The Comparison of Remote Sensing Estimation Models for Fractional Vegetation Cover Based on UAV Hyperspectral Image
-
摘要: 为了探寻光谱解混模型估算植被覆盖度的精度及适用性，对广东省中山市民众镇义仓村内的一块香蕉林地，利用无人机高光谱数据，比较了3种植被覆盖度估算的经典模型(像元二分模型、Carlson模型和Baret模型)以及目前较为常用的3种光谱解混模型(线性光谱混合模型(Linear Mixed Model, LMM)、后验多项式非线性混合模型(Polynomial Post-nonliner Mixing Model，PPNMM)和考虑光谱变异的正态组分模型(Normal Compositional Model，NCM))估算植被覆盖度的效果. 实验结果表明：像元二分模型高估了植被覆盖度；Carlson模型低估了植被覆盖度；Baret模型在低植被覆盖度区域内高估了植被覆盖度、在高植被覆盖度区域内低估了植被覆盖度；LMM模型在高植被覆盖度区域有较好的估算效果；PPNMM模型在低植被覆盖度出现小幅度高估；NCM模型估算的效果最佳.Abstract: The UAV hyperspectral data on a banana forest land in Yicang Village, Minzhong Township, Zhongshan City, Guangdong Province is used to explore the accuracy and applicability of the spectral unmixing model for estimating vegetation coverage. The effects of three classical models (pixel binary model, Carlson model and Baret model) and three spectral unmixing models (LMM model, PPNMM model and NCM model) in estimating vegetation coverage are compared. The experimental results show that the pixel binary model overestimates the vegetation coverage; the Carlson model underestimates the vegetation coverage; the Baret model overestimates the vegetation coverage in the low vegetation coverage area and underestimates the vegetation coverage in the high vegetation co-verage area; the LMM model has good estimation effect in areas with high vegetation coverage; the PPNMM model overestimates slightly in low vegetation coverage; and the NCM model has the best estimation effect.
-
Keywords:
- fractional vegetation cover /
- UAV /
- hyperspectral image /
- mixel pixel model
-
巨大的能源需求是当今世界发展日益面临的重大能源问题，煤、石油和天然气作为传统的不可再生能源，不仅在燃烧时会产生CO2导致温室效应，并且随着人类过度开采与使用，化石能源必然会面临枯竭，因此开发清洁的可再生能源迫在眉睫.太阳能是一种取之不尽、用之不竭的清洁能源，不会对环境造成任何形式的污染，是非常理想的能量来源.每年太阳照射到地球上的能量约1.3×105 TW，是世界年消耗能量的10 000倍左右.如果能够大规模转化和利用太阳能，对世界能源问题影响将是巨大的.因此对太阳能的研究和开发具有重大前景和意义[1].
对于太阳能的开发利用包括：光电效应和自然界植物对太阳独特的吸收利用.光电效应自爱因斯坦提出以来，在科研人员的不懈努力探索下，将太阳能转换为电能的半导体太阳能电池问世[2]，在受到叶绿体吸收太阳光结合H2O产生O2的启发下，半导体催化分解H2O的仿生光合作用应运而生[3].目前，对太阳能的利用开发主要集中于半导体领域，在太阳能电池方面的研究经历了从单元素硅到多元素化合物半导体的演变.与单元素硅相比，由2种或2种以上元素以确定的原子数配比形成化合物半导体，其种类丰富且光电性能优异，是制备光伏器件的理想材料[4].化合物半导体具有明确的禁带宽度和能带结构，不同元素组成的化合物半导体具有不同的带隙，容易找到对太阳光有较大吸收的、适合作为光伏器件吸收层的化合物半导体材料，以获得更高的太阳能转换效率.并且化合物结构相对稳定，制备工艺成熟，制备出来的器件不仅具有良好的稳定性且制作成本低廉，这也是以化合物半导体吸收层光伏器件大规模应用的巨大优势.而仿生太阳光分解水制氢的原理与太阳能电池相似，与太阳能电池不同的是光解水器件与水接触，在实际应用中更容易受到环境侵害.因此，轻薄、低成本、可调控的化合物半导体光伏材料比单元素半导体更适合未来的太阳能利用与开发[5-7].
1. 化合物半导体太阳能电池
1.1 太阳能电池研究概述
太阳能电池是目前最为常见的太阳能转换器件，通过光电效应将太阳能直接转换为电能.随着对太阳能电池的研究，太阳能电池的效率和稳定性逐渐升高，根据美国国家可再生能源实验室最新统计显示，以砷化镓、碲化镉、铜铟镓锡为代表的化合物半导体，太阳能电池的光电转换效率不断增加[8-11]，其中砷化镓薄膜晶体太阳能电池的光电转换效率达到30.9%[12]，聚光多结太阳能电池更是达到目前最高的光电转换效率(46.0%)[13].
太阳能电池的快速发展和产业化，使太阳能电池已经具备大规模商用的条件.太阳能的大规模利用，为世界能源问题起到明显的缓解作用.随着科技的不断进步，人类社会对环境保护的要求和对再生清洁能源的需求不断提高，通过太阳能电池利用太阳能将会是切实可行的方法，这将为人类未来大规模地利用太阳能开辟广阔的天地.但高效率的砷化镓、碲化镉等化合物半导体伴随着高成本和高危剧毒性，所以，开发以低成本、无毒性的由Cu、Zn、Sn、S、Se、O等元素组成的化合物半导体材料(如Cu2ZnSnS4，下称“CZTS”)，将会是未来实现太阳能高效持续利用的重要途径之一[14-16].
1.2 半导体太阳能电池的低成本化
本研究组前期的研究方向主要围绕这些低成本化合物半导体开展，具体涉及CZTS太阳能电池制备及性能的改善，取得了一些卓有成效的成果[14-21]. CZTS是一种具有出色光电性能的化合物半导体光伏材料，其禁带宽度为1.45 eV，可以为太阳能电池和太阳光分解水制氢器件提供良好的开启电压和光电流，理论光电转换效率达到32.8%，非常适合作为太阳能器件的吸收层. CZTS材料光吸收系数大于104 cm-1，迁移率为10.72 cm2/(V ·s)，在以CZTS材料为吸收层的光电器件中，光生载流子的产生和传输都具有良好的先天优势[14].最初，本研究采用恒电位电化学沉积法将Cu层、Sn层及Zn层前驱体金属依次沉积在Mo涂层玻璃上，然后将沉积样品进行350 ℃的低温热处理，以达到均匀的合金化效果[17]，最后进行590 ℃高温硫化以制备CZTS基层，从扫描电镜图(图 1A~D)可看出，随着金属前驱体预热时间的增加，CZTS晶粒之间空隙越小，薄膜越致密.此外，在CZTS薄膜基础上叠加CdS、AZO、ITO和接触电极Al，制备了Al/ITO/ZnO/CdS/CZTS/Mo太阳能电池结构器件.
![]()
图 1 不同预热时间制备CZTS薄膜的表面SEM图、电池界面TEM图及器件性能[17]注：A~D分别为金属前驱体经过0、40、80、150 min预热硫化得到的CZTS薄膜表面的SEM图; E为经150 min预热制备的CZTS基体组装的太阳能电池界面图; F为CZTS的部分截面EDX扫描图; G为不同预热时间制备的Al/ITO/ZnO/CdS/CZTS/Mo太阳能电池结构器件的性能参数.Figure 1. The SEM, TEM and device performance curves of CZTS thin films under different preheating time lengths[17]为了更详细了解预热150 min后CZTS层的结晶品质，对预热150 min制备的Al/ITO/ZnO/CdS/CZTS/Mo器件截面拍摄了透射电子显微镜(TEM)图像，并对CZTS部分做了能量色散X射线光谱(EDX)分析(图 1E~F); Cu、Zn、Sn、S元素在CZTS部分分布非常均匀，这得益于金属前驱体的长时间低温预热，使得Cu、Zn、Sn可以均匀扩散实现更好的合金化效果，制备的Al/ITO/ZnO/CdS/CZTS/Mo太阳能电池结构器件性能也随着制备CZTS基层时预热时间的增加而改善(图 1G). Al/ITO/ZnO/CdS/CZTS/Mo器件的最优开启电压和短路电流分别为0.719 V和17.7 mA/cm2，经过防反射层处理后，其光电转换效率达到8.0%[17].后续通过载流子寿命、光致发光等测试分析进一步优化了Al/ITO/i-ZnO/CdS/CZTS/Mo结构中CZTS层的预热时间，取得更优异的性能，该太阳能电池器件的开启电压及短路电流分别为0.705 V和18 mA/cm2，并且太阳能电池的光电转换效率达8.1%[18].
为了尽量降低CZTS基太阳能电池的成本，采取非真空喷雾热解法制备了Ga掺杂ZnO(GZO), 将其作为窗口层制备了Al/GZO/CdS/CZTS/Mo结构的太阳能电池，采用GZO喷雾热解法制备薄膜，其器件结构截面如图 2A所示，喷雾热解法制备的GZO可以致密地覆盖CdS/CZTS层，其厚度达到1 μm左右; 图 2C为喷雾热解GZO层的透射光谱图，1 μm厚的GZO对光透过性良好，可见光透过率并没有明显降低. Al/GZO/CdS/CZTS/Mo太阳能电池光电性能如图 2B、D所示，获得了0.678 V和16.6 mA/cm2的开启电压和短路电流以及6.4%的光电转化效率[19].
![]()
1.3 In2S3缓冲层
由于CdS对环境具有极强的破坏性，我们尝试寻找可以替代的缓冲层，利用前述电沉积方法制备CZTS基层，并在此基础上电沉积不同厚度In2S3作为缓冲层，最后制备Al/ITO/ZnO/In2S3/CZTS/Mo结构的无镉太阳能电池器件; 不同厚度In2S3作为缓冲层的器件光电性能如图 3所示.最终在最优参数条件下制备太阳能电池器件，开启电压及短路电流分别为0.621 V、20 mA/cm2，光电转换效率达到6.9%[22].
![]()
1.4 CZTS薄膜的改进电沉积工艺
由于堆叠式电沉积金属前驱体工艺繁琐，我们改进了电沉积方法：采用金属前驱体混合共沉积的方法制备了合金化更均匀的CZTS薄膜，以其为基础制备的ITO/CdS/CZTS/Mo太阳能电池获得了7.7%的光电转换效率[23].除了电沉积及溅射法制备CZTS薄膜，喷雾热解法也可被用于CZTS薄膜的制备，并且喷雾热解法比溅射法的成本低.电沉积法更容易控制且对衬底要求较低，可重复性强，有利于大面积大规模的实际应用.基于此，我们采用喷雾热解法制备了CZTS薄膜太阳能电池，光电转换效率可达5.8%(图 4)，该器件具有十分广阔的发展前景[24].对于CZTS基薄膜太阳能电池，CdS仍然是与吸收层匹配最好、性能最优异的缓冲层材料，但受限于Cd的剧毒性，后续发展性能优异的无Cd太阳能电池器件依然是重要研究方向; 基本实际应用中的成本及可行性考虑，喷雾热解法制备CZTS吸收层的低成本及组分可调控性、可大面积喷涂等优势也将加快其器件的商业化进程.
![]()
图 4 喷雾热解法制备Al/ITO/ZnO/CdS/CZTS/Mo结构太阳能电池的制备示意图及其器件的I-V曲线[24]Figure 4. The preparation of solar cells Al/ITO/ZnO/CdS/CZTS/Mo structure through spray pyrolysis and the I-V curve of the device2. 化合物半导体太阳光分解水制氢
2.1 仿生光合作用
对太阳能利用的另一方式即仿生光合作用，利用半导体吸收太阳光催化分解水制氢，是一种通过化学反应将太阳能转化为氢能的途径，其原理与太阳能电池相近[3-4].氢能是另一种具有显著标志性意义的清洁能源，其燃烧产物只有水，不会对环境造成污染，围绕氢能的研究和探索工作意义重大.太阳能与氢能的结合吸引了越来越多的关注.目前，光伏材料与器件的发展态势迅猛并日趋成熟，相关技术研发层出不穷.光伏材料及其器件因为其特有的光伏效应和较高的太阳光利用效率，非常适合作为太阳光分解水制氢电极材料.近年来，CZTS在太阳光分解水制氢领域显示出了极大的潜能，利用光伏材料及其器件来制备和研究太阳光分解水制氢是一条值得大力发展的研究道路，也是目前最有希望在太阳能制氢领域实现大规模工业化生产和应用的研究方向.
2.2 CZTS基光电阴极光分解水制氢
光电阴极主要包括：吸收层、缓冲层、表面催化剂.吸收层吸收大部分太阳光激发载流子; 缓冲层吸收少部分太阳光并与吸收层形成异质结促进载流子的分离和传输; 表面催化剂吸附H+.由于CdS与CZTS形成的异质结性能优异，通常用CdS作为缓冲层，但是CdS在水溶液中存在光腐蚀效应从而导致缓冲层的失效，所以通常在缓冲层与催化剂之间会插入表面修饰层起到钝化保护作用，或者作为电子-空穴传输层促进载流子的分离和传输.首先用电沉积方法制备CZTS吸收层，然后通过水浴反应先沉积CdS，再沉积较为稳定的In2S3作为表面钝化层.由图 5A可知，与Pt/CdS/CZTS光阴极相比，Pt/In2S3/CZTS光阴极电流明显较低，在0 V(RHE，相对于可逆氢电极，全文同)下的光阴极电流分别为-4.5、-9.3 mA/cm2. CdS的能带位置与CZTS能带位置更加匹配，更有利于载流子的传输; 而Pt/In2S3/CdS/CZTS光阴极可获得更低的阴极电流，因为在Pt与CdS之间插入In2S3层，不仅起到了很好的钝化保护作用，还成为良好的电子传输层促进载流子的转移. 图 5B为太阳能转换氢能半电池效率(Half Cell Solar to Hydrogen Efficiency, HC-STH)图，Pt/In2S3/CdS/CZTS光阴极的水分解效率为1.63%，远高于Pt/CdS/CZTS的0.61%, 由电流-时间曲线(图 5C)可以看出，随着时间的推移，Pt/In2S3/CdS/CZTS光阴极的阴极电流略微衰减，而Pt/CdS/CZTS阴极电流在短时间内几乎衰减到0，由此判断In2S3层具有良好的钝化保护作用[25].
![]()
图 5 CZTS基光电阴极的光分解水制氢性能[25]注：A为在AM 1.5 G模拟太阳光照射下磷酸缓冲液(pH 6.5)中Pt/CZTS、Pt/CdS/CZTS、Pt/In2S3/CZTS及Pt/In2S3/CdS/CZTS光阴极的线性伏安扫描曲线; B和C分别为Pt/CdS/CZTS和Pt/In2S3/CdS/CZTS光阴极的HC-STH图、电流-时间曲线; D为Pt/In2S3/CdS/CZTS光阴极与NiOOH/BiVO4光阳极串联结构器件的工作原理结构示意图; E为线性伏安扫描曲线; F为分解水产氢/氧物质的量随时间变化图、电流-时间曲线(插图).Figure 5. The performance of CZTS based photocathode in hydrogen generation through water photolysis[25]2.3 无偏压的水分解器件
由于Pt/In2S3/CdS/CZTS光阴极具有较高的开启电压和优异的光电性能，该光阴极可以与BiVO4组成无偏压的水分解器件(图 5D), 该器件不需要任何外界电压辅助.本研究组对其进行了光电性能及无偏压器件产氢测试(图 5E、F)，串联器件的水分解效率为0.28%[25].虽然串联器件效率低，但可以实现无偏压分解水产氢，并且表现出良好的稳定性，而且BiVO4是一种非常稳定的光阳极材料，已有报道称其稳定性可以达到1 100 h以上.但是受限于光阴极材料的稳定性，当前阶段并不能制备稳定高效的无偏压水分解器件，所以本研究组主要围绕提升光阴极稳定性及光阴极电流展开了进一步研究.
由于电沉积CZTS薄膜具有较难重复，并且对衬底要求较高，所以采用改进喷雾热解法制备CZTS薄膜的工艺，通过优化相关参数制备出了性能优异的CZTS薄膜; 进一步使用化学水浴沉积法沉积缓冲层CdS和表面修饰层ZnS，制备了Pt-ZnS/CdS/CZTS结构的光阴极，结果发现：ZnS可以有效地钝化并保护CdS缓冲层，进而降低其在溶液中的光腐蚀速率，并且ZnS通过内部缺陷与CdS形成II型异质结界面，可以通过调节表面载流子的空间分布，有效增强表面的催化活性(图 6A)，进而增强光阴极器件的产氢性能，并且能稳定2.5 h，阴极电流未发生明显衰减(图 6B)，在0 V下，光阴极电流为8 mA/cm2，水分解效率为2.1%(图 6C)[26].
![]()
采用不同的表面修饰层来保护CdS缓冲层，用HfO2钝化保护CdS缓冲层，具体稳定性如图 7A~D所示，其光阴极电流如图 7E~H所示.
![]()
图 7 Pt-HfO2/CdS/CZTS光阴极中不同厚度HfO2层的电流-时间曲线以及稳定性测试前后的线性伏安扫描曲线[27]注：A~D为电流-时间曲线，HfO2层厚度分别为0、3、6、10 nm; E~H为HfO2层稳定性测试前后的线性伏安扫描曲线，HfO2层厚度分别为0、3、6、10 nm.Figure 7. The current-time curves of HfO2 layers of different thicknesses in Pt-HfO2/CdS/CZTS photocathode and the linear voltammetric scanning curves before and after stability test[27]结果表明：HfO2钝化层(厚度6 nm)可诱发表面隧穿效应，促进了载流子的分离和传输，提高了CZTS基光阴极的光解水性能，光阴极电流为11.9 mA/cm2 (0 V)，开启电压为0.65 V(图 7G)，稳定性可以保持在10 h以上(图 7C)，水分解效率达2.7%.
为了测试其无偏压分解水性能，设计Pt-HfO2/CdS/CZTS与BiVO4串联结构，器件的伏安扫描曲线在0.57 V处有交点，电流为0.64 mA, 该结构器件具有良好的稳定性(图 8A)及产氢性能(图 8B、C)，可稳定产氢10 h左右，其结构示意图与器件实物如图 8D、E所示[27].
![]()
2.4 无贵金属光阴极催化分解水
MoSx不仅对CdS具有良好的修饰钝化保护作用，还可以代替Pt作为表面析氢催化剂，从而制备无贵金属光阴极催化分解水器件，进一步降低器件成本.本研究组前期研究发现：相对于传统含贵金属Pt的光电阴极，MoSx具有更高的开启电压和阴极电流(图 9A、B).通过调节MoSx的沉积时间优化了厚度参数，其性能由图 9C所示.在最优参数条件下制备的MoSx-CdS/CZTS结构光阴极，其稳定性达到10 h以上(图 9D).阴极电流为18 mA/cm2 (0 V)，开启电压为0.6 V，水分解效率达3%.该研究开拓了新型表面修饰层以及表面催化剂的选择性，对推进CZTS基光阴极产业化进程具有重大意义[28].
![]()
2.5 竖立堆积纳米片阵列GeSe光阴极
通过热蒸发法，调节参数制备竖立堆积纳米片阵列的GeSe吸收层薄膜，然后采用水浴沉积CdS、原子气相沉积法制备TiO2层，并将Pt纳米颗粒电沉积在表面作为催化剂(Pt-GeSe、Pt-CdS/GeSe、Pt-TiO2/CdS/GeSe)，相应光阴极的线性伏安扫描曲线对比如图 10A~C所示，Pt-TiO2/CdS/GeSe光阴极的光电流相比其他2种有明显提升，最后获得10.5 mA/cm2 (0 V)的光阴极电流，开启电压为0.45 V，水分解效率为1.04%(图 10D). 图 10E为不同光强下GeSe、CdS/GeSe、TiO2/CdS/GeSe光阴极的开启电压.在光强较低时CdS界面复合严重，导致开启电压较低，而随着光强的增加，复合现象得到缓解，但仍然对其性能有影响.对于TiO2覆盖的CdS/CZTS光阴极，其开启电压随着光强的变化而改变不大，证明TiO2能有效抑制CdS表面载流子的复合[29].
![]()
2.6 上转换材料和CZTS光阴极结合
将上转换材料和CZTS光阴极结合是一项有趣的研究，它使原本不能被CZTS光阴极吸收的红外光转换为可吸收波长范围的光，进而分解水产氢.当前最优方案：在磷酸溶液中溶解NaYF4 : Yb20%/Er2%@NaYF4、辅以Pt/CdS/CZTS光阴极可得到光阴极电流达4 mA/cm2 (0 V)，开启电压为0.6 V.目前，相关研究尚处于起步阶段，这为以后CZTS基光阴极分解水的研究提供了新的思路[30].
3. 结束语
针对CZTS薄膜制备及影响因素的研究进展进行综述.通过改进工艺及优化参数可提升电沉积CZTS基太阳能电池效率，采用低成本喷雾热解的制备方法可提升CZTS基太阳能电池的性能; 提出环保无Cd薄膜太阳能电池的具体方案，使用无Cd的In2S3及Si作为缓冲层制备太阳能电池，可以降低太阳能电池毒性.目前，相比更成熟的砷化镓、碲化镉等半导体材料，CZTS、GeSe等低成本环保型半导体材料还有很大的发展空间.主要问题是光电转换效率不高，材料晶体品质、制备工艺及掺杂机理尚待进一步研究.
考虑到大面积、大规模的应用，开发多种多样的低成本制备方案也有利于器件的商业化进程; 探讨更完善的金属掺杂机理有利于改善晶体结构品质，减少缺陷和界面以促进载流子的分离与传输.另一方面，需要寻找开发更为环保的无Cd缓冲层半导体材料，在提高太阳能电池效率的同时，实现以环保无毒方式利用太阳能的目标.
受植物光合作用的启发，人工光合作用分解水制氢是另一个实现环保利用太阳能的方法，并且产出燃料可以替代化石燃料作为新兴能源，适应性更广泛，与太阳能电池原理类似，且具有更简单的结构，本研究组在这一方面也做了许多工作：通过优化工艺，从电沉积到喷雾热解制备CZTS薄膜，并辅以In2S3、ZnS、HfO2、MoSx等表面修饰层, 极大提升了CZTS薄膜光电阴极分解水的性能; 关注其他光阴极材料(如GeSe)，使用热蒸发法制备了GeSe纳米片状结构薄膜，将其光阴极的水分解效率提升到1.04%;为了解决光电极外置偏压的问题，我们通过太阳能电池与光电极结合的方法，制备CZTS基太阳能电池与BiVO4结合结构，由太阳能电池提供外置偏压，BiVO4分解水制氧，在对电极上制氢.此外，为结合实际应用，实现无偏压分解水制氢，我们在同时期制备了CZTS基体/BiVO4基体串联结构，由Pt/In2S3/CdS/CZTS与NiOOH/BiVO4的串联结构到Pt-HfO2(6 nm)/CdS/CZTS与BiVO4的串联结构; 同时，我们将上转换材料与CZTS基光电阴极结合，通过上转换材料将CZTS不吸收的红外光转换为可吸收光，拓宽了吸收层的吸收波长，拓展了CZTS基光电阴极分解水的新思路.
无论是太阳能电池，还是光电极器件，如何高效分离转移光生载流子对两者性能的提升至关重要，且两者具有通性.而与薄膜太阳能电池不同的是，光电极拥有固液接触界面，所以需要更好的保护层及高效的表面催化剂; 在两者的研究工作中，提高吸收层性能、选择更好的缓冲层形成异质结对两种太阳能利用方式都有重大帮助.但从长远来看，易于存储转移的燃料氢能比光电转化更具有普适性和更广泛的应用.
-
![]()
图 3 无人机影像及4种分类方法的分类结果
Figure 3. The UAV images and classification results with 4 classification methods
![]()
图 4 6种模型的植被覆盖度估算值与验证值的拟合
Figure 4. Fitting of estimated and verified values of vegetation coverage with 6 models
表 1 6种模型估算植被覆盖度的精度评价
Table 1 The evaluation of the accuracy of the estimation of vegetation coverage with 6 models
评价指标 像元二分模型 Carlson模型 Baret模型 LMM模型 PPNMM模型 NCM模型 RMSE 0.132 7 0.087 3 0.076 6 0.058 2 0.064 9 0.040 1 Ef/% 33.74 16.92 13.89 13.47 15.39 7.53 
下载: 导出CSV
表 2 低植被覆盖度区域的估算精度评价
Table 2 The evaluation of the accuracy of the estimation of fractional low vegetation coverage area
评价指标 像元二分模型 Carlson模型 Baret模型 LMM模型 PPNMM模型 NCM模型 RMSE 0.158 4 0.079 3 0.060 9 0.074 4 0.081 2 0.039 5 Ef/% 57.01 24.14 19.06 23.58 26.80 11.18
下载: 导出CSV
表 3 高植被覆盖度区域的估算精度评价
Table 3 The evaluation of the accuracy of the estimation of fractional high vegetation coverage area
评价指标 像元二分模型 Carlson模型 Baret模型 LMM模型 PPNMM模型 NCM模型 RMSE 0.106 7 0.093 5 0.087 4 0.039 8 0.047 0 0.040 5 Ef/% 14.36 10.90 9.59 5.05 5.89 4.49
下载: 导出CSV
-
[1] GITELSON A A, KAUFMAN Y J, STARK R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87. doi: 10.1016/S0034-4257(01)00289-9
[2] 路广, 韩美, 王敏, 等. 近代黄河三角洲植被覆盖度时空变化分析[J]. 生态环境学报, 2017, 26(3): 422-428. https://www.cnki.com.cn/Article/CJFDTOTAL-TRYJ201703009.htm LU G, HAN M, WANG M, et al. Temporal and spatial vari-ation of vegetation fraction in the Modern Yellow River Delta[J]. Ecology and Environment Sciences, 2017, 26(3): 422-428. https://www.cnki.com.cn/Article/CJFDTOTAL-TRYJ201703009.htm
[3] 佟斯琴, 包玉海, 张巧凤, 等. 基于像元二分法和强度分析方法的内蒙古植被覆盖度时空变化规律分析[J]. 生态环境学报, 2016, 25(5): 737-743. https://www.cnki.com.cn/Article/CJFDTOTAL-TRYJ201605002.htm TONG S Q, BAO Y H, ZHANG Q F, et al. Spatiotemporal changes of vegetation coverage in Inner Mongolia based on the dimidiate pixel model and intensity analysis[J]. Eco-logy and Environment Sciences, 2016, 25(5): 737-743. https://www.cnki.com.cn/Article/CJFDTOTAL-TRYJ201605002.htm
[4] 赵艳华, 苏德, 包扬, 等. 阴山北麓草原生态功能区植被覆盖度遥感动态监测[J]. 环境科学研究, 2017, 30(2): 240-248. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKX201702008.htm ZHAO Y H, SU D, BAO Y, et al. Dynamic monitoring of fractional vegetation cover of eco-function area of grassland on northern foot of Yinshan Mountains through remote sensing technology[J]. Research of Environmental Sciences, 2017, 30(2): 240-248. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKX201702008.htm
[5] 赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2013. [6] 贾坤, 姚云军, 魏香琴, 等. 植被覆盖度遥感估算研究进展[J]. 地球科学进展, 2013, 28(7): 774-782. https://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ201307006.htm JIA K, YAO Y J, WEI X Q, et al. A review on fractional vegetation cover estimation using remote sensing[J]. Advances in Earth Science, 2013, 28(7): 774-782. https://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ201307006.htm
[7] ZRIBI M, LE HEGARAT-MASCLE S, TACONET O, et al. Derivation of wild vegetation cover density in semi-arid regions: ERS2/SAR evaluation[J]. International Journal of Remote Sensing, 2003, 24(6): 1335-1352. doi: 10.1080/01431160210146668
[8] HAN W Q, ZHAO S H, FENG X Z, et al. Extraction of multilayer vegetation coverage using airborne LiDAR discrete points with intensity information in urban areas: a case study in Nanjing City, China[J]. International Journal of Applied Earth Observations and Geoinformation, 2014, 30: 56-64. doi: 10.1016/j.jag.2014.01.016
[9] LI S H, ZHOU J S, JIN B X, et al. Dynamic monitoring of fractional vegetation cover in fuxian lake watershed based on multi-temporal Landsat 5/8 images[J]. International Journal of Earth Sciences and Engineering, 2016, 9(4): 1596-1601. http://www.researchgate.net/publication/312444929_Dynamic_monitoring_of_fractional_vegetation_cover_in_fuxian_lake_watershed_based_on_multi-temporal_landsat_58_images
[10] JIA K, LIANG S L, GU X F, et al. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data[J]. Remote Sensing of Environment, 2016, 177: 184-191. doi: 10.1016/j.rse.2016.02.019
[11] 庞国伟, 杨勤科, 王春梅, 等. 像元二分模型参数确定方法对高分一号PMS数据估算植被覆盖度精度的影响[J]. 地理与地理信息科学, 2019, 35(4): 27-33. doi: 10.3969/j.issn.1672-0504.2019.04.005 PANG G W, YANG Q K, WANG C M, et al. Influence of parameter determination methods of the pixel dichotomy model on the estimation accuracy of fractional vegetation cover by GF-1 PMS data[J]. Geography and Geo-Information Science, 2019, 35(4): 27-33. doi: 10.3969/j.issn.1672-0504.2019.04.005
[12] 李晓松, 高志海, 李增元, 等. 基于高光谱混合像元分解的干旱地区稀疏植被覆盖度估测[J]. 应用生态学报, 2010, 21(1): 152-158. https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB201001023.htm LI X S, GAO Z H, LI Z Y, et al. Estimation of sparse vege-tation coverage in arid region based on hyperspectral mixed pixel decomposition[J]. Chinese Journal of Applied Ecology, 2010, 21(1): 152-158. https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB201001023.htm
[13] 朱蕾, 徐俊锋, 黄敬峰, 等. 作物植被覆盖度的高光谱遥感估算模型[J]. 光谱学与光谱分析, 2008, 28(8): 1827-1831. doi: 10.3964/j.issn.1000-0593.2008.08.032 ZHU L, XU J F, HUANG J F, et al. Study on hyperspectral estimation model of crop vegetation cover percentage[J]. Spectroscopy and Spectral Analysis, 2008, 28(8): 1827-1831. doi: 10.3964/j.issn.1000-0593.2008.08.032
[14] ZHANG X F, LIAO C H, LI J H, et al. Fractional vegetation cover estimation in arid and semi-arid environments using HJ-1 satellite hyperspectral data[J]. International Journal of Applied Earth Observations and Geoinformation, 2012, 21: 506-512.
[15] 冯海英, 冯仲科, 冯海霞. 一种基于无人机高光谱数据的植被盖度估算新方法[J]. 光谱学与光谱分析, 2017, 37(11): 3573-3578. https://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201711053.htm FENG H Y, FENG Z K, FENG H X. A new method for estimating the fractional vegetation cover based on UVA hyperspectrum[J]. Spectroscopy and Spectral Analysis, 2017, 37(11): 3573-3578. https://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201711053.htm
[16] 邢著荣, 冯幼贵, 杨贵军, 等. 基于遥感的植被覆盖度估算方法述评[J]. 遥感技术与应用, 2009, 24(6): 849-854. https://www.cnki.com.cn/Article/CJFDTOTAL-YGJS200906022.htm XING Z R, FENG Y G, YANG G J, et al. Method of estimating vegetation coverage based on remote sensing[J]. Remote Sensing Technology and Application, 2009, 24(6): 849-854. https://www.cnki.com.cn/Article/CJFDTOTAL-YGJS200906022.htm
[17] 包刚, 包玉海, 覃志豪, 等. 高光谱植被覆盖度遥感估算研究[J]. 自然资源学报, 2013, 28(7): 1243-1254. https://www.cnki.com.cn/Article/CJFDTOTAL-ZRZX201307015.htm BAO G, BAO Y H, QIN Z H, et al. Hyper-spectral remote sensing estimation for the vegetation cover[J]. Journal of Natural Resources, 2013, 28(7): 1243-1254. https://www.cnki.com.cn/Article/CJFDTOTAL-ZRZX201307015.htm
[18] 陈晋, 马磊, 陈学泓, 等. 混合像元分解技术及其进展[J]. 遥感学报, 2016, 20(5): 1102-1109. https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201605034.htm CHEN J, MA L, CHEN X H, et al. Research progress of spectral mixture analysis[J]. Journal of Remote Sensing, 2016, 20(5): 1102-1109. https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201605034.htm
[19] GUTMAN G, IGNATOV A. The 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. doi: 10.1080/014311698215333
[20] LI Y, WANG H, LI X B. Fractional vegetation cover estimation based on an improved selective endmember spectral mixture model[J]. PLoS ONE, 2015, 10(4): e0124608/1-15. http://search.ebscohost.com/login.aspx?direct=true&db=aph&AN=102402020&site=ehost-live
[21] 李苗苗, 吴炳方, 颜长珍, 等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 2004, 26(4): 153-159. doi: 10.3321/j.issn:1007-7588.2004.04.022 LI M M, WU B F, YAN C Z, et al. Estimation of vegetation fraction in the upper basin of Miyun Reservoir by remote sensing[J]. Resources Science, 2004, 26(4): 153-159. doi: 10.3321/j.issn:1007-7588.2004.04.022
[22] 闫洋, 彭建, 李刚勇, 等. 基于像元二分模型法反演新疆天然草原植被覆盖度变化[J]. 草食家畜, 2020(6): 63-68. https://www.cnki.com.cn/Article/CJFDTOTAL-CQJQ202006013.htm YAN Y, PENG J, LI G Y, et al. Changes of vegetation coverage in Xinjiang natural grasslands based on the dimidiate pixel model[J]. Grass-Feeding Livestock, 2020(6): 63-68. https://www.cnki.com.cn/Article/CJFDTOTAL-CQJQ202006013.htm
[23] 刘佳丽, 范建容, 张茜彧, 等. 高寒草地生长季/非生长季植被盖度遥感反演[J]. 草业学报, 2021, 30(9): 15-26. https://www.cnki.com.cn/Article/CJFDTOTAL-CYXB202109002.htm LIU J L, FAN J R, ZHANG X Y, et al. Remote sensing estimation of vegetation cover in alpine grassland in the growing and non-growing seasons[J]. Acta Prataculturae Sinica, 2021, 30(9): 15-26. https://www.cnki.com.cn/Article/CJFDTOTAL-CYXB202109002.htm
[24] 谢秋霞, 孙林, 韦晶, 等. 基于遥感估算方法的干旱区植被覆盖度适应性评价[J]. 生态学杂志, 2016, 35(4): 1117-1124. https://www.cnki.com.cn/Article/CJFDTOTAL-STXZ201604037.htm XIE Q X, SUN L, WEI J, et al. Adaptive evaluation of vegetation coverage estimation in arid region based on remote sensing technology[J]. Chinese Journal of Ecology, 2016, 35(4): 1117-1124. https://www.cnki.com.cn/Article/CJFDTOTAL-STXZ201604037.htm
[25] 董显聪, 李晓洁. 草原植被覆盖度遥感估算模型的适用性比较[J]. 测绘通报, 2019(10): 17-22. https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB201910004.htm DONG X C, LI X J. Comparison of applicability of remote sensing estimation model for grassland vegetation coverage[J]. Bulletin of Surveying and Mapping, 2019(10): 17-22. https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB201910004.htm
[26] CARLSON T N, RIPLEY D A. On the relation between NDVI, fractional vegetation cover, and leaf area index[J]. Remote Sensing of Environment, 1997, 62(3): 241-252. doi: 10.1016/S0034-4257(97)00104-1
[27] BARET F, CLEVERS J, STEVEN M D. The robustness of canopy gap fraction estimates from red and near-infrared reflectances: a comparison of approaches[J]. Remote Sensing of Environment, 1995, 54(2): 141-151. doi: 10.1016/0034-4257(95)00136-O
[28] 杨峰, 李建龙, 杨文钰, 等. 基于线性光谱混合模型的荒漠草地覆盖度估测[J]. 农业工程学报, 2012, 28(7): 243-247. doi: 10.3969/j.issn.1002-6819.2012.07.040 YANG F, LI J L, YANG W Y, et al. Assessing vegetation coverage of desert grassland based on linear spectral mixture model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(7): 243-247. doi: 10.3969/j.issn.1002-6819.2012.07.040
[29] ALTMANN Y, HALIMI A, DOBIGEON N, et al. Supervised nonlinear spectral unmixing using a postnonlinear mixing model for hyperspectral imagery[J]. IEEE Transa-ctions on Image Processing, 2012, 21(6): 3017-3025. doi: 10.1109/TIP.2012.2187668
[30] ECHES O, DOBIGEON N, TOURNERET J Y. Estimating the number of endmembers in hyperspectral images using the normal compositional model and a hierarchical Baye- sian algorithm[J]. IEEE Journal of Selected Topics in Signal Processing, 2010, 4(3): 582-591. doi: 10.1109/JSTSP.2009.2038212
[31] 丁艳玲. 植被覆盖度遥感估算及其真实性检验研究[D]. 长春: 中国科学院大学(东北地理与农业生态研究所), 2015. DING Y L. Research on the estimation of fractional vegetation cover and the validation of fractional vegetation cover product[D]. Changchun: University of Chinese Academy of Sciences(Northeast Institute of Geography and Agroeco-logy), 2015.
[32] 高连如, 孙旭, 罗文斐, 等. 高光谱遥感图像混合像元分解的群智能算法[J]. 南京信息工程大学学报(自然科学版), 2018, 10(1): 81-91. https://www.cnki.com.cn/Article/CJFDTOTAL-NJXZ201801009.htm GAO L R, SUN X, LUO W F, et al. Swarm intelligence algorithms for spectral unmixing in hyperspectral image[J]. Journal of Nanjing University of Information Science & Technology, 2018, 10(1): 81-91. https://www.cnki.com.cn/Article/CJFDTOTAL-NJXZ201801009.htm
[33] 牛亚晓, 张立元, 韩文霆, 等. 基于无人机遥感与植被指数的冬小麦覆盖度提取方法[J]. 农业机械学报, 2018, 49(4): 212-221. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX201804024.htm NIU Y X, ZHANG L Y, HAN W T, et al. Fractional vegetation cover extraction method of winter wheat based on UAV remote sensing and vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 212-221. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX201804024.htm
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
