植被指数模型估算干旱区稀疏光合/非光合植被覆盖度

定量估算干旱与半干旱地区的稀疏光合与非光合植被覆盖度(f_(PV)和f_(NPV))可为土地荒漠化研究和生态系统研究提供重要信息,同时获取f_(PV)和f_(NPV)有助于为土地退化监测和土地管理提供重要的数据支撑。选取典型干旱区的稀疏植被为研究对象,基于Sentinel-2A多光谱影像及地面实测纯净端元光谱数据获取影像及纯净端元归一化植被指数(normalized difference vegetation index,NDVI)、优化的叶绿素吸收指数(modified chlorophyll absorption ratio index,MCARI)、干枯燃料指数(dead fuel index,DFI)和红边叶绿素指数(red-edge chlorophyll index,CI red-edge),构建DNVI-DFI、MCARI-DFI、CI-DFI 3个像元三分模型,并采用NDVI、DFI和比值土壤指数(ratio soil index,RSI)构建线性植被指数模型。经过地面实测植被覆盖度分析评价构建模型精度,得到如下结论:NDVI-DFI模型相较于MCARI-DFI、CI-DFI模型表现出更好的估算效果,f_(PV)估算的RMSE为0.0590(R^(2)=0.7738),f_(NPV)估算的RMSE为0.0510(R^(2)=0.8);NDVI-DFI模型中融入RSI指数构建的线性植被指数模型可以提高f_(PV)和f_(NPV)的估算精度,f_(PV)估算的RMSE为0.0524(R^(2)=0.7764),f_(NPV)估算的RMSE为0.0444(R^(2)=0.8115),精度分别提高11.2%和12.9%。因此,融入RSI指数的NDVI-DFI线性植被指数模型可以有效地估算典型干旱区稀疏植被的f_(PV)和f_(NPV)。该文的研究为NPV覆盖度的定量估算提供更可靠的理论基础。

Sentinel-1和Sentinel-2协同反演稀疏非光合植被覆盖度

精准定量反演光合植被(PV)和非光合植被(NPV)覆盖度对了解植被碳循环过程至关重要,同时,获取的非光合植被覆盖度信息也为土地沙漠化及植被转化机制研究提供重要信息。本文以甘肃省民勤县为研究区、Sentinel-1B IW GRD和Sentinel-2A为数据源,采用线性指数模型(LIM)和随机森林模型(RFM),基于控制变量法开展微波与光学遥感数据协同反演NPV覆盖度的方法研究,并参考野外获取样地真实性检验数据,将均方根误差(RMSE)和相对均方根误差(RMSE,%)作为指标评价反演结果精度。结果表明:(1)与仅采用Sentinel-2光学遥感数据相比,Sentinel-1和Sentinel-2协同反演NPV能够明显提高NPV覆盖度的估算精度;(2)由Sentinel-1和Sentinel-2获取植被指数构建的RFM在NPV覆盖度估算上较LIM精度更高,RFM和LIM估算NPV的RMSE分别为0.0149和0.0153,估算精度提高了1.4%;(3)垂直水平极化(VH)和垂直极化(VV)两种极化方式参与建立RFM可有效提高NPV覆盖度的估算精度,尤其VH极化对非光合植被信息探测更为敏感,较VV模型估算精度提高了5.1%;(4)加入表征土壤信息的比值土壤指数(RSI)有效减少了土壤对NPV覆盖度估算影响,提高了NPV覆盖度估算精度。综上,微波和光学遥感数据结合是提高NPV覆盖度估算精度的有效方法,同时,土壤作为独立重要指标参与模型计算对提高NPV覆盖度估算具有重要意义。