站点尺度的青藏高原时序NDVI重构方法比较与应用

基于卫星遥感的植被指数时序数据广泛应用于植被覆盖监测、生物量反演等多个研究领域,但由于传感器本身、大气条件、环境特征等因素引起的噪声会影响数据的应用效果,因此开展植被指数时序数据重构研究具有实际意义。本文基于2000-2015年MODIS归一化差异植被指数(NDVI)数据,采用三次样条函数法、双逻辑斯蒂函数法和奇异谱分析法3种常用方法,对青藏高原106个气象站点所在的典型覆被NDVI时序数据进行重构,并以植被物候信息提取作为应用,比较分析了3种算法的保真性、细节拟合能力及物候特征提取效果。研究表明, D-L及Spline函数分别对受冰雪及云层影响较大(荒漠、灌木、林地)及较小的覆被类型(草原、农作物)表现出较好的细节拟合能力;SSA方法拟合能力较差,易出现NDVI重构曲线整体“下移”的现象,造成峰值拟合结果偏低,并且表现出NDVI绝对值越小拟合效果越差的现象。从保持原始数据真值的能力来看,受噪声点影响较大的覆被类型(林地、灌木、草原)Spline函数略优于D-L函数法;而林地类型中SSA方法表现优于D-L函数法。从物候信息提取结果来看,D-L函数法所提取的生长季稍有提前,Spline函数及SSA方法分别表现出生长季开始点及结束点滞后的现象,灌木、林地类型表现出明显的年际波动变化的特征,荒漠类型由于NDVI绝对值偏低,3种方法物候提取结果一致性表现出锯齿状不规则波动。此外,D-L方法生长季开始期(SOS)和生长季结束期(EOS)在各覆被区均小于其他方法,波动较大;SSA方法提取的EOS在大部分覆被地区大于其他方法;Spline提取结果的年际波动与SSA高度相似。该研究可为高原植被不同覆被类型下NDVI时序数据噪声去除的方法选择提供借鉴。     

基于熵权法的土地覆被动态遥感监测与评价——以新疆伊犁地区和博州为例

基于MODIS数据,选取植被净第一性生产力(NPP)、温度植被旱情指数(TVDI)、改进型土壤调整植被指数(MSAVI)、陆地表面温度(LST)4个对干旱地区地表覆被具有显著指示作用的指标,结合IGBP土地利用类型分类图,以新疆伊犁地区和博尔塔拉蒙古自治州(简称博州)为例,对研究区2003—2007年土地覆被动态进行监测,并利用熵权法确定各个指标的权重,在此基础上进行土地覆被动态的综合评价。结果表明,不同指标对不同的土地利用类型具有不同的适宜性和指示度;在新疆伊犁地区和博州,土地覆被动态地域差异性明显,土地覆被退化程度较大的土地类型为水体、草地、永久湿地、城镇,而森林、灌木林、荒漠草原和农田等土地类型有所改善,呈现出“局部改善、总体退化”的局面;引用熵权法将多个遥感指标综合起来进行土地覆被动态的监测与评价的途径是可行且有效的,可为干旱区土地覆被、荒漠化、土地退化、植被变化等工作的监测与评价提供可靠的技术方法与有价值的案例。     

TVDI用于干旱区农业旱情监测的适宜性

基于地表温度/植被指数(T_s/VI)特征空间建立的温度植被干旱指数(TVDI)受诸多因素的影响,其中一个重要的影响因素是植被指数,该指数在高、低植被覆盖时的敏感性不同,从而导致TVDI对旱情监测的准确度不同.针对这一问题,以新疆塔里木盆地北缘渭干河-库车河三角洲绿洲为研究区,选择2011年4月、8月两景TM影像,利用归一化植被指数(NDVI)和比值植被指数(RVI)分别建立T_s/VI特征空间,线性拟合特征空间的上、下边界,计算得到两种温度植被干旱指数(TVDI-NDVI、TVDI-RVI).用TVDI与同期野外实测的土壤含水量数据进行回归分析.结果表明:(1)植被指数、地表温度、土壤水分之间有显著互动关系,以不同植被指数计算得到的两种TVDI与表层土壤水分相关性较好,均能够反映区域土壤干旱状况;(2)由于植被指数对植被探测的敏感性,在4月低植被覆盖时,TVDI-NDVI与表层土壤水分的相关性较高,为0.4299,8月高植被覆盖时,TVDI-RVI与表层土壤水分的相关性较高,达到0.5791;(3)在低植被覆盖区域,NDVI较RVI敏感,而在高植被覆盖区域,RVI敏感性较高.RVI适用于高植被覆盖时反演土壤湿度,NDVI则更适用于中、低植被覆盖时.     

基于地表温度-植被指数特征空间的区域土壤水分反演

针对目前西北地区广泛存在的农业干旱问题,选取了新疆塔里木盆地北缘渭干河-库车河三角洲绿洲为研究区,选择云量较少的两幅TM影像,建立地表温度-植被指数特征空间。首先利用线性方程拟合了特征空间的上下边界,比较利用归一化植被指数(NDVI)建立的地表温度-植被指数特征空间Ts/NDVI和利用改进型土壤调整植被指数(MSAVI)构建的地表温度-植被指数特征空间Ts/MSAVI形状的差异,并计算得到两种温度植被干旱指数(Temperature vegetation dryness index-TVDI,分别为TVDIN和MTVDI)。对TVDI与同期野外不同深度的实测土壤重量含水量数据进行回归分析,建立TVDI估测土壤水分的经验模型并对模型进行验证。研究结果表明,TVDIN和MTVDI均能够反演表层土壤水分,其中MTVDI与土壤水分相关性比TVDIN与土壤水分相关性要高,MTVDI能够更好地反映区域土壤水分状况,是一种更有效的土壤水分监测方法,对农业干旱监测具有一定的科学依据。     

ASTER影像提取植被信息的NDVI与SAVI法比较——以广州花都区为例

基于ASTER遥感影像,使用IDL语言编写归一化差异植被指数(NDVI)和土壤调整植被指数(SAVI)的计算公式,对遥感影像进行处理,分别对两种方法处理后的遥感影像采用K-Means分类,经过分类后处理,提取植被信息.NDVI整体上较好地反映了不同土地覆被信息;而SAVI对于各种地类的值域较宽,反映绿色植被内部差异信息较明显,可为不同植被类型的信息提取提供方法参考.     

绿洲植被覆盖度遥感信息提取——以敦煌绿洲为例

以敦煌绿洲为研究区,利用Landsat TM遥感数据,通过归一化植被指数(NDVI)和混合像元分解两种方法,提取了敦煌绿洲的植被覆盖度信息。在基于NDVI提取植被覆盖度时,选取了基于NDVI的像元二分模型; 在混合像元分解过程中,对遥感影像进行波段反射率归一化处理和最小噪声变换(MNF),确定了3个类型端元:植被、不透水表面/土壤、水体/阴影; 最后利用高分辨率遥感影像验证对比了两种提取方法的精度。结果表明:混合像元分解更能准确地提取敦煌地区植被覆盖度信息,其线性相关系数为0.8915,均方根误差为0.0882,而且提取结果更符合实际情况,可以为敦煌植被状况监测及生态环境保护提供科学建议。     

基于决策树和MODIS植被指数时间序列的中亚土地覆盖分类

利用MODIS植被指数时间序列对中亚土地覆盖类型分类进行了研究。MODIS数据时间分辨率高,时间序列数据可以表征植被生理活动的动态变化。从时间序列数据中提取植被物候信息,可以实现对不同土地覆盖类型的定量描述。MODIS数据质量信息波段,记录了研究区遥感数据质量,提供植被指数可用性、气溶胶处理、云、冰雪可能性、合成方法等信息,为植被指数时间序列噪声的去除提供一种新的方法。决策树分类结构清晰、不基于正态统计分布假设、效率高、分类精度高。分类结果与统计数据比较,两者一致性较好,精度验证总体精度95.76％,kappa系数0.9516。     

基于MODIS时间序列的松嫩平原盐渍地提取

松嫩平原是我国内陆盐渍土三大分布区之一,土壤盐渍化是该区最主要的环境问题。以多时相中分辨率成像光谱仪(MODIS)的归一化植被指数(NDVI)时间序列影像为主要数据源,通过Savizky-Golay滤波重构NDVI时序数据,依据研究区7种主要土地覆被类型的时间序列曲线差异性,应用分类回归树(Classification And Regression Tree,CART)方法确定像素归属类别,得到松嫩平原2013年盐渍土的分布数据;并基于不同盐渍化程度土壤的植被物候特征差异性建立CART决策树区分不同程度盐渍土。分类结果为:盐渍地掩膜提取精度达98.13%,Kappa系数为0.83;不同程度盐渍土识别的精度达到86.08%,Kappa系数为0.78。该研究表明多时相MODIS数据在大尺度盐渍土信息识别中具有可行性。     

基于植被供水指数法的上蔡县农业春旱遥感监测

利用2006年4月7日的Landsat5 TM影像、2013年4月2日Landsat7 ETM+影像和2014年4月5日Landsat7 ETM+影像,采用植被供水指数法对河南省上蔡县进行农业春旱监测,并将归一化植被指数(单一植被指数)法的结果与植被供水指数法的结果进行对比。结果表明:(1)上蔡县历年春季普遍发生农业干旱,程度有所不同。研究区2006年至2014年干旱程度逐年减轻,干旱发生区域逐年减少,干旱治理成效较为明显。(2)植被供水指数法与单一植被指数(归一化植被指数)法的监测结果一致,且数据易于获得,可操作性强,有助于提高监测精度和效率,可用于该研究区以及与其地形和覆被等情况一致区域的农业干旱监测。     

基于Landsat8影像时间序列NDVI的作物种植结构提取

为提高内蒙古平原灌区作物种植结构遥感监测精度和效率，提出一种基于时序NDVI曲线的作物种植结构提取方法。以内蒙古土默特右旗平原区为研究区域，以2015年覆盖作物生育期的多时相Landsat影像为数据源，根据不同地物其NDVI值范围不同，将研究区地表分为植被覆盖地表，无植被覆盖地表和水体3类。在植被覆盖区域内，根据林地和荒草地时序NDVI曲线特征，提取林地和荒草地，其余区域即为农田。根据小麦、玉米、葵花和西葫芦的时间序列NDVI曲线特征差异构建分类决策树模型，在农田区域内提取上述作物的空间种植分布信息。研究区各类地物及作物遥感提取面积与实际统计面积接近，土地利用分类总体精度达到85.71%，作物分类总体精度达到82.69%。研究结果表明该方法提取作物种植信息的精度较高，能够实现区域作物种植信息的高效准确监测。     

基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取

利用2015年Landsat 8 OLI遥感影像和DEM作为分类数据源,结合野外调查数据,采用面向对象的分类方法对昆嵛山地区土地覆盖信息进行提取,并对分类结果进行精度评价与比较分析。研究表明：面向对象分类方法提取的各地类连续且边界清晰,分类效果与实际情况基本吻合。昆嵛山地区占主导地位的土地覆盖类型是针叶林,面积为1 546.81 km²。研究区土地覆盖分类的总体精度和Kappa系数分别为91.5%和0.88,其中针叶林、草地、水体和建设用地的生产者精度均达到87%以上。相对于监督分类方法,本研究提出的土地覆盖信息提取方法的总体分类精度和Kappa系数分别提高14.7%和0.17。基于面向对象的中分辨率遥感影像,能够获取较高精度的土地覆盖信息,为大范围土地覆盖分类研究提供方法参考。     

植被指数-地面温度特征空间的生态学内涵及其应用

植被指数与地面温度是描述土地覆盖特征的重要参数 ,对两种数据的综合分析 ,可以衍生出更丰富、更清晰的地表信息 ,有助于更加准确、有效地认知土地覆盖 /土地利用的时空变化规律。本文探讨了植被指数与地面温度构成的二维向量空间的物理意义与生态学内涵 ,以基于 NOAA AVHRR的时间序列数据为本底 ,分析了不同土地覆盖类型在该特征空间上的时序变化规律 ,并以黄淮海地区主要农作物冬小麦为例 ,研究了植被指数-地面温度指标与干旱、半干旱地区农作物产量之间的响应关系。     

城市地域地表温度-植被覆盖定量关系分析——以深圳市为例

地表温度-植被覆盖间的关系一直是城市热岛研究的热点之一,两者均为描述生态系统特征的重要参数。本文利用深圳市2004年的ETM+影像,基于遥感技术提取相关的下垫面类型、地表温度和植被覆盖等信息,探讨不同下垫面类型对地表温度-植被覆盖关系的影响,并结合分形维度计算方法,比较不同分辨率下地表温度、植被覆盖及其相关关系的变化。研究结果表明,植被覆盖程度与地表温度之间存在明显的负相关,并且在不同的植被覆盖程度下,地表温度-植被覆盖关系呈现分段线性关系。下垫面类型及其组合主要通过植被覆盖的分布对地表温度产生影响。而在不同空间分辨率下(30m至960m),地表温度和植被覆盖的空间变异程度均表现为先升后降,在120m的分辨率下,两者的相关程度达到最高。结果证实区域植被覆盖状况可直接影响辐射、热动力以及土壤水分等多种地表特征,从而导致地表温度分异等。     

分层分类和多指标结合的西北农牧交错带植被信息提取

参照《中国植被》中的植被分类体系，结合野外考察结果，建立了适合中国西北农牧交错带的植被分类体系。以覆盖研究区的多幅Landsat影像为基础，按“分层分类，逐层验证”的思路，实现了对研究区植被信息的提取。提取时，先利用完全约束的最小二乘模型对遥感影像进行混合像元分解方法，将整个研究区划分为植被区和非植被区；在植被区，基于光谱特征、纹理特征和地形特征，构建CART决策树，获得了乔木林、灌丛和草原等7种主要植被型组；在植被型组内，基于不同植被类型NDVI的季节差异特征，构建NDVI差值比值指数 (NDVI_DR)，将乔木林和灌丛区分为常绿和落叶植被型，使用温度植被干旱指数(TVDI)，将草原进一步区分为荒漠草原、典型草原和草甸草原3种类型，从而得到各个植被型的空间分布范围。经验证，最终分类的总体精度能达到79.51%，kappa系数为0.773。采用的分类方法充分利用了遥感数据既有的光谱信息和纹理信息，同时辅以地形信息。实践结果表明，分层分类和多种指标相结合的方法可以有效实现对影像跨幅的、以复杂镶嵌结构为主要特征的农牧交错带植被信息提取，精度较高，技术可行。     

基于线性光谱分离技术的西藏乃东县土地覆被变化监测

青藏高原是全球气候变化研究关注的热点地区,也是中国生态保护的重点区域,其土地覆被变化研究对优化土地利用结构、改善土地覆被状况和生态环境具有重要意义。线性光谱分离技术是利用遥感手段监测土地覆被变化的有效方法。本文选取西藏乃东县为研究区,利用1988、2000和2010年三期Landsat TM、ETM遥感影像,采用线性光谱分离技术,定量提取了研究区三期影像中单个像元的植被、裸土、裸岩覆被率比例,同时将植被分量与NDVI结果进行对比分析。结果表明：①研究区山峦重叠,沟谷纵横,地表破碎,混合像元比例高,线性光谱分离技术可以很好地处理复杂地物的土地覆被变化;②1988-2010年间,研究区裸土面积下降幅度较大,植被覆盖率及裸岩覆盖率有所上升,说明本区植被得到一定的恢复,但同时石漠化也在进一步加剧;③通过对线性光谱分离的植被分量与NDVI结果比较,发现线性光谱分离技术对青藏高原土地覆被识别具有较好的适用性。     

基于遥感的北京山区植被覆盖景观格局动态分析

根据l994年和1999年的两期Landsat TM数据，在FCD Mapping model原理和方法的基础上，得到北京北部山区昌平、怀柔、密云和平谷的植被覆盖牢固，并利用FRAGSTATS软件对所得的植被覆盖等级图从斑块大小、斑块数、斑块密度、斑块平均面积、分形维数和聚集度等角度进行了空间格局变化的剖析。结果表明：1)各研究区均显示无植被覆盖类型占据着景观中的优势地位。1994一1999年期间，研究区总的植被覆盖率除平谷降低外，其它三个区均呈现增长趋势，其中昌平增长最显著。说明平谷的植被覆盖状况逐渐变差，而昌平、怀柔和密云的植被覆盖状况逐渐转为良好。然而各研究区的植被仍需进一步进行保护。2)1994一1999年期间，景观整体的斑块密度都在减少，其中平谷减少的最多，说明景观整体的破碎化程度降低；多样性指数和均匀度指数也呈现降低趋势，其中密云减少最为显著，表明景观越来越由少数植被覆盖等级类型所控制。3)各研究区中景观整体的分维数相差不大，各景现组分的分维数标准差均较低，说明山区的斑块形状主要取决于自然地貌及自然环境条件。4)1994—1999年期间，蔓延度指数均呈现增长的趋势，聚集度指数的变化不显著，但都接近于1，说明景现整体的聚集程度较高。     

基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类

滨海湿地是具有重要功能的特殊海陆过渡带生态系统,精准获取滨海湿地植被时空分布信息具有重要意义。传统的湿地遥感观测研究集中于高空间、高光谱分辨率影像分类,往往受限于数据成本和覆盖范围,仅适用于小区域湿地监测。Sentinel-2A/B卫星影像时空分辨率高且免费共享,为大区域滨海湿地动态监测提供了可能。本文采用2018年Sentinel-2影像,提出像元级SAVI时间序列及双Logistic植被物候特征拟合重构模型,采用随机森林算法进行盐城滨海湿地植被分类,探讨Sentinel-2遥感时间序列植被物候特征分类方法的适用性。结果显示,分类总体精度达87.61%,Kappa系数为0.8358,分类结果与湿地实况相吻合,比常规单一时相分类精度总体提高19.57%。植被判别物候特征参数可为影像数据缺失或不足的滨海湿地分类提供不同植被的判别依据。研究表明,基于像元级时间序列植被物候特征的分类方法能实现植被群落混生带的精准分类以及对“异物同谱”植被的有效区分,对大区域滨海湿地植被分类具有很好的适用性,有效提高了滨海湿地植被分类精度。     

基于NDVI的新疆荒漠地区植被覆盖度遥感估算经验模型研究

新疆荒漠地区植被覆盖度遥感估算模型十分缺乏，给荒漠化监测等相关工作带来很大不便，开展植被覆盖度遥感估算经验模型研究，对于促进和完善相关地区的生态监测及研究工作具有积极的现实意义。通过对阜康市北部沙漠南缘和克拉玛依市中部平原荒漠进行无人机航拍，利用无人机遥感提取（光合）植被信息，并将无人机航拍影像的植被覆盖度统计单元与高分辨率卫星影像像元在空间上直接相对应，获取在高分辨率卫星影像像元尺度上的植被盖度，然后通过植被覆盖度和空间上与其相对应的源自高分辨率卫星影像的NDVI数据的拟合关系，建立基于源自高分二号影像的NDVI的阜康北部沙漠植被覆盖度遥感估算线性模型以及基于源自ZY1-02C影像的NDVI的克拉玛依平原荒漠植被覆盖度遥感估算二次多项式模型。研究中所采用的无人机遥感与卫星遥感相结合、植被覆盖度统计单元与卫星像元在空间上直接对应的方法，可避免以往相关工作中常以点位测量数据代表卫星像元数据所带来的不确定性。由于所用卫星影像的NDVI数据稳定性相对不足等原因，所建立的遥感估算模型的估算精度尚相对偏低，有待于今后进一步的工作加以改进。     

基于多源遥感和机器学习方法的科尔沁沙地植被覆盖度反演

植被覆盖度是监测生态系统及其功能的关键参数,如何提高大区域植被覆盖度的反演精度,对生态脆弱区环境可持续发展至关重要。本研究基于人工神经网络、支持向量回归和随机森林等机器学习方法,利用无人机、Worldview-2与Landsat 8 OLI遥感数据,对科尔沁沙地植被覆盖度进行多尺度反演。结果表明：随机森林模型比人工神经网络、支持向量回归模型表现佳,可在单元（试验区）、区域（研究区）尺度上较高精度地反演沙地的植被覆盖度,反演值与无人机实测值均在线性水平上呈显著相关（P<0.01）;在单元、区域尺度上,构建的植被覆盖度反演模型测试集R²分别为0.84、0.80,MSE分别为0.0145、0.0370,一致性指数d分别为0.9576、0.8991。利用多源遥感数据和机器学习方法,通过局部区域的高精度反演逐步实现低空间分辨率遥感影像的大区域植被覆盖度反演,不仅可有效提高沙地植被覆盖度的反演精度（R²=0.78,大于0.63）,也为区域生态环境监测与生态系统健康评价提供支持。