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)。     

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LSMM和改进的FCM提取城市植被覆盖度——以北京市海淀区为例

植被是城市生态系统的重要组成部分,及时获取植被覆盖信息对城市生态环境监测具有重要意义。利用中分辨率Landsat TM遥感数据,采用线性光谱分解模型(LSMM)开展城市植被覆盖度提取;同时,通过改进训练样本选择方式,在最小噪声变换(MNF)、像元纯净指数分析(PPI)、N维可视化分析基础上得到端元样本,再运用模糊C-均值(FCM)获取植被覆盖度;最后以高分辨率SPOT5遥感数据对两种方式的提取结果进行精度检验。结果显示,基于LSMM和改进的FCM提取的城市植被覆盖度与检验数据相关系数分别为0.8252和0.9381,后者可以较好地处理其他要素的非线性影响,因而具有较高精度。     

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.     

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.     

基于地-空遥感耦合的冬小麦叶片氮积累量估算

利用不同冬小麦生态区同步的SPOT-5多光谱遥感影像、地面光谱数据和植株取样数据,提出一种基于波谱响应函数拟合和混合像元分解的纯净像元光谱提取方法,并对比分析了纯净像元光谱、模拟像元光谱和实测像元光谱与冬小麦叶片氮积累量（LNA）的定量关系.结果表明： 模拟像元光谱对叶片氮积累量的反演效果较好,纯净像元光谱反演效果次之,实测像元光谱最差;但基于模拟像元光谱的LNA监测模型不能直接外推至空间尺度.模型检验结果表明,基于纯净像元光谱的LNA监测模型在2个小麦生态区均具有较好的精度和稳定性,该方法综合利用了地-空遥感的优点,可以推广应用到其他不同空间分辨率和光谱分辨率的遥感数据,从而为区域性冬小麦氮素营养状况的遥感监测提供技术依据.     

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.     

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.     

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.     

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、0.61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     

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.     

基于图像融合与混合像元分解的城市植被盖度提取

城市植被盖度提取对于开展城市绿色空间保护和城市规划具有重要意义。随着遥感技术的发展,混合像元分解模型被广泛用于从中等分辨率的多光谱影像提取城市植被盖度,但较低的影像空间分辨率限制了该模型的应用领域。为此,以杭州市为例,首先引入Gram-Schmidt(GS)方法对Landsat ETM+的多光谱波段和全色波段进行融合,再通过混合像元分解模型从ETM+融合影像上提取城市植被盖度,最后利用SPOT影像进行精度检验。结果发现,采用GS方法对影像进行融合后,标准差、信息熵、平均梯度提高,相对偏差小于0.07,说明在保留多光谱信息的基础上提高了其空间分辨率。与SPOT影像相比,在融合影像上75%以上样本的植被盖度值相似,误差较大的区域是市区植被特别稀疏或茂盛的像元。与源影像相比,从融合影像上提取的植被盖度的均方根误差和系统误差降低了0.01。该方法在降低城市植被监测成本、提高监测精度方面具有潜力。     

基于Google Earth Engine与机器学习的大尺度30m分辨率沙地灌木覆盖度估算

相较于降雨充沛的南方,中国北方沙地植被呈现覆盖整体偏低、空间异质性强的特点。灌木作为该区域的优势植被,对于风沙固定、食品/木材供给起着极为重要的作用。针对当前大尺度、中高分辨率干旱地区灌木覆盖度遥感产品缺失的现状,研究提出了一套通过Collect Earth样本收集器进行样本采集、利用Google Earth Engine遥感云平台的数据与计算优势开展大尺度灌木覆盖度估算的方法,并选取中国北方四大沙地之一的毛乌素沙地开展了示范应用。研究结果表明:(1)Collect Earth样本收集器可以有效地获取地面灌木覆盖度样本数据集,可以将灌木与高大乔木与草本植被进行有效区分,为灌木覆盖度估算样本集的建立打下了基础;(2)利用Landsat数据与其他辅助数据,机器学习算法可以较好地实现灌木覆盖度的估算,CART模型确定性系数R~2为0.73,均方根误差(Root Mean Square Error, RMSE)为13.66%,预测精度(Estimated Accuracy, EA)为61.8%,SVM模型R~2为0.72,RMSE为13.73%,EA为61.6%;(3)提出的基于GEE的灌木覆盖度估算体系可为我国乃至全球尺度干旱地区沙地灌木覆盖度信息提取提供有效支撑,具有较大的应用潜力。     

基于中分辨率TM数据的湿地水生植被提取

利用湿地水生植被生长旺盛、光谱反射较强、光谱信息比较丰富的8月份中分辨率Landsat TM和ETM+多光谱遥感影像,采用面向对象的分类方法,进行野鸭湖湿地水生植被的提取。研究表明:在提取过程中,通过对原始影像进行主成分变换和穗帽变换,将主要信息与噪声分离,不仅减小了数据冗余和波段间的相关性,而且增大了影像上湿地水生植被与其他地物类型光谱和空间信息的差异性,并结合野外水生植被光谱特征分析,选择归一化植被指数NDVI与归一化水体指数NDWI辅助分类,构建特征波段或波段组合,然后,确定适当的隶属度函数和阈值范围,构建分类决策树,完成湿地水生植被的自动分类,提高了影像分割与面向对象分类的精度,取得了较为理想的湿地水生植被提取结果。2002年和2008年两景影像的总体分类精度分别达到86.5%和85.44%,表明中分辨率TM影像可以满足湿地水生植被提取的需要,又因为其具有较高的波谱分辨率、极为丰富的信息量、相对较低的价格、长时间序列,可以作为近20a湿地水生植被提取和动态变化监测的主要数据源。     

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%.     

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.     

普洱季风常绿阔叶林乔木物种多样性高分辨率遥感估测

季风常绿阔叶林是我国南亚热带典型的地带性植被,也是云南省普洱地区重要森林类型。季风常绿阔叶林乔木物种多样性遥感估测对研究区域尺度生物多样性格局及其规律具有重要作用。根据光谱异质性假说和环境异质性假说,首先使用1m空间分辨率的机载高光谱数据和激光雷达数据提取了光谱多样性特征和垂直结构特征。然后利用基于随机森林算法的递归特征消除方法选择对研究区森林乔木物种多样性指数具有较好解释能力的遥感特征,并对Shannon-Winner物种多样性指数进行建模、制图。研究结果表明：(1)基于机载LiDAR数据提取的垂直结构特征和机载高光谱数据提取的光谱多样性特征均对研究区森林乔木物种多样性具有较好的解释能力,随机森林模型估测结果分别为R²=0.48,RMSE=0.46和R²=0.5,RMSE=0.45;两种数据源融合可以进一步提高遥感数据的森林乔木物种多样性估测精度,随机森林估测模型R²和RMSE分别为0.69和0.37。(2)机载激光雷达数据对研究区针阔混交林乔木物种多样性的估测能力优于机载高光谱数据。(3)机器学习方法有助于从高维遥感...     

基于无人机和决策树算法的榆树疏林草原植被类型划分和覆盖度生长季动态估计

植被覆盖度是评估生态环境质量与植被生长的重要指标,也是全球众多陆面过程模型和生态系统模型中表达植被动态的重要参数。卫星遥感和地面测量是估算植被覆盖度的常见方法。然而,如何精确估计榆树疏林草原上木本、草本不同类型植被的覆盖度仍然具有挑战性。无人机飞行系统有效的补充了区域尺度低空间分辨率的卫星遥感影像与样地尺度实地调查之间的缺口,为精确的监测、评估疏林草原的植被动态提供了新途径。利用无人机监测平台和决策树算法构建了一套快速、准确、自动获取景观尺度植被类型和估算植被覆盖度的自动化工具,以浑善达克沙地榆树疏林草原为对象,应用无人机监测平台对榆树疏林草原长期定位监测大样地2017年生长季植被状况进行7次监测。结果表明:1)无人机植被监测平台数据飞行高度100 m,获取的样地数字正射影像空间分辨率为2.67 cm/像元,远高于高分卫星影像,利用决策树算法基于数字正射影像可以实现自动划分榆树疏林草原木本和草本植被类型和估算植被覆盖度; 2)生长季内榆树疏林草原木本植被覆盖度为(19±2)%,草本植被覆盖度为(50±8)%,植被总覆盖度为(69±9)%,相对于木本植被,草本植被生长季内盖度变幅较大; 3)在整个生长季中,木本植被和草本植被对植被总覆盖度的平均贡献率分别为27%和73%,草本植被对植被总盖度的贡献远大于木本植被,榆树疏林草原植被的盖度主要受草本植被的影响。本研究证明无人机监测平台是一种高效、准确的植被监测工具,结合机器学习算法,实现了景观尺度植被类型的自动划分和不同类型植被覆盖度快速获取;在浑善达克沙地榆树疏林草原地区首次获取了木本植被和草本植被覆盖度的生长季动态。该平台未来可应用于各种类型生态系统植被类型划分、监测和评估。     

遥感技术在鸟类生态学研究中的应用

获取鸟类活动及生境信息是鸟类生态学研究的基础, 而遥感技术弥补了传统野外调查方法的缺陷, 提供了获取多种信息的新途径。应用遥感技术的鸟类生态学研究热点从最初的种群行为观察, 到栖息地选择, 再到生境适宜性、破碎化及人为干扰探究等, 随着技术的不断发展也在扩展和变化。不同波段或组合下的遥感技术各有所长。光学遥感应用广泛, 尤其是信息量较大的红外波段图像和作为野外鸟巢及物种活动监测常用工具的红外相机; 多光谱图像常用于栖息地制图以及地物识别, 高空间分辨率的数据甚至可对鸟类种群进行直接计数; 高光谱数据则可对光谱特征相似的地物进行更为精确的区分和反演; 激光雷达遥感主要用于栖息地植被结构的三维探测, 为了解鸟类栖息地选择提供更好的依据。微波遥感在飞鸟探测上应用颇多, 近年来多极化数据在复杂栖息地精确制图上也具有优势, 但成本较高、解译复杂且推广度较低。在实际应用中, 遥感数据时空尺度的选择会影响研究结果, 部分遥感反演参数也缺乏生态学意义。多源遥感数据的结合应用能够提升制图分类的精度, 实现数据的时空分辨率互补, 优化鸟类生态研究所需参数。未来的遥感技术在鸟类生态学中的应用应致力于提供更加明确的光谱信息、相对简便的解译方法, 以及更为合理的多源数据组合方式等。     

内蒙古大兴安岭根河森林保护区植被覆盖度变化

基于2000年Landsat-5 TM和2013年GF-1两期遥感影像,利用像元二分模型分别进行了内蒙古大兴安岭根河森林保护区植被覆盖度的估算,并对该区13年间植被覆盖度的变化情况及其与地形因子的相关性进行了分析。结果表明:利用像元二分法可准确地估算研究区植被覆盖度(决定系数R~2=0.52,相对平方误差RSE=0.54)。两期植被覆盖度与高程正相关性最大,其次为坡度。两期植被覆盖度变化图表明,该地区13年间植被覆盖度总体呈下降趋势,其中高覆盖度的下降最为明显。两期植被覆盖度及其差值随高程的增加而增大,海拔超过1027 m两者均变化缓慢,且植被覆盖度变化主要为正变化。火灾、水系富集、人工抚育频繁等因素对低海拔地区植被覆盖度的下降影响较大。