2024年4月25日发(作者：司悦爱)
龙源期刊网
高分一号数据分辨率对植被覆盖度信息提取
影响分析
作者：刘志军 莫荣海 孙喜娇 吕晓梅
来源：《农村经济与科技》2019年第15期
龙源期刊网
[摘要]精确的掌握地表植被覆盖度信息能够为生态环境建设提供可靠的参考数据。选取
GF1-WFV（16m）影像、GF1-PMS（8m）影像、融合（2m）影像，并对这些影像进行处理提
取植被覆盖度信息，进一步分析不同影像之间植被覆盖度信息的差异性。研究结果表明：高分
一号影像随着分辨率的提高，影像植被覆盖度的空间结构逐渐明显清晰，纹理越平滑，细节信
息越明显;植被覆盖度信息量随影像分辨率提高，所含信息量不断增加，提取的效果增强，同
时植被覆盖度信息分布呈现中间聚拢的状态;GF1-WFV影像、GF1-PMS影像、融合影像的植被
覆盖度估算的精度分别为63.11%、73.88%、82.13%。因此，高分一号不同分辨率的影像对植
被覆盖度的提取差异明显。
[关键词]高分一号;分辨率;植被覆盖度
[中图分类号]S771.8 [文献标识码]A
植被覆盖度信息不仅是地表重要的信息指标，而且还是生态环境监测的重要数据。目前，
我国植被覆盖度信息提取主要依赖于遥感估算，影像的分辨率对植被覆盖度估算的精度影响最
大，因此，研究不同分辨率影像对植被覆盖度信息提取的差异性具有重要意义。随着我国高分
一号卫星的投入使用，使得更高精度的植被覆盖度信息提取得以实现，研究高分一号不同分辨
率影像下植被覆盖度信息提取的差异性，从而得出不同分辨率对植被覆盖度估算精度的影响，
不仅可以推动高分一号数据在植被覆盖度估算研究中的应用，还为今后的生态文明建设提供理
论与实践依据。
1 数据及研究方法
龙源期刊网
1.1 数据介绍
1.1.1 高分一号WFV/PMS数据。高分一号卫星是我国高分辨率对地观测系统的第一颗卫
星，它搭载了8m分辨率多光谱和两台2m分辨率全色相机，四台16m分辨率多光谱相机。高
分一号数据为今后开展土地资源调查与监测、生态环境调查监测等提供了高精度、高时效的数
据来源，在国产卫星数据中发挥重要作用。
1.1.2 融合数据。本文使用GF1-PMS影像（8m）与GF1全色影像（2m）融合得到分辨率
为2m的融合影像，通过影像融合可以重采样生成一幅具有高分辨率影像的纹理信息又有低分
辨率的多光谱信息的影像。
1.1.3 数据预处理。本文选用2016年4月18日的GF1-WFV影像和2016年5月05日的
GF1-PMS影像，其两幅影像的云量为0，并ENVI软件对影像进行辐射定标、大气校正、多光
谱/全色正射校正、和去云等对原始数据进行了预处理，选取归一化植被指数，采用像元二分
模型对地表植被进行估算，并通过野外调查结果进行验证。
1.2 研究方法
1.2.1 植被指数模型选取。植被指数（Vegetation Index，VI），又称光谱植被指数，是指
由遥感传感器获取的光谱数据，经过线性和非线性的组合运算的对植被具有一定指示意义的各
种数值，是衡量地表植被状况、指示生态环境变化的一个重要指标。目前，在国内外研究结果
中有大约150种植被指数的计算模型，其中常用的植被指数有：垂直植被指数（Perpendicular
Vegetation Index，PVI）、归一化植被指数（Normalized Difference vegetation Index，
NDVI）、比值植被指数（Ratio Vegetation Index，RVI）、增强植被指數（Enhanced Vegetation
Index，EVI）。
本文根据研究区植被覆盖状况，选取应用最广泛的植被指数NDVI模型，利用NDVI不仅
能较为真实地反映地表植被覆盖状况，也能大范围长时间序列地监测地表植被覆盖的变化。
1.2.2 像元二分模型。目前，在利用遥感估算植被覆盖度时最常用的模型有：植被指数模
型、混合光谱模型、亚像元模型和光谱梯度差模型。在这些植被指数中像元二分模型是最常用
的植被覆盖度计算模型，其模型计算公式如下：
VFC=（NDVI-NDVIsoil）/（NDVIveg-NDVIsoil）
式中：VFC表示植被覆盖度;NDVI表示像元的NDVI值;NDVIsoil表示完全是裸地或者无
植被覆盖的像元NDVI值;NDVIveg表示完全有植被覆盖的像元NDVI值。
龙源期刊网
利用像元二分模型计算植被覆盖度最关键的是计算模型中的NDVIsoil和NDVIveg值，两
个值的计算公式为：
NDVIsoil=（VFCmax*NDVImin-VFCmin*NDVImax）/（VFCmax-VFCmin）
NDVIveg=（1-VFCmin）*NDVImax-（1-VFCmax*NDVImax）/（VFCmax-VFCmin）
这里计算有两种假设：①当区域内可以近似取VFCmax=100%，VFCm=0%，公式可变
为：式中：NDVImin是研究区内像元的NDVI最小值;NDVImax是研究区内像元的NDVI最大
值。②当区域内不能近似取VFCmax=100%，VFCm=0%时，如果有实测数据，可以取实测数
据中的植被覆盖度的最大值和最小值作为VFCmax和VFCmin，这两个实测数据对应的图像的
NDVI作为NDVImax和NDVImin。当没有实测数据时，取一定置信度的置信区间中的上限
值、下限值。本研究选取NDVI频率累计表上5%频率对应的值为NDVImin，选取NDVI频率
累计表上95%频率对应的值为NDVImax。
1.2.3 植被覆盖度估算和验证。在像元二分模型中，NDVIveg代表着全部植被覆盖像元的
最大值，由于受地表植被类型的影响，NDVIveg值也会随着时间和空间的变化而变化，同理
NDVIsoil也会发生变化。因此，计算植被覆盖度时，对于NDVIveg和NDVIsoil值不能取固定
值。本研究利用土地覆盖图分别求解不同土地覆盖类型内的NDVImax和NDVImin作为
NDVIveg和NDVIsoil，可以得到NDVIveg和NDVIsoil的参数文件。步骤如下：①获取土地覆
盖类型阈值，本研究选取每个土地覆盖类型的NDVI频率累计表上5%频率对应的值为
NDVImin，选取NDVI频率累计表上95%频率对应的值为NDVImax。②根据阈值分别生成
NDVIsoil和NDVIveg参数文件，主要使用bandmath工具，表达式：NDVIsoil：
b1*NDVImin+b2*NDVImin+b3*NDVImin+b4*NDVImin+b5*NDVImin，其中b1、b2、b3、
b4、b5为土地覆盖类型的掩膜文件。③利用得到的NDVIsoil和NDVIveg参数文件带入公式
VFC=（NDVI-NDVIsoil）/（NDVIveg-NDVIsoil），运用Bandmath计算，去除异常值得到研
究区的植被覆盖度。
本研究对植被覆盖度的验证方法主要是通过野外调查结果进行验证，具体步骤：首先在
ArcGIS软件中建立公里网格，通过影像筛选出一定数量的实测点;其次进行野外样地的实地调
查，最后通过样点和实测数据计算估算的精度。
1.2.4 植被覆盖度分级。参照中华人民共和国水利部批准《土壤侵蚀分类分级标准》
（SL190—2007），同时根据研究区植被分布特征，将植被覆盖进行盖度分级，共分为5个等
级，分别为对应植被覆盖度为<30%、30%～45%、45%～60%、60%～75%、>75%。
2 结果与分析
2.1 不同影像的植被覆盖度图像分析
龙源期刊网
为了研究GF1-WFV影像、GF1-PMS影像、融合影像的分辨率对植被覆盖度的影响，采用
像元二分模型估算地表植被覆盖度，从图1中可以看出随着影像分辨率不断提高，植被覆盖度
图像的结构逐渐变清晰，细节更明显，纹理更平滑。GF1-WFV影像的植被覆盖度图的结构模
糊，不能清晰地表达研究区的植被总体分布情况和植被覆盖度情况，同时局部区域植被覆盖度
不能被区分，信息不能完整的表达。融合影像的植被覆盖度的分布情况整体和GF1-PMS影像
相似，但在局部区域植被覆盖度的分类更细致，说明同一个分辨率的多光谱数据和融合高分辨
的数据，在植被覆盖度的空间结构和分布上没有太大的差异。从植被覆盖度提取来看GF1-
WFV影像很多植被覆盖度等级信息没有提取出来，存在信息缺失。
2.2 不同影像的植被覆盖度等级占比分析
从表1可以看出不同影像的植被覆盖度分布呈现以下规律：①随着影像分辨率的提高，植
被覆盖度分级结果在不同影像中所占的比例有明显变化，随着分辨率的提高植被覆盖度<75%
以下的等级所占比例逐渐下降，植被覆盖度>75%的占比逐渐上升。②三个影像的植被覆盖度
边缘等级变化最明显，也就是最高植被覆盖度和最低植被覆盖度变化最明显。随着分辨率的提
高，植被覆盖度<30%的等级所占比例明显下降，整体下降了9.60%，植被覆盖度>75%的等级
所占比例明显上升，整体上升了16.25%。说明GF1-WFV影像的植被覆盖度在<30%和>75%
时，植被覆盖度信息均出现较大误差。③对比三个影像的植被覆盖度分级占比可以看出GF1-
WFV影像和GF1-PMS影像的占比变化最明显，GF1-PMS影像和融合影像的变化不大。从表1
可以得出GF1-WFV影像到GF1-PMS影像植被覆盖度等级从小到大分别变化了7.66%、
3.24%、2.47%、2.39%、15.75%，GF1-PMS影像到融合影像植被覆盖度等级从小到大分别变
化了1.94%、2.65%、2.84%、2.03%、5.40%。GF1-WFV影像与GF1-PMS影像植被覆盖度占
比变化最大为15.75，GF1-PMS影像与融合影像的植被覆盖度占比变化最大仅为5.40%。④结
合植被覆盖度直方图和植被覆盖度空间分布图可以看出，GF1-WFV影像的植被覆盖度估算的
能力较差，在植被覆盖度<30%和>75%的估算精度不高，在局部的植被覆盖度分布上很粗糙、
模糊，存在一定的植被覆蓋度信息缺失。因此GF1-WFV影像不适合植被覆盖度的提取。
2.3 不同影像的植被覆盖度提取精度分析
为了评价植被覆盖度估算的精度，本文研究通过实地采样，在区域内布设公里网格，选取
30个精度验证点，通过调查得到样点的真实植被覆盖度。通过计算得到GF1-WFV影像、GF1-
PMS影像、融合影像的植被覆盖度精度分别为63.11%、73.88%、82.11%，综上可以看出，随
着影像分辨率的提高，高分辨率影像的精度明显高于低分辨率影像的精度。
3 结论
GF1-WFV影像、GF1-PMS影像、融合影像随着遥感影像的分辨率不断提高，植被覆盖度
图像的结构逐渐变得清晰，细节更明显，纹理更平滑。同时GF1-WFV影像很多植被覆盖度等
级信息没有提取出来，存在较大信息缺失。
龙源期刊网
随着分辨率的提高植被覆盖度<75%以下的等级所占比例逐渐下降，植被覆盖度>75%的占
比逐渐上升。GF1-WFV影像的植被覆盖度在<30%和>75%时，植被覆盖度信息均出现较大误
差。GF1-WFV影像到GF1-PMS影像植被覆盖度等级从小到大分别变化了7.66%、3.24%、
2.47%、2.39%、15.75%，GF1-PMS影像到融合影像植被覆盖度等级从小到大分别变化了
1.94%、2.65%、2.84%、2.03%、5.40%。GF1-WFV影像与GF1-PMS影像植被覆盖度占比变化
最大为15.75，GF1-PMS影像与融合影像的植被覆盖度占比变化最大仅为5.40%。通过计算得
到GF1-WFV影像、GF1-PMS影像、融合影像的植被覆盖度精度分别为63.11%、73.88%、
82.11%，
[参考文献]
[1] 谭永生，沈掌泉，贾春燕，等.中高分辨率遥感影像融合研究[J].遥感技术与应用，
2007，22（4）：536-542.
[2] 陈述彭，李志荣，王渊.地球资源卫星应用系统及其智能化[J].国土资源遥感，1989，1
（1）：14-22.
[3] 张喜旺，吴炳方.基于中高分辨率遥感的植被覆盖度时相变换方法[J/OL].生态学报，
2015，35（04）：1155-1164.
[4] 田庆久，闵祥军.植被指数研究进展[J].地球科学进展，1998（04）：10-16.
[5] 顾祝军，曾志远.遥感植被盖度研究[J].水土保持研究，2005（02）：18-21.
[6] 邓书斌.ENVI遥感图像处理方法[M].北京：高等教育出版社，2014.
[7] Gutman G，Ignatov derivation of the green vegetation fraction from NOAA/AVHRR
data for use in; numerical weather prediction models[J].International Journal of Remote Sensing，
1998，19（8）：1533-1543.
2024年4月25日发(作者：司悦爱)
龙源期刊网
高分一号数据分辨率对植被覆盖度信息提取
影响分析
作者：刘志军 莫荣海 孙喜娇 吕晓梅
来源：《农村经济与科技》2019年第15期
龙源期刊网
[摘要]精确的掌握地表植被覆盖度信息能够为生态环境建设提供可靠的参考数据。选取
GF1-WFV（16m）影像、GF1-PMS（8m）影像、融合（2m）影像，并对这些影像进行处理提
取植被覆盖度信息，进一步分析不同影像之间植被覆盖度信息的差异性。研究结果表明：高分
一号影像随着分辨率的提高，影像植被覆盖度的空间结构逐渐明显清晰，纹理越平滑，细节信
息越明显;植被覆盖度信息量随影像分辨率提高，所含信息量不断增加，提取的效果增强，同
时植被覆盖度信息分布呈现中间聚拢的状态;GF1-WFV影像、GF1-PMS影像、融合影像的植被
覆盖度估算的精度分别为63.11%、73.88%、82.13%。因此，高分一号不同分辨率的影像对植
被覆盖度的提取差异明显。
[关键词]高分一号;分辨率;植被覆盖度
[中图分类号]S771.8 [文献标识码]A
植被覆盖度信息不仅是地表重要的信息指标，而且还是生态环境监测的重要数据。目前，
我国植被覆盖度信息提取主要依赖于遥感估算，影像的分辨率对植被覆盖度估算的精度影响最
大，因此，研究不同分辨率影像对植被覆盖度信息提取的差异性具有重要意义。随着我国高分
一号卫星的投入使用，使得更高精度的植被覆盖度信息提取得以实现，研究高分一号不同分辨
率影像下植被覆盖度信息提取的差异性，从而得出不同分辨率对植被覆盖度估算精度的影响，
不仅可以推动高分一号数据在植被覆盖度估算研究中的应用，还为今后的生态文明建设提供理
论与实践依据。
1 数据及研究方法
龙源期刊网
1.1 数据介绍
1.1.1 高分一号WFV/PMS数据。高分一号卫星是我国高分辨率对地观测系统的第一颗卫
星，它搭载了8m分辨率多光谱和两台2m分辨率全色相机，四台16m分辨率多光谱相机。高
分一号数据为今后开展土地资源调查与监测、生态环境调查监测等提供了高精度、高时效的数
据来源，在国产卫星数据中发挥重要作用。
1.1.2 融合数据。本文使用GF1-PMS影像（8m）与GF1全色影像（2m）融合得到分辨率
为2m的融合影像，通过影像融合可以重采样生成一幅具有高分辨率影像的纹理信息又有低分
辨率的多光谱信息的影像。
1.1.3 数据预处理。本文选用2016年4月18日的GF1-WFV影像和2016年5月05日的
GF1-PMS影像，其两幅影像的云量为0，并ENVI软件对影像进行辐射定标、大气校正、多光
谱/全色正射校正、和去云等对原始数据进行了预处理，选取归一化植被指数，采用像元二分
模型对地表植被进行估算，并通过野外调查结果进行验证。
1.2 研究方法
1.2.1 植被指数模型选取。植被指数（Vegetation Index，VI），又称光谱植被指数，是指
由遥感传感器获取的光谱数据，经过线性和非线性的组合运算的对植被具有一定指示意义的各
种数值，是衡量地表植被状况、指示生态环境变化的一个重要指标。目前，在国内外研究结果
中有大约150种植被指数的计算模型，其中常用的植被指数有：垂直植被指数（Perpendicular
Vegetation Index，PVI）、归一化植被指数（Normalized Difference vegetation Index，
NDVI）、比值植被指数（Ratio Vegetation Index，RVI）、增强植被指數（Enhanced Vegetation
Index，EVI）。
本文根据研究区植被覆盖状况，选取应用最广泛的植被指数NDVI模型，利用NDVI不仅
能较为真实地反映地表植被覆盖状况，也能大范围长时间序列地监测地表植被覆盖的变化。
1.2.2 像元二分模型。目前，在利用遥感估算植被覆盖度时最常用的模型有：植被指数模
型、混合光谱模型、亚像元模型和光谱梯度差模型。在这些植被指数中像元二分模型是最常用
的植被覆盖度计算模型，其模型计算公式如下：
VFC=（NDVI-NDVIsoil）/（NDVIveg-NDVIsoil）
式中：VFC表示植被覆盖度;NDVI表示像元的NDVI值;NDVIsoil表示完全是裸地或者无
植被覆盖的像元NDVI值;NDVIveg表示完全有植被覆盖的像元NDVI值。
龙源期刊网
利用像元二分模型计算植被覆盖度最关键的是计算模型中的NDVIsoil和NDVIveg值，两
个值的计算公式为：
NDVIsoil=（VFCmax*NDVImin-VFCmin*NDVImax）/（VFCmax-VFCmin）
NDVIveg=（1-VFCmin）*NDVImax-（1-VFCmax*NDVImax）/（VFCmax-VFCmin）
这里计算有两种假设：①当区域内可以近似取VFCmax=100%，VFCm=0%，公式可变
为：式中：NDVImin是研究区内像元的NDVI最小值;NDVImax是研究区内像元的NDVI最大
值。②当区域内不能近似取VFCmax=100%，VFCm=0%时，如果有实测数据，可以取实测数
据中的植被覆盖度的最大值和最小值作为VFCmax和VFCmin，这两个实测数据对应的图像的
NDVI作为NDVImax和NDVImin。当没有实测数据时，取一定置信度的置信区间中的上限
值、下限值。本研究选取NDVI频率累计表上5%频率对应的值为NDVImin，选取NDVI频率
累计表上95%频率对应的值为NDVImax。
1.2.3 植被覆盖度估算和验证。在像元二分模型中，NDVIveg代表着全部植被覆盖像元的
最大值，由于受地表植被类型的影响，NDVIveg值也会随着时间和空间的变化而变化，同理
NDVIsoil也会发生变化。因此，计算植被覆盖度时，对于NDVIveg和NDVIsoil值不能取固定
值。本研究利用土地覆盖图分别求解不同土地覆盖类型内的NDVImax和NDVImin作为
NDVIveg和NDVIsoil，可以得到NDVIveg和NDVIsoil的参数文件。步骤如下：①获取土地覆
盖类型阈值，本研究选取每个土地覆盖类型的NDVI频率累计表上5%频率对应的值为
NDVImin，选取NDVI频率累计表上95%频率对应的值为NDVImax。②根据阈值分别生成
NDVIsoil和NDVIveg参数文件，主要使用bandmath工具，表达式：NDVIsoil：
b1*NDVImin+b2*NDVImin+b3*NDVImin+b4*NDVImin+b5*NDVImin，其中b1、b2、b3、
b4、b5为土地覆盖类型的掩膜文件。③利用得到的NDVIsoil和NDVIveg参数文件带入公式
VFC=（NDVI-NDVIsoil）/（NDVIveg-NDVIsoil），运用Bandmath计算，去除异常值得到研
究区的植被覆盖度。
本研究对植被覆盖度的验证方法主要是通过野外调查结果进行验证，具体步骤：首先在
ArcGIS软件中建立公里网格，通过影像筛选出一定数量的实测点;其次进行野外样地的实地调
查，最后通过样点和实测数据计算估算的精度。
1.2.4 植被覆盖度分级。参照中华人民共和国水利部批准《土壤侵蚀分类分级标准》
（SL190—2007），同时根据研究区植被分布特征，将植被覆盖进行盖度分级，共分为5个等
级，分别为对应植被覆盖度为<30%、30%～45%、45%～60%、60%～75%、>75%。
2 结果与分析
2.1 不同影像的植被覆盖度图像分析
龙源期刊网
为了研究GF1-WFV影像、GF1-PMS影像、融合影像的分辨率对植被覆盖度的影响，采用
像元二分模型估算地表植被覆盖度，从图1中可以看出随着影像分辨率不断提高，植被覆盖度
图像的结构逐渐变清晰，细节更明显，纹理更平滑。GF1-WFV影像的植被覆盖度图的结构模
糊，不能清晰地表达研究区的植被总体分布情况和植被覆盖度情况，同时局部区域植被覆盖度
不能被区分，信息不能完整的表达。融合影像的植被覆盖度的分布情况整体和GF1-PMS影像
相似，但在局部区域植被覆盖度的分类更细致，说明同一个分辨率的多光谱数据和融合高分辨
的数据，在植被覆盖度的空间结构和分布上没有太大的差异。从植被覆盖度提取来看GF1-
WFV影像很多植被覆盖度等级信息没有提取出来，存在信息缺失。
2.2 不同影像的植被覆盖度等级占比分析
从表1可以看出不同影像的植被覆盖度分布呈现以下规律：①随着影像分辨率的提高，植
被覆盖度分级结果在不同影像中所占的比例有明显变化，随着分辨率的提高植被覆盖度<75%
以下的等级所占比例逐渐下降，植被覆盖度>75%的占比逐渐上升。②三个影像的植被覆盖度
边缘等级变化最明显，也就是最高植被覆盖度和最低植被覆盖度变化最明显。随着分辨率的提
高，植被覆盖度<30%的等级所占比例明显下降，整体下降了9.60%，植被覆盖度>75%的等级
所占比例明显上升，整体上升了16.25%。说明GF1-WFV影像的植被覆盖度在<30%和>75%
时，植被覆盖度信息均出现较大误差。③对比三个影像的植被覆盖度分级占比可以看出GF1-
WFV影像和GF1-PMS影像的占比变化最明显，GF1-PMS影像和融合影像的变化不大。从表1
可以得出GF1-WFV影像到GF1-PMS影像植被覆盖度等级从小到大分别变化了7.66%、
3.24%、2.47%、2.39%、15.75%，GF1-PMS影像到融合影像植被覆盖度等级从小到大分别变
化了1.94%、2.65%、2.84%、2.03%、5.40%。GF1-WFV影像与GF1-PMS影像植被覆盖度占
比变化最大为15.75，GF1-PMS影像与融合影像的植被覆盖度占比变化最大仅为5.40%。④结
合植被覆盖度直方图和植被覆盖度空间分布图可以看出，GF1-WFV影像的植被覆盖度估算的
能力较差，在植被覆盖度<30%和>75%的估算精度不高，在局部的植被覆盖度分布上很粗糙、
模糊，存在一定的植被覆蓋度信息缺失。因此GF1-WFV影像不适合植被覆盖度的提取。
2.3 不同影像的植被覆盖度提取精度分析
为了评价植被覆盖度估算的精度，本文研究通过实地采样，在区域内布设公里网格，选取
30个精度验证点，通过调查得到样点的真实植被覆盖度。通过计算得到GF1-WFV影像、GF1-
PMS影像、融合影像的植被覆盖度精度分别为63.11%、73.88%、82.11%，综上可以看出，随
着影像分辨率的提高，高分辨率影像的精度明显高于低分辨率影像的精度。
3 结论
GF1-WFV影像、GF1-PMS影像、融合影像随着遥感影像的分辨率不断提高，植被覆盖度
图像的结构逐渐变得清晰，细节更明显，纹理更平滑。同时GF1-WFV影像很多植被覆盖度等
级信息没有提取出来，存在较大信息缺失。
龙源期刊网
随着分辨率的提高植被覆盖度<75%以下的等级所占比例逐渐下降，植被覆盖度>75%的占
比逐渐上升。GF1-WFV影像的植被覆盖度在<30%和>75%时，植被覆盖度信息均出现较大误
差。GF1-WFV影像到GF1-PMS影像植被覆盖度等级从小到大分别变化了7.66%、3.24%、
2.47%、2.39%、15.75%，GF1-PMS影像到融合影像植被覆盖度等级从小到大分别变化了
1.94%、2.65%、2.84%、2.03%、5.40%。GF1-WFV影像与GF1-PMS影像植被覆盖度占比变化
最大为15.75，GF1-PMS影像与融合影像的植被覆盖度占比变化最大仅为5.40%。通过计算得
到GF1-WFV影像、GF1-PMS影像、融合影像的植被覆盖度精度分别为63.11%、73.88%、
82.11%，
[参考文献]
[1] 谭永生，沈掌泉，贾春燕，等.中高分辨率遥感影像融合研究[J].遥感技术与应用，
2007，22（4）：536-542.
[2] 陈述彭，李志荣，王渊.地球资源卫星应用系统及其智能化[J].国土资源遥感，1989，1
（1）：14-22.
[3] 张喜旺，吴炳方.基于中高分辨率遥感的植被覆盖度时相变换方法[J/OL].生态学报，
2015，35（04）：1155-1164.
[4] 田庆久，闵祥军.植被指数研究进展[J].地球科学进展，1998（04）：10-16.
[5] 顾祝军，曾志远.遥感植被盖度研究[J].水土保持研究，2005（02）：18-21.
[6] 邓书斌.ENVI遥感图像处理方法[M].北京：高等教育出版社，2014.
[7] Gutman G，Ignatov derivation of the green vegetation fraction from NOAA/AVHRR
data for use in; numerical weather prediction models[J].International Journal of Remote Sensing，
1998，19（8）：1533-1543.