近20年鄂西地区植被覆盖度时空变化特征分析

基于2000—2020年的MOD13Q1 NDVI遥感数据,使用像元二分模型计算湖北省西部山体区域的植被覆盖度,并利用斜率模型、马尔可夫转移矩阵模型和赫斯特指数综合分析了植被覆盖度的时空变化规律。结果表明,研究区的植被覆盖度总体呈上升趋势,平均植被覆盖度增加了0.025,轻微增长区域面积为44 359.26 km²,显著性增长面积为3 069.375 km²,不显著性变化的面积为39 862 km2。2000—2020年期间,时序植被覆盖度的赫斯特指数为0.63,表明研究区内植被覆盖度的增长趋势在未来是可持续的。本研究成果不仅可为城市生态环境评价提供科学依据,而且可为城市的生态建设和可持续发展提供决策支持。     

大连市河岸带植被覆盖度监测

利用遥感数据,采用NDVI像元二分模型对大连市河流河岸带植被覆盖度进行监测。结果表明,2000年、2007年、2011年和2016年全市河岸带平均植被覆盖度分别为0.55、0.55、0.52和0.52,处于0.4～0.6间的河岸带面积超过河岸带总面积的60%。在研究时间范围内,碧流河水系、大沙河水系、英那河水系、庄河水系河岸带植被覆盖度逐渐降低,登沙河水系、复州河水系河岸带植被覆盖度呈升高趋势。除复州河水系外,其他水系干流河岸带植被覆盖度的变化趋势与整个水系基本相同。河岸带植被覆盖度变化主要受河流水利工程建设影响,与降水量和平均温度无关。     

基于NDVI估算植被覆盖度的研究——以滁州市为例

植被覆盖度是衡量地表植被状况的一个最重要的指标,也是影响土壤侵蚀与水土流失的主要因子。本文是在像元二分模型两个重要参数(NDVIveg、NDVIsoil)推导的基础上,对已有模型进行了改进,建立用归一化植被指数(NDVI)估算植被覆盖度的模型,并应用该模型计算出滁州市的植被覆盖度。通过滁州市部分地区的实地考察,对植被覆盖度的估算结果进行了验证,结果表明使用此改进模型进行植被覆盖度遥感监测是可行的。     

基于时序NDVI的昭觉植被覆盖度变化研究

归一化植被指数(NDVI)能精确地反映植被绿度、光合作用强度,在一定程度上反映着植被的演化信息,是评价生态环境状况的重要指标之一。本文利用Landsat TM数据分别对昭觉地区2009年和2014年的NDVI进行计算,并分别利用均值法、像元二分模型及NDVI差值植被指数对研究区域植被覆盖变化进行定量分析,结果表明:昭觉县NDVI均值上升了11.6%,植被覆盖度中极度改善的面积比例约占38%,昭觉县整体NDVI植被覆盖度显著提高,并对其变化原因进行简要分析,为生态环境建设提供决策依据。     

京津冀平原区植被覆盖变化及地下水开采对其影响分析

使用京津冀平原区2000—2019 MODIS NDVI数据,采用像元二分模型、线性回归分析、趋势分析等方法,估算分析近20年京津冀平原区植被覆盖度的时空变化趋势,结合地下水开采数据,分析地下水开采对其的影响.研究结果表明:近20年京津冀平原区植被覆盖度呈不显著下降趋势,下降速度为0.017/10 a;京津冀平原区植被覆盖度变化趋势主要为轻微改善和轻微退化,两者占比69.97％,严重退化区占比11.94％,邯郸市和邢台市植被覆盖度退化尤为严重,植被覆盖度明显改善占比为5.34％,改善的地区主要分布在沧州、衡水、天津的一些小区县;京津冀平原区地下水不同开采程度区域的植被覆盖度并未表现出明显差异性变化,地下水开采对植被覆盖度影响不显著.     

基于像元二分模型的北票市植被覆盖度动态变化研究

植被覆盖度是衡量植被群落对地表覆盖的一个综合指标,应用ENVI软件和NDVI植被归一化指数可以快速获得研究区域的植被覆盖度。本文以辽宁省北票市的Landset-8遥感影像为研究对象,应用ENVI软件,在像元二分模型的基础上,利用NDVI归一化植被指数对辽宁省北票市植被覆盖度进行估算,得出了2013、2015、20173个年度覆盖度的变化情况。     

路域植被覆盖度时空变化遥感定量反演

通过对路域植被覆盖度反演及其时空变化特征分析,可再现公路建设和运营对路域两侧生态环境的干扰过程和强度,反映路域生态环境质量。以京港澳高速(G4)长潭段为研究区,建立路域植被覆盖度遥感定量模型及主成分分析模型,分析路域植被覆盖度的动态变化空间格局及其变异性,并寻求其主要驱动因子。结果表明,影响路域植被时空格局的主要驱动力因子是公路运营带来的经济因素,环境因素次之,与地区实际经济发展情况吻合。     

中国北方地区植被覆盖度遥感估算及其变化分析

为了分析中国北方地区2000年之后植被覆盖度的时空分布及其变化,利用MODIS光谱反射率数据计算归一化植被指数,采用像元二分模型对中国北方地区2000—2012年植被覆盖度进行定量估算,分析研究区13 a间植被覆盖度的时空变化特征。研究结果表明:植被覆盖度年内变化特征体现在最大植被覆盖度一般出现在7和8月份,与中国北方地区植被的生长季相一致;整个中国北方地区年最大植被覆盖度呈现缓慢增长的趋势,其增长速率为每年0.2%;年最大植被覆盖度变化的空间分布具有较大差异,其中东北、华北和黄土高原等三北防护林工程建设区的年最大植被覆盖度有较明显的增长。     

黑河中下游植被覆盖度变化遥感监测

自2000年国家决策实施水量统一调度以来,黑河中下游生态环境得到好转,但缺乏一个客观公正的评价方法加以验证。本文考虑黑河中下游区域面积大、数据资料缺乏等特点,提出了基于卫星遥感影像提取生长季植被指数计算植被覆盖度（VFC）,并对VFC的空间分布特征、面积占比、变化趋势等进行了分析。研究表明,2000—2017年18年间,黑河中下游区域均存在低覆盖植被向其他类型覆盖植被转化现象,高植被覆盖区域面积增加,植被覆盖情况整体趋好。该结论与黑河中下游区域生态环境变化现状相符,证明本文方法可以作为区域生态环境评价的重要方法支撑。     

像元分解模型的植被覆盖度遥感估算

为了提高植被覆盖度遥感估算方法的精度,该文针对置信度方法和空间克里金插值方法各自存在的问题,基于线性像元二分模型,分别采用置信度方法和空间克里金插值方法计算推导,确定像元二分模型中两个重要参数NDVIveg和NDVIsoil,实现估算植被覆盖度,并对两种方法进行对比分析,同时提出方法中存在的问题以及模型的优化改进方向。     

1988—2018年间洱海流域植被覆盖度时空变换特征探究

植被覆盖度作为反映地表生态环境的重要指标,被广泛应用于区域生态状况与生态地质问题的调查与研究工作中.以洱海流域为研究区,基于谷歌地球引擎(Google Earth Engine,GEE)云计算平台,利用455景30 m空间分辨率Landsat系列影像获取了1988—2018年间流域尺度的年最大归一化植被指数(norma...     

GF-2支持下的干旱区稀疏植被区植被覆盖度估算

现有像元二分模型MODIS植被覆盖度模型因其形式简单、适用性较强的特点被广泛应用于区域植被覆盖度(FVC)的估算。然而,研究表明在沙漠和低植被覆盖的西部干旱区,从250 m的影像上很难精准地获取NDVIveg(全植被覆盖植被指数)和NDVIsoil(全裸土区植被指数)参数。利用常用的直方图累计法获取模型所需参数NDVIveg和NDVIsoil,估算结果存在普遍高估现象。为此,本文首先引入同期获取的GF-2号卫星数据,从GF-2号影像上提取植被覆盖像元;然后,利用Pixel Aggregate方法重采样至250 m分辨率,获取250 m空间分辨率下纯植被和纯裸土像元;最后,将纯植被和纯裸土像元各自空间位置相对应的MODIS NDVI数据最大值作为模型所需NDVIveg和NDVIsoil参数,实现研究区内植被覆盖度的估算。试验通过与线性回归法、多项式回归法和直方图累计像元二分模型法估算结果进行精度对比,结果表明:利用GF-2影像辅助的像元二分模型,精准地获取了低植被覆盖区NDVIveg和NDVIsoil模型参数,提高了干旱区植被覆盖度的估算精度,并有效地抑制了受稀疏植被影响NDVI在干旱区普遍偏高问题导致的FVC高估的现象。     

基于环境星CCD数据的区域植被覆盖度遥感估算

以雅砻江流域二滩水库周边为研究区,选用环境星CCD数据,基于NDVI的像元二分模型进行了研究区植被覆盖度的遥感估算,并将估算结果与同时期TM影像估算结果作对比。结果显示,估算结果基本吻合,表明环境星CCD数据可以用于多源遥感数据融合分析区域植被覆盖状况研究。     

基于PIE-Engine云平台的2018—2022年辽宁省植被覆盖度时空演变及影响因素

基于PIE-Engine(航天宏图)云平台,对2018—2022年辽宁省哨兵2A(Sentinel-2A)地表反射率数据进行处理,计算得到归一化植被指数NDVI,在此基础上利用像元二分模型计算植被覆盖度FVC,对计算得到的FVC结果运用趋势分析、偏相关分析等方法分析了辽宁省FVC时空演变情况及其影响因素。研究表明：1)2018—2022近5年辽宁省植被覆盖度FVC均值整体上呈波动上升趋势,植被覆盖度FVC均值由71.5%增至73.2%,其增长速率为2.3%。2)植被覆盖度FVC在空间上由西北向东北呈现逐渐递增的趋势,相比于退化地区的植被覆盖度提高的幅度大。植被覆盖度改善的区域明显大于退化区域,表明辽宁省植被覆盖情况得到恢复。3)相比较而言,高程和坡度是影响植被覆盖度FVC值的显著因子,FVC值随高程呈“下降—上升—下降”的变化趋势,同时FVC值随坡度的增加呈逐渐增加的趋势;4)FVC受气候的影响因素较大,3个气候因子与FVC有较强的相关性,年平均气温对FVC变化影响最大。     

超贫磁铁矿区植被覆盖度变化的遥感监测

超贫磁铁矿的开发会对地表产生剧烈的扰动。为监测2001年以来长河矿区植被盖度的变化情况,本文分别采用2001年和2015年的Landsat TM和OLI影像数据,基于归一化植被指数(Normalized Difference Vegetation Index,NDVI)的像元二分模型对该地区的植被盖度进行定量估算,并分析其时空变化特征。结果显示:2001—2015年间,高级植被覆盖度区域面积减少了29.4 km~2,低级和中低级植被覆盖度区域面积增加了17.9 km~2;在变化幅度上,植被覆盖度中、大幅度增加区的面积为1.9 km~2,而中、大幅度减少区面积为25.6 km~2。空间特征分析表明,研究区内植被覆盖度变化较大的区域均与采矿活动区有紧密联系。     

利用不同植被指数估算植被覆盖度的比较研究

选用蔬菜地和草地2种植被类型,利用ASD光谱仪实测二者在不同覆盖度下的光谱响应,分析了归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、修正植被指数(MVI)、修改型土壤调节植被指数(MSAVI)以及全球环境监测植被指数(GEMI)等6种植被指数所用的最佳波段及其组合,进而研究了利用像元二分模型估算植被覆盖度时的不同植被指数的表现.结果表明,与蔬菜地植被指数相关系数较高的波段组合为620 ～ 740 nm谱段和780 ～ 900 nm谱段内波段的组合,与草地植被指数相关系数较高的波段组合为620 ～750 nm谱段和760 ～900 nm谱段内波段的组合,相关系数均达0.8以上;在高光谱数据构建的植被指数和模拟卫星数据构建的植被指数中,用DVI和MSAVI估算植被覆盖度,平均总体精度分别达到83.7％和79.5％,与其他4种植被指数相比,这2种指数更适合于利用像元二分模型进行植被覆盖度的估算.     

青藏高原植被覆盖度与地形相关性分析

提取青藏高原海拔高度、坡向,用分级分类的方法综合分析了青藏高原植被覆盖度和地形的相关性,利用30 m ASTER GDEM数据、Landsat影像数据及植被类型等资料,结合ERDAS和ArcGIS 9.3软件对青藏高原DEM进行处理,计算NDVI,研究得出的主要结论如下:1青藏高原海拔高度在4 500 m处的NDVI最高;5 500 m之后的NDVI逐渐降低,海拔与植被覆盖度呈负相关;2青藏高原北坡、西北坡和东北坡的NDVI较高,南坡的NDVI较低,阳坡的NDVI较高,阴坡的NDVI较低。     

雅安市植被覆盖度时空变化与驱动力分析

以2005—2020年遥感影像为数据源,采用像元二分法计算得到雅安市植被覆盖度,并结合DEM和气象数据,通过趋势分析、地理探测器和变异指数分析了不同海拔带、坡度带、坡向、降水和气温下植被覆盖度的时空变化特征和波动程度,探讨了影响植被覆盖度的主要因子。结果表明：(1)雅安市2005—2020年植被覆盖度一直呈上升趋势,且植被覆盖度较高;(2)植被覆盖度波动小,受外界环境影响小,植被生态环境稳定;(3)植被覆盖度整体得到改善的面积比例远大于退化;(4)海拔对植被覆盖度变化的解释力最强,交互作用以非线性增强为主,其中海拔和坡度的叠加作用最大。     

不同分辨率影像反演植被覆盖度的参数确定与尺度效应分析

选择新疆古尔通班古特沙漠南缘的石河子地区作为研究区,针对统计回归模型需要大量实测数据,而像元二分模型(dimidiate pixel model,DPM)参数难以确定的缺点,提出了利用统计回归的结果反推像元二分模型参数来建立研究区遥感反演植被覆盖度的方法。运用该方法研究了利用TM和MODIS遥感影像数据分别反演植被覆盖度的参数化方案;同时,还研究了采用不同遥感数据源和不同反演模型时研究区植被覆盖度信息提取中存在的尺度效应。