基于GIS的植被覆盖度估算
arcgis植被覆盖度计算
1 / 1
arcgis 植被覆盖度计算
ArcGIS 提供了多种用于计算植被覆盖度的工具和方法。
其中，常用的一种方法是使用遥感影像和相关的植被指数来估计植被覆盖度。
以下是一些常见的步骤和工具：
1. 获取遥感影像： 使用ArcGIS 导入或加载需要分析的遥感影像。
这可以是卫星影像、航拍影像等，最好是多光谱影像，以便计算植被指数。
2. 计算植被指数： 计算植被指数，如归一化植被指数（NDVI ）或其他适用于你的区域的指数。
通常，NDVI 是一种常用的植被指数，
其计算公式为()
()NIR Red NDVI NIR Red −=+，其中 NIR 是近红外波段的反射值，Red 是红光波段的反射值。
3. 阈值化： 使用阈值化方法将植被指数转换为二值图像，其中植被部分为1，非植被部分为0。
这可以通过选择适当的阈值来实现。
例如，你可以使用Raster Calculator 工具进行阈值化，将NDVI 大于某个阈值的像元设置为1，其余像元设置为0。
4. 计算覆盖度： 最后，通过计算二值图像中1的像元数量与总像元数量之比，可以得到植被覆盖度的百分比。
你可以使用Zonal Statistics 工具对整个区域或特定区域进行统计。
这是一个简要的步骤，具体操作可能会因数据的不同而有所变化。
确保你的遥感影像数据正确，并且你理解你所使用的植被指数的含义。
在ArcGIS 中，你可以利用工具箱中的工具来执行这些任务。
基于像元二分模型的植被覆盖度计算
基于像元二分模型的植被覆盖度计算植被覆盖度是评估自然生态系统健康状况的一个重要指标。
在野外或遥感图像中，通过像元二分模型可以对植被覆盖度进行定量分析。
本文将介绍像元二分模型及其应用，探讨如何利用该模型计算植被覆盖度。
一、像元二分模型的原理与方法像元二分模型是一种遥感图像分析方法，通过将像元分为植被与非植被两类，计算每一类像元的数量与面积，从而得出植被覆盖度。
该模型需要遥感影像数据，包括反射率数据和光谱数据，通过学习已知植被和非植被像元的光谱特征，建立分类模型，对新数据进行分类。
在进行像元二分分类前，需要对遥感数据进行预处理，包括辐射校正、大气校正、几何校正等。
其中，大气校正是保证遥感数据质量的重要步骤，通过去除大气散射和吸收对遥感数据进行校正，保证图像准确性。
几何校正则是为了消除图像畸变，保证像元位置精确。
利用已知的植被和非植被像元，通过对每个像元的光谱特征进行统计分析，得出植被和非植被的分布情况。
经过分类后，对每一类像元的数量进行计数，通过像元面积与总面积的比值，即可得出植被覆盖度。
二、像元二分模型的应用像元二分模型广泛应用于土地覆盖变化、植被生态监测、水资源保护等领域。
例如，利用像元二分模型对自然保护区进行植被监测，可以实时了解植被变化情况，保护生态环境。
同时，植被覆盖度也是气候变化研究的重要指标之一，通过计算植被覆盖度，可以探讨气候变化对生态系统的影响。
像元二分模型也可以与地理信息系统（GIS）相结合，进行更加精确的分析。
例如，在城市建设规划中，通过在GIS平台上制定可行性方案，并结合像元二分模型计算植被覆盖度，可以最大限度地保护环境，满足市民需求。
此外，在农业生产中，运用像元二分模型可以精确控制水分，提高农作物产量。
三、利用像元二分模型计算植被覆盖度的注意事项在利用像元二分模型对植被覆盖度进行计算时，需要注意以下几个问题：1. 不同遥感影像数据对植被分类的效果不同，需要根据实际情况选取合适的数据。
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。
arcgis植被覆盖度计算
arcgis植被覆盖度计算植被覆盖度是指在一个地理区域内，被植被覆盖的地表面积与总地表面积之间的比例。
植被覆盖度通常被用来评估一个地区的生态状况、环境变化以及植被生长的情况。
在ArcGIS平台中，可以使用多种方法来计算植被覆盖度，包括遥感影像分析、空间插值和图像分析等。
在遥感影像分析中，植被覆盖度的计算通常基于植被指数（Vegetation Index）的计算。
植被指数是一种利用遥感影像数据来反映地表植被情况的指标。
植被指数常用的有Normalized Difference Vegetation Index (NDVI)、Enhanced Vegetation Index (EVI)和Greenness Index (GI)等。
其中，NDVI是最常用的植被指数之一，其计算公式为：NDVI = (NIR - RED)/(NIR + RED)，其中NIR代表近红外波段的反射值，RED代表红光波段的反射值。
通过计算图像中每个像元的NDVI值，可以得到植被覆盖度的信息。
在ArcGIS中，可以通过使用ArcMap或ArcGIS Pro来进行植被覆盖度的计算。
首先，需要获取一幅遥感影像数据，可以是多光谱数据或全色数据。
然后，根据所选择的植被指数，使用Band Arithmetic工具来计算NDVI或其他植被指数。
接下来，可以使用栅格计算器（Raster Calculator）工具来根据计算得到的NDVI值来计算植被覆盖度。
植被覆盖度的计算通常基于像元的阈值来判断是否属于植被覆盖，常见的阈值有0.2或0.3。
最后，可以使用ArcGIS的栅格统计工具来计算整个区域的植被覆盖度。
除了遥感影像分析，还可以使用ArcGIS的空间插值工具来计算植被覆盖度。
空间插值是一种通过离散点数据来估计未知位置上的数据值的方法。
可以使用ArcGIS的插值工具（如Kriging或IDW）来估计每个地点的植被覆盖度。
这需要有足够数量和分布均匀的野外观测数据，用于插值计算。
arcgis植被覆盖度计算
arcgis植被覆盖度计算植被覆盖度是指在特定区域内植被的覆盖面积与总面积的比例。
它是生态环境评价和监测的重要指标之一，能够反映出植被的状况和生态系统的健康水平。
以下是关于如何使用ArcGIS进行植被覆盖度计算的相关参考内容：1. 数据准备：- 植被分类遥感影像数据：植被覆盖度计算需要使用高分辨率的遥感影像数据。
常用的遥感影像类型包括卫星影像（如Landsat、MODIS）和航空影像。
- 数字高程模型（DEM）数据：DEM数据可以用于计算地表的坡度和高程，对植被覆盖度的计算有一定的帮助。
2. 遥感影像预处理：- 影像预处理包括辐射校正、大气校正、几何校正等步骤。
这些步骤旨在消除干扰因素，提高植被分类的准确性。
- 使用ArcGIS中的遥感图像处理工具进行预处理，如图像识别、图像剪裁、图像增强等，以确保影像数据质量。
3. 植被分类：- 在ArcGIS中，可以使用遥感图像分类工具对影像进行植被分类。
常用的分类算法包括最大似然、支持向量机（SVM）和随机森林等。
- 根据遥感分类结果，生成植被覆盖度的二值图像。
其中，植被区域定义为植被类型的像元，非植被区域为其他类型的像元。
4. 植被覆盖度计算：- 根据植被覆盖度的定义，可以利用ArcGIS中的空间分析工具计算植被覆盖度。
例如，可以使用栅格统计工具对植被区域像元的数量进行统计，再除以总的像元数量得到植被覆盖度的百分比。
- 也可以利用ArcGIS中的栅格代数工具和栅格计算工具，对植被区域的像元进行逻辑运算，生成植被覆盖度的栅格图像。
- 此外，结合DEM数据，可以使用ArcGIS中的地理加权回归工具（Geographically Weighted Regression，GWR）进行地表坡度和植被覆盖度的相关分析，进一步了解植被覆盖度与地形关系。
5. 结果可视化：- 对于计算得到的植被覆盖度结果，可以使用ArcGIS中的分类符号工具将不同植被覆盖度等级进行着色，制作植被覆盖度图。
arcgis植被覆盖度计算
arcgis植被覆盖度计算【原创实用版】目录1.引言2.ArcGIS 简介3.植被覆盖度计算方法4.ArcGIS 中的植被覆盖度计算工具5.应用案例6.总结正文【引言】植被覆盖度是描述地表植被覆盖状况的重要指标，对于研究生态系统服务功能、生物多样性保护以及生态环境监测等方面具有重要意义。
随着地理信息系统（GIS）技术的发展，计算植被覆盖度已成为生态学、环境科学等领域的研究热点。
本文以 ArcGIS 为例，介绍植被覆盖度计算的方法及其在 ArcGIS 中的实现。
【ArcGIS 简介】ArcGIS 是一款由美国 Esri 公司开发的地理信息系统（GIS）软件，广泛应用于地理空间数据的采集、管理、分析和可视化。
ArcGIS 具有丰富的地理信息处理和分析功能，为植被覆盖度计算提供了强大的支持。
【植被覆盖度计算方法】植被覆盖度计算方法主要有以下几种：1.基于遥感图像的植被覆盖度计算：利用遥感图像（如卫星影像、航空影像等）提取植被信息，通过图像处理方法计算植被覆盖度。
2.基于 GIS 矢量的植被覆盖度计算：通过 GIS 软件创建矢量数据，包括植被和非植被地类，然后根据地类面积计算植被覆盖度。
3.基于地面实测数据的植被覆盖度计算：通过实地调查、样方统计等方法获取植被覆盖情况，计算植被覆盖度。
【ArcGIS 中的植被覆盖度计算工具】ArcGIS 提供了丰富的工具和函数用于植被覆盖度计算，主要包括：1.基于遥感图像的植被覆盖度计算工具：如 Raster Calculator、Focal Statistics 等。
2.基于 GIS 矢量的植被覆盖度计算工具：如 Summary Statistics、Geometry Service 等。
3.基于地面实测数据的植被覆盖度计算工具：如 Field Calculator、Hawth"s Tools 等。
【应用案例】以某地区为例，首先获取该地区的遥感图像，利用 Raster Calculator 工具提取植被信息，然后使用 Focal Statistics 工具计算植被覆盖度。
基于遥感技术的植被覆盖度测量方法
基于遥感技术的植被覆盖度测量方法植被覆盖度是指土地表面被植物覆盖的程度，是评估生态系统健康和环境质量的重要指标之一。
传统的植被覆盖度测量通常需要人工采集样方数据，工作量大且耗时，难以获取全面的地表植被覆盖信息。
而基于遥感技术的植被覆盖度测量方法克服了这一问题，能够迅速获取广阔地区的植被覆盖度信息。
遥感技术利用从航天器或飞机上获取的远距离和全局的图像，可以在广阔的地表范围内获取大量的植被信息。
这些图像可以是可见光、红外光或微波等不同波段的图像，通过对这些图像进行数字处理和分析，可以提取出植被的特征参数，进而计算出植被覆盖度。
基于遥感技术的植被覆盖度测量方法主要包括以下几个步骤：图像预处理、植被指数计算和植被分割。
首先，图像预处理是遥感图像分析的重要步骤。
由于遥感图像受到大气、云和阴影等干扰，需要对图像进行预处理，以去除这些干扰因素。
常见的图像预处理方法包括大气校正、云和阴影去除等。
预处理后的图像能够更准确地反映地表植被的分布情况。
接下来，植被指数计算是植被覆盖度测量的核心步骤之一。
植被指数是一种基于遥感图像的植被信息提取方法，通过计算不同波段的图像之间的比值或差异，可以反映出植被的分布、状况和生长情况。
常用的植被指数包括归一化植被指数（NDVI）、植被指数（VI）和差值植被指数（DVI）等。
这些指数综合考虑了植被对不同波段光谱的反射差异，能够有效地反映出植被的物候变化和覆盖度。
最后，植被分割是将遥感图像中的植被区域与非植被区域进行区分的步骤。
通过对植被指数图像进行阈值分割、聚类分析等方法，可以将植被区域分割出来，并计算出植被面积。
同时，通过与地面调查数据进行对比验证，可以进一步提高植被覆盖度测量的准确性和可信度。
除了上述基本步骤以外，基于遥感技术的植被覆盖度测量方法还可以结合地理信息系统（GIS）等相关技术，进行空间分析和数据可视化，以便更好地理解和解释植被覆盖度的时空分布规律。
总之，基于遥感技术的植被覆盖度测量方法具有快速、准确、全面的优势，能够为生态环境保护、资源管理和决策提供重要的科学依据。
arcgis植被覆盖度计算
arcgis植被覆盖度计算植被覆盖度是指某一地区被植被所覆盖的程度。
它是一个衡量生态系统健康状况和植物生长状况的重要指标。
在ArcGIS软件中，可以使用各种方法来计算植被覆盖度。
以下是相关参考内容。
一、遥感影像分类方法1. 最大似然分类法：最大似然分类法是一种常用的遥感影像分类方法。
它基于对各类别像元统计信息的最大似然估计来确定像元的分类。
在ArcGIS中，可以通过创建训练样本并运行最大似然分类工具来进行分类。
分类后，可以通过计算每个类别所占的像元数量来计算植被覆盖度。
2. 支持向量机分类法：支持向量机分类法是一种机器学习方法，具有较好的分类效果。
在ArcGIS中，可以使用Support Vector Machine工具来进行支持向量机分类。
分类后，可以根据每个类别所占的像元数量计算植被覆盖度。
3. 决策树分类法：决策树分类法是一种基于属性值进行分类的方法。
在ArcGIS中，可以使用Decision Tree工具来进行决策树分类。
分类后，可以通过统计每个类别所占的像元数量来计算植被覆盖度。
二、NDVI指数方法植被指数是通过计算影像红外波段和可见光波段的比值来反映植被状况的指标。
最常用的植被指数是归一化植被指数(Normalized Difference Vegetation Index, NDVI)。
在ArcGIS中，可以通过计算NDVI指数来估算植被覆盖度。
计算公式为：NDVI = (NIR - RED) / (NIR + RED)，其中NIR和RED分别代表红外波段和可见光波段。
三、面积统计法植被覆盖度可以通过统计植被区域的面积来计算。
在ArcGIS 中，可以使用栅格面积统计工具来计算各类别的面积。
首先需要进行影像分类，得到植被区域；然后使用栅格面积统计工具来计算植被区域的面积。
最后，根据植被区域的面积与总区域面积的比例来计算植被覆盖度。
四、直方图分析法直方图是反映影像亮度分布情况的图像统计工具。
- 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)。
1.绪论1.1 课题研究的目的与意义植被，包括森林、灌丛、草地和农作物，既是生态系统的主要组成部分，也是生态系统存在的基础，具有截流降雨、减缓径流、防沙治沙、保持水土等功能，联结着土壤、大气和水分等自然过程，在陆地表面的能量交换、生物地球化学循环和水文循环等过程中扮演着重要角色，是全球变化研究中的“指示器”[1]。
植被根据生态系统中水、气等的状况，调控其内部与外部的物质、能量交换。
植被覆盖与气候因子关系极为密切，研究植被覆盖变化对气候的影响是气候变化研究的主要内容之一，它影响着土壤湿度、地表温度和地表能量与水的循环(李苗苗，2004)。
植被覆盖度(vegetation fractional cover，简称FC)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[2]。
它是植被对地面的垂直投影比例，对于山坡进行植被覆盖度测量时，应该采用垂直于坡面的角度。
植被覆盖度具有强烈的尺度效应，同一片植被，因被纳入统计的范围不同而表现为不同的植被覆盖度。
如一个地区的植被覆盖度很高，但平均到全国水平就大大降低了[3]。
植被覆盖度在提示地表植被分布规律, 探讨植被分布影响因子, 分析评价区域生态环境, 及时准确地掌握其动态变化, 分析其发展趋势对维护区域生态平衡等方面都具有重要意义。
[4]而城市植被则是城市生态系统重要的还原组织和最重要的元素,对于保护城市生态环境具有不可忽视的作用[5] ,如有效缓解城市“热岛效应”,改善城市区域小气候[5～7] 等。
城市化的迅速推进，带来了多样化的生态足迹，植被覆盖度，土壤污染率，地表侵蚀率，逐渐成为生态研究的热点，也成为环境保护的重点。
借助于高速发展的RS与GIS技术来进行植被覆盖度的估算，将是当前环境监测的必要步骤。
徐州是由矿区发展起来的城市，由于长期开采矿产，导致了一系列严重的生态问题，如塌陷地广布，植被破坏率严重，土地侵蚀率增大，等。
在此背景下，研究徐州市整体的土地覆盖情况，即是现实需要，也是未来生态城市规划的重要步骤。
研究的最终结果也会给徐州市的城市规划提供信息支持与技术保障。
1.2 国内外植被覆盖度研究现状由于植被覆盖度是许多学科的重要参数，为了得到准确的植被覆盖度信息，植被覆盖度监测技术的提高，就成了多个领域发展的需要。
根据检测手段，测量植被覆盖度的方法可分为传统的地面测量和新兴的遥感测量两大类。
其中，地面测量又可以根据测量原理，分为目估法、采样法、仪器法和模型法；遥感测量依据对植被光谱信息与植被覆盖度所建立的关系不同，可分为物理模型法和统计模型法。
统计模型法中使用较多的有植被指数法、回归模型法、像元分解法、分类决策树和人工神经网络法；物理模型法中模型反演法使用最多。
地面测量曾经一度是植被覆盖度监测的最主要方法。
主要包括目估法、采样法、仪器法和模型法。
虽然遥感技术的发展使地面测量的主导性地位有所降低，但地面测量依然具有其重要性，它不仅是最精确的测量方法，也为遥感测量提供了基础标定数据，是无可替代的。
遥感技术的发展，为大范围植被覆盖信息的获取提供了一个新的发展方向。
常用于植被覆盖信息提取的遥感数据有NOA内叭vHRR数据、MODIs数据、 LandsatTM与MSS数据、SPOT数据、ATSER数据、航片、IEOS一SAR雷达数据以及AVIRIS高光谱数据等。
近年来，国内外在植被遥感监测方面开展大量的研究，发展许多植被覆盖度监测方法［8 ～ 13］。
遥感方法相较于传统地面测算使测算的外业工作极大减少，在时效性、测算范围等方面都存在较明显优势。
孙睿等［14］利用NOAA 数据，通过研究不同时段降水量与年最大NDVI 之间的相关关系分析降水对黄河流域植被覆盖度的影响; 赵彩霞等［15］通过定量分析植被覆盖度与土壤风蚀量及风蚀气候侵蚀因子 3 者随时间变化的相关关系，计算和比较不同类型植物防风治沙性能的动态差异、总植被覆盖度及相应的总土壤风蚀量动态变化; RezaAmiri 等［16］利用基于NDVI 值，分析植被覆盖度和土地利用/土地覆被与土地表面温度的时空变化3者相关性。
将气候、土壤因素与植被覆盖度进行相关研究较多，而将地质条件与植被覆盖度相结合的研究尚未有人涉及。
1.3 主要研究内容与方法1.3.1 研究区概况徐州市位于江苏省的西北部，东经116°22′～118°40′、北纬33°43′～34°58′之间。
东西长约210公里，南北宽约140公里，总面积11258平方公里，占江苏省总面积的11％。
地处苏、鲁、豫、皖四省交界，为东部沿海与中部地带上海经济区与环渤海经济圈的结合部。
素有“五省通衢”之称。
京沪、陇海两大铁路在此交汇，京杭大运河傍城而过贯穿徐州南北，公路四通八达，北通京津，南达沪宁，西接兰新，东抵海滨，为全国重要水陆交通枢纽和东西、南北经济联系的重要十字路口。
图1 徐州市区位图1.3.2 研究内容与技术路线1.3.2.1 研究内容在遥感应用领域,植被指数是一种反映地表植被信息的重要信息源之一,已广泛用于定性和定量评价植被覆盖及其生长状况。
植被指数经过20 多年的发展,目前有几十种,但常用的植被指数有:归一化植被指数(NDVI) 、比值植被指数(RVI) 、差值植被指数(NVI) 、土壤调节植被指数(SAVI) 和修正突然植被指数(MSAVI) 等[17 - 18] 。
其中归一化植被指数是植被生长状态及植被覆盖度的最佳指示因子。
本文主要利用2010年徐州市TM 图像进行植被覆盖情况的研究，利用归一化植被指数法与象元二分模型进行植被覆盖度的反演，最终得到基本植被覆盖情况与徐州市六县的分区覆盖情况。
1) 归一化植被指数NDVI 。
植被指数是利用绿色植物强吸收可见光红波段( 0.6 ～ 0.7 μm) 和高反射近红外波段( 0.7 ～ 1.1 μm) 特点，经过变换，增强植被信号，削弱噪音组合而成。
归一化植被指数( NDVI ，下式为NNDVI) 是植被生长状态及植被覆盖度最佳指示因子［19,20］，被定义为近红外。
波段与可见光红波段数值之差和这两个波段数值之和比值，计算公式:NDVI = ( NIR － R) /( NIR + R) ( 1)式中，NIR 为近红外波段的反射率，R 为红光波段的反射率。
2）像元二分模型。
像元二分模型原理是假设影像上一个像元的反射率R 可分为纯植被部分反射率R v 和非植被部分R s 两部分,那么, 任一像元的反射率值可以表示为由植被覆盖部分与非植被覆盖部分的线性加权的和:S V R R R += (2)假设影像上一个像元中有植被覆盖的面积比例为f c ,即该像元的植被覆盖度, 那么非植被覆盖的面积比例为1 - f c 。
如果该像元全由植被所覆盖,则所得的反射率为R veg,如果该像元无植被覆盖,则反射率为R soil ,因此,混合像元的植被部分所贡献的信息R v 可以表示为纯植被反射率R veg 与像元中植被覆盖面积f c 的乘积(见公式(2) ) , 而非植被成分所贡献的信息R s 可以表示为R soil 与1 - f c 的乘积(见公式(3) ) :Veg v R fc R *= (3) soil S R fc R *)-1(= (4)通过解算式(2) 、式(3) 和式(4) , 可得到计算植被覆盖度的公式,如下:)/()(soil veg soil R R R R fc --= (5)其中:R soil 与R veg 是像元二分模型的两个参数。
很明显,只要求得这两个参数根据公式(5), 就可以利用遥感信息来估算植被覆盖度。
根据像元二分模型原理,我们可以将1个像元的NDVI 值表示为由有植被覆盖部分地表与无植被覆盖部分地表组成的形式。
因此,计算植被覆盖度的公式可表示为: soilveg soil NDVI NDVI NDVI NDVI fc --= (6) 其中:NDVI soil 为完全是裸土或无植被覆盖区域的NDVI 值,NDVI veg 则代表完全由植被所覆盖的像元的NDVI 值,即纯植被像元的NDVI 值。
参考李苗苗［20］、Gutman ［21］ 等提出的估算NDVI veg 和NDVI soil 的方法，根据整幅影像上NDVI 的灰度分布，以0.5% 置信度截取NDVI 的上下限阈值分别近似代表NDVI veg 和NDVI soil 。
采用ARCGIS 软件的栅格计算器，应用式( 6) 计算所有影像的植被覆盖度分布情况。
将计算得到的植被覆盖度( FC) 分5级: 低植被覆盖度( FC ＜ 10%) 、较低植被覆盖度( 10%≤FC ＜ 30%) 、中度植被覆盖度( 30% ≤FC ＜ 50%) 、较高植被覆盖度( 50%≤FC ＜ 70%) 和高植被覆盖度( FC ≥70%) .1.3.2.2 技术路线图2 技术路线图2 课题研究主要步骤2.1 数据准备采用徐州市2010年的Landsat TM 遥感数据,共包括了三景图像，轨道号分别为p121r036、p121r037、p122r036,Landsat 7 ，TM有7个波段,其中1-5, 7波段的分辨率均为30 m; 6波段分辨率为120 m,为热红外波段,不参与此试验研究; 首先利用ERDAS8.6的工具，依次选择Interpreter-Utilities-Layer Stack，将原始tiff数据合成多光谱图像，因为第六波段为热红外波段，所以予以舍弃。
2.2 植被覆盖度遥感信息提取2.2.1 土地利用类型分类1) 基本类型划分利用最大似然法进行监督分类，主要流程为：建立分类模板、评价分类模板、执行监督分类、精度评价。
监督分类又叫训练区分类，它的前提是已知遥感图像上样本区内地物的类别，所以选择足够数量和具有代表性的训练区，决定了监督分类的精度。
由于选取的研究区面积较大，所以在训练区数量上均在3000以上。
根据图像的分辨率，将徐州市分为六类土地类型：水体，建设用地，农田，林地，山地，未利用地。
分类精度满足要求。
2)分类属性重编码由于水体在植被指数图像上多显示为负值，影响植被覆盖度的估算，所以先进行水体的剔除，这里采用的方法是掩膜法。
在分类图像上进行属性的重编码，将水体的属性设置为0，其余地物的属性均设置为1，即是对图像进行二值化处理。
结果使水体与其他地物区分开。
所得图像为：图3 二值化处理图像3）水体剔除将二值化处理的图像与原始图像相乘，即可以将水体剔除掉，这里利用的是ERDAS的建模功能，所建立的模型如下所示:图4 剔除水体模型图5 剔除水体的图像2.2 2 植被指数计算利用ERDAS进行植被指数的计算主要有两种方法：一种是直接利用菜单工具：Interpreter-spectral Enhancement-Indices。