城市异质植被的覆盖度估算模型比较研究

植被覆盖度是城市生态环境评价的一个重要指标。针对亚热带城市异质植被覆盖特征,选择像元尺度的植被指数(NDVI)转换模型、亚像元尺度的植被—土壤两端元模型(V-S Model)和植被—高—低反射率三端元模型(V-H-L Model)在TM影像上估算植被覆盖度,并结合野外实地调查对比验证3种模型的估算精度及其适用性。结果表明模型尺度和背景亮度对植被覆盖度估算有着不同程度的影响。NDVI转换模型整体高估覆盖度为27%,V-S模型和V-H-L模型整体低估覆盖度分别为23%和5%;验证结果证明:NDVI转换模型对高密度(60%)植被的估算结果最好,低估4%;V-H-L模型对中密度(40%~60%)和低密度(40%)植被的估算结果最优,仅低估2%,并受背景亮度的影响最小。因此,NDVI转换模型适用于高密度植被覆盖度的估算,亚像元尺度下的V-S模型和V-H-L模型适用于低、中密度植被覆盖度的估算,并以V-H-L模型估算较为准确。     

基于无人机影像的滩涂入侵种互花米草植被信息提取与覆盖度研究

以福建三沙湾为试验区,以地面光谱和低空无人机获取的可见光影像与ADC多光谱影像为数据源对入侵种互花米草植被信息和覆盖度进行研究。构建了基于可见光波段的改进型土壤调整植被指数V-MSAVI用于可见光影像植被信息提取,以NDVI指数模型对ADC多光谱影像进行了植被覆盖度估算。结果表明,V-MSAVI指数具有较好的适用性;在互花米草覆盖度方面以40%~60%和60%~80%中高等级分布为主。精度检验表明,基于V-MSAVI植被指数提取得到的互花米草总体精度为89%,Kappa系数为0.77;植被覆盖度的估算值与真实值之间的均方根误差(RMSE)为0.06,决定系数R~2为0.92。     

遥感技术估算非光合植被覆盖度研究综述

定量地估算光合植被覆盖度(fPV)和非光合植被覆盖度(fNPV)对陆地生态系统碳储存、植被生产力、土壤侵蚀和火灾监测具有重要的意义。非光合植被在温带草原、热带稀树大草原、森林、沙地、农田等生态系统中扮演着重要的角色,是衡量地表植被覆盖状况的重要指标。综述了目前利用高光谱和多光谱遥感估算fNPV的研究进展,讨论了PV、NPV和BS光谱特征的理论基础,总结了目前估算fNPV的两种主要方法:光谱指数法和光谱混合分析法,并分析了高光谱和多光谱两种主要遥感数据源实际应用。最后对fNPV估算研究中存在的问题以及发展趋势进行了分析,以期为今后的fNPV估算提供借鉴和参考。     

基于Landsat８影像的额济纳荒漠绿洲植被覆盖度估算方法对比研究

荒漠绿洲是维持当地人类生存和社会发展的主要依托,但其地表植被稀疏,生态系统极其脆弱,而植被覆盖度是反映荒漠生态环境信息的重要指标之一.以黑河下游额济纳荒漠绿洲为例,基于Landsat８影像和野外实测植被覆盖度数据,对比和分析现有的适宜于干旱荒漠区的３类植被覆盖度提取方法(经验模型法、像元二分法和三波段梯度差法)在该区域的应用效果,并尝试利用基于转换型土壤调整植被指数(TSAVI)的像元二分模型法和修正的三波段梯度差法(MTGDVI)进行植被覆盖度估算,以期找到计算额济纳荒漠绿洲植被覆盖度的最佳模型. 研究结果表明:用TSAVI像元二分模型法的反演精度高而且能够较好地估算额济纳荒漠区域和绿洲区域的植被覆
盖度,适用于估算额济纳荒漠绿洲的植被覆盖度.     

多云雾地区高时空分辨率植被覆盖度构建方法研究

针对多云雾地区高时空分辨率数据缺乏现状,提出了一套区域尺度高时空分辨率植被覆盖度数据构建方法.首先,通过时空适应反射率融合模型(STARFM)有效地将TM 的较高空间分辨率与MODIS的高时间分辨率融合在一起,构建了研究区植被生长峰值阶段的NDVI数据;然后,以植被生长峰值阶段的NDVI为输入,基于地表覆被类型,综合应用等密度和非密度亚像元模型对研究区的植被覆盖度进行估算.结果表明:①即使数据源存在大量的云雾,且存在一定的时相差异,研究区植被覆盖度的估算结果过渡自然,不存在明显的不接边效应;②以植被生长峰值阶段的NDVI数据为输入进行植被覆盖度估算,有效拉开了同一地表覆被类型不同覆盖度像元的NDVI梯度,提高了亚像元估算模型对输入数据的抗扰动性;③基于地表覆被类型,应用亚像元混合模型,能够提高植被覆盖度的估算精度.经野外实测数据验证,总体约８５％的估算精度表明,针对高时空分辨率遥感数据缺乏的多云雾区域,本研究提出的方法能够实现区域尺度植被覆盖度数据的构建.     

归一化植被指数的土壤背景影响去除

植被冠层归一化植被指数(normalized difference vegetation index,NDVI)由于不同土壤背景的混入干扰,导致利用NDVI信息对作物长势监测等应用的有效性降低。以安徽省来安县小麦农田为研究区,以2种土壤类型(水稻土和黄褐土)背景下拔节期冬小麦为研究对象,采用实测小麦冠层光谱及叶面积指数(leaf area index,LAI)数据,利用传统的照相法求算植被覆盖度,基于混合光谱理论,提出2种NDVI土壤背景影响去除模型(NDVIT),对模型进行对比验证。研究结果表明:2种模型均可去除一定的土壤背景影响;采用信噪比的分析方法定量研究2种模型抵抗土壤噪声影响的能力,分析发现NDVI1T提取植被信息抗土壤噪声能力更佳;2种土壤背景影响去除模型和NDVI的拟合关系良好,相关关系R~2均达到0.9以上。     

利用“北京一号”小卫星数据估算植被覆盖度的可行性研究

利用"北京一号"小卫星数据,以密云水库流域为研究区域,采用归一化植被指数(NDVI)像元二分法,进行地面植被覆盖度估算研究,并对估算结果进行实地检验和分析,其估算值与实际值之间的相关性较高 (86%).结果表明,利用"北京一号"小卫星数据进行植被覆盖度估算及监测应用是可行的.     

主被动遥感数据协同估算干旱区草原植被生物量

结合主动微波遥感和被动光学遥感反映地表植被的各自优势,发展了一种主被动遥感协同估算干旱区草原植被生物量的模型。该模型将植被覆盖度作为水云模型的附加参数,将总体散射分为植被覆盖区散射和裸土区散射两部分,将水云模型应用到了植被覆盖稀疏区域。利用改进的水云模型和双极化ASAR数据,通过建立方程组估算植被生物量。将该方法用于乌图美仁草原植被生物量的估算,验证了该方法的有效性。结果表明:该主被动遥感协同估算模型能够成功地估算干旱区草原植被生物量,并且取得了较好的估算精度(R2=0.8562,RMSE=0.1813kg/m2)。最后,分析了该方法估算植被生物量的误差来源。     

基于Landsat 8影像的额济纳荒漠绿洲植被覆盖度估算方法对比研究

荒漠绿洲是维持当地人类生存和社会发展的主要依托,但其地表植被稀疏,生态系统极其脆弱,而植被覆盖度是反映荒漠生态环境信息的重要指标之一。以黑河下游额济纳荒漠绿洲为例,基于Landsat 8影像和野外实测植被覆盖度数据,对比和分析现有的适宜于干旱荒漠区的3类植被覆盖度提取方法(经验模型法、像元二分法和三波段梯度差法)在该区域的应用效果,并尝试利用基于转换型土壤调整植被指数(TSAVI)的像元二分模型法和修正的三波段梯度差法(MTGDVI)进行植被覆盖度估算,以期找到计算额济纳荒漠绿洲植被覆盖度的最佳模型。研究结果表明:用TSAVI像元二分模型法的反演精度高而且能够较好地估算额济纳荒漠区域和绿洲区域的植被覆盖度,适用于估算额济纳荒漠绿洲的植被覆盖度。     

高分一号与Landsat TM数据估算稀疏植被信息对比

为了分析高分一号卫星数据在稀疏植被信息提取方面的能力,该文选取浑善达克沙地及其周边为研究区,以GF-1和Landsat TM为数据源,结合地面同步实测数据,比较了两个传感器在荒漠化地区植被覆盖度和地上生物量估算方面的能力与差异。结果表明:在该区域,两种数据基于NDVI建立的对数模型可用于植被覆盖度的估测(GF-1:R2=0.7966,RMSEP=0.0908;Landsat 8:R2=0.8080,RMSEP=0.0871),GF-1基于SAVI和Landsat 8基于NDVI建立的乘幂模型进行地上生物量的估测效果最好(R2=0.4866,0.3715;RMSEP=143.46,130.71)。其次,在该区域,经过修正的土壤调节植被指数MSAVI相对于没有经过修正的土壤调节植被指数SAVI,与植被覆盖度和植被生物量的相关性并没有多大提高。第三,两种数据通过引入蓝色、绿色波段的多元回归模型估算植被覆盖度相比单一植被指数植被要好,尤其是对于Landsat影像改进效果更为明显,R2提高了0.3。总之,GF-1的16m数据具有相对较高的质量,可以代替Landsat 8多光谱数据,而且其具有更高的分辨率、重访周期和覆盖范围。     

基于MODIS植被指数估算青海湖流域植被覆盖度研究

将MODIS数据合成的4种植被指数作为输入参数,采用像元二分模型对研究区的植被覆盖度进行估算,利用2006年的TM数据解译结果和2011年8月的野外实测数据对反演结果进行验证。结果显示:采用ND-VI估算的植被覆盖度比较符合研究区实地状况,样点估算精度达到87.13%;其他3种植被指数估算的植被覆盖度值比实际值低,尤其是对该区域典型植被草原草甸的覆盖度估算结果明显偏低。研究表明:2011年8月青海湖流域植被覆盖度以中高覆盖度为主,占整个流域面积的57%以上;植被覆盖度在空间上呈中部高、西北低的分布特点。     

杨树林叶面积稳定期的叶面积指数遥感估算方法

针对用归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)估算植被叶面积指数(Leaf Area Index,LAI)不仅需要大量地面LAI观测及其数据统计,且在植被NDVI饱和时难以估算LAI等问题,提出了一种基于数据挖掘技术的LAI遥感估算方法。该方法借助数据挖掘技术从有限的数据中挖掘和发现有用的信息,排除人为干扰,提高模型构建效率和精度。文中以安徽滁州地区杨树林为研究对象,获取研究区杨树林展叶期和花果期的HJ-CDD遥感影像,利用LAI-2000同步测量杨树林LAI;借助数据挖掘技术并基于杨树林展叶期和花果期估算的LAI值,通过筛选优化构建了杨树林生长过程中叶面积稳定期的LAI估算模型,并结合叶面积稳定期实测的LAI值验证表明该模型用于杨树林叶面积稳定期LAI估算的可靠性,为植被NDVI饱和时的LAI遥感估算提供了一种有效的思路和方法。     

基于宽波段和窄波段植被指数的草地LAI反演对比研究

叶面积指数是一个重要的植被生理生态参数,为探讨不同植被指数反演叶面积指数的可行性,基于同空间分辨率不同光谱分辨率的HJ\|1B CCD1和Hyperion遥感影像数据,以内蒙古自治区赤峰市克斯克腾旗贡格尔草原为研究对象,选取几种常见宽波段植被指数和高光谱窄波段植被指数并结合4种常用回归模型,比较分析了不同植被指数反演叶面积指数的精度。结果表明:对于全部植被指数而言,PVI、MSAVI等综合考虑了土壤、环境等因素的植被指数较传统植被指数NDVI、RVI反演草地LAI精度更高。通过对比发现,在反演草地LAI方面,窄波段植被指数比宽波段植被指数表现出明显的优势。其中,窄波段垂直植被指数PVI验证模型的确定性系数R²为0.65,均方根误差RMSE为0.15,说明实测LAI和模拟LAI值之间具有较好的变化一致性。最后基于Hyperion影像和窄波段垂直植被指数PVI的估算模型生成研究区叶面积指数空间分布图。     

利用色调—亮度彩色分量的可见光植被指数

目的 无人机遥感具有高时效、高分辨率、低成本、操作简单等优势。但由于无人机通常只携带可见光传感器,无法计算由可见光-近红外波段组合所构造的植被指数。为解决这一问题,提出一种归一化色调亮度植被指数NHLVI （normalized hue and lightness vegetation index）。方法 通过分析HSL （hue-saturation-lightness）彩色空间模型,构建一种基于色调亮度的植被指数,将该植被指数以及其他常用的可见光植被指数,如归一化绿红差值指数NGRDI （normalized green-red difference index）、过绿指数ExG （excess green）、超绿超红差分指数ExGR （excess green minus excess red）等,分别与野外实测光谱数据和无人机多光谱数据的NDVI （normalized difference vegetation index）进行相关性比较;利用受试者工作特征曲线ROC （receiver operating characteristic curve）的特点确定阈值,并进行植被信息提取与分析。结果 NHLVI与NDVI相关性高（R²=0.776 8）,而其他可见光植被指数中,NGRDI与NDVI相关性较高（R²=0.687 4）;ROC曲线下面积大小作为评价不同植被指数区分植被与非植被的指标,NHLVI指数在ROC曲线下面积为0.777,小于NDVI （0.815）,但大于NGRDI （0.681）,区分植被与非植被能力较强。为进一步验证其精度,利用阈值法提取植被,NHLVI提取植被信息的总体精度为82.25%,高于NGRDI （79.75%）,尤其在植被稀疏区,NHLVI的提取结果优于NGRDI。结论 提出的归一化色调亮度植被指数,提取植被精度较高,适用于无人机可见光影像植被信息提取,为无人机可见光影像的应用提供了新方法。     

不同覆盖度下小麦农田土壤对NDVI影响模拟分析

生长于不同土壤类型背景条件下的相同长势小麦农田遥感像元尺度的归一化植被指数(NDVI)有很大差异,也一直困扰着利用NDVI进行小麦长势有效监测和精确评价。拟定小麦冠层光谱不变即小麦冠层NDVI为一常数条件下,选择反射率差异较大的我国9种典型土壤类型作为土壤背景,由小麦冠层和土壤背景的不同线性混合比模拟计算遥感像元尺度上的植被覆盖度,研究不同土壤类型背景对小麦农田NDVI信息的影响。研究结果表明:同一土壤类型背景条件下,随着植被覆盖度逐渐增加,小麦农田NDVI总体表现为增长的趋势,反之亦然;不同类型土壤背景对小麦农田NDVI造成很大差异,当植被覆盖度大于25%时,随着植被覆盖度的增加对小麦农田NDVI影响差异性逐渐减小;不同类型土壤背景也导致小麦农田NDVI对植被覆盖度的敏感性有明显差异,较低反射率土壤背景条件下的敏感性随着植被覆盖度增长呈现曲线下降的趋势,较高反射率土壤背景条件下敏感性随着植被覆盖度的增长而单调增加,为不同类型土壤背景的各小麦生长期遥感NDVI信息估算频次选择提供依据。     

利用MODIS数据估算西藏高原地表植被覆盖度

根据2004年9月13日至14日在西藏高原中部地面观测的植被覆盖度和同期接收的EOS/MODIS数据,分别建立了250m分辨率归一化植被指数(NDVI)、土壤调节植被指数(SAVI)与地面观测的植被覆盖度之间的相关关系,并以西藏高原中部和整个西藏高原作为两个试验区,选择典型植被类型,验证了Carlson和Ripley植被覆盖度算法的精度。结果表明,地面观测的植被覆盖度与植被指数之间呈线性关系。其中,地面观测值与NDVI的相关系数R2=0.90;与SAVI的相关系数为R2=0.89;Carlson和Ripley算法适合于中等植被覆盖度的草地植被。     

南方丘陵区植被覆盖度遥感估算与时空变化研究——以福建省永定县为例

植被覆盖度是生态环境监测的重要指标,而复杂地形因素影响对山地植被遥感信息准确提取。基于Landsat-8OLI遥感数据,分别采用像元二分模型和线性混合光谱分解法,在对比分析植被覆盖度的地形敏感性基础上,选择山地植被指数(NDMVI)估算了1992、2002和2014年永定县的植被覆盖度,并分析其变化。结果表明:1基于山地植被指数(NDMVI)的覆盖度估算模型的地形敏感性最弱,更适合于南方丘陵山地的植被覆盖度遥感反演;2永定县总体植被覆盖度较高,平均植被覆盖度达77.99%以上,高覆盖度区占59.73%以上,22年内植被覆盖度经历了先提高再下降的过程;3在空间上,高坎抚、金丰和西部片区的植被覆盖度较低,动态变化较明显。永定县金丰片区植被覆盖度明显提高;而近12年内高坎抚片区因矿业开采活动对生态环境的破坏,植被覆盖度降低幅度大,且变化面积较大。     

基于缨帽变换分析地表温度变化

利用缨帽变换提取土壤亮度指数、绿度植被指数、湿度指数等地表参数,利用模型提取归一化植被指数NDVI、比值植被指数RVI、修改型土壤调整指数MSAVI等植被指数和水体指数MNDWI,利用Artis单窗算法估算热红外波段像元尺度地表温度,将地表温度的影响因素作为BP神经网络输入估算30m空间分辨率的亚像元地表温度,分析1989~2006年桂林城区土地利用变化、缨帽变换特征分量变化、植被参数变化、水体指数变化对地表温度的影响机理。     

利用高光谱影像估算氮营养指数北大核心CSCD

针对当前氮营养指数研究中对植被指数相关性考虑不足的问题,以挑旗期冬小麦为研究对象,提出品种、水和氮耦合实验对农作物氮素进行精准监测与反演的方法。该方法根据相关性程度和膨胀系数,选取相关性好和共线性强的植被指数,结合偏最小二乘法和BP神经网络构建氮营养指数模型,以决定系数和均方根误差为评价指标对模型精度评价。实验结果表明:偏最小二乘建模和验证的R^(2)分别为0.6815和0.6815,RMSE分别为0.2840和0.2125;BP神经网络建模和验证的R^(2)分别为0.9352和0.7484,RMSE分别为0.2677和0.2163。因此,BP神经网络可以更好地进行冬小麦氮素营养状况估算,反演后影像能较为直观地反映冬小麦氮素营养状况。该研究可为冬小麦氮素无损检测、掌握作物长势情况提供参考。     

基于LESS模型的异质植被冠层光合有效辐射吸收比与植被指数的关系研究

研究植被指数与光合有效辐射吸收比FPAR的定量关系对于提高FPAR反演精度与指导生产实践具有一定的参考价值。研究在三维辐射传输模型LESS基础上发展了一个兼具一维模型简洁和三维模型精度优势的LESS1D模块(已随LESS模型正式发布，www.lessrt.org)；探究随机均匀场景和三维异质场景中植被冠形、盖度等7种因素对6种植被指数与FPAR_green关系的影响。结果表明：(1)在均质性场景中，NDVI、SAVI、EVI对FPAR_green拟合相对最优，而在异质性场景中，则为NDVI和RVI。(2)在异质性场景中，不同冠形下FPAR_green与植被指数的拟合精度为圆柱形>椭球形>圆锥形；植被盖度较低时，植被指数对FPAR_green拟合精度较差；随着太阳天顶角增大，RVI与FPAR_green由线性关系变为指数关系。结论：树冠体积和树冠几何结构是不同冠形影响FPAR_green大小的关键因素，而叶片聚集度、植被盖度和植被指数类型则是影响植被指数饱和...