基于SPOT-VGT数据的流域植被覆盖动态变化及空间格局特征——以淮河流域为例

为探明近10多年来淮河流域的植被覆盖状况动态变化及其空间格局,本研究基于SPOT-VGT的NDVI数据和淮河流域土地利用/覆被数据,利用ArcGIS空间分析工具,设计植被动态空间计算模型,分析了1999-2007年淮河流域植被变化的时空格局,包括年内各月变化规律、年际变化趋势、不同景观类型的植被指数特征及其变化趋势等.结果表明:①SPOT-VGT数据结合GIS空间分析和建模工具,可以较好的计算和分析流域尺度的植被状况时空格局;②淮河流域绝大部分地区(71.33％)在1999-2007年NDVI有显著增加趋势,表明流域整体植被覆盖明显改善;③淮河流域NDVI年内变化曲线呈双峰型,4月份和8月份分别出现波峰,8月波峰高于4月;④淮河流域植被覆盖状况空间差异显著,NDVI多年平均值的空间格局为:平原地区较高,淮河干流北岸高于南岸;山丘区差异较大,大别山区植被指数最高,沂蒙山区植被指数最低,水土流失风险较高;大中城市及其周边地区,植被指数低;⑤不同景观类型的NDVI多年变化趋势存在一定的差异:耕地、林地、草地、盐碱地的平均值增长趋势显著且较为平稳.滩地在波动中有小幅度增长;沼泽地波动幅度最大.本研究可为淮河流域森林保育、水土流失防治等措施的制定提供科学依据.     

基于EOS/MODIS 数据的NDVI 与 EVI 比较研究

作为NOAA/AVHRR 归一化植被指数(NDVI) 的延续和发展, EOS/MODIS 归一化植被指 数(NDVI) 和增强植被指数( EVI) 在许多领域得到广泛应用。应用数理统计和地统计学方法对二 者进行的对比研究表明: NDVI 在植被生长旺盛期容易达到饱和, 而EVI 则能克服这一现象, 比 较真实地反映植被的生长变化过程; 相同空间分辨率下, EVI 取值范围、标准差与变异系数均高 于NDVI, NDVI 数据比较均一, 其空间相关性高于EVI, EVI 更能反映研究区域内植被空间差异。 关键词:MODIS; 归一化植被指数(NDVI) ; 增强植被指数( EVI) ; 对比     

基于植被指数的太原市绿地景观格局及其热环境效应

以中国重要的能源工业城市太原市为研究区,借助RS、GIS等手段,以太原市1986年、1995年、2001年三个时相的TM/ETM数据为基础,应用景观生态学的理论和方法,选择归一化植被指数(NDVI)和地表辐射温度分别作为城市绿地和热环境效应的反映指标,分析城市化过程中绿地景观格局及其与热环境的变化特征;探讨城市绿地景观格局的变化与城市热环境效应的相关关系;以寻求提高城市绿地生态效益的有效途径,为日后的城市园林绿地建设提供一些借鉴.研究表明:1986-2001年间,NDVI值较大的植被覆盖情况较好的绿地逐年减少,取代以NDVI值较小的植被覆盖差的硬质半硬质景观;景观水平上,绿地景观破碎化程度加剧,各景观要素混杂程度提高;景观的多样性增加,但这样的多样性是以大量的人工干扰为前提的;各景观类型的优势度降低,分布趋于均匀.反映城市绿地景观的NDVI与反映热效应的地表辐射温度LST两者之间存在较大的负相关关系,景观格局的热环境效应随着景观破碎化程度的加剧、景观优势度降低和多样性的增加而加强,城市绿地景观的空间分布格局对其热环境效应也有着重要的影响,其中混合格局的降温效果最为明显.     

基于MODIS的北京绿化隔离地区植被格局与趋势分析

营造绿化隔离地区是限制城市无序扩展和改善景观环境的有效手段.利用MODIS-NDVI数据,采取景观格局分析和趋势分析方法,探讨了北京两道绿化隔离地区2000-2010年的植被变化.结果表明:一道绿隔内NDVI低值斑块占主导,但不断向NDVI高值斑块转化并被分割,斑块连接度(CONNECT)和斑块结合度(COHESION)也在不断减小,二道绿隔则与此相反;一道绿隔NDVI显著增加的像元占40.5％,仅有3.8％的像元NDVI显著减小,二道绿隔NDVI显著增加与显著减小的像元比例相当,分别为18.1％和15.6％.两道绿隔的植被变化由不同的城镇化水平引起:一道绿隔土地利用过程稳定,植被增加明显,建成区连接成片的现象得到很大改善;而二道绿隔范围广,城镇化进程与植被建设过程相互交错,植被总体分割和局部改善并存.     

青藏高原中东部植被覆盖对水热条件的响应研究

植被覆盖的变化常是自然因子和人类活动的综合作用,分析植被对水热条件的响应关系有助于认识人类活动在地表植被变化中的作用程度。本文旨在结合1982~2000年地面气象观测资料和NOAA卫星的AVHRR 植被指数（8km）,对气象站点分布相对密集的青藏高原中东部的NDVI（归一化植被指数）空间变化同水热条件的响应关系进行分析。通过水热有关指标的趋势面模拟、植被类型比较和样带分析,表明：在青藏高原中东部地区,水热条件组合较好（如常绿针叶林）或较差（如荒漠半荒漠）的区域,多年平均的NDVI旬值同水热条件的相关性不强;而范围广阔的水热条件组合中等区域（如高山草甸/草原）同水热条件相关性很高;青藏高原周边区域植被对水热条件相对不敏感,而高原主体部分植被覆盖同水热的相关性则很高（0.75以上）;此外,海拔对热量条件影响很大,进而影响植被覆盖。     

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.     

武汉市地表亮温与植被覆盖关系定量分析

利用2002年7月9日的ETM影像,提取武汉市的下垫面类型、地表亮温和植被覆盖度,探讨不同下垫面类型对地表亮温的影响;并采用分形维度计算方法, 研究代表样带的地表亮温和植被覆盖的分维值之间的相关性。结果表明:植被覆盖度越高,地表亮温越低。除水域外的下垫面类型中植被覆盖度与地表亮温存在显著的负相关,这种相关性高于地表亮温与NDVI之间的相关关系。对于样带的地表亮温和植被的分维值研究表明,亮温和植被覆盖度的分维值之间的相关系数高于亮温和NDVI的分维值之间的相关系数。     

1982-2009 年珠穆朗玛峰自然保护区植被指数变化

植被指数是指示植被变化的重要指标, 本研究基于1982-2009 年珠穆朗玛峰自然保护区(简称珠峰地区)植被指数(NDVI)时间序列数据、土地覆被和野外调查等数据, 采用时序变化趋势和空间分析法, 对珠穆朗玛峰地区植被的时空变化过程及保护区成效进行了定量分析。研究表明:①珠峰地区NDVI分布的总特征是南部和北部高, 中部低。②1982-2009 年珠峰地区NDVI年际变化趋势和空间异质性十分明显:1982-1997 年, 珠峰地区NDVI总体上呈显著上升趋势, 北部地区增幅较大;1998-2009 年, NDVI总体下降(56.96%的NDVI呈下降趋势), 其中, 珠峰地区中部和北部的NDVI下降最为明显, 而南部核心保护区森林和灌丛的NDVI则呈显著上升趋势, 且变化幅度较大。③长时间序列植被指数变化的过程和空间差异性推断:1998 年以来, 天然林保护等生态工程促使珠峰地区保护效果更加明显。     

近20年中国不同季节植被变化及其对气候的瞬时与滞后响应

为揭示中国地区植被动态变化对气候变化的响应机制,该文基于中国2000-2018年归一化植被指数(NDVI)数据及融合地面观测的气候数据,利用偏相关分析与多元线性回归分析探讨了近20年中国不同季节植被生长动态及其对气候变化的瞬时与滞后响应。研究结果表明:1)2000-2018年中国植被生长呈显著的"变绿"趋势,春季NDVI增幅最大;2)温度是促进春季植被生长的主导气候因子,降水对半干旱地区夏季植被的生长具有主导作用;3)考虑气候变化的滞后效应能显著提高对不同季节(尤其秋季)植被变化的解释能力;4)不同季节气候变化对植被生长的年际变率和年代际变率的贡献不尽相同。该文对预测未来中国植被的生长动态及其生态效益以及生态系统可持续管理策略的制定具有指导意义。     

基于DEM-NDVI的高山植被带定量刻划

根据不同高山植被类型具有不同归一化植被指数响应的特点,通过对NDVI的分析来定量刻划高山植被带的海拔分布。首先,利用DEM、NDVI构建DEM-NDVI散点分布图;然后,结合地面调查资料与WorldView-2高分遥感影像对DEM-NDVI散点分布图进行统计回归分析;最后,利用分析结果定量刻划高山植被垂直分带结构。将该方法应用于四川卧龙大熊猫保护区的卧龙关沟,结果表明：① NDVI随海拔升高而呈“Z”字形变化;② DEM-NDVI散点图比样本点DEM-NDVI分布图能更完全地表达高山植被NDVI随高程变化的特征;③ 卧龙关沟东北坡高山植被带海拔高度为3255~4415 m,西南坡高山植被带海拔高度为3193~4473 m,与地面调查得到的区域代表植被的分布高度基本一致。     

基于MODIS数据的长株潭地区NDBI和NDVI与地表温度的关系研究

基于4个季节的MODIS影像,计算长株潭地区的地表温度、NDBI和NDVI,比较NDBI和NDVI与地表温度之间关系,对地表城市热岛效应研究的指标NDBI和NDVI进行对比分析.结果表明,NDBI与4个季节的地表温度间都存在明显的线性关系,而NDVI与地表温度间关系并不明显且随季节发生变化,说明NDBI是地表城市热岛效应研究的有效指标,在地表城市热岛效应的季节变化研究中NDBI可作为NDVI的一个附加指标.     

NDVI、NDMI与地表温度关系的对比研究

通过研究归一化植被指数(NDVI)、归一化水汽指数(NDMI)与地表温度(LST)的相关关系,对比NDVI和NDMI定量分析LST的适宜程度。以Landsat 8遥感影像为数据源,以郑汴都市区为例,反演LST,计算NDVI和NDMI。从整体、分区、像元等不同层面分析NDVI和NDMI与LST的相关关系,并利用GEO-Da软件,分析150 m、300 m、450 m三种不同采样间隔数据的NDVI、NDMI与LST的空间相关性。主要结论为：①NDVI与LST的线性拟合度较差,而NDMI与LST具有很强的线性关系,剖面分析显示NDMI与LST呈显著负相关关系。②缓冲区分析结果表明,随着距城市中心距离的增加,用地类型增多,LST和NDMI之间的相关性逐渐增强。③在Moran's I空间相关性分析中,不同采样间隔下两指数与LST的负相关关系均比较明显,但由于水体在2个指数中数值的差异,使NDMI与LST表现出更强的空间负相关性,而NDVI与LST空间相关性则相对较弱。因此,总的来说NDMI是热环境研究的有效指标,与NDVI相比,NDMI与LST的负相关关系更强、更稳定,也更适宜于对LST的定量分析。     

基于遥感技术的广州市热岛效应分析

通过对广州市区TM遥感影像数据的处理,提取该区地表亮温和NDVI数据,对广州市的热岛效应进行初步研究,经过研究得到：（1）高亮温地区包括：荔湾区、越秀区和海珠区等老城区、广州火车站附近铁路沿线和白云机场一带、天河客运站附近和天源路两侧以及黄埔大道和珠江沿线附近;（2）广州市城区（包括市中心商业区、居民生活区、外围工厂区）整体上为热岛群,郊区农村则多以绿色为背景;（3）从市中心向外亮温呈降低趋势,但城市热岛内部有丰富的细部变化特征;（4）局部热岛强峰并不出现在广州市中心,而是同工厂的空间分布有关。     

1982-1999年我国陆地植被活动对气候变化响应的季节差异

利用NOAA-AVHRR数据,以归一化植被指数 (NDVI) 作为植被活动的指标,研究中国1982~1999 年四季植被活动的变化,探讨植被活动对全球变化的主要响应方式。结果表明,18年来,中国植被四季平均NDVI均呈上升趋势。春季是中国植被平均NDVI上升趋势最为显著 (P<0.001)、增加速率最快的季节,每年平均增加1.3%;而秋季是NDVI上升趋势最不显著的季节 (P=0.075)。不同植被类型的季节平均NDVI的年变化分析表明,生长季的提前是中国植被对全球变化响应的最主要方式,但这种季节响应方式存在明显的区域性差异。夏季平均NDVI增加速率达到最大的地区主要分布在西北干旱区域和青藏高寒区域,而东部季风区域的植被主要表现为春季NDVI增加速率最大。     

结合被动微波和光学遥感的“超级寒潮”广东 地表温度特征及其对马铃薯生长的影响

利用被动微波可穿透云层的优势,基于GCOM-W1/AMSR2（Global Change Observation Mission-Water/ Advanced Microwave Scanning Radiometer 2）星载被动微波传感器的多通道亮度温度数据,反演了2016年1月下旬“超级寒潮”过程的广东省每日地表温度,分析了寒潮过程中广东省地表温度的时空变化特征。结果表明：在寒潮前后,广东省地表温度呈现出明显的先下降而后上升的趋势,寒潮过程带来的地表最低温度在广东北部大部分地区达到了277 K（4℃）,西南大部分地区为280~282 K（7~9℃）,其余大部分地区278~279 K（5~6℃）;降温幅度在广东南部地区达到了8~12 K（8~12℃）,北部大部分地区为5~7 K（5~7℃）。此外,利用归一化植被指数（NDVI）对植被生长的指示作用,基于HJ-1 A/B卫星的CCD传感器的多通道反射率数据,计算了近3年冬季广东省典型马铃薯种植区域马铃薯叶片的NDVI值,结果表明：马铃薯叶片的NDVI值在此次寒潮过程后出现了明显的下降,大部分地区（55.4%）马铃薯NDVI降低了0.1~0.2,部分地区（17.2%）马铃薯NDVI下降了0.2~0.3;进一步对比此次“超级寒潮”后同时段的前2年数据,发现寒潮后马铃薯叶片NDVI相对于正常年份也低了0.2,表明马铃薯叶片NDVI下降的主要原因是寒潮带来的低温,而不只是马铃薯的正常老化现象。NDVI的降低表明大部分地区马铃薯生长受到了抑制,马铃薯生长状况的这一变化也通过现场调查得到了证实。     

Seasonal and inter-annual relationships between vegetation and climate in central New Mexico, USA

Linear correlations between seasonal and inter-annual measures of meteorological variables and normalized difference vegetation index (NDVI) are calculated at six nearby yet distinct vegetation communities in semi-arid New Mexico, USA Monsoon season (June–September) precipitation shows considerable positive correlation with NDVI values from the contemporaneous summer, following spring, and following summer. Non-monsoon precipitation (October–May), temperature, and wind display both positive and negative correlations with NDVI values. These meteorological variables influence NDVI variability at different seasons and time lags. Thus vegetation responds to short-term climate variability in complex ways and serves as a source of memory for the climate system.     

The Effect of Higher Warming on Vegetation Indices and Biomass Production is Dampened by Greater Drying in an Alpine Meadow on the Northern Tibetan Plateau

In order to understand whether or not the response of vegetation indices and biomass production to warming varies with warming magnitude, an experiment of field warming at two magnitudes was conducted in an alpine meadow on the northern Tibetan Plateau beginning in late June, 2013. The normalized difference vegetation index (NDVI), green normalized difference vegetation index (GNDVI) and soil adjusted vegetation index (SAVI) data were obtained using a Tetracam Agricultural Digital Camera in 2013-2014. The gross primary production (GPP) and aboveground plant biomass (AGB) were modeled using the surface measured NDVI and climatic data during the growing seasons (i.e. June-September) in 2013-2014. Both low and high warming significantly increased air temperature by 1.54 and 4.00°C, respectively, and significantly increased vapor pressure deficit by 0.13 and 0.31 kPa, respectively, in 2013-2014. There were no significant differences of GNDVI, AGB and ANPP among the three warming treatments. The high warming significantly reduced average NDVI by 23.3% (-0.06), while the low warming did not affect average NDVI. The low and high warming significantly decreased average SAVI by 19.0% (-0.04) and 27.4% (-0.05), respectively, and average GPP by 24.2% (i.e. 0.21 g C m^-2 d^-1) and 44.0% (i.e. 0.39 g C m^-2 d^-1), respectively. However, the differences of the average NDVI, SAVI, and GPP between low and high warming were negligible. Our findings suggest that a greater drying may dampen the effect of a higher warming on vegetation indices and biomass production in alpine meadow on the northern Tibetan Plateau.     

21世纪初中国北方沙尘天气特征及其与地面风速和植被的关系研究

利用2002-2010年气象站点观测资料,结合同期归一化植被指数(NDVI)资料,分析了中国北方地区2002-2010年的沙尘天气特征,以及沙尘天气与地面风速和NDVI的关系。结果表明,2002年和2006年是21世纪初的沙尘天气强年,中国北方的沙尘天气总站日数明显偏多;中国北方的沙尘天气与NDVI的0.2等值线位置的变化有关,当其向东进时,沙尘天气也频发,向西退时,沙尘天气也减弱;在植被很少,靠近沙漠的地区,沙尘天气日数和强风日数有很好的正相关性,在沙漠与草原的过渡地带,沙尘天气日数与NDVI有很好的负相关性;当植被指数减小,地表面植被覆盖减少,强风也增强,中国北方的沙尘天气就很可能增强。     

NDVI prediction over Mongolian grassland using GSMaP precipitation data and JRA-25/JCDAS temperature data

An algorithm to predict the NDVI (Normalized Difference Vegetation Index) distribution over Mongolia, which is based on a stepwise multiple linear regression analysis, has been developed using global precipitation data obtained from satellites and global surface air temperature data obtained from the reanalysis data during the period 1998–2005. This algorithm can predict the NDVI value up to 1–3 months in advance for a grid with a spatial resolution of 0.25° × 0.25°.In order to validate the algorithm, the NDVI distribution was predicted for the period from May to November 2006 using 1 to 3-month prediction algorithms. The distributions of the predicted normalized anomalies agreed well with those of the observed normalized anomalies. It was found that these algorithms were effective for arid and semi-arid regions, despite its low accuracy for August and regions with high vegetation activity.