双台河口国家级自然保护区芦苇叶面积指数遥感反演与空间格局分析

应用Landsat7 ETM+遥感数据与同期野外实测叶面积指数(LAI)数据,基于多季相遥感影像,用面向对象的分类方法,提取双台河口国家级自然保护区芦苇分布数据,建立芦苇LAI最优估算模型,并进行其遥感反演及空间格局分析。研究结果表明,2012年,双台河口国家级自然保护区内芦苇总面积为38 200 hm2,占保护区总面积的29.5%,其中,缓冲区的芦苇面积为16 200 hm2,实验区的芦苇面积为11 900 hm2,核心区芦苇面积为10 100 hm2;以遥感影像缨帽变换(TC)后的绿度(GREEN)分量、ETM+第5波段(B5)和第3波段(B3)为自变量的多元线性模型为芦苇LAI反演的最优估算模型(p0.01,R2=0.741)。双台河口国家级自然保护区芦苇LAI介于0.12~5.85之间,呈现东高、西低和北高、南低的分布格局;保护区核心区的芦苇LAI最均一,实验区的芦苇LAI空间变化最明显。     

基于Landsat 8 OLI影像的塔里木河下游河岸林叶面积指数反演

叶面积指数(Leaf Area Index,LAI)是描述植物冠层结构特征的重要参数,也是研究植物冠层表面物质和能量交换必不可少的参数。根据在塔里木河下游河岸林地利用LAI-2250实测的LAI数据,比较Landsat 8 OLI遥感数据提取的几种常规植被指数估算LAI的能力,建立LAI估算模型,并利用实测数据对模拟结果进行精度验证,生成塔里木河下游LAI分布图。结果表明:(1)各植被指数(Vegetation Indexes,VIs)与LAI均具有一定的相关性,对于不同的植被指数,二次多项式回归模型相关性均最高;(2)在不区分植被类型的样本分析中,大气阻抗植被指数(Atmospherically Resistant Vegetation Index,ARVI)与实测LAI具有最高的相关性;(3)分别针对柽柳林和胡杨林样本分析,判定系数R2和反演精度均具有不同程度的提高,对应的最适植被指数分别为归一化植被指数(Normalized Differential Vegetation Index,NDVI)和ARVI;(4)塔里木河下游河岸植被LAI有3个高值区:大西海子水库附近、下游中部和尾闾湖台特玛湖附近。全区LAI值主要分布在0~1.5之间,均值为0.361。该研究结果为遥感提取塔里木河下游河岸林带高空间分辨率的叶面积指数数据提供了数据支持和方法支撑。     

基于Landsat-8遥感数据和PROSAIL辐射传输模型反演叶面积指数

为了探讨Landsat 8 OIL数据在LAI大范围反演方面的应用潜力,使用Landsat 8 OIL影像,通过PROSAIL辐射传输模型,采用3种波段组合(Band2-7,Band2-5,Band3-5)建立了3个模拟冠层反射率-叶面积指数(LAI)查找表,用2种代价函数(Geman and Mc Clure代价函数,均方根误差代价函数)实现了对玉米、土豆、森林LAI的定量反演,并用LAI-2200测量数据作为相对真值对反演精度进行评价。结果表明:(1)使用Landsat 8数据,通过PROSAIL模型反演叶面积指数的精度是可以接受的,RMSE范围为在[0.892 4,1.205 0],R2范围为[0.721 3,0.873 3]。(2)Band5(近红外),Band4(红)Band3(绿)的波段组合反演效果在3种组合中精度最高,平均RMSE=0.993 1,R2=0.787 3。(3)Geman and Mc Clure代价函数比常用的均方根误差代价函数得到了更高的反演精度,平均RMSE=0.940 5,R2=0.817 5。(4)相对最优的反演策略是Band5,Band4,Band3的波段组合结合GM代价函数,RMSE=0.892 4,R2=0.873 3。(5)存在玉米土豆的反演值普遍低于测量值,而森林的反演值普遍高于测量值的问题。     

一种基于光谱归一化的丘陵地区植被覆盖度反演方法

由于影像空间分辨率的限制,利用遥感影像反演植被覆盖度时,像元内通常存在植被与其他地物混合的现象。此外,受到物理属性、地形、阴影等因素的影响,植被内部存在较大的光谱差异。混合像元的存在,以及植被内部光谱变化较大都将导致植被覆盖度反演精度降低。本研究基于Sentinel 2A遥感影像,提出了一种基于光谱归一化的光谱混合分析方法,以期解决植被内的光谱差异以及与其他地物的混合问题。首先,对端元矩阵与遥感影像进行归一化预处理,以减弱植被内的光谱变化;然后,采用全约束最小二乘法(FCLSU)、部分约束最小二乘法(CLSU)、扩展线性混合模型(ELMM)三种混合像元分解算法来定量分析植被与其他地物的混合状态。在验证解混算法精度时,采用无人机高分影像分类结果作为植被覆盖度参考影像,并对归一化前后的精度进行对比。光谱归一化前,ELMM和CLSU的R和RMSE都接近0.903和0.353,FCLSU的R和RMSE为0.869和0.434。光谱归一化后,三种算法的R和RMSE都接近0.91和0.2。试验结果表明:端元和影像进行归一化后,降低了光谱变异性,三种算法的解混精度在整体上提高较大,且对四川丘陵地区的植被覆盖度的反演结果接近真实值。     

大面积棉花长势的MODIS监测分析方法与实践

大面积棉花的生长状况监测比较复杂,目前还没有比较成熟的方法。以往遥感监测应用较多的是NOAA—AVHRR数据,监测精度和监测效果不高。本文利用新一代传感器MODIS数据,结合实测的地面农作物生长发育农学参数,系统地分析了石河子地区棉花播种到收获整个田间遥感归一化指数(NDVI)及其对应的叶而积指数(LAI)的变化规律,证明MODIS叶面积指数和实测LAI有很高的一致性,MODISIAI的变化状况与棉花长势变化基本一致,实现了较为精确的石河子地区大面积棉花长势的遥感动态监测。     

基于高光谱与多光谱植被指数的洪河沼泽植被叶面积指数估算模型对比研究

以洪河国家级自然保护区为研究区,2009年8月中旬,在研究区野外实测沼泽植物冠层的光谱反射率和叶面积指数(LAI),将地面实测的植物高光谱反射率以Landsat-5 TM波段范围为基准进行波谱重采样,以重采样后的光谱反射率计算多光谱植被指数,用几种常见的高光谱和多光谱植被指数建立估算沼泽植被叶面积指数的统计回归模型,对比这些模型的精度,选出最优模型.研究结果表明,用各植被指数建立的估算沼泽植被叶面积指数的回归模型分别为二次函数、对数函数或指数函数;各模型对沼泽植被叶面积指数的反演精度差别较大;在全波段高光谱植被指数中,用全波段归一化植被指数H-FNDVI(R930,R515)构建的估算沼泽植被叶面积指数的模型最佳;在常规高光谱植被指数中,用修正简单比率H-MSR构建的估算沼泽植被叶面积指数的模型最佳;在多光谱植被指数中,用多光谱归一化植被指数M-NDVI构建的估算沼泽植被叶面积指数的模型最佳.对比发现,由多光谱数据提取的植被指数构建的模型对研究区LAI的估算效果不太理想,而从实测高光谱数据提取的窄波段特有植被指数构建的估算沼泽植被叶面积指数模型表现出较明显的优势,表明窄波段植被指数更适合用来监测沼泽植被叶面积指数.     

塔里木河中游绿洲盐漠带典型盐生植物光谱指数分析

盐生植物对于维持干旱区绿洲生态系统平衡起着核心作用。该文以渭干河-库车河三角洲绿洲盐漠带典型盐生植物为研究对象,利用Field Spec Pro FR便携式地物波谱仪,对2010年10月盐生植物的野外光谱数据进行采集并取相应土样。首先,采用光谱学分析方法分析光谱特征变化,并对土壤理化特性(含盐量、TDS、电导率、pH值)进行室内测定分析,获得盐生植物光谱特征数据和土壤理化特性数据。其次,利用实测光谱数据对盐生植物高光谱植被指数NDVI705、VOG1、ARI1和CRI1进行反演,用高光谱影像和TM影像分别对VOG1和NDVI705进行反演,并与土壤理化特性进行相关性分析。研究表明:高光谱植被指数NDVI705、VOG1、ARI1与土壤理化特性之间相关性均较低(0.266R0.449),但CRI1与含盐量、TDS的相关性较高(R=0.668);用高光谱影像反演的VOG1与电导率的相关性较高(R=0.536),用TM影像反演的NDVI705与TDS相关性较高(R=0.695)。通过精度验证,发现高光谱反演数据(VOG1)比TM反演数据(NDVI705)精确,说明遥感数据空间分辨率的不同影响了反演植被光谱指数的精度。该研究不仅可为干旱地区盐生植物的遥感识别奠定基础,而且对维持绿洲生态系统稳定提供一定的科学依据。     

基于MODIS数据新疆土壤干旱特征分析

干旱是一种常见的自然灾害,严重影响着新疆的农业生产。利用中分辨率成像光谱仪MODIS影像MOD11A2数据和MOD13A2数据,数字高程模型(DEM)对Ts进行了纠正,提取归一化植被指数(NDVI)和地表温度(Ts)构建NDVI-Ts特征空间,并依据特征空间计算的温度植被干旱指数(TVDI)作为监测土壤湿度指标,反演了新疆2013年5、6、7三个月每16 d的土壤湿度。较好地反映地表图层土壤湿度,分析了新疆土壤湿度的时空分布特征,新疆北部地区土壤湿度高于南部,西部的土壤湿度高于东部,且土壤湿度由西北向东南逐步减小,依次表现为湿润>正常>轻旱>中旱>重旱>极旱;由5月到7月土壤湿度不断增大,这与新疆降水量分布和实地土壤含水率十分吻合,监测结果可信,能够为决策部门防旱抗旱提供有力的信息支持。     

新疆荒漠稀疏植被覆盖度信息遥感提取方法比较

植被覆盖度信息是荒漠生态环境表征的重要指标之一。荒漠区地表植被稀疏,在遥感光谱信息中表现较弱,通用的植被覆盖度遥感提取方法应用于干旱荒漠区存在一定的局限性,为了探寻一种满足大尺度荒漠地区的植被覆盖度信息的提取方法,必须对比和分析现有的遥感方法在干旱荒漠区的应用效果。以新疆荒漠区为例,利用MODIS遥感影像和野外植被覆盖度实测数据,对常用的6种遥感植被覆盖度提取方法（改进的三波段梯度差法、像元二分法、线型混合像元分解法、归一化植被指数法、增强型植被指数法和修正型土壤调整植被指数法）的结果进行精度验证和对比分析。结果表明：MODIS影像上较难提取纯荒漠植被像元,用农作物的像元值代替会降低像元二分法和线性混合像元分解模型的模拟精度;植被指数法对地面实测数据依赖性较大,模拟的精度差异很大,仅考虑红光和近红外的归一化植被指数法模拟精度最低,而综合考虑土壤和大气因素的增强型植被指数法的模拟结果精度最高;改进的三波段最大梯度差法虽然模拟精度稍次之（R²=0.74;RMSE=13.46）,但依据光谱的物理特性,能显著地反映南、北疆荒漠植被覆盖度的差异,是目前大尺度的荒漠区覆盖植被信息提取较为适宜的方法之一。     

黄河三角洲新生湿地植物生物量和土壤含盐量空间分布

以黄河三角洲新生湿地为研究区,选择Landsat-8遥感影像与实测植物生物量和土壤含盐量数据,构建多元线性回归模型,反演新生湿地植物生物量和土壤含盐量,探讨植物生物量与土壤含盐量分布规律。建立的黄河三角洲新生湿地植物生物量最优反演模型中,以1波段~5波段的反射率、比值植被指数(ration vegetation index,RVI)、土壤湿度指数(soil moisture index,SMI)、归一化植被指数(normalized different vegetation index,NDVI)、绿度土壤植被指数(green vegetation index,GVSB)、裸土植被指数(greenness above bare soil,GRABS)、大气阻抗植被指数(atmospherically resistant vegetation index,ARVI)和增强植被指数(enhanced vegetation index,EVI)为自变量,模型最优;在土壤含盐量反演模型中,以1波段~6波段的反射率、比值植被指数、土壤湿度指数、绿度土壤植被指数、裸土植被指数、大气阻抗植被指数和增强植被指数为自变量,建立的模型最优。整体上,黄河三角洲新生湿地土壤含盐量由海向陆递减,由黄河河道向两侧递增;植物生物量由海向陆递增,由黄河河道向两侧递减。在黄河三角洲新生湿地土壤盐分"低"等级区,植物生物量"高"等级区面积所占比例最大;在土壤盐分"中"等级区,植物生物量"中"等级区面积所占比例最大;在土壤盐分"高"等级区,植物生物量"低"等级区面积所占比例最大。随着土壤含盐量增大,黄河三角洲新生湿地植物生物量在减小。河水、地下水和海水的相互作用造成黄河三角洲湿地含盐量的空间分异,水、盐条件决定了黄河三角洲新生湿地植物生物量的空间分异规律。