黄河源区高寒草地植被覆盖度反演模型精度评价

植被覆盖度是许多气候、水文、生态等模型的重要输入参数,其估算精度的提高对相应模型的改进及模拟精度的提高具有重要的现实意义。本研究以黄河源为研究区域,基于大量与卫星遥感像元空间尺度匹配的实测植被覆盖度数据,评估了回归模型法、像元分解法、神经网络算法三种常用植被覆盖度遥感估算方法的反演精度。结果表明:回归模型法中基于归一化植被指数(NDVI)的反演精度高于其他植被指数;像元二分法中,变量因子(L)的加入不能显著提高反演精度;反向传播(BP)神经网络算法应用植被指数替换卫星遥感反射率数据作为驱动数据,反演精度显著提高。因此,通过比较和优化可以提高植被覆盖度的反演精度,但每类反演方法的最高反演精度差异不显著。     

基于ENVI的祁连山哈溪林区植被覆盖度信息提取研究

应用landsat TM5影像,进行了影像辐射校正、大气校正和监督分类等预处理。在对像元二分模型2个重要参数推导的基础上,用NDVI归一化植被指数植被覆盖度定量估算模型,对研究区植被覆盖度进行了估算。用GPS实地调查表明,应用NDVI归一化植被指数可以快速获得大范围植被覆盖度信息,为区域植被覆盖度估算提供了便捷的途径。     

采用地表反射率模型的Landsat时序数据集重构

选择福州市区东部面积近300 km²的区域作为研究区,基于地表反射率模型,对2013-2016年研究区内所有的有效像元进行拟合,重构时序数据集,并通过原始影像与实测光谱对拟合结果进行评价.研究结果表明:拟合结果与原始影像在蓝、绿、红、近红外波段的相关系数均高于0.9,可见光波段均方根误差在0.01左右,近红外波段略高于0.02;拟合结果能清晰地表达不同类型植被的物候差异,与原始影像、实测归一化植被指数(NDVI)均保持较高的一致性;基于重构的数据集,可以保证选择相同时相的数据进行年度植被变化监测,进一步提高植被动态变化监测的准确性和实效性.     

基于山地植被指数估算临县植被覆盖度

植被覆盖度是生态环境监测的重要指标,而复杂地形因素影响对山地植被遥感信息的准确提取.以山西省临县为研究区,采用归一化植被指数(NDVI)和归一化差值山地植被指数(NDMVI)分别估算临县2011年7月和2016年4、7、9、12月的植被覆盖度,在对比分析植被指数地形敏感性的基础上,分析黄土丘陵区复杂地形条件下NDMVI对植被覆盖度的估算效果,并对临县近年来植被覆盖度的变化情况进行分析.结果表明:2016年4月使用NDMVI覆盖度估算模型的地形敏感度最弱,估算植被覆盖度的效果最好.从2011年至2016年临县植被覆盖度整体呈现增加的趋势,中高度(50%～70%)、高度(70%～100%)植被覆盖度区面积增加约20%.在空间上,临县中部黄土丘陵沟壑区、西部黄河沿岸丘陵基岩裸露区植被也有了明显的改善,植被覆盖度由中低度、中度覆盖区转为中高度和高度覆盖区,植被覆盖度改善明显.归一化差值山地植被指数(NDMVI)更适合于山地区域植被覆盖度估算.     

重庆市沙坪坝区植被覆盖度的遥感估算

植被覆盖度是衡量地表植被覆盖的一个重要指标,在许多方面作为重要参数输入。根据像元二分模型原理和归一化植被指数,利用归一化植被指数（NDVI）定量估算植被覆盖度的模型可以求得研究区域的植被覆盖度。本文根据该模型对重庆市沙坪坝区进行了植被覆盖度的遥感估算,结果表明,该方法简单易行。     

渭河流域关中段近30年植被动态变化分析

选取渭河流域关中段1980、1990、2000、2005、2007年5期MSS/TM/ETM影像数据,计算提取流域不同时期的归一化植被指数(NDVI),并根据像元二分模型估算关中段流域1980—2007年的植被覆盖度分布,将计算得到的植被覆盖度进行分级处理,获得渭河流域关中段植被覆盖度分级图,系统研究了渭河关中段近30 a来的NDVI和植被覆盖的时空变化特征,详细地分析了不同时期、不同区域植被在其生长周期内的长势情况,以及植被生长状况在空间上的差异性,系统研究了渭河流域关中段近30 a的植被动态变化.结果表明:该区域NDVI和植被覆盖度近30 a总体上呈增长趋势,仅1990—2000年期间有所下降.     

基于无人机可见光波段对荒漠植被覆盖度提取的研究——以沙坡头地区为例

以腾格里沙漠东南缘沙坡头地区为研究区域,采用无人机(Phantom 3A)拍摄获取指定范围可见光影像,通过ENVI软件分析照片的红、绿、蓝信息进行植被指数的提取和植被覆盖度的计算,主要分析了可见光波段差异植被指数、归一化绿化差异指数、归一化绿蓝差异指数、过绿指数、红绿比值指数与研究区荒漠植被覆盖度回归模型,探究最优反演模型,目的是验证在相同区域、相同时间拍摄的无人机影像的植被覆盖度.计算出来的植被覆盖度和无人机航片的处理方法进行比对,验证反演模型的正确性.结果表明:通过无人机可见光波段提取的植被指数结果中可见光波段差异植被指数的提取精度最好,能很好地将植被与非植被区分,为荒漠植被覆盖度和植被指数的反演模型的验证提供了依据,节约了实地测量带来的时间和人力成本.对比研究植被指数和荒漠植被覆盖度的线性、对数、三次、乘幂、增长及指数的回归模型结果,最优的荒漠植被覆盖度的反演模型是可见光波段差异植被指数的三次模型,为y=-200.06x3+706.763x2-430.779x+17.916,能很好地监测荒漠植被覆盖度的动态变化,为今后荒漠生态系统的防护和管理提供较好的技术支持.     

基于植被岩溶比重指数的岩溶流域岩溶信息提取——以江西省长河流域为例

利用多光谱遥感数据构建合适的指数提取岩溶信息,对于岩溶地表水文参数(如CN值)的确定、流域水文模型的应用、岩溶流域水土流失和石漠化的监测等具有重要作用。以江西省长河流域为研究区,利用Landsat 8遥感数据获取NDVI、FV(植被覆盖度)、LST(地表温度)以及卷云波段,将FV、LST和卷云波段进行主成分分析,提取第一主成分PFLC并构建PFLC-NDVI特征空间,依据该特征空间提出植被岩溶比重指数(VKPI),采用分级阈值法对VKPI值进行等级分值生成VKPI分级图,结合野外实地采集的岩溶数据进行精度验证。研究表明:野外实地采样的岩溶数据与VKPI分级图重合度比较高,总精度为77.44%,Kappa系数为0.713 4。综合了植被指数、地表温度、植被覆盖度等生物物理参数的VKPI,能够较好地提取岩溶信息,并将其与其它地物信息区分开来。     

基于Landsat8植被覆盖度反演及应用——以宜黄县为例

植被覆盖度是反映地表植被状况和衡量生态坏境的重要标志之一。利用2016年宜黄县域范围的Landsat8 OLI影像,在对研究区域进行土地利用分类时,采取最大似然法和基于CART算法进行监督分类和决策树分类。通过比较两者的统计数据,得出基于CART算法的决策树分类精度要更高。然后利用决策树分类所得的土地利用图采用归一化植被指数(NDVI)和改进的像元二分模型反演出宜黄县植被覆盖度,最后通过宜黄县实际植被覆盖率与反演结果进行对比,并对其定性分析。     

三江源自然保护区植被覆盖度遥感估算

采用了基于重归一化植被指数的像元二分模型,并结合实测数据和相关辅助数据,对三江源自然保护区2007年的植被覆盖度进行了估算和精度验证.植被覆盖度实测值和遥感估算值之间的线性相关系数达到了0.9017,平均精度为81.52%.结果表明使用此方法进行大面积植被覆盖度的遥感估算是有效可行的.     

TM图像大气校正及其对地物光谱响应特征的影响分析

基于辐射传输理论的大气校正模型,具有明确的物理意义,易于操作,应用广泛.虽然这类模型通常会提供几种标准大气模式供用户选择,但是有限的几种模式难以合理描述具体研究区的大气状况,因此,在缺乏实测资料时,有必要对大气参数进行合理选择或估计,参数的选择直接影响大气校正的结果.因此,首先对Landsat-5 TM图像大气校正参数的确定进行了详尽分析,然后从光谱响应曲线、归一化植被指数(NDVI)、能见度等方面,探讨了大气校正对TM图像地物光谱响应特征的影响.研究表明:(1)TM图像经大气校正后,地物在可见光波段反射率明显减小,而在近红外和短波红外反射率增大;(2)大气校正后的NDVI增幅明显;(3)能见度对水体和植被在可见光波段的地表反射率影响均较大;在近红外波段对水体的影响比对植被的更为强烈;随着能见度的增大,地物地表反射率增大.采用的参数确定方法可为类似研究提供参考与借鉴.     

基于尺度化SMMI的神东矿区土壤湿度变化遥感分析

 为消除遥感数据时相差异的影响,在土壤湿度监测指数(SMMI)和尺度化归一化植被指数S-NDVI 的基础上,构建了尺度化土壤湿度监测指数S-SMMI。利用1989-2013 年神东矿区多时相TM/ETM+/OLI 及HJ-CCD 影像band3、band4 反射率数据,监测分析了神东矿区25 年来土壤湿度的时空变化特点及其与地表高程、NDVI 之间的关系。结果表明:神东矿区25 年来土壤湿度总体呈上升趋势,与矿区植被的改善成呈相关;土壤湿度和NDVI 的分布均受到了区域地形的影响,低高程区的土壤湿度与NDVI 对高程变化更为敏感;与土壤湿度为16%~32%时的NDVI 变化相比,土壤湿度小于15%时NDVI 变化更为敏感;而且,地势低洼处的人类活动对NDVI 的影响较大。     

基于CASA模型的河南省冬小麦估产研究

以冬小麦主要种植区河南省为研究对象,运用遥感和GIS手段,利用MODIS/NDVI数据、气象数据和土地利用数据等,应用CASA(Carnegie-Ames-Stanford Approach)模型估算河南省冬小麦NPP,并通过NPP与产量之间的转换关系,实现河南省2010年冬小麦产量的估算.估算结果表明,河南省2010年冬小麦单位面积产量为4 949.8 kg.hm-2,略低于2010年河南省冬小麦单位面积统计产量;18个地市的估产结果与统计单产接近,总体的复相关系数达到0.588,平均相对误差为-8.33%,说明改进后的CASA模型可用于河南省冬小麦的估产研究.     

基于web service的NDVI计算模型服务的实现与应用

研究和总结了基于web service的空间信息集成技术,提出了基于web service的NDVI计算模型服务架构,该方法町以实现空间计算模型的跨平台性和互操作性,大大提高空间计算模型的共享.利用该方法对NDVI进行web service的封装和网络发布,很好地解决了传统植被指数计算模型的共享和互操作问题,也为其他窄间计算模型的web service集成与应用提供了参考.     

基于RS和GIS的藏北地区草地退化动态监测与驱动力分析——以申扎县为例

该文运用遥感(RS)和地理信息系统(GIS)技术,以1990年、2000年和2009年陆地卫星遥感影像为信息源,通过提取植被指数和遥感二分像元模型,估算了西藏申扎县不同时期的植被覆盖度.结果表明:在整个研究时段内,草地退化的面积在增加,从1990年到2009年,草地植被覆盖面积减少了92.88万hm2,占申扎县草地面积...     

基于NDVI时间序列数据的土地覆盖变化检测指标设计

大中尺度土地覆盖格局及其变化检测是研究全球变化和能量平衡的重要内容.NDVI时间序列数据在土地覆盖变化动态遥感监测中占据着重要地位.针对NDVI时间序列数据,现有的土地覆盖变化检测方法和指标存在许多不足之处.本文在分析现有土地覆盖变化检测指标的基础上,设计了一个新的基于交叉相关光谱匹配(CCSM)和兰氏距离的变化检测指标.该指标充分考虑了NDVI时间序列曲线形状和数值两个变化特征.理论与实例检验结果表明本文设计的指标能够较好的抑制各种干扰噪音的影响,正确检测真实的土地覆盖变化,是一种较为理想的检测指标.     

基于GF1卫星的红树林病虫害遥感识别

定量化红树林病虫害监测评估可为红树林保护修复提供科学依据。以广西北仑河口红树林保护区的红树林为研究对象,利用高分一号(GF1)卫星数据建立模型识别受虫害红树林,结果表明:GF1数据的红光和近红外波段是判识红树林健康与否的优选波段;差值植被指数(difference vegetation index,DVI)是区分健康和虫害红树林的优选植被指数,通过训练样本可划定不同群落虫害红树林DVI阈值区间;利用归一化植被指数(normalized difference vegetation index,NDVI)和绿光波段可有效去除水体和裸露滩涂等背景干扰信息,综合DVI、NDVI和绿光波段,构建虫害红树林识别决策树模型,模型识别精度良好。木榄-白骨壤、秋茄-白骨壤、木榄-桐花树、木榄-白骨壤+桐花树群落的综合指标F(F-measure)大于0.89,且准确率A(accuracy)、精确率P(precision)、召回率R(recall)大于0.85,但白骨壤分类精度较低,综合指标仅0.76。     

NDVI/NDWI/DEM决策树方法在东莞ALOS影像土地利用分类中的应用

以东莞市2008年的ALOS影像为数据源,通过目视判读选取8类目标地物,并采用最大似然法进行土地利用分类,发现分类精度不高(80%).其主要原因是ALOS数据的有效波段较少,且研究区植被、水体密布,多类目标地物难以区分.针对该问题,结合东莞市的地形地貌特点,引入植被指数NDVI、水体指数NDWI和DEM数据,利用决策树方法进行土地利用分类,使分类精度有较大提高(90%),可有效地解决了因ALOS数据有效波段数较少而产生的分类精度低的问题.本研究表明,在我国南方亚热带地区基于植被指数、水体指数和DEM的改进型决策树分类是一种非常好的ALOS数据土地利用分类方法.     

一种改进的城市建筑用地信息提取方法及在广州地区的应用

本文对利用NDBI指数提取城市建筑用地信息的方法进行了改进。在提取NDBI、NDVI和MDWI三个指数的基础上,分析了建筑用地、植被和水体在这三个指数上的分布规律,找出提取城市建筑用地的最优指数组合方式,进而获取全新的NDBI信息。此外,本文利用2010年ALOS数据进行精度校验,结果显示整体精度较好,尤其是对高密度城市建筑信息提取更加有效,其精度达到89%。该方法提高了单纯依靠NDBI指数获取城市建筑用地信息的准确性。另外,本文采用该方法获取了广州市近20年（1990-2010）的城市建筑用地面积,并分析了其城市空间扩展趋势。研究结果表明:(1)改进的城市建筑信息提取方法是可行的,可以获取更加可靠和准确的数据;（2）20年间广州市NDBI平均值增加了0.15,建筑用地面积增长了220%。