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.     

基于数字相机、ASTER和MODIS影像综合测量植被盖度

选择我国北方温带典型草原作为研究对象,基于Bottom-up方法,采用地表实测和多尺度遥感综合测量的方法,建立基于地表实测与多尺度遥感数据综合测量的两阶段植被盖度经验模型。此外,还将该模型与常用的亚像元分解模型相比较,结果表明:1)两阶段经验模型可以较好地实现将地面数据扩展到中尺度空间范围,从而完成数据空间尺度的转换,提高大区域草地植被盖度的测量精度;2)MODIS遥感影像数据,结合地面数据和ASTER遥感影像数据可以较好地在区域范围内对北方典型草原的植被盖度进行估测;3)目前常用的亚像元分解模型,应用于中空间分辨率的MODIS影像,估测北方温度典型草原植被盖度的精度不够理想。     

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。     

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。     

多尺度遥感综合监测我国北方典型草原区植被盖度

利用多尺度遥感影像综合进行全球和区域尺度的土地利用/覆盖变化(LUCC)研究是最近全球变化研究的重要方向之一.本文综合利用野外群落样方、数字相机、ETM+影像、NOAA/AVHRR影像,在遥感、GIS和GPS支持下,对我国北方典型草原区植被盖度进行了综合监测、模拟与分析.结果表明:(1)利用经处理后的数字相机影像测量盖度的结果准确性较高,可以作为植被盖度测量的标准结果,反映真实的覆盖特征,并用以验证利用其它方法测量结果的精度.(2)利用野外1 m2样方网格法目视估测的植被盖度结果变化较大,不稳定.本次实验中,与数字相机测量结果相比,样方估测的盖度普遍偏高,平均偏差为9.92%;但两者相关性较好(r2=0.89).(3)采用Gutman模型ETM+影像、NOAA/AVHRR影像反演植被盖度的结果与数字相机测量结果偏差分别为7.03%、7.83%,ETM+像元分解NOAA像元后得到的植被盖度与数字相机测量结果偏差5.68%.三者与数字相机测量结果的相关系数r2分别为0.78、0.6l和0.76.(4)利用野外实测植被盖度数据直接与NOAA-NDVI影像建立统计模型估算植被盖度的精度较低(r2=0.65),而通过空间分辨率介于两者之间的ETM+影像进行转换后,该精度得到一定的提高(r2=0.80).利用像元分解的方法提高了大尺度植被盖度监测的精度,是利用遥感数据进行尺度转换研究的重要实践.多尺度遥感影像的综合对地观测对大区域上反演植被盖度有很好的促进作用.     

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.     

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.     

塔里木河下游林地树冠QuickBird影像信息提取与分析

基于QuickBird影像,采用人机交互方法提取了塔里木河下游不同离河距离胡杨、柽柳树冠信息,以实测数据为真值检验遥感提取冠幅、郁闭度及混交比精度;并建立了胡杨冠幅、胸径、树高关系模型,为塔里木河流域植被调查、生物量估测及生态恢复评价提供依据和方法借鉴.结果表明:胡杨、柽柳冠幅提取精度分别为84.00%、76.24%;林分郁闭度、混交比提取精度分别为69.45%、66.96%.基于实测数据建立的冠幅与胸径、胸径与树高模型相关显著(R2>0.8,P<0.01);根据遥感解译因子反演胡杨胸径、树高的平均精度分别为80.33%、89.25%.     

A new method of sample selections for optimizing phenology model based remote sensing data

 植被物候模型是生态系统模型的重要组成部分, 其精度对准确地模拟陆面和大气之间的能量和物质交换具有重要意义。利用遥感获取空间物候信息并与气候数据进行耦合分析是在中亚干旱区等地面物候观测数据缺乏的地区构建物候模型的重要方法。为减小混合植被像元和气候数据资料的内在误差及二者在空间尺度的不匹配对物候模型构建产生的影响, 该研究提出一种在气象站点周围选取满足规定规则集的“代表植被类型像元”作为样本点的选择方法, 以代表植被类型像元的遥感物候数据和气象站点数据为基础, 结合经典物候模型和改进物候模型, 在粒子群优化算法支持下, 分别以独立的拟合与评价样本数据, 完成了荒漠草原植被与落叶阔叶林的模型拟合与评价。研究发现中亚干旱区荒漠草原植被的最优模型为温度-降水修正模型, 落叶阔叶林的最优模型为替代模型。通过此方法模型总体精度在8–10 d左右。结果表明此方法在气候数据和植物物候空间匹配方面有改进, 有助于提高物候模型精度。     

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.     

高时空分辨率植被覆盖获取方法及其在土壤侵蚀监测中的应用

土壤侵蚀是全球性生态问题,准确监测区域土壤侵蚀状况是评估区域生态质量和生态保护成效的基础。准确获取高时空分辨率植被覆盖信息并与降水动态匹配是土壤侵蚀准确监测的关键。然而,受卫星传感器限制,大区域高时间分辨率与高空间分辨率遥感数据无法同时获取,高空间分辨率植被动态遥感监测面临巨大挑战。为解决这一问题,本研究提出了一套多源遥感数据融合的高时空分辨率绿色植被覆盖度(半月尺度,空间分辨率2 m)获取方法,并与半月尺度的降水因子匹配应用于CSLE开展了天津市蓟州区的土壤侵蚀监测。研究结果表明:1)降雨和植被覆盖度因子在一年之内变异较大,半月降雨量的平均值为43.32 mm,变异系数可达150%,绿色植被半月植被覆盖度的平均值为54.74%,变异系数为18%。考虑土地覆盖类型的高时空分辨率绿色植被覆盖度融合方法,可以获取合理的高空间分辨率绿色植被覆盖度动态,为高空间分辨率土壤侵蚀监测提供了一个有效手段;2)土壤侵蚀发生范围与强度与降水及植被因子在年内的动态匹配高度相关,土壤侵蚀发生范围最大为10月上半月,发生面积为137.55 km~2,土壤侵蚀发生强度最为严重为7月下半月,25 t/hm~2以上土壤侵蚀发生面积为12.70 km~2;3)高时空分辨率植被与降水因子耦合下的土壤侵蚀监测结果与地面一致性较好(判定系数可达0.88),明显好于仅用一期高空间分辨率植被因子的土壤侵蚀监测结果(判定系数仅为0.097),采用高时空分辨率植被与降水因子耦合的土壤侵蚀监测方法可以大幅度提高土壤侵蚀监测的准确性,本研究为其他区域准确开展土壤侵蚀监测提供了一套有效的方法。     

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。     

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....     

含植被覆盖影响的石羊河流域土壤水分遥感估算及空间格局分析

土壤水分是地表和大气循环的纽带,对植被生长和高效农业灌溉起着关键作用。以石羊河流域为研究区,采用植被覆盖度/表面反照率梯形特征空间散点图计算裸土反照率,减少植被对遥感获取土壤水分误差,以提高遥感土壤水分估算精度。同时通过稳定性、空间自相关和地理探测器等分析了SM的空间格局及其影响因素。结果表明：（1）裸土反照率模型在石羊河流域的SM反演精度较高,为流域尺度的SM计算提供了新的方法思考。（2） SM具有明显的空间自相关性,Moran''s值为0.88（Z-score=1852.94,P<0.01）,上游林地高-高聚集,下游荒漠低-低聚集,且SM与FVC显著相关（P<0.01）。（3）石羊河流域年内SM稳定性整体良好,其中稳定性好和较好区域占研究区88.34%。（4） SM空间分布受多因子影响,各因子解释能力存在显著差异,其中植被覆盖度 > 土壤类型 > 高程 > 土地利用,且因子间交互作用增强了对SM空间分异的解释力。（5）不同土地利用类型的SM差异较大,其中未利用地大部分SM小于7%;草地和耕地SM居于中等水平,SM值为7%-15%;林地水平最高,SM值大于25%。