基于无人机可见光图像的荒漠草地覆盖度估算

及时准确监测草地植被覆盖度,对草地资源的可持续利用及生态系统的恢复与重建具有重要意义.本研究以荒漠草地植被为研究对象,采用监督分类与植被指数直方图相结合的阈值法,分析了6种RGB植被指数对荒漠草地的识别效果.研究结果表明:归一化绿红差异指数(normalized green-red difference index,NGRDI)对草地覆盖度的提取精度最高,其平均绝对误差和均方根误差分别为2.56％和3.06％.监督分类与可见光植被指数统计直方图相结合的阈值法对荒漠草地植被覆盖度的提取效果较好,可以用于荒漠草地植被覆盖度的提取.     

基于数码照片的草地植被覆盖度快速提取方法

草地植被覆盖度是草地健康与否的重要参数,提高草地植被覆盖度的计算效率和精度具有重要的意义。本研究提出了一种利用过绿特征植被指数和半自动阈值设定算法（半自动阈值法）的从数码照片中快速计算草地植被覆盖度的方法,并将该方法与最大似然法监督分类方法（最大似然法）和色度饱和度法进行了比较。对32张草地数码照片的植被覆盖度估算结果和准确结果进行回归分析,分别得到斜率、截距和回归系数这3个参数。结果表明,3种方法都未能考虑植物的非绿色组分而存在低估的问题。半自动阈值法的准确度堪比最大似然法,且没有后者存在的低覆盖率高估问题;而且该方法人工干预少,计算结果准确客观,适用性强;但是对绿色特征不明显的植物（如灰绿色植物）效果不佳。     

基于无人机图像的草地植被盖度估算方法比较

植被盖度是反映植被基本情况的客观指标和重要参数.本研究在对比8种常用的可见光植被指数计算草地盖度精度的基础上,发现这些植被指数对荒漠草地的植被盖度估测效果较差,因此提出一种适用于荒漠草地植被盖度估测的荒漠植被指数(DVI),并评价了不同植被指数对不同草地类型的植被盖度估测效果,分析了不同草地类型阈值取值的变化情况.结果...     

基于照相法的荒漠草原植被覆盖度测定方法

荒漠草原植被稀疏、空间异质性与年季变化大。植被覆盖度是评价荒漠草原生态状况关键指标之一,但长期以来缺少快速、精准的测定方法。利用普通相机与ADC多光谱相机对地表拍照,结合监督分类、归一化差异指数法(以下简称NDI)提取地表植被覆盖度参数,并以20×20格网密度针刺法模拟结果为基准值,分析不同传感器及提取方式下的精度与适宜性。主要结果:(1)15×15格网密度针刺法可实现荒漠草原地表植被覆盖度高效、准确测定,当覆盖度高于60%时10×10格网密度最宜;(2)相比ADC多光谱照片及普通数码照片的监督分类,基于普通数码照片的NDI法能更准确提取荒漠草原植被低覆盖度,且较针刺法工作效率大幅提高。     

基于无人机可见光影像对喀斯特地区植被信息提取与覆盖度研究

为准确快速获取喀斯特石漠化地区植被和植被覆盖度信息，本研究利用四旋翼无人机采集喀斯特石漠化区域的可见光影像，选择过绿指数（EXG，excess green）、可见光波段差异植被指数（VDVI，visible-band difference vegetation indx）、红绿蓝植被指数（RGBRI，red green and blue vegetation index）、过绿减过红指数（ExG-ExR，excess green-excess red），利用植被指数时序图交点法和样本统计法思想，运用阈值分割法进行植被和植被覆盖度的信息提取，并以监督分类得到的植被和植被覆盖度信息为真实值，进行精度验证。结果表明，在贵州省关岭贞丰花江喀斯特石漠化地区，对于植被信息提取，ExG-ExR的精度最高，总体精度为95.56%，Kappa系数为0.919；ExG-ExR得到的植被覆盖度精度最好，为99.174%，均方根误差RMSE为0.097，R²为0.977。由此可见，在喀斯特地区利用植被指数时序图交点法和样本统计法思想，适合该地区的植被信息提取和植被覆盖度的提取，具有较高的精度。     

新疆典型荒漠草地的高光谱特征提取和分析研究

本研究以新疆阜康地区的典型荒漠植被为对象,通过微分和Savitzky-Golay平滑滤波处理,从野外高光谱仪采集的高光谱谱线中,提取了典型荒漠植被的高光谱特征(红边、绿峰、红谷),结果显示,荒漠植被虽然也具有红边和绿峰等吸收特征,但是枝叶稀疏、覆盖度较低的荒漠植被高光谱受下垫面影响,不具有明显绿峰,红边特征也随着植被盖度的降低而减弱;由于荒漠植被10月份进入凋落枯萎时期,其光谱反射率受土壤光谱干扰而数值偏大,红边位置较5月份呈现出“红移”的规律,NDVI和RVI指数也呈现出10月份低于5月份的现象;不同草地类型、不同季相的荒漠植被,其红边、绿峰、红谷特征和植被指数均具有显著差异,但是NDVI和RVI具有较高的数据相关性。新疆典型荒漠草地的光谱特征提取和分析研究不但丰富了高光谱信息挖掘手段,还为基于高光谱信息的草地类型分类研究提供了数据基础和科学依据。     

基于小型无人机与MODIS数据的草地植被覆盖度研究——以甘南州为例

以甘南州为研究区,采用Canon数码相机和小型无人机搭载相机在不同大小样方上获取草地植被覆盖度数码照片,结合2015年5月-10月的Terra/MODIS植被指数产品MOD13Q1,分析了增强型植被指数(EVI)和归一化植被指数(NDVI)与草地植被覆盖度之间的相关性,建立了研究区草地植被覆盖度的回归模型,并对模型进行了精度评价,筛选出甘南州草地植被覆盖度最优遥感反演模型,并对草地生长季时期覆盖度时空上的动态特征进行分析。结果表明,1)利用小型无人机搭载相机获取草地大样方植被数码照片的方法能用于地面草地覆盖度数据的获取;2)与NDVI相比,用EVI估算草地覆盖度更优,因此确定基于EVI构建的对数模型为甘南州草地植被覆盖度最优反演模型,模型精度可达88.00%;3)研究区2015年生长季草地植被覆盖度除了低平地草甸在8月达到最大值外,其它草地类型均在7月达到最大值;4)甘南州以中高植被覆盖度为主,主要分布在玛曲、碌曲、夏河以及合作四县市。整体而言,中西部和西南部区域草地覆盖度高于东部。通过精确草地植被覆盖度模型的建立,不仅有利于及时准确的了解草地植被覆盖度的时空分布状况和季节性动态变化,也有利于维护甘南州草地生态系统的持续稳定发展。     

基于遥感分析13年来石羊河上游山区植被变化研究

NDVI是监测区域植被生长状况及植被覆盖度最常用的指标。基于2002和2015年9月上旬植被生长期内的Landsat TM遥感卫星影像,以ENVI 5.2软件为影像处理工具,分别获取两期影像的NDVI,研究内陆河石羊河流域上游祁连山山区植被覆盖度的变化;利用主成分分析法对两期影像进行了监督分类,获得各植被类型的面积以及变化情况。结果表明,2015与2002年相比,石羊河上游地区高覆盖度、中等覆盖度、低覆盖度植被面积均有所下降,分别下降了18.4%、13.4%、10.1%,而极高覆盖度和极低覆盖度面积均有所增加,分别增加了0.5%、26.6%。NDVI差值植被指数结果显示,上游地区植被发生退化的面积为6935.6154 km²,占总面积的51.26%,而发生改善的面积为6595.2834 km²,占总面积的48.74%。通过监督分类获得的各植被类型的面积显示,乔木林面积增长显著,13年间增长了108.75%,但是灌木林和草地的面积缩小严重,分别减少了49.87%、19.78%。祁连山石羊河流域上游森林植被在13年间呈现退化趋势。     

基于TM影像和ARCGIS软件的海南州天然草地植被指数分析

为了研究青海省海南州天然草地植被指数特征,利用ARCGIS软件提取TM影像波段值,并计算比值植被指数、归一化植被指数、差值植被指数、土壤调节植被指数、修正后的土壤调节植被指数和植被信号与土壤噪音比指数。结果表明,高寒草甸类天然草地地表植被情况优于其他草地类。该研究中基于植被指数提取的植被信息受土壤背景影响较小,提取效果较好,这说明可以尝试利用植被指数对青海省海南州天然草地特征进行初步分析。     

基于高光谱影像的高寒牧区土地覆盖分类与草地生物量监测模型

利用环境减灾卫星HJ 1A高光谱图像数据,分析了研究区不同土地覆盖类型的波谱曲线特征,比较了监督分类和光谱角分类方法对高光谱影像的分类精度,研究了高寒牧区草地生物量超光谱遥感监测模型。结果表明,1）不同地物波谱曲线的吸收位置和吸收深度等波谱特征在可见光波段具有较大差异,在近红外波段吸收特征相似。在可见光波段,云和植被的吸收位置最少,都只有1处,但云的吸收深度小于植被;裸地吸收位置有5处;水域吸收位置最多,有6处。2）光谱角与监督分类均适于高光谱影像分类,但光谱角分类方法的总精度可达85.9%,远高于监督分类法。3）依据草地生物量与9种植被指数间的回归分析结果,选出了适合研究区草地植被生物量动态监测的两种植被指数,即归一化植被指数和比值植被指数。     

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。     

天山北坡草地盖度高光谱遥感估算

以天山北坡乌鲁木齐县甘沟乡为研究区,利用美国SVC HR-768便携式光谱仪采集25块样方的高光谱数据,并测定对应样方中草地盖度,分析草地盖度与原始光谱、一阶微分光谱和高光谱特征变量之间的相关关系;采用回归统计的方法,基于高光谱位置变量、高光谱面积变量和高光谱植被指数变量构建草地盖度的估测模型,并进行模型精度评价。结果表明,研究区草地盖度与植被冠层光谱反射率相关性较强的波段范围为354-704、1 420-1 481和1 904-2 512nm;基于一阶微分光谱和高光谱植被指数构建的估测模型能更好地反演草地盖度。通过模型检验,确定基于560nm的光谱一阶微分模型y=-384.153x+72.096可作为草地盖度的最优估测模型,模型均方根误差为7.344%,估算精度为90.343%。     

放牧强度对黄土丘陵区草地植物群落特征的影响

退耕还林(草)工程实施后,黄土丘陵区形成大面积草地,该草地的可持续管理备受关注.适度放牧可能有利于草地植物群落的自然更新及可持续发展,同时可增加经济收入,但该区鲜见相关报道.为此,本文以该区20年以上退耕草地为研究对象,通过野外调查,研究了不同放牧强度(以单位面积羊粪球数量表征)对草地植物群落特征的影响.结果表明:轻度...     

基于RGB模式的一种草地盖度定量快速测定方法研究

盖度是研究植物群落结构的一个重要数量指标,传统目视估算法精度低且受人的影响较大。本研究分析了大量荒漠草地实地照片的RGB颜色模式特征,构造了RGB颜色判别决策树区分植被与非植被像元来计算植被的覆盖度,同时在Matlab 7.0平台上将数码照片的导入、地物判别、盖度计算、划分结果显示、对照等功能模块集成,构建用户界面友好、人机交互便捷软件模块,从而能够准确、高效地计算草地盖度,方便了草原实地调查工作。与针刺法相比,该方法计算得到的植被覆盖度最大偏差绝对值不超过5%,精度在95%以上,解决了常规人工方法中估测草地盖度工作量大、不能准确定量测定的问题。     

高分一号卫星影像特征及其在草地监测中的应用

为评价高分一号卫星数据的草地监测能力,在分析传感器波段设置、辐射分辨率和光谱响应系数等特征的基础上,以草地为研究对象,提取草地分布信息,计算不同植被指数,结合地面同步观测的草地光谱、地上生物量、覆盖度和叶面积指数等实测数据,通过R²和均方根误差筛选并建立最优估算模型。结果表明:波段设置与部分常用传感器保持了较好的一致性;空间分辨率的提高,增强了地物类型的识别能力,辐射分辨率的提高,增强了数据的层次性;光谱响应系数较好的涵盖了不同草地类型的光谱曲线特征;叶面积指数和生物量的最佳估算模型均为基于比值植被指数的三次多项式模型,覆盖度最佳估算模型为基于归一化植被指数的幂函数模型,并得到了较好的制图效果。     

基于XGBoost算法的草甸地上生物量的高光谱遥感反演

准确、高效获取草甸地上生物量信息,对牧区农牧业生产、草地资源管理、牧草可持续利用具有重要意义。本研究基于实地采集的牧草冠层光谱反射率及同期获取的地上生物量数据,运用互信息法分别分析了微分光谱、优化植被指数与草甸地上生物量的相关性,进一步构建了极限梯度提升（XGBoost）算法与不同阶光谱植被指数数据集的草甸地上生物量模拟估算模型,并与多元线性回归（MLR）和随机森林（RF）算法建立的模型进行对比。结果表明：对光谱反射率进行一阶、二阶微分与光谱植被指数变换协同应用,有助于提高冠层光谱与地上生物量的相关性;基于原始光谱植被指数与XGBoost算法构建的草甸地上生物量模拟估算模型效果最佳,均方根误差（RMSE）为140.26 g·m^-2,平均绝对误差（MAE）为97.20 g·m^-2,Nash效率系数（NSE）为0.81,一致性指数（d）为0.94,其次为基于RF算法构建的模型,MLR算法构建的模型精度较差。研究认为XGBoost算法可适用于草甸地上生物量模拟估算模型的建立,为快速准确的牧草高光谱遥感监测提供了技术和方法,为区域性草地高精度大面积生产力估算奠定了基础。     

基于机器学习的青藏高原天然草地盖度时空变化特征研究

草地盖度是评价草地生长状况的重要指标,构建高精度的盖度估测模型是开展天然草地动态监测的关键。本文利用2003—2018年实测数据和地形、土壤等55个指标,建立了4种草地盖度遥感估测模型,通过比较得到研究区草地盖度遥感估测最优模型,并分析了2001—2019年研究区草地盖度时空动态变化。结果表明：由最小绝对压缩变量筛选方法选出10个有较高重要性的变量。其中,比值植被指数与草地植被盖度间的相关性优于其他单因素模型与草地植被盖度间的相关性。在3种机器学习模型中,随机森林优于人工神经网络与支持向量机模型,其R²和均方根误差分别为0.68和12.75%。机器学习方法构建的草地盖度模型优于单因素模型,其R²可提高0.09~0.16,RMSE降低1.52%~2.81%;2001—2019年,研究区草地盖度整体上呈现出自西向东、自北向南增加的趋势,呈增加趋势的面积占比为55.4%,呈减少趋势的面积占比为44.6%。     

不同植被指数和无人机航高对草地盖度估测精度的影响

搭载高清数码相机的无人机在草地资源调查等方面具有成本低廉、机动性高、观察范围大等突出优势,拥有广阔的发展前景.本研究使用小型无人机(unmanned aerial vehicle,UAV)、手机相机等设备获取草地盖度数据,选用植被因子指数(vegetative index,VEG)、超绿指数(excess green index,ExG)、超绿超红差分指数(excess green minus excess red index,ExGR)和绿叶指数(green leaf index,GLI)4种基于可见光的植被指数提取草地盖度信息,从无人机航高、草地盖度水平等方面分析各植被指数的适用性.结果表明:1)VEG和ExG方法估测草地盖度的效果较好,平均精确度均在93％以上.ExGR与GLI方法的估测效果较差,平均精度仅75％～80％.2)4种方法的估测精度均随盖度增加而降低.VEG方法估测草地盖度的精度受盖度水平影响最小,ExG方法次之,ExGR和GLI方法对高盖度草地的估测效果较差.3)VEG方法在高、中盖度水平下的最适航高为100 m,在低盖度水平下为40 m;ExG和ExGR方法在高、中盖度水平下的最适航高为100 m,在低盖度水平下为80 m;GLI方法在高盖度水平下的最适航高为100 m,在中、低盖度水平下为20 m.     

不同植被指数和无人机航高对草地盖度估测精度的影响

搭载高清数码相机的无人机在草地资源调查等方面具有成本低廉、机动性高、观察范围大等突出优势,拥有广阔的发展前景。本研究使用小型无人机(unmanned aerial vehicle, UAV)、手机相机等设备获取草地盖度数据,选用植被因子指数(vegetative index, VEG)、超绿指数(excess gree...