干旱區(qū)植被覆蓋度遙感估算方法研究——以疏勒河中下游平原為例

衛(wèi)嬌嬌，彌沛峰，頡耀文　(蘭州大學(xué)資源環(huán)境學(xué)院，甘肅蘭州 730000)

?

干旱區(qū)植被覆蓋度遙感估算方法研究——以疏勒河中下游平原為例

衛(wèi)嬌嬌，彌沛峰，頡耀文(蘭州大學(xué)資源環(huán)境學(xué)院，甘肅蘭州 730000)

植被作為干旱區(qū)的重要生態(tài)因子，在維持區(qū)域生物多樣性，保護(hù)水土資源、穩(wěn)固并優(yōu)化土壤結(jié)構(gòu)、減弱土地荒漠化等方面有著不可替代的作用。植被覆蓋度是單位面積上植被地上部分垂直投影面積的比例[1]。它能夠較好地表達(dá)區(qū)域植被的生長狀況，是開展干旱區(qū)生態(tài)調(diào)研、評價土地荒漠化程度等工作的基礎(chǔ)。估計法、方格法、樣方法、數(shù)字圖像法是植被覆蓋度傳統(tǒng)的現(xiàn)地測量方法[1]，但這些方法成本高、耗時長，適合在小范圍或特定點開展測量工作，具有很大的限制性。遙感技術(shù)的發(fā)展為在大范圍內(nèi)進(jìn)行植被覆蓋度的監(jiān)測提供了可能。目前已有研究者總結(jié)出多種植被覆蓋度估算方法，主要包括植被指數(shù)轉(zhuǎn)換、光譜混合模型分解等[2]。干旱區(qū)植被稀疏，一些荒漠植被在視覺上不表現(xiàn)為健康植被常見的綠色，以植物紅邊特征為依據(jù)計算得到的一些植被指數(shù)即使在荒漠植被覆蓋度較高的情況下也會出現(xiàn)較低的值，容易出現(xiàn)誤判和誤估從而制約了植被指數(shù)轉(zhuǎn)換方法在干旱區(qū)的估算能力。光譜混合模型著眼于像元內(nèi)部，通過模型分解，計算得到像元中不同物質(zhì)成分的組成比例，具有較好的物理意義和較強(qiáng)的可推廣性，在植被覆蓋度估算上更有優(yōu)勢。常用的光譜混合模型從本質(zhì)上分為2種：線性光譜混合模型和非線性光譜混合模型。線性光譜混合模型物理意義明確簡單，應(yīng)用較多[3-7]，且大多數(shù)基于高光譜遙感影像數(shù)據(jù)?；诙喙庾V的Landsat影像，針對干旱區(qū)植被覆蓋度估算模型的建立以傳統(tǒng)的V-I-S(植被—不透水面—土壤)等三、四端元為主[8-11]，應(yīng)用4種以上端元的研究比較少，不能充分地表達(dá)干旱區(qū)植被分布的特點且并未提出適用于干旱區(qū)的模型。鑒于此，筆者以疏勒河中下游為例，采用Landsat8的OLI多光譜影像，針對干旱區(qū)植被在綠洲和荒漠的不同表現(xiàn)形式，通過影像端元分析、實測光譜分析與實地調(diào)研相結(jié)合的方式，建立不同的端元組合，檢驗其在光譜混合模型中開展植被覆蓋度估算能力的優(yōu)劣，探索多光譜遙感影像數(shù)據(jù)下干旱區(qū)的植被覆蓋度遙感估算方法。

1數(shù)據(jù)來源與研究方法

1.1研究區(qū)概況疏勒河流域地處河西走廊西部，位于94°30′~97°20′E、39°55′~40°34′N，其中分布的縣級行政單元包括甘肅省酒泉市的玉門市、瓜州縣、敦煌市、肅北蒙古族自治縣等。選擇位于流域中北部的中下游地區(qū)為研究區(qū)(圖1)，其地貌以沖積平原為主，區(qū)內(nèi)夏季炎熱、冬季酷寒，降水較少，蒸發(fā)量大，總面積約為1.6萬km2。該區(qū)以暖溫帶荒漠植被為主，主要生長半灌木和草類植物，從地域上分為荒漠、草甸、沼澤、農(nóng)業(yè)綠洲4類，是干旱區(qū)綠洲與荒漠演替的敏感地帶，選擇其作為研究區(qū)，對研究整個干旱區(qū)荒漠綠洲環(huán)境和植被狀況具有較強(qiáng)的代表性。

1.2數(shù)據(jù)來源與處理

圖1　研究區(qū)概況與樣方點分布

1.2.1遙感數(shù)據(jù)來源及處理。使用毗鄰的兩景Landsat-OLI影像作為植被覆蓋度遙感估算的數(shù)據(jù)源，兩景影像的成像時間分別為2013年8月2日和11日。采用分辨率為30 m的可見光(波段1~4)、短波紅外(波段5)、近紅外(波段6~7)7個波段進(jìn)行運算。利用ENVI5.0對Landsat-OLI圖像進(jìn)行輻射定標(biāo)和大氣校正，并以具有準(zhǔn)確坐標(biāo)的2005年研究區(qū)TM影像為標(biāo)準(zhǔn)，對圖像進(jìn)行精確的幾何校正?？紤]到提取端元中水體的影響，對研究區(qū)內(nèi)的水體進(jìn)行掩膜。

1.2.2地面數(shù)據(jù)獲取及處理。2013年7月13~26日進(jìn)行研究區(qū)內(nèi)的植被覆蓋度野外測量工作，共設(shè)置了樣方點139個，見圖1。設(shè)置的樣方點分布于整個研究區(qū)域，并且最大可能地體現(xiàn)了土壤和植被的均質(zhì)性，能夠充分代表疏勒河流域植被的結(jié)構(gòu)特征、植被生長狀況等信息。樣方大小從1 m×1 m到10 m×10 m不等，植被類型包括草本、灌木、喬木，對每個樣方記錄經(jīng)緯度、植被種類、植被總覆蓋度、各類型植被覆蓋度、景觀特征等。鑒于Landsat-OLI影像空間分辨率為30 m，從Google Earth上分別獲取139個實測點位的分辨率在1 m左右的高清影像，以GPS實測點位為中心，框選邊長為60 m的高清影像，在Photoshop中通過調(diào)節(jié)RGB、目視識別來獲得植被信息，以植被信息像素數(shù)量除以所屬影像的像素總數(shù)來獲取該實測點60 m×60 m范圍的植被覆蓋度。期間以樣方實測數(shù)據(jù)和實測點照片為參考進(jìn)行了修正，最終確定各實測點的植被覆蓋度值。

在野外作業(yè)期間，每天10：00~14：00對研究區(qū)主要植被種類的冠層光譜進(jìn)行測量，包括白刺、冰草、檉柳、哈密瓜、蒿草、黑果枸杞等，利用光譜數(shù)據(jù)處理軟件ViewSpecPro對實測的光譜數(shù)據(jù)進(jìn)行處理，將處理結(jié)果導(dǎo)入ENVI光譜分析模塊，建立研究區(qū)典型植物光譜庫。

1.3研究方法

1.3.1線性光譜混合模型。線性光譜混合模型(linear spectral mixture model, LSMM)假設(shè)像元的光譜亮度值是由構(gòu)成像元的基本組分(端元)光譜亮度值以其占像元面積的比例為權(quán)重系數(shù)的線性組合[5]。其數(shù)學(xué)模型如下：

(1)

式中，Rij為第i像元第j波段的光譜反射率；fmi為對應(yīng)于i像元中第m個端元的比例(豐度值)；rmj為第m個端元在第j波段的光譜反射率；k為像元i所包含的端元數(shù)；εij為第i像元第j波段未被分解的部分，即殘差。

為了使模型估算的植被覆蓋度更加準(zhǔn)確可靠，須加入2個限制條件：①各端元面積比例之和為一;②各端元面積比例為非負(fù)值。數(shù)學(xué)模型如下：

(2)

僅滿足公式(1)的線性光譜混合模型稱為無約束條件的線性光譜混合模型；僅滿足公式(2)中第一個約束條件的線性光譜混合模型稱為部分約束條件的線性光譜混合模型；同時滿足公式(2)中2個約束條件的線性光譜混合模型，稱之為全約束條件的線性光譜混合模型(FCLS)。在線性光譜混合模型中，每個像元覆蓋區(qū)域的植被覆蓋度定義為該像元中植被端元占像元總量的百分比，即分解結(jié)果中植被端元的豐度值。無約束和部分約束條件的線性光譜混合模型，其結(jié)果中植被端元豐度值有小于0或大于1的不合理結(jié)果值出現(xiàn)，不能直接用于植被覆蓋度的研究，因而該研究采用全約束條件的線性光譜混合模型對研究區(qū)植被覆蓋度問題進(jìn)行研究。

1.3.2端元提取。選取合適的端元(組分)是進(jìn)行線性混合像元分解的關(guān)鍵。端元選取包括確定端元數(shù)目以及端元的光譜值。目前常用的端元選擇方法有影像端元法、參考端元法、影像端元與參考端元相結(jié)合法等[12]。遙感影像成像過程及后續(xù)處理存在多種誤差，在實驗條件下得到的地物真實光譜信息，與遙感影像上相對應(yīng)的地物光譜信息有較大出入，會造成較大的誤差，因此該研究采用從影像上提取端元的方法。

用像元純凈指數(shù)(pixel purity index,PPI)法從影像上提取端元，是目前應(yīng)用最廣并被普遍認(rèn)可的影像端元選取方法[12]。該方法首先對影像進(jìn)行最小噪聲分離變換(MNF)，壓縮數(shù)據(jù)維度并去除波段的相關(guān)性；然后選擇MNF變換后的前幾個主要成分進(jìn)行PPI指數(shù)計算，PPI值越高，該像元被認(rèn)為是純像元的可能性就越大，超過某個閾值被認(rèn)為是候選端元；最后，基于候選端元，通過ENVI5.0中的n維可視化工具人機(jī)交互地提取影像端元。

(1)五端元模型?？紤]到研究區(qū)植被類型較多，傳統(tǒng)的三、四端元模型僅用一種端元代表研究區(qū)全體植被類型，模型的分解精度會受到影響。因此，利用植被指數(shù)對原始影像進(jìn)行維度擴(kuò)展。常用的植被指數(shù)有RVI、NDVI、SAVI、ARVI、EVI[12]。分別計算這5種植被指數(shù)在實測點的值與植被覆蓋度實測值的相關(guān)關(guān)系，其中NDVI、SAVI和EVI 3個指數(shù)與實測值間的Pearson相關(guān)系數(shù)值較高，故以這3個植被指數(shù)對原始影像數(shù)據(jù)進(jìn)行光譜維度擴(kuò)展。

將3個植被指數(shù)分布圖分別做歸一化處理，并與原始Landsat-OLI影像的7個波段疊加，形成新的10波段影像，以該影像為基礎(chǔ)進(jìn)行端元提取。首先對影像進(jìn)行MNF變換，選擇MNF變換后的前5個波段，利用PPI指數(shù)法提取候選端元，之后在n維可視化工具對候選端元進(jìn)行旋轉(zhuǎn)，獲得穩(wěn)定不變的5類點群，取各個點群中像元點的光譜均值，獲得5條地物的光譜曲線。結(jié)合原始影像和高分辨率影像進(jìn)行目視判斷，并與ENVI自帶的地物光譜庫進(jìn)行對比分析，最終確定5條光譜曲線分別代表高反射率地物、低反射率地物、裸土、農(nóng)田植被、荒漠植被5種端元，其光譜曲線見圖2。

圖2　五端元模型光譜曲線

從圖2可以看出，五端元模型的光譜特征差異較大，在一定程度上可以代表不同的地物類型。高反射地物端元的光譜反射率較高，取值范圍為0.25~0.50，該類地物主要包括居民地屋頂、硬化道路、云、沙地、鹽堿地等；低反射地物端元的光譜反射率最低，低于0.05，明顯區(qū)別于其他類型端元，該類地物主要為陰影、部分未去除掉的水體、地表含水量較高的土壤等；土壤端元的光譜反射率取值范圍為0.1~0.3，曲線走向符合常見的干燥裸土光譜特征，其地物類別主要包括灘涂地、裸土、棄耕的農(nóng)田等；農(nóng)田植被的光譜反射率曲線符合健康植被光譜曲線特征，與之相比，新提取的植被端元在外觀上不表現(xiàn)為植被常見的綠色，從紅光波段到近紅外波段，反射率有較大幅度的增加，符合植被的光譜特征，但相較于農(nóng)田植被，其從可見光到近紅外波段的反射率變化幅度較小，因而其歸一化植被指數(shù)值也相應(yīng)的較低。該植被端元對應(yīng)的地物在農(nóng)田綠洲邊緣、荒漠化土地內(nèi)部大面積存在，其代表了大面積的荒漠植被光譜。

(2)六端元模型。前述的端元模型建立過程中采用了影像端元提取方式，這種端元提取方式遇到的最大問題是，受OLI傳感器空間分辨率限于30 m的影響，目標(biāo)地物的空間覆蓋面積可能不足1個像元，因而有可能找不到該地物對應(yīng)的端元[9]。為了考察前述影像端元對研究區(qū)內(nèi)主要植被類型的代表性，對現(xiàn)地實測的研究區(qū)植被光譜特征進(jìn)行對比分析，研究該區(qū)域植被類型特征。

研究區(qū)植被類型從光譜特征上可以分為3類：第一類是以農(nóng)作物、喬木等為代表的人工和天然植被，其光譜特征與五端元模型中的農(nóng)田植被端元相一致；第二類是以白刺、鹽爪爪等為代表的荒漠化植被，其光譜特征與五端元模型中的荒漠植被端元相一致；第三類是以黑果枸杞、梭梭等為代表的荒漠化植被，其光譜特征沒有在五端元模型中出現(xiàn)。說明此類荒漠化植被的覆蓋度較低，比較容易被其他植被信息掩蓋，從影像上難以直接發(fā)現(xiàn)和提取其光譜特征。為了提取此類植被的光譜信息，該研究以影像端元和參考端元相結(jié)合的方法來建立新的端元模型，即六端元模型。

六端元模型在原有五端元光譜之外加入實測的參考端元，該參考端元的光譜值為與遙感影像準(zhǔn)同步的研究區(qū)第三類植被光譜的平均值，并將其平均值重采樣到OLI影像的7個波段上。在六端元模型中，將原來的荒漠植被端元命名為第一類荒漠植被，新加入的端元命名為第二類荒漠植被。其光譜曲線見圖3。

圖3　六端元模型光譜曲線

1.3.3混合像元分解。在確定端元數(shù)目、類型及光譜特征后，利用全約束條件的線性光譜混合模型(FCLS)對影像進(jìn)行混合像元分解。目前,沒有現(xiàn)成的軟件平臺可以實現(xiàn)FCLS算法，為此，該研究以IDL語言為開發(fā)工具, 通過調(diào)用非線性最優(yōu)化函數(shù)IMSL_MINCONGEN，編程實現(xiàn)了FCLS算法的混合像元分解。

2結(jié)果與分析

利用全約束的線性光譜混合模型(FCLS)對兩種端元模型進(jìn)行混合像元分解，由于端元模型中的農(nóng)田植被和荒漠植被同屬于植被范疇，因此在計算植被覆蓋度時要將2種類型的植被端元豐度值相加。對植被端元豐度值進(jìn)行提取和計算，得到不同端元模型下的研究區(qū)植被覆蓋度分布(圖4)。從圖4可以看出，2種模型的估算結(jié)果基本一致，人工耕地區(qū)植被覆蓋度較高，而在耕地區(qū)之外的荒漠區(qū)覆蓋度較低。實地考察敦煌綠洲與瓜州綠洲之間的荒漠地區(qū)以及在疏勒河中游的扇形區(qū)域都存在著大面積的荒漠植被，2種模型的估算結(jié)果均體現(xiàn)這一特征，符合實際情況。

3精度評價

采用同時期經(jīng)過處理的139個實測樣方點進(jìn)行精度驗證，通過實測值與估算值的相關(guān)系數(shù)(R)和均方根誤差(RMSE)，對2種模型的估算結(jié)果進(jìn)行精度評價，結(jié)果見表1。如表1所示，五端元模型的估算值與樣方實測值的相關(guān)系數(shù)R為0.883,均方根誤差為13.754 84，六端元模型的相關(guān)系數(shù)R為0.862，均方根誤差為14.920 63。從整體上看，2種端元模型模擬的精度都比較高，其中五端元模型略優(yōu)于六端元模型。

表1　不同端元模型植被覆蓋度估算值與實測值的回歸參數(shù)

干旱區(qū)內(nèi)存在大面積的荒漠區(qū)，植被覆蓋度作為反映了該區(qū)域內(nèi)植被生長狀況的重要參數(shù)，在監(jiān)測和評估整個干旱區(qū)的生態(tài)環(huán)境方面起著關(guān)鍵作用，因此選擇139個實測點中的84個荒漠樣方點對2種模型的估算結(jié)果進(jìn)行精度評價，在估算值與實測值散點圖上畫出參考線(y=x)，用以表現(xiàn)不同模型估算值與實測值間的吻合度(圖5)。在理想情況下，散點應(yīng)該緊密的分布在參考線的兩側(cè)，與參考線偏離的越大，表明估算結(jié)果的準(zhǔn)確性越差。

圖4　不同端元模型下的植被覆蓋度分布

從圖5可以看出，在荒漠區(qū)2種端元模型結(jié)果的散點與參考線偏離程度都比較小，且均勻分布于參考線兩側(cè)，估算結(jié)果均接近與實測值。但對比分析可以看出，在荒漠區(qū)六端元模型的估測值與樣方實測值的相關(guān)系數(shù)明顯高于五端元模型。因此，在荒漠地區(qū)六端元模型明顯優(yōu)于五端元模型。

4結(jié)論

中等分辨率的Landsat遙感影像是開展區(qū)域研究時廣泛使用的數(shù)據(jù)源，干旱綠洲區(qū)除少量分布的人工綠洲外，還分布著面積廣泛的荒漠植被，存在大量混合像元。利用光譜混合模型對植被覆蓋度估算問題進(jìn)行描述，深入像元內(nèi)部以提高估算精度，是進(jìn)行干旱區(qū)植被覆蓋度遙感估算的重要思路。該研究分別基于以高分辨率地物、低分辨率地物、裸土、農(nóng)田植被、荒漠植被為組分的五端元模型及考慮實測植被光譜數(shù)據(jù)后的進(jìn)一步將植被分為農(nóng)田植被、荒漠一類植被、荒漠二類植被為組分的六端元模型，通過全約束的線性光譜混合模型，計算干旱區(qū)的植被覆蓋度，并以同時期的樣方實測點數(shù)據(jù)進(jìn)行驗證。結(jié)果表明，總體上講2種端元模型的估算結(jié)果基本一致，均符合研究區(qū)域的植被分布特征，五端元模型直接以影像端元選擇為主，無需野外實測，節(jié)約了人力、物力，模型簡單，易于推廣，適用于干旱區(qū)大面積的植被覆蓋度檢測。六端元模型在荒漠化植被大面積分布的地區(qū)模擬的結(jié)果明顯優(yōu)于五端元模型，這說明對干旱區(qū)植被實測光譜

圖5　不同端元模型荒漠區(qū)植被覆蓋度估算值與實測值散點

值進(jìn)行分析，將實測光譜值引入端元模型，進(jìn)行植被覆蓋度的模擬可以提高模型精度；但是這種方法需實測植被光譜值，需要大量的人力、物力，推廣性較差。

參考文獻(xiàn)

[1] 邢著榮,馮幼貴,楊貴軍,等.基于遙感的植被覆蓋度估算方法述評[J].遙感技術(shù)與應(yīng)用,2009,24(6)：849-854.

[2] 顧祝軍,曾志遠(yuǎn).遙感植被蓋度研究[J].水土保持研究,2005,12(2):18-21.

[3] ELMORE A J,MUSTARD J F,MANNING S J,et al.Quantifying vegetation change in semiarid environments:Precision and accuracy of spectral mixture analysis and the normalized difference vegetation index[J].Remote sensing of environment,2004,73(1):87-102.

[4] XIAO J,MOODY A.A comparison of methods for estimating fractional green vegetation cover within adesert-to-upland transition zone in central New Mexico,USA[J].Remote sensing of environment,2005,98(23):237-250.

[5] 樊風(fēng)雷.基于線性光譜混合模型(LSMM)的兩種不同端元值選取方法應(yīng)用與評價:以廣州市為例[J].遙感技術(shù)與應(yīng)用,2008,23(3):272-277.

[6] 黃艷妮,查良松,陳健.基于線性光譜混合模型的混合像元分解研究:以合肥市為例[J].安徽師范大學(xué)學(xué)報(自然科學(xué)版),2012(3):258-263.

[7] 崔天翔,宮兆寧,趙文吉,等.不同端元模型下濕地植被覆蓋度的提取方法:以北京市野鴨湖濕地自然保護(hù)區(qū)為例[J].生態(tài)學(xué)報,2013,33(4):1160-1171.

[8] CHEN W,SAKAI T,MORIYA K.Estimation of vegetation coverage in Semi-arid Sandy Land based on multivariate statistical modeling using remote sensing data[J].Environ model assess,2013,18(5)：547-558.

[9] 李向婷,白潔,李光錄,等.新疆荒漠稀疏植被覆蓋度信息遙感提取方法比較[J].干旱區(qū)地理,2013,36(6):502-511.

[10] 廖春華,張顯峰,劉羽.基于多端元光譜分解的干旱區(qū)植被覆蓋度遙感反演[J].應(yīng)用生態(tài)學(xué)報,2012,23(12):3243-3249.

[11] 徐娜,丁建麗,劉海霞.基于NDVI和LSMM的干旱區(qū)植被信息提取研究：以新疆吐魯番市為例[J].測繪與空間地理信息,2012,35(7):52-57.

[12] 李素,李文正,周建軍,等.遙感影像混合像元分解中的端元選擇方法綜述[J].地理與地理信息科學(xué),2007,23(5):35-42.

摘要以西北地區(qū)典型的干旱區(qū)——疏勒河中下游地區(qū)為研究區(qū)，利用植被指數(shù)(NDVI、SAVI、EVI)對原始Landsat-OLI影像進(jìn)行了維度擴(kuò)展，構(gòu)建了以高反射率、低反射率、裸土、農(nóng)田植被、荒漠植被為組分的五端元模型。之后對實測植被光譜值進(jìn)行分析，將實測植被光譜值引入到端元模型中，進(jìn)一步構(gòu)建了將植被分為農(nóng)田植被、第一類荒漠植被和第二類荒漠植被的六端元模型，基于全約束的線性光譜混合模型進(jìn)行混合像元分解以獲取研究區(qū)的植被覆蓋度。采用同時期的實測植被覆蓋度值進(jìn)行精度驗證，結(jié)果表明：2種端元模型的模擬結(jié)果均符合研究區(qū)植被覆蓋度的分布特征，雖然總體上五端元模型的估算略優(yōu)于六端元模型，但是在存在大面積荒漠植被的區(qū)域，六端元模型的估算結(jié)果與實測數(shù)據(jù)的相關(guān)系數(shù)明顯優(yōu)于五端元模型。因此，對干旱區(qū)植被實測光譜值進(jìn)行分析，將實測光譜值引入端元模型，進(jìn)行植被覆蓋度研究可以提高荒漠植被覆蓋度的估算精度，具有一定的應(yīng)用前景。

關(guān)鍵詞疏勒河流域；植被覆蓋度；線性光譜混合模型；遙感估算

Study on the Methods of Vegetation Coverage Remote Sensing Estimation in Desert Oasis—A Case Study of Middle and Lower Reaches Plain in Shule River

WEI Jiao-jiao, MI Pei-feng, XIE Yao-wen(College of Earth & Environmental Sciences, Lanzhou University, Lanzhou, Gansu 730000)

AbstractTaking the middle and lower reaches of Shule River as the study area located in the northwest of China, vegetation coverage was estimated using Landsat-OLI image through a Liner Spectal Mixture Model. At the first, the vegetation indexes (NDVI/SAVI/EVI) were included along with the seven reflective bands of Landsat OLI image which extended the dimensionality of the Landsat OLI image and allowed the use of five-endmember model which consists high resolution terrain, low resolution features, bare soil, farmland vegetation and desert vegetation was used to estimate vegetation coverage as the model component. Considering the measured spectral of all vegetation types, the vegetation endmember was divided into farmland vegetation and the first desert vegetation and the second desert vegetation. A fully constrained LSMM algorithm was used to obtain the vegetation coverage. The measured vegetation coverage was used to verify the accuracy of the estimation results. The results showed that: Although the two models are in line with the distribution characteristics of vegetation coverage, the correlation coefficient in five terminal element model estimation results and the measured data, significantly better than the fiver terminal element mode in the estimation of regional desert vegetation area. Therefore, the mixed pixel decomposition using six terminal element model has certain application prospectuses in arid area.

Key wordsShule River basin; Vegetation cover; LSMM; Remote sensing estimates

收稿日期2015-10-14

作者簡介衛(wèi)嬌嬌(1990-)，女，山西臨汾人，碩士研究生，研究方向：生態(tài)環(huán)境遙感。

基金項目國家自然科學(xué)基金項目(41471163)。

中圖分類號S 127

文獻(xiàn)標(biāo)識碼A

文章編號0517-6611(2015)32-385-04