不同作物农田的土壤呼吸与高光谱的关系

为研究种植不同作物的农田土壤呼吸与高光谱植被指数的关系,选取3种典型夏熟作物冬小麦、油菜籽、蚕豆,于2018年10月至2019年5月进行田间随机区组试验,观测土壤呼吸、土壤温度、土壤湿度的季节动态,并观测NDVI(归一化植被指数)、DVI(差值植被指数)、RVI(比值植被指数)、EVI(增强植被指数)、PRI(光化学植被指数)5种高光谱植被指数和叶绿素SPAD值。结果表明:冬小麦、油菜籽、蚕豆田土壤呼吸季节平均值分别为1.78±0.15、1.35±0.27、1.61±0.22μmol·m^-2·s-1,冬小麦田土壤呼吸显著高于油菜籽田(P<0.05),冬小麦与蚕豆田以及油菜籽与蚕豆田土壤呼吸无显著差异(P>0.05)。冬小麦田土壤呼吸残差(基于温度指数方程的模拟值与实测值的差值)与NDVI、RVI、EVI、PRI、SPAD值均存在显著(P<0.05)或极显著(P<0.01)的相关关系,蚕豆田土壤呼吸残差与NDVI、DVI、RVI、EVI、PRI均存在极显著(P<0.01)相关关系,而油菜籽田土壤呼吸残差与上述植被指数均不存在显著的相关关系,这可能与油菜籽3-4月份花期叶片退化有关。在冬小麦和蚕豆田,可分别建立基于土壤温度、NDVI、RVI、PRI、SPAD值以及土壤温度、RVI的土壤呼吸模型,而油菜籽田土壤呼吸的季节变化仅与土壤温湿度和SPAD值有关。     

水稻多时相植被指数特征及覆盖度提取研究

为准确快速获取水稻的植被指数特征和植被覆盖度信息,利用无人机采集水稻分蘖期、抽穗期和结实期的多光谱影像数据,选择不同类型的植被指数,利用样本统计法和植被指数交点法,提取并探究水稻3个生长期在地块和像元尺度下的植被指数特征,并运用阈值分割法提取水稻植被信息及覆盖度信息。结果表明,水稻3个生长期内,在像元和地块尺度下均表现出明显的物候特征,且与杂草和树木存在明显区别;多光谱植被指数的植被覆盖度提取精度整体高于可见光植被指数;归一化植被指数（normalized difference vegetation index,NDVI）对水稻3个时期植被覆盖度提取精度最高,提取误差分别为0.40%、0.43%和0.81%,R²为0.77、0.92和0.98,均方根误差（root mean square error,RMSE）为9.09%、2.97%和0.38%;可见光波段差异植被指数（visible-band difference vegetation index,VDVI）提取精度高于超绿红蓝差分指数（excess green-red-blue difference index,EGEBDI）和过绿减过红指数（excess green-excess red index,ExG-ExR）,提取误差分别为4.30%、1.36%和1.60%,R²分别为0.53、0.77和0.80,RMSE分别为14.62%、3.70%和5.50%。该研究成果可为作物长势监测及其植被覆盖度提取提供技术支撑。     

基于机载高光谱端元提取分析棉花生长期光谱变化

【目的】棉花在不同生长期的波谱曲线变化具有规律性,研究其时间序列上的反射光谱变化趋势与规律并监测长势,为基于无人机多光谱、高光谱遥感的作物长势监测提供借鉴和参考。【方法】使用多旋翼无人机搭载Rikola高光谱成像仪,获取棉花从花期到后期之间的高光谱影像。使用纯净像元指数算法和最大单形体体积算法进行端元提取,并以SR-3500光谱仪采集的地面光谱曲线为标准,光谱角度为评价指标,依次从端元提取算法效果、不同航高数据对比、光谱相关性、多期光谱曲线变化趋势等分析。【结果】最大单形体体积算法在60、80、100 m航高下波谱角度结果分别为0.065 8、0.065 9、0.067 7,相较于纯净像元指数算法结果更接近地面光谱仪数据,具有较优的相关性(R²均在0.99以上),且能更好地提取小样本端元。航高对端元提取的影响较小,同种算法在不同航高下提取结果差异均在2%以下。不同生长期棉花波谱曲线变化呈规律性,吸收谷与红边值在7月中旬到达峰值。标准植被指数与比值植被指数在7月上中旬达到最大值(0.841 7、11.630 5),增强型植被指数、差值植被指数、优化土壤调节植被指数在7月中下旬达到最大值(0.818 9、0.501 3、0.501 2)。【结论】最大单形体体积算法可较好的从棉花高光谱影像中提取出棉花波谱曲线,且100 m为较优的无人机数据采集航高。棉花在7月光合作用最大,对红光的强吸收、近红外波段强反射现象最为明显。     

基于Hyperion植被指数的干旱地区稀疏植被覆盖度估测

受稀疏植被与明亮土壤背景影响,干旱地区植被覆盖精确遥感估测难度较大。以Hyperion影像为数据源,选取甘肃省民勤绿洲-荒漠过渡带为研究区,系统比较了利用不同类型高光谱及多光谱植被指数估测干旱地区稀疏植被覆盖度的能力,以期确定干旱地区稀疏植被覆盖度估测的最佳植被指数。不同植被指数估测稀疏植被覆盖度的能力利用线性回归R2及留一交叉验证的均方根误差进行比较,结果表明:高光谱植被指数估测稀疏植被覆盖度的能力显著优于相应的多光谱植被指数,抗大气植被指数(ARVI)及抗土壤和大气植被指数(SARVI)表现明显优于归一化植被指数(NDVI)与土壤调节植被指数(SAVI),其中以基于833.3nm/640.5nm波段组合的ARVI表现最佳,R2可达0.7294,均方根误差(RMSE)仅为5.5488。     

Unmanned aerial vehicle canopy reflectance data detects potassium deficiency and green peach aphid susceptibility in canola

There is growing evidence that potassium deficiency in crop plants increases their susceptibility to herbivorous arthropods. The ability to remotely detect potassium deficiency in plants would be advantageous in targeting arthropod sampling and spatially optimizing potassium fertilizer to reduce yield loss due to the arthropod infestations. Four potassium fertilizer regimes were established in field plots of canola, with soil and plant nutrient concentrations tested on three occasions: 69 (seedling), 96 (stem elongation), and 113 (early flowering) days after sowing (DAS). On these dates, unmanned aerial vehicle (UAV) multi-spectral images of each plot were acquired at 15 and 120 m above ground achieving spatial (pixel) resolutions of 8.1 and 65 mm, respectively. At 69 and 96 DAS, field plants were transported to a laboratory with controlled lighting and imaged with a 240-band (390–890 nm) hyperspectral camera. At 113 DAS, all plots had become naturally infested with green peach aphids (Hemiptera: Aphididae), and intensive aphid counts were conducted. Potassium deficiency caused significant: (1) increase in concentrations of nitrogen in youngest mature leaves, (2) increase in green peach aphid density, (3) decrease in vegetation cover, (4) decrease in normalized difference vegetation indices (NDVI) and decrease in canola seed yield. UAV imagery with 65 mm spatial resolution showed higher classification accuracy (72–100 %) than airborne imagery with 8 mm resolution (69–94 %), and bench top hyperspectral imagery acquired from field plants in laboratory conditions (78–88 %). When non-leaf pixels were removed from the UAV data, classification accuracies increased for 8 mm and 65 mm resolution images acquired 96 and 113 DAS. The study supports findings that UAV-acquired imagery has potential to identify regions containing nutrient deficiency and likely increased arthropod performance.     

大气校正对九连山植被覆盖度。感估算的影响

以江西九连山保护区为例,利用基于归一化差异植被指数（NDVI）的像元二分法模型分别在TM 影像的 原始DN 值、表观反射率以及经过基于MORTRAN 辐射传输模型和经过简单传输模型的黑暗像元法校正后的地面 反射率的基础上对研究区的植被覆盖度进行提取,将所得4 类植被覆盖度的估算值与实测值进行比较,分析大气校 正对植被覆盖度。感估算的影响。结果表明,FLAASH 和DOS 两种大气校正方法虽校正原理不同,但通过对样地实 测值的拟合度来看,均能有效消除大气影响,有效提高植被覆盖度。感估算的精度;而辐射定标后的表观反射率却 与原始影像DN 值估算的植被覆盖度差异不明显,说明植被覆盖度估算精度的提高来源于大气校正作用,辐射定标 影响甚小。因此,在植被覆盖度较高的亚热带区域,有必要进行大气校正,以改善估算精度。     

福建长汀红壤区植被覆盖度变化趋势分析

福建长汀位于中国南方亚热带红壤丘陵区,水土流失、山体滑坡等自然灾害较为严重,分析当地植被覆盖度的变化趋势是评价水土流失治理及生态环境恢复的有效手段。以Landsat数据为基础,应用地理信息系统（ GIS）技术,提取福建省长汀红壤区2000－2014年的归一化植被指数（ NDVI）值,并采用像元二分模型和差值法分别对植被覆盖度、植被恢复等级进行估算。结果表明,15 a长汀红壤区NDVI呈明显上升趋势,植被覆盖度呈明显增加趋势,高植被覆盖面积增加了2132．90 km2,面积比例提高68．86％,植被变化以恢复和完全恢复为主,占全区总面积的88．07％。经过多年的治理,长汀红壤区植被覆盖状况已得到很大改善,但仍有占长汀土地总面积0．42％的区域属植被严重退化区,主要分布于汀江两岸,建议在该流域加强水土流失治理保护措施,合理生产开发利用,从而有效防治水土流失。     

基于无人机多光谱影像的小麦封垄前种植行识别方法改进

【目的】 为实现小麦精准管理,准确识别其种植行位置具有重要意义。本研究分别针对传统Hough变换法和绿色像元累积法存在的缺陷进行改进,并对改进前、后不同方法在小麦种植行识别上的精度进行对比分析,为小麦种植行精准提取提供技术支撑。【方法】 本研究开展了小麦水、氮耦合试验,在小麦拔节前期,基于四旋翼无人机携带RedEdge M传感器获取小麦不同生长条件下多光谱影像。基于上述数据,首先采用超绿超红差分指数和Otsu方法对影像分割、分类,获取植被/土壤二值图;其次,采用3×1线型模板进行形态学开运算,降低边界不规则度并去除噪音;然后,结合无人机影像中小麦种植行排布特点,分别针对传统Hough变换法的峰值检测过程和绿色像素累积法的角度检测过程进行优化,提出改进的小麦种植行识别方法;最后,分别将两种方法改进前、后的识别结果与目视解译种植行位置结果进行对比,基于检出率和作物行识别精度（crop row detection accuracy,CRDA）评价4种方法的优劣。【结果】 采用超绿超红差分指数与Otsu方法可以很好对植被/土壤进行分类,分类结果的总体精度达到93.75%,Kappa系数为0.87;形态学运算可以很好地去除图像噪声,减少后期种植行识别误差;改进后Hough变换法通过利用先验知识对峰值检测范围进行约束,有效提升了种植行检测精度,种植行平均检出率从30%提升至67%,CRDA平均值从0.22提升至0.44;改进后绿色像元累积法通过考察整幅影像的绿色像元累积特征,有效提升角度检测精度,种植行平均检出率从14%提升至93%,CRDA平均值从0.12提升至0.69;4种方法的识别精度从高到低依次为改进后绿色像元累积法、改进后Hough变换法、改进前Hough变换法、改进前绿色像元累积法。【结论】 本研究较好地改进了传统种植行识别方法,为种植密度大、行间距小的小麦种植行识别提供了技术支撑。     

宁夏农牧交错区植被覆盖时空变化及成因分析

厘清人类活动和气候变化对宁夏农牧交错区植被覆盖度变化的共同影响对指导宁夏农牧交错区植被恢复具有重要的现实意义。基于Google Earth Engine(GEE)云平台,以宁夏农牧交错区1990-2020年陆地卫星地表反射率数据为基础,采用像元二分模型估算区域植被覆盖度并分析其时空变化规律,通过计算累积植被覆盖度的斜率变化率和残差分析确定人类活动对植被覆盖度的影响,运用相关分析法明确气候因素与植被覆盖度的相关性。结果表明,1)1990-2020年研究区年均植被覆盖度增加,增速为0.58%/a(P<0.05)。其中,1990-2000年年均植被覆盖度无显著变化(P>0.05),2000-2020年年均植被覆盖度显著增加(P<0.05),增速达到1.04%/a。2)空间上,研究区年均植被覆盖度由北向南逐渐递增,植被覆盖度恢复的区域面积大于退化面积,城镇的建城区是植被覆盖度显著降低的主要区域。3)人类活动是研究区植被覆盖度增加的主要影响因素,气象因素次之;气象因素中降雨量对植被覆盖度变化起主要作用。     

Rapid determination of leaf water content for monitoring waterlogging in winter wheat based on hyperspectral parameters

Waterlogging is becoming an obvious constraint on food production due to the frequent occurrence of extremely high-level rainfall events. Leaf water content(LWC) is an important waterlogging indicator, and hyperspectral remote sensing provides a non-destructive, real-time and reliable method to determine LWC. Thus, based on a pot experiment, winter wheat was subjected to different gradients of waterlogging stress at the jointing stage. Leaf hyperspectral data and LWC were collected every 7 days after waterlogging treatment until the winter wheat was mature. Combined with methods such as vegetation index construction, correlation analysis, regression analysis, BP neural network(BPNN), etc., we found that the effect of waterlogging stress on LWC had the characteristics of hysteresis and all waterlogging stress led to the decrease of LWC. LWC decreased faster under severe stress than under slight stress, but the effect of long-term slight stress was greater than that of short-term severe stress. The sensitive spectral bands of LWC were located in the visible(VIS, 400–780 nm) and short-wave infrared(SWIR, 1 400–2 500 nm) regions. The BPNN Model with the original spectrum at 648 nm, the first derivative spectrum at 500 nm, the red edge position(λr), the new vegetation index RVI(437, 466), NDVI(437, 466) and NDVI′(747, 1 956) as independent variables was the best model for inverting the LWC of waterlogging in winter wheat(modeling set: R~2=0.889, RMSE=0.138; validation set: R~2=0.891, RMSE=0.518). These results have important theoretical significance and practical application value for the precise control of waterlogging stress.     

陕西省退耕还林工程区植被覆盖度的变化分析

利用MODIS NDVI数据和像元二分模型计算的植被覆盖度,比较分析退耕还林工程区与周边区域、主要土地利用类型、不同坡度耕地植被覆盖度变化程度和趋势。结果表明：（1） 陕西省退耕还林区植被覆盖度从2000年到2011年呈现显著的增长趋势,增长速率高于周边区域;（2） 退耕还林区植被覆盖变化百分率≥10%的面积占79.8%,≤-10%所占面积不及1%;（3） 退耕还林区植被覆盖度显著增加的面积占其总面积的70.6%,显著减少的面积仅占0.1%,植被覆盖度显著增加的情况主要出现在未利用地、草地、林地和耕地,显著和极显著降低的发生在城乡、工矿、居民用地和极少部分耕地;（4） 坡耕地植被覆盖改善比例大,坡耕地植被覆盖改善对于耕地植被改善贡献较大。在陕西省气候呈现暖干化发展趋势背景下,退耕还林区植被覆盖度呈现显著增长趋势,增长速率高于周边区域,坡耕地、林地、草地均比其他类型有明显的增加,退耕还林政策实施区域取得了良好的植被恢复效果。     

1995—2015年厦门市土地利用变化对植被覆盖度的影响

以厦门市1995、2005、2015年Landsat遥感影像为数据源,利用太阳光谱卫星信号的二次模拟(6S)模型进行大气校正并计算地表反射率,在ENVI5.2软件支持下获取3期的归一化植被指数(NDVI)和植被覆盖度(FVC),得到厦门市1995、2005、2015年的平均FVC值分别为0.35、0.22、0.31。运用监督分类中最大似然法提取土地利用信息,利用Arc GIS10.1软件将FVC与土地利用分类图进行叠加分析,得到了厦门市1995—2015年间FVC对土地利用变化的响应。结果表明:厦门市FVC在1995—2005年间降低了37%,在2005—2015年间增加了29%;厦门市的平均FVC在水域增加17%,在建设用地增加35%,在耕地增加22%,在林地减少27%,并依此为厦门市城市发展和生态建设提供建议。     

基于高光谱遥感的冬小麦叶水势估算模型

【目的】采用高光谱技术,建立快速、无损与准确获取冬小麦叶水势的估算模型,为小麦灌溉的精确管理提供科学依据。【方法】利用不同水分处理的大田试验,于小麦主要生育期同步测定冠层光谱反射率、叶水势、土壤水分等信息,并探讨高光谱植被指数与冬小麦叶水势之间的定量关系。通过相关性分析、回归分析等方法,基于不同水分处理,构建4种植被指数与冬小麦叶水势的估算模型。【结果】不同水分处理和不同生育期的冬小麦,其冠层光谱反射率具有显著的变化特征。在可见光波段,冬小麦冠层反射率随着水分含量的增加而逐渐降低,而在近红外波段,其冠层反射率则随着土壤水分含量的增加而升高。随着小麦生育期的推进,在近红外波段,抽穗期的冠层反射率比拔节期的高,在灌浆期之后,红波段(670 nm)、蓝波段(450 nm)的反射率上升加快;4种植被指数与叶水势显著相关(P0.05),相关系数|r|均在0.711以上,四者均可用于冬小麦叶片水势的定量监测。在充分供水条件下(70%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.75和0.771)均低于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.808和0.896),而在重度水分亏缺条件下(50%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.857和0.853)均高于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.711和0.792);所建模型对45个未知样的预测结果与实测值相似度较高,其回归模型R~2、验证模型MRE、RMSE的范围分别为0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70%FC水分处理下,基于EVI2(enhanced vegetation index)所得叶水势估算模型的R~2最高,为0.922,而在60%FC和50%FC水分处理下,由于考虑了土壤背景的影响,基于OSAVI所建模型的R~2最高,分别为0.922和0.856。【结论】4种植被指数均可用于冬小麦叶水势的定量监测。但是,在构建不同水分处理的叶水势估算模型时,应考虑土壤背景对冠层光谱的影响。研究结果可以为小麦精准灌溉管理提供技术依据,为星载数据的参数反演提供模型支持。     

中国东北地区2007-2010年植被覆盖度及其变化

为研究中国东北地区植被覆盖变化特征,基于MODIS归一化植被指数(INDV)月合成数据,利用双组分线性混合模型估算中国东北地区2007-2010年植被覆盖度(fc),并对4年间植被覆盖度时空变化规律进行分析.结果表明:(1)中国东北地区植被覆盖度整体处于较高水平,植被覆盖度平均在70%以上,并呈现出东高西低的分布特征;(2)2007-2011年,中国东北地区年最大植被覆盖度总体较稳定并有一定增长趋势,以稳定和轻微恢复为主.稳定及轻微恢复的面积占总面积的90%以上,出现了不同程度退化的面积在10%以下,主要出现在内蒙古自治区东北部以及中部,其原因与该地过度放牧等有关;(3)中国东北地区2007-2010的植被覆盖度变化波动不大,相对稳定;(4)中国东北地区2007-2010年间植被覆盖状况呈良性发展趋势.     

几种植被指数探测低盖度植被能力的研究

以京津源风沙治理区延庆县为例,利用2002年ETM+数据,对NDVI、RDVI、SAVI和MSAVI四种植被指数探测低盖度植被的能力进行了对比研究。并以NDVI为基础,采用混合像元分解模型,反演出基础盖度,分别建立不同VI与植被覆盖度的相关模型。通过分析不同VI随植被覆盖度增加的反映速率变化及不同覆盖条件下不同VI的取值范围的变化发现,NDVI在各盖度段数值都比较大,对低盖度植被反映最敏感,探测低密度绿色植被的能力最强,MSAVI次之,RDVI和SAVI探测低盖度植被的能力则较差。     

基于无人机高光谱和数码影像数据的冬小麦生物量反演

生物量是作物生长过程中重要的生物参数之一,能较好地反映作物长势情况。获取了冬小麦开花期数码影像数据、高光谱数据和实测生物量数据,运用相关性分析筛选出对冬小麦生物量相关性高的数码影像指数和植被指数,分别使用多元线性回归分析和逐步回归分析法建立生物量反演估算模型,最后将最优模型估算结果进行可视化空间分析。结果表明：与冬小麦生物量相关性高的数码影像指数有VARI、MGRVI、b等,植被指数有NDVI、SR、LCI、OSAVI等。建立的冬小麦生物量反演模型估算效果较好,其中精度最高的模型为高光谱数据多元线性回归模型,其验证模型均方根误差为0.9041 t/hm²。可视化处理结果能直观地显示试验区冬小麦生物量分布情况,为生长监测及种植管理提供有效依据。     

基于Sentinel卫星及无人机多光谱的滨海冬小麦种植区土壤盐分反演研究——以黄三角垦利区为例

【目的】探究黄河三角洲麦田土壤盐分准确高效的遥感提取方法,掌握土壤盐渍化程度与分布。【方法】以垦利区为研究区,均匀布设冬小麦种植区样点77个,同时设置代表性试验区2个,网格布设样点99个,实测采集麦田土壤表层盐分数据及试验区无人机多光谱图像。筛选红、绿、红边、近红4个波段及SI、NDVI、DVI、RVI、GRVI 5个光谱指数中的敏感光谱参量,采用逐步回归、偏最小二乘法、BP神经网络及SVM支持向量机4种方法建立土壤盐分估测模型,使用波段比值均值法得到Sentinel-2A卫星影像相应波段的修正系数,进而将筛选的土壤盐分估测模型转换为基于卫星影像的反演模型,经麦区实测样点数据验证,得到最佳的麦区土壤盐分反演模型,实现试验区和研究区2个尺度的麦田土壤盐分反演。【结果】无人机4个波段及光谱指数NVDI、RVI、SI与土壤盐分含量相关性显著,4种建模方法的13个模型中,以NDVI、RVI、SI建立的4个指数模型的建模及验证R²均优于其他模型;对4个模型进行升尺度修正及验证,效果最佳的反演模型为偏最小二乘法光谱指数模型：Y=-9.4774×NDVI₁+0.4794×RVI₁+3.0747×SI₁+5.0604,验证R²为0.513,RMSE为1.379;利用该模型反演得到了试验区及整个研究区麦田土壤盐分等级分布图,结合实测插值及调查结果,证明反演模型及空间分布结果准确、可靠。【结论】本研究构建了卫星、无人机一体化的滨海麦区土壤盐分反演模型,对滨海盐渍区农作物的生产管理有积极参考价值。     

Simple method for extracting the seasonal signals of photochemical reflectance index and normalized difference vegetation index measured using a spectral reflectance sensor

A spectral reflectance sensor(SRS) fixed on the near-surface ground was developed to support the continuous monitoring of vegetation indices such as the normalized difference vegetation index(NDVI) and photochemical reflectance index(PRI). NDVI is useful for indicating crop growth/phenology, whereas PRI was developed for observing physiological conditions. Thus, the seasonal change patterns of NDVI and PRI are two valuable pieces of information in a crop-monitoring system. However, capturing the seasonal patterns is considered challenging because the vegetation index values estimated by the reflection from vegetation are often governed by meteorological conditions, such as solar irradiance and precipitation. Further, unlike growth/phenology, the physiological condition has diurnal changes as well as seasonal characteristics. This study proposed a novel filtering method for extracting the seasonal signals of SRS-based NDVI and PRI in paddy rice, barley, and garlic. First, the measurement accuracy of SRSs was compared with handheld spectrometers, and the R~2 values between the two devices were 0.96 and 0.81 for NDVI and PRI, respectively. Second, the experimental study of threshold criteria with respect to meteorological variables(i.e., insolation, cloudiness, sunshine duration, and precipitation) was conducted, and sunshine duration was the most useful one for excluding distorted values of the vegetation indices. After data processing based on sunshine duration, the R2 values between the measured vegetation indices and the extracted seasonal signals of vegetation indices increased by approximately 0.002–0.004(NDVI) and 0.065–0.298(PRI) on the three crops, and the seasonal signals of vegetation indices became noticeably improved. This method will contribute to an agricultural monitoring system by identifying the seasonal changes in crop growth and physiological conditions.     

Common Spectral Bands and Optimum Vegetation Indices for Monitoring Leaf Nitrogen Accumulation in Rice andWheat

Real-time monitoring of nitrogen status in rice and wheat plant is of significant importance for nitrogen diagnosis, fertilization recommendation, and productivity prediction. With 11 field experiments involving different cultivars, nitrogen rates, and water regimes, time-course measurements were taken of canopy hyperspectral reflectance between 350-2 500 nm and leaf nitrogen accumulation (LNA) in rice and wheat. A new spectral analysis method through the consideration of characteristics of canopy components and plant growth status varied with phenological growth stages was designed to explore the common central bands in rice and wheat. Comprehensive analyses were made on the quantitative relationships of LNA to soil adjusted vegetation index (SAVI) and ratio vegetation index (RVI) composed of any two bands between 350-2 500 nm in rice and wheat. The results showed that the ranges of indicative spectral reflectance were largely located in 770-913 and 729-742 nm in both rice and wheat. The optimum spectral vegetation index for estimating LNA was SAVI (R822,R738) during the early-mid period (from jointing to booting), and it was RVI (R822,R738) during the mid-late period (from heading to filling) with the common central bands of 822 and 738 nm in rice and wheat. Comparison of the present spectral vegetation indices with previously reported vegetation indices gave a satisfactory performance in estimating LNA. It is concluded that the spectral bands of 822 and 738 nm can be used as common reflectance indicators for monitoring leaf nitrogen accumulation in rice and wheat.     

基于MODIS NDVI的文山州植被覆盖度及景观格局分析

以文山壮族苗族自治州为例,利用2001-2020年的MODIS数据,采用像元二分模型、一元线性回归分析方法,分析文山州的植被时空变化规律,在此基础上对其变异系数进行计算,观察全州20 a间的植被变化波动情况,最后对其景观格局进行综合分析。结果表明,2001-2020年文山州植被覆盖度在时间序列上整体呈增长趋势。在空间上,植被较低覆盖度区和高覆盖度区呈上升趋势,增幅达44.2%、103.6%;中覆盖度区和较高覆盖区呈下降趋势,降幅分别为59.2%、46.2%。全州有84.9%的像元处于稳定程度,整体呈平稳型。文山州在20 a间整体景观破碎度呈先减少后增加再减少最终趋于稳定,较高、高植被覆盖度为整个区域的优势区域类型;景观多样性指标在2011年达到峰值,说明景观类型在此年最为丰富;聚集度指标在2020年最大,说明2020年各景观连通性最好;同时,景观类型优势区域也由较高覆盖度区向高覆盖度区转变。