覆蓋度

把植被覆蓋度分為高、中高、中、低四種覆蓋類型。

當植被覆蓋度大於 75%時，為高類

當植被覆蓋度在 60%～75%之間時，為中高類

當植被覆蓋度介於 45%～60%之間時，為中類

當植被覆蓋度小於 45% 時，為低類 ^[1] 

1地表實測方法

地表實測方法主要用於較小範圍內的植被覆蓋度監測，對於較大範圍內的植被覆蓋度監測，它常作為遙感監測的輔助手段，為遙感監測提供基礎數據，對建立植被覆蓋度經驗模型及遙感覆蓋度監測的精度評價和驗證，有着很重要的意義。 當前，較為熟知的地表實測方法有目估法、採樣法、儀器法、模型法。

1.1 目估法

目估法是根據經驗目估判別植被覆蓋度的方法，具體分為傳統目估法、相片目估法、橢圓目估法 和網格目估法。傳統目估法是在野外劃定一定區域， 由經驗判斷植被覆蓋度；相片目估法是多人根據同 一野外相片估算植被覆蓋度，然後計算其平均值；橢圓目估法是在植被稀疏的情況下，把地表植物近似看成橢圓形，估算樣地植被蓋度；網格目估法是將樣地劃分為若干網格，估算各網格樣地的植被蓋度均值。總的來説，目估法簡單易行，但估算精度受人為的影 響比較大 ^[2]  。

1.2 採樣法

採樣法是根據地面的實際測量計算植被覆蓋度的方法。 常見的採樣法有樣點法和陰影法。 樣點法是將一根根樣針在植被中垂直放下，接觸到植物枝葉的樣針數佔總樣針數的百分數即為植被覆蓋度；陰影法是正午時將一根刻度尺放於地表，在平行於行播作物行距方向，以一定距離向前移動，並讀取尺子上陰影長度，總陰影長度佔尺子總長度的百分數即為植 被覆蓋度。 由此可見，採樣法的測量程序複雜、費時 費力，受到的條件制約多、效率不高，但是精度相對高。

1.3 儀器法

儀器法是利用感光傳感器捕捉光通過植被冠層的情況，據此計算植被的覆蓋度。該方法通常採用數碼相機作為傳感器， 利用計算機的圖像處理軟件進行處理，因此較為經濟，測量效率也高，而且測量結果有較高精度。 這使該方法成為當前地表實測方法的主要方法。 ^[3] 

1.4 模型法

模型法是對地面的實際測量數據進行分析，利用數理統計的方法得到植被覆蓋度的時空分佈規律， 並對其進行分析， 得到相關經驗模型的測量方法。該方法只適用於某一特定的區域與植被類型， 不易推廣。

2遙感監測方法

近年來，遙感技術的發展和大量不同類型衞星對多時段、多波段的對地觀測，為國內外學者在植被覆蓋度遙感監測方面創造了有利條件，並發展了大量通過大範圍遙感監測提取植被覆蓋度的方法。常用的遙感監測方法有迴歸模型法、植被指 數法、像元分解模型法等。

2.1 迴歸模型法

迴歸模型法又稱為統計經驗模型法。 它利用單一波段或幾個波段的遙感監測數據，計算出植被指數（NDVI）和植被覆蓋度，並通過迴歸分析得到相應的統計模型， 然後利用空間的外延模型， 推求更大區域的植被覆蓋度。 依據迴歸所利用的方法，迴歸模型法分為線性與非線性兩種。線性迴歸模型的應用比較廣泛 。

2.2 植被指數法

植被指數法是根據植物的光譜特徵，直接選取與植被覆蓋度有良好相關性的植被指數，並通過植被指數與植被覆蓋度的關係，估算植被覆蓋度。 迴歸模型法中已經説明植被指數與植被覆蓋之間存在一定的相關性， 但是與關係模型相比，植被指數法不需要建立相應迴歸模型，且不受區域時間和植被類型的限制，更易於使用。

2.3 像元分解模型法

像元分解模型法的原理是，在某種假定情況下， 將遙感圖像中的一個實際像元分解成由多個組分構成的遙感數據信息，用這些遙感信息構建像元分解模型，從而估算出植被覆蓋度。 ^[1] 

當前植被覆蓋度的應用主要集中在自然地理空間的土壤圈、 大氣圈、 水圈、 生物圈範圍及這些圈層相互作用的各類研究中。

^[4]