森林与环境学报  2018, Vol. 38 Issue (2): 164-170   PDF    
http://dx.doi.org/10.13324/j.cnki.jfcf.2018.02.006
0

文章信息

苏艳琴, 赖日文, 闫琦, 余莉莉, 李红霖, 赖炽敏
SU Yanqin, LAI Riwen, YAN Qi, YU Lili, LI Honglin, LAI Chimin
植被覆盖度提取及景观格局分析
Extraction of vegetation coverage and analysis of landscape pattern
森林与环境学报,2018, 38(2): 164-170.
Journal of Forest and Environment,2018, 38(2): 164-170.
http://dx.doi.org/10.13324/j.cnki.jfcf.2018.02.006

文章历史

收稿日期: 2017-09-29
修回日期: 2018-01-22
植被覆盖度提取及景观格局分析
苏艳琴, 赖日文, 闫琦, 余莉莉, 李红霖, 赖炽敏     
福建农林大学林学院, 福建 福州 350002
摘要:以福建省三明市沙县为例,利用线性光谱混合模型提取植被覆盖度,在对比原始影像构建的四端元模型与加入归一化植被指数的影像构建的五端元模型反演精度的基础上,选择精度更高的五端元模型估算1996、2004、2014年沙县的植被覆盖度,并分析其变化及景观格局。结果表明:沙县植被覆盖结构以高植被覆盖度为主导,高植被覆盖度的区域面积占全县面积的57.87%以上。1996年植被覆盖度最差,1996-2004年,植被覆盖度大幅度上升,增加区域面积比例高达35.15%;2004-2014年,由于城市发展需要,植被覆盖度下降明显,下降区域面积占8.99%,主要分布在沙县中部和北面片区。从植被覆盖度的景观格局来看,极低、低、高植被覆盖度的破碎化程度低,分布较为集中;1996-2014年,极低、低植被覆盖度的破碎化程度先降低后升高,与人类活动有着密切关系。
关键词植被覆盖度    归一化植被指数    端元    线性光谱混合模型    景观格局    
Extraction of vegetation coverage and analysis of landscape pattern
SU Yanqin, LAI Riwen, YAN Qi, YU Lili, LI Honglin, LAI Chimin     
College of Forestry, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China
Abstract: Taking Shaxian County, Sanming City, Fujian Province as an example, vegetation coverage was extraction through four-endmember model builted by original Landsat image and five-endmember linear spectral mixture model built by Landsat image merged with the normalized different vegetation index. After comparing the accuracy of four-endmember and five-endmember, this study used the five-endmember which has higher precision to estimate the vegetation coverage of Shaxian in 1996, 2004, 2014, respectively. This paper analyzed the changes of vegetation coverage and its landscape pattern. The results showed that the vegetation coverage structure of Shaxian mainly was high vegetation coverage which accounted for more than 57.87% in the county area. The worst vegetation coverage was in 1996. In 1996-2004, vegetation coverage significantly increased in a rate of 35.15%. From 2004 to 2014, the vegetation coverage significantly decreased due to urban development in a rate of 8.99%, mainly in the middle and north of Shaxian. From the landscape pattern of the vegetation coverage, the degree of fragmentation of very low, low and high vegetation coverage were low showing a concentrative distribution. The degree of fragmentation of very low and low vegetation coverage decreased first and then increased during 1996 to 2014, which was closely related to human activities.
Key words: vegetation coverage     normalized difference vegetation index     endmember     linear spectral mixture model     landscape pattern    

植被覆盖度是描述地表植被的重要参数与生态环境的基本指标[1],在大气圈、土壤圈、水圈和生物圈中都占据着重要的地位,区域及全球范围的植被覆盖度估算对植被及相关领域的研究具有重要意义[2-3]。目前,国内外很多学者对植被覆盖度变化及驱动力因子进行了大量研究[4-6],但是对植被覆盖度景观格局的研究相对缺乏。植被覆盖度的景观格局能反映在环境异质性、干扰综合控制下植被空间分布的动态变化特征,揭示植被覆盖情况与自然因素、人为干扰之间的作用特征[7-9]。研究植被景观格局演变规律,有利于探索人类活动对植被景观格局变化的影响机制,为区域发展提供重要依据。

遥感技术是获取植被覆盖信息的主要手段,估算方法主要有回归模型法、混合像元分解法、机器学习方法[3]。混合像元分解模型中的线性光谱混合模型(linear spectral mixture model,LSMM)原理简单,参数易于获得,端元的选择具有灵活性,近年来被广泛运用于各种特定区域植被覆盖度的选取[9-10]。张灿等[11]基于Landsat影像构造了四端元(植被-高反射率地物-低反射率地物-土壤)模型,并以此建立LSMM来分析丘陵区植被覆盖情况,取得较好的结果。崔天翔等[12]在Landsat原始影像上增加归一化植被指数(normalized difference vegetation index,NDVI)扩展数据维,分别基于四端元和五端元建立的LSMM估算了城市湿地植被覆盖度,结果证明由增加NDVI的影像构建五端元(陆生植物-水生植物-高反射率地物-低反射率地物-土壤)能够获得更好的估算结果。

南方丘陵区植被覆盖度较高,丘陵地形复杂且不规则,植被覆盖度估算精度受地形起伏影响强烈[13]。在对LSMM的运用过程中,中等分辨率Landsat TM/OLI影像的可见光波段相关性较高,通常最多可以使用四种类型端元[14],不能充分表达山地地物类型。因此,研究以福建省三明市沙县为例,在原始影像上增加NDVI扩展数据维来改进端元选取数量,采用不同端元的LSMM反演植被覆盖度,以探讨适合南方丘陵区植被覆盖度估算的方法,并以此为基础,动态监测植被覆盖度与景观格局的变化,以期为当地资源合理开发与生态环境治理提供科学依据。

1 研究区概况与遥感影像处理 1.1 研究区概况

沙县隶属于福建省三明市,位于福建省中部偏北、武夷山脉与戴云山脉之间,闽江支流沙溪下游,属低山丘陵地带。研究区位于东经117°32′~118°06′,北纬26°06′~26°41′,属于亚热带季风气候,年平均气温15.6~19.6 ℃,年平均降水量1 510~1 840 mm。沙县是南方重点集体林区县之一,森林资源较好,近年,随着经济实力逐步加强,产业结构的调整,生态环境发生了较大变化。

1.2 遥感影像处理

研究使用的Landsat系列影像来源于地理空间数据云平台,获取时间分别为1996年10月30日(TM)、2004年10月5日(TM)、2014年10月17日(OLI)、2014年2月3日(OLI)。选2014年2月3日这期数据作为植被覆盖度提取的数据源;1996年10月30日、2004年10月5日、2014年10月17日3期10月份获取的遥感数据为后期植被覆盖度动态监测和景观格局分析数据。对Landsat卫星数据进行辐射定标、大气校正、几何校正、裁剪等预处理。

高分辨率影像数据为资源三号卫星数据,其全色波段分辨率为2.1 m,多光谱分辨率为5.8 m,采用融合、配准后的资源三号影像对2014年2月3日这期OLI影像的植被覆盖度进行验证。研究区覆盖四景资源三号卫星影像,成像时间为2014年1月27日和2014年3月22日,与2014年2月3日的OLI影像获取时间相近,因此可认为两种数据源反映的植被信息基本相同。

2 研究方法 2.1 线性光谱混合模型

线性光谱混合模型是假定太阳入射辐射只与一种地物表面发生作用,物体之间没有相互作用,而传感器在一定瞬时视场角内所观察到的像元反射率(亮度值)是由构成像元的基本组分的反射率(亮度值)以其所占像元面积比例为权重系数的线性组合[9-12],其数学表达式如下:

${R_{i\lambda }} = \sum\limits_{k = 1}^n {{f_{ki}}} {C_{k\lambda }} + {\varepsilon _{i\lambda }}$ (1)

式中:R为第λ个波段第i个像元的光谱反射率,fki为第i个像元第k种基本成分所占的分量值,C为第k个组分在第λ波段的光谱反射率,ε为残差;n为端元的数目。

为实现方程求解,端元的数目要小于等于可用波段数目(假设为m)加1(即nm+1)[15],才能利用最小二乘法进行求解。在求解端元所占比率的过程中需要满足两个限制条件:仅满足公式(1)为无约束LSMM,满足公式(1)(2)为半约束LSMM,同时满足公式(1)(2)(3)称为全约束LSMM。研究表明,相对于无约束LSMM和半约束LSMM,全约束LSMM更能真实表达地表覆盖的真实情况[12],本研究采用全约束算法。

(1) 各端元组分分量之和为1,即:

$\sum\limits_{k = 1}^n {{f_k}} = 1$ (2)

(2) 各端元组分分量为非负,即:

${f_k} \ge 0$ (3)
2.2 端元提取

端元的选取主要通过光谱仪实测获得“参考端元”和从遥感影像上直接提取获得“影像端元”[16],由于实测端元波谱与影像波谱存在较大的差异,因此,本研究直接从影像当中获取端元。线性光谱混合模型最常用的为植被-高反射率地物-低反射率地物-土壤的四端元模型。由于该模型没有包含水体,在进行最小噪声分离变换(minimum noise fraction,MNF)变换消除影像波段间的相关性之前需要进行水体掩膜,采用归一化差异水指数(normalized difference water index,NDWI)达到突出水体信息的目的,将NDWI阈值大于0.15的作为纯水体。经过MNF变换的结果用于计算纯净像元指数(pixel purity index,PPI),最后用n维可视化工具进行端元提取。区域内覆盖大量植被,提取的纯净像元大多为植被,较难发现和提取纯净端元。研究结合裸土指数,将可能是裸土的地方设置为感兴趣区域,结合PPI,反复尝试,进行端元提取。

构建植被-高反射率地物-低反射率地物-裸土的四端元模型后,运用LSMM获取植被丰度图(即植被覆盖度)。研究区的植被主要分布在山地上,地形的起伏会给植被覆盖度估算带来误差。因此,研究将NDVI与原始Landsat影像合并,构建亮区植被-暗区植被-高反射率地物-低反射率地物-裸土的五端元模型,运用LSMM获取亮区与暗区植被丰度图(两者相加即为植被覆盖度)。

2.3 精度验证

采用高分辨率影像的亚像元对比法进行验证[17]。在2014年2月3日的OLI影像上随机均匀选择130个样本点,以采样点对应的像元为中心,选择一个3×3的像元窗口,计算样区的植被覆盖度平均值,即估算值。在配准好的同期资源三号卫星影像图上找出对应的区域,采用目视解译的方法,勾勒出植被的区域[12],根据植被覆盖度定义计算植被在样区所占的比例获得植被覆盖度检验值。植被覆盖度的估算精度采用相关系数(R)和均方根误差(root mean square error,RMSE)来判断,值越大,相关程度越高;RMSE的值越小精度越高。计算公式为:

$R = \frac{{\sum\limits_{i = 1}^N {\left( {{X_i} - \bar X} \right)} \left( {{Y_i} - \bar Y} \right)}}{{\sqrt {\sum\limits_{i = 1}^N {{{\left( {{X_i} - \bar X} \right)}^2}} } \sqrt {\sum\limits_{i = 1}^N {{{\left( {{Y_i} - \bar Y} \right)}^2}} } }}$ (4)
${E_{{\rm{RMS}}}} = \sqrt {\frac{{\sum\limits_{i = 1}^N {{{\left( {{X_i} - {Y_i}} \right)}^2}} }}{N}} $ (5)

式中:R为相关系数,ERMS为均方根误差,XiYi分别代表植被覆盖度的估算值和检验值,XY分别为估算值和检验值的平均值,N为样本数。

2.4 植被覆盖度等级划分

参考国家2008颁布的《土壤侵蚀分类分级标准》的覆盖度划分标准,将沙县植被覆盖度划分为6个等级:<15%(极低覆盖度Ⅰ)、15%~30%(低覆盖度Ⅱ)、30%~45%(中低覆盖度Ⅲ)、45%~60%(中覆盖度Ⅵ)、60%~75%(中高覆盖度Ⅴ)和>75%(高覆盖度Ⅵ)。

2.5 植被景观分析方法

将植被覆盖度分级图导入Fragstats4.2景观格局分析软件计算景观斑块密度(patch density,PD)、景观形状指数(landscape shape index,LSI)、散布与并列指数(interspersion juxtaposition index,IJI)和集聚度指数(aggregation index,AI)等景观指数来揭示不同等级植被覆盖度的空间变异特征,各个指数的含义及表达式见文献[18]。

3 结果与分析 3.1 植被覆盖度估算方法比较 3.1.1 端元波谱特征

图 1可知:暗区植被的反射率明显低于亮区植被反射率,但其NDVI值仍然比较高。如果在原始OLI影像的LSMM上增加暗区植被端元,容易与低反射率地物混淆;在原始OLI影像引入NDVI指数后,暗区植被的NDVI值在0.8~1.0之间,而低反射率地物的NDVI值则趋近于0,两者的区分度明显增加。各个端元有各自明显的波谱曲线特征及NDVI值,可以较好地表示不同的地物。

图 1 四端元与五端元模型的端元光谱曲线图 Fig. 1 Endmember spectral curve of four-endmember and five-endmember models
3.1.2 植被覆盖度反演结果对比

根据2.3所述的精度验证方法,对植被覆盖度进行精度验证(图 2)。经检验,在0.01的显著水平下四端元和五端元模型植被覆盖度的估算值与检验值相关系数分别为0.751 9和0.938 3,均方根误差分别为0.252 8和0.093 5。显然,五端元模型在各方面都有明显的优势,与四端元模型相比,相关系数提高了0.186 4,均方根误差降低了0.159 3,能够有效地提高植被覆盖度的反演精度。

图 2 四端元与五端元模型反演植被覆盖度精度 Fig. 2 Accuracy assessment of four-endmember and five-endmember models

综上,在原始影像中加入NDVI指数,改进端元选取的数量后,可以降低暗区植被与低反射率地物的混淆度,减轻阴阳坡植被覆盖度的差异,提高植被覆盖度的反演精度。因此,采用五端元模型研究沙县植被覆盖度的变化。

3.2 植被覆盖度分析 3.2.1 面积变化

采用五端元模型估算1996、2004、2014年10月份的沙县植被覆盖度。由表 1可知, 植被覆盖度等级以高植被覆盖度为主。1996年沙县植被覆盖情况最差,中低以下植被覆盖度面积占6.02%,高植被覆盖度面积仅占57.87%;2004年植被覆盖情况最好,中低以下植被覆盖度面积仅占1.04%,高植被覆盖度面积占84.18%。1996—2004年高植被覆盖度面积大幅度上升,增加473.10 km2;其他植被覆盖情况面积减少。2004—2014年,极低、低、中低、高植被覆盖度面积增加,中、中高植被覆盖度面积减少。

表 1 沙县不同植被覆盖度等级面积 Table 1 Area of different vegetation coverage levels from 1996 to 2014 in Shaxian
年度
Year
面积
Area
比例
Proportion
面积
Area
比例
Proportion
面积
Area
比例
Proportion
面积
Area
比例
Proportion
面积
Area
比例
Proportion
面积
Area
比例
Proportion
1996 55.52 3.09 55.90 3.11 119.29 6.63 199.50 11.10 327.42 18.21 1 040.5 57.87
2004 30.78 0.02 18.41 1.02 32.88 1.83 63.28 3.52 139.10 7.74 1 513.6 84.18
2014 43.94 2.45 30.66 1.71 41.32 2.30 56.51 3.15 99.05 5.52 1 522.5 84.87
注:面积单位为km2,比例单位为%。Note: the unit of area is km2, and the unit of proportion is %.
3.2.2 动态变化

为揭示沙县植被覆盖度动态变化的特征,获取了1996—2004、2004—2014、1996—2014期间的植被覆盖度动态变化(表 2图 3)。

表 2 沙县植被覆盖度变化情况 Table 2 Change of vegetation coverage from 1996 to 2014 in Shaxian
动态期间
Dynamic period
植被覆盖度增加Vegetation coverage increased 植被覆盖度降低Vegetation coverage reduced
+5 +4 +3 +2 +1 合计Total -5 -4 -3 -2 -1 合计Total
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
面积
Area/km2
比例
Proportion/%
1996—2004 6.81 0.38 24.27 1.35 78.07 4.34 185.68 10.33 353.52 19.66 648.34 36.06 35.02 1.95 13.04 0.73 6.78 0.38 3.60 0.20 1.40 0.08 59.85 3.33
2004—2014 0.89 0.05 3.53 0.20 12.48 0.69 37.86 2.11 112.02 6.23 166.78 9.28 77.39 4.30 35.66 1.98 22.03 1.23 14.55 0.81 12.09 0.67 161.72 8.99
1996—2014 5.45 0.30 22.58 1.26 77.50 4.31 183.76 10.22 342.75 19.06 632.05 35.15 39.80 2.21 21.31 1.19 12.65 0.70 6.72 0.37 3.22 0.18 83.70 4.65
注:“+”表示增加等级,“-”表示降低等级。Note: "+" indicates an increase, "-"indicates reduction in rank of vegetation coverage.
图 3 沙县植被覆盖度变化图 Fig. 3 Vegetation coverage change image in Shaxian

1996—2014年沙县植被覆盖度增长的区域面积占35.15%,下降的区域占1.65%,总体的生态环境趋势越来越好。1996—2004年植被覆盖度增长的区域占36.06%,远远超过下降的区域3.33%,增加幅度较大,向高植被覆盖增加两级以上的面积占了16.40%。2004—2014年沙县植被覆盖度增加的区域和降低的比例相当,分别占9.28%、8.99%;降低的区域分布较为零散,主要位于沙县中部及北面片区;下降的幅度比较大,植被覆盖度下降两级以上的面积占4.69%;而增加的幅度不大,主要向高等级的植被覆盖增加一级。

19 a来,沙县超过一半的土地植被覆盖度没有发生变化,说明这些区域保持完好。1996—2004年植被覆盖度影像图绿色区域远远大于红色区域,表明植被覆盖度普遍上升;绿色图斑较深较多的有三大片区:一是沙溪流域附近的凤岗街道办、虬江街道办、高砂镇、青州镇,主要与沙溪治理、植被景观改造有关;二是西南片区的南阳乡、郑湖乡,该片区是沙县水土流失治理示范点,因此,这期间,植被覆盖度也大幅度上升;三是北面片区的夏茂镇、高桥镇、富口镇,可能与城市绿地建设有关。2004—2014年由于城市发展,沙溪附近与北面片区的乡镇植被覆盖度下降明显。

3.3 景观格局分析

根据所选的景观指数,1996、2004、2014年,不同等级的植被覆盖度的PD值和LSI值按从大到小的排列顺序均为:中高覆盖度>中覆盖度>中低覆盖度>低覆盖度>高覆盖度>极低覆盖度。极低、低、高植被覆盖度的PD值与LSI值较低,说明总体上,极低、低、高植被覆盖度区域的景观破碎化程度低,主要是以连片形式存在,分布相对集中。1996—2004年,各个等级的PD值与LSI值都递减的趋势,说明景观破碎化程度降低,生态环境有所改善。极低、低植被覆盖度的区域主要是人类活动区域,1996—2004年PD值与LSI值的减少与城市的绿化建设有关;由于城镇发展需要,使得2004—2014年PD值与LSI值的增加。

高植被覆盖度和低植被覆盖度的AI值一直比较高,说明这两个等级的植被覆盖度区域分布较为集中,高植被覆盖度还呈现波动增加的趋势,表明其景观区域经过生态工程后不断集中;其他等级AI值较低,分布较为分散。由IJI值可知,1996—2014年中低植被覆盖度景观斑块的混合度最高,交替出现的规律明显;高植被覆盖度的景观破碎化程度低,其交替出现的规律不明显。

图 4 沙县不同等级植被覆盖度上的景观指数 Fig. 4 Landscape metrics of different levels of fractional vegetation coverage from 1996 to 2104 in Shaxian
4 讨论与结论

以南方丘陵区沙县为例,研究植被覆盖度的提取方法,并以此方法为基础,动态监测沙县植被覆盖度时空变化特征与景观格局演变规律。得出结论如下:(1) 相比四端元模型,在原始影像引入NDVI指数,选用亮区植被-暗区植被-高反射率地物-低反射率地物-裸土五端元模型反演的植被覆盖度精度更高,相关系数提高了0.186 4,均方根误差降低了0.159 3,这是因为沙县地形复杂,四端元模型不能充分反映其复杂的地物组成,五端元模型能够更好反映沙县植被覆盖度的实际情况,一定程度上可以削弱阴阳坡植被覆盖度的差异,因此,更适合沙县植被覆盖度的反演。

(2) 沙县是典型的“八山一水一分田”地表覆盖结构,总体植被覆盖度高,在覆盖结构上形成了以高植被覆盖度为主导的格局。1996—2004年不同等级覆盖度的变化表现为大幅度向高等级植被覆盖度转化,增加区域面积比例高达35.15%,在全境范围内都有增加,生态环境大大改善。2004—2014年植被覆盖度增加幅度小,零散分布在山地,但在城镇聚集地,植被覆盖度下降明显。

(3) 从植被覆盖度的景观格局来看:总体上,极低、低、高植被覆盖度的破碎化程度低,分布较为集中;中低植被覆盖度景观斑块的混合度最高,交替出现的规律明显。沙县政府绿化宜林荒山荒地、封山育林、营建防护林与防火林带等一系列森林保护措施取得很大成效,使高植被覆盖度区域不断集中成片。极低、低植被覆盖度区域在一定程度上可以表征城镇区域,反映城镇的生境质量。1996—2004年低、低植被覆盖度破碎化程度降低,表征城镇绿地景观格局趋好。2004—2014由于城市扩张导致极低、低植被覆盖度破碎化程度波动上升。

参考文献(References)
[1] 周伟, 刚成诚, 李建龙, 等. 1982-2010年中国草地覆盖度的时空动态及其对气候变化的响应[J]. 地理学报, 2014, 69(1): 15–30. DOI:10.11821/dlxb201401002
[2] 张学玲, 张莹, 牛德奎, 等. 基于TM NDVI的武功山山地草甸植被覆盖度时空变化研究[J]. 生态学报, 2018, 38(7): 1–10.
[3] 贾坤, 姚云军, 魏香琴, 等. 植被覆盖度遥感估算研究进展[J]. 地球科学进展, 2013, 28(7): 774–782. DOI:10.11867/j.issn.1001-8166.2013.07.0774
[4] DUO A, ZHAO W J, QU X Y, et al. Spatio-temporal variation of vegetation coverage and its response to climate change in North China plain in the last 33 years[J]. International Journal of Applied Earth Observations and Geoinformation, 2016, 53(4): 103–107.
[5] 赵舒怡, 宫兆宁, 刘旭颖. 2001-2013年华北地区植被覆盖度与干旱条件的相关分析[J]. 地理学报, 2015, 70(5): 717–729.
[6] 刘宇, 傅伯杰. 黄土高原植被覆盖度变化的地形分异及土地利用/覆被变化的影响[J]. 干旱区地理, 2013, 36(6): 1097–1102.
[7] 邬建国. 景观生态学-格局、过程、尺度与等级[M]. 2版. 北京: 高等教育出版社, 2007.
[8] 陈赛赛, 孙艳玲, 杨艳丽, 等. 三北防护林工程区植被景观格局变化分析[J]. 干旱区资源与环境, 2015, 29(12): 85–90.
[9] 李恒凯, 雷军, 杨柳. 基于Landsat影像的离子稀土矿区植被覆盖度提取及景观格局分析[J]. 农业工程学报, 2016, 32(10): 267–276. DOI:10.11975/j.issn.1002-6819.2016.10.037
[10] SOMERS B, ASNER G P, TITS L, et al. Endmember variability in spectral mixture analysis:a review[J]. Remote Sensing of Environment, 2011, 115(4): 1603–1616.
[11] 张灿, 徐涵秋, 张好, 等. 南方红壤典型水土流失区植被覆盖度变化及其生态效应评估:以福建省长汀县为例[J]. 自然资源学报, 2015, 30(6): 917–928. DOI:10.11849/zrzyxb.2015.06.003
[12] 崔天翔, 宫兆宁, 赵文吉, 等. 不同端元模型下湿地植被覆盖度的提取方法:以北京市野鸭湖湿地自然保护区为例[J]. 生态学报, 2013, 33(4): 1160–1171.
[13] 吴志杰, 何国金, 黄绍霖, 等. 南方丘陵区植被覆盖度遥感估算的地形效应评估[J]. 遥感学报, 2017, 21(1): 159–167.
[14] 乔程, 骆剑承, 沈占锋, 等. 端元匹配的遥感影像地物自适应光谱表征[J]. 红外与毫米波学报, 2012, 31(5): 449–454.
[15] 胡姝婧, 胡德勇, 赵文吉. 基于LSMM和改进的FCM提取城市植被覆盖度:以北京市海淀区为例[J]. 生态学报, 2010, 30(4): 1018–1024.
[16] 李素, 李文正, 周建军, 等. 遥感影像混合像元分解中的端元选择方法综述[J]. 地理与地理信息科学, 2007, 23(5): 35–38, 42.
[17] WU C S, MURRAY A T. Estimating imperious surface distribution by spectral mixture analysis[J]. International Journal of Remote Sensing, 2003, 84(4): 493–505.
[18] 何东进. 景观生态学[M]. 北京: 中国林业出版社, 2013: 168-173.