排序方式: 共有5条查询结果,搜索用时 7 毫秒
1
1.
归一化的植被指数(NDVI)的时空变化可以反映生态环境的演变,以MODND1M中国500 m NDVI数据和气象数据为数据源,采用趋势分析和相关分析方法,研究了太行山地区的NDVI、气温、降水量的时空变化特征及其相关性。研究结果表明:(1)16年来,太行山地区的平均NDVI呈增加趋势,增长率为0.079/10年,其中NDVI增加区域占太行山地区的96.84%;(2)在空间尺度上,NDVI与降水量呈正相关性的像元数占像元总数的30.7%,NDVI与气温呈正相关的像元数占总像元数的26.8%;(3)在时间尺度上,NDVI与降水量的相关系数为0.43,NDVI与气温的相关系数为0.22;(4)研究区域降水量与气温对植被生长存在滞后效应。 相似文献
2.
在叶片尺度上,基于高光谱植被指数反演实际光合速率(Phi2)、非调节的光能耗散(PhiNO)、非光化学淬灭(PhiNPQ)、相对叶绿素含量(RC)4个叶绿素荧光参数,分析不同氮素处理下叶片光谱反射率和4个叶绿素荧光参数在不同时期的变化特征。结果表明,可见光波段在过量施氮下叶片反射率低于不施氮处理;在近红外波段,叶片光谱反射率随着施氮量的增大而增大。随着玉米的生长,不施氮处理下Phi2逐渐减少,PhiNPQ逐渐增加;过量施氮下Phi2先增加后减少,PhiNO和PhiNPQ先降低后增加。RC在不同施氮条件下均随着生育时期发展先增加后减少。Phi2和PhiNPQ与归一化植被指数(NDVI)的相关性最好,PhiNO与改进型叶绿素吸收比值指数(MCARI)的相关性最好,RC与红边植被指数(CIred edge)的相关性最好。 相似文献
3.
光合有效辐射吸收比率(fraction of absorbed photosynthetically active radiation,FAPAR)是反映作物产量的重要参数之一。无人机遥感能够快速无损地获取高分辨率植被冠层光谱信息,已成为进行物理化参数反演的重要手段。以不同播期玉米为研究对象,基于无人机搭载多光谱传感器,提取植被指数与植被纹理特征,使用偏最小二乘(partial least squares regression,PLSR)方法将二者结合反演玉米FAPAR,并与传统单独使用植被指数或植被纹理特征反演植被FAPAR的方法进行比较。结果表明:使用传统方法单独利用植被指数反演FAPAR(验证RMSE最低为7.33×10-2,rRMSE最低为8.66%)的效果比单独利用纹理特征反演FAPAR(验证RMSE最低为9.50×10-2,rRMSE最低为11.23%)的精度更高;使用PLSR方法单独利用植被指数或纹理特征估算FAPAR的效果比传统方法精度更高(植被指数与纹理特征的验证RMSE最低分别为6.77×10-2和5.24×10-2,rRMSE最低分别为8.01%和6.19%);使用PLSR方法将植被指数与纹理特征相结合估算FAPAR(验证RMSE最低为4.72×10-2,rRMSE最低为5.57%)的效果比单独使用植被指数或纹理特征估算FAPAR的精度更高。综上,使用PLSR方法将植被指数和植被纹理特征相结合来反演玉米冠层FAPAR可行,为作物FAPAR遥感反演研究提供了新的思路。 相似文献
5.
为探究无人机多源遥感影像估算玉米叶面积指数(Leaf area index, LAI)垂直分布,在田间设置了密度和播期试验,在7个生育时期利用无人机采集了可见光、多光谱和热红外影像并同步获取玉米LAI垂直分布数据。同时,为合理制定无人机飞行任务,分析了不同飞行高度和不同太阳高度角下获取的无人机影像对估算玉米LAI的影响。基于无人机影像提取的与玉米LAI相关性较高的植被指数、纹理信息和冠层温度等特征,利用7种机器学习方法分别构建了玉米冠层不同高度LAI估算模型,从中选取鲁棒性强的2个模型用于分析在不同飞行高度和不同太阳高度角下估算LAI的差异。研究结果表明,MLPR和RFR模型对玉米LAI估算鲁棒性最强,全生育期下模型rRMSE为11.31%(MLPR)和11.42%(RFR)。玉米冠层LAI垂直分布估算误差,所有模型的平均rRMSE分别为9.1%(LAI-1)、14.19%(LAI-2)、18.62%(LAI-3)、23.29%(LAI-4)和26.7%(LAI-5)。对于玉米穗位叶及以下部位的LAI估算误差均在20%以下,得到了较好精度。同时,在不同飞行高度和太阳高度角试验中可以得出... 相似文献
1