江西九连山保护区植被覆盖度遥感动态监测

采用基于归一化差异植被指数(NDVI)的像元二分法模型对1988、1996及2004年3期TM影像进行研究区植被覆盖度提取,利用野外实测对2004年影像进行精度验证,并借助GIS空间分析方法,对研究区植被覆盖度格局定量分析,揭示九连山植被覆盖的时空变化规律,为该地区的植被恢复提供参考。研究表明:1)该模型对研究区植被覆盖度估算精度较好,无植被覆盖类型(裸地、水体)的估算精度达90%以上,低、中、高、全植被覆盖类型区域的估算精度达80%以上;2)1988年、1996年、2004年植被覆盖度均值分别为0.71、0.66、0.77,区内植被覆盖度总体呈现先降低后上升特点,这主要是由于研究区全植被覆盖面积的大幅消长造成的;3)研究区内无、低植被覆盖与中、高、全植被覆盖之间的转换比例较少,覆盖度等级转换主要集中在中、高、全植被覆盖等级之间,说明16年间的覆盖度变化主要源于林区的渐伐活动,皆伐及开垦活动相对较少;4)在研究区停止采伐后,尤其是该地区自然保护区的成立,植被得到了较好的恢复,中、高植被覆盖类型大幅转换为全植被覆盖类型,2004年区内植被在覆盖度均值及全植被覆盖面积上均超出了1988年水平,九连山地区植被保护效果明显。     

基于RS的昆明市植被覆盖度变化动态分析

植被覆盖度是反映植被状况的重要因素,以1988、1996、2000、2006和2010年5个时相的TM和ETM＋影像数据,利用像元二分法模型计算了昆明市植被覆盖度并分析其时空变化。结果表明,1988～2010年的22年间,昆明市的植被覆盖度变化明显,平均植被覆盖度从56．2％下降到50．7％,降幅达5．5％;特别是官渡区和呈贡新区变化幅度最为显著,降幅分别为12．3％和6％。按时段分析结果,1988～2000年昆明市整体植被覆盖度呈下降趋势,2000～2010年呈增长趋势。分析认为,城市的发展与扩建导致植被覆盖度减少;应注重城市绿化建设,新建公园与广场,使城市植被得到恢复。     

内蒙古地区植被覆盖动态及驱动因素分析

为研究内蒙古自治区植被覆盖度的时空演变规律,基于2005—2018年MODIS NDVI数据,以植被覆盖度FVC为研究植被覆盖度变化的主要指标,利用时间信息熵、时间序列信息熵、植被覆盖动态变化分析等方法,分析内蒙古自治区植被覆盖度的变化强度和趋势;通过GIS空间分析方法,分析矿区、河流、降水、地形等因素对植被覆盖度的影响。结果表明:1)从时间上看,2005—2018年,内蒙古自治区植被覆盖度变化强度较平稳,变化趋势呈现缓慢增加趋势,主要原因是人们日益重视保护环境,保护植被,也得益于退耕还林政策的实施以及矿区的整治。2)从空间上看,在2005—2018年间,内蒙古地区的植被覆盖度东高西低,有明显的经度地带性。3)降水、矿区、河流都是植被覆盖度变化的影响因素,降水充沛的地区,植被覆盖度往往较高;矿区植被覆盖度低于非矿区;河流的发育为植被的生长提供良好的水分条件,距河流较近的区域植被覆盖度高;不同的地形对植被覆盖度有显著的影响,低缓坡度和海拔较低的地区相较于坡度较陡、海拔较高的地区,更适宜植被的生长。     

基于NDVI的乌拉特后旗植被覆盖度时空变化分析

提取内蒙古巴彦淖尔市乌拉特后旗2006年、2010年及2015年3个时期的遥感影像,利用GIS软件计算了乌拉特后旗3个年度的植被覆盖度,同时对该地区植被覆盖在时间变化及空间变化中的状况进行了分析。结果表明:从时间方面看,乌拉特后旗的植被覆盖度整体呈增长的趋势。裸地及微植被覆盖度显著减少,低植被覆盖度和高植被覆盖度缓慢增加,中植被覆盖度在2010—2015年有显著增加的趋势。从空间方面看,乌拉特后旗的植被覆盖度逐渐递增并呈现东南部覆盖度高西北部覆盖度低的态势。阴山以南河套平原地区的高植被覆盖度及中植被覆盖度缓慢增加,阴山以北的荒漠及半荒漠草原的微植被覆盖度逐渐减少,到2015年时其植被覆盖度明显增加,转变为以低植被覆盖及中植被覆盖为主的态势,且出现零星的高植被覆盖度。     

近15年贵州高原植被变化时空格局分析

基于2000-2014年MODIS-NDVI时间序列数据集,探讨了贵州高原植被变化的时空格局。结果表明:研究期间贵州省植被覆盖度年际变化总体呈现上升趋势,但具有明显的时空变化。从空间分布上看,植被覆盖度的空间分布格局为东南部及北部地区高、西部地区较低。研究期间植被覆盖度较高的区域为黔东南州和黔南州,植被覆盖度较低的区域为毕节市和安顺市。高植被覆盖面积比例最大,低植被覆盖面积比例最小。2000-2010年间,高植被覆盖面积在逐渐增加,低植被覆盖、较低植被覆盖、中度植被覆盖、较高植被覆盖面积逐渐减少;2010-2014年间,高植被覆盖面积出现下降趋势,其他覆盖类型面积逐渐增加。     

元谋干热河谷旱季植被覆盖度的时空异质性

【目的】探究2008—2016年元谋干热河谷植被覆盖的时空异质性,分析植被覆盖度变化的原因,为区域植被生态保护提供基础数据和理论依据。【方法】以2008,2010,2012,2014和2016年5期Landsat遥感影像为数据源,以ENVI为技术平台,采用像元二分法获取研究区5个时期的研究区植被覆盖度数据,确定植被覆盖度等级和分类标准,利用地理空间分析法研究不同年份植被覆盖度特征,分析各高程带植被覆盖度的构成状况;在Arc GIS支持下提取各年份不同等级植被覆盖度的面积,通过GIS叠置分析获取2008和2016年的植被覆盖度转移矩阵;以与研究区等面积的空间格网对不同年份的植被覆盖度进行空间采样,以多元统计法计算格网点植被覆盖度标准差和回归斜率研究植被覆盖度的时间演变特征。【结果】研究区植被覆盖度以龙川江河谷及金沙江河谷为界表现出东高西低、南高北低,且自河谷坝区向中高山呈现中低—低—中—中高的整体空间格局;5个时段植被覆盖度分别为0.562,0.586,0.494,0.578和0.566;中高山区Ⅰ和Ⅱ级植被覆盖度的区域面积分别占研究区Ⅰ和Ⅱ级植被覆盖度总面积的60%和50%以上,坝周低山区和中低山区Ⅲ和Ⅳ级植被覆盖度的区域面积分别占研究区Ⅲ和Ⅳ级植被覆盖度总面积的70%~80%;河谷区坝区的Ⅴ级植被覆盖度的区域面积占研究区Ⅴ级植被覆盖率总面积的60%以上;8年来不同等级植被覆盖度的转移面积占区域总面积的61.03%,Ⅰ级植被覆盖度中有95.19km2向Ⅱ级植被覆盖度转移;年际间植被覆盖度标准差(SD)为0~0.541,植被覆盖度增加的区域面积和减少的区域面积之比为10∶9,呈显著性减少和显著性增长的区域面积分别占研究区面积的9.132%和6.794%。【结论】干热河谷植被覆盖度空间地带差异明显;植被覆盖度偏低,植被覆盖度等级间转换较为频繁;植被覆盖度年际间变化幅度不大,植被覆盖度呈增长的区域面积略大于减少区域面积,但呈显著性减少的区域面积大于呈显著性增长的区域面积;东部和南部的中高山地带植被覆盖度的结构恶化。应继续强化退耕还林还草、强化天然林保护等措施的力度,降低中高山和中低山的人为干扰强度,在河谷坝区和坝周低山积极开展人工植被恢复工作,促进区域植被生态的可持续发展。     

基于RS的长株潭绿心区植被覆盖动态变化研究

以2000年、2005年、2011年3个时期的landsat5TM遥感影像为数据源,利用像元二分法模型反演三个时期的植被覆盖度,并研究3期植被覆盖度变化特征、植被覆盖度转移矩阵。结果表明:研究区植被覆盖状况良好,3期Ⅳ级和Ⅴ级植被覆盖度(f_c0.5)区域的面积和占总面积百分比均为79%以上。2000—2011年,研究区植被覆盖度总体呈下降趋势,2000年平均植被覆盖度为0.78,2005年平均植被覆盖度为0.72,2011年平均植被覆盖度为0.70。     

长株潭核心区植被覆盖度动态监测与分析

以2000年Landsat5、2013年Landsat8两个时相遥感影像,利用像元二分法模型反演获得2个时期的植被覆盖度,并通过研究区域内2期植被覆盖度的时空变化特征、近13年的区域植被覆盖度转移矩阵、植被改善/退化状况及驱动力,定量分析了长株潭核心区13年植被覆盖度的时序变化和空间分布特征.研究结果表明:长株潭核心区近13年植被覆盖度保持总体稳定并有所改善,平均覆盖度由2000年的0.573 9上升到2013年的0.601 5,植被退化区主要集中在长沙、株洲、湘潭3市城区及周边区域,另外长株潭绿心区植被覆盖度也有小幅下降;长株潭核心区植被覆盖与气候变化有一定关联,但人口增长、土地利用类型变化、城市化进程以及政策等人为因素是影响植被覆盖变化的主要因素.     

基于MODIS NDVI数据的粤港澳大湾区植被覆盖时空演变

为研究粤港澳大湾区的植被覆盖变化,采用2001—2020年的MODIS NDVI遥感数据,通过像元二分模型估算粤港澳大湾区的年最大植被覆盖度,运用一元线性回归、变异系数分析和R/S分析等方法,在像元尺度上探索植被覆盖度的时空演变规律,并预测其未来发展趋势。结果表明:1)大湾区植被覆盖度总体呈下降趋势(速率-0.023/10年);2)不同地域的植被覆盖在稳定性上差异显著,植被覆盖不显著变化区域占比69.18%,显著改善区域占比9.87%,显著退化区域占比20.95%;3)植被覆盖演变趋势整体以弱持续性序列为主,预测植被覆盖退化面积占比52.44%。基于研究结果提出对策建议,为我国国土空间生态规划、区域植被修复提供参考依据。     

基于MODIS数据的福建省植被覆盖度时空变化分析

在对福建省2006—2016年4—10月NDVI影像进行MVC最大值合成的基础上,利用像元二分模型计算植被覆盖度,分析福建省植被覆盖度的时空变化特征及其与气候因子的相关性。结果表明:2006—2016年间福建省植被覆盖度总体上是呈增加趋势的,并在2015年达到最大值;在空间分布上,植被覆盖显著增加的区域在闽西南(龙岩、漳州附近)、长汀等地,而植被覆盖度减少的地区则在经济发展速度较快的厦门、泉州、福州等地区;植被覆盖度的变化与气温因子的相关性要比降水因子大。     

基于SPOT—VGT NDVI的恩施自治州地表植被覆盖变化分析

利用1999-2008年SPOT—VGTNDVI时间序列数据集分析了10年间恩施州植被覆盖变化,研究结果表明：恩施州植被覆盖状况在10年内有较明显的改善,NDVI年平均值从1999年的0．564增长到了2008年的0．604,99％以上的区域植被指数趋向于正向增长;东部地区植被覆盖状况优于西部地区,在全州8个县市中鹤蜂县2008年NDVI年平均值最高,利川市最低;10年间恩施州西南部的来凤县与咸丰县地表植被变化率最大,西北部的利川市与东部的巴东县和鹤峰县地表植被变化率明显落后于其他县市。区域植被监测变化表明天然林保护工程与退耕还林工程等林业工程的实施,恩施州植被覆盖状况有了较明显的提高,有效地改善了恩施州区域生态环境,区域经济社会可持续发展能力在稳步提高。     

洱海流域植被覆盖度遥感估算与变化分析

植被覆盖度是刻画地表植被覆盖的一个重要参数,也是指示生态环境变化的重要指标之一.以洱海流域1990年和2006年TM影像为数据源,利用NDVI的像元二分模型法对洱海流域1990年和2006年植被覆盖度进行遥感估算,并进行变化分析.结果显示,近17年来洱海流域植被覆盖度总体上有所提高,无植被覆盖区域面积明显下降,高植被覆盖占全植被覆盖区域面积比大幅提高,二者面积比近50％;在空间分布上,洱海流域上游地区、东部部分地区植被覆盖度相对较低,对地区生态环境稳定构成重大威胁,将是今后洱海流域生态建设和整治的重点区域.     

基于3S技术的天保区植被变化监测方法研究

以甘肃省清水县天然林保护区植被时空变化为研究对象,以2期Landsat TM遥感影像为主要信息源,以植被面积和植被覆盖度为监测指标,采用最大似然方法进行监督分类获得土地利用分类图和植被面积,采用NDVI像元二分法获得植被覆盖度图。利用空间分析和统计分析方法将土地利用分类图和植被覆盖度图进行空间叠加分析,揭示研究区1996—2004年间土地利用和植被覆盖度的数量变化和空间变化特征,并对天保区与非天保区以及不同天保区内部的差异进行对比分析。研究结果表明：1996年—2004年间甘肃省清水县天然林保护区森林面积和植被覆盖度得到了明显改善,且天保区优于非天保区; 不同类型天保区植被变化状况有差异,3种类型天然林保护区中以重点生态保护区植被改善状况最为显著。     

震区植被覆盖度动态变化及其受损研究——以芦山县为例

本文探讨了利用Landsat TM和ETM影像数据建立植被受损模型,评价了植被受损的程度,运用植被覆盖度估算的像元二分模型,估算了植被覆盖度,总体上评价了芦山县经过4·20地震前后的植被覆盖度的变化情况,同时分析了其空间分布特征。研究结果显示:①2009年至2013年芦山县平均覆盖度从75.47%降低到70.22%②两个时期植被都是以较高覆盖度为主,约占总面积的36%,其中2009年高覆盖度植被面积大量的减少,减少的高覆盖度植被主要转化成了2013年中覆盖度的植被③2009年~2013年以轻度减少和稳定为主,轻度减少区和稳定区占总面积的75.66%,剧烈减少区和减少区占总面积的9.68%。这说明2009年~2013年植被有较严重的退化趋势④植被覆盖度变化存在着空间格局差异,随高程、坡度、坡向的分布特征差异显著⑤通过植被指数构建的植被受损模型评价了地震造成的植被受损情况,其中重度受损的植被大多是滑坡、崩塌的区域。通过研究植被受损的等级和覆盖度的动态变化情况,揭示了地震灾害对地表植被的破坏状况,为灾区的生态恢复提供决策依据。     

基于多特征的高分辨率影像松材线虫病树识别

为了提高松材线虫病树的监测效率,减少其对林业生产造成的损失,利用在高分辨率遥感影像上提取松材线虫病树的光谱特征、空间特征等多特征,然后进行Relief特征选择算法,提取的合适特征为归一化植被指数NDVI(Normalized Vegetation Index)、差值植被指数DVI(Difference Vegetation Index)、OHTA颜色模型作为病树与非病树的光谱特征,对目标影像进行自动筛选,得到疑似病树像元。运用DBscan空间聚类算法对疑似病树像元进行聚类,并以周围一定范围内有一定数量的健康树像元为空间分布参考,对拍摄地点30°1′N/111°43′E附近、分辨率为0.1 m的3幅高分辨率遥感影像筛选病树。自动筛选耗时分别是人工筛选的43.99%、51.08%和46.62%,相对于人工筛选的数量准确度分别为79.37%、77.85%和82.56%。结果表明:采用光谱特征与空间特征相结合的方法在高分辨率遥感影像上识别松材线虫病树识别效率更高。     

基于RS和GIS的木兰县植被盖度定量研究

以木兰县1989年和2011年两景Landsat TM遥感影像为主要数据,基于RS和GIS技术,在定量反演归一化植被指数（NDVI）的基础上,获取植被盖度等级图并进行动态分析。研究结果表明：近22年来NDVI在0.2～0.3面积增加的最多,为141.41km^2,在0.4～0.5减少的最多,为340.29 km^2,低盖度植被区域面积增加的最多,高盖度植被区域面积减少的最多。该研究成果对深入了解该区生态环境质量变化具有重要的意义。     

广州市主城区绿地信息提取及其动态变化分析

基于广州市主城区2004年、2008年及2012年SP5影像数据,应用遥感分类技术中的监督分类、非监督分类以及先提取植被技术再非监督分类的方法提取广州市主城区的绿地信息,将提取的结果与森林资源二类调查档案更新资料进行比较,找出最优的分类提取方法;应用最优的绿地信息提取方法,提取广州市主城区2004年、2008年及2012年绿地信息并分析其动态变化过程。研究结果表明:1)通过先提取研究区影像植被指数然后作非监督分类的方法可以快速而准确地提取出城市绿地信息,这是一种可行的城市绿地监测手段。2)从2004—2012年,广州市主城区绿地面积明显减少,特别是在2004—2008年减幅较大,2008—2012年趋于平缓。     

植被遥感研究的新思路——走出传统光谱理论应用的误区

对遥感中沿用几十年的植被光谱理论提出质疑,阐述了传统植被遥感中存在的误区,提出新的观点及研究思路。第一次提出干旱植被指数(LDVI)和综合植被指数(IVI)的概念,探讨了干旱地区草原植被的信息提取及定量分析方法。     

Vegetation inventory of a temperate biosphere reserve in China by image fusion of landsat TM and SPOT HRV

Vegetation cover types on Changbai Mountain, a natural biosphere reserve (2,000 km²) in northeast China, were derived by using multisensor satellite imagery fused with Landsat TM and SPOT HRV-XS. DEM data were used for improving classification accuracy. Cover types were classified into 20 groups. Bands 4 and 5 of Landsat TM image acquired on July 18, 1997, and band 1 of SPOT HRV-XS image acquired on Oct. 19, 1992, were fused to a false color image, and maximum likelihood supervised classification was performed. Data fusion showed high accuracy of identification, compared to individual images. The overall accuracy of classification of individual images by SPOT HRV-XS reached 56%, and TM 66%, while the fused data set provided accuracy of about 78%, which was raised to 81% after recoding by using DEM. There were five vegetation zones on the mountain, from the base to the peak: hardwood forest zone, mixed forest zone, conifer forest zone, birch forest zone, and tundra zone. Spruce-fir dominated conifer forest was the most prevalent (nearly 50%) vegetation type, followed by Korean pine and mixed forest (17%) and larch forest (5%). HRV image taken in leaf-off season is useful for discriminating forest from non-forest, and evergreen forest from hardwood forest, while the summer image (TM) provides detailed information on the difference in similar vegetation types, like hardwood forest with different compositions.