基于Sentinel-2和Landsat 8数据的天祝县草地地上生物量遥感反演

为精确获取区域草地地上生物量（Above-ground biomass，AGB），本研究利用Sentinel-2和Landsat 8数据，计算5种植被指数，与野外实测AGB建立草地AGB遥感估算模型，并用均方根误差、决定系数和平均相对误差等指标综合比较不同估算模型的反演精度。结果表明：5种植被指数与草地AGB均显著相关；基于Sentinel-2数据建立的AGB估算模型总体上优于Landsat 8的估算结果；7月最优反演模型为基于差值植被指数（Difference vegetation index，DVI）的二次多项式模型，精度达86％；8月最优反演模型为基于绿色归一化植被指数（Green normalized difference vegetative index，GNDVI）的指数模型，精度达84％；天祝县草地AGB的空间差异明显，不同草地类型平均AGB顺序为：山地草甸>高寒草甸>温性草原>温性荒漠草原。以上研究结果可为研究区草地AGB合理估算和放牧管理提供科学依据。     

基于ADC和MODIS遥感数据的高寒草地地上生物量监测研究——以黄河源区为例

利用2015-2016年8月采集的黄河源区草地生物量数据和MODIS卫星遥感资料,结合农业多光谱相机(agricultural digital camera,ADC)获取的植被指数数据,比较分析3种_(ADC)植被指数(NDVI_(ADC)、SAVI_(ADC)和GNDVI_(ADC))与野外实测草地地上生物量(above-ground biomass,AGB)数据的相关性,筛选出适合构建草地AGB反演模型的_(ADC)植被指数;结合MODIS NDVI(记作NDVIMOD)构建草地地上生物量反演模型,采用留一法交叉验证方法评价各模型精度,确立适宜模拟研究区草地AGB的最优模型;并利用NDVI_(ADC)校正NDVI_(MOD),获得高分辨率、高精度的草地AGB遥感监测改进模型。结果表明,1)基于_(ADC)获取的3种植被指数中,NDVI_(ADC)与高寒草地地上生物量关系最为密切,其次为SAVI_(ADC),拟合效果最差的是GNDVI_(ADC);2)基于NDVI_(ADC)建立的草地AGB监测模型的精度(RMSEP介于383.55~393.18kg DW/hm2;r范围为0.65~0.66)远高于NDVI_(MOD)的模型精度(RMSEP介于421.08~427.00kg DW/hm~2;r范围为0.55~0.58),NDVI_(ADC)反演得到的草地AGB更接近于黄河源区草地实际生物量,且相较于NDVI_(ADC),NDVI_(MOD)的样本值整体偏高;3)在NDVI_(ADC)构建的4类模型中,线性和乘幂模型模拟研究区草地AGB的能力较好,但线性模型精度更高(y=3248.93×NDVI_(ADC)-305.59,RMSEP=383.55kg DW/hm~2,r=0.66),该模型为黄河源区草地生物量的估测提供了一个新型且易操作的方法;4)NDVI_(ADC)与NDVIMOD相关性较高,利用NDVI_(ADC)校正NDVI_(MOD)可以改进草地AGB遥感反演模型,优化模型为y=2455.54×NDVI_(MOD)-301.69。该模型可在大尺度范围内估测黄河源区的草地生物量,且模型精度接近于地表测量法的监测精度。     

基于Landsat 8和随机森林的青海门源天然草地地上生物量遥感估算

草地地上生物量（above-ground biomass, AGB）的遥感监测可快速且客观地对草地生长现状进行评估,对生态环境评价和草地资源利用有重要意义。为了提高遥感估算草地AGB的准确性,基于青海省门源县的地面实测数据,利用Landsat-8 OLI遥感数据计算出的植被指数分别构建了单因素回归模型和随机森林模型（random forest, RF）,确定了AGB遥感估测最佳模型,并反演得到了研究区2019-2021年草地AGB空间分布。结果表明：1）在29个植被指数构建的单因素回归模型中,与草地AGB相关性较高的5个植被指数为NDVI、RBNDVI、TVI、GNDVI、MSR,R²均达0.49以上。其中,NDVI模型的精度最高,验证集R²为0.50,均方根误差（root mean square error, RMSE）为702.89 kg·hm^-2。2）在RF模型中,变量筛选前R²=0.61,RMSE=621.14 kg·hm^-2;经过变量筛选后模型精度有小幅度提升,R²达0.62,RMSE基本不变;二者精度均优于单因素模型,相比传统单因素最优回归模型,R²提高0.12,RMSE降低了80.95 kg·hm^-2。3）门源县AGB空间分布特征为西北部较高,东南部相对较低;大体呈中部高,四周低的分布状况。2019-2021年全县天然草地总产草量介于4.2827万~8.9776 万t,平均单产介于1063.49~1484.82 kg·hm^-2;草地类型以高寒草甸为主,2019-2021年产草量为4.0825万~5.6653 万t,平均地上AGB介于1060.38~1471.94 kg·hm^-2;山地草甸平均AGB为1036.81~1637.43 kg·hm^-2;温性草原平均AGB介于1198.72~1786.63 kg·hm^-2。     

基于红光和近红外反射光谱特征参数反演草地地上生物量

2013年6~10月测定东非狼尾草+白三叶混播草地冠层反射光谱和地上生物量;分析红光波段和近红外波段反射光谱特征参数与牧草鲜重及干物质之间的相关关系;构建并检验基于红光单波段和植被指数(NDVI、RVI、DVI)反演草地地上生物量回归模型。结果表明:红光波段反射率与草地地上生物量之间存在显著相关性;地上生物量的增加能够显著降低"红谷"反射率,显著升高近红外850.0nm处反射率;选用红光单波段反射率、红光波段构建的植被指数RVI或红光与近红外波段构建的植被指数NDVI,均能够精确反演草地鲜草产量和干物质产量;适宜估产的植被指数因季节和草地生物量的差异而不同,在6月11日,植被指数RVI反演模型估测的草地生物量与实测值的模拟效果最好,10月12日,植被指数NDVI反演模型估测的草地生物量与实测值的模拟效果最好。     

不同机器学习算法在草原草地生物量估算上的适应性研究

准确估算草地地上生物量(Aboveground biomass，AGB)对于科学调整草畜关系、保护生态环境和实现草地资源的可持续发展具有重要意义。本文以锡林郭勒盟不同草地类型为研究对象，基于遥感数据、气象数据和数字高程模型数据，利用支持向量机(Support vector machines,SVM)、BP神经网络(BP neural networks,BP)和随机森林(Random forest,RF)三种机器学习算法建立AGB估算模型，评估三种机器学习算法模型估算AGB的潜力。精度验证结果表明，在研究区内不区分草地类型整体建立估算模型时RF算法的回归精度最高(R=0.88，RMSE=0.10，MSE=0.01，MAE=0.07)。SVM算法建立的模型在草甸草原和荒漠草原回归精度较高，而RF算法回归能力在典型草原具有相对优势。不同特征变量对估算AGB的贡献分析结果表明，植被覆盖度(Fractional vegetation cover,FVC)、归一化植被指数(Normalized difference vegetation Index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)和降水量(Precipitation,PRCP)四个变量对AGB估算结果的影响较大。本文研究结果为干旱/半干旱区草地地上生物量估算精度的提高和方法的选择提供科学建议。     

基于STARFM的草地地上生物量遥感估测研究——以甘肃省夏河县桑科草原为例

遥感数据具有实时、动态、大范围等特点,在草地资源监测与管理研究中获得了广泛应用。然而,单一的遥感植被指数无法同时满足草地地上生物量观测中时空分辨率的需求。因此,本研究基于时间序列Landsat NDVI和MODIS NDVI数据,结合时空融合算法（spatial and temporal adaptive reflectance fusion model, STARFM）,生成了2000-2016年高时空分辨率的植被指数数据集（NDVI_STARFM,时间分辨率为16 d,空间分辨率为30 m）,并基于2013-2016年地面实测草地地上生物量数据,构建了夏河县桑科草原高寒草地地上生物量遥感反演模型,分析了2000-2016年研究区草地地上生物量生长状况和变化趋势。结果表明：1）基于NDVI_STARFM的最优估测模型为乘幂模型,其R²为0.58,均方根误差（root mean square error, RMSE）为795.62 kg·hm^-2,模型的表现能力次于Landsat NDVI最优估测模型（R²=0.76,RMSE=634.83 kg·hm^-2）,而优于MODIS NDVI最优估测模型（R²=0.24,RMSE=937.79 kg·hm^-2）;2）基于NDVI_STARFM最优估测模型对各样区草地地上生物量总产的估测精度优于MODIS NDVI而次于Landsat NDVI,总体精度达84.05%;3）2000-2016年来,夏河县研究区草地地上生物量总体呈现增加趋势,其中90%左右的区域年增量大于30 kg·hm^-2,草地地上生物量呈现减少趋势的区域仅占2.30%。     

基于多源遥感数据的高寒草地生物量反演模型精度——以夏河县桑科草原试验区为例

基于MODIS、Landsat-8 OLI和HJ-1A/1B CCD卫星遥感资料,结合2013-2014年甘南州夏河县桑科草原试验区野外实测数据,建立了高寒草地地上生物量遥感反演模型,筛选出基于不同遥感资料植被指数的生物量最优反演模型,比较分析了生物量最优模型的空间效应。同时,分析了2000-2013年基于MODIS植被指数估算的试验区产草量的年际变化特征。结果表明,草地生物量最优反演模型为基于Landsat-8 OLI NDVI数据的对数模型(y=727.54lnx1+495.23,R2=0.772,RMSE=31.333 kg DM·hm-2);在30和250 m空间分辨率下,基于MODIS NDVI及EVI、Landsat-8 OLI NDVI和HJ-1A/1B CCD NDVI最优模型估算的生物量均高于实测生物量,其中Landsat-8 OLI NDVI数据估算的草地生物量与实测生物量值最接近;2000-2013年试验区草地总生物量整体上具有显著增加的趋势(R2=0.590 7,P0.001),平均增加速率达50.57 kg DM·hm-2·a-1。     

基于随机森林的高寒草地地上生物量高光谱估算

草地地上生物量（Aboveground biomass,AGB）是衡量草地生产力的关键因素,准确测定草地AGB具有重要意义。高光谱因具有时效性强、不破坏草地等特点被广泛用于草地生理生态指标的测定。本研究提取和计算了海北试验站高寒草地冠层的原始光谱（Original spectrum,OR）反射率、一阶微分光谱（First derivative spectrum,FD）反射率、光谱位置面积参数（Spectral parameters of spectral position and area,PA）和植被指数（Vegetation indices,VI）4种不同类型的特征变量,使用连续投影算法（Successive projections algorithm,SPA）和递归特征消除算法（Recursive feature elimination,RFE）进行特征选择,采用随机森林算法（Random forest,RF）构建草地AGB估测模型。结果表明：在由4种特征变量分别构建的草地AGB估测模型中,基于VI的RF模型精度最高（测试集R²=0.70,RMSE=557.87 kg·ha^-1）,实测AGB与估测AGB的线性R²达到0.72;不同类型特征变量组合构建的草地AGB估测模型中,PA+VI组合的RF模型精度最高（R²=0.71,RMSE=548.97 kg·ha^-1）,实测AGB和估测AGB的线性R²达到0.73。     

克州地区天然草地生产力评价

本研究以克孜勒苏柯尔克孜自治州的天然草地为研究对象,利用2005年7-8月的MODIS遥感数据提取植被指数(NDVI),通过典型区野外实地采样,得到与MODIS影像资料时相一致的草地地上生物量数据,分析遥感植被指数与植被生物量的相关关系,建立了生物量估测模型,并进一步对克州天然草地生产力进行了评价.根据关键场理论计算了...     

甘南州高寒天然草地生长状况遥感监测

以甘南州高寒天然草地为研究对象,利用2016?2019年草地地上生物量实测数据和MOD13Q1植被指数产品,构建了甘南州草地地上生物量遥感反演模型,分析了近20年(2000?2019年)甘南州高寒天然草地地上生物量的时空分布特征。结果表明：1) MODIS EVI植被指数适宜于甘南州高寒天然草地地上生物量变化监测研究,模型决定系数R2 = 0.524 9,均方根误差RMSE = 527.9 kg·hm?2;2) 20年间甘南州高寒草甸和山地草甸的地上生物量均呈增加趋势,而沼泽类草地地上生物量呈减少趋势;3) 近20年来甘南州草地呈现出整体恢复、局部恶化的趋势,全州66.04%的草地呈稳定或恢复趋势,33.96%的草地地上生物量呈减少趋势,其中18.08%的草地呈持续性恶化趋势。研究结果为甘南州草地植被动态监测和高寒草地退化修复提供了数据支持。     

甘南州高寒天然草地生长状况遥感监测

以甘南州高寒天然草地为研究对象,利用2016-2019年草地地上生物量实测数据和MOD13Q1植被指数产品,构建了甘南州草地地上生物量遥感反演模型,分析了近20年(2000-2019年)甘南州高寒天然草地地上生物量的时空分布特征.结果表明:1)MODIS EVI植被指数适宜于甘南州高寒天然草地地上生物量变化监测研究,模型决定系数R2=0.5249,均方根误差RMSE=527.9 kg·hm-2;2)20年间甘南州高寒草甸和山地草甸的地上生物量均呈增加趋势,而沼泽类草地地上生物量呈减少趋势;3)近20年来甘南州草地呈现出整体恢复、局部恶化的趋势,全州66.04％的草地呈稳定或恢复趋势,33.96％的草地地上生物量呈减少趋势,其中18.08％的草地呈持续性恶化趋势.研究结果为甘南州草地植被动态监测和高寒草地退化修复提供了数据支持.     

基于MODIS-NDVI的天山北坡中段草地动态估产模型研究

利用EOS/MODIS卫星遥感数据,以天山北坡中段山地草原带为典型研究区,进行草地生物量变化动态监测。运用植被指数最大合成法,分析了研究区草地植被指数的时空变化特征,以及植被指数NDVI与地上生物量的相关关系,建立了MODIS NDVI在山地草甸草原、山地草原和山地荒漠草原上不同季节的生物量动态估测模型。结果表明：3种草地类型的最优动态估产模型分别是一元线性回归模型、二次曲线回归模型、幂函数曲线模型,估产精度分别达到83.06%、90.85%、88.06%。     

基于不同阶微分高光谱植被指数的牧区草场地上生物量估算

利用高光谱遥感技术能快速、无损、高效地获取草地地上生物量信息,对牧区牧草高效管理、草畜供求关系平衡以及放牧制度优化等方面具有重要意义。为了寻求估算生长旺盛期草地地上生物量最适宜的微分光谱阶数,本研究在内蒙古天然草场通过原位试验采集了高光谱反射率与地上生物量数据,对原始光谱反射率数据进行一至四阶微分处理,在全波段范围内挑选最佳波段构建简单比值植被指数（Simple ratio vegetation index,SRVI）、归一化植被指数（Normalized difference vegetation index,NDVI）、土壤调节植被指数（Soil adjusted vegetation index,SAVI）和增强型植被指数（Enhanced vegetation index,EVI）4种高光谱植被指数,建立相应地上生物量估算模型并对比评价各模型精度。结果表明：对原始高光谱反射率进行微分处理,有助于提高敏感波段与地上生物量的相关性;红边波段与近红外波段是构建最佳植被指数的重要组成波段,占所有优选波段的82%;基于二阶微分光谱的最佳SRVI和NDVI模型精度最好,R²分别为0.69和0.70,RMSE分别为196.60 g·m^-2和196.65 g·m^-2,过高的微分阶数反而会降低估算模型的精度。本研究能为利用不同阶微分高光谱估算草地地上生物量提供科学借鉴,为精准快速的牧区天然草场遥感监测提供技术和方法支持。     

基于机载激光雷达与高景一号数据的草原地上生物量反演研究

草原地上生物量(AGB)是草原调查监测中的重要指标，是草原生态保护和资源合理利用的依据，对草原可持续发展与科学管理具有重要意义。本研究以广西兴安县热性灌草丛为研究对象，结合机载激光雷达数据与高分辨率多光谱卫星影像，利用2021年采集的89个实地样方调查数据，对草原AGB进行了遥感反演研究。结果表明，草层高度信息是草原AGB建模的重要指标。增强型植被指数(EVI)、比值植被指数(RVI)、归一化植被指数(NDVI)中EVI与AGB的相关系数最高(0.666)，高度指标中平均草层高度(CHM_mean)与AGB的相关系数最高(0.686)，二者结合的指标中RVI×CHM_mean与AGB的相关系数最高(0.735)。模型精度验证结果显示，EVI模型中均方根误差(RMSE)最低，为292.047 g·m^-2,CHM_mean模型中RMSE最低，为245.084 g·m^-2,RVI×CHM_mean模型中RMSE最低为225.872 g·m^-2。结果...     

三江源地区高寒草地地上生物量时空动态变化

三江源区位于青藏高原腹地,作为长江、黄河和澜沧江的发源地,是我国重要的水源涵养和生态功能保护区。为了分析三江源区草地生物量的动态变化,本研究采用了人工神经网络方法(back propagation artificial neural network,BP ANN)模拟了草地地上生物量(above ground biomass,AGB),估算了2001-2016年草地AGB,从草地类型和流域两方面对草地AGB时空变化特征进行分析。结果表明:1)基于BP ANN的CXYN模型适用于研究区生物量的高精度反演,该模型的R2为0.77,RMSE为429.06kg·hm-2;2)16年间,三江源区草地生物量的变化趋势主要以稳定和恢复为主;3)草地生物量在空间分布上表现出明显的地域差异,呈现出由东南向西北逐渐减少的趋势。东南部部分区域AGB可达3 000kg·hm-2,而西北部的部分区域AGB小于500kg·hm-2。     

利用高光谱技术进行草地地上生物量估测

简要介绍了高光谱遥感的概念及其特点,并阐述了高光谱遥感技术估测牧草地上生物量原理。在阐述植被指数在草地科学领域运用的同时,介绍了植被指数NDVI和RVI的特点,就NDVI和RVI在草地地上生物量估测中的运用做了初步的探讨,并分析了不同草地类型对植被指数及草地地上生物量的影响。其结果表明,不同草地类型中使用的植被指数及估产模型各异。     

利用高光谱技术进行草地地上生物量估测

简要介绍了高光谱遥感的概念及其特点,并阐述了高光谱遥感技术估测牧草地上生物量原理.在阐述植被指数在草地科学领域运用的同时,介绍了植被指数NDVI和RVI的特点,就NDVI和RVI在草地地上生物量估测中的运用做了初步的探讨,并分析了不同草地类型对植被指数及草地地上生物量的影响.其结果表明,不同草地类型中使用的植被指数及估产模型各异.     

天峻县草地地上生物量遥感监测模型

【目的】快速、准确和大范围地对天峻县草地地上生物量（Above-Ground Biomass，AGB ）进行监测。【方法】利用天峻县 Landsat 8 OLI 遥感图像数据和同期 43 处样点实测生物量数据，分别建立了归一化植被指数（Normalized Difference Vegetation Index，NDVI）、土壤调节植被指数（Soil-Adjusted Vegetation Index，SAVI）、修改型土壤调节植被指数（Modified Soil - Adjusted Vegetation - Index， MSAVI）、比值植被指数（Ratio Vegetation Index，RVI）与草地地上生物量的遥感统计模型，分析遥感植被指数与草地地上生物量之间的相关性。【结果】天峻县遥感植被指数与草地地上生物量之间存在较好的相关性，但不同的统计模型的拟合效果不同；由 4 个自变量建立的多元线性回归模型的比一元线性回归模型有更好的拟合效果；遥感植被指数与草地地上生物量建立的三次项回归模型在拟合精度上较一元线性和多元线性高，为 y=116. 12x³ –898. 48x² +1 672. 1x–1 003. 4。【结论】 RVI 与草地地上生物量三次项模型适用于监测天峻县地区的草地地上生物量。     

新疆荒漠草地生物量估算及影响因素研究

为探究新疆荒漠草地生物量反演模型及其影响因子,基于Terra/MODIS,NOAA CDR NDVI,SPOT/VGT等遥感产品数据及草地地上生物量实测数据,构建研究区荒漠草地地上生物量植被指数反演模型,分析新疆荒漠草地地上生物量时空分布规律,运用趋势分析法和相关性等方法,揭示了生物量演变趋势与气温、降水的关系。结果表明：建立的不同遥感数据源生物量模型中,指数函数反演模型精度最高,决定系数和估算精度分别为0.66和70.93%;基于2000—2019年归一化植被指数(Normalized difference vegetation index,NDVI)变化趋势发现,新疆荒漠草地以稳定和改善为主;研究区2000—2019年间荒漠草地地上生物量空间分布格局整体表现为北高南低的趋势,20年间荒漠草地平均地上生物量为38.92 g·m^-2;2000—2019年气温与降水均上升,年平均升温率和降水率达到了0.32℃·(10 a)^-1和2.18 mm·(10 a)^-1,50%以上的地区荒漠草地与气温、降水呈正相关关系,生物量与降水的相关性优于气温。研究结果可为新疆草地保护和改善、生态环境建设提供科学依据和技术支持。     

基于Landsat 8 OLI和MODIS数据的高寒草地盖度升尺度效应研究——以夏河县桑科草原试验区为例

基于Landsat 8OLI和MODIS卫星遥感资料,结合2013-2014年甘南州夏河县桑科草原试验区野外实测盖度数据,对草地盖度敏感的OLI波段及其组合指数进行了筛选,构建并确立了试验区基于MODIS植被指数的草地盖度反演模型,探讨了不同空间升尺度方式对草地盖度的空间效应。结果表明,1)OLI比值植被指数r(Band7/Band5)对草地盖度的响应最敏感,基于该指数的草地盖度最优反演模型为yoli=-270.064xoli+115.987(R2=0.833,P0.001);2)基于MODIS MEVI和Landsat 8OLI比值植被指数r(30m)反演的盖度重采样数据(250m)的对数模型为最优草地盖度评估模型(R~2=0.795,P0.001),其决定系数较MODIS MEVI与基于农业多光谱照相机(agricultural digital camera,ADC)的盖度数据建立的回归模型高(R~2=0.706),绝对误差和相对误差较低;3)基于OLI和MODIS植被指数的3种草地盖度回归模型(方法1~3)精度均优于直接使用MODIS植被指数建立的回归模型(方法4);方法3利用OLI比值指数r反演盖度(30m),将其升尺度至250m,再反演盖度构建的对数模型的精度最高(R~2=0.795),其次依次为方法2构建的模型(R2=0.760)、方法1构建的模型(R~2=0.730)和方法4构建的模型(R2=0.706)。