植被指数反演冬小麦植被覆盖度的适用性研究

利用冬小麦2个生长季高光谱反射率和覆盖度实测资料,基于回归分析方法建立4种植被指数反演植被覆盖度模型,并对预测模型年际间的稳定性进行了验证。采用噪声等效覆盖度误差对各植被指数反演植被覆盖度模型进行了敏感性分析,结合对模型的残差分析得到了不同种植密度和氮肥施用量条件下各植被指数的适用性。结果表明:归一化植被指数NDVI和改进的土壤调节指数TSAVI与冬小麦覆盖度采用抛物线拟合结果较好;修正的土壤调节植被指数MSAVI和增强型植被指数EVI与覆盖度符合线性关系。验证模型的决定系数略低于建模方程,反演模型在年际间表现出较好的稳定性,能够满足覆盖度预测需要。NDVI和TSAVI较MSAVI和EVI可更好地解释本地区冬小麦植被覆盖度的变化规律。在低到中覆盖度(0~60%)条件下,如果当地土壤信息可获得,利用植被指数TSAVI估算植被覆盖度变化规律表现出较好的敏感性和较高的估算精度。如果缺失土壤线资料,NDVI能保证覆盖度的估算精度。在高覆盖度(60%~100%)条件下,可选用敏感性和精度均良好的植被指数MSAVI进行估算。在水分供应充分的条件下,4种植被指数对作物种植密度和氮肥施用量均不敏感,可采用统一模型进行不同种植密度和不同施氮量处理的冬小麦覆盖度估算研究,为利用植被指数快捷、准确地估算本地区区域植被覆盖度提供了理论和技术支持。     

基于遥感的武汉植被覆盖动态变化研究

为了研究植被资源受人类活动影响程度及其动态变化趋势,根据陆地卫星1991年7月TM和2002年7月ETM+影像,通过对植被的光谱分析,结合地形图和已有植被分布图等资料进行纠正和解译,计算归一化差异植被指数(NDVI),采取混合像元二分模型,生成植被覆盖度由低至高5级分类图像.结果显示:从1991-2002年武汉地区除极低覆盖度面积明显增加,其它覆盖度面积均有不同程度下降,中高覆盖度下降最为明显,全区中覆盖度以上面积比例由48.43%下降到38.07%.研究表明,区域主体由中高覆盖度演变为中覆盖度,引起这一植被覆盖度变化的主要驱动力为人口激增和经济高速发展.     

基于RS与GIS的保定市植被覆盖度动态变化

以1991、2004和2015年3个时相的TM/OLI遥感影像为数据源，利用基于归一化植被指数（NDVI）的像元二分模型估算保定市植被覆盖度，对其进行等级划分，并分析其时空变化特征。结果表明，1991—2015年，保定市植被覆盖度整体呈现下降的趋势，且不同区域存在差异现象。低植被与中低植被覆盖区面积整体呈增加趋势，而高植被覆盖区面积呈降低趋势。在4个研究分区中，保定市主城区植被覆盖度下降最为明显，1991—2015年的25年间，植被覆盖率下降了12.76%，平均每年下降约0.5%。研究发现，城市开发与建设及其导致的农用地减少等是植被覆盖度变化的主要原因。      

2010—2019年三亚市NDVI时空变化特征

归一化植被指数（NDVI）作为反映植物生长特征的重要指标，对于地表植被覆盖与植被生长状况的研究有重要意义。基于MODIS NDVI遥感数据，分析了三亚市2010—2019年归一化植被指数时空变化及变化趋势，并对NDVI与降水量和日照时数进行相关性分析。结果表明:近10年来，研究区NDVI月变化特征为5—10月增加，11月—次年4月降低，这与三亚市处于热带海洋性气候区有极大关系。NDVI年际变化呈增加趋势，年平均增长0.721 9，为中高植被覆盖度，空间上表现为北部高，中西部低的分布特征，北部常绿阔叶林地区比中西部草原地区生态稳定性更强。Pearson相关分析表明，NDVI与降水量整体上呈正相关，与日照时数呈负相关。      

基于低空无人机遥感的高粱生长状况监测

配备多光谱相机的无人机可实现对农作物生长状况的快速无损监测,为评估无人机遥感监测高粱作物长势的可行性和准确性,利用无人机搭载的多光谱相机获取高粱拔节期、抽穗开花期、灌浆成熟期多光谱遥感图像,构建常用的4种植被指数与叶面积指数LAI和植被覆盖度FVC之间的回归模型。经过精确度评价,确定归一化差异植被指数NDVI为最优植被指数,LAI-NDVI和FVC-NDVI估算模型的决定系数R~2分别为0.91和0.88,均方根误差RMSE分别为0.28和0.06;平均绝对误差MAPE分别为11%和8%。基于此,选择归一化差异植被指数NDVI,分析LAI和FVC无人机遥感估算值和实测值之间的关系,通过交叉验证得到LAI值:R~2=0.94,RMSE=0.16,MAPE=13%;FVC值:R~2=0.90,RMSE=0.05,MAPE=4%,说明两者存在高度拟合性。结果表明:根据无人机遥感得到的归一化差异植被指数NDVI可准确地估算高粱作物的叶面积指数和植被覆盖度,无人机遥感适用于对高粱作物生长状态的监测。     

1995-2020年喀什市植被覆盖度时空动态变化研究

为了揭示和探讨喀什市植被覆盖度空间动态变化规律及驱动力因素.以Landsat系列卫星数据为数据源,基于归一化植被指数(NDVI)和像元二分模型,运用ENVI 5.3和ArcGIS 10.3软件对喀什市植被覆盖度进行估算,研究1995-2020年植被覆盖度的时空变化格局.研究结果表明:①喀什市整体植被主要以高植被覆盖为主...     

墒情遥感监测中热惯量模型的修正

墒情是反映作物旱情态势的直观指标,但随作物发育植株叶片对土壤背景形成愈加强烈的郁闭作用,以热惯量法为基础的墒情反演模型精度随之降低。经试验对比分析可知,在作物发育早期即低植被覆盖区,增强植被指数(EVI)较归一化植被指数(NDVI)对植被的识别更为敏感,能够更好地削弱土壤背景影响。【目的】提高热惯量模型在墒情遥感监测中的精度和适用性。【方法】通过在常规热惯量模型中引入EVI作为影响因子,实现对常规热惯量模型的修正。【结果】修正后的热惯量模型在EVI均值不大于0.18时,平均反演精度可达80%以上。【结论】在相同自然条件下,修正热惯量模型反演精度和适用范围均优于常规热惯量模型。     

Drought Remote Sensing for Winter Wheat Based on Double Parabola NDVI- ST Space

以河南省冬小麦旱情遥感监测为例,利用MODIS/AQUA卫星产品的归一化植被指数(NDVI)、增强型植被指数(EVI)、叶面积指数(LAI)和地表温度(ST)数据,分析了NDVI - ST和EVI - ST的特征空间,发现NDVI-ST和EVI - ST的特征空间具有双抛物线型特征.将其与三角形NDVI - ST、EVI - ST及LAI-ST特征空间进行对比分析,并将得到的温度植被干旱指数(TVDI)数据与土壤湿度进行相关性分析,揭示双抛物线型NDVI - ST特征空间能更好地反映地表10 cm土壤水分状况.以双抛物线型NDVI - ST特征空间得到的TVDI作为旱情遥感监测指标,评估了2011 -02 -26 ～2011 -05-16河南省冬小麦旱情,并与当地气象站降雨数据对比,揭示了2011年春天河南省旱情发展的总体时空特点.     

基于NDVI—ST双抛物线特征空间的冬小麦旱情遥感监测

以河南省冬小麦旱情遥感监测为例,利用MODIS/AQUA卫星产品的归一化植被指数（NDVI）、增强型植被指数(EVI)、叶面积指数(LAI)和地表温度(ST)数据,分析了NDVI—ST和EVI—ST的特征空间,发现NDVI—ST和EVI—ST的特征空间具有双抛物线型特征。将其与三角形NDVI—ST、EVI—ST及LAI—ST特征空间进行对比分析,并将得到的温度植被干旱指数（TVDI）数据与土壤湿度进行相关性分析,揭示双抛物线型NDVI—ST特征空间能更好地反映地表10cm土壤水分状况。以双抛物线型NDVI—ST特征空间得到的TVDI作为旱情遥感监测指标,评估了2011—02—26~2011—05—16河南省冬小麦旱情,并与当地气象站降雨数据对比,揭示了2011年春天河南省旱情发展的总体时空特点。     

城市水源地植被覆盖度遥感估算与时空变化动态分析

选取云南省昭通市渔洞水库流域1996~2012年6期TM/ETM影像数据提取归一化植被指数（NDVI）,根据像元二分模型利用不同时期NDVI计算了流域植被覆盖度,得到渔洞水库流域植被覆盖度分级图。结果表明：该区域1996~2012年间植被覆盖度变化明显,平均植被覆盖度从1996年0.306增加到2012年0.356,增加值为0.05,植被覆盖度增加区域的面积达到412.440km2,约占流域总面积的58.17%。其中2000~2008年间为植被恢复期,植被覆盖度呈现持续增长趋势,2008~2012年间为植被退化期,植被覆盖度持续减小。1996~2012年间,高植被覆盖度区域增加显著,主要分布在流域东部、中偏西部以及东南部地区,而2008~2012年间流域西北部地区植被覆盖度等级有明显下降情况,且历年来高植被覆盖度集中的东部地区也呈现植被覆盖度等级明显下降的情况。     

基于RS的河南省赵口灌区小麦最佳配水量计算

应用河南赵口灌区的遥感影像数据,获得该区的NDVI、LST等影像指标。采用植被温度指数法,通过ENVI遥感影像处理软件,得到植被条件指数、温度条件指数和干旱指数(DI)。将研究区划分为5个干旱等级,根据DI指数制作赵口灌区干旱等级分类图,计算该时期土壤含水量。分析计算小麦各生育阶段作物需水量,与该阶段土壤含水量对比计算各种干旱类别区域的配水量。     

基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究

水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息，同时结合PROSPECT模型叶绿素含量吸收系数，参考借鉴现有高光谱植被指数的构造方法和形式，利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择，提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数（ORVI）。与Index Data Base数据库中其他用于叶绿素含量反演植被指数，包括ND_528,587、SR_440,690、CARI、MCARI的反演结果进行了对比分析，结果表明：IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R₂分别为0.672、0.630、0.595和0.574；ORVI植被所建立的叶绿素含量反演模型的决定系数R₂为0.726，均方根误差RMSE为2.68，精度高于其他植被指数，说明了ORVI在实际的应用中，能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。     

冬小麦SPAD值无人机可见光和多光谱植被指数结合估算

SPAD（Soil and plant analyzer development）值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数（IKAW和RBRI）、多光谱植被指数（GNDVI、CI、GMSR和GOSAVI）具有较好的相关性,与可见光植被指数（CIVE）和多光谱植被指数（GNDVI）的相结合指数具有较好的相关性,其估算模型的R2为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R2为0.91,模型验证R2、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R2为0.90,模型验证R2、RMSE和nRMSE分别为0.88、2.51和6.12%。     

基于Landsat影像的NDVI对植被与影响因子交互耦合的响应

植被是陆地最重要的生态系统,在全球气候变化中发挥了重要的调节作用,研究植被时空动态变化具有重要的科学意义和现实价值。基于2007年、2012年和2016年Landsat卫星遥感影像提取的归一化植被指数(NDVI)以及三明市区二类调查矢量数据,研究了闽江上游区域近10年的植被NDVI指数的时空变化特征及其影响因子。结果表明:研究区2007年、2012年和2016年的NDVI指数值逐渐提高,分别为0.72、0.75和0.79,植被覆盖度高,总体生态质量较好;NDVI低值区位于沙溪两侧带状的市辖区所在地、各乡镇居民集中点以及道路网络周边;不同植被类型的NDVI指数由大到小依次为:阔叶树林、灌木林、马尾松林、竹林、杉木林、杂木林、桉树林、其他林地、经济林、檫树林、非林地;NDVI指数值随着林龄、郁闭度和坡度的增加逐渐增加,随着立地等级的提高而下降。进一步对NDVI指数对植被与影响因子交互耦合的响应进行分析,得到结果:依据不同植被类型的NDVI指数随着林龄变化规律的不同,将植被划分为:稳步上升型,如阔叶树林和马尾松林;前期上升快而后期慢型,如桉树林;先升后降型,如杉木林和其他林地。马尾松林的NDVI指数呈现随着坡度的增加而增加的趋势;而其他森林植被类型的NDVI指数呈现随着坡度的增加先升后降,在坡度为30°~40°处达到最高值;不同植被类型的NDVI指数对郁闭度的响应机制不同。     

基于TAVI的长汀县植被覆盖度时空变化研究

植被覆盖度(FVC)是指示生态环境状态的重要参数,开展区域FVC估算与分析对于科学决策具有重要意义。利用1988—2013年5个时期的Landsat系列遥感数据,引入地形调节植被指数TAVI来估算FVC,有效消除了阴坡和阳坡由于地形不同造成的差异。研究结果表明:长汀县植被覆盖情况总体良好,中高以上植被覆盖度区域占全县面积的65%以上,植被覆盖度较高区域主要分布在县域周边;中低以下植被覆盖度区域不到全县面积的15%,主要分布在中部沿汀江两岸的水土流失严重乡镇。1994年植被覆盖度最差,1988—1994年植被覆盖度降低幅度较大,在全县各乡镇都有分布,主要与1993—1994年冬季的严重霜冻有关;1994年后,植被覆盖度逐步提高,2003年以后,植被覆盖度增长较快,尤其是中部原水土流失严重乡镇的植被覆盖度显著改善。长汀县植被覆盖度的变化情况与地方政府对水土流失治理的投入强度密切相关,特别是2000年以来的高强度投入与治理,极大地改善了当地的植被覆盖状况。     

夏玉米叶面积指数遥感反演研究

利用LAI-2000的观测数据与基于HJ卫星遥感数据生成的植被指数,结合3种常用的回归模型,构造了夏玉米分别按全生育期、不同生育阶段和阈值分段的叶面积指数(Leaf area index,LAI)反演模型;获取了3种模式下LAI的最优反演模型;在验证和评价各模型可靠性之后,生成了夏玉米在营养生长期、抽雄期和生殖生长期的LAI分布图;并将基于HJ影像反演得到的LAIHJ与MODIS LAI产品(MOD15A2)LAIM进行了对比。研究发现,与各种通用植被指数相比,针对HJ CCD数据构造的环境植被指数HJVI与LAI的相关性在3种反演模式中均为最佳。HJVI与全生育期LAI的相关性达到0.875,在不同生育阶段与LAI的相关性也高于其他植被指数(营养生长期线性模型最佳,决定系数为0.769;抽雄期对数模型最佳,决定系数为0.783;生殖生长期指数模型最佳,决定系数为0.703)。普适性植被指数中,OSAVI适用于夏玉米生长前中期的LAI反演,NDVI适用于夏玉米生长后期的LAI反演。在夏玉米全生育期内,各植被指数与LAI的相关性整体较高,但最优回归模型出现在按不同生育阶段反演的模式中。LAI小于3时EVI为精度最佳指数(决定系数为0.358),LAI不小于3时OSAVI为精度最佳指数(决定系数为0.515)。在夏玉米3个生育阶段,LAIM与LAIHJ的相关性分别达到0.732、0.761、0.661。HJ遥感数据具有较强的LAI反演能力,其高时间和高空间分辨率的特征可以使其代替传统的中分辨率遥感数据而成为农业遥感研究的重要数据源。     

基于无人机可见光图像的夏季玉米植被覆盖度提取方法

为准确快速获取夏季玉米四叶期、拔节期、抽穗期和花粒期的植被覆盖度信息,利用无人机获取玉米田间可见光图像,对图像可见光波段提取的多种植被指数进行分析和比较,选择差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)和归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI),结合监督分类提取了玉米4个时期的植被覆盖度信息。通过对试验田4个阶段的单幅图像监督分类处理,将其目标物分为土壤和玉米植被两类;分别统计监督分类后图像中土壤和玉米的VDVI像元直方图,将两者的像元直方图交点作为植被覆盖度提取阈值,同理获得EXG和NGBDI对应的玉米植被覆盖度提取阈值;利用获取的玉米植被3种覆盖度提取阈值,对玉米4个时期的植被覆盖度进行提取,并对提取精度进行了验证。结果表明,VDVI对应4个生长时期的植被覆盖度提取误差分别为1. 21%、4. 88%、2. 31%和3. 61%; EXG对应的植被覆盖度提取误差分别为1. 38%、1. 25%、0. 89%和0. 33%; NGBDI提取误差为1. 61%、3. 31%、1. 99%和3. 25%,EXG在夏季玉米4个生长时期的植被覆盖度提取效果最好。将玉米4个生长时期单幅图像确定的阈值作为固定阈值,对剔除确定阈值的单幅图像的试验田全景图像进行植被覆盖度提取,并对提取效果进行验证。结果表明,采用监督分类与可见光植被指数统计直方图相结合确定阈值的方法提取玉米植被覆盖度效果较好。     

基于多维高光谱植被指数的冬小麦叶面积指数估算

为提高干旱区冬小麦叶面积指数（Leaf area index, LAI）遥感估算精度,以拔节期冬小麦LAI为研究对象,在对冠层高光谱数据进行一阶（First derivative, FD）、二阶（Second derivative, SD）微分预处理的基础上,计算了任意波段组合的二维植被指数（Two-dimensional vegetation index, 2DVI）和三维植被指数（Three-dimensional vegetation index, 3DVI）,通过进行与LAI之间相关性分析,寻求最佳波段组合的植被指数;利用人工神经网络（Artificial neural network, ANN）、K近邻（K-nearest neighbors, KNN）和支持向量回归（Support vector regression, SVR）算法分别建立LAI估算模型,并进行精度验证。结果表明：任意波段组合的植被指数与LAI相关性均显著提高,尤其是基于一阶微分预处理光谱的FD-3DVI-4（714 nm, 400 nm, 1 001 nm）相关系数达到0.93（P<0.01）,且最...     

基于高光谱遥感的苹果树冠层叶片全氮量估测

【目的】快速准确获取大面积果园冠层叶片全氮含量（LNC ,Leaf Nitrogen Content）是实现现代精准农业的基本要求。【方法】本试验通过无人机高光谱成像仪（391.9nm ~ 1006.2nm）采集了甘肃省静宁县两个典型果园的果树冠层光谱图像,包括人工灌溉的苹果示范园与自然降雨的苹果园,综合比较两区共160份冠层叶片样本的原始光谱反射率（OD）、倒数光谱（RT）、对数光谱（LF)、一阶微分光谱（FD）,构建任意两个光谱波段集组合的差值植被指数（Difference spectral index,DSI ）、土壤调节植被指数（Soil Adjusted Vegetation Index ,SAVI）、归一化光谱指数（Normalized Different Spectral Index, NDSI）,分析三种光谱指数与叶片氮含量的相关性,利用一元线性回归模型与光谱指数构建两区最佳苹果冠层LNC估测模型。【结果】研究表明：人工灌溉区的FD-SAVI(825,536）、自然降雨区的LF-SAVI(854,392)与LNC的相关性最强,并基于FD-SAVI、LF-SAVI构建一元线性回归模型。人工灌溉区构建的FD-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6601和0.0678;自然降雨区构建的LF-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6746和0.0665。本试验采用LNC模型绘制出两个试验区的苹果树冠层叶片LNC估测图,实现对果园叶片全氮含量的精准掌握及精细化管理。     

基于梯度提升树算法的夏玉米叶面积指数反演

为了快速、准确、大范围获取大田夏玉米的叶面积指数(Leaf area index,LAI),基于实地采集的夏玉米LAI和株高,结合同时期的无人机多光谱影像,选择与夏玉米LAI相关性较强的8种植被指数以及株高作为反演LAI的输入变量,采用梯度提升树(Gradient boosting decision tree,GBDT)算法建立植被指数及株高与叶面积指数之间的预测模型,并与支持向量机(Support vector machine,SVM)和随机森林(Random forest,RF)算法建立的模型进行预测精度对比。结果表明,GBDT算法在3个样本组中的LAI预测值与实测值R~2分别为0. 571 0、0. 755 8、0. 644 1,均高于SVM算法(0. 547 2、0. 679 1、0. 616 8)和RF算法(0. 550 5、0. 697 3、0. 629 5);对应的RMSE分别为0. 002 7、0. 001 5、0. 001 6,均低于SVM算法(0. 211 7、0. 152 3、0. 159 7)和RF算法(0. 244 7、0. 214 7、0. 208 0)。该研究为快速准确的大田夏玉米LAI遥感监测提供了技术和方法。