基于高分二号数据和机器学习算法的中高分辨率植被覆盖度提取方法研究

摘要

植被覆盖度是研究地球表面植被生态系统动态过程的重要参数之一,对生态环境监测,碳循环模拟和气候变化研究等具有重要影响.当前低空间分辨率植被覆盖产品较多,如GEOV2,GEOV3和全球陆表特征参量产品(GLASS),空间分辨率从几公里到几百米.虽然其具有较好的时间和空间连续性,但它们不能满足精细的区域尺度分析.因此,通过结合高分二号的高空间分辨率影像数据和机器学习算法来估算Landsat尺度的植被覆盖度.使用空间分辨率为1m的高分二号数据构建30米分辨率的植被覆盖度训练样本,将其用于训练随机森林模型,通过训练样本的随机选择进行模型精度评价,训练的模型均方根误差小于0.1.同时,通过与全球ImagineS站点的植被覆盖度测量值对比,得到均方根误差小于0.2,与GLASS FVC产品的比较结果显示R2大于0.9,结果证明所提出的方法能够应用于大范围、中高分辨率的植被覆盖度估算,并为长时序的植被覆盖变化分析提供更加精细的数据支撑.