植被覆盖度(Fraction of Vegetation Coverage, FVC)是指统计区域内植被垂直投影区域（包括叶子，茎和枝）的比例，是描述陆地生态系统中植被生长和变化的重要参数，通常用于植被变化分析、生态环境研究、气候预测、土壤侵蚀评估等。基于植被指数(Vegetation Index, VI)的像元二分模型(Dimidiate Pixel Model, DPM)是遥感估算FVC的常用方法。然而，该模型存在一定理论缺陷，如没有考虑真实的植被条件以及土壤与植被之间的多重散射等。目前对DPM不确定性的研究大多基于地面验证，然而这种验证方法包括了地面测量的不确定性、由空间异质性引起的不确定性、以及由DPM理论缺陷引起的模型不确定性，故以其作为基准无法区分不确定性的来源。区分上述不确定性，对DPM模型在不同情况下的反演表现进行系统性评估对于该模型的使用至关重要，也是本研究旨在解决的关键科学问题。
针对上述科学问题，我校土地科学技术学院定量遥感与气候响应研究小组闫凯等人首次利用误差传播定律，解析计算了由波段反射率误差引起的像元二分法FVC反演误差。此外，本研究还利用计算机真实场景模拟，可控地对基于不同VI的像元二分模型进行了更全面的评估。具体包括：波段反射率误差对FVC反演精度的影响，植被覆盖度、土壤亮度、太阳角度以及植被/土壤端元纯度对反演精度的影响，并对不同植被指数的性能进行了定量评价。相对于传统基于地面测量的直接验证或产品交叉验证方法，这两种方法的结合可以有效地将输入数据的不确定性和像元二分模型固有不确定性进行分离。本文的研究为基于DPM的FVC反演选择最佳VI提供了参考。研究取得的成果总结如下：
1、 在对由波段反射率误差导致不确定性的分析中，本研究发现基于RVI和EVI的模型，FVC不确定性范围大于基于NDVI、DVI、RDVI和EVI2的模型。
2、 在对三维场景模拟的分析中，研究发现基于DVI、EVI和EVI2的模型在反演FVC时表现更好，且FVC的反演值随土壤亮度的增加而增加；基于NDVI和RDVI的模型均高估了FVC；基于RVI的模型，FVC的反演值随土壤亮度的增加而减小，且当引入输入误差后对反射率不确定性最敏感。
3、 不同的植被分布、太阳观测角度也会影响DPM反演FVC精度。在均匀植被分布的情况下，FVC绝对误差受太阳天顶角(Solar Zenith Angle, SZA)的影响很大。总体来看，RVI受到SZA变化的影响最小。
4、 DPM误差在低植被覆盖地区受土壤纯度的影响很大，而在高植被覆盖地区受植被纯度的影响很大。当端元纯度相等时，误差从大到小的顺序为：RDVI > EVI2 > EVI > DVI。
5、 总的来说，基于输入不确定性的传播和计算机模拟实验，DVI在准确性和稳定性方面表现最好，而RVI表现最差。
将VI用于像元二分法反演植被覆盖度是常用的反演方案。本研究系统评估了不同VI在此过程中的效果表现，选出了在不同情况下反演FVC的最优VI，对更好的使用该模型起到了重要的指导作用。本研究作为利用误差传播定律和新兴的计算机模拟技术对地表参数反演模型的不确定性进行定量评价的尝试，对于其他具有解析形式或不具有解析形式的遥感模型的定量评价具有很好的参考价值。

图1： 计算机模拟的三种植被分布场景

图2： 由波段反射率的不确定性引起的FVC反演不确定性（基于误差传播定律）


图3： 各植被指数模型在不同土壤亮度、植被丰度条件下反演FVC的不确定性


图4： 不同太阳角度和植被聚集情况下的FVC反演精度


图5： 端元纯度对于像元二分模型精度的影响
上述研究成果发表在遥感领域国际权威刊物《IEEE Transactions on Geoscience and Remote Sensing》上：Yan K , Gao S , Chi H , et al. Evaluation of the Vegetation-Index-Based Dimidiate Pixel Model for Fractional Vegetation Cover Estimation. IEEE Transactions on Geoscience and Remote Sensing, 2021, PP(99):1-14. [IF 2020=5.6]
全文链接：https://doi.org/10.1109/TGRS.2020.3048493