高分一号数据分辨率对植被覆盖度信息提取影响分析
汾河流域植被覆盖度时空特征与地形因子的关系
准的数据,如孙天瑶等 [7]选取 MODI
SNDVI数据 对
[
6]
流域则是山西人口 密 集、工 农 业 集 中 的 重 要 区 域,是
山西省重点的发 展 保 护 地 区。 汾 河 流 域 地 理 位 置 见
图 1。
塔里木河流域 2000—2018 年的植被覆盖度时空格局
a
rt
r
endana
l
i
s.As
s
o
c
i
a
t
edwi
t
hDEMda
t
at
her
e
l
a
t
i
onsh
i
twe
envege
t
a
t
i
onc
ove
r
age
ys
pbe
andt
opog
r
aph
i
cf
a
c
t
o
r
swa
sd
i
s
cus
s
ed.[
Re
su
l
t
s]Thevege
t
a
t
i
onc
ove
r
ageo
fFenheRi
″N,
110
°26
'42
″—
113
°
26
'56
″E。 汾 河 全 长 约 为 715km,主 要 流 经 运
城、临汾、吕 梁、晋 中、太 原、忻 州 等 地 级 市 中 的 43 个
县市(区),万荣县作 为 最 终 的 流 经 地,在 此 处 汇 入 黄
高分一号遥感影像地质灾害信息提取方法研究_李启源
Ｒesearch on the Geological Disasters Information Extraction Method in GF － 1 Ｒemote Sensing Image
LI Qi － yuan，WANG Ming － chang，WANG Feng － yan，TAN Yang，LU Li － ji
［7 ］
影像融合是将在空间、 时间、 波谱上冗余或互补的多 源遥感数据按照一定的规则 （ 或算法 ） 进行运算处理， 获 得比任何单一数据更精确、 更丰富的信息， 生成具有新的
［9 ］ 空间、 波谱、 时间特征的合成影像数据 。 影像通过融合 既可以提高多光谱影像空间分辨率， 又保留了其多光谱
。 可以通过建立一
［3 ］
3
3． 1
地质灾害信息提取
面向对象分类
。统计型是基于陆地表面变量和遥感
传统的基于像元的分类方法主要数据源为中低分辨 率的影像数据， 其分辨率低、 空间信息量少、 地物细节描 述不清楚。21 世纪以来， 高分辨率遥感影像发展迅速
［3 ］
数据的相关关系， 方法简单、 易于实现， 但不能获取真实
，
0Hale Waihona Puke 引言高。目前， 遥感影像信息解译的方法主要分为三大类
［3 ］
，
即人工解译、 计算机自动解译、 人机交互解译。 人工解译 的技术已经很成熟，但是存在人力成本高、 解译速度慢、 效率低而且对工作人员解译经验要求高等缺点
基于HJ_1高光谱数据的植被覆盖度估测方法研究
１ 引 言
植 被 覆 盖 度 （Ｆｒａｃｔｉｏｎａｌ Ｖｅｇｅｔａｔｉｏｎ Ｃｏｖｅｒ， ＦＶＣ）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 。 ［１～４］ 它 是 刻 画 地 表 植被覆盖的一个重 要 参 数，是 植 物 群 落 覆 盖 地 表 状 况的一个综合量化 指 标，是 描 述 生 态 系 统 的 重 要 基 础数据，在生态系统中发挥着非常重要的作用 。 ［５～７］
收稿日期 ：２０１０－０８－１１ 修订日期 ：２０１０－０９－２１
基 金 项 目 ：国 家 科 技 支 撑 计 划 重 点 项 目 课 题（编 号 ：２００７ＢＡＨ１２Ｂ０５）和 国 家８６３高 技 术 计 划 课 题（编 号 ：２００８ＡＡ１２Ｚ１１２）。 作 者 简 介 ：廖 春 华（１９８８～），女 ，硕 士 研 究 生 ，主 要 从 事 高 光 谱 遥 感 及 生 态 遥 感 方 面 的 研 究 。 Ｅ－ｍａｉｌ：ｘｎｌｉａｏｃｈｕｎｈｕａ＠１６３．ｃｏｍ
（北京大学遥感与 ＧＩＳ研究所，北京 １００８７１）
摘要：植被覆盖度是衡量地表植被状况的一个重 要 参 数 ，在 水 文、生 态 等 方 面 有 重 要 意 义 ，同 时，也 是 影 响 土 壤侵蚀与水土流失的主要因子 ，是评价土地荒漠化 最 有 效 的 指 标 。 以 环 境 一 号（ＨＪ－１）小 卫 星 上 搭 载 的 新 型 传 感 器 ＨＳＩ获取的高光谱数据为数据源 ，通 过 选 择 合 适 的 植 被 指 数 建 立 了 植 被 覆 盖 度 反 演 模 型 ———像 元 二 分 模 型。 然后运用该模型提取了新疆石河子地区的植被覆盖度信息 。通过与地面样方数据进行交互比较 ，对 ＨＪ－１／ＨＳＩ数 据反演植被覆盖度的精 度 进 行 了 评 价 。 研 究 结 果 表 明，ＨＪ－１／ＨＳＩ数 据 能 够 得 到 较 高 精 度 的 植 被 覆 盖 度 反 演 结 果，在植被动态及全球变化研究领域具有潜在应用价值 。
应用国产高分一号卫星数据提取风蚀荒漠化遥感信息方法研究
应用国产高分一号卫星数据提取风蚀荒漠化遥感信息方法研究作者：葛超英李战徐雯佳来源：《西部资源》2018年第01期摘要：基于国产高分一号卫星数据，建立荒漠化遥感信息产品指标体系，利用风蚀荒漠化影响因子对荒漠化遥感信息进行分级提取。
该方法以国产高分一号影像数据为风蚀荒漠化分类特征波段，利用面向对象方法，分离非荒漠化信息、建立风蚀荒漠化分类提取方法，并进行风蚀荒漠化提取方法精度评价。
本文介绍了在民勤地区应用国产高分一号卫星遥感数据提取风蚀荒漠化分级信息的实例。
关键词：国产高分一号卫星；风蚀荒漠化；面向对象1.引言荒漠化对我国生态环境、经济的可持续发展等带来严重影响，如何有效调查统计、控制沙漠化发展具有重要的现实意义。
随着我国国产高分卫星数据的多光谱、多时相、多空间分辨率的出现，为荒漠化信息提取提供了丰富的信息源。
本文在综合研究以往荒漠化指标体系的基础上，利用国产高分一号卫星数据，结合3S（GIS、GPS、RS）技术，研究风蚀荒漠化提取方法并进行精度评价。
2.研究区概况研究区位于甘肃省民勤县，地理范围为东经103°00′～103°15′，北纬38°30′～38°40′。
研究区位于河西走廊东北部，西、北、东三面环沙，在巴丹吉林沙漠和腾格里沙漠两大沙漠的半包围中。
属温带荒漠气候区、典型的荒漠生态类型区。
3.数据源及其预处理3.1数据源研究区荒漠化信息提取选取国产高分一号数据，包含分辨率为2m的全色数据和8m的多光谱数据，时相为2015年6月9日。
3.2数据预处理高分一号卫星的数据预处理主要包括大气校正和几何校正两部分。
其中大气校正利用ENVI软件提供的FLAASH模型，设置大气模型和气溶胶类型等参数；几何校正借助RPC文件、DEM和参考影像，利用ENVI软件进行正射校正，控制点残差中误差不大于1个像素。
此外，为排除影像数据中云的影响，还要进行云检测。
4.研究方法4.1土地荒漠化程度分级指标朱震达（1984）提出了荒漠化程度判定指标体系。
国产遥感卫星数据质量如何？高分一号、二号卫星VSLandsat?8卫星多光谱数据
国产遥感卫星数据质量如何？高分一号、二号卫星VSLandsat⁃8卫星多光谱数据本文改编自学术论文《GF⁃1、GF⁃2与Landsat⁃8卫星多光谱数据的交互对比》刊载于《武汉大学学报·信息科学版》2020年第45卷第1期吴晓萍1，2 徐涵秋1，2 蒋乔灵1, 21 福州大学环境与资源学院空间数据挖掘与信息共享教育部重点实验室2福州大学遥感信息工程研究所福建省水土流失遥感监测评价重点实验室一旦美国政府对Landsat系列卫星数据重新采用收费政策,国产卫星数据质量是否值得信任？作者基于两组敦煌定标场的GF-1 PMS2、GF-2 PMS1与Landsat-8 OLI（operational land imager）同步影像，对3种传感器之间表观反射率数据的一致性进行交互对比，得出如下结论：两种国产高分卫星(高分一号、高分二号)在蓝、绿、红波段的信号均强于Landsat-8，但在近红外波段大部分的反射率范围内，Landsat -8 的信号都比国产高分卫星强。
鉴于此，建议今后国产卫星在研发设计时能够对考虑近红外波段的光谱范围进行调整，以缩小与国际上定标精度较高的卫星之间的信号差距。
当不同传感器的数据差距较大时，转换方程可以有效缩小它们之间的差距。
但当差距较小时（如RMSE<0.01），则缩小的差距不明显，甚至会出现“矫枉过正”的现象，因此不需要进行校正。
引用吴晓萍,徐涵秋,蒋乔灵.GF-1、GF-2与Landsat-8卫星多光谱数据的交互对比[J].武汉大学学报·信息科学版,2020,45(01):150-158. doi:10.13203/j.whugis201900842018年4月，Nature刊出新闻，美国政府正在考虑对长期免费使用的Landsat系列卫星数据重新采用收费政策。
若美国政府一旦采用该政策，我国遥感领域的研究必将更多地依赖于国产卫星数据，因此提高国产卫星影像数据的精度就成为亟需解决的问题。
不同植被指数和无人机航高对草地盖度估测精度的影响
11-19草 业 科 学第 38 卷第 1 期1/2021PRATACULTURAL SCIENCE Vol.38, No.1DOI: 10.11829/j.issn.1001-0629.2020-0115伏帅，张勇辉，李佳吕，王萌榛，彭璐，冯琦胜，梁天刚. 不同植被指数和无人机航高对草地盖度估测精度的影响. 草业科学, 2021, 38(1): 11-19.FU S, ZHANG Y H, LI J L, WANG M Z, PENG L, FENG Q S, LIANG T G. Influence of different vegetation indices and heights of UAVs on the accuracy of grassland coverage estimation. Pratacultural Science, 2021, 38(1): 11-19.不同植被指数和无人机航高对草地盖度估测精度的影响伏 帅，张勇辉，李佳吕，王萌榛，彭 璐，冯琦胜，梁天刚（兰州大学草地农业生态系统国家重点实验室 / 兰州大学农业农村部草牧业创新重点实验室 /兰州大学草地农业教育部工程研究中心 / 兰州大学草地农业科技学院，甘肃 兰州 730020）摘要：搭载高清数码相机的无人机在草地资源调查等方面具有成本低廉、机动性高、观察范围大等突出优势，拥有广阔的发展前景。
本研究使用小型无人机(unmanned aerial vehicle, UAV)、手机相机等设备获取草地盖度数据，选用植被因子指数(vegetative index, VEG)、超绿指数(excess green index, ExG)、超绿超红差分指数(excess green minus excess red index, ExGR)和绿叶指数(green leaf index, GLI) 4种基于可见光的植被指数提取草地盖度信息，从无人机航高、草地盖度水平等方面分析各植被指数的适用性。
基于高光谱技术的林场植被覆盖率与统计方法研究
基于高光谱技术的林场植被覆盖率与统计方法研究发表时间：2019-04-30T16:20:05.947Z 来源：《基层建设》2019年第5期作者：虞宏宇陈朗凡李宇森[导读] 摘要：关于植被分布和分类的数据对某区域内自然环境的保护和监管十分重要。
北京中学 100018摘要：关于植被分布和分类的数据对某区域内自然环境的保护和监管十分重要。
本文采用无人机和成像光谱仪进行目标区域图像的采集，之后将数据导入ENVI 软件分析。
本文主要探讨了两种不同的分类方法（波谱角法和支持向量机）在植被分类方面的的优劣，以及分类后处理次数对于植被分类结果的影响。
实验结果表明两种分类方法的结果相差不大，但是支持向量机需要花费大量的时间，因此相较之下波谱角法更有优势。
同时结果也表明分类后处理次数在达到三次左右后将不再能显著提升分类的准确性。
在分析完后将数据导出，可以根据图像的比例具体计算实际的植被覆盖面积。
关键词：高光谱；植被分类；植被覆盖率；波谱角法；支持向量机 1引言绿水青山就是金山银山，保护生态环境是多年以来国际上备受讨论的热点问题。
植被的多样性和覆盖率是直观反应一个地区生态状况的重要要素。
在林场的植被监测中，植被种类及覆盖率的调查是其基础，但是传统的地面调查不仅耗费人力资源，效率也低。
高光谱遥感技术能通过高光谱传感器探测物体反射的电磁波，获得林地植被的高光谱影像数据。
已有研究表明，不同种类的植被具有不同的光谱特性，这为植被精细种群分类提供了可能。
林场是拥有很多珍惜的动植物，因此对于植物覆盖率和种类变化的监管十分重要。
本研究基于无人机载高光谱成像仪获取了某林场的高光谱数据，利用林场中不同植被具有不同光谱反射率这一特性来进行植被种类的归类和识别，从而得到植被种群分布专题图及每种植被占地面积。
实验结果表明，利用无人机的快速影像获取能力，有助于更精细的监测林场的植被多样性和对应的分布信息，为林场管理提供了依据。
2仪器设备与方法本研究利用对称双桨X8 飞行器搭载ZK-VNIR-A120 0 机载高光谱成像仪获取研究区高光谱影像，其光谱范围为 400-1000nm，光谱分辨率为 3nm，谱段数为 270。
水土流失遥感调查中植被覆盖度因子提取研究
水土流失遥感调查中植被覆盖度因子提取研究褚琳;王天巍;朱永清;蔡崇法;王军光【摘要】植被覆盖度是水土流失的主要影响因子,而利用遥感影像判读可以快速有效地获得大范围的植被覆盖度.简要介绍了水土流失遥感调查中植被覆盖度因子提取的方法.基于遥感与实地野外调查数据,采用MODIS时序数据融合高分遥感数据的方法,以湖南省蓝山县为试验区,对植被覆盖度因子进行了提取.结果表明,该方法提取植被覆盖度因子的结果较理想.提出的植被覆盖度因子提取方法对今后的水土流失动态监测研究具有重要的理论意义和实践意义.【期刊名称】《人民长江》【年(卷),期】2017(048)012【总页数】6页(P70-74,83)【关键词】植被覆盖度;土地利用;遥感;水土流失;长江流域【作者】褚琳;王天巍;朱永清;蔡崇法;王军光【作者单位】华中农业大学农业部长江中下游耕地保育重点实验室,湖北武汉430070;华中农业大学资源与环境学院,湖北武汉 430070;华中农业大学农业部长江中下游耕地保育重点实验室,湖北武汉 430070;华中农业大学资源与环境学院,湖北武汉 430070;长江水利委员会长江流域水土保持监测中心站, 湖北武汉430015;华中农业大学农业部长江中下游耕地保育重点实验室,湖北武汉 430070;华中农业大学资源与环境学院,湖北武汉 430070;华中农业大学农业部长江中下游耕地保育重点实验室,湖北武汉 430070;华中农业大学资源与环境学院,湖北武汉 430070【正文语种】中文【中图分类】S157水土流失已成为全球性的环境问题之一，严重威胁着人类生存与经济社会可持续发展[1-3]。
我国是世界上水土流失最为严重的国家之一，水土流失面积大、危害重、分布广、治理难，严重威胁我国的生态、粮食和防洪安全。
及时监测土壤侵蚀状况，掌握水土流失情况，是我国水土保持管理工作的主要内容之一[4]。
基于遥感与地理信息系统技术方法可以提高土壤侵蚀监测工作的效率，为水土保持工作提供科学决策依据[5-6]。
- 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)。
高分一号数据分辨率对植被覆盖度信息提取影响分析作者：刘志军莫荣海孙喜娇吕晓梅来源：《农村经济与科技》2019年第15期[摘要]精确的掌握地表植被覆盖度信息能够为生态环境建设提供可靠的参考数据。
选取GF1-WFV（16m）影像、GF1-PMS（8m）影像、融合（2m）影像，并对这些影像进行处理提取植被覆盖度信息，进一步分析不同影像之间植被覆盖度信息的差异性。
研究结果表明：高分一号影像随着分辨率的提高，影像植被覆盖度的空间结构逐渐明显清晰，纹理越平滑，细节信息越明显;植被覆盖度信息量随影像分辨率提高，所含信息量不断增加，提取的效果增强，同时植被覆盖度信息分布呈现中间聚拢的状态;GF1-WFV影像、GF1-PMS影像、融合影像的植被覆盖度估算的精度分别为63.11%、73.88%、82.13%。
因此，高分一号不同分辨率的影像对植被覆盖度的提取差异明显。
[关键词]高分一号;分辨率;植被覆盖度[中图分类号]S771.8 [文献标识码]A植被覆盖度信息不仅是地表重要的信息指标，而且还是生态环境监测的重要数据。
目前，我国植被覆盖度信息提取主要依赖于遥感估算，影像的分辨率对植被覆盖度估算的精度影响最大，因此，研究不同分辨率影像对植被覆盖度信息提取的差异性具有重要意义。
随着我国高分一号卫星的投入使用，使得更高精度的植被覆盖度信息提取得以实现，研究高分一号不同分辨率影像下植被覆盖度信息提取的差异性，从而得出不同分辨率对植被覆盖度估算精度的影响，不仅可以推动高分一号数据在植被覆盖度估算研究中的应用，还为今后的生态文明建设提供理论与实践依据。
1 数据及研究方法1.1 数据介绍1.1.1 高分一号WFV/PMS数据。
高分一号卫星是我国高分辨率对地观测系统的第一颗卫星，它搭载了8m分辨率多光谱和两台2m分辨率全色相机，四台16m分辨率多光谱相机。
高分一号数据为今后开展土地资源调查与监测、生态环境调查监测等提供了高精度、高时效的数据来源，在国产卫星数据中发挥重要作用。
1.1.2 融合数据。
本文使用GF1-PMS影像（8m）与GF1全色影像（2m）融合得到分辨率为2m的融合影像，通过影像融合可以重采样生成一幅具有高分辨率影像的纹理信息又有低分辨率的多光谱信息的影像。
1.1.3 数据预处理。
本文选用2016年4月18日的GF1-WFV影像和2016年5月05日的GF1-PMS影像，其两幅影像的云量为0，并ENVI软件对影像进行辐射定标、大气校正、多光谱/全色正射校正、和去云等对原始数据进行了预处理，选取归一化植被指数，采用像元二分模型对地表植被进行估算，并通过野外调查结果进行验证。
1.2 研究方法1.2.1 植被指数模型选取。
植被指数（Vegetation Index，VI），又称光谱植被指数，是指由遥感传感器获取的光谱数据，经过线性和非线性的组合运算的对植被具有一定指示意义的各种数值，是衡量地表植被状况、指示生态环境变化的一个重要指标。
目前，在国内外研究结果中有大约150种植被指数的计算模型，其中常用的植被指数有：垂直植被指数（Perpendicular Vegetation Index，PVI）、归一化植被指数（Normalized Difference vegetation Index，NDVI）、比值植被指数（Ratio Vegetation Index，RVI）、增强植被指數（Enhanced Vegetation Index，EVI）。
本文根据研究区植被覆盖状况，选取应用最广泛的植被指数NDVI模型，利用NDVI不仅能较为真实地反映地表植被覆盖状况，也能大范围长时间序列地监测地表植被覆盖的变化。
1.2.2 像元二分模型。
目前，在利用遥感估算植被覆盖度时最常用的模型有：植被指数模型、混合光谱模型、亚像元模型和光谱梯度差模型。
在这些植被指数中像元二分模型是最常用的植被覆盖度计算模型，其模型计算公式如下：VFC=（NDVI-NDVIsoil）/（NDVIveg-NDVIsoil）式中：VFC表示植被覆盖度;NDVI表示像元的NDVI值;NDVIsoil表示完全是裸地或者无植被覆盖的像元NDVI值;NDVIveg表示完全有植被覆盖的像元NDVI值。
利用像元二分模型计算植被覆盖度最关键的是计算模型中的NDVIsoil和NDVIveg值，两个值的计算公式为：NDVIsoil=（VFCmax*NDVImin-VFCmin*NDVImax）/（VFCmax-VFCmin）NDVIveg=（1-VFCmin）*NDVImax-（1-VFCmax*NDVImax）/（VFCmax-VFCmin）这里计算有两种假设：①当区域内可以近似取VFCmax=100%，VFCm=0%，公式可变为：式中：NDVImin是研究区内像元的NDVI最小值;NDVImax是研究区内像元的NDVI最大值。
②当区域内不能近似取VFCmax=100%，VFCm=0%时，如果有实测数据，可以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的图像的NDVI作为NDVImax和NDVImin。
当没有实测数据时，取一定置信度的置信区间中的上限值、下限值。
本研究选取NDVI频率累计表上5%频率对应的值为NDVImin，选取NDVI频率累计表上95%频率对应的值为NDVImax。
1.2.3 植被覆盖度估算和验证。
在像元二分模型中，NDVIveg代表着全部植被覆盖像元的最大值，由于受地表植被类型的影响，NDVIveg值也会随着时间和空间的变化而变化，同理NDVIsoil也会发生变化。
因此，计算植被覆盖度时，对于NDVIveg和NDVIsoil值不能取固定值。
本研究利用土地覆盖图分别求解不同土地覆盖类型内的NDVImax和NDVImin作为NDVIveg和NDVIsoil，可以得到NDVIveg和NDVIsoil的参数文件。
步骤如下：①获取土地覆盖类型阈值，本研究选取每个土地覆盖类型的NDVI频率累计表上5%频率对应的值为NDVImin，选取NDVI频率累计表上95%频率对应的值为NDVImax。
②根据阈值分别生成NDVIsoil和NDVIveg参数文件，主要使用bandmath工具，表达式：NDVIsoil：b1*NDVImin+b2*NDVImin+b3*NDVImin+b4*NDVImin+b5*NDVImin，其中b1、b2、b3、b4、b5为土地覆盖类型的掩膜文件。
③利用得到的NDVIsoil和NDVIveg参数文件带入公式VFC=（NDVI-NDVIsoil）/（NDVIveg-NDVIsoil），运用Bandmath计算，去除异常值得到研究区的植被覆盖度。
本研究对植被覆盖度的验证方法主要是通过野外调查结果进行验证，具体步骤：首先在ArcGIS软件中建立公里网格，通过影像筛选出一定数量的实测点;其次进行野外样地的实地调查，最后通过样点和实测数据计算估算的精度。
1.2.4 植被覆盖度分级。
参照中华人民共和国水利部批准《土壤侵蚀分类分级标准》（SL190—2007），同时根据研究区植被分布特征，将植被覆盖进行盖度分级，共分为5个等级，分别为对应植被覆盖度为<30%、30%～45%、45%～60%、60%～75%、>75%。
2 结果与分析2.1 不同影像的植被覆盖度图像分析为了研究GF1-WFV影像、GF1-PMS影像、融合影像的分辨率对植被覆盖度的影响，采用像元二分模型估算地表植被覆盖度，从图1中可以看出随着影像分辨率不断提高，植被覆盖度图像的结构逐渐变清晰，细节更明显，纹理更平滑。
GF1-WFV影像的植被覆盖度图的结构模糊，不能清晰地表达研究区的植被总体分布情况和植被覆盖度情况，同时局部区域植被覆盖度不能被区分，信息不能完整的表达。
融合影像的植被覆盖度的分布情况整体和GF1-PMS影像相似，但在局部区域植被覆盖度的分类更细致，说明同一个分辨率的多光谱数据和融合高分辨的数据，在植被覆盖度的空间结构和分布上没有太大的差异。
从植被覆盖度提取来看GF1-WFV影像很多植被覆盖度等级信息没有提取出来，存在信息缺失。
2.2 不同影像的植被覆盖度等级占比分析从表1可以看出不同影像的植被覆盖度分布呈现以下规律：①随着影像分辨率的提高，植被覆盖度分级结果在不同影像中所占的比例有明显变化，随着分辨率的提高植被覆盖度<75%以下的等级所占比例逐渐下降，植被覆盖度>75%的占比逐渐上升。
②三个影像的植被覆盖度边缘等级变化最明显，也就是最高植被覆盖度和最低植被覆盖度变化最明显。
随着分辨率的提高，植被覆盖度<30%的等级所占比例明显下降，整体下降了9.60%，植被覆盖度>75%的等级所占比例明显上升，整体上升了16.25%。
说明GF1-WFV影像的植被覆盖度在<30%和>75%时，植被覆盖度信息均出现较大误差。
③对比三个影像的植被覆盖度分级占比可以看出GF1-WFV影像和GF1-PMS影像的占比变化最明显，GF1-PMS影像和融合影像的变化不大。
从表1可以得出GF1-WFV影像到GF1-PMS影像植被覆盖度等级从小到大分别变化了7.66%、3.24%、2.47%、2.39%、15.75%，GF1-PMS影像到融合影像植被覆盖度等级从小到大分别变化了1.94%、2.65%、2.84%、2.03%、5.40%。
GF1-WFV影像与GF1-PMS影像植被覆盖度占比变化最大为15.75，GF1-PMS影像与融合影像的植被覆盖度占比变化最大仅为5.40%。
④结合植被覆盖度直方图和植被覆盖度空间分布图可以看出，GF1-WFV影像的植被覆盖度估算的能力较差，在植被覆盖度<30%和>75%的估算精度不高，在局部的植被覆盖度分布上很粗糙、模糊，存在一定的植被覆蓋度信息缺失。
因此GF1-WFV影像不适合植被覆盖度的提取。
2.3 不同影像的植被覆盖度提取精度分析为了评价植被覆盖度估算的精度，本文研究通过实地采样，在区域内布设公里网格，选取30个精度验证点，通过调查得到样点的真实植被覆盖度。
通过计算得到GF1-WFV影像、GF1-PMS影像、融合影像的植被覆盖度精度分别为63.11%、73.88%、82.11%，综上可以看出，随着影像分辨率的提高，高分辨率影像的精度明显高于低分辨率影像的精度。
3 结论GF1-WFV影像、GF1-PMS影像、融合影像随着遥感影像的分辨率不断提高，植被覆盖度图像的结构逐渐变得清晰，细节更明显，纹理更平滑。
同时GF1-WFV影像很多植被覆盖度等级信息没有提取出来，存在较大信息缺失。
随着分辨率的提高植被覆盖度<75%以下的等级所占比例逐渐下降，植被覆盖度>75%的占比逐渐上升。