基于遥感估算方法的干旱区植被覆盖度适应性评价

与浓密植被覆盖区相比,半干旱、干旱地区因植被覆盖较少、空间分布零散的特点,致使利用遥感手段提取植被覆盖度(vegetation fractional coverage,VFC)的精度较低。针对上述问题,本文首先分别讨论了回归模型法、像元二分法和混合像元分解法3种典型的VFC提取方法在干旱区VFC反演应用中的适应性及限制性因素;然后通过分析干旱区纯土壤端元植被指数值(NDVIs)对植被覆盖度的敏感性,将基于地面光谱测量的NDVIs应用于传统方法进行改进,以新疆大黄山典型干旱区为例,使用Landsat-8 OLI数据,进行植被覆盖度反演实验,最后使用实测VFC数据对反演结果进行精度验证。验证结果表明:基于混合像元分解理论的全约束最小二乘法在干旱区植被覆盖度的反演精度最高,反演值与实测值间的相关性(R~2)达到0.989,其次为改进的像元二分法(R~2=0.848)和回归模型法(R~2=0.827)。     

多尺度遥感数据协同的干旱地区植被覆盖度提取

纯植被像元获取是植被覆盖信息遥感反演的必要环节。干旱地区植被分布零散稀疏,使用中、低分辨率遥感数据提取植被覆盖度时,难以获取纯植被像元,致使植被覆盖度提取精度较低。针对上述问题,本文提出一种基于多尺度遥感数据协同的干旱区植被覆盖度反演方法。该方法利用空间分辨率较高的Landsat-8 OLI数据确定纯植被像元,考虑到不同传感器之间的光谱差异,使用实测地物光谱数据进行光谱转换,代替中等分辨率MODIS数据的纯植被像元,应用于像元二分模型,选择典型的干旱区新疆阜康市为研究区,进行植被覆盖度反演实验,最后使用无人机航拍影像对反演结果进行精度验证。结果表明,植被覆盖度反演结果精度较高,与实测值间存在较高的相关性(R2=0.75),均方根误差较低(RMSE=0.10)。该方法能够有效提高干旱区植被覆盖度反演精度,可为利用中低分辨率数据研究干旱地区生态环境变化提供一种新思路。     

不同端元模型下湿地植被覆盖度的提取方法——以北京市野鸭湖湿地自然保护区为例

植被覆盖度作为反映湿地植物生长状况的重要生态学参数,在评估和检测湿地生态环境方面起着关键的作用.以华北内陆典型的淡水湿地——北京市野鸭湖湿地自然保护区为研究对象,中等分辨率的Landsat TM影像为数据源,基于线性光谱混合模型(LSMM)对研究区的植被覆盖度进行了估算.针对湿地植被类型丰富、土地利用类型多样化的特点,利用归一化植被指数(NDVI)在反映植物生长状况、覆盖程度以及区分地表覆盖类型方面的优势,通过对原始Landsat TM影像增加NDVI数据维对影像进行维度扩展,克服了传统研究中通常从Landsat TM影像上提取3-4种端元的局限,经最小噪声分离变换(MNF变换)、纯像元指数(PPI)计算以及人机交互端元选取等一系列运算,构建以陆生植物、水生植物、高反射率地物、低反射率地物、裸露土壤为组分的五端元模型来反映研究区的地物组成;同时,以原始Landsat TM影像为基础,构建植物、高反射率地物、低反射率地物、裸露土壤为组分的四端元模型.针对两种端元模型,采用全约束下的LSMM算法进行混合像元分解以获取研究区的植被覆盖度,其次辅以研究区的纯水体信息对其进行优化.精度检验采用相同时期的高分辨率WorldView-2多光谱影像来进行.研究表明:虽然四端元模型与五端元模型对植被覆盖度的估算结果在空间上具有基本一致的分布趋势,但是前者的估算结果在数值上要普遍低于后者,在研究区的水体及其附近,四端元模型难以体现水生植物的植被覆盖信息;另外,五端元模型的估算结果与检验数据的相关系数R达到0.9023,均方根误差(RMSE)为0.0939,明显优于四端元模型的R=0.8671和RMSE=0.1711.这反映了通过对影像进行维度扩展的方法来改进端元提取的数量是可行的,而由此构建的五端元模型可以更充分的反映研究区地物之间的光谱差异,从而获得更好的估算精度.     

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。     

基于多端元光谱分解的干旱区植被覆盖度遥感反演

植被覆盖度是评价陆地生态系统状况与土地荒漠化程度的重要指标.利用环境一号(HJ-1)小卫星上搭载的新型高光谱传感器HSI获取的数据,通过纯净像元指数和端元平均均方根误差相结合的方法提取合适的端元光谱,然后基于多端元混合像元分解(MESMA)模型,反演了新疆石河子地区的植被覆盖度(FVC).通过与线性光谱分解(LSMA)模型反演结果以及地面样方数据进行比较,对HJ-1/HSI数据反演结果进行精度评价与光谱验证.结果表明:MESMA模型能对不同的像元选取不同端元组合,更接近实际情况,比LSMA模型能更好地提取植被覆盖度信息;与LSMA模型相比,MESMA模型反演的FVC值与地面实测数据的相关系数从0.766提高到0.838,均方根误差从0.375减少到0.196.     

北京海淀区植被覆盖的遥感动态研究

 植被覆盖度fg人(植被的垂直投影面积与单位面积之比)是一个十分重要的生态气候参数。为了有效地从遥感资料中提取植被覆盖度,发展了一套计算区域植被覆盖度的亚象元分解模型法。运用该方法对北京市海淀区1975、1991和1997年的植被覆盖度进行了计算,并在此基础上,求得研究区不同植被覆盖等级的变化转移矩阵,分析了海淀区22年来植被覆盖等级变化的空间过程和变化趋势。     

天然草地植被覆盖度的高光谱遥感估算模型

利用ASD FieldSpec Pro FR^TM光谱仪,对内蒙古自治区锡林郭勒盟的天然草地进行高光谱遥感地面观测,并计算天然草地植被覆盖度;选择25个高光谱特征变量与天然草地植被覆盖度进行相关性分析.结果表明,共有17个变量通过极显著性检验,尤以红边波长范围内一阶微分波段值总和(SDr)的相关系数0.781为最高在此基础上将观测数据分成两组:一组观测数据作为训练样本(n=49),运用单变量线性、非线性和逐步回归方法,建立植被覆盖度高光谱遥感估算模型;另一组观测数据作为检验样本(n=32),进行精度检验分析结果显示,采用逐步回归分析方法,运用冠层原始反射率数据估算草地植被覆盖度的效果并不理想;而以红边波长范围内一阶微分波段值的总和(SDr)为变量的线性回归方程是最佳估算模型,模型标准差为10.4%,估算精度为83.99%.     

湖北省黄冈市欠发达地区植被覆盖度时空特征分析

运用黄冈市2000、2005 和2010 年3 期的 LandsatTM 和LandsatETM+遥感数据, 采取像元二分模型, 进行植被覆盖度计算并分析其时空特征, 同时将植被覆盖度与坡向、坡度、高程进行叠加, 进一步探讨地形因子对植被覆盖度分布的影响。研究表明: (1)2000-2010 年黄冈市植被覆盖度呈现出先上升后退化趋势, 植被状况整体上表现为趋向恶化; (2)东部植被覆盖空间分布较高, 中南部植被覆盖状况较稳定, 而北部和中西部植被覆盖状况相对较低; (3)植被覆盖度在阴阳坡分布较稳定, 植被覆盖度分布密集区域主要集中在高程为300 米、坡度为15-25的区域内。研究结论对推进黄冈市植被资源可持续利用与管理具有重要借鉴意义。     

干旱区荒漠稀疏植被覆盖度提取及尺度扩展效应

选择线性混合像元分解模型、亚像元模型、最大三波段梯度差法模型以及修正的三波段梯度差法的2个变异模型来提取植被覆盖度,结合地面实测数据,探讨了提取干旱区荒漠稀疏植被覆盖度信息的适宜模型,并以简单平均法模拟了不同尺度的覆盖度影像,通过尺度上推检验了模型在MODIS尺度上的反演效应.结果表明：线性混合像元分解模型反演覆盖度的精度高于其他模型,适于稀疏植被地区,但端元的正确选取较难,从而影响其运用;亚像元分解模型是一个通用模型,植被分类图越精细,通过亚像元分解模型得到的覆盖度精度越高,但这也同时意味着该模型需要测定大量的输入参数;最大三波段梯度差法的算法简单、易于操作,其在农田等中高植被覆盖区及裸土区的预测值与实测值接近,但对干旱区稀疏植被的估计精度偏低;修正后的三波段最大梯度差法模型在稀疏植被覆盖区的预测值与实测值基本一致,在不同尺度上反演的覆盖度信息与实测值的一致性较好.该方法可有效提取干旱区低覆盖度植被信息.     

基于高光谱混合像元分解的干旱地区稀疏植被覆盖度估测

以Hyperion高光谱影像为数据源,选取流沙、假戈壁(影像端元)及荒漠植被(实测光谱端元)3种端元,利用非受限及全受限的混合像元分解对甘肃省民勤绿洲-荒漠过渡带的稀疏植被覆盖度进行了估测.结果表明:全受限混合像元分解得到的荒漠植被分量准确地代表了地表真实稀疏植被覆盖情况,两者之间的偏差不超过5%、均方根误差RMSE为3.0681;而非受限的混合像元分解结果则明显小于地面实测植被覆盖度,两者之间虽具有一定相关性,但相关性不高(R2=0.5855);与McGwire等的相关研究相比,全受限混合像元分解对稀疏植被覆盖度的估测具有更高的精度及可靠性,具有广阔的应用前景.     

1988-2013年基于BP神经网络的植被叶面积指数遥感定量反演

叶面积指数（Leaf Area Index,LAI）高度综合了植被水平覆盖状况和垂直结构,以及枯枝落叶层厚薄和地下生物量多少,是植被影响土壤侵蚀的主要方面。区域尺度的时间序列叶面积指数揭示了区域土壤侵蚀的演化过程。因此,及时准确地掌握区域尺度上长时间序列的植被LAI,对研究土壤侵蚀动态变化与植被的关系至关重要。选择南京市1988-2013年10期遥感影像,基于反向传播（Back Propagation,BP）神经网络构建LAI反演模型,进行了长时间序列的叶面积指数反演。结合2009和2010年LAI实测值,验证与探讨了该模型的评价精度与适应性。结果表明：（1）该模型拟合度较高,2009和2010年平均相对误差、均方根误差、相关系数分别是0.2395和0.2174,0.2962和0.2581,0.7713和0.6844,各项精度评价指标均较好;（2）统计分析去除耕地后全市LAI变化,低植被覆盖（LAI<2）面积不断增加,高植被覆盖区（LAI>3）面积先减少后增加,耕地面积不断减少,符合南京市的发展变化规律;（3）主城区LAI年际变化与其他学者得到的南京市植被盖度变化趋势一致,反演结果的时序性较高。本文提出的基于反向传播神经网络模型反演长时间序列LAI是可行的,为区域尺度土壤侵蚀定量遥感监测提供新途径。     

利用遥感光谱法进行农田土壤水分遥感动态监测

自 1 997年 4月至 1 998年 1 0月 ,在甘肃省定西县进行了大面积 0～ 5 0 cm土层农田土壤水分按每 1 5 d本底资料实际观测 ,对此间收到的 5幅 TM与 7幅 NOAA卫片数据资料进行了加工处理 ,并对地面光谱资料也进行了观测。在光谱反演与光谱和土壤水分相关性分析基础上 ,利用遥感技术和地理信息系统 ,初步建立了典型试验区 ( 3× 3km2 )遥感信息与土壤含水量之间的遥感光谱相关监测模型 ,做出了观测区土壤水分含量分布图和得到了大面积农田土壤水分宏观动态监测结果 ,并同地面实测土壤水分进行了精度校正。研究结果表明 ,文中提出的“光学植被盖度”概念 ,对土壤水分遥感监测研究是有益的 ,利用遥感光谱法和数学统计方法求出了有关物理参数 ,初步建立了 TM与 NOAA光谱水分监测模型 ,其模型监测 0～2 0 cm土层含水量的精度达到 90 %以上 ,实际监测土壤水分精度达到 72 .3% ;在遥感监测 2 0～ 5 0 cm土层土壤含水量中 ,利用遥感模型监测土壤水分精度达到 80 %以上 ,实际遥感监测精度达到 60 %左右 ,其结果可有效指导干旱半干旱雨养农业区春耕时间和动态监测大面积土壤墒情 ,可为农业生产提供科学依据。另外 ,经地面大量观测表明 ,一般来说 ,当土壤含水量为田间最大持水量的 5 5 %～ 85 %时 ,从生长状况和经济     

林地叶面积指数遥感估算方法适用分析

叶面积指数是与森林冠层能量和CO2交换密切相关的一个重要植被结构参数,为了探讨估算林地叶面积指数LAI的遥感适用方法和提高精度的途径,利用TRAC仪器测定北京城区森林样地的LAI,从Landsat TM遥感图像计算NDVI、SR、RSR、SAVI植被指数,分别建立估算LAI的单植被指数统计模型、多植被指数组合的改进BP神经网络,获取最有效描述LAI与植被指数非线性关系的方法并应用到TM图像估算北京城区LAI。结果表明,单植被指数非线性统计模型估算LAI的精度高于线性统计模型;多植被指数组合神经网络中,以NDVI、RSR、SAVI组合估算LAI的精度最高,估算值与观测值线性回归方程的R2最高,为0.827,而RMSE最低,为0.189,神经网络解决了多植被指数组合统计模型非线性回归方程的系数较多、较难确定的问题,可较为有效的应用于遥感图像林地LAI的估算。     

基于修正的亚像元模型的植被覆盖度估算

植被覆盖度是陆地生态过程模型、气象和气候模型的一项重要参数.通过消除植被类型分类精度以及遥感影像噪声带来的误差,结合实际测量值确定了归一化植被指数(NDVI)的最大值和最小值,修正了亚像元模型,并通过计算北京市植被覆盖度对模型进行了验证. 结果表明: 修正后模型的模拟值与实测值非常接近,尤其是对植被类型一致但密度有不同变化的草本植被, 但对乔木植被覆盖度的估算误差相对较大,这可能与遥感影像分辨率、植被破碎度及采用的混合像元模型有关.     

复杂地形草地植被碳储量遥感估算研究进展

草地生态系统是我国最大的陆地生态系统，其植被碳储量的准确评估对维护国家生态安全和指导畜牧发展有重要作用。植被生物量和草地面积是草地植被碳储量估算的关键，随着遥感技术的发展，两者估算精度和效率显著提高，先后发展出多种草地生物量遥感估算模型和土地覆被产品，并已在平坦地区取的较好估算结果。然而，复杂地形区迥异于平地的几何形态和水热分布所产生的不均一的生态系统结构和功能，给草地生物量和草地面积的遥感估算带来诸多困难，影响对草地植被碳储量的准确判定。本文在回顾国内外草地植被碳储量遥感估算方法与所需关键参数的基础上，对遥感估算复杂地形草地植被碳储量过程中所面临“遥感影像地形效应的去除和尺度选择”、“植被指数与地形指标的选取”、“过程模型植被生长参数的率定”、“草地面积估算”以及“气象数据与复杂地形上微气候的匹配”等问题进行了总结并提出相应的解决思路，以期为草地植被碳储量遥感估算模型的合理构建以及估算精度的提高提供参考。     

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.     

遥感和GIS支持下的城市植被制图及其特征分析

 以上海城市植被为研究对象,探索城市植被的分类理论和方法,提出一套适用于城市植被分类与制图的方法。根据城市植被信息获取的方式以及生态-外貌分类原则,建立了基于植物生活型的、可用图形表示的城市植被分类体系,分天然与半天然植被和人工植被两个大类,共有9个植被型和34个植被亚型。在遥感和地理信息系统(GIS)技术的支持下,建立研究区的城市植被信息数据库,并在此基础上对城市植被类型的特征以及与土地利用的关系进行分析比较,以期掌握城市植被类型的数量特征及其空间分布,同时按不同分类级别用计算机进行城市植被制图。城市植被     

基于无人机低空遥感的荒漠植被覆盖度与归一化植被指数验证及其对水热梯度的响应

为了验证在荒漠地区MODIS-NDVI产品的精度以及为在气候变化背景下荒漠草地的科学管理提供依据,本文利用无人机低空遥感研究了干旱荒漠地区植被覆盖度(FVC)和归一化植被指数(NDVI)对水、热梯度的响应规律。在内蒙古阿拉善荒漠地区的100个样点采用GreenSeeker手持光谱仪获得NDVI值(NDVI_R),通过MODIS-NDVI数据产品提取每个样点的NDVI(NDVI_M),借助NDVI_R验证NDVI_M的精确度;通过无人机遥感手段获得每个采样点的FVC(FVC_U),利用像元二分模型反演每个样点的FVC(FVC_M),借助FVC_U验证FVC_M的精确度;并结合气象数据探讨基于无人机低空遥感的荒漠地区FVC和NDVI对水热梯度的响应。结果表明: MODIS-NDVI数据产品能够反映阿拉善地区的NDVI,精确度为84.2%,但比真实值高15.7%;FVC_M能够反映阿拉善地区的FVC状况,精确度为83.1%,但比真实值低14.8%;不同采集方式获得的NDVI受气象因子的影响程度不同,NDVI不仅受气温和降雨的影响,也受地温、蒸发量以及两者相互作用的影响,由于受大气影响程度不同, NDVI_M受地温、蒸发量、降水量的影响比NDVI_R大,NDVI_R受气温的影响比NDVI_M大。在阿拉善地区研究FVC随水热梯度的变化不仅要考虑降水量和气温,还应考虑蒸发量、地温以及气象因子之间相互作用的影响,其中,气温与降雨、蒸发量与地温以及气温与蒸发量之间相互作用对FVC_U的影响较大。     

基于带宽优选地理加权回归模型的深圳市植被碳储量反演

植被碳储量估测是自然资源监测的重要内容,遥感技术结合地面样地进行反演可以获得区域范围内植被碳储量的空间连续分布,弥补了传统人工抽样调查估测的不足。然而,现有的参数和非参数遥感估测模型大多忽略了样地数据的变异与空间自相关关系。研究以Landsat 8 OLI影像为数据源提取遥感变量,结合植被碳储量实测调查数据,利用最小信息准则(AICc)、最大空间自相关距离(MSAD)和交叉验证(CV)分别确定最优带宽,组合Gaussian、Bi-square和Exponential核函数构建地理加权回归(GWR)模型估算深圳市植被碳储量,并与多元线性回归(MLR)进行比较,选择最优模型绘制深圳市植被碳储量空间分布图。研究结果表明,GWR模型整体精度优于MLR模型,GWR模型的决定系数(R~2)均高于MLR模型,且均方根误差(RMSE)和平均绝对误差(MAE)显著降低。带宽和核函数的选择对GWR模型估测结果产生了显著影响。以CV确定带宽、Exponential为核函数组合构建的GWR模型效果最佳,其R~2为0.697,RMSE为10.437 Mg C/hm~2,相比其它模型精度上升了13.87%—32....