1977－2020年额济纳胡杨林植被变化特征及其影响因子分析

基于1977－2020年Landsat影像，采用监督分类和归一化植被指数（NDVI），并结合气象、水文数据，对近44年额济纳绿洲胡杨林面积时空动态、植被状况，以及对其有影响的主要环境因素进行综合分析。结果表明：（1）2020年研究区胡杨林面积为2.99万 hm2，较1977年，胡杨林面积增长了1.62倍，东河西岸三角洲恢复面积较大。研究期内，胡杨林经历了衰落期和恢复期，最小面积为1990年的1.03万 hm2。（2）2001年实施生态调水后，研究区NDVI值增速达0.027/10 a (p<0.01)，是研究时段NDVI值增速的2倍，调水前NDVI值增速的45倍。（3）虽然月NDVI值与月均温相关系数为0.463 (p<0.01),但年NDVI值与气候因素相关性并不明显，而与正义峡径流量显著正相关（相关系数为0.437，p<0.05），并且实施黑河调水与胡杨林景观生态功能改善的时间段同步。生态调水后，研究区NDVI值升高了0.011，裸地面积减少0.17万 hm2。     

水体透明度遥感反演算法研究进展

水体透明度(Secchi Disk depth,SDD)是水环境监测的重要参数,遥感技术对于监测水体透明度具有重要的应用前景。本文旨在分类和比较当前用于监测水体透明度的算法,并提出未来研究的方向,以推动水环境监测技术的进一步发展。文章对目前检索水体透明度的算法进行分类和比较。其中,经验算法、半分析算法和机器学习算法是目前研究的主要方向。通过分析算法特性和优缺点,提出未来研究的重点和方向。经验算法基于透明度与光谱数据、叶绿素a浓度等的相关性,半分析算法基于水下能见度理论,机器学习算法则基于更优的数据特征学习能力。不同算法具有各自的适用范围和限制。未来的研究应该着重于整合多源遥感数据,改进QAA (quasi-analytical-algorithm),深入分析光学参数与水体透明度的关系,将机器学习算法应用到水体透明度模型的建立中,以建立具有高精度、适用性广的反演模型。