河套灌区地下水埋深与土壤盐分对增强型植被指数的联合影响

为研究干旱半干旱地区地下水埋深与土壤盐分对作物生长的联合影响,以河套灌区解放闸灌域主要种植作物(小麦、玉米、葵花)为研究对象,利用遥感影像提取增强型植被指数,野外试验获取0~20、0~40 cm土层土壤含盐量及地下水埋深数据,构建双因素坐标系确定地下水埋深和土壤含盐量对植被指数的联合响应,统计得出适宜作物生长的土壤含盐量及地下水埋深范围,研究结果表明:(1)5—6月小麦生长地下水埋深最适宜的范围分别为0.99~2.01、1.03~1.54 m,其对应的土壤含盐量分别为1.00~1.30、1.53~2.02 g·kg^(-1);(2)6—8月玉米生长地下水埋深最适宜的范围分别为1.56~1.80、1.82~2.00、1.43~2.31 m;其对应的土壤含盐量分别为1.24~1.68、1.25~1.55、0.98~1.40 g·kg^(-1);(3)7—8月葵花生长地下水埋深最适宜的范围分别为0.75~1.70、1.20~1.61 m,其对应的土壤含盐量分别为1.46~1.70、5.55~5.84 g·kg^(-1)。

利用MODIS增强型植被指数反演草地地上生物量

利用2002年5-9月MODIS增强型植被指数(EVI)、NDVI及同期地上生物量(ANPP)资料,分别按照5个月份、4种草地类型、2种植被指数,建立了VI-ANPP的线性模型和幂模型.研究结果显示,地面样地采样时间对模型影响较大,7月份模型相关性高,6,9月份相关性低.按照4种草地类型,草甸和典型草地模型相关性高,沙地和荒漠模型相关性低.按照植被指数,月份EVI-ANPP的相关性比NDVI-ANPP的相关性普遍提高,尤其是草地已经开始衰退的9月份;但草地类型EVI-ANPP的相关性只有在草甸和荒漠这两种草地中有明显改善,而在典型草地和沙地草地中相关性降低.按照不同模型类型,幂函数模型比线性模型的相关性普遍提高,只有当线性模型已经很好的草甸才例外.如果只使用5,7,8三个月的样地建立VI-ANPP模型,则相关性普遍提高.NDVI-ANPP线性模型的R2由原来的0.49增加为0.59,NDVI-ANPP幂模型的R2由原来的0.54增加为0.71;EVI-ANPP线性模型的R2由原来的0.52增加为0.63,NDVI-ANPP线性模型的R2由原来的0.55增加为0.73.在这种普遍增长趋势下,只有荒漠草地的EVI-ANPP线性模型的R2由原来的0.54降低为0.46.

基于Terra与Aqua MODIS增强型植被指数的县级水稻总产遥感估算

以湖南省醴陵市为研究区域,在比较分析Terra卫星与Aqua卫星中分辨率成像光谱仪增强型植被指数的基础上,结合这两个卫星提供的空间分辨率为250m、时间分辨率为16d的植被指数产品,建立水稻各主要生育期增强型植被指数平均值乘以水稻面积的结果与乡镇级水稻总产的一次线性、二次非线性及逐步回归模型。通过误差分析,选择最优遥感拟合模型,并在此基础上,预测下一年水稻总产。结果显示,水稻种植区Terra卫星与Aqua卫星中分辨率成像光谱仪增强型植被指数有超过50%的偏差绝对值小于0.03;93.22%、99.50%的偏差绝对值分别小于0.08、0.10。水稻遥感拟合模型模拟结果相对误差小于0.1%,预测模型的估产结果比遥感拟合模型的拟合结果的误差大,但相对误差仍然小于5%。

山西省不同生态分区增强型植被指数(EVI)对气候因子的响应

利用2000—2014年MODIS EVI数据、27个气象站点逐月气温和降雨量、MOD16蒸散量数据,分析了山西省15年来的植被覆盖变化及其对气温、降水和蒸散量的响应特征。结果表明:(1)山西省植被总体呈现上升趋势,增速为2.6%·10a^(-1),不同生态分区中Ⅱ东部大行山山地>Ⅲ中部盆地>Ⅳ西部山地>Ⅰ晋北山地>Ⅴ晋西黄土丘陵区。(2)山西省植被覆盖具有较大的区域差异,其中东南部的EVI明显高于西北部,EVI频度图呈现"单峰结构",全省绝大部分地区呈现不变或增加趋势,显著面积比例为25.95%,严重退化面积比例为1.04%。(3)基于年尺度的EVI与降水、蒸散量呈正相关,与温度负相关,基于月尺度的EVI与气温、蒸散量呈显著正相关,蒸散量与EVI的相关性好于降水、温度单一因子,而降雨量对EVI变化存在一个阈值。(4)从生长季考虑,从春季到夏季各大生态区蒸散量与EVI均为正相关并且逐渐加强,秋季除Ⅲ中部盆地外其它自然区均为负相关。

基于流水线的增强型植被指数快速提取算法

针对传统的并行方法难以对增强型植被指数(enhanced vegetation index,EVI)提取链进行加速的问题,结合EVI提取算法的特点,依靠流水线在遥感影像多级连续处理方面的优势,提出一种基于流水线模型的EVI快速提取算法。为了解决相邻处理阶段吞吐率的差异问题,在流水线相邻节点间加入双缓冲队列来存储节点处理的中间结果,进一步提高EVI提取算法各步骤并行度。实验结果表明,提出的EVI快速提取算法的提取效率要高于传统的EVI多线程提取算法。

增强型植被指数时空变化特征及其驱动机理

基于2005—2019年增强型植被指数(EVI)数据,分析陕北地区EVI时空变化特征及其驱动机理。结果表明,2005—2019年,陕北地区植被EVI空间分布差异明显,总体上表现为,东南丘陵沟壑区植被覆盖度较高,西北风沙区及城镇建设用地区域植被覆盖度较低。2005—2019年,各环境因子对EVI的影响程度排序为:年平均降水量>干燥度指数>植被类型>地貌类型>≥10℃积温>土壤类型>坡度>年平均气温>高程>坡向。其中,年平均降水量和干燥度指数的解释力均在40%以上,是影响EVI变化的主要因子。各环境因子对陕北地区EVI变化的影响存在相互增强和非线性增强交互关系。

基于增强型植被指数序列和景观格局分析的松嫩平原盐碱地动态——以大安市为例

吉林省西部是我国盐碱化严重的地区之一,盐碱地动态变化与监测受到关注.基于盐碱化典型区大安市2000、2005和2010年TM影像解译获取的土地利用数据与2000—2012年增强型植被指数(EVI)的序列数据,结合传统景观格局方法分析盐碱地的动态变化,并通过灰色关联方法分析盐碱地动态变化的主要驱动因子.结果表明:2000—2010年,大安市主要景观类型为耕地、草地和盐碱地,其中,盐碱地和耕地面积呈增加趋势,草地呈减少趋势,盐碱地面积的增加主要来源于草地、沼泽和水域,盐碱地呈现出连通性和聚集度增加的特征.大安市年际EVI呈增长趋势,年均EVI空间分布差异明显,盐碱地EVI值低于其他景观类型,2000—2012年植被覆盖改善的面积稍高于植被覆盖退化的面积,景观类型转化影响了EVI的变化趋势.盐碱地景观演变是自然因素与人为因素共同作用的结果,人类活动干扰对土地盐碱化的影响大于气候因子.

水淹频率变化对鄱阳湖增强型植被指数的影响

水淹状况是湿地植被动态的重要影响因素。该研究基于谷歌地球引擎(GEE)平台,利用2000-03-01至2020-02-29所有覆盖研究区域的MODIS遥感影像数据,分析20年间水淹频率(IF)、增强型植被指数(EVI)的时空变化以及湿地植被对IF变化的响应,得出以下结论:(1)20年来鄱阳湖水文节律发生了明显改变,高IF(IF>75%)水域面积呈现下降趋势,从2000年1435.3 km^(2)下降至2019年的510.25 km^(2),降幅为64.45%;(2)区域平均EVI呈显著上升趋势,植被扩张主要集中在中部IF下降区域;(3)分析不同总水淹频率区域中平均EVI年际变化,发现EVI与水淹状况的变化趋势相似,2009年之后鄱阳湖水域面积萎缩趋势缓解,EVI增长速度出现下降;(4)鄱阳湖湿地植被主要沿水域面积萎缩方向扩张,基于像元统计20年间IF与EVI的变化趋势,发现它们在空间分布上高度吻合,这种空间异质性进一步证实水淹状况起到调节植被动态变化的作用。

藏北高原不同海拔高度高寒草甸植被指数与环境温湿度的关系

藏北高寒草甸是全球高寒草地的重要组成部分,是对气候变化最敏感的植被类型之一。关于高寒草地植被指数与环境温湿度因子的关系还存在着诸多不确定性,这限制了准确预测高寒草地植被生长对将来气候变化的响应。定量化高寒草地植被指数与气候因子的关系利于预测将来气候变化对高寒草地植被生长的影响。该研究基于相关分析和多重逐步回归分析探讨了藏北高原不同海拔高度(4300、4500和4700 m)的高寒草甸2011─2014年每年6─9月的归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(Enhanced Vegetation Index,EVI)与土壤温度、土壤湿度、空气温度、相对湿度、饱和水汽压差的相互关系。相关分析表明,3种海拔的NDVI(4 300 m:r=0.79,P=0.000;4 500 m:r=0.80,P=0.000;4 700 m:r=0.52,P=0.005)和EVI(4 300 m:r=0.61,P=0.001;4 500 m:r=0.66,P=0.000;4 700 m:r=0.53,P=0.004)都随着土壤湿度的增加显著增加;3种海拔的NDVI(4 300 m:r=-0.68,P=0.000;4 500 m:r=-0.56,P=0.002;4 700 m:r=-0.40,P=0.037)和EVI(4 300 m:r=-0.56,P=0.002;4 500 m:r=-0.49,P=0.008;4 700 m:r=-0.46,P=0.014)都随着饱和水汽压差的增加显著降低;植被指数与环境温湿度因子的相关系数随着海拔的变化而变化;NDVI和EVI与环境温湿度因子的相关系数存在差异。多重逐步回归分析表明,土壤湿度一个因子解释了3种海拔的归一化植被指数、海拔4 300和4 500 m的增强型植被指数的变异,而海拔4 700 m的土壤湿度和土壤温度共同了解释了增强型植被指数的变异,其中土壤湿度的贡献较大。因此,在藏北高寒草甸,植被指数对气候变化的敏感性可能随着海拔的变化而变化,NDVI和EVI对气候变化的敏感性可能不同,土壤湿度主导着NDVI和EVI的季节变化。

青藏高原草地植被指数时空变化特征

以位于青海和西藏两省内的青藏高原牧区为研究区域,利用新一代卫星遥感数据TERRA/MODIS,统计分析不同草地类型2002-2008年的植被指数(MODIS-EVI)时空变化特征,并结合2006年8月地面实测数据,研究草地植被指数与草地覆盖度、草群高度的关系。结果表明,草地覆盖度和草群高度均与EVI呈高度正相关。各种草地类型的植被指数均呈先上升后下降的趋势,符合自然条件下植被的生长变化情况,植被特征相近的草地类型EVI差异较小,体现出不同草地类型地域上的连续性、过渡性和时空上的差异性。

基于MODIS的光化学植被指数反演水稻区域光能利用率

为了探究光化学反射植被指数(Photochemical Reflectance Index,PRI)在反演大面积水稻光能利用率(Light Use Efficiency,LUE)方面的潜力,利用安徽寿县国家气候观象台通量观测数据和同期MODIS卫星数据,分别构建不同参照波段下(488、551和667nm)的PRIs与站点像元LUE间的模型,并尝试利用最优模型反演区域尺度的水稻光能利用率。结果表明,在所测试的参照波段中,来自后向散射方向影像提取的PRIs与LUE的相关性更强,其中PRI_(551)表现最优;与MOD17算法相比,利用PRI_(551)-LUE模型反演的区域LUE值更符合实际,且空间分布差异明显,在多时相影像和完善数据插补方法的基础上,利用MODIS PRI在反演长时间、大面积植被的光能利用率或生产力方面具有可行性。

疏勒河流域陆地水储量与植被指数的时空耦合关系

干旱区水资源与植被生长状态的时空变化规律及其耦合关系的研究一直以来都是水文学和生态学等领域研究的重点和热点。以我国干旱区内陆河流域-疏勒河流域为研究区,利用2002-2016期间GRACE卫星反演的陆地水储量变化(TWSA)和MODIS的增强型植被指数(EVI)两个指标开展了基于像元的流域水资源和植被状态的时空格局变化及其耦合关系研究。结果表明:(1)在时间尺度上,疏勒河流域的TWSA和EVI表现出明显的周期性、季节性以及趋势性规律;(2)在空间尺度上,基于像元的流域TWSA和EVI均呈明显的空间异质性;(3)在时空耦合关系方面,年均TWSA与EVI在流域整体尺度上呈中度负相关;在子分区尺度上,中部平原区呈高度负相关,南部山区和北部山区相关性不显著;在像元尺度上,年均TWSA与EVI呈高度负相关、中度负相关、低度负相关的像元分别占全流域的19%、32%和31%;仅有18%的像元呈低度正相关,说明疏勒河流域的TWSA与EVI的时空耦合关系复杂且具有明显的空间异质性和尺度效应。研究结论将为疏勒河流域的水资源优化配置和合理开发利用,以及为实现干旱区的可持续发展提供科学依据。

基于植被指数的高分一号遥感影像火烧迹地提取评价

贵州省每年2—5月份是森林火灾高发期,火烧迹地提取是林火损失评估的基础,在林火生态气候研究、植被灾后恢复、保险理赔等方面具有重要意义。以贵州兴仁市2019年2月发生的一次林火为例,介绍利用高分一号WFV影像开展植被指数提取贵州火烧迹地的效果评估。经过辐射定标、大气校正、正射校正等预处理步骤对高分一号遥感影像进行处理,使用不同波段组合计算了研究区范围内的过火区识别指数(BAI)、增强型植被指数(EVI)、归一化植被指数(NDVI)和全球环境监测指数(GEMI),比较了不同植被指数区分度,并计算了火烧迹地和其他类别的分离度。经区分度和分离度评估,BAI指数为区分火烧迹地和其他类别最优的植被指数。通过分析所有类别的BAI均值,选取水体样本的平均BAI指数作为BAI指数提取火烧迹地的阈值,最大限度提取出火烧迹地,并根据6.67 hm^(2)的面积阈值去除了绝大部分非火烧迹地,只剩下煤矿场地还混淆在火烧迹地里,并发现了提取火烧迹地的云阴影、水体为易混淆源,山体阴影为易漏提源。利用高分二号融合影像目视提取的火烧迹地,对高分一号BAI指数提取的火烧迹地进行精度评估,提取的制图精度、用户精度、总体精度均达到90%以上,Kappa系数为0.85。

河南省植被指数变化特征研究

为了研究河南省植被指数变化特征,采用最大值合成法(MVC)对MODIS-NDVI和MODIS-EVI两种指数产品进行处理,然后进行时空变化分析,得到归一化植被指数(NDVI)与增强型植被指数(EVI)两种指数产品的特点,实验结果表明:1)在时间分布特征上,两种植被指数均随季节呈现规律性变化,并且最大值均出现在7月或8月,但EVI相比NDVI更具季节性规律,能够更好地反映高植被覆盖区的植被季节性变化特征;2)在空间分布特征上,两种植被指数的区域性都非常明显,但在高植被覆盖区,NDVI出现饱和现象,而EVI未出现饱和现象。

2001—2019年台风干扰下我国东南沿海地区植被抵抗力和恢复力评估

台风是影响我国陆地生态系统结构和功能的主要自然灾害之一,尤其对东南沿海地区植被具有明显的干扰效应。为深入了解台风对我国沿海地区植被的影响及其响应,基于MODIS增强型植被指数(Enhanced Vegetation Index,EVI)和叶面积指数(Leaf Area Index,LAI),分析了2001—2019年间不同等级的台风对植被EVI和LAI的影响,评估台风登陆时植被的抵抗力及台风过后植被的恢复力。结果表明:(1)2001—2019年间,共有70个台风登陆我国东南沿海地区,其中,台风(TY)、强台风(STY)与超强台风(SuperTY)的数量分别为35、26和9个。我国台湾省的台风登陆次数最多,为26个,其次为广东省(20个);(2)在整个研究区范围内,台风(TY)、强台风(STY)与超强台风(SuperTY)登陆后的EVI净变化率分别为4.88%、-7.48%、-1.85%,LAI净变化率分别为22.28%、-65.70%、-17.60%;(3)在经历台风干扰后,沿海地区大部分植被可在3个月之内得到恢复,其中浙江省与广东省植被的恢复时间较长,海南省与台湾省植被的恢复时间较短。研究结果对我国沿海地区森林经营管理和生态环境保护具有重要意义。

基于不同植被指数的TRMM数据降尺度及误差校正研究

[目的]对不同时间尺度的热带测雨卫星(TRMM)数据进行空间降尺度及误差校正研究,为华中地区洪涝灾害监测等提供科学参考。[方法]主要借助增强型植被指数(EVI)和归一化植被指数(NDVI)分别运用地理加权回归(GWR)模型实现2001-2019年华中地区TRMM数据的空间降尺度,并结合地理差异分析(GDA)和地理比率分析(GRA)对年、季和月的降尺度结果进行误差校正,通过气象站数据对校正前后的数据进行对比分析。[结果]①TRMM数据和气象站数据的决定系数(R 2)在年(0.630)、季(0.710~0.865)和月(0.637~0.875)尺度都表明了TRMM数据在华中地区具有较好的适用性;②通过GWR模型实现了TRMM数据空间分辨率由0.25°到1 km的降尺度转换,且TRMM EVI数据精度优于TRMM NDVI数据,说明华中地区TRMM数据与EVI的关系比NDVI更为密切;③对优选的TRMM EVI数据分别进行GDA,GRA校正,结果表明GDA校正结果优于GRA校正,且在降雨量越多的月份校正效果越好。[结论]在华中地区,EVI比NDVI更加适合TRMM数据降尺度研究。降尺度数据采用GDA校正比GRA校正效果更为显著。

基于MODIS山东省植被指数影像数据库的实现

基于MODIS数据,利用ENVI软件分析处理得到山东省的归一化植被指数(NDVI)与增强型植被指数(EVI)影像数据,通过对影像数据进行分块、编码和建立索引,建立了山东省NDVI和EVI植被指数影像数据库,并可提供数据下载服务。

华中地区不同植被指数反演TRMM降尺度数据分析

采用增强型植被指数(EVI)数据、归一化植被指数(NDVI)数据、数字高程模型(DEM)数据、坡向数据和热带降雨测量任务(TRMM)3B43(V7)数据,基于地理加权回归(GWR)模型,实现根据不同植被指数对华中地区2010—2019年间TRMM数据的降尺度,并对降尺度结果进行精度检验和对比分析。结果显示:(1)TRMM数据在华中地区具有良好的适用性,TRMM数据和站点数据的R 2在0.8以上;(2)在保证与原数据同等精度下将地面分辨率由0.25°×0.25°(约27.5 km×27.5 km)提升至1 km×1 km;(3)总体来看,在华中地区,EVI降尺度降水数据比NDVI降尺度降水数据精度更好。

山东省植被指数影像数据库的设计与实现

利用ENVI软件分析处理高时空分辨率的MODIS数据,得到山东省的归一化植被指数(NDVI)与增强型植被指数(EVI)影像数据,在对影像数据进行分块、编码和建立索引的基础上,建立山东省NDVI和EVI植被指数影像数据库,并可提供局域网内的数据下载服务。

基于GEE的关中平原城市群植被时空演变及影响因素

[目的]探究2000—2020年关中平原城市群植被时空变化特征及驱动因素,为区域生态文明建设提供科学指导。[方法]基于Google Earth Engine(GEE)云平台,利用2000—2020年Landsat影像计算得到的增强型植被指数(enhanced vegetation index,EVI),结合趋势分析、热点分析、地理探测器模型等方法分析了关中平原城市群年最大EVI(EVI max)变化格局及驱动因素。[结果]①2000—2020年关中平原城市群年EVI max整体呈上升趋势,未发生变化的土地利用/覆盖类型年EVI max值均呈波动上升趋势,其中草地的上升速率最大。②空间上,关中平原城市群年EVI max值呈由南向北递减的趋势,高值区主要位于南部的秦岭山地。趋势分析结果表明年EVI max呈显著上升和显著下降的面积分别为70.16%和3.61%。③年EVI max的空间集聚特征表现为热点和冷点数量呈轻微下降和显著下降趋势,冷点区域逐渐转化为次冷点或次热点区域。④降水是影响关中平原城市群年EVI max空间分布的最主要因素,各影响因素的交互作用为非线性增强或双因子增强。[结论]关中平原城市群2000—2020年植被总体呈上升趋势,降水对植被的影响起主导作用。