运用植被指数时序特征对落叶松人工林分类

为探究植被指数时序特征是否有利于落叶松人工林提取,以孟家岗林场为研究试验区域,根据落叶松人工林季相和物候特征,利用Landsat8OLI影像数据提取研究区内5种植被的归一化植被指数(I NDV)、差值植被指数(I DV)、比值植被指数(I RV)、增强型植被指数(I EV),构建相应的植被指数时序特征。采用最大似然和随机森林两种方法对单一时相影像和加入植被指数时序特征的影像进行对比试验。结果表明:影像中加入植被指数时序特征后,最大似然算法的分类总体精度为89.53%,Kappa系数为0.87,比单一时序特征的影像分类精度提高了13.35%;随机森林算法的森林类型分类总体精度为93.22%,Kappa系数为0.92,比单一时序特征的影像分类精度提高了19.8%。因此,加入植被指数时序特征后能得到更高的落叶松人工林提取精度。     

荒漠草原不同时间尺度下垫面水分消耗与气象植被因子的关系

利用大型称重式蒸渗仪2012—2018年连续观测数据，系统解析了希拉穆仁荒漠草原植物生长季（4—10月）不同时间尺度蒸散发（ET)与气象植被因子之间的关系。研究表明：（1）小时、日和月尺度上，始终与ET保持高度相关的气象植被因子包括风速（P<0.01）、空气温度（P<0.01）和降水量（P<0.01）；（2）结合不同时间尺度主控因子，利用多元回归定量表征了小时、日、月尺度的下垫面ET变化特征，经验方程决定系数分别为0.94（P<0.01）、0.42（P<0.01）、0.82（P<0.01），小时和月尺度上的经验方程可较好地反映希拉穆仁荒漠草原下垫面耗水特征；（3）ET与降水差值显示，2012—2018年希拉穆仁荒漠草原植物生长季（4—10月）水汽交换以下垫面水分消耗为主，8月份发生干旱事件的概率最大。     

基于无人机遥感的棉花主要生育时期地上生物量估算及验证

利用棉花主要生育时期的无人机近红外影像数据，提取4种不同的植被指数，通过与棉花地上生物量的实测值建立拟合关系，分析了不同植被指数在棉花各生育时期的估算效果并对其进行了验证。结果表明，随棉花生长，归一化植被指数（NDVI）、宽动态植被指数（WDRVI）、比值植被指数（RVI）和差值植被指数（DVI）均从苗期开始显著增加，其后则表现为基本稳定的“饱和”现象，但棉花实测生物量在不同生育期均有显著差异。植被指数与棉花实测生物量的拟合结果显示：NDVI和DVI的二元线性拟合模型对苗期生物量拟合效果最佳（R²=0.84，RMSE=0.13 kg·m^-2）；WDRVI和DVI的二元线性拟合模型对花蕾期生物量拟合效果最佳（R²=0.87，RMSE=0.52 kg·m^-2）；RVI的非线性拟合模型对花铃期生物量拟合效果最佳（R²=0.79，RMSE=0.95 kg·m^-2）；WDRVI和RVI的二元线性拟合模型对盛铃期生物量的拟合效果最佳（R²=0.86，RMSE=0.96 kg·m^-2）。     

基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究

为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。     

荒漠林高光谱与光学影像植被指数(Ⅵ)的比较

【目的】利用地面遥感和航天遥感数据结合植被指数实现快速调查,研究各数据中植被指数的差异。【方法】用地面高光谱数据和光学影像中分别对梭梭林和柽柳林进行归一化植被指数(NDVI)、重归一化植被指数(RDVI)和土壤调节植被指数(SAVI)3种植被指数的提取,并进行比较。【结果】在高光谱Ⅵ中,梭梭林和柽柳林的3种VI的数值大小和变化趋势都很接近,特别是SAVI和RDVI,但NDVI的变化较其他2种大;而在光学影像Ⅵ中,梭梭林和柽柳林的NDVI和SAVI的数值基本保持在一定范围内,且变化幅度微小,而RDVI的数值和变化趋势均较大,相对不稳定。【结论】高光谱数据所提取的NDVI和SAVI均大于光学影像,而光学影像所提取的RDVI均大于高光谱数据,RDVI对植被覆盖度更敏感。     

基于5种植被指数的荒漠区植被生物量提取研究

荒漠区植被地上生物量是土地荒漠化监测和荒漠植被遥感信息提取的重要指标。本研究以甘肃民勤县为试验区,以哨兵2号(Sentinel-2)影像为数据源,构建了比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI、土壤调节植被指数SAVI及优化型土壤调节植被指数OSAVI 5种植被指数与植被实测地上生物量的估算模型(一元线性、指数、对数和二项式模型),并利用所选的最优模型,估算了研究区的地上生物量。结果表明:SAVI相较于RVI、NDVI、DVI和OSAVI指数同地上生物量之间的相关性最高(r=0.79),基于SAVI指数的二项式模型是研究区地上生物量估算的最优模型(R²=0.76),且精度较高(R²=0.73,RMSE=0.12)。民勤县的植被相对密集区主要分布于四大灌区(红崖山、环河、昌宁、南湖)、青土湖周边以及红沙岗镇西北区域,其他地域植被较为稀疏,无植被区[<0.005 kg·(100m²)^-1]、低植被区[0.005～0.2 kg·(100m²)^-1...     

遥感植被指数在重点国有林区“三总量”伐区检查中的应用研究——以对鹤立林业局的研究为例

以鹤立林业局为研究区域,以2007年"三总量"检查的TM遥感判读区划结果和抽样现地检查结果为基础资料,分析了同期遥感数据之间、不同年份遥感数据之间采伐地块的植被指数变化,以及不同采伐方式和不同采伐强度与植被指数变化的关系,为利用遥感数据进行"三总量"检查进行了有益的探索和实践。     

NOAA/AVHRR在森林火灾监测中的应用

利用NOAA/AVHRR卫星数据地面接收站的数据资料,作者使用阈值法和亮温归一化植被指数法相结合的方法对近年发生在我国境内一些重特大森林火灾进行了尝试性研究,证明了该方法的可行性,并总结了该方法的特点。     

基于GIS和RS的广州NDVI变化研究

以广州为研究区域，选取了1988，1993，1995，1998，2003，2005这6个时相的TM影像数据（轨道号122—44），利用遥感和地理信息系统技术相结合的方法。解译和分析植被指数NDVI的时空变化特征，以期为定量化监测城市生态动态变化提供方便的分析工具。根据TM数据计算和分析了广州、广州市区以及新白云国际机场的植被指数，进而得出区域植被指数的空间和时间变化图，并探讨其时空分布规律。结果表明，广州的NDVI变化有其特定的时空特征。总体而言，时间上表现为1995年和2005年较低，空间上表现为郊区比市区高。     

基于高分一号影像光谱指数识别火烧迹地的决策树方法

森林火灾发生后,为及时、准确地掌握森林受灾情况,利用高分一号卫星(GF-1)16m宽幅影像各波段反射率信息,结合计算的归一化植被指数(NDVI)、过火区识别指数(BAI)、阴影植被指数(SVI)、归一化差异水体指数(NDWI)和全球环境监测指数(GEMI)等5种光谱指数,构建森林火烧迹地识别决策树模型(CART);在选取的研究区对该模型方法进行验证,并与最大似然监督分类法和非监督分类(ISODATA)方法所得到的结果精度进行了对比分析,结果表明:采用基于CART模型的决策树方法对火烧迹地识别结果精度较最大似然法总体分类精度提高了4.38%,Kappa系数提高了0.102 4,制图精度提高了14.96%,用户精度提高了8.50%;而采用ISODATA方法识别的火烧迹地的总体精度和Kappa系数都较低,制图精度和用户精度都没有达到1%。