元分解密度模型求取植被覆盖度

由于模型中需要有纯植被覆盖和纯裸土的像元,这就限制了低分辨率遥感数据的使用,因为对于很多地区,在低分辨率数据中都很难找到纯植被覆盖的像元。

Gutman等在像元二分模型基础上,又提出了利用像元分解密度模型求取植被覆盖度的方法(Gutman et al.,1998)。他根据不同像元的植被分布特征,将像元分为均一像元(Uniform Pixel)和混合像元(Mosaic Pixel) ,而混合像元又进一步分为等密度、非等密度和混合密度亚像元(Dense Vegetation，Non-dense Vegetation，Variable Density Vege-tation)。针对不同的亚像元结构,分别建立不同的植被覆盖度模型，与土地覆盖分类相结合,综合运用了亚像元分解模型中的“等密度模型”与“非等密度模型”计算植被覆盖度。从某种程度上来说,混合像元分解模型最关键的地方还是要提取“纯”像元,实现遥感探测的光谱信号到植被物理参数的转换。

Xiao等用不同的方法估算美国新墨西哥州大概4000km2范围的植被覆盖度(Xiaoand Moody，2005)。光谱混合像元分解模型(SMA3,SMA4, SMA5and NDVI-SMA)和基于NDVI线性回归模型两大类方法估算植被覆盖度之间的对比分析,同时对于SMA3,SMA4 以及SMA5方法又考虑了是否加上不同组分在混合像元中的比例之和为1这样的约束条件来分析讨论。

基于NDVI对于干旱和半干旱区域的植被覆盖度估算是比较合适而且简单的方法;但同时也应该注意到,对于基于NDVI的植被覆盖度估算方法对土壤背景的反射很敏感,因此,稀疏植被区域NDVI的偏大会导致植被覆盖度的高估。而对于混合像元分解方法，如何选择构成混合像元的组分数及各端像元的选择是影响植被覆盖度估算的主要原因,这主要取决于研究区域的植被结构和分布状况。经作者研究发现SMA5更适用于他们研究区域的植被覆盖度估算。