南北过渡带1∶5万植被类型图遥感制图案例研究

编制南北过渡带地区1∶25万和典型山地1∶5万植被类型图是南北过渡带综合科学考察的主要任务之一。以往植被类型图的编制都是采用大量的地面调查来完成的,地面调查方法虽然精确,但费时费力,并且由于自然条件的限制,地面调查往往只能覆盖较小的范围。遥感数据因为其全覆盖的优势,可以很好地弥补样方调查的局限性,但目前大范围的植被类型遥感信息提取尤其是自动提取方面仍然存在一定的困难和瓶颈。本文以1∶5万太白山植被类型图的编制为例,利用多源多时相的高分辨率遥感数据,结合地面调查数据、以往的各种比例尺的植被类型图数据和森林资源调查数据等,探讨并研究基于山地垂直带谱的中大比例尺植被类型图的遥感提取方法和制图方法。研究结果表明：① 山地植被垂直带谱可以有效地支持1∶5万山区植被类型图的遥感制图。利用太白山植被垂直带谱和1∶1万数字表面模型数据（DSM）可以生成具有垂直带谱信息的地形约束因子;将地形约束因子与多源多时相高分辨率遥感数据、地面调查数据、以往的小比例尺植被类型图数据等相结合,可以有效提取各级植被类型,从而实现中大比例尺植被类型图的编制。② 典型山地1∶5万植被类型图的遥感制图基本流程为植被型组解译→植被群系组、群系、亚群系解译→植被型、植被亚型分类,采取自上而下和自下而上相结合的分类方法来分类。本文的研究成果可以为中大比例尺植被类型图的编制提供示范和科学依据。     

基于多时相环境一号卫星CCD数据的植被覆盖信息快速提取研究——以长白山地区为例

选取长白山地区为研究区,利用2009年14期环境一号卫星CCD数据,运用非监督分类方法提取了长白山地区2009年植被覆盖信息,对提取结果进行了精度验证并与单期TM数据提取结果进行了对比分析.研究表明,多时相环境一号卫星CCD数据能够快速准确地提取植被覆盖信息,总体精度为84.67％,Kappa系数为0.82,总体精度和单个植被类型精度均高于单时相TM数据;多时相环境一号卫星CCD数据能区分出常绿针叶林和落叶针叶林,且分类结果景观破碎度较低;长白山地区以针阔混交林为主,占区域总面积的40.84％,植被呈明显的垂直地带性分布.     

基于数字相机图像的长白山森林物候模拟

植被物候作为全球植被和陆面过程模型的重要参数,对其状态的准确描述在很大程度上决定着模型的模拟精度。温带森林作为北半球中高纬度地区主要植被类型及全球重要碳源,研究其物候期的变化将提高对区域碳通量的估算精度。本文以长白山阔叶红松林为研究对象,探讨了数字相机图像在物种尺度物候模拟及群落尺度物候模型改进方面的作用,结果如下：（1）物种尺度上,利用数字相机能获取两种植被（红松,蒙古栎）较为准确的物候期（与人工观测数据比较,绝对误差〈3d）;（2）群落尺度上,基于数字相机图像获取的冠层状态数据提高了基于气象数据的物候模型（GSI：growingseasonindex）的模拟精度（R2=0．9）,尤其是秋季物候模拟,为进一步分析群落物候的环境控制因子提供了有力手段。研究表明：数字相机不仅能够提供精确地基于物种尺度的物候数据,还可为遥感物候数据的校正提供参考,同时为生态模型中物候模块的改进及降低区域尺度碳通量模拟不确定性提供了新的思路。     

珠穆朗玛峰自然保护区植被变化分析

利用1981～2001 年美国NASA Pathfinder NOAA/NDVI 数据, 以1∶100 万植被图为基础, 结 合气温降水资料、DEM数据和2000 年人口空间化数据, 研究了珠穆朗玛峰自然保护区植被变化 空间格局和海拔梯度特征及其影响因素。结果表明: ①1981～2001 年珠峰自然保护区植被变化以 稳定为主, 有5.09%的区域发生严重退化, 13.34%的区域发生退化, 54.31%的区域保持稳定, 26.31%的区域变好以及0.95%的区域植被显著变好。退化和严重退化区域主要分布在保护区南 部, 国境沿线; 植被变好地区集中分布在保护区北部, 雅鲁藏布江南岸。稳定区域位于退化区域和 变好区域之间。植被退化区域主要分布在海拔2400m ~ 4000m 带上。②针叶林、针阔混交林和灌 丛构成了区域植被退化的主体。③从空间上看, 主要是气温变化对植被变化有影响。在海拔梯度 上, 气温变化和坡度共同影响植被变化。④在珠峰自然保护区内, 人类不合理的资源利用方式造 成了部分地区的植被退化。     

基于LiDAR数据的额济纳绿洲胡杨(Populus euphratica)河岸林植被覆盖分类与植被结构参数提取

黑河下游额济纳旗气候极端干旱,生态环境十分脆弱,该区域胡杨(Populus euphratica)河岸林植被覆盖分类与植被结构参数提取是生态环境评价、植被变化分析、区域生态水文过程研究的基础。利用机载LiDAR数据,综合多种处理方法,进行植被覆盖分类与植被结构参数提取,分析了胡杨河岸林的分布和生长状况。结果表明,植被覆盖分类总体精度和Kappa系数分别为95.86%和0.91,整体分类精度高,能够有效区分额济纳绿洲中胡杨、柽柳、建筑物等,对胡杨树高、冠幅、胸径和叶面积指数等植被结构参数提取精度总体较高,能够为多尺度生态耗水研究等提供有效参数。     

全球陆地生态系统与大气之间碳交换的模拟研究

利用陆面物理过程和植被生理生态过程完全动态耦合的大气植被相互作用模式 (AVIM) ,对全球陆地生态系统的净初级生产力进行模拟。全球陆地生态系统植被分为 1 3类 ,土壤质地分为 7类 ,确定了各种植被和土壤的模式参数。采用全球陆地 0 .5× 0 .5网格点气候平均资料 ;以 30分钟为步长进行积分。并用全球不同地区各种植被类型的 1 9个 NPP观测样点数据校准模型。AVIM模拟全球陆地生态系统 NPP的主要模拟结果如下 :全球陆地生态系统净初级生产力 (NPP)总量约为 60 .72 Gt Cyr- 1。分析了不同植被类型的 NPP分布 ,模式较好地模拟了全球陆地生态系统净初级生产力的纬向分布和区域分布的差异 ,模拟出中国植被生产力的分布特征。陆地生态系统净初级生产力与温度、降水和辐射等气候因素在不同地区有不同程度相关性 ,北方针叶林地区气候因子与 NPP的相关性明显 ,反映出植被对环境因子的不同响应及其物候特征。赤道热带雨林地区NPP与气候因子的相关性不明显。     

基于HASM的中国森林植被碳储量空间分布模拟

当前区域尺度上森林碳储量估算主要依据森林资源清查数据,整个过程不仅消耗大量人力、物力,而且十分耗时,严重影响了森林碳储量估算的时效性。针对这一问题,本文提出了基于HASM的森林植被碳储量模拟方法,该方法以全球植被动态模型LPJ-Guess 输出的植被碳储量为驱动场,以森林清查样地数据为精度控制点,模拟生成中国陆地森林碳储量分布情况。研究以第7 次中国森林资源清查数据作为精度控制点数据源,同时作为本文模拟方法的精度验证。结果表明,中国森林碳储量为9.2405 Pg,考虑到森林资源清查是基于一定的郁闭度进行的,因此HASM模拟的结果与根据森林资源清查结果计算得出的7.8115 Pg 相比更符合实际情况,西南山区和东北林区是中国森林最主要的碳库,其碳储量分别占中国森林植被碳储量的39.82%和20.46%。同时与之前(1975-1995 年) 相比具有较大幅度的增长,表明近几十年来中国坚持大规模植树造林的碳汇效果显著。同时也表明基于HASM的森林植被碳储量空间分布模拟方法是有效的,模拟结果合理且精度较高,表明该方法在全球尺度上森林植被碳储量模拟及其它生态系统中碳储量模拟中具有应用潜力。     

潜在自然植被研究与展望

植被－环境关系是全球变化与陆地生态系统关系研究的关键,由于受人类几千年活动的影响,全球原始自然植被所剩极少,植被的破坏掩盖了植被与环境之间的关系。如何重演反映环境决定特点的潜在自然植被,是植被－环境关系研究的起点。本文对潜在自然植被的概念、研究的时空尺度进行了论述,指出潜在自然植被研究2个发展阶段的特点：（1）传统的以经验为主的定性研究;（2）以潜在自然植被预测模型为基础的定量研究。在此基础上,提出今后我国潜在自然植被研究的重点应放在：针对我国自然植被分布的特点,构建适用于我国特定区域的潜在自然植被预测模型,对不同时空尺度下的潜在自然植被类型及其地理分布进行模拟与制图;单纯将气候作为潜在自然植被预测模型自变量的方法正逐渐为综合的环境变量方法所取代,并强调了潜在自然植被研究必须考虑与大气环流模式的耦合。     

塔里木河干流植被遥感监测时空多尺度协同分析方法

利用遥感植被指数、典型植被样方和地面观测信息进行塔里木河干流植被监测是目前的主要方法。由于塔里木河干流具有流域下垫面均匀性差,自然植被随机分布的特点,使得现有研究方法局限在特定的时间和空间尺度,很难使用地面的观测数据和不同尺度的遥感数据进行植被生长状态的协同分析。针对这些问题,本文提出了利用不同分辨率遥感数据和地面观测数据进行多尺度协同分析的方法MSSA(Multiple Scale Synergy Analysis)。该方法包括以下几个步骤:①通过低空间分辨率的遥感数据构建时间序列的塔里木河干流植被指数分布图像,在分析图像特征的基础上划分塔里木河遥感监测单元;②对监测单元内部不同组分的时间和空间状态参数进行量化与率定;③根据几何光学模型原理和植被随机分布特性,采用线性混合模型模拟单元植被指数;④根据模拟结果和遥感数据的对比分析,获得地面植被参量的可靠估计。该方法将地面组分的状态参量和遥感数据通过模拟模型相关联,实现了不同时空尺度遥感数据以及地面样方或者点观测数据的协同分析,为塔里木河干流植被监测进行长期、细致的研究建立了海量数据综合分析的方法体系。     

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。     

2000-2015年石羊河流域植被覆盖度及其对气候变化的响应

内陆河流域植被覆盖度的敏感性是预测未来生物多样性变化的重要指标,是植被应对气候变暖的重要反馈。分析了2000-2015年MODIS-NDVI数据反演的植被覆盖度时空动态变化趋势,结合平均气温、降水量、日照时数、相对湿度、地面温度和蒸发量数据,研究了流域及各生态功能区的植被覆盖度与气候因子的相关性,探讨植被覆盖度变化过程中的气候因素制约方式,了解不同时空尺度下内陆河流域植被覆盖度在全球暖湿化过程中对气候的响应。结果表明：（1）石羊河流域平均植被覆盖度较低,上游的植被覆盖度59.4%,下游13.6%;2000-2015年,流域植被呈现改善趋势的面积远远大于退化的面积,盆地绿洲区植被覆盖度增加趋势最明显。流域植被总体恢复较好,但高海拔地区、城市和民勤绿洲的周边地区植被有不同程度的退化。（2）2000-2015年,石羊河流域各气候因子对植被覆盖度表现为不显著的相关关系,其中与降水量呈正相关的面积最大,与蒸发量呈负相关的面积最大;从上游到下游,植被生长与热量的相关程度逐渐变弱,与水分的相关程度则逐渐增强。（3）石羊河流域的植被覆盖度与气候因子的样条函数存在极显著的线性相关,水原涵养区和荒漠区的植被覆盖度对气候因子的响应较高;绿洲区的植被覆盖度对气候因子的响应相对较低。地面温度的变化是影响石羊河流域植被覆盖度空间格局变化的主要气候制约因素。     

30年来呼伦贝尔地区草地植被对气候变化的响应(英文)

Global warming has led to significant vegetation changes especially in the past 20 years. Hulun Buir Grassland in Inner Mongolia, one of the world’s three prairies, is undergoing a process of prominent warming and drying. It is essential to investigate the effects of climatic change (temperature and precipitation) on vegetation dynamics for a better understanding of climatic change. NDVI (Normalized Difference Vegetation Index), reflecting characteristics of plant growth, vegetation coverage and biomass, is used as an indicator to monitor vegetation changes. GIMMS NDVI from 1981 to 2006 and MODIS NDVI from 2000 to 2009 were adopted and integrated in this study to extract the time series characteristics of vegetation changes in Hulun Buir Grassland. The responses of vegetation coverage to climatic change on the yearly, seasonal and monthly scales were analyzed combined with temperature and precipitation data of seven meteorological sites. In the past 30 years, vegetation coverage was more correlated with climatic factors, and the correlations were dependent on the time scales. On an inter-annual scale, vegetation change was better correlated with precipitation, suggesting that rainfall was the main factor for driving vegetation changes. On a seasonal-interannual scale, correlations between vegetation coverage change and climatic factors showed that the sensitivity of vegetation growth to the aqueous and thermal condition changes was different in different seasons. The sensitivity of vegetation growth to temperature in summers was higher than in the other seasons, while its sensitivity to rainfall in both summers and autumns was higher, especially in summers. On a monthly-interannual scale, correlations between vegetation coverage change and climatic factors during growth seasons showed that the response of vegetation changes to temperature in both April and May was stronger. This indicates that the temperature effect occurs in the early stage of vegetation growth. Correlations between vegetation growth and precipitation of the month before the current month, were better from May to August, showing a hysteresis response of vegetation growth to rainfall. Grasses get green and begin to grow in April, and the impacts of temperature on grass growth are obvious. The increase of NDVI in April may be due to climatic warming that leads to an advanced growth season. In summary, relationships between monthly-interannual variations of vegetation coverage and climatic factors represent the temporal rhythm controls of temperature and precipitation on grass growth largely.     

30年来呼伦贝尔地区草地植被对气候变化的响应(英文)

Global warming has led to significant vegetation changes especially in the past 20 years. Hulun Buir Grassland in Inner Mongolia, one of the world’s three prairies, is undergoing a process of prominent warming and drying. It is essential to investigate the effects of climatic change (temperature and precipitation) on vegetation dynamics for a better understanding of climatic change. NDVI (Normalized Difference Vegetation Index), reflecting characteristics of plant growth, vegetation coverage and biomass, is...     

祁连山北坡中部气候特征及垂直气候带的划分

通过对祁连山北坡中部气候特征，森林植被类型和土壤类型的定位预测研究，对祁连山北坡中部森林生态系统的主要气象要素垂直分布特征进行分析，应用气候指标和生物学原理，将祁连山林区按不同海拔高度划分为：1.山地荒漠草原气候带；2.山地草原气候带；3.山地森林草原气候带；4.亚高山灌丛草甸气候带；5.高山亚冰雪稀疏植被气候带；进而提出了合理开发祁连山山地气候资源，以促进当地经济发展。     

我国北方沙区退化植被的恢复机理

通过讨论我国北方沙区退化植被的恢复机理,认为气候驱动机制、植被自我修复机制、土壤环境变化和景观格局的驱动机制是我国北方沙区退化植被自然恢复的四个主要机制。其中,气候机制决定着植被恢复演替的方向和终点,是植被恢复的外在驱动机制;植被的自我修复机制决定着植物恢复的起始速度和演替速度,是植被恢复的内在驱动机制;而景观驱动作用只发生于斑块较小且呈镶嵌分布的退化植被区,对于面积很大且连片分布的流沙裸地其作用微弱;土壤条件的改善既是植被对土壤作用的结果,又反馈于植被的演替,它决定着群落演替的阶段性和群落类型,自始自终伴随着植被的演替过程。     

2000-2012年祁连山植被覆盖变化及其与气候因子的相关性

研究祁连山地区植被覆盖变化及其与气候因子的响应关系对这一地区土地利用总体特征以及对区域及全球气候和环境变化都将产生深远的意义。利用2000-2012年美国国家航空航天局提供的MODIS NDVI数据并结合相应的气候资料,通过对逐像元信息的提取和分析,运用均值法、斜率分析法、相关分析法,研究了2000-2012年不同季节祁连山植被覆盖的时空变化及其与气候因子的相关性。结果表明:13 a来祁连山植被覆盖整体上呈增加趋势,其中春季植被改善最为明显,秋季次之;植被覆盖变化在不同季节都存在明显的空间差异;不同季节植被与气温、降水的时滞效应不尽相同;祁连山春季大部分地区NDVI与气温呈显著正相关,夏季NDVI与降水呈显著正相关,秋、冬季NDVI与降水、气温的相关性不明显。     

2001-2015年间我国陆地植被覆盖度时空变化及驱动力分析

本文基于MODIS-NDVI遥感数据反演计算了我国陆地2001—2015年地表植被覆盖度的空间分布，讨论了植被覆盖度的时空变化规律，分析了影响植被覆盖度近十几年来动态变化的主要驱动因素。研究结果表明：我国陆地植被覆盖度从2001—2015年，植被覆盖度总体上呈增加趋势，其中淮河流域、华北平原地区、以及黄土高原地区增加趋势显著。根据植被覆盖度在时间序列上的变化特征，可将其变化类型分为持续增长型、先减小后增长等六种类型，其中农业种植区基本为一直增长型，而主要森林覆盖区，特别是西南地区的植被覆盖度在研究时段内表现出波动性的变化特征。降水是驱动华北平原北部，内蒙古，以及西北大部分区域植被覆盖度动态变化的重要因素，东北、青藏高原等地区植被覆盖度受温度的影响较大，而在中国东南沿海地区，光照条件是影响该区域植被覆盖度的主要因素。     

2000年以来朝鲜植被覆盖变化及其与气候因子的相关性研究

生态环境的可持续与人类福祉和生态系统服务息息相关,研究植被覆盖变化及其与气候因子的相关性,探讨植被覆盖时空变化规律,探究气候因子对植被变化的驱动机制,对预见气候因子对生态系统影响、制定生态环境可持续保护策略具有深远意义。基于此,利用美国国家航空航天局发布的MODIS NDVI数据并结合相关的气候资料,通过对像元信息进行提取与分析,采用最大合成法、克里金插值法、相关分析法等方法,对2000-2016年朝鲜全境植被覆盖变化及其与气候因子的相关性进行了研究。结果表明：朝鲜全境植被覆盖空间分布不均,北部盖马高原、东北部咸镜山区,中、东部山地丘陵区为高值区;西、南部平原地区,东部沿海地带为低值区。NDVI值整体上增加,局部减少,空间差异明显。植被生长受气温和降水双重驱动,其中,气温对植被年内生长变化比降水作用更大;而气温因素中,年平均气温对植被生长的影响程度略大,NDVI对降水的响应存在明显滞后效应;NDVI对温度和降水的响应程度与空间地理位置、高程有关。区域植被NDVI年际变化主要受年最低气温和人类活动的影响。     

A Geo‐spatial study for analysing temporal responses of NDVI to rainfall

Climate change has become a serious concern worldwide owing to its multifaceted impact upon the physical as well as socio‐economic environment (IPCC, 2013). Vulnerability to climate change is much higher in the developing countries like India, where the economy is mainly agro‐based and productivity from the agricultural sector is dependent upon summer monsoon rainfall. Hence, assessing the quantitative relationship between vegetation patterns and climatic influence has become an increasingly important study conducted on regional and global scales. As vegetation cover plays a key role in conserving the natural environment, studying the spatio‐temporal trend of vegetation is crucial in identifying changes in the natural environment. We analysed the spatial responses of SPOT‐VGT NDVI to TRMM based rainfall during a sixteen year period (1998–2013) in the Bundelkhand region of Central India. The Normalized Difference Vegetation Index (NDVI) has proven to be a strong indicator of global vegetation productivity. Among climatic factors, rainfall robustly influences both spatial and temporal outline of NDVI. In this study, we used linear regression for analysing the statistical relationship among NDVI and rainfall and their trends. The study reveals a varying pattern of vegetation dynamics in response to rainfall over the area.     

Modeling Aboveground Biomass Using MODIS Images and Climatic Data in Grasslands on the Tibetan Plateau

Accurate quantification of aboveground biomass of grasslands in alpine regions plays an important role in accurate quantification of global carbon cycling. The monthly normalized difference vegetation index (NDVI), enhanced vegetation index (EVI), mean air temperature (Ta), ≥5℃ accumulated air temperature (AccT), total precipitation (TP), and the ratio of TP to AccT (TP/AccT) were used to model aboveground biomass (AGB) in grasslands on the Tibetan Plateau. Three stepwise multiple regression methods, including stepwise multiple regression of AGB with NDVI and EVI, stepwise multiple regression of AGB with Ta, AccT, TP and TP/AccT, and stepwise multiple regression of AGB with NDVI, EVI, Ta, AccT, TP and TP/AccT were compared. The mean absolute error (MAE) and root mean squared error (RMSE) values between estimated AGB by the NDVI and measured AGB were 31.05 g m^-2 and 44.12 g m^-2, and 95.43 g m^-2 and 131.58 g m^-2 in the meadow and steppe, respectively. The MAE and RMSE values between estimated AGB by the AccT and measured AGB were 33.61g m^-2 and 48.04 g m^-2 in the steppe, respectively. The MAE and RMSE values between estimated AGB by the vegetation index and climatic data and measured AGB were 28.09 g m^-2 and 42.71 g m^-2, and 35.86 g m^-2 and 47.94 g m^-2, in the meadow and steppe, respectively. The study finds that a combination of vegetation index and climatic data can improve the accuracy of estimates of AGB that are arrived at using the vegetation index or climatic data. The accuracy of estimates varied depending on the type of grassland.