣帝一样努力认真，像光武帝一样为人大度，像唐太宗一样英明武勇，像唐宪宗一样平定叛乱，像宋仁宗一样仁贤有德。
点评：作者列举历史上贤明的君王，夸赞嘉靖也有上述的美好品德。
唐宪宗曾经镇压藩镇叛乱，短暂终结藩镇割据。
富有四海不曰民之脂膏在是也，而侈兴土木。
二十余年不视朝，纲纪驰矣。
富有四海，却不关心民间疾苦。
大兴土木，大举修建宫殿庙宇。
陛下二十余年不上朝处理政务，导致纲纪松弛，朝政败坏不堪。
点评：嘉靖皇帝在位四十四年，却有二十几年不理朝政。
嘉靖者言家家皆净而无财用也。
嘉靖就是家家皆净而无财用的意思。
点评：作者引用的民间谚语。
在海瑞看来，由于嘉靖荒废朝政，导致朝政败坏、民不聊生，贪官污吏横行。
老百姓入不敷出，一年到头没有积蓄。
迩者，严嵩罢相，世蕃极刑，差快人意一时称清时焉。
近来，严嵩被罢相，严世蕃被处以极刑。
水土保持生态效应评价指标敏感性分析
63 •
-
2019年第3 期
水利规划与设计
科研与管理
2 )1
式 中 ， .一 输 出 层 单 元 的 个 数 一 期 望 输 出 值 ;
; 一 实 际 输 出 值 。
值 区 间 范 围 为 （0 ，1 ) ，这 样 有 助 于 模 型 进 行 训 练
学习。
/ ( - ) ' (1 + 〇-) -
(3)
式 中 ， -一 输 人 值 。
隐 含 层 到 输 出 值 之 间 的 关 系 通 常 采 用 PuKlrn
函 数 来 表 达 ， 即 输 出 值 等 于 输 人 值 。
学 习 训 练 完 成 后 ， 该 模 型 即 可 应 用 于 实 际
工作。
2 . 2 基 于 Garson的参数敏感性分析方法
在 神 经 网 络 反 复 训 练 学 习 过 程 中 ，两 个 层 之 间
的连接权值确定了输人值对输出值大小的影响程 度 ，通 过 确 定 不 同 层 次 之 间 的 权 值 （连 接 强 度 ）即 可 确 定 输 人 值 影 响 输 出 值 的 强 弱 程 度 。 因 此 ，可以 描述这种强度的算法是十分必要的。
植被覆盖度估算方法
植被覆盖度估算方法植被覆盖度估算方法植被覆盖度估算是为了评估一个区域或地点的植被覆盖程度，常用于生态环境研究、林业资源管理、土地利用规划等领域。
本文将介绍几种常用的植被覆盖度估算方法。
1. 监测图像分类法•监测图像分类法是利用遥感图像进行植被覆盖度估算的常见方法。
•首先，从卫星或无人机获取高分辨率的遥感图像。
•然后，利用图像分类算法（如最大似然法、支持向量机等）将图像分成不同的类别，包括植被和非植被。
•最后，计算植被覆盖度的比例，可以通过像元数、面积比例等指标进行量化。
2. 样地调查法•样地调查法是一种在野外进行的实地调查方法，适用于小范围的植被覆盖度估算。
•首先，在研究区域内选择一定数量的样地，通常为正方形或长方形的固定面积。
•然后，对每个样地内的植被进行详细调查，记录不同植被类型的面积、高度、覆盖度等信息。
•最后，根据样地的统计数据计算整个研究区域的植被覆盖度，可以通过平均值或加权平均值等方式计算。
3. 植被指数法•植被指数法是利用遥感图像中的植被指数进行植被覆盖度估算的方法。
•植被指数是通过计算遥感图像中不同波段（如红、近红外）的比值或差值获得的。
•通过植被指数，可以较为准确地反映植被的生长状况和覆盖度。
•常用的植被指数包括归一化植被指数（NDVI）、差值植被指数（DVI）、综合植被指数（EVI）等。
4. 模型模拟法•模型模拟法是利用数学或计算机模型模拟植被覆盖度的方法。
•常用的模型包括植被生长模型、碳循环模型等。
•通过收集气象数据、土壤数据等相关资料，输入到模型中进行模拟，得到植被覆盖度的估算结果。
•模型模拟法可以考虑多个因素的影响，并提供一种数值化、可重复性的估算方法。
5. 光谱混合法•光谱混合法是利用遥感图像中的光谱信息进行植被覆盖度估算的方法。
•遥感图像中的每个像元通常包含多种地物的光谱信息，通过光谱混合分析，可以将不同地物的贡献进行分离。
•通过对植被和非植被的光谱特性进行分析，可以计算植被覆盖度的比例。
植被覆盖度计算
ENVI下植被覆盖度的遥感估算(植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。
容易与植被覆盖度混淆的概念是植被盖度，植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。
两个概念主要区别就是分母不一样。
植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。
植被覆盖度的测量可分为地面测量和遥感估算两种方法。
地面测量常用于田间尺度，遥感估算常用于区域尺度。
估算模型目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI。
下面是李苗苗等在像元二分模型的基础上研究的模型：VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) （1）其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值，NDVIveg 则代表完全被植被所覆盖的像元的NDVI值，即纯植被像元的NDVI值。
两个值的计算公式为：NDVIsoil=（VFCmax*NDVImin- VFCmin*NDVImax）/( VFCmax- VFCmin) （2）NDVIveg=（(1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin）/( VFCmax- VFCmin) （3）利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。
这里有两种假设：1）当区域内可以近似取VFCmax=100%，VFCmin=0%。
公式（1）可变为：VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) （4）NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。
由于不可避免存在噪声，NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图像实际情况来定。
2）当区域内不能近似取VFCmax=100%，VFCmin=0%当有实测数据的情况下，取实测数据中的植被覆盖度的最大值和最小值作为VFCmax和VFCmin，这两个实测数据对应图像的NDVI作为NDVImax 和NDVImin。
基于遥感技术的植被覆盖度监测与分析研究
基于遥感技术的植被覆盖度监测与分析研究自然界的绿色是人类赖以生存的一个重要来源，而植被则是绿色的主要来源。
因此，对植被的监测与分析非常重要。
近年来，随着遥感技术的快速发展和普及，基于遥感技术的植被覆盖度监测与分析成为了越来越受关注的研究领域。
一、遥感技术在植被监测中的应用遥感技术是通过遥距方式获取地面信息的一种技术，它利用空间传感器获取地球表面的电磁辐射信息，根据这些信息可以推断出地表反射率、植被覆盖情况等。
相比传统的植被调查和监测方法，基于遥感技术的植被监测具有较高的效率和准确性。
遥感技术的应用可以提高数据获取的速度和精度，同时覆盖面积也会变得更广泛，可以为农业、林业、环境保护等领域提供重要支持。
二、植被覆盖度的定义和计算方法植被覆盖度是指地面被植被覆盖部分所占据的面积比例，反映出一个地区植被的丰富程度和茂盛情况。
植被覆盖度的计算方法主要有三种：目视法、样方法和遥感法。
其中，遥感法是目前应用最广泛、最准确的一种方法。
通过遥感图像的数字化，可以实现对不同地区的植被覆盖度进行监测和计算。
三、植被覆盖度监测对环境保护的重要性对于环境保护，植被覆盖度的监测是非常重要的。
植被具有拦截、保持、净化和改善水源的功能，对于土地保持和水资源的保护起到了至关重要的作用。
因此，监测植被覆盖度可以为环境保护提供重要的数据支持，促进环境保护的工作顺利进行。
四、植被覆盖度监测的未来发展趋势随着科技的不断发展，植被覆盖度监测技术也在不断创新和发展。
目前，人工智能、机器学习等新技术的应用，为植被覆盖度的监测和分析带来了更多的可能性，可以更加准确地预测和模拟植被的生长规律。
未来，植被覆盖度监测的科学研究和应用都将朝着更加深入和完善的方向不断发展。
总之，基于遥感技术的植被覆盖度监测与分析研究是当前领域内的热点和重要课题。
通过遥感技术的应用和不断的技术创新，相信在不久的将来，植被覆盖度监测可以实现更高的精度和准确度，为环境保护和人类生活带来更多的实际应用价值。
SWAT模型参数及运行过程
SWAT模型参数及运行过程SWAT (Soil and Water Assessment Tool) 是一种基于分布式水文模型的农业水文模型，被广泛应用于研究、管理和决策支持系统中。
下面将介绍SWAT模型的参数设置，以及其运行过程。
1.SWAT模型参数设置：- 模型时间尺度（Time Step）：定义模拟的时间跨度，可选择从小时到年。
- 流域面积（Watershed Area）：描述研究区域的地理范围，单位为平方千米或英亩。
- 坡度（Slope）：描述研究区域的地表坡度，以百分比表示。
- 壤土类型（Soil Type）：描述地区土壤的类型，包括土壤质地、土壤有机质含量等。
- 植被类型（Land Use Type）：描述地区植被覆盖类型，包括农田、林地、草地等。
- 降水数据（Precipitation Data）：包括降水量、降水强度等降水信息。
- 水文过程模型（Hydrological Process Model）：描述地区的水文循环过程，包括蒸散发、径流产生、地下水补给等。
- 水利设施（Water Management Practice）：描述地区水利设施的使用情况，如灌溉、排水等。
2.SWAT模型运行过程：数据输入：首先需要收集和整理与研究区相关的地理、气象、土壤和植被数据。
这些数据包括流域边界、坡度、土壤类型、植被类型、降水量和温度等数据。
数据可以从局部观测站点、遥感数据和气象模型等获取。
参数设置：在模型中设置先前提到的参数，以准确描述研究区域的水文过程和土壤特性。
参数设置可以根据实地观测数据和经验来进行。
模型运行：针对所设置的参数和数据，SWAT模型通过数学方程和水文过程模型进行数值模拟。
模型会根据给定的时间尺度分别计算降水、蒸散发、径流产生、地下水补给等水文过程，并给出模拟结果。
模型评估：通过对模拟结果与实际观测数据进行比较和评估，来判断模型的精度和对研究区域水文过程的描述能力。
可以使用多种统计指标来评估模拟结果的准确性，如R方、均方根误差等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
作物学报 ACTA AGRONOMICA SINICA 2008, 34(11): 1964−1969/zwxb/ISSN 0496-3490; CODEN TSHPA9E-mail: xbzw@基金项目: 国家重点基础研究发展计划(973计划)项目(2007CB407203); 国家自然科学基金项目(40771150); 国家基础科学人才培养基金(NFFTBS-J0630532)作者简介: 瞿瑛(1985–), 男, 在读硕士研究生。
E-mail: quying@*通讯作者(Corresponding author): 谢云。
E-mail: xieyun@Received(收稿日期): 2008-02-26; Accepted(接受日期): 2008-06-08.DOI: 10.3724/SP.J.1006.2008.01964植被覆盖度计算机模拟模型与参数敏感性分析瞿 瑛1,2 刘素红1,2,3 谢 云1,2,*(1 北京师范大学地理学与遥感科学学院, 北京100875; 2 北京师范大学遥感国家重点实验室, 北京100875; 3 北京师范大学环境遥感与数字城市北京市重点实验室, 北京100875)摘 要: 植被覆盖度是重要的生态学参数, 对水文、生态、全球变化等研究具有重大意义。
目前使用的目测估算法和数码照相法都具有一定的主观性, 另外通过自然界中相似样方的大量测量获得稳定的统计规律具有很大的难度, 因此建立叶面积指数和植被覆盖度之间的统计模型是估算植被覆盖度的有效方法。
本文以大豆为例,利用椭圆来模拟大豆的叶片, 选取大豆植株结构的关键参数, 通过随机分布函数来模拟植株叶片位置、倾角和大小的分布, 获得不同植被结构参数下单位面积上的植被覆盖度, 建立植被覆盖度计算机模拟模型。
通过实测数据和理论研究结论来验证模拟结果。
对模型的参数敏感性进行分析结果表明, 叶半短轴是比叶半长轴更为敏感的植被结构参数。
该模型为植被覆盖度的研究提供了一种新的思路和方法。
关键词: 植被覆盖度; 计算机模拟模型; 参数敏感性; 大豆Computer Simulation Model of Fractional Vegetation Cover and Its Pa-rameters SensitivityQU Ying 1,2, LIU Su-Hong 1,2,3, and XIE Yun 1,2,*(1 School of Geography, Beijing Normal University, Beijing 100875; 2 State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875; 3 Beijing Key Laboratory for Remote Sensing of Environment and Digital Cities, Beijing 100875, China)Abstract : Fractional Vegetation Cover (FVC) is an important ecology parameter, which is essential in the studies of hydrology,ecology, and global variation. Currently, the estimation methods used for FVC, including eyeballing method and digital camera imagery interpretation method, are obviously subjective and uncertain. Furthermore, it is rather difficult for the statistical rela-tionship between FVC and leaf area index (LAI) to establish by measurement of millions of samples that have similar vegetation structure parameters. Thus, it is an effective way for the estimation of FVC to develop a statistical model between FVC and LAI . In the paper, we simulated the soybean leaves using ellipses, and determined the position, orientation and size with random distri-bution function by choosing the key parameters in the soybean structure to obtain the FVC per area under different vegetation structure parameters. The model was validated with data measured in situ and the theoretical conclusion. The analysis of parame-ter sensitivity of the simulation model showed that the length of stem is not a sensitive parameter when it was longer than foliage interval; wheresa the angle of stem is not a sensitive parameter until it reache a threshold. The leaf tilt angle and foliage interval were in inverse portion to the fractional vegetation cover, while the semimajor and semiminor axis of leaf were in direct portion to the fractional vegetation cover. The semiminor axis of leaf was a much more sensitive parameter than semimajor axis of leaf. It suggested that it was a novel and feasible way for FVC.Keywords: Fractional vegetation cover; Computer simulation model; Parameters sensitivity; Soybean植物是沟通有机界和无机界, 完成自然界水循环、碳循环、生物圈物质和能量交换过程的重要一环。
植被覆盖度是指植被(包括叶、茎、枝)在单位面积内的垂直投影面积所占百分比[1-2], 是衡量陆地植被覆盖和生长状况的重要生态学参数和量化指标, 同时也是水文、气象、生态等区域或全球问题的定第11期瞿瑛等: 植被覆盖度计算机模拟模型与参数敏感性分析1965量研究模型的重要参数[3]。
因此其测算的准确性在很大程度上影响相关研究结论的科学性。
植被覆盖度的测算方法大体可归纳为目测估算法、统计测量法、数码照相法和遥感模型法4类。
目测估算法是通过肉眼观测直接估计样方内植被覆盖度, 误差较大且主观性较强[4]; 统计测量法是利用不同的采样策略获取样方的植被覆盖度, 如点测法、尺测法、样带测量法和正方形视点框架法等, 测量的主观性降低, 精度有所提高[3]; 数码照相法是通过数码照相机获得植株冠层垂直投影图像, 从而计算样方内的植被覆盖度, 方便快捷且准确性较高[5]。
Decagon公司生产了First Growth植被覆盖度分析仪[6], 为野外覆盖度快捷测量提供了方便。
Zhou 等[7]通过光谱纹理分类器, 提高了照相法计算影像植被覆盖度的精度。
前3种方法都是通过样方测量来获取点数据, 在实际应用中, 都需要通过数值内插方法来获取面数据。
遥感模型法直接获取植被覆盖度的面数据, 可以分为经验模型法、植被指数转换法和亚像元分解法3类[8]。
经验模型法通过建立地表实测数据与植被指数的经验模型, 再将模型推广到大区域来计算植被覆盖度, Graetz等[9]、Dymond等[10]和Wittich 等[11]分别建立了植被覆盖度与植被指数的线性和非线性经验模型, 但他们的结论都受限于特定区域而难以推广到更大范围。
植被指数转化法是通过对像元中植被类型及分布特征的分析, 建立植被指数与植被覆盖度之间的转换关系来直接估算植被覆盖度。
亚像元分解法是分析亚像元结构分布特征, 针对不同的亚像元结构, 建立不同的植被覆盖度模型[12-13]。
在实践中研究人员发现了现有方法存在的一些问题：(1) 目前遥感模型需要以地面实测为基础, 模型的建立和有效性验证需要大量的测量数据; (2) 地面上的参数获取需要多次重复观测, 费时费力; (3) 采集地面数据的样方不一定表现参数的所有变化范围, 造成测量参数的缺失。
这些问题制约了地理学过程的定量分析模型和遥感参数反演模型的发展。
因此, 植被覆盖度遥感监测与地面测量的技术手段和理论问题有待深入研究, 鉴于植被真实结构计算机模拟模型在植被反射率波谱[14]、热点效应模拟中取得的巨大成功, 根据植被真实结构参数, 利用计算机模拟植被覆盖度可能成为植被覆盖度研究中的一种有效的方法, 填补测量数据的完备性, 补充地面观测数量上的不足, 是具有挑战性和应用价值的。
1材料与方法1.1计算机模拟模型的思路以大豆为例, 采用计算机图形学方法, 模拟叶片垂直投影在水平面上的叠掩现象。
首先将真实大豆植株进行简化和抽象, 提取影响植被覆盖度的关键植株结构参数, 对大豆植株信息进行数字化表达和存储。
描述大豆形态结构的参数模型是大豆的概念化表现形式, 即该类型对象的类(Class)。
实际的大豆植株(大豆类的对象)的结构参数具有差异性, 而大量植株的植被结构参数则服从一定的统计规律。
1.2计算机模拟模型的基本参数大豆植株(图1)的主茎一般分出多条枝, 每枝的顶端长出3片椭圆形复叶(图2), 常采取行播耕种方式。