基于MODIS NDVI 时间序列的植被覆盖变化特征研究

    为监测浙北地区植被覆盖变化特征,利用离散傅立叶变换技术对MODIS NDVI时间序列数据去云和噪声处理,通过土地利用现状图上提取的地类进行植被分区,研究各个分区的植被覆盖特点;以变化矢量的模衡量植被覆盖变化的强度和稳定性.结果表明,耕地区的植被覆盖变化较大,林地区的植被覆盖变化较小,建筑区的植被覆盖变化居中;受种植差异和时间推移等季相信息的影响,耕地区作物变化矢量的模值亦会增大.研究表明城市化和人类活动对耕地区植被影响较为明显.     

基于神经网络的冬小麦蛋白质含量关键生态影响因子分析

温度、降雨、光照和土壤等生态因子影响冬小麦籽粒蛋白质含量,确定这些因子是否有重要影响及影响程度对于小麦种植区划具有重要意义。该文利用北京地区具有代表性的小麦种植点的气象数据和土壤养分数据,通过神经网络方法来评估温度、降雨、光照和土壤等因子对蛋白质含量影响的相对重要程度。研究表明,影响北京地区蛋白质含量的主要因素依次有：6月6日至6月10日的光照时间、气温大于32℃的天数、土壤碱解氮含量、5月上旬至6月上旬的平均气温、5月26日至5月30日的平均气温、5月下旬至6月上旬≥0℃的积温、6月1日至6月5日的平均气温、5月下旬至6月上旬的温差、5月下旬至6月上旬的降雨量和土壤有机质含量;并针对部分关键因子利用神经网络模型制作了响应曲线以反映蛋白质含量随生态因子的变化趋势。     

地理信息系统技术支持下的耕地分等定级研究——以浙江省仙居县城关镇为例

在地理信息系统技术支持下,选取一定的评价因子,利用加权指数求和法和层次分析法,对仙居县城关镇的耕地进行分等定级,提高了精度和效率,克服了主观性。     

山区月平均气温的高空间分辨率分布模型与制图

该文以浙江省仙居县气象站为基本站，对仙居县内8个气象哨的月平均气温进行了时间序列订正，建立气象哨月平均气温的短序列订正模型。用GPS实地获取的气象站(哨)的经度、纬度和海拔高度数据建立了月平均气温随纬度、海拔高度变化的回归模型。其次，利用1∶1万的地形图，建立仙居县1∶1万空间高分辨率的数字高程模型(Digital Elevation Model，简称DEM)，从中提取纬度、海拔高度、坡度、坡向等地形要素，并结合浙江省仙居县9个气象站(哨)的月平均气温资料，利用GIS技术建立月平均气温空间分布模型，制作仙居县内月平均气温的高空间分辨率分布图。     

微分光谱遥感及其在水稻农学参数测定上的应用研究

通过不同氮素营养水平的水稻田间试验,解析了水稻冠层微分光谱对消除背景(湿土、水面)信息的影响,证实微分光谱在消除背景信息的影响方面起到了很好的作用。用微分光谱确定出最优的波段宽度应小于10nm;将微分光谱应用于农学参数测定,存在红边位移现象,在孕穗期之前,红边随施氮量增加向长波方向移动“红移”;孕穗期之后“红移”现象基本消失,而发生“蓝移”。红边参数(红边、红边振幅、红边振幅与最小振幅的比值、红边峰值面积)与上层叶片的叶绿素含量、LAI有着密切的关系,而与叶片中的叶绿素b、类胡萝卜素之间相关性不明显。一些红边参数可作为水稻叶绿素含量、LAI测定的简捷方法。从而证实了利用微分光谱测定一些农学参数的可行性     

水稻叶面积指数与MODIS植被指数、红边位置之间的相关分析

对模拟中分辨率成像光谱仪（MODIS）两个植被指数归一化植被指数（NDVI）、增强植被指数（EVI）以及红边位置（REP）与水稻叶面积指数（LAI）进行了相关研究。利用光谱分辨率为3 nm 的ASD FieldSpec UV/VNIR 光谱仪获得了2002年两个不同水稻品种——杂交稻和常规稻整个生长期的高光谱数据，同时对水稻LAI进行了测定。利用一阶微分计算红边位移。模拟了MODIS 3个波段，波段1(620-670 nm，红波段)，波段2(841～876 nm，近红外)和波段3(459～479 nm，蓝波段)，并用这些波段计算了MODIS-NDVI和EVI。结果表明：对于常规稻，MODIS-NDVI、EVI和REP与水稻LAI呈现出良好的相关性；而对于杂交稻，与水稻LAI相关性来说，MODIS-EVI和REP要比MODIS-NDVI更敏感。分析原因，主要是因为杂交稻同常规稻相比在生长的中后期LAI比较大，MODIS-NDVI容易饱和；而MODIS-EVI和REP由于可以消除背景影响，增强对LAI的敏感性。因此MODIS-EVI和REP可以更有效地监测水稻叶面积指数。     

利用GIS与TM资料集成技术估算龙游县早稻面积

提出利用GIS 与TM资料集成技术估算中国南方丘陵山地早稻种植面积的方法。该方法首先利用ARC/INFO对土地利用现状图进行数字化，建立拓朴关系后将其转化为栅格，然后进行投影变换，使土地利用现状图、行政图、TM数据具有相同的坐标，最后利用土地现状图，提取水田分布图，对水田分布图进行分类估算早稻种植面积。不同方法比较结果表明：非监督分类法不能用于提取丘陵山区的水稻种植面积；只用TM资料估算龙游县早稻面积，与统计数据相比，平行六面体分类法、最大似然分类法精度分别达到82.83%和59.95%；而用GIS 与TM资料集成技术对水田分布图进行分类估算早稻面积，平行六面体分类法、最大似然分类法的估算精度分别达到93.98%和60.65%，所以利用平行六面体分类法对南方丘陵山地早稻种植面积估算是可行的。     

基于GIS的滑坡临界降雨指标的研究

利用滑坡灾害普查资料和气象资料,结合地理信息系统(GIS)和降雨推算模型进行空间分析,对庆元县滑坡与降雨作相关研究后发现:降雨具有诱导和直接触发滑坡的综合作用效果;庆元县滑坡的时空分布,受降雨地区和降雨时间的控制,并与一定的地质条件及人类活动有关;滑坡剧烈活动时间与降雨时间及暴雨、大暴雨频次吻合或略滞后,庆元县滑坡的起动降雨量为:日降雨量≥50 mm或滑坡前10 d累积降雨量≥100 mm.     

基于水稻背景特性的植被指数参数修正研究

植被指数广泛应用在各种植被遥感监测中,但不同土壤背景会对基于植被指数的遥感监测精度产生影响,特别是以水为背景的水稻遥感监测.该研究旨在对各种背景调节植被指数的参数进行修正,以便更适合以水土混合物为背景的水稻参数估算.首先通过不同生育期水稻的冠层光谱构建在不同参数条件下的背景调节植被指数(WDVI、SAVI、SAVI2、TSAVI),然后以多种方程形式拟合以不同参数构建的各个植被指数与水稻叶面积指数LAI的关系,最后通过比较各拟合方程的决定系数(R2)得到各植被指数修正后的合适参数.结果表明:在使用植被指数估算水稻LAI时,其参数都需要修正.对WDVI,其修正后的参数α=1.44;对SAVI,其修正后的参数L=0.08;对SAVI2,其修正后的参数θ=0.02;而对TSAVI,其修正后的参数a=0.5,b=0.02,X=0.02.另外,在各种拟合方程形式中,以指数和幂函数的拟合效果最佳.在以WDVI、SAVI、SAVI2和TSAVI为自变量,以LAI为因变量的各种估算模型中,TSAVI对LAI具有较高的估算精度,SAVI和SAVI2次之,WDVI最差.总之,在进行水稻遥感监测时,对植被指数的参数进行修正有利于提高监测精度.     

基于红边位置变化特征的油菜种植区域提取

油菜种植区域的准确提取是进行长势监测、估产和灾情评估的前提,遥感手段已成为作物种植区域提取与监测的高效方法,而高光谱遥感具有波段多、波谱分辨率高、信息丰富等特点,因而提供了一种新的技术手段。为了探究高光谱遥感在作物识别与提取中的优势,该文基于2004年4月4日和5月6日2期EO-1 Hyperion影像,依据油菜盛花期到荚果期红边位置"蓝移"特征,区别于其他植被,实现了油菜种植区域的高光谱遥感提取。采用随机点验证方法对提取结果进行验证,总体精度为92.6%,Kappa系数为0.803,漏分和错分误差均处在合理的范围之内。该方法充分利用了高光谱遥感手段可提取植被红边参数的优势,且算法对地物光谱差异性不敏感,为油菜种植区域遥感提取提供了一套全新的思路与解决方案。