基于高分一号 WFV 卫星影像的黄河口湿地草本植被生物量估算模型研究

基于高分一号 WFV 卫星数据,通过计算 NDVI、SRI、SAVI、MSAVI、GBNDVI 和 DVI 6种植被指数,结合黄河口湿地现场草本植被地上干生物量样本,进行一元线性、指数、对数和幂4种模型的回归分析,从中选出生物量最佳估算模型。结果表明：（1）指数模型是 NDVI 和 GBNDVI 的最佳生物量回归模型,幂模型是其它植被指数的最佳回归模型（P ＜0．001）;（2）6种植被指数干生物量最佳回归模型的决定系数（R2）都大于0．7,最大为0．77,由大到小排序为 MSAVI ＞SAVI ＞NDVI ＞DVI ＞SRI ＞GBNDVI;（3）各最佳回归模型的平均相对误差（MRE）都小于54％,最小为23．9％,由小到大排序为 NDVI ＜GBNDVI ＜SRI ＜DVI ＝SAVI ＜MSAVI。     

基于TM遥感影像的陕北黄土区结构化植被因子指数提取

根据结构化植被因子指数的概念,以TM影像为信息源,探讨了利用遥感技术提取陕北黄土区结构化植被因子指数（C_s）的途径与方法.结果表明：在陕北黄土区,C_s能更好地描述植被群落的水土保持效益,其与绿度植被指数（归一化植被指数NDVI、修正土壤调整植被指数MSAVI）和黄度植被指（归一化差异衰败指数NDSVI、归一化耕作指数NDTI）等单一的遥感植被指数虽然均存在良好的相关关系,但用绿度与黄度植被指数相结合可综合反映植被的水土保持功能,能较好地克服单一指数在描述植被控制水土流失中的不足;MSAVI、NDTI分别是基于遥感影像提取C_s较为理想的绿度和黄度植被指数;根据群落结构化植被因子指数与遥感植被指数的关系推算区域尺度上的结构化植被因子指数是可行的,但由于不同地区植物物候期的差异,要使该方法在其他地区适用,仍需开展相应的率定和验证工作.     

五种TM影像大气校正模型在植被遥感中的应用

基于2005年7月18日广州市东北部和惠州市北部的TM影像,以表观反射率模型为参照,从植被反射率光谱、地物反射率统计特征、规一化植被指数三方面对4种黑体减法模型和6S模型在植被遥感中的应用进行了评价.结果表明：黑体减法模型DOS4获得了精度较高的植被反射率,其地物反射率与规一化植被指数的信息量最大,适用于研究区的植被遥感研究.对于不同区域的植被遥感研究需要进行具体的比较分析,才能选择到合适的大气校正模型.     

植物叶绿素含量的遥感模型及用陆地卫星数据所作的二维分布图

为了确定全球和区域尺度的植物叶绿素含量的多少和分布,遥感方法是一种很好的途径。有些遥感科学家直接利用归一化植被指数(NDVI)等植被指数推算叶绿素含量。实践表明,这种做法的缺点有:1.植被指数NDVI中的近红外波段反射率与叶绿素含量基本无关,这样NDVI中的主信息并没有表达叶绿素含量,其信噪比显著降低;2.存在明显的信息不确定性,同一个植被指数NDVI可能有两种状态:较高叶面积指数伴有较低叶绿素含量或者是较低叶面积指数伴有较高叶绿素含量。通过实践,作者推导出可用LANDSAT和NOAA影像图灰度值推算植被叶绿素含量遥感模型。并在中国科学院禹城遥感实验场实际应用中得到验证:用其模型推算植被叶绿素含量的精度比NDVI有较明显提高,不确定性有明显的降低。     

基于MODIS数据的草地生物量估算模型比较

准确估算草地生物量对合理规划区域畜牧业、评估草地植被的生态效益有重要意义.目前,在常用的遥感估算模型中,采用的植被指数和模型函数形式多样.本文根据野外生物量调查结果和MODIS数据,分别采用归一化植被指数(NDVI)、增强植被指数(EVI)和修正的土壤调节植被指数(MSAVI)建立了内蒙古科尔沁左翼后旗草地地上生物量和地上地下总生物量估测的3种(线性、乘幂和指数)模型,并进行了比较.结果表明:3种模型能够对草地生物量进行较好的模拟,其中指数模型效果最佳;3个植被指数(NDVI,EVI和MSAVI)与草地生物量均有较高的相关性,可用于该草地产量估测,其中MSAVI对地上生物量拟合效果最好(R2=0.900);NDVI和EVI的线性模型对总生物量的模拟明显好于对地上生物量的模拟.     

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。     

植被指数的地形效应研究进展

植被指数是定性、定量评估绿色植被的关键指标,已经广泛应用于地表植被的监测.森林多分布在地形复杂山区,利用植被指数进行森林植被信息反演时地形对其影响较大.本文从几何光学模型原理分析了冠层反射率的地形效应,分析比较完全比值型植被指数(简单比值植被指数SR、归一化植被指数NDVI和湿度调整植被指数MAVI)、非完全比值型植被指数(增强型植被指数EVI和土壤调整植被指数SAVI)、非比值型植被指数(减化比值植被指数RSR、修正归一化植被指数MNDVI和绿度植被指数GVI),以及地形调节植被指数TAVI对地形的响应,试图为复杂地形山区选取植被指数提供参考.最后分析了植被指数地形效应研究的不足并对未来发展进行展望.     

三江平原湿地植被叶面积指数遥感估算模型

利用中巴资源卫星CBERS-02影像提取的归一化植被指数(NDVI)和同期野外实测的叶面积指数(LAI)数据,分析了三江平原洪河自然保护区草甸、沼泽植被、灌丛和岛状林4种湿地植被及样本总体的NDVI与LAI之间的相关关系,建立了NDVI与不同湿地植被类型叶面积指数间的线性和非线性回归模型,并制作完成洪河自然保护区LAI空间分布图.结果表明,整个研究区样本总体的LAI估算效果不太理想,其NDVI与LAI的相关性仅为0.523;将研究区分为草甸、沼泽、灌丛和岛状林4种湿地植被类型,NDVI与各植被型LAI的相关性和估算效果均有很大程度的提高,所建立的LAI遥感反演模型以三次曲线回归方程拟合精度最高,R2分别达到0.723、0.588、0.837、0.720.以上结果表明,结合地面实测数据并基于遥感植被分类的基础上,CBERS-02遥感影像可用于较大区域内湿地植被生理参数的反演研究.     

基于Hyperion影像植被光谱的土壤重金属含量空间分布反演——以青海省玉树县为例

本研究主要探讨了利用Hyperion影像植被光谱估算土壤重金属含量的可行性.以野外采集的三江源区玉树县48个表层土壤样品As、Pb、Zn、Cd实验室测定含量值,以及从两景Hyperion影像提取的48个土壤样本点相应的176个植被光谱反射率波段及构建的5种植被指数为数据源,利用偏最小二乘回归方法(PLSR)建立土壤各重金属含量与上述两套Hyperion影像上提取的变量之间的估算模型.模型分别为176个植被光谱反射率波段与土壤各重金属含量间的估算模型(植被光谱反射率模型),和以5种植被指数作为自变量,与土壤各重金属含量建立的估算模型(综合植被指数模型).运用验证样本的4种重金属元素实测含量值的标准差与均方根误差的比值(RPD)作为检验标准,As、Pb两种模型RPD均小于1.4,不具备粗略估算能力;Zn、Cd两种模型RPD分别为1.53、1.46与1.46、1.42,均具备粗略估算能力.根据上述结果将Zn的光谱反射率估算模型与Hyperion影像相结合反演得到土壤重金属Zn含量的空间分布,Zn含量在214国道、308省道和乡镇附近偏高,主要受到较强的人类活动影响.表明运用Hyperion高光谱影像植被光谱反射率可以间接估算土壤Zn、Cd元素含量.     

基于多角度植被指数的马尾松林LAI反演方法

CHRIS/PROBA是目前具有最高空间分辨率（17 m×17 m）的星载多角度高光谱数据,该款数据在反演植被垂直结构参数,如树高、叶面积指数（leaf area index,LAI）等方面具有重要的应用前景。基于四尺度几何光学模型得到马尾松（Pinus massoniana Lamb.）冠层的归一化差分植被指数（normalized difference vegetation index,NDVI）各向异性分布规律,利用CHRIS红光特征波段和近红外特征波段构建一种新型多角度植被指数（normalized hotspot-dark-spot difference vegetation index,NHDVI）,并将其应用于CHRIS数据对马尾松林的LAI遥感估算上。结果显示：（1）相比归一化差分植被指数（NDVI）与土壤调节植被指数（soil adjusted vegetation index,SAVI）而言,NHDVI能很好地融合光谱信息与角度信息,与地面实测LAI的决定系数达到0.7278;（2）利用NHDVI-LAI统计回归模型方法来反演LAI值,将得到的LAI值与地面实测值进行相关性分析,结果拟合优度达到0.8272,均方根误差RMSE为0.1232。与传统植被指数相比,包含角度信息的多角度植被指数对LAI的反演在精度上有较大提升,同时比基于辐射传输模型的反演方法更简易、实用。     

不同大气校正方法对森林叶面积指数遥感估算影响的比较

利用TM原始图像以及经过6S模型和基于影像自身的Gilabert模型大气校正后的地面绝对反射率图像,分别计算了褒河流域阔叶林和针阔混交林2种林型的5类光谱植被指数(SR、NDVI、MNDVI、ARVI和RSR),并建立各林型森林叶面积指数与同时相的各个植被指数的相关关系。结果表明,2种大气校正模型均显著提高了各植被指数与森林叶面积指数的相关关系,除了对森林叶面积指数与植被指数SR和NDVI的相关关系影响不显著外,对森林叶面积指数与植被指数MNDVI、ARVI和RSR相关关系的影响均非常显著。说明不同大气校正模型对叶面积指数的遥感估算结果有较大影响。因此,在利用遥感数据进行定量分析、信息提取和生态遥感应用时,不仅要进行大气校正,而且还要慎重选择大气校正模型和植被指数。     

基于植被指数的典型草原区生物量模型——以内蒙古锡林浩特市为例

利用遥感估测地上生物量是国内外生态学与地理学的研究热点。但基于植被指数的生物量回归模型结果差异较大,究竟哪种植被指数与哪种模型更适合典型草原的生物量反演,是现代草地遥感急需解决的问题之一。该文基于TM影像数据的不同植被指数(VI)差异性,分别选取了RVI(比值植被指数)、NDVI(归一化差异植被指数)、SAVI(土壤调节植被指数)、MASVI(修改型土壤调整植被指数)和RSR(简化比率植被指数)5种植被指数,与同期的内蒙古典型草原区地面实测地上生物量做相关分析,分别建立了5种植被指数与地上生物量的线性及3种非线性(对数、二次多项式、三次多项式)回归模型。研究结果表明:对于中国北方典型草原区而言,地上生物量与5种植被指数(RVI、NDVI、SAVI、MSAVI和RSR)均呈现出显著相关,但地上生物量与后4种植被指数是正相关,与RVI为负相关;利用5种植被指数(RVI、NDVI、SAVI、MSAVI和RSR)监测草地植被生物量的复相关系数均大于0.6,充分说明利用植被指数检测典型草原生物量是一种简单可行的方法;NDVI建立的生物量回归模型,其复相关系数大于其它4类植被指数(RVI、SAVI、MSAVI和RSR),说明NDVI-生物量模型优于植被指数RVI、SAVI、MSAVI和RSR 模型,其模拟地表生物量的效果好;对于TM影像来说,植被生物量的线性模型与3种非线性模型(三次多项式生物量模型、二次多项式生物量模型、对数模型)都表现出较好的模拟效果,都通过了0.01的显著性检验,而且该研究的结果显示出三次多项式生物量回归模型最优,其次是二次多项式生物量模型,再次是线性模型,相对较差的是对数模型。通过NDVI-生物量三次多项式回归模型模拟锡林浩特草原的生物量,可以看出整个研究区的地上生物量基本上是东高西低、东南高西北低的趋势,这与研究区的地形、气候及土地利用等多种因素有关。     

Comparison of Vegetation Indices and Red-edge Parameters for Estimating Grassland Cover from Canopy Reflectance Data

There has been a great deal of Interests in the estimation of grassland biophysical parameters such as percentage of vegetation cover （PVC）, aboveground biomass, and leaf-area index with remote sensing data at the canopy scale. In this paper, the percentage of vegetation cover was estimated from vegetation indices using Moderate Resolution Imaging Spectroradiometer （MODIS） data and red-edge parameters through the first derivative spectrum from in situ hypserspectral reflectance data. Hyperspectral reflectance measurements were made on grasslands in Inner Mongolia, China, using an Analytical Spectral Devices spectroradiometer. Vegetation indices such as the difference, simple ratio, normalized difference, renormalized difference, soil-adjusted and modified soil-adjusted vegetation indices （DVI, RVI, NDVI, RDVI, SAVI L=0.5 end MSAVI2） were calculated from the hyperspectral reflectance of various vegetation covers. The percentage of vegetation cover was estimated using an unsupervised spectral-contextual classifier automatically. Relationships between percentage of vegetation cover and various vegetation indices and red-edge parameters were compared using a linear and second-order polynomial regression. Our analysis indicated that MSAVI2 and RVI yielded more accurate estimations for a wide range of vegetation cover than other vegetation indices and red-edge parameters for the linear and second-order polynomial regression, respectively.     

Monitoring rapid vegetation succession in estuarine wetland using time series MODIS-based indicators: An application in the Yangtze River Delta area

Frequent and continuous time series is required for the detection of plant phenology and vegetation succession. The launch of novel remote sensor MODIS (moderate resolution imaging spectroradiometer) provided us with an opportunity to make a new trial of studying the rapid vegetation succession in estuarine wetlands. In this study, the spatiotemporal variations of vegetation cover and tidal flat elevation along a transect (covering 6 pixels of MODIS) of an estuarine wetland at Dongtan, Chongming Island, in Yangtze River estuary, China were investigated to assess its rapid vegetation succession and physical conditions. By combining the field data collected, the time series of MODIS-based VIs (vegetation indices), including NDVI (normalized difference vegetation index), EVI (enhanced vegetation index) and MSAVI (modified soil adjusted vegetation index), and a water index, LSWI (land surface water index) were utilized to characterize the rapid vegetation succession between 2001 and 2006. We found that NDVI, EVI and MSAVI exhibited significant spatial and temporal correlations with vegetation succession, while LSWI behaved in a positive manner with surface water and soil moisture along with the successional stages. In order to take the advantages of both VIs and water index, a composite index of VWR (vegetation water ratio) combining LSWI and EVI or MSAVI was proposed in this paper. This index facilitates the identification of vegetation succession by simply comparing the values of VWR at different stages, and therefore it could track vegetation succession and estimate community spread rate. Additionally, this study presented an attempt of using MODIS datasets to monitor the change of tidal flat elevation, which demonstrated a potential remote sensing application in geodesy of coastal and estuarine areas.     

基于多源遥感数据的大豆叶面积指数估测精度对比

近年来遥感技术的革新促使遥感源越来越丰富.为分析多源遥感数据的叶面积指数(LAI)估测精度,本文以大豆为研究对象,利用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合地面实测LAI构建经验回归模型,比较3类遥感数据(地面高光谱数据、无人机多光谱影像以及高分一号WFV影像)对大豆LAI的估测能力,并从传感器几何位置和光谱响应特性以及像元空间分辨率三方面分析讨论了3类遥感数据的LAI反演差异.结果表明： 地面高光谱数据模型和无人机多光谱数据模型都可以准确预测大豆LAI(在α=0.01显著水平下,R²均>0.69,RMSE均<0.40);地面高光谱RVI对数模型的LAI预测能力优于无人机多光谱NDVI线性模型,但两者差异不大(E_A相差0.3%,R²相差0.04,RMSE相差0.006);高分一号WFV数据模型对研究区内大豆LAI的预测效果不理想(R²<0.30,RMSE>0.70).针对星、机、地三类遥感信息源,地面高光谱数据在反演LAI方面较传统多光谱数据有优势但不突出;16 m空间分辨率的高分一号WFV影像无法满足田块尺度作物长势监测的需求;在保证获得高精度大豆LAI预测值和高工作效率的前提条件下,基于无人机遥感的农情信息获取技术不失为一种最佳试验方案.在当今可用遥感信息源越来越多的情况下,农业无人机遥感信息可成为指导田块精细尺度作物管理的重要依据,为精准农业研究提供更科学准确的信息.     

Spectral response of the seagrass Zostera noltii with different sediment backgrounds

The efficiency of vegetation indices (VIs) to estimate the above-ground biomass of the seagrass species Zostera noltii Hornem. from remote sensing was tested experimentally on different substrata, since terrestrial vegetation studies have shown that VIs can be adversely influenced by the spectral properties of soils and background surfaces. Leaves placed on medium sand, fine sand and autoclaved fine sand were incrementally removed, and the spectral reflectance was measured in the 400–900 nm wavelength range. Several VIs were evaluated: ratios using visible and near infrared wavelengths, narrow-band indices, indices based on derivative analysis and continuum removal. Background spectral reflectance was clearly visible in the leaf reflectance spectra, showing marked brightness and spectral contrast variations for the same amount of vegetation. Paradoxically, indices used to minimize soil effects, such as the Soil-Adjusted Vegetation Index (SAVI) and the Modified second Soil-Adjusted Vegetation Index (MSAVI₂) showed a high sensitivity to background effects. Similar results were found for the widely used Normalized Difference Vegetation Index (NDVI) and for Pigment Specific Simple Ratios (PSSRs). In fact, background effects were most reduced for VIs integrating a blue band correction, namely the modified specific ratio (mSR₍₇₀₅₎), the modified Normalized Difference (mND₍₇₀₅₎), and two modified NDVIs proposed in this study. However, these indices showed a faster saturation for high seagrass biomass. The background effects were also substantially reduced using Modified Gaussian Model indices at 620 and 675 nm. The blue band corrected VIs should now be tested for air-borne or satellite remote sensing applications, but some require sensors with a hyperspectral resolution. Nevertheless, this type of index can be applied to analyse broad band multispectral satellite images with a blue band.     

Methods for Collecting Vegetation Information in Loess Plateau

The optimum vegetation indexand methods for collecting vegetation information in loess plateau area were studied and appraised. In this area, there were deciduous broadleaved forest, steppe and desert. Vegetation types were rich and diverse. However, collection of vegetation information was strongly influenced by the soil background. The modified soil-adjusted vegetation index (MSAVI) after being compared and analysed not only could enhance vegetation signal, but also could minimize greatly the soil background effects. It could also reflect the distribution of the vegetation types macroscopically in this area. At present, it has been a more or lessideal vegetation index for collection vegetation information in loess plateau area. The collection and monitering of vegetation information for the normalized difference vegetation index (NDVI), soil-adjusted vegetation index (SAVI) and perpendicular vegetation index (PVI) were used in high, medium density and rare vegetation area respectively. For a variety of vegetation indices, the images which were produced by cumulative multitemporal vegetation indices could extract vegetation information well reflecting the vegetation distribution of that particular area.     

烟草叶面积指数的高光谱估算模型

叶面积指数(1eaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义。为了探索不同高光谱模型监测烟草叶面积指数LAI的精度,在烟草伸根期,旺长期和成熟期采用ASD Fieldspec HH光谱仪测定了不同水氮条件下烟草冠层的高光谱反射率和叶面积指数数据。选用四个常用的植被指数RVI (ratio vegetation index)、NDVI (normalized difference vegetation index)、MTVI2（Modified second triangular vegetation index）、MSAVI（Modified Soil-adjusted vegetation index）和PCA (principal component analysis)、neural network (NN)三种方法对烟草LAI进行了估算,比较分析了三种方法的估算结果。研究结果表明,植被指数法,主成分分析,神经网络方法LAI都取得了较为理想的结果,其中植被指数法可以较为精确反演烟草LAI,验证模型确定性系数在0.76～0.85之间,主成分分析方法和神经网络方法精度较高,分别为0.938和0.889。主成分分析方法验证模型的稳定性更好,其验证模型的RMSE为0.172,低于四个植被指数和神经网络。MTVI2和MSAVI能较好地去除土壤、大气等条件影响,反演精度高于RVI和NDVI。与基于植被指数建立的模型相比,主成分分析和神经网络可以更好的提高LAI的反演精度。