基于植被信息遥感反演的东亚飞蝗监测研究

植被是东亚飞蝗发生和成灾的重要指示因子。运用遥感技术对植被生长进行监测,对东亚飞蝗的预测和防治具有重要意义。以河北省黄骅市为研究区,利用实地获取的植被冠层孔隙度数据反算的LAI数据以及Landsat-5 TM影像提取的各种VI数据,进行了LAI(LAI-2000改进型算法的反算结果)与TM影像上反演的VI之间的相关分析。结果表明,RDVI最适合反映研究区植被生长状况。分析RDVI与飞蝗发生面积的关系,发现两者呈负线性相关,即随着RDVI减小,飞蝗的发生面积呈线性增大。     

改进的基于视觉认知特征的植被识别方法

在高分辨率遥感图像中,可以在没有任何先验知识的前提下,仅采用待处理图像本身的色调特征,基于植被视觉认知特征,高精度地提取出植被区域.为了提高该方法在色调较暗图像中的提取精度,在简要阐述该方法原理的基础上,针对该方法在色调较暗图像中容易发生非植被区域误判、植被信息提取精度不高的不足,对其进行了技术改进——将植被指数(NDVI)法加入到该方法中,并在检测植被区域轮廓前进行一次数学形态学闭运算.改进后的方法可以很好地去除非植被区域的误判,使其在色调偏暗的图像中也具有一定的提取精度,扩展了该方法的适用范围.     

长江上游MODIS影像的水体自动提取方法

利用MODIS资料,分析了长江上游不同水体及其它主要地物在1～7通道的光谱特征,分析发现,水体混合像元在可见光的光谱特征与山体的阴影、云的阴影、城镇等的光谱特征具有很好的相似性,仅采用近红外波段和红光波段的方法不能有效提取出研究区的水体.提出综合采用归一化差分水指数、积雪指数以及可见光、近红外多通道信息的方法,逐步提取出研究区的水体及混合水体像元.     

利用归一化层速度预测和研究储层物性的方法

归一化层速度是对任意深度处的层速度进行归一化处理的一种速度形式，归一化处理的目的是把任意深度处的层速度转换为与深度无关的格式，归一化后层速度的横向变化主要取决于地层岩性，孔隙度等物性的变化，利用这一特点可以方便地利用已知钻井资料对其进行标定，比较简单地进行地层岩性，孔隙度等特性的预测。实际应用表明，其预测结果与钻井揭示吻合较好，预测效果令人满意。     

中国比辐射率空间分布特征分析

使用2003-2013年MOD/MYD11C3地表比辐射率光谱数据、MOD/MYD13C2植被指数光谱数据,合成全国各月地表比辐射率、NDVI(Normalized Difference Vegetation Index)。基于DEM数据分析比辐射率与NDVI随海拔、坡向的变化规律。结果表明:(1)比辐射率低值段(0.960~0.970)主要分布在我国西北荒漠地区,面积比例全年变化不显著,代表了干燥裸土下低比辐射率的特征;中值段(0.970~0.975)分布于我国大部分植被覆盖地区,面积比例夏高冬低,代表植被覆盖下混合像元的中比辐射率特征;高值段(0.975~0.980)位于我国部分高海拔和高纬度地区,面积比例冬高夏低,代表冰雪与植被混合像元的高比辐射率特征。(2)比辐射率与NDVI随坡向变化呈明显的"双峰双谷"分布。东南坡、西坡为峰值,最大值位于东南坡;南坡、北坡为谷值,最小值位于北坡。两者变化一致性很高。受不同坡向太阳方位角下的地形敏感性与植被覆盖综合影响,比辐射率表现出随坡向的峰谷变化规律。(3)随海拔升高,比辐射率呈垂直地带性变化。存在3个下降区:250 m~1250 m、2500 m~3000 m和4750 m~6000 m;3个上升区:1250 m~2500 m、3000 m~4750 m和6000 m~6500 m。这与NDVI随海拔变化特征类似,反映垂直下垫面植被变化对比辐射率空间分布的影响。     

锡林郭勒草原植被生长对降水响应的滞后性研究

植被生长对气候因子变化的响应一直是全球气候变化研究的热点.NDVI作为植被生长的有效指示因子广泛的应用在植被遥感中.多数滞后性响应的研究基于月尺度或季节尺度的NDVI,容易夸大或缩小滞后效应,不利于滞后时间的确定.为了揭示降水对草原植被生长的有效作用尺度,本研究以2001年至2007年MODIS反射率数据和气象站点的降水为数据源,分析了时间间隔8天的内蒙古锡林郭勒盟草原生长季NDVI的变化特征以及NDVI与不同尺度的累积降水的相关关系.结果表明,年内生长期草原的NDVI变化呈单峰型,荒漠草原的NDVI变化没有草甸草原和典型草原明显.草原生长对降水存在明显的滞后,一般在50～60天,不同类型的草原滞后时间不同,但均无明显差异.同时,分析指出4～9月草原植被在不同时间段对降水响应的滞后时间分别为64、80、40、40、56和64天,特别是6月和7月份草原植被生长对降水变化的响应最为敏感.这为NDVI预测干旱提供参考.     

Landsat时序数据支持下的藏东南植被时空变化监测

本文利用GEE平台和1990—2019年巴宜区Landsat遥感影像,采用像元二分模型、相关性分析等方法分析了巴宜区植被覆盖度的时空变化特征与驱动力。研究结果表明:①1990—2019年巴宜区植被覆盖度总体呈稳中有增的趋势,其中,河谷区域增加明显,而高海拔区域相对稳定;②1990—2019年巴宜区气温呈显著升高,降水略有下降,总体呈"暖干化",气温较降水量对植被覆盖变化更明显,但气候变化对植被覆盖变化影响总体不明显;③1990—2019年巴宜区植被覆盖变化与人类活动有很好的相关性,其中,低、中低、中、中高植被覆盖区域,呈显著的负相关,而高植被覆盖区域呈正相关。本文基于遥感大数据和地理云计算的植被覆盖监测动态监测和定量分析方法,能对高山峡谷区生态评估和演替分析提供一定的技术支撑和科学数据。     

遥感植被分类方法的概述及发展

卫星遥感技术的发展为大范围作物的识别分类提供了新的方法，90年代以来国外主要使用卫星遥感结合植物表面温度、地形等非遥感要素对地面植被进行判识分类，我国自80年代以来应用图像纹理、植被指数变化、植被指数的动态聚类及经验正交函数等方法对大范围植被分类进行了研究。近年来，为提高植被分类精度已在提高资料的空间分辨率、利用微波遥感，综合应用“3S”技术等方面做了努力。     

一种融合纹理特征与NDVI的随机森林海冰精细分类方法

海冰的精准分类对于掌握海冰生长发育状况,保障航海安全等具有重要意义。由于受数据源和分类方法等影响,使得海冰分类精度提高受限。本文面向高空间分辨率的光学遥感影像,提出了一种融合纹理特征和归一化差分植被指数（NDVI）的海冰精准分类方法,运用随机森林分类器构建海冰分类方法。以青岛胶州湾为实验区,高分二号（GF-2）为实验数据,进行了海冰类型提取,并与其他分类方法进行对比。结果显示:针对GF-2高分辨率光学遥感数据,融合纹理特征和NDVI的随机森林方法,相比于传统的随机森林、支持向量机、自动决策树和融合纹理特征的最大似然分类方法,总体分类精度分别提高13.70%、11.60%、19.22%、29.37%。Kappa系数分别提高0.16、0.13、0.22、0.44。相比于融合纹理特征和归一化水指数（NDWI）的随机森林方法,总体分类精度提高了9.67%,Kappa系数提高了0.09。这表明本文构建的海冰分类方法可有效提高海冰分类精度,为海冰的精确分类提供了一种有效的技术手段。     

STUDY ON THE INTERACTION BETWEEN NDVI PROFILE AND THE GROWING STATUS OF CROPS

Daily and ten-day Normalized Difference Vegetation Index(NDVI) of crops were retrieved from meteorological statellite NOAA AVHRR images ,The temporal variations of the NDVI were analyzed during the whole growing season,and thus the principle of the interaction between NDIV profile and the growing status of crops was discussed,As a case in point,the relationship between integral NDVI and winter wheat yield of Henan Province in 1999 had been analyzed.By putting integral NDVI values of 60 sample counties into the winter wheat yield-integral NDVI coordination,scattering map was plotted. It demonstrated that integral NDVI had a close relation with winter wheat yield.These relation could be described with linear,cubic polynomial ,and exponential regression,and the cubic polynomial regression was the best way,In general ,NDVI reflects growing status of green vegetation ,so crop monitoring and crop yield estimation could be realized by using remote sensing technique on the basis of time serial NDVI data together with agriculture calendars.