利用不同分辨率卫星影像的NDVI数据估算叶面积指数(LAI)——以岷江上游为例

短周期的低分辨率遥感数据为大面积估算LAI及季节动态和物候趋势提供了有利工具,但基于高分辨率LAI的遥感估算模型在低分辨率遥感数据上应用有很大的不确定性。研究利用LAI-2000冠层分析仪与跟踪辐射和冠层结构测量仪(TRAC),测定了岷江上游流域范围内490块野外调查样地(50m×50m样方)的LAI数据,结合同期较高精度卫星数据(TM)建立了不同植被类型的LAI-NDVI算法,在经过传感器的相对校正后,将这种算法应用到同期分辨率较低的MODIS数据和SPOT VEGETATION数据上。结果表明,30m分辨率的TM LAI的均值为4.53,250m MODIS LAI的均值为3.55,1000m VGT LAI的均值为4.20,随着栅格分辨率的降低,总体标准差有增加的趋势,并且LAI值也有不同程度的低估,其中MODIS LAI值被低估约22%。但利用TM LAI数据验证MODIS和VGT LAI数据后发现,250m的MODIS数据预测误差在30%左右,1000m的SPOT数据预测误差则高达50%,空间重采样分析表明,栅格分辨率的降低是导致预测误差扩大的主要原因,而这也是岷江流域植被分布破碎化的体现。     

岷江上游植被冠层降水截留的空间模拟

 通过对岷江上游实地踏查和定位观测研究,结合MODIS遥感数据,利用“3S”技术对岷江上游植被冠层降水截留进行了空间模拟。研究结果表明：岷江上游植被叶面积指数（LAI）与增强性植被指数（EVI）以二项式关系拟合效果较好。由于归一化植被指数（NDVI）存在的饱和问题,研究采用EVI反演LAI,统计结果表明：岷江上游LAI值在0～2之间的占28.57%,在2～4.5之间的占63.06%,大于4.5的占8.37%,其中LAI最大值为7.394;从冠层最大降水截留模拟结果来看: 植被较好的地区,如卧龙、米亚罗的植被冠层最大降水截留量较大,而干旱河谷、上游高山草甸等地的植被冠层最大降水截留量相对较低;附加冠层降水截留与降雨量呈线性相关,模型验证时以此为基础,模型模拟的结果较为理想。     

黑河流域叶面积指数（LAI）空间尺度转换

为有机地整合利用不同分辨率遥感数据获取的陆面过程以及其他相关的环境变量,尺度问题越来越受到人们的重视.选取黑河张掖绿洲区为实验研究区,利用ETM 影像反演的LAI通过升尺度转换到900m分辨率,对LAI尺度转换过程中引起的误差进行了定量分析,尝试提出一种新的基于NDVI像元分解的更有效的升尺度转换方法.研究发现非线性的升尺度算法引起的误差不超过 10.5%,且误差大小与地表异质性程度正相关,而地表异质性是导致LAI尺度转化误差的主要原因,严重时可能造成 45%的偏差,但纯像元LAI的计算不受尺度影响.提出的基于NDVI像元分解的LAI升尺度转换算法,分两步考虑了地表异质性问题,很好的实现了研究区30m空间精度 LAI向900m的尺度转换,该方法应用于干旱、半干旱的中国西北黑河流域NASA 发布的MODIS LAI产品校正,取得了良好效果.     

帽儿山地区森林冠层叶面积指数的地面观测与遥感反演

叶面积指数(leaf area index,LAI)是陆地生态系统最重要的结构参数之一,遥感和基于冠层孔隙率模型的光学仪器观测是快速获取LAI的有效方法,但由于植被叶片的聚集效应,这些方法通常只能获取有效叶面积指数(effective LAI,LAIe).本文以东北林业大学帽儿山实验林场为研究区,利用LAI2000观测森林冠层LAIe,并结合TRAC观测的叶片聚集度系数估算了森林冠层LAI,并通过分析基于Landsat5-TM数据计算的不同植被指数与LAIe之间的关系,建立了该区森林LAI遥感估算模型.结果表明:研究区阔叶林的LAI和LAIe基本相当,而针叶林的LAI比LAIe大27%;减化比值植被指数(reduced simple ratio,RSR)与该区LAIe的相关性最好(R2=0.763,n=23),最适合该区LAI的遥感提取.当海拔<400 m时,LAI随海拔高度的上升而快速增大;当海拔在400～750 m时,LAI随海拔高度的上升缓慢增大;当海拔>750 m时,LAI呈下降趋势.研究区森林冠层LAI与森林地上生物量存在显著的正相关关系.     

基于不同空间尺度遥感影像估算森林叶面积指数的差异

地面测量点对遥感像元的代表性如何,怎样获取像元的相对真值,多大的空间分辨率可以真实地反映森林区域的叶面积指数(LAI),这些都是定量遥感中的重要问题.本研究计算LAI-2200和TRAC两种冠层分析仪测量的空间范围,并结合GF-2(4.1 m)、Sentinel-2(10 m)、Landsat-8(30 m)3种不同空间分辨率遥感影像,找到各尺度下像元的相对真值,在保持真值观测面积和遥感获取面积一致的条件下,基于一元指数和多元回归模型,对比分析不同空间分辨率影像对估算森林LAI的影响,并对3种影像模型进行30和100 m尺度下的检验以及各自数据集的空间代表性评价,比较得出最适合表达研究区域森林LAI的尺度.结果表明:对于森林来说,高分辨率并不一定能充分反映森林LAI.基于3种分辨率影像的统计模型都能很好地估测森林LAI,其中,基于Sentinel-2的反演精度最高,基于GF-2的反演精度最低.30和100 m尺度下的检验结果表明,基于GF-2反演模型高估了森林LAI,基于Landsat-8的反演模型低估了森林LAI,基于Sentinel-2分辨率的统计模型可以很好地估测研究区域森林LAI.     

基于多源遥感数据的荒漠植被覆盖度估测

以塔里木河下游为靶区,根据地面调查和不同分辨率的多源遥感数据,逐级建立荒漠植被覆盖度遥感估测模型,并对不同模型、不同估测方法的估测精度进行比较.结果表明: 随着遥感数据空间分辨率的提高,植被覆盖度遥感估测模型精度增加;基于高分辨率、中高分辨率及中低分辨率遥感数据建立的植被覆盖度模型的估测精度分别为89.5%、87.0%和84.6%;遥感模型法的估测精度高于植被指数法.不同分辨率遥感数据估测荒漠植被覆盖度的精度变化规律,实现了荒漠植被覆盖度估测的高、中、低分辨率遥感数据参数及尺度的定量转换,可为研究区生态恢复遥感综合监测方案的制定和实施提供直接依据.     

基于中高分辨率遥感的植被覆盖度时相变换方法

植被覆盖度是衡量地表植被状况、指示生态环境变化的一个重要指标,也是许多学科的重要参数。传统的测量方法难以获取时间连续的面状数据,且耗时、耗力,很难大范围推广。遥感估算方法虽然可以弥补传统方法的不足,但由于云覆盖等天气条件的影响,获得同一时相覆盖整个研究区的遥感影像非常困难,时相的差异必然导致研究结果产生误差。针对植被覆盖度这一重要生态参数,结合低分辨率遥感数据的时间优势和中高分辨率遥感数据的空间优势,提出一种时相变换方法,将源于中高分辨率影像的植被覆盖度变换到研究需要的时相上。首先,利用像元二分模型计算MODIS尺度的时间序列植被覆盖度,并利用已经获得的SPOT影像计算其获取时相上的植被覆盖度;其次,利用土地利用图划分植被覆盖类型,并利用MODIS数据和土地利用数据之间的空间对应关系制作MODIS像元内各类植被覆盖的面积百分比数据;再次,利用面积百分比数据提取各类植被覆盖的纯像元,结合MODIS植被覆盖度时间序列,从而提取各类植被覆盖纯像元的植被覆盖度时间序列曲线;最后利用像元分解的方法提取MODIS像元内各类植被覆盖组分的植被覆盖度的变化规律,将其应用到该组分对应位置上SPOT像元的植被覆盖度上,从而将其变换到所需要的时相上。在密云水库上游进行试验,将覆盖研究区的10景SPOT5多光谱影像计算的植被覆盖度统一变换到7月上旬,结果显示:视觉效果上明显好转,且空间上连续一致;变换前后植被覆盖度的统计量对比结果也符合植被生长规律;利用外业样点数据与对应位置的植被覆盖度变换结果进行回归分析,结果发现各植被覆盖类型的R2均在0.8左右,表明变换结果与实测值非常接近,时相变换的效果较好,从而可以很好地促进相关研究精度的提高。     

广东省2004-2016年植被冠层降雨截留模拟及时空变化特征

评价植被冠层降雨截留能力,是生态系统水循环的重要研究内容。以广东省中小流域为例,结合地面监测站点的降雨量数据和MODIS叶面积指数遥感数据,利用植被冠层降雨截留模型,定量模拟和分析了广东省流域尺度2004-2016年的地表植被冠层降雨截留能力及其时空变化特征。结果表明：（1）2004-2012年广东省年均植被冠层降雨截留率持续下降,2016年略有上升,并且随着时间的推移,流域之间的植被冠层降雨截留率差异越来越小。（2）广东省植被冠层降雨截留能力呈现山区东西两翼高,山区中部以及沿海地区低的显著空间差异格局,这种空间格局与植被覆盖LAI主要呈现由珠三角向外围递增的圈层空间格局特征密切相关,而与由南向北逐渐递减的降雨空间格局特征相关性不大。（3）森林覆盖对流域植被冠层降雨截留能力有着一定的影响,其中流域内阔叶林占森林面积的比例对这种影响的程度起着最为关键的作用。     

基于Landsat 8遥感影像反演干旱区净初级生产力的尺度效应

遥感影像是不同尺度景观分析的数据源,不同尺度上占主导地位的地物景观信息是不同的;描述或解释许多环境问题时,都不能在单一尺度解决,因此多尺度分析已成为景观生态领域中的必要条件。本研究以玛纳斯河流域为研究区,以2013年分辨率为30 m的Landsat 8遥感影像作为原始数据,对其分别进行聚合平均,得到不同分辨率(30、150、330、660、990、1650、1980和3300 m)的遥感数据,并作为NPP遥感估算模型的输入参数,探究不同分辨率的植被净初级生产力情况。结果表明:随着尺度的扩展,农田净初级生产力均值随之下降,林地、草地和裸地净初级生产力估算值基本保持不变,就整体而言,分辨率30 m的植被NPP模拟值比分辨率990 m的NPP模拟值多5.36%。随着尺度的扩展,玛纳斯河流域净初级生产力平均值发生变化,产生尺度效应,主要是由土地覆盖类型引起的;而不同尺度的玛纳斯河流域NPP具有相似的空间格局,且其基本特征不变。     

基于植被信息季节变换的植被覆盖度变化——以福建省连江县为例

基于植被覆盖度的植被信息遥感变化检测已成为研究植被及其相关生态系统变化的主要途径,但由于云覆盖等天气条件的影响,很难获得不同年份同一季节覆盖整个研究区的光学遥感影像来进行植被变化检测,而采用季节差异的影像必然会影响植被变化检测的结果.为此,本研究利用中高分辨率遥感数据的空间分辨率优势和MODIS遥感数据的时间分辨率优势,基于二者关系的拟合,提出一种植被信息季节变换的方法,将不同季节影像的植被覆盖度变换到研究所需的季节上.结果表明: 将该方法应用到福建敖江流域连江片区发现,植被信息变换的效果较好,经过将覆盖研究区的2007年冬季和2013年春季的中高分辨率影像的植被信息统一变换到夏季后,2007年的植被覆盖度由66.5%上升到79.7%,2013年由58.6%上升到77.9%,有效消除了因季节差异而对植被覆盖度估算产生的误差,提高了结果的准确性.     

A new forest cover map of continental southeast Asia derived from SPOT‐VEGETATION satellite imagery

Question: Can recent satellite imagery of coarse spatial resolution support forest cover assessment and mapping at the regional level? Location: Continental southeast Asia. Methods: Forest cover mapping was based on digital classification of SPOT4‐VEGETATION satellite images of 1 km spatial resolution from the dry seasons 1998/1999 and 1999/2000. Following a geographical stratification, the spectral clusters were visually assigned to land cover classes. The forest classes were validated by an independent set of maps, derived from interpretation of satellite imagery of high spatial resolution (Landsat TM, 30 m). Forest area estimates from the regional forest cover map were compared to the forest figures of the FAO database. Results: The regional forest cover map displays 12 forest and land cover classes. The mapping of the region's deciduous and fragmented forest cover remained challenging. A high correlation was found between forest area estimates obtained from this map and from the Landsat TM derived maps. The regional and sub‐regional forest area estimates were close to those reported by FAO. Conclusion: SPOT4‐VEGETATION satellite imagery can be used for mapping consistently and uniformly the extent and distribution of the broad forest cover types at the regional scale. The new map can be considered as an update and improvement on existing regional forest cover maps.     

基于MOD09产品的水稻叶面积指数和叶绿素含量的遥感估算模型

基于中分辨率成像光谱仪MODIS (moderate resolution imaging spectroradiometer)反射率产品MOD09的同步野外实测水稻叶面积指数（LAI）和叶绿素含量（Chltot）相关数据,探寻用MOD09产品提取的植被指数(VIs)与水稻LAI和Chltot之间的相关性以及估算模型. 结果表明,MOD09计算的VI数值比MODIS前3个波段数值偏大,归一化植被指数NDVI (normalized difference vegetation index) 值普遍比增强性植被指数EVI(enhanced vegetation index) 值大. 通过4种不同植被指数与LAI相关性的比较,得出EVI与LAI的相关关系在水稻各个生育期优于其它植被指数,基于MOD09-EVI建立水稻LAI的遥感估算模型,经实际地面同步数据检验, 模型精度较高. 因而, MOD09-EVI较适用于水稻叶面积指数的实时遥感监测. MOD09红波段与Chltot之间的相关性在水稻前中期达到显著,并且优于其它植被指数,基于MOD09红波段建立了水稻前中期Chltot的估算模型并进行了精度检验. 除水稻孕穗期叶绿素含量估算模型的相关系数和F值通过了显著性检验外, 其余生育期估算模型都没有通过显著性检验.     

基于MODIS NDVI、SPOT NDVI数据的GIMMS NDVI性能评价

以MODIS NDVI和SPOT NDVI数据为基准对2000—2015年重叠时段的GIMMS NDVI数据进行评价.在全国尺度以及水田、旱地、林地、草地4种土地类型上对比分析3种数据的数值差异、动态一致性、变化趋势差异和两两间相关性.结果表明: GIMMS NDVI在数值上整体高于MODIS NDVI和SPOT NDVI,3种数据在反映植被月动态方面能力相当;研究期内3种NDVI数据在全国大部分区域均呈增加趋势,GIMMS的增加幅度最小,且在我国西北、东北、中南、青藏高原及云贵高原的部分地区与另两套数据差异较大,表明在研究该区域时应对GIMMS NDVI数据的使用有所保留;各数据间两两相关性较强,在全国尺度上MODIS NDVI与SPOT NDVI的相关性更好,旱地GIMMS NDVI与MODIS NDVI的相关性更好,水田、林地、草地MODIS NDVI与SPOT NDVI的相关性更好.     

基于NDVI的米仓山植被覆盖变化趋势分析

基于1998年4月至2009年12月的SPOT-VEGETATION逐旬NDVI数据,采用MVC(最大值合成法)获得月NDVI值,用均值法计算各季及年均NDVI值;对5种植被类型的年均NDVIy和生长季NDVIg进行一元线性回归,辅助以趋势线分析定量描述研究区植被覆盖动态变化,并采用R/S分析(重标极差法)动态预测米仓山植被覆盖未来变化趋势。结果表明:研究区12年间NDVI整体呈上升趋势,相对于前期(1999~2001年)、中期(2003~2005年)和后期(2007~2009年)的NDVI增加显著;年最大NDVI≥0.70的区域占总面积的98.95%,年均NDVI≥0.70的区域占93.69%,且植被覆盖增加的面积远大于减少的面积;划分的5种植被类型中,阔叶林类NDVI值最高,人工植被类NDVI值最低;R/S法计算结果显示,Hurst指数(H)为0.876 8,表现为很强的持续性,预示未来一定时限内米仓山植被覆盖将有稳定的增加趋势。     

浙江省作物多熟种植制度遥感反演及其时空格局

结合作物物候特征,利用2001-2010年的MODIS/NDVI时间序列数据,在基于改进的Savitzky -Golay滤波算法重构高质量序列的基础上,对浙江省作物熟制进行遥感反演,并分析了浙江省作物熟制的时空格局变化特征.结果表明:空间分辨率为250 m的16 d合成MODIS/NDVI时间序列数据能够准确定量地反演出作物熟制的时空格局;NDVI峰值集中出现于每年的2-3月、5-6月和8-9月;浙江省作物种植以一年二熟制为主,从2001-2010年的种植情况来看,一年二熟作物种植面积最大,年际变化幅度较小,一年一熟和一年三熟作物种植面积相当,年际变幅相对较大;2001年以来浙江耕地复种指数整体呈缓慢增加趋势,2010年复种最大为205.5,但距其潜力理论值288仍有一定距离,表明浙江复种潜力仍较大,耕地利用程度有待提高.     

Upscaling leaf area index in an Arctic landscape through multiscale observations

Monitoring and understanding global change requires a detailed focus on upscaling, the process for extrapolating from the site‐specific scale to the smallest scale resolved in regional or global models or earth observing systems. Leaf area index (LAI) is one of the most sensitive determinants of plant production and can vary by an order of magnitude over short distances. The landscape distribution of LAI is generally determined by remote sensing of surface reflectance (e.g. normalized difference vegetation index, NDVI) but the mismatch in scales between ground and satellite measurements complicates LAI upscaling. Here, we describe a series of measurements to quantify the spatial distribution of LAI in a sub‐Arctic landscape and then describe the upscaling process and its associated errors. Working from a fine‐scale harvest LAI–NDVI relationship, we collected NDVI data over a 500 m × 500 m catchment in the Swedish Arctic, at resolutions from 0.2 to 9.0 m in a nested sampling design. NDVI scaled linearly, so that NDVI at any scale was a simple average of multiple NDVI measurements taken at finer scales. The LAI–NDVI relationship was scale invariant from 1.5 to 9.0 m resolution. Thus, a single exponential LAI–NDVI relationship was valid at all these scales, with similar prediction errors. Vegetation patches were of a scale of ～0.5 m and at measurement scales coarser than this, there was a sharp drop in LAI variance. Landsat NDVI data for the study catchment correlated significantly, but poorly, with ground‐based measurements. A variety of techniques were used to construct LAI maps, including interpolation by inverse distance weighting, ordinary Kriging, External Drift Kriging using Landsat data, and direct estimation from a Landsat NDVI–LAI calibration. All methods produced similar LAI estimates and overall errors. However, Kriging approaches also generated maps of LAI estimation error based on semivariograms. The spatial variability of this Arctic landscape was such that local measurements assimilated by Kriging approaches had a limited spatial influence. Over scales >50 m, interpolation error was of similar magnitude to the error in the Landsat NDVI calibration. The characterisation of LAI spatial error in this study is a key step towards developing spatio‐temporal data assimilation systems for assessing C cycling in terrestrial ecosystems by combining models with field and remotely sensed data.     

基于叶面积指数估算植被总初级生产力

长时间序列的陆地碳通量数据在全球生态环境变化研究中具有重要意义。采用MODIS GPP(Gross Primary Productivity)算法,基于GIMMS LAI3g,MODIS15和Improved-MODIS15三种叶面积指数(LAI),估算了全球2000至2010年的植被总初级生产力(GPP)。该估算的GPP数值经过全球20个通量站点的验证,并结合MODIS17分析了它们在时空变化上的异同。结果表明:(1)4种GPP精度如下:GPP_(MOD17)GPP_(impro_MOD15)GPP_(LAI3g)GPP_(MOD15)。(2)4种GPP整体上具有一致的季节波动,冬季和夏季整体好于春季和秋季。GPP_(LAI3g)的4个季节精度较相近,而GPP_(MOD17)除了春秋季外其它季节都较好。(3)GPP_(LAI3g)在中等GPP值分布区的估值相对较高,其全球总GPP大体为(117±1.5)Pg C/a,GPP_(MOD17)和GPP_(impro_MOD15)相近且都低于该值。(4)GPP_(LAI3g)和GPP_(impro_MOD15)在大约63.29%的陆面上呈显著(P0.05)的正相关关系,它们和GPP_(MOD17)在LAI不确定性小的地区呈显著的正相关关系。GPP_(LAI3g)和GPP_(MOD15)正相关分布面积占比为40.61%。     

Spatiotemporal variability of grassland vegetation cover in a catchment in Inner Mongolia, China, derived from MODIS data products

Conditions, distribution and development of vegetation in semi arid regions are highly variable. In this study we detected the temporal and spatial variability of vegetation in the Xilin river catchment from 2000 to 2008 by analysis of Moderate Resolution Imaging Spectroradiometer (MODIS) data products of that period. The study is based on LAI (Leaf area index) and supported by NDVI (Normalized difference vegetation index) and LST (Land surface temperature) data with a spatial resolution of 1 km. The mean LAI of the catchment from 2000 to 2008 is 0.59. Precipitation data of the study period governs the conditions and distribution of vegetation in the catchment. In dry years, e.g. 2001 and 2005, LAI was clearly lower (0.52) compared to 2003 (LAI?=?0.72) which was a wet year. As precipitation generally decreases from south-east to north-west, LAI values decrease according to this gradient. The influence of heavy grazing in the vicinity of the Xilin river is obvious as LAI is low (0.4) in these areas. The high temporal variability of the LAI is displayed by its high mean CV (coefficient of variation) which is 48% for the observed years. The analysis of sample areas illustrates temporal and spatial differences in vegetation development within the catchment and shows a generally delayed growth start in the north-west of the catchment.