甘肃省草地植被NDVI时空变化特征及驱动因素研究

本文基于甘肃省2000—2019年归一化植被指数（normalized different vegetation index，NDVI）数据及气象数据，研究了甘肃省草地NDVI时空变化特征及驱动因素。结果表明：近20年，生长季草地NDVI整体水平较低但呈波动上升趋势，增速为0.030·（10a）^-1，草地NDVI分布呈现东南高西北低的格局；20年间生长季NDVI呈显著增加趋势的面积占甘肃省草地的19.08%，主要分布在陇中黄土高原；甘南高原和祁连山地生长季NDVI保持稳定，其中高寒草甸NDVI整体较高且稳定性较强；生长季草地NDVI受夏季降水量的影响较大；人类活动主要促进了草地NDVI的增长。整体而言，甘肃省草地NDVI呈现增长趋势且稳定性较高，降水量对草地NDVI的影响较强。另外，生态工程也促进了草地NDVI增长，需长期实施。     

基于MODIS TVDI和模糊数学方法的藏北地区旱情等级遥感监测

为了实现对藏北区域范围内春夏旱情的动态连续监测,基于温度植被干旱指数(TVDI)和模糊数学方法建立了遥感干旱的划分标准,研究时段为1980-2017年。首先利用MODIS产品数据计算TVDI,然后根据气象干旱等级监测结果,采用模糊数学法建立基于MODIS TVDI的干旱等级划分标准,并对监测结果进行精度验证,最后分析了近年来藏北地区旱情的时空变化特征。得到的主要结论:①基于归一化植被指数(NDVI)和增强植被指数(EVI)计算得到的温度植被干旱指数TVDIN和TVDIE,均与20 cm实测土壤水分含量在0.05的水平达到显著相关,TVDIE的决定系数更高;②基于TVDIE将旱情划分为无旱、轻旱、中旱、重旱、特旱5个等级,其中,据此标准获得的藏北地区旱情等级与气象干旱等级监测结果大体一致;③近年来藏北地区旱情整体不太严重,且总体趋缓,其中,2009年最严重,发生中旱及以上旱情的区域面积达24%,年内旱情在6月最严重。就旱情的空间分布特征而言,研究区西南部和中部干旱比较严重,北部和东南部相对较轻。研究成果可为藏北地区干旱监测提供数据支撑,遥感干旱等级的划分方法可为其他地区的干旱研究提供参考。     

基于MODIS数据的河套灌区遥感干旱监测

基于MODIS数据,以河套灌区为研究对象,计算灌区2000—2018年作物主要生育期内(5—8月)4种遥感干旱指数、温度植被干旱指数(TVDI)、植被供水指数(VSWI)、植被状态指数(VCI)、温度状态指数(TCI),并分析了4种干旱指数与0～20cm土壤相对含水量、降水量、灌区引水量相关性以及4种干旱指数之间的相互关系。结果表明:经过相关分析,TVDI与土壤相对含水量的相关性优于其他3种遥感干旱指数;在灌溉水量较多的灌区,遥感干旱指数与降雨量相关性较小而与灌区引水量呈现一定的相关关系。本研究发现TVDI在河套灌区有着良好的适用性。此外,在干旱监测中综合利用多种干旱指数进行分析对提高监测精度,科学合理地预报旱情具有重要意义。     

基于Landsat和MODIS数据融合的农牧区NPP模拟

天山北坡是中国重要的农牧业发展基地,利用遥感数据准确获取植被净初级生产力(Net primary productivity,NPP)的时空信息,对于合理分配农牧业草地资源具有重要意义。由于受到天气影响及卫星传感器受到时间分辨率和空间分辨率的限制,获取既具有中空间分辨率、又具有高时间分辨率的遥感数据比较困难。本文基于中空间分辨率Landsat 8 OLI数据与高时间分辨率MODIS数据,采用遥感数据时空融合STARFM算法,获取中空间分辨率和高时间分辨率序列的遥感数据,以天山北坡中段区域为实验区,结合CASA模型,对区域内植被NPP进行模拟。结果表明,2016年内8个时期,融合后的NDVI数据与对应时刻的Landsat 8 OLI NDVI数据的相关系数不小于0.759,偏差在0.006 2～0.009 4之间,均方根误差在0.074～0.135之间;利用融合数据与CASA模型协同模拟的NPP具有良好的空间细节信息,NPP模拟值与野外实测值决定系数R~2为0.860 1,表明两者具有较好的相关性。本研究为多源遥感影像融合技术与光能利用率模型协同模拟NPP提供了新的思路。     

京津冀地区植被NDVI动态变化及其与气候因子的关系

[目的] 探究气候变化对植被覆盖变化的驱动机制，可为揭示区域乃至全球植被覆盖动态变化及其与气候变化之间的响应机制提供依据。[方法] 以MODIS NDVI，SRTM DEM，降水和气温为数据源，运用Theil-Sen Median趋势分析法、Mann-Kendall显著性检验法、R/S分析法和Pearson相关分析法等数学分析方法，结合ANUSPLIN气象插值模型，研究2001—2019年京津冀地区植被NDVI时空演变特征及预测未来变化趋势，并探究植被NDVI与降水和气温最大相关关系及时滞效应。[结果] ①2001—2019年京津冀地区植被NDVI整体呈波动上升趋势，上升速率为0.002 2/a，且未来植被NDVI呈改善趋势的面积略小于呈退化趋势的面积；②降水和气温对京津冀地区植被生长以正向促进作用为主，且降水对植被生长的作用强度高于气温；③植被NDVI对降水变化的滞后期略长于气温，京津冀地区植被生长受前3月的降水和前1月的气温影响最大。[结论] 在林业生态工程实施背景下，2001—2019年京津冀地区植被覆盖整体呈改善态势，尤以西北部为著；植被NDVI与降水和气温相关关系呈现出明显的地域差异，且植被生长相对降水和气温变化存在一定的滞后效应。     

基于USLE模型的长株潭城市群生态绿心区水土流失研究

[目的]研究2018年长株潭(长沙市—株州市—湘潭市)城市群生态绿心区最佳植被覆盖和水土流失状况,为区域综合治理提供理论依据。[方法]运用GIS和RS技术,以长株潭区域降雨、土壤、地形、土地利用等数据为基础,采用归一化植被指数(NDVI)模型和USLE国际通用土壤流失方程为优选模型。[结果]长株潭绿心区总面积为52 287 hm~2,整体植被状况较好,高覆盖度(75%～100%)面积最大,占绿心区总面积一半以上,为26 598.40 hm~2;中低覆盖度(30%～40%)面积最小,占区域总面积的8.61%,为4 501.91 hm~2。长株潭城市群生态绿心区总侵蚀(不含微度)面积为3 654.24 hm~2,占总面积的6.99%。湘潭市侵蚀比重最高,为8.51%,长沙市次之,为6.67%,株洲市侵蚀总比例最小,为5.68%。工程建设用地在禁止开发区、限制开发区和控制建设区的侵蚀面积分别为963.92,310.74,735.11 hm~2。[结论]受人为因素、城市建设、产业分布等影响,长株潭城市群生态绿心区覆盖度空间呈现西部低,中东部高的格局,工程建设是造成绿心区土壤侵蚀的主要原因。     

银杏落叶期叶片NDVI值2种拟合方法比较

【目的】对银杏Ginkgo biloba L.落叶期(9—12月)的叶片进行连续定期定点的高光谱测量,计算出能代表其生长状况和营养信息的高光谱参量NDVI值,通过选用两种不同的曲线拟合方法对其NDVI值进行宏观上的以时间为自变量的曲线拟合,选出最优拟合方法,更好地了解银杏落叶期叶片光谱特征参量NDVI值的变化趋势,从而更有效地对其进行决策和控制,为植被的大尺度遥感动态监测提供方法参考。【方法】利用SVC HR-1024I全波段地物光谱仪,选取三株健康、生长环境相同、长势相近的中龄银杏为叶片采集对象,对其落叶期冠层叶片进行定期定点定方位的高光谱观测。对获取的高光谱原始数据进行数据筛选与预处理后,通过计算得出叶片的NDVI值,分别采用二次函数拟合法和ARIMA时间序列拟合法对落叶期叶片的NDVI值进行曲线拟合,并对两种拟合方法的拟合结果进行比较,选出最适合银杏叶片落叶期NDVI值的拟合方法。【结果】二次函数拟合结果为NDVI=-0.0221T2+0.0547T+0.711,决定系数R2为0.926,但因拟合结果t值不显著,样本结果随机性大,不具广泛性;ARIMA时间序列拟合中ARIMA(2,1,2)模型估测结果与实际情况接近,R2为0.811,拟合效果较好。【结论】ARIMA时间序列拟合方法比二次行数拟合方法更适用于对银杏落叶期叶片的NDVI值进行拟合。     

Determining corn nitrogen rates using multiple prediction models

Weather uncertainty and soil spatial variability impact nitrogen (N) cycling and corn (Zea mays L.) growth, making accurate N predictions a challenge. Field studies were conducted in Lansing, Michigan, to evaluate a computer model (i.e., Adapt-N), a preseason year-based model (i.e., maximum return to N [MRTN]), and a crop sensor model (i.e., active canopy sensor with algorithm) for recommending corn N rates. To determine site-specific economic optimum N rates (EONR), five N rates were also applied (0, 33%, 66%, 133%, and 166% of the suggested MRTN) as starter + sidedress (SD) at V4. In a wet year (i.e., 2015), Adapt-N increased V8 SD N rates 35 kg N ha^?1 relative to the MRTN V4 SD N application. Although the greater rate of N may have provided additional yield protection, no statistical yield differences were observed between the two models. The MRTN model increased partial factor productivity (PFP) 20% relative to Adapt-N. Limited expression of V8 corn N deficiency reduced crop sensor total N rates (21–56 kg N ha^?1) and yield (0.82–1.05 Mg ha^?1) relative to other models. In a drier year (i.e., 2016), N demand was reduced (EONR 64 kg N ha^?1 less than 2015), resulting in similar corn response to all three models. Despite differences in actual corn N rate recommendations, all three models resulted in similar economic net returns across study years.

Abbreviations: EONR, economic optimum nitrogen rate; MRTN, Maximum Return to Nitrogen; NUE, nitrogen-use efficiency; PFP, partial factor productivity; SBNRC, sensor-based nitrogen rate calculator; SD, side-dress     

Monitoring desertification processes in Mongolian Plateau using MODIS tasseled cap transformation and TGSI time series

Most remote sensing studies assess the desertification using vegetation monitoring method. But it has the insufficient precision of vegetation monitoring for the limited vegetation cover of the desertification region. Therefore, it offers an alternative approach for the desertification research to assess sand dune and sandy land change using remote sensing in the desertification region. In this study, the indices derived from the well-known tasseled cap transformation(TCT), tasseled cap angle(TCA),disturbance index(DI), process indicator(PI), and topsoil grain size index(TGSI) were integrated to monitor and assess the desertification at the thirteen study sites including sand dunes and sandy lands distributed in the Mongolian Plateau(MP) from 2000 to 2015. A decision tree was used to classify the desertification on a regional scale. The average overall accuracy of 2000, 2005, 2010 and 2015 desertification classification was higher than 90%. Results from this study indicated that integration of the advantages of TCA, DI and TGSI could better assess the desertification. During the last 16 years, Badain Jaran Desert, Tengger Desert, and Ulan Buh Desert showed a relative stabilization. Otindag Sandy Land and the deserts of Khar Nuur, Ereen Nuur, Tsagan Nuur, Khongoryn Els, Hobq, and Mu Us showed a slow increasing of desertification, whereas Bayan Gobi, Horqin and Hulun Buir sandy lands showed a slow decreasing of desertification. Compared with the other 11 sites, the fine sand dunes occupied the majority of the Tengger Desert, and the coarse sandy land occupied the majority of the Horqin Sandy Land. Our findings on a three or four years' periodical fluctuated changes in the desertification may possibly reflect changing precipitation and soil moisture in the MP. Further work to link the TCA, DI,TGSI, and PI values with the desertification characteristics is recommended to set the thresholds and improve the assessment accuracy with field investigation.