2000—2019年西南高山峡谷区植被变化对气候变化和人类活动的响应

为了探究中国典型生态环境脆弱区——西南高山峡谷区植被变化对气候变化和人类活动的响应规律,量化气候变化和人类活动的相对贡献。该研究基于2000—2019年归一化差异植被指（normalized difference vegetation index,NDVI）数据集,采用Theil-Sen趋势分析、Mann-Kendall显著性检验和Hurst指数分析了NDVI时空变化特征及未来变化趋势;在此基础上结合气象因子数据集,采用相关性分析和残差分析探讨了NDVI对气候变化和人类活动的响应。结果表明：1）时间尺度上,2000—2019年NDVI总体表现为波动上升趋势,增长速率为0.0046/a。空间尺度上,NDVI呈上升趋势区域面积占研究区总面积85.59%,植被恢复效果明显,且未来NDVI变化还将以上升趋势为主。2）在区域气候暖干化的背景下,NDVI对不同气候因子的响应有所差异,总体上NDVI与气温和太阳辐射呈正相关,而与降雨量呈负相关,气温对NDVI变化的影响力要强于太阳辐射和降雨量,是影响NDVI变化的主要气候因子。3）85.10%区域面积的植被变化受人类活动和气候变化的共同影响,其中人类活动是植被变化的主要驱动因素,气候变化为次要驱动因素,相对贡献率分别为68.67%和31.33%。该研究结果可为西南高山峡谷区未来生态环境建设提供科学依据,助力区域绿色可持续发展目标的实现。     

利用手持光谱设备估测羊草草地生物量

在河北省沽源县以羊草为主的坝上草原,在降水和刈割为控制因素的试验小区,测量了地上干生物量,并利用ACS-430手持式光谱仪采集光谱数据,计算了9种植被指数值。对生物量与植被指数进行相关性分析,建立以产量为因变量、植被指数为自变量的生物量估测模型。结果表明,各个植被指数与产量的相关性都很好（P〈0．01）,说明植被指数对草地覆盖度都很敏感。最后依据曲线模型的决定系数大小,认为归一化红边植被指数NDRE与产量建立的二次模型拟合效果最好（P〈0．01）,拟合方程为y=0．024＋2．249x-7．136x^2,R^2=0．675。     

光谱分析在草地地上生物量估测中的研究与应用

简要介绍了草地地上生物量估测的不同方法及其各自特点,阐述了反射光谱特征参数、植被指数与草地地上生物量之间的关系,分析了草地类型、季相条件以及植被覆盖度对植被指数、草地地上生物量估产模型的影响.     

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Landsat影像稀疏植被斑块格局对降水响应

【目的】古尔班通古特沙漠稀疏植被斑块格局是水分稀缺的荒漠区对降水在地表的表现。【方法】基于年降水量变化特征,选择1990年TM影像、2001年ETM+、2010年TM影像和2015年OLI遥感影像为数据源,结合1990~2015年蔡家湖气象站逐年的降水数据,计算古尔班通古特沙漠南缘的植被盖度、斑块面积、斑块数量、斑块密度,分析不同植被盖度、面积变化趋势,探讨年降水量对植被盖度、斑块面积、数量、密度的影响。【结果】1990~2015年,植被盖度总体呈减少趋势,其中二级植被面积明显增加(1 089.557 km²),增幅为20.154%,一、三、四级植被面积略有减少,减幅分别为-98.752%、-61.581%、-96.889%。随着降水量的增加,斑块数量,密度增加,破碎程度变小,植被盖度增加。【结论】1990~2015年古尔班通古特沙漠南缘稀疏植被盖度随年降水的变化总体呈退化-好转-退化趋势。年降水量变化与稀疏植被盖度、斑块面积、数量、密度均呈正相关关系。     

无人机多光谱遥感反演冬小麦植株含水率

为了建立一种高效监测冬小麦植株含水率的无损方法,用于反映作物水分状况、指导精准灌溉。以北京大兴的冬小麦为研究对象,利用无人机搭载多光谱相机采集冬小麦5个波段的光谱信息,构造了光谱反射率模型和光谱植被指数模型,筛选了典型地区冬小麦植株含水率解译模型。结果表明:冬小麦植株含水率与反射光谱在0.05水平上显著相关,优选的两种模型的预测精度较高,相对误差均小于10%,决定系数均大于0.75;从模型复杂程度和物理含义考虑,估算植株含水率的最优模型为基于逐步回归法的光谱指数模型,该模型的率定及验证的决定系数为0.78和0.83,均方根误差为6.79%和5.47%,相对误差为9.73%和6.91%。该研究为采用无人机多光谱遥感技术实现对作物水分的快速高效监测提供了有效方法。     

构建植被区分阴影消除植被指数提取山地植被信息

山地植被信息在气候变化研究和生态环境保护等方面发挥着重要作用,遥感技术能够快速获取山地植被信息,但是存在山地地形阴影的影响以及山地植被信息混淆问题。该文以山地植被为研究对象,基于Landsat卫星遥感影像多光谱数据,分析山地植被的主要特点,借鉴阴影消除植被指数（shadow eliminated vegetation index,SEVI）的构造原理及形式,提出了一种适用于山地植被覆盖遥感监测的植被指数算法—植被区分阴影消除植被指数（vegetation distinguished and shadow eliminated vegetation index,VDSEVI）。研究结果表明：相对于已有的其他植被指数,VDSEVI较好地消除了地形阴影的影响;VDSEVI的信息量大,植被覆盖的识别能力较强,较好地解决了植被信息混淆问题,能够更好地反映山地植被覆盖情况。不同土地覆盖类型的VDSEVI存在显著差异;阴影稀疏林地和相邻非阴影稀疏林地的相对误差较小,为3.428%;各土地覆盖类型样本VDSEVI标准差均小于0.06;植被覆盖样本VDSEVI与太阳入射角余弦值（cosi）的相关系数为?0.800。为验证VDSEVI在其他地区的适用性,将VDSEVI应用于内蒙古阿尔山和福州市闽侯县,结果表明VDSEVI同样适用。新疆那拉提、内蒙古阿尔山和福州市闽侯县3个区域基于VDSEVI阈值法的植被信息提取总体精度分别为84.136%、87.339%、86.709%,Kappa系数分别为0.799、0.788、0.791。     

云阴影区机载高光谱影像森林树种分类

[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。     

基于数字图像特征的冬小麦渍害监测研究

为探索渍害胁迫下冬小麦灾损程度的可视化监测方法,通过田间试验,分析了麦田16个常用图像特征指数在不同受渍时间下的变化特征及其与冬小麦SPAD值、产量和千粒重的相关关系,并建立了基于图像特征指数衰减量的冬小麦渍害估算模型。结果表明,随渍水时间的增加,红光(R)、红光标准化值(NRI)、超红指数(EXR)、植被颜色指数(CIVE)极显著上升,而绿光标准化值(NGI)、归一化绿红差值指数(NGRDI)、绿-红差值指数(GMR)、超绿指数(EXG)、绿红比值指数(GRVI)则极显著下降;且这9个图像特征指数均与冬小麦SPAD值、产量和千粒重呈极显著相关,相关系数的最大绝对值分别为0.92、0.85和0.91;基于图像指数衰减量所建的SPAD值、产量和千粒重减少量的估算模型均以二次多项式最优,且以CIVE指数衰减量构建的SPAD值、产量和千粒重减少量估算模型的预测精度最高,验证集决定系数分别达到0.98、0.95、0.96。因此,数字图像技术可用于冬小麦渍害监测,且以基于CIVE指数的监测效果最佳。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。