首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   69篇
  国内免费   14篇
  完全免费   39篇
  2016年   1篇
  2015年   1篇
  2014年   6篇
  2013年   4篇
  2012年   10篇
  2011年   7篇
  2010年   7篇
  2009年   7篇
  2008年   4篇
  2007年   14篇
  2006年   14篇
  2005年   11篇
  2004年   8篇
  2003年   7篇
  2002年   2篇
  2001年   2篇
  2000年   2篇
  1999年   3篇
  1998年   1篇
  1997年   4篇
  1996年   3篇
  1995年   2篇
  1991年   1篇
  1985年   1篇
排序方式: 共有122条查询结果,搜索用时 46 毫秒
1.
植被指数研究进展:从AVHRR-NDVI到MODIS-EVI   总被引:141,自引:0,他引:141       下载免费PDF全文
目前应用广泛的植被指数AVHRR—NDVI仍有一些缺陷。主要表现在:(1)在植被高覆盖区容易饱和。这除了红光通道就容易饱和外.主要是基于NIR/Red比值的NDVI算式本身存在容易饱和的缺陷;(2)没有考虑树冠背景对植被指数的影响;(3)NDVI的比值算式和最大值合成算法(MVC)确实消涂了某些内部和外部噪音。但最终的合成产品仍然有较多噪音;(4)MVC不能确保选择最小视角内的最佳像元。所有这此AVHRR—NDVI的局限性。在基于“中分辨率成像光谱仪(MODIS)”的“增强型植被指数(EVI)”产品中。都有不同程度改善。MODIS—EVI改善表现在:(1)大气校正包括大气分子、气溶胶、薄云、水汽和臭氧。而AVHRR—NDVI仅对瑞利散射和臭氧吸收做了校正;这样MODIS—EVI可以不采用基于比值的方法。因为比值算式是以植被指数饱和为代价来减少大气影响;(2)根据蓝光和红光对气溶胶散射存在差异的原理。采用“抗大气植被指数(ARVl)对残留气溶胶做进一步的处理;(3)采用“土壤调节植;波指数(SAVl)”减弱了树冠背景土壤变化对植被指数的影响;(4)综合ARVI和SAVI的理论基础。形成“增强型植被指数(EVI)”。它可以同时减少来自大气和土壤噪音的影响;(5)采用“限定视角内最大值合成法(CV—MVC)”。选择最小视角内的最佳像元。此外。目前正在试验的“双向反射分布函数(ERDF)合成法”。首先把不同视角换算为星下点像元反射值。然后采用CV—MVC合成。目的是进一步提高EVI对植被季节性变化的敏感性。总之。MODIS—EVI使植被指数与不同覆盖程度植被的线性关系得到明显改善。尤其在高覆盖区表现良好。  相似文献
2.
气象因子与地表植被生长相关性分析   总被引:43,自引:2,他引:41       下载免费PDF全文
降水和气温是影响地表植被覆盖状况的两个重要的气象要素,地表植被的生长对它们的响应又存在一定的滞后效应。利用我国334个气象台站和1982-1994年NOAA-AVHRR卫星数据,通过相关分析研究了我国4-7月份气候区域降水和活动积温对地表植被的影响。结果显示,不同的气候区域和月份,降水和积温对地表植被的作用程度明显不同;前期降水和活动积温对植被作用的有效时间尺度也分布不均,并与土壤质地类型分布有关,因此,通过某一固定时间尺度的降水或活动积温不能准确的预测大区域地表植被的生长状况。  相似文献
3.
遥感在植被净第一性生产力研究中的应用   总被引:39,自引:7,他引:32  
植被净第一性生产力 (简称NPP)是指绿色植物在单位面积、单位时间内所累计的有机物数量 ,是由光合作用所产生的有机质总量中扣除自养呼吸后的剩余部分。它直接反映了植物群落在自然环境条件下的生产能力。据研究 ,在假使生态系统的呼吸作用保持恒定的条件下 ,植被NPP每增长 2 %就会净吸收 1Gt(10 15t)的C(碳物质 ) [3 8] 。所以 ,近几年来各国学者对NPP的研究倍受重视 ,尤其在国际生物学计划 (IBP)期间进行了大量的植物NPP的测定 ,并以测定资料为基础联系环境因子建立模型对植被NPP的区域分布进行评估 ,极大地促进了…  相似文献
4.
基于遥感影像的植被指数研究方法述评   总被引:37,自引:0,他引:37  
随着遥感技术的发展,植被指数作为用来表征地表植被覆盖和生长状况的度量参数,已经在环境、生态、农业等领域有了广泛的应用。本文在分析植被指数形成机制及影响因子的基础上,对其具有一定技术突破的典型植被指数进行了归纳分类与比较分析,并评价了各自的优势和局限性。植被指数按遥感数据采集的平台可以分为航空植被指数和航天植被指数两大类,其中航天植被指数又可以分为基于波段简单线性组合的植被指数、消除影响因子的植被指数和针对高光谱遥感及热红外遥感的植被指数三类。最后就植被指数应用中存在的问题以及发展前景谈了一些看法:植被指数数目繁琐重复,急待规范条理化;植被指数应用领域不同,使用者时要慎重;植被指数影响因子很多,具体使用时应适时修正;植被指数公式繁琐阻碍其应用,应开发植被指数产品;遥感技术日新月异,积极研发新的植被指数。  相似文献
5.
Area-averaged vegetative cover fraction estimated from satellite data   总被引:25,自引:0,他引:25  
The relationship was analysed between the vegetation cover factor expressed as a percentage and the area-averaged normalized difference vegetation index (NDVI). On selected days the NDVI was calculated from channel 1 and 2 reflectance data of the National Oceanic and Atmospheric Administration (NOAA—11) satellite's advanced very high-resolution radiometer (AVHRR) for five test areas under agricultural and forestry use. No ground-based reflectance measurements could be made for validation of these data. Therefore the land surface NDVI, which varied with time, and percentage vegetation cover of the test areas were deduced from time-independent but site-specific statistical land use data updated by temporal phenological observations, and from surface-specific reflectance curves published in the literature. The result indicated that the area-averaged NDVI, as obtained from the NOAA—11 radiometer, was less than the value calculated from the land surface NDVI. After correction to reduce the offset of the data, the values would be a suitable indicator of the fraction of vegetation cover.  相似文献
6.
植被叶面积指数遥感监测模型   总被引:21,自引:3,他引:18       下载免费PDF全文
叶面积指数是植被定量遥感的重要参数,区域的时序列叶面积指数揭示了区域生态的演化过程,反演方法上主要是通过植被指数建立相关模型实现的,对于不同地区或不同气候带而言,模型的通用性以及各种植被指数在模型中的灵敏度都需做进一步的探讨。以江苏省宜兴市作为研究区,采用2002年8月22日获得的Landsat-5TM图像数据和2003年8月23~26日采用LAI-2000进行的野外实测植被叶面积指数(LAI)数据,分别探讨了植被指数(VI)与LAI的一元、多元线性回归模型和非线性回归模型,其中的非线性回归模型包括对数、指数、乘幂和多项式回归模型。结果表明,VI与LAI之间的最佳回归模型为多元线性回归模型,R2达0.864;采用逐步选择剔除法,遴选出了用于回归模型的植被指数为RVI、PVI、SAVIL=0.35、MSAVI、ARVIγ=1、ARVIγ=0.5和SARVI。经模型LAI=-ln((VI-VI∞)/(VIg-VI∞))/KVI检验,预测值(y)与实测值(x)的拟合度较好y=0.5345x 1.3304,R2为0.7379。RVI与LAI的三次多项式回归模型也较好,R2为0.7806。再次为RVI与LAI的一元线性回归模型,R2为0.7726,比值植被指数RVI在反演叶面积指数模型中具有较高的灵敏度。  相似文献
7.
应用Century 生态系统模型,作者模拟内蒙古锡林河流域羊草(Aneurolepidium chinense)草原和大针茅(Stipa grandis)草原在1980~1989 年的生物量动态,并估测气候变化和大气CO2 浓度倍增对典型草原初级生产力和土壤有机质含量的影响。Century 模拟的生物量季节动态和年际变化同野外实测值显著地吻合。在大针茅草原,野外实测值为142.45~144.37 g/m 2,而模拟值为127.04~156.23 g/m 2;在羊草草原,野外实测值为210.38~227.44 g/m 2,而模拟值为189.25~193.98 g/m 2。根据加拿大气候中心和美国地球物理流体动力学实验室的大气环流模型预测的气候变化数据,气候变化将导致羊草草原和大针茅草原初级生产力和土壤有机质含量显著下降  相似文献
8.
 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。  相似文献
9.
我国不同季节陆地植被NPP对气候变化的响应   总被引:16,自引:1,他引:15  
阐明不同季节陆地植被净第一性生产力(NPP)对全球变化的响应将有助于理解陆地生态系统和气候系统之间的相互作用以及NPP变化机制。本文使用1982-1999年间的AVHRR/NDVI、气温、降水以及太阳辐射等资料,结合植被分布图和土壤质地图,利用生态过程模型,研究不同季节我国陆地植被NPP的年际变化及其地理分异。结果表明,在1982-1999年的18年间,4个季节的NPP都呈显著增加趋势。其中,春季是NPP增加速率最快的季节,夏季是NPP增加量最大的季节,不同植被类型对全球变化的响应有很大差异。常绿阔叶林,常绿针叶林和落叶针叶林NPP的增加主要由生长季节的提前所致。而落叶阔叶林、针阔混交林、矮林灌丛,温带草原及草甸,稀树草原、高寒植被,荒漠以及人工植被NPP的增加主要来自生长季生长加速的贡献。从区域分布看,在四季中春季NPP增加量最大的地区主要集中在东部季风区域;夏季NPP增量最大的地区包括西北干旱区域和青藏高原的大部分地区,小兴安岭-长白山区,三江平原,松辽平原,四川盆地,雷州半岛,长江中下游部分地区以及江南山地东部;而秋季植被NPP增加量最大的地区主要有云南高原-西藏东部和呼伦湖的周围等地区。不同植被和地理区域NPP的这些响应方式与区域气候特征及其变化趋势有关。  相似文献
10.
黄土高原地区提取植被信息方法的研究   总被引:14,自引:0,他引:14  
研究评价了适于黄土高原地区植被信息提取的最佳植被指数和方法。该地区分布有落叶阔叶林、草原和荒漠,植被类型丰富多样。然而土壤背景对植被信息提取有较大影响。经对比分析,修正后的土壤调节植被指数(MSAVI), 不仅能增强植被信号,并能大大减小土壤背景的影响,同时又能宏观地反映该地区植被类型的分布状况。它是黄土高原地区目前提取植被信息较好的植被指数。标准化差值植被指数(NDVI)、土壤调节植被指数(SAVI)和垂直植被指数(PVI)分别适用于高密度、中等密度和稀少植被地区植被信息的提取和监测。各种植被指数多时象累加产生的图像能较好地提取植被信息  相似文献
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号