基于遥感的植被覆盖度和水土流失信息提取 —以梨树县为例
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。
如何进行植被覆盖度的测量
如何进行植被覆盖度的测量植被覆盖度是指某一地区被植物所覆盖的程度，它能够反映出对应地区的植被生长状况和植被类型的多样性。
植被覆盖度的测量对于环境保护、生态恢复以及土地管理具有重要意义。
本文将介绍如何进行植被覆盖度的测量，并探讨一些测量方法和技术。
植被覆盖度的测量可以通过不同的方法和技术实现。
其中，遥感技术是一种常用且有效的测量手段。
遥感技术利用卫星或无人机等远距离设备获取地球表面的图像信息，通过对植被指数的分析来评估植被覆盖度。
常用的植被指数包括归一化植被指数（NDVI）、峰值植被指数（PVI）以及土壤调整植被指数（SAVI）等。
归一化植被指数（NDVI）是最常用的植被指数之一。
它基于红光和近红外光的反射特性，通过计算两者的比值来反映植被覆盖度。
在计算NDVI时，像元的数值范围通常在-1到1之间，值越接近1则表示植被覆盖度越高。
通过对遥感图像进行像元级别的计算，可以得到植被覆盖度的分布图。
另一种常用的植被指数是峰值植被指数（PVI）。
PVI主要用于评估植被的生长状况和植被的长势，特别适用于农林业生产中的植被监测。
PVI通过测量植被在特定时间段内的叶绿素含量变化来评估植被的健康状态。
一般来说，PVI的取值范围在0到1之间，数值越大表示植被的健康状况越好。
除了遥感技术外，野外调查也是植被覆盖度测量的重要手段。
野外调查包括实地观察和取样分析等方法。
实地观察可以通过对植物的覆盖程度、株高和茂密度等进行测量来评估植被覆盖度。
取样分析则可以通过采集植物样本并进行实验室分析，获取更加准确的植被覆盖度数据。
在植被覆盖度测量中，需要注意一些测量误差的问题。
遥感技术对于地表植被的识别和测量具有一定的误差，主要来自于遥感数据的获取和处理。
因此，在使用遥感技术进行植被覆盖度测量时，应当对数据进行准确性校验和误差估计。
同时，在野外调查中也需要注意样本选择的随机性和代表性，以确保测量结果的可靠性。
除了测量植被覆盖度外，我们还可以借助植被指数测量来研究植被的类型和功能。
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。
论文范文：国内水土流失定量测评——基于遥感与GIS技术
论文范文：国内水土流失定量测评——基于遥感与GIS技术第一章绪论1.1 研究背景和意义当前，水土流失是全球范围内发生最广泛、危害最严重的生态环境问题之一，严重威胁着人类的生存与发展。
据估算全球的水土流失面积约为16.43×106km2，占地表总面积的10.95%（李占斌2005）。
其中，中国是世界上水土流失最为严重的国家之一，也是世界上的人口和农业大国，国土面积约为960 万km2，其中，山区、丘陵区约占国土面积的2/3，也是我国水土流失的主要地区（冯绳武1989；秦天枝2009）。
水土流失在我国的危害已达到十分严重的程度，虽在一定程度上有所治理，但流失面积还在扩大，可以说“治理赶不上破坏”。
根据2002 年全国水土流失公告，全国水土流失面积356万km2(不包括冻融侵蚀面积)，约占国土总面积的37.1%，其中水力侵蚀面积165 万km2，风力侵蚀面积191 万km2（陈雷2002；秦天枝2009；中华人民共和国水利部2002）。
它不仅造成土地资源的破坏、粮食减产、降低土壤肥力、淤积库容和湖泊、导致农业生产环境恶化、生态平衡失调、水旱灾害频繁，而且影响各业生产的发展（彭珂珊2000a，2000b，2001；王占礼2000a，2000b；张俊飚2001）。
水土流失是我国的头号环境问题（李运学等2002），是我国土地资源遭受的最常见的地质灾害，其中以黄土高原地区最为严重（秦天枝2009）。
调查结果表明，我国土壤侵蚀从面积和强度上都是由东到西逐渐递增，土壤侵蚀分布存在集中连片的特点（李运学等2002；赵晓丽等2002）。
我国水土流失不仅面积大、范围广，且其类型多样、成因复杂，是一个十分复杂的自然地理现象。
地形起伏不平、坡陡沟多、多暴雨、降水集中、植被稀少、土质疏松等，是水土流失发生的自然原因，也是其发生和发展的潜在条件。
国内学者（彭珂珊2000a，2000b，2001；史更申1994；王占礼2000a，2000b；张俊飚2001）以水土流失较为严重的黄土高原地区、长江流域部分地区为例进行分析，影响土壤侵蚀的自然因素主要包括降雨、地形地貌、植被、土壤等，而人为因素包括土地利用方式不合理、滥垦滥伐、过度放牧、陡坡开荒、毁林毁草、工程建设的影响等，它是加速土壤侵蚀的催化剂。
基于遥感的LUCC信息提取研究
IGSNRR
LREIS
基于遥感能提那些LUCC信息？
1. 土地利用/覆被变化信息:具有地理坐标信息的土 地利用/土地覆被信息（包括：城市、工业、旱 地和水田、等现状及其动态）
土地利用和土地覆被，这两个概念之间的差 别是导致许多分类的混淆、模棱两可和不可 互通的基本原因，但实际上这种区别通常被 完全忽略了。 土地覆被定义为可观察到的物理表面，包括 覆盖在地球表面的植被（自然的或人工种植 的）和人类建筑物。 土地利用则和特定土地的人类活动有关，而 包括自然与人工覆被有关信息，然而部份的 人类活动，并不能够与土地覆盖有直接关系。
提取1980-2002土地利用数据示意图
结果层：1986-2002年间动态信息 结果层：1986-2002年间动态信息
动态变化发现与提取
定性参考层：帮助确定利用类型 定性参考层：帮助确定利用类型 2002年度土地利用 2002年度TM影像 1986年代TM影像 辅助定性层：帮助确定土地利用 辅助定性层：帮助确定土地利用 比较分析层：发现动态变化区域 比较分析层：发现动态变化区域
IGSNRR
LREIS
细小地物扣除
• 框架布设：以全国土地利用区划为依据，确定120-130个一级控制 区。根据土地利用结构类型子区划分结果，确定500-600个二级控 制区。 重要线状地物面积校正: 重要线状地物系指铁路、公路和水系中 不能依图斑上图的重要河流、运河与干渠。信息来自各作业片编 绘的重要线状地物图，其面积校正精度取决于该图的准确与详尽 程度，以及按县统计的平均宽度值精度。重要线状地物宽度的均 值获取是将航空像片扫描成图像文件后，在其上抽样布点量取宽 度并根据航片比例尺计算得到的。 细小地物采用“哪来哪去”的原则(耕地中细小非耕地地物的测 定 ):将抽样所得细小地物系数，按照各县所在二级控制区，每一 县按照平原、丘陵、山地给予三个不同的系数，作为各县耕地面 积纠正之用。同时，将抽样中统计得到的非耕地系数及非耕地面 积入库，以备汇总及加入细小地物成数数据库。
贵州省2010年水土流失遥感调查及成果初步分析
贵州省2010年水土流失遥感调查及成果初步分析作者：付宇文来源：《城市建设理论研究》2013年第28期摘要：文章采用2010年ALOS遥感卫星影像为信息源，在岩溶区和非岩溶区分别采用不同的土壤侵蚀强度判别标准开展遥感调查，对调查成果进行了初步分析，并针对水土流失遥感调查存在的问题进行了思考。
关键词：水土流失；岩溶区；遥感调查；判别标准；贵州中图分类号：S157.1文献标识码：A贵州地处中国西南岩溶区的中心，全省岩溶分布面积广泛，空间结构复杂，生态环境十分脆弱，加之地少人多以及不合理的人为活动，造成较为严重的水土流失，影响水土资源的可持续利用及生态环境的可持续维护。
2005年，贵州省公告了2000年全省水土流失遥感调查成果，全省水土流失总面积为73179.01km2，占土地总面积的41.54%。
近年来，城镇化、区域建设开发与水土流失防治等诸多因素综合作用，水土流失状况发生了极大变化。
为摸清贵州省水土流失现状，2011年，以空间分辨率10米*10米的ALOS卫星数据为基础开展了贵州省水土流失遥感调查。
一、遥感调查的主要技术路线本次调查在2000年贵州省水土流失遥感调查成功经验的基础上，以遥感调查为核心技术，采用遥感图像增强处理、遥感目标信息提取、遥感图像解译、野外实地踏勘与验证等方法，结合野外考察、历史资料统计与分析，在全省范围内，以县级行政单位为单元，全面调查水土流失的分布、面积和强度，准确掌握水土流失现状，并分析水土流失危害及发展趋势，水土流失防治情况及效益等。
与2000年全省水土流失遥感调查相比，本次调查在技术路线进一步完善，主要体现在三个方面，一是影像数据从2000年空间分辨率为30米*30米的TM数据更换为10米*10米的ALOS卫星数据，本底数据更加精度更高；二是增加了1:5万的坡度控制，土壤侵蚀强度判读更加准确；三是在岩溶区和非岩溶区采用不同的土壤侵蚀强度的判别标准，调查成果数据更加科学。
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。
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。
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。
遥感影响分析实验报告(3篇)
第1篇一、实验目的本次实验旨在通过遥感技术，分析特定区域的生态环境、土地利用变化以及灾害影响等方面，提高对遥感数据解读和分析的能力，为相关领域的决策提供科学依据。
二、实验原理遥感技术是利用航空、航天等平台获取地表信息的一种手段，通过对遥感图像的处理和分析，可以获取地表的物理、化学、生物等信息。
本实验主要涉及以下原理：1. 遥感图像的获取：通过卫星、航空等平台获取特定区域的遥感图像。
2. 遥感图像预处理：对遥感图像进行辐射校正、几何校正等预处理，提高图像质量。
3. 遥感图像分析：利用遥感图像处理软件对遥感图像进行分类、变化检测、纹理分析等分析，提取地表信息。
4. 影响分析：结合相关领域知识，对分析结果进行解释和评价，揭示地表现象的成因和影响。
三、实验数据本次实验选用某区域2010年和2020年的遥感影像数据，包括多光谱、全色等数据。
四、实验步骤1. 数据预处理：- 对遥感影像进行辐射校正，消除大气、传感器等因素的影响。
- 对遥感影像进行几何校正，消除图像畸变。
- 对遥感影像进行裁剪，提取研究区域。
2. 遥感图像分析：- 利用遥感图像处理软件对遥感影像进行分类，提取地表信息，如土地利用类型、植被覆盖度等。
- 对遥感影像进行变化检测，分析研究区域土地利用变化情况。
- 对遥感影像进行纹理分析，揭示地表现象的分布特征。
3. 影响分析：- 结合相关领域知识，对分析结果进行解释和评价。
- 分析研究区域生态环境、土地利用变化以及灾害影响等方面的成因和影响。
五、实验结果与分析1. 土地利用变化：- 通过变化检测，发现研究区域在2010年至2020年间，耕地、林地、草地等土地利用类型发生了显著变化。
- 具体表现为：耕地面积减少，林地、草地面积增加。
2. 植被覆盖度：- 通过植被指数分析，发现研究区域植被覆盖度总体呈上升趋势，表明生态环境有所改善。
3. 灾害影响：- 通过遥感影像分析，发现研究区域在2010年至2020年间，受洪涝、干旱等灾害影响较大。
- 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
水土流失，是指人类在开发土地的同时，不合理的利用规划土地，导致水土流失严重，对地球生态 环境造成威胁。水土流失已经发展为世界性的问题之一，成为人类关注的焦点。 自然因素和人为因素是产生水土流失的主要原因，自然因素主要包括气候因素、地形和地貌因素以 及土壤、植被等。当这些因素都处于不利的情况下才会产生水土流失以及水土流失的蔓延发展，当其中 任何一个因素处于有利状态， 水土流失就会减轻； 人为因素主要包括人类对自然资源不合理的开发利用， 比如乱砍滥伐，大片的耕地，修路，无止境的发展工业、畜牧农业等导致林草覆盖度的降低，致使自然 因素处于不利状态，产生水土流失。水土流失是当今社会所面临的一个重要的生态环境问题，不仅影响 了人们的正常的生活，还会威胁到人类的生存环境，以及人类社会的发展。因此了解水土流失的形成机 制，并采取一定的积极措施遏制水土流失的发展已经是人心所向。 分析产生水土流失的因素可以发现，改变地形地貌气候土壤等自然因素的成本是不可估量的，所以 增加植被覆盖度，可以更容易的减轻水土流失。植被是保护生态环境的好帮手，既可以减缓降雨对土地 的侵蚀，又可以防沙治沙，减缓径流。植被覆盖度，作为衡量地表植被覆盖的重要指标，是研究水土流 失的重要因子。因此，在这个水土流失愈发严重的时代研究植被覆盖度与水土流失的关系，以及如何通 过提高植被覆盖度，并且如何确定某一地区合理的植被覆盖度，从而使水土流失情况减缓，不影响生态 环境平衡已经成为中外学者关注的重点之一。 在这个科学技术作为第一生产力的时代， 人们在航空航天领域获得的成就， 如 NOAA， Landsat TM， SPOT 等卫星如雨后春笋，给了后人以希望，卫星获得的数据的准确性，高效率以及高效益，使国内外 学者可以通过卫星遥感更加方便的研究水土流失与植被盖度关系。 本文将利用 GIS 与遥感技术相结合的方式实现对梨树县水土流失的研究，以 2016 年空间分辨率为
关键词
植被覆盖度，水土流失，GIS，梨树县
Copyright © 2017 by authors and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
摘
要
近年来水土流失的问题也逐步的被人所关注。国内外有关专家从各个层面对水土流失的原因、影响、规 律和有效的控制措施进行了一系列研究。 遥感数据与GIS分析技术逐渐成为研究水土流失的有效的数据来 源与方法。本文采用定量遥感与GIS分析相结合的方法，以梨树县为例，利用六因子模型计算土壤侵蚀强 度，利用NDVI结合二分模型计算植被盖度，并根据水利部水力侵蚀分类标准，对土壤侵蚀强度和植被覆 盖度进行分级，研究了2016年梨树县的水土流失强度分布情况，以及植被盖度和水土流失分布的关系。
2.2. 数据使用
本研究涉及到的基础数据主要包括：研究区的地理图、行政区划图、土地利用图、地形图、地质图、 土壤图、农林规划图、气象数据、遥感影像、水土保持工程措施初步设计图、专题地理信息数据、统计 实验数据和报告成果及文档资料等。通过以上基础数据，获得研究需要的各因子信息。 1) 遥感数据采用空间分辨率为 2.1 m 的资源三号卫星影像， 资源三号卫星的多光谱数据参数见表 1， 通过目视解译，矢量化得到梨树县的土地利用图； 2) 利用覆盖梨树县域行政边界，1:5 万 DEM 数据，通过运行 arc 小程序得到梨树县坡度与坡长 LS 因子； 3) 梨树县近 30 年的逐日侵蚀性降雨量资料，利用日降雨量数据计算得到降雨侵蚀力因子 R； 4) 利用梨树县的水保措施图得到梨树县的 P 因子； 5) 获取植被盖度反演影像辐射定标指数。
有效载荷 波段 Band 1 ZY-3 MUX Band 2 Band 3 Band 4 光谱范围 0.45~0.52 0.52~0.59 0.63~0.69 0.77~0.89
DOI: 10.12677/ojswc.2017.540 等
3.1. 植被覆盖度数据信息获取
植被覆盖度是指植被冠层或页面在地面的垂直投影面积占统计区总面积的百分比[2]。目前计算植被 覆盖度的方法主要有回归模型法、植被指数法、像元分解模型法[3]。本研究主要是利用 NDVI 和像元二 分模型计算出梨树县的植被覆盖度。归一化植被指数(NDVI)为近红外波段与红波段的亮度值之差与其之 和的比值，该指标提高了对土壤背景的鉴别能力，大大消除了地形和群落结构的阴影影响，削弱了大气 的干扰，因而扩展了对植被盖度检测的灵敏度。因此 NDVI 是目前应用最广泛的植被指数，NDVI 的变 化在一定程度的能够代表植被覆盖变化情况。本文利用归一化植被指数计算公式
通讯作者。
文章引用 : 张晓萌, 刘建祥, 温馨, 刘志明. 基于遥感的植被覆盖度和水土流失信息提取 [J]. 水土保持, 2017, 5(4): 21-28. DOI: 10.12677/ojswc.2017.54004
张晓萌 等
收稿日期：2017年11月14日；录用日期：2017年11月27日；发布日期：2017年11月30日
Open Journal of Soil and Water Conservation 水土保持, 2017, 5(4), 21-28 Published Online December 2017 in Hans. /journal/ojswc https:///10.12677/ojswc.2017.54004
1 2
College of Geographical Sciences, Northeast Normal University, Changchun Jilin Songliao Water Resources Commission, Ministry of Water Resources, Changchun Jilin
Information Extraction Based on RS of Vegetation Fraction and Soil and Water Loss
—Take Lishu County as an Example
Xiaomeng Zhang1, Jianxiang Liu2, Xin Wen1, Zhiming Liu1*
3. 研究内容
本研究主要是将梨树县的植被盖度信息和水土流失强度信息做对比，以期得到植被盖度影响水土流 失的准确信息，所以本研究除了要获取梨树县的水土流失强度面积分部信息外，还要获取梨树县的植被 盖度数据信息。
Table 1. The parameter of ZY-3 MUX 表 1. 资源三号卫星的多光谱数据参数
2. 研究区概况与数据使用
2.1. 研究区概况
梨树县位于吉林省的西南部，行政隶属于四平市。梨树县属于东北平原地带，是温带大陆性气候，四 季比较分明，春季比较干燥，夏季多雨，梨树县的地表水主要为招苏台河，年径流量平均为 0.6371 亿方。 梨树县土地肥沃平坦，且土壤中有机质含量较多，主要类型为黑土和黑钙土，有“东北粮仓”和“松辽明 珠”之美称的梨树县不仅土壤肥沃，森林资源也相当丰富，除了有多样的天然树种山杨、枫树、桦树、柳 树以及槐树等外，人工种植的水土保持林，经济林也是丰富多彩。梨树县地势属于南高北低，东南部最高 点为大砂子山，西北最低点为团子山，全区地貌特征成阶梯地形，阶地沿河不连续，两岸不对称。
th th th
Received: Nov. 14 , 2017; accepted: Nov. 27 , 2017; published: Nov. 30 , 2017
Abstract
In recent years, with the rapid development of urban construction, soil and water loss problems also gradually are paid attention by people. A series of studies have been conducted by experts at home and abroad from all aspects of the reason of soil and water loss, effect, rule and effective control measures. Analysis of remote sensing data and GIS technique has become an effective source of data for the research of soil erosion. Based on the analysis of domestic and foreign research urban heat island effect, on the basis of a variety of methods, this paper adopts the method of combining the quantitative analysis of remote sensing with GIS, takes Lishu County as an example, the six factor model is used to calculate the soil erosion intensity, NDVI and binary model are used to calculate vegetation coverage, and according to the hydraulic erosion classification standard of ministry of water resources, the strength of soil erosion and vegetation coverage was graded, 2016 Lishu County soil erosion intensity distribution, and the relationship between vegetation coverage and soil erosion distribution are studied.