PROSAIL模型模拟下的植被指数土壤调节能力比较与适用环境分析

为了消除土壤背景信息对植被指数的影响,近几十年发展了土壤调节植被指数系列(SAVI family)。在不同环境条件下,不同指数抗土壤影响的能力不同。在总结了以消除土壤影响为目的的植被指数建立过程的基础上,利用PROSAIL辐射传输模型模拟的两组数据集,比较分析了NDVI、SAVI、TSAVI、MSAVI、OSAVI和GESAVI在不同叶面积指数(LAI)对应不同土壤背景的情况下抗土壤干扰、表达植被信息的能力,指出了不同植被指数应用的最适环境条件。结合植被指数—信噪比图,将这6种植被指数分成3类:在中低LAI值下,若植被覆盖度均匀,OSAVI和TSAVI有较强的消除土壤影响、表达植被信息的能力;当区域LAI分布不均、植被类型混杂时,MSAVI在表达植被信息时具有较好的稳定性。根据每类植被指数的特征,利用MODIS-VI和MODIS-LAI产品初步验证了上述结论的有效性。     

多光谱多角度遥感数据综合反演叶面积指数方法研究

叶面积指数是陆地生态系统的一个十分重要的结构参数。用遥感数据求取叶面积指数可以利用光谱的信息,比如通过植被指数来拟合一个经验关系,但很多植被指数明显受土壤背景的影响,对于有明显行结构的农作物,土壤的影响很难消除,植被指数的方法误差较大。多角度遥感包含了大量的地面目标的立体结构信息,具备求解植被特征参数的潜力,但通常多角度遥感反演对光谱信息的利用不足。与以往的反演方法相区别,该文利用行播作物二向反射模型,将多角度与多光谱数据结合进行行播作物LAI反演实验,并对反演算法进行了详细的敏感性分析实验,结果表明采用多角度、多光谱遥感数据相结合的方法可以有效反演行播作物的叶面积指数。     

基于室内光谱反射率的土壤线影响因素分析

为了更好地估算植被指数,必须计算不同土壤类型的土壤线;但由于土壤线的影响因素较多,因此土壤线参数获取困难.本文以室内土壤高光谱反射率为主要研究对象,分析并确定影响土壤线的主要因素;利用室内土壤光谱反射率计算土壤线,将所得土壤线参数用于与土壤线有关的植被指数的计算,比较这些植被指数与大豆生理参数(叶绿素a与叶面积)的相关关系是否强于归一化植被指数(NDVI),分析该土壤线参数计算方法的可行性.结果表明:土壤线的影响因素主要有土壤类型、有机质、矿物组成、秸秆覆盖等;而土壤水分、粗糙度等尽管对土壤光谱反射率大小也有很大影响,但由于对光谱曲线形状影响较小,因此对土壤线的影响也较小;与土壤线有关的植被指数部分消除了土壤背景的影响,其与大豆生理参数的相关系数显著高于NDVI,说明利用室内土壤光谱反射率计算土壤线的方法可行,所得参数适于计算基于土壤线的植被指数.     

基于多源遥感数据的植被覆盖度反演方法比较研究

采用GF-1号、ZY-3号以及Landsat-8卫星数据,利用回归模型和像元二分模型,通过对建立的四类植被指数NDVI、MSAVI、MVI和RVI,结合野外调查数据,提出NSD的概念来评价模型及方法的精度。实测数据与各类遥感影像的4种植被指数间均存在着显著的相关关系;通过NSD精度验证,说明空间分辨率较低的遥感数据,在一定程度上提高了反演精度;在4类植被指数中,RVI与MSAVI对于三类数据反演精度较高,且MSAVI对于较低分辨率遥感数据可能具有更好的消除土壤背景影响的作用。     

基于SPOT5遥感影像的城市森林叶面积指数反演

本文以上海城市森林为研究对象,采用地面实验与遥感技术相结合方法,开展SPOT5遥感影像在估测城市森林LAI中的应用研究。结果表明,地面实测LAI与三种植被指数均具有很好的线性回归关系,相关系数(r)均大于0.6,其中MSAVI的相关系数最高(r=0.66),其次为MCARI(r=0.64)和NDVI(r=0.62)。说明ND-VI仍受到背景等因素不同程度的影响,而植被指数MSAVI和MCARI,由于能进一步消除土壤背景和叶绿素的影响,对叶面积指数比较敏感,能更好地与叶面积指数建立关系,能更好地用于城市森林叶面积指数的遥感反演。本研究可为快速定量评估城市森林的结构和功能提供依据。     

基于RS和GIS的农作物估产方法研究进展

实时获取农作物长势及产量等信息对于现代农业的发展具有重要意义。近年来,随着遥感技术(remote sensing,RS)和地理信息系统(geographic information system,GIS)广泛应用于农作物估产领域,相继出现了一些较为实用的估产方法,主要有结合辅助数据的估产方法、基于植被指数的估产方法、基于特定模型的估产方法和基于农作物估产平台(软件)的开发等。其中,基于植被指数的估产方法又分为单一和多植被指数估产2类方法。在对近年来该领域大量文献深入研究的基础上,着重就几类热点方法展开论述,并对每类方法的优势和缺陷进行了评述,最后对该领域需要进一步研究的方向进行了探讨和展望,以期为后续研究提供参考。     

改进的表观热惯量法反演土壤含水量

提出一种改进的表观热惯量计算模型,以中科院栾城农业生态系统试验站为基地,通过实测的模型参数,利用提出的表观热惯量模型计算不同植被覆盖下、不同实验区土壤含水量的热惯量值,并与土壤含水量进行相关性分析,以找到热惯量方法可以用来反演土壤含水量的适用条件(归一化植被指数NDVI的阈值).实验结果表明,该模型监测土壤含水量是可行的,在植被覆盖度较低的情况下(NDVI≤O.35)具有较高的精度,在植被覆盖度较高(NDVI＞0.35)时,热惯量模型失效,因此用热惯量方法反演土壤含水量植被覆盖时将NDVI阈值的最大值设为0.35.将该方法应用到MODIS数据中,以河北省栾城县、赵县、藁城市3市县为研究区,分别反演该区土壤含水量,反演结果与实际情况相符合.实地取点人工监测土壤含水量为25.1％,栾城站模型计算结果为22.4％,匹配性较好,该方法在遥感数据中得到了很好的应用.     

黄河三角洲地区地下水埋深遥感反演

黄河三角洲地区地理位置特殊,水资源供需矛盾尖锐,为了研究其地下水分布状况,使用MODIS遥感数据、实测土壤相对含水量和地下水埋深数据,利用温度植被干旱指数(temperature vegetation dryness index,TVDI)和表观热惯量法(apparent thermal inertia,ATI)对研究区土壤相对含水量进行遥感估算;通过分析不同深度处土壤相对含水量与地下水埋深的相关性,建立了反演地下水埋深的线性方程,得到了研究区地下水埋深分布状况图.结果表明:利用地表10 cm深度处测得的土壤相对含水量反演地下水埋深的结果较为合理;在缺少土壤相对含水量数据时,可以用反映土壤相对含水量高低的因子估算地下水的埋深.     

南方丘陵区植被覆盖度遥感估算的地形效应评估

植被覆盖变化是生态环境领域的核心研究内容之一,但其估算精度常受到地形效应、土壤背景、大气效应等各种因素影响。以Landsat 8 OLI为遥感数据源,基于像元二分模型,分别利用归一化差值植被指数(NDVI)、经Cosine-C校正的归一化差值植被指数(NDVI)和归一化差值山地植被指数(NDMVI)建立植被覆盖度估算模型,以评估南方丘陵区植被覆盖度的地形效应。结果表明,3种植被覆盖度估算模型均能削弱地形效应,但消除或抑制地形效应影响的能力不同。比较而言,基于NDMVI指数构建的植被覆盖度估算模型的地形效应最小,更适合地形复杂区域的植被覆盖度遥感估算;基于Cosine-C校正的NDVI植被指数构建的植被覆盖度估算模型的地形效应次之,但存在一定的过度校正现象;基于NDVI植被指数构建的植被覆盖度估算模型的地形效应最大,尤其当坡度≥10°时,阴坡植被覆盖度比阳坡明显偏低。     

基于植被指数模型的淡水湖泊湿地景观信息提取

高邮湖湿地是江苏省重要湿地之一,对生态、环境控制、调节气候和保护生物多样性具有重要意义。采用2007年的LandsatTM影像作为遥感信息源,选择影像的光谱特征和比值植被指数(RVI)、差值植被指数(DVI)、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、土壤调节植被指数(SAVI)和最佳土壤调节植被指数(OSAVI)6种植被指数做了光谱特征分析,从而确定出最佳指数模型,并基于决策树方法,实现研究区景观信息的遥感分类。研究结果表明,决策树分类法易于综合多种特征进行遥感影像分类,植被指数参与到决策树分类中能够提高分类的总体精度,其总体精度达到79.58%,Kappa系数为0.721 0,分类结果理想且人工参与灵活。     

Crop yield estimation model for Iowa using remote sensing and surface parameters

Numerous efforts have been made to develop various indices using remote sensing data such as normalized difference vegetation index (NDVI), vegetation condition index (VCI) and temperature condition index (TCI) for mapping and monitoring of drought and assessment of vegetation health and productivity. NDVI, soil moisture, surface temperature and rainfall are valuable sources of information for the estimation and prediction of crop conditions. In the present paper, we have considered NDVI, soil moisture, surface temperature and rainfall data of Iowa state, US, for 19 years for crop yield assessment and prediction using piecewise linear regression method with breakpoint. Crop production environment consists of inherent sources of heterogeneity and their non-linear behavior. A non-linear Quasi-Newton multi-variate optimization method is utilized, which reasonably minimizes inconsistency and errors in yield prediction.     

距平植被指数在1992年特大干旱监测中的应用

本文重点阐述ＮＯＡＡ极轨气象卫星距平植被指数的处理技术及算法，以及在１９９２年干旱监测中的应用。距平植被指数是以归一化植被指数（ＮＤＶＩ）多年旬、月平均值作为背景，然后用当年旬、月的ＮＤＶＩ值减去背景值。植被指数的距平值不仅反映了植被年际间的变化，而且也指示了天气对植被的影响。用这个量监测农作物是否遭到旱灾威胁比只用ＮＤＶＩ的瞬时值优越。研究结果表明当月的距平植被指数与当月降水量距平百分率相一致。     

Geostatistical estimation of signal-to-noise ratios for spectral vegetation indices

In the past 40 years, many spectral vegetation indices have been developed to quantify vegetation biophysical parameters. An ideal vegetation index should contain the maximum level of signal related to specific biophysical characteristics and the minimum level of noise such as background soil influences and atmospheric effects. However, accurate quantification of signal and noise in a vegetation index remains a challenge, because it requires a large number of field measurements or laboratory experiments. In this study, we applied a geostatistical method to estimate signal-to-noise ratio (S/N) for spectral vegetation indices. Based on the sample semivariogram of vegetation index images, we used the standardized noise to quantify the noise component of vegetation indices. In a case study in the grasslands and shrublands of the western United States, we demonstrated the geostatistical method for evaluating S/N for a series of soil-adjusted vegetation indices derived from the Moderate Resolution Imaging Spectroradiometer (MODIS) sensor. The soil-adjusted vegetation indices were found to have higher S/N values than the traditional normalized difference vegetation index (NDVI) and simple ratio (SR) in the sparsely vegetated areas. This study shows that the proposed geostatistical analysis can constitute an efficient technique for estimating signal and noise components in vegetation indices.     

Comparison of three remotely sensed drought indices for assessing the impact of drought on winter wheat yield

ABSTRACT

Agricultural drought threatens food security. Numerous remote-sensing drought indices have been developed, but their different principles, assumptions and physical quantities make it necessary to compare their suitability for drought monitoring over large areas. Here, we analyzed the performance of three typical remote sensing-based drought indices for monitoring agricultural drought in two major agricultural production regions in Shaanxi and Henan provinces, northern China (predominantly rain-fed and irrigated agriculture, respectively): vegetation health index (VHI), temperature vegetation dryness index (TVDI) and drought severity index (DSI). We compared the agreement between these indices and the standardized precipitation index (SPI), soil moisture, winter wheat yield and National Meteorological Drought Monitoring (NMDM) maps. On average, DSI outperformed the other indices, with stronger correlations with SPI and soil moisture. DSI also corresponded better with soil moisture and NMDM maps. The jointing and grain-filling stages of winter wheat are more sensitive to water stress, indicating that winter wheat required more water during these stages. Moreover, the correlations between the drought indices and SPI, soil moisture, and winter wheat yield were generally stronger in Shaanxi province than in Henan province, suggesting that remote-sensing drought indices provide more accurate predictions of the impacts of drought in predominantly rain-fed agricultural areas.     

中国西部地区基于经验模型的土壤水分反演

地表土壤水分含量的时空分布信息是十分重要的,常常作为水文模型、气候模型、生态模型的输入参数,同时,也是干旱预报、农作物估产等工作的重要指标。被动微波遥感是监测土壤含水量最有效的手段之一。相比红外与可见光,它具有波长长,穿透能力强的优势。相比主动微波雷达,被动微波辐射计具有监测面积大、周期短,受粗糙度影响小,对土壤水分更为敏感,算法更为成熟的优势。目前,已研究出许多反演土壤水分的方法.本课题的主要内容是借助AMSR-E土壤水分影像数据、MODIS归一化植被指数(NDVI)影像数据和MODIS分类影像数据,利用ENVI软件进行遥感图像数据处理,运用统计分析方法建立NDVI与土壤水分的经验模型,研究中国西部地区稀疏植被覆盖区土壤水分的反演。     

土壤湿度信息遥感研究

土壤湿度是农业生产与应用过程中非常重要的因素,决定农作物的水分供应状况.本文利用MODIS产品数据获取的归一化植被指数(NDVI)和陆面地表温度(Ts)构建Ts-NDVI特征空间,根据温度植被干旱指数(TVDI)的研究原理与方法,对研究区2010年5～8月份土壤湿度分布情况进行遥感监测.结合气象数据与土壤墒情资料对局部...     

PDI与MPDI在内蒙古干旱监测中的应用和比较

以内蒙古明安镇为试验区,基于TM遥感影像对PDI和MPDI两种干旱监测方法进行了应用、验证和比较。试验表明,PDI、MPDI与植被覆盖区实测土壤含水量的相关系数的平方分别为0.37、0.535 5,这两种指数在试验区进行干旱监测具有一定的可行性,且MPDI的监测精度高于PDI。此外,通过整个试验区PDI和MPDI空间分布格局的比较以及这两种指数值与植被覆盖区实测土壤含水量的对比分析,发现在整个试验区,两者的监测结果基本一致,但在植被覆盖区,MPDI的干旱监测效果要明显好于PDI,这主要是因为MPDI考虑了植被覆盖的影响。     

阜新地区干旱监测研究

选定温度植被干旱指数法建立阜新地区干旱监测模型。通过参数的确定,得到温度植被干旱指数,再通过阜新地区的气象站点地面实测土壤含水量数据,建立温度植被干旱指数-土壤含水量（ TVDI-SWC ）经验模型。通过回归分析以及2007年预测分析的实验数据表明, TVDI-SWC模型适用于阜新地区早春的干旱监测,可以使用该方法来实现对阜新地区的整体旱情状况快速,准确的评估。     

Estimation of vegetation LAI from hyperspectral reflectance data: Effects of soil type and plant architecture

The retrieval of canopy biophysical variables is known to be affected by confounding factors such as plant type and background reflectance. The effects of soil type and plant architecture on the retrieval of vegetation leaf area index (LAI) from hyperspectral data were assessed in this study. In situ measurements of LAI were related to reflectances in the red and near-infrared and also to five widely used spectral vegetation indices (VIs). The study confirmed that the spectral contrast between leaves and soil background determines the strength of the LAI–reflectance relationship. It was shown that within a given vegetation species, the optimum spectral regions for LAI estimation were similar across the investigated VIs, indicating that the various VIs are basically summarizing the same spectral information for a given vegetation species. Cross-validated results revealed that, narrow-band PVI was less influenced by soil background effects (0.15 ≤ RMSE_cv ≤ 0.56). The results suggest that, when using remote sensing VIs for LAI estimation, not only is the choice of VI of importance but also prior knowledge of plant architecture and soil background. Hence, some kind of landscape stratification is required before using hyperspectral imagery for large-scale mapping of vegetation biophysical variables.