概要
植被覆盖度（Fractional Vegetation Cover，FVC）是反映植被生长状态的重要参数，可用于量化地球系统模型中的植被动态状况。目前，全球植被覆盖度产品的空间分辨率普遍较粗，无法满足对不同区域植被覆盖进行详细调查的需求。因此，急需具有空间覆盖范围广、空间分辨率高的高精度植被覆盖度产品。在本研究中，我们开发了一个可操作的框架，通过使用高分辨率卫星影像和机器学习算法生成近似Landsat空间分辨率的植被覆盖度产品。我们利用1 米的高分2号数据计算30米像元的植被覆盖度，并作为训练和测试数据进行模型建模与精度评估，结果表明模型具有较高的训练精度（R2为0.978，RMSE为0.042）；当使用全球14个地点的346个独立地面测量值进行验证时，30米FVC的R2为0.814，RMSE为0.170。其次，我们将建立的FVC估算模型应用于2013 - 2018年中国所有Landsat-8影像，结果完整展示了我国各个季度植被覆盖度最大值的时空分布特征。最后，我们在地区和国家尺度上将30米FVC估算结果与已有的三套粗分辨率植被覆盖度产品（包括GLASS、GEOV2和CGLOPS）进行了时空对比，结果显示我们的30米产品与参考产品在时空上具有较高的一致性，但在揭示植被覆盖的精细空间细节方面具有优势。此外，30 米植被覆盖度模型的表现随植被类型的差异而不同，但在大多数植被类型下与GLASS植被覆盖度产品的一致性最高。总的来说，本文所提出的框架能够在大尺度上精确估算中高分辨率像元的植被覆盖度，并且可以集成在高分辨率全球陆表卫星定量遥感（Hi-GLASS）产品的算法与产品生成中。
研究结果
图 5 随机森林模型的验证结果
图9 不同空间分辨率FVC反演结果的对比
图 12 Landsat FVC同GLASS FVC在黑河流域的交叉验证
图 12 Landsat FVC同GLASS FVC在武汉市的交叉验证
图16 中国各季度最大FVC镶嵌图。(a)1-3月；(b)4-6月；(c)7-9月；(d)10-12月
研究结论
由于粗分辨率植被覆盖度产品无法在精细空间尺度上反映植被覆盖度的快速变化，因此需要一种精细分辨率的植被覆盖度产品。本研究通过结合1 m空间分辨率的GF-2影像和30 m Landsat-8影像，建立了一个在高空间分辨率下估算植被覆盖度的框架。所提出的模型能够通过使用高分辨率GF- 2数据构建训练数据，在大空间尺度上以高分辨率提取植被覆盖度。生产的Landsat植被覆盖度产品与其他植被覆盖度产品具有最高的一致性和时间连续性，能够较好地反映出植被覆盖的空间分布和植被的季节变化。
链接
https://www.sciencedirect.com/science/article/pii/S2666017222000207
