近年来，遥感技术快速发展，使得包括植被覆盖度在内的地表生物物理参数提取变得更加准确。例如，高光谱遥感数据已具有图谱合一的特点，可以从中提取更为丰富且准确的植被信息；多平台、多传感器、多光谱、多时相和多分辨率等多源遥感数据的在遥感信息的反演中的综合应用，以及遥感技术与GIS技术的结合，将更多的辅助数据引入了植被覆盖度，也将更多具有重要的参考意义的辅助数据引入了植被覆盖度的反演里，大大的提高了植被覆盖度测量的精度[4]。34380
国内外许多学者都对植被覆盖度遥感提取的方法展开了研究，并根据自己的研究成果进行归纳总结。例如Purevdor等 (1998) 将遥感测量植被覆盖的方法分为了三种：（1）混合模型法，主要用于植被各个组分的分离；（2）覆盖度‒辐射关系模型，顾名思义就是根据植被覆盖度与辐射率之间的关系建立模型；（3）植被指数法，直接利用植被指数估算植被覆盖度[9]。张显峰等（2014)也将植被覆盖度遥感提取方法归纳为3类，即统计模型法、混合像元分解模型和物理模型法[10]。在不同的分类方法中，较为普遍的方法有以下几种。论文网
（1）回归模型法。该方法主要是通过对遥感数据的某一波段、植被指数或其他的波段组合与植被覆盖度建立回归模型，并将模型进行推广，进一步的计算更大范围区域的植被覆盖度值。该方法在局部区域内对植被覆盖度的估算具有较高的精度，且因其简单易实现而被许多研究人员使用。但是建立这种回归模型需要研究区域的大量的实测数据且在后来应于计算的模型中得出的结果就是依赖这些已有的实测数据获取的，但是回归模型仅仅适用于特定的区域以及特定的植被结构，一般都具有很强的局限性，多半情况下通过对已有的数据建模获取的模型参数，对于不同的区域并不是完全适用的，如Garetz等 (1988) 验证了线性的回归模型也只适应稀疏草地植被覆盖度的反演[11]。Anatoly等（2002）针对退化草地植被覆盖度信息的反演而特意提出了非线性回归模型[12]。
（2）植被指数法。该方法多半情况下就是直接利用植被指数近似估算植被覆盖度，例如常用的NDVI植被指数法，也是在像元二分模型的基础之上实现的，在植被覆盖度反演方面应用的最广，精度也较高。何雅枫等人在利用NDVI像元二分模型法的基础上分析评价了垂直植被指数（Perpendicular Vegetation Index，PVI）和比值植被指数（Ratio Vegetation Index，RVI）像元二分模型方法的反演精度[13]。植被指数法利用植被指数与植被覆盖度相关性的原理再加上像元分解模型，这两种理念相结合，才是遥感技术提取植被覆盖度的常用的方法。
（3）像元分解模型法。目前已开发出的像元分解模型主要有线性、概率、随机、几何光学、模糊分析和几何光学模型5种；5种模型中，最为常用的就是线性分解模型。混合像元总的信息为各组份信息线性合成是线性模型区别其他模型的重要假设条件[4]，而在线性分解模型中，像元二分模型被使用的次数最多。例如苗正红等人利用中等分辨率成像光谱仪（MODerate-resolution Imaging Spectror adiometer, MODIS）的NDVI数据产品来反演植被覆盖度值[14]。
采用NDVI像元二分模型估算植被覆盖度时，一个关键问题是确定全植被覆盖和无植被覆盖时的植被指数值，即NDVIveg和NDVIw。多半情况下研究人员会选择根据在所选的研究区的NDVI的累积概率分布表，然后设定合适的置信度区间来获取。例如张丽等人直接将置信度设为1%，也就是在累积概率分布表中，分别选取1％及95%附近的NDVI值作为NDVIw，选取的NDVI值作为NDVIw，并据此计算了淮河流域植被覆盖度的变化[16]。李苗苗等对上述方法进行了改进，即首先根据遥感图像中的植被类型、植被结构、叶面积指数、土壤类型、土壤颜色、土壤湿度等条件，将不同的像元划归为不同的集合，然后针对不同的集合，借助土地利用图、土壤分类图等辅助数据进行NDVI阈值设定，实验证明该方法较传统方法有着更高的精度。 植被覆盖度遥感国内外研究现状:http://www.youerw.com/yanjiu/lunwen_31861.html