石羊河流域气候变化及其对植被指数的影响

研究气候变化对植被覆盖的影响,对干旱区生态环境保护具有重要意义。以石羊河流域2000-2020年逐月气温、降水、日照、蒸发和NASA GIMMS归一化植被指数(NDVI)资料为基础,首先运用线性趋势法分析了气温、降水量、日照时数、蒸发量与NDVI的年、季节变化趋势,然后采用相关系数法研究了气候要素对NDVI的影响。结果表明:石羊河流域及各地年气温呈明显上升趋势,春、夏、秋季气温呈上升趋势,冬季(除民勤外)呈下降趋势;全流域及永昌、古浪、天祝年降水量呈增多趋势,民勤、凉州呈减少趋势,各季节降水量变化趋势不太一致;年日照时数除古浪呈增多趋势外,全流域及其他各地呈减少趋势,各季节日照时数变化趋势很不一致;年蒸发量除凉州呈减少趋势外,全流域及其他各地呈增多趋势,各季节蒸发量变化趋势也不太一致。石羊河流域及各地年NDVI呈显著增长趋势,除凉州春季外,各季节也呈增长趋势。年、季气温和降水量与NDVI基本呈正相关,气温、降水量对NDVI具有正贡献。年、季日照时数和蒸发量与NDVI相关性的正负差异较大,总体来看,日照时数对NDVI具有负贡献,蒸发量对NDVI具有正贡献。研究结果将为石羊河流域提高气候资源的利用率、调整种植结构和改善生态环境提供科学的参考依据。

基于无人机多光谱遥感数据的植被指数玉米估产模型研究

玉米作为主要的粮食作物,其产量估产意义较为重大。传统的产量估算方法均以数据抽样调查为主,产量估算精度较低。随着新技术新方法的不断涌现,该文以无人机结合多光谱遥感技术,通过采集玉米的拔节期、吐丝期、乳熟期、蜡熟期4个关键生育期植被指数的变化,通过产量构建分析模型,并验证筛选合理的模型用于产量估算。经验证,在乳熟期,依据RVI、DVI、SAVI构建的产量模型精度较高。在蜡熟期,依据NDVI、RVI、DVI、SAVI构建的产量模型较高。通过以上研究,对于在玉米生长过程中,能够积极结合数据变化,便于高效开展农作物种植,估测作物产量具有重要的指导意义。

雄安新区植被指数变化及其与气候条件的关系

建设雄安新区是国家大事、千年大计。系统分析雄安新区植被指数变化及其与气候条件的关系,可以为雄安新区未来规划、生态修复和重建等提供科学依据。利用雄安新区及其所辖三县2001—2020年月、季、年不同时间尺度植被指数与气温、降水数据,通过算术平均法、最小二乘法和Pearson相关分析法,分析了雄安新区植被指数的变化规律及其与气温、降水等气候条件的相关关系。结果表明:2001—2020年,雄安新区植被指数总体呈上升趋势,且年代际变化特征明显,前10年平均植被指数相对较小但年际波动大,后10年平均植被指数较大但年际波动相对较小。雄安新区植被指数除夏季有下降趋势外,其余三个季节均有上升趋势,其中春季上升趋势相对最为明显。雄安新区植被指数与年平均气温呈正相关,但区域性差异明显,其中雄县相关性较差,安新相关性较好。春季和秋、冬季,植被指数与气温均呈正相关,其中春季相关系数相对最大;夏季平均气温与植被指数呈负相关,但与秋季植被指数呈正相关。雄安新区植被指数与年降水量有明显的正相关关系,其中夏季降水与夏季、秋季和冬季植被指数均呈较明显的正相关,影响的滞后效应可达半年以上,但春季和秋、冬季降水量与植被指数的相关系数相对较小。

ZY1-02DAHSI影像归一化阴影植被指数NSVI的波段选择及其构建

高光谱影像具有连续的地物光谱信息,在阴影检测方面具有巨大的潜力,而波段冗余度高需进行波段优选。归一化阴影植被指数(NSVI)能够扩大光谱差异,在高光谱影像中应用NSVI将更有效地识别阴影。资源一号02D卫星是我国首颗自主研发并成功运行的高光谱业务卫星,数据信噪比大、覆盖能力强,对该高光谱影像进行准确的阴影检测具有重要意义。以ZY1-02DAHSI影像为试验数据,提取并分析明亮区植被、阴影区植被及水体的光谱反射率;结合竞争自适应重加权采样(CARS)和连续投影算法(SPA)筛选能够有效区分典型地物的主要波段,综合考虑算法的特性进一步选出特征波段构建NSVI;通过步长法确定最佳阈值对影像进行分类,从像元值分布情况、分类精度和光谱增强效果等对比出构建NSVI的最佳波段,并结合不同的阴影指数、波段和影像进行综合评价,验证该方法的意义及普适性。结果表明:波段32和波段73是构建NSVI的最佳波段,分别对应红光波段和近红外波段;不同波段构建的NSVI分类精度均高于90%,由最佳波段构建的NSVI分类精度为94.33%,Kappa系数为0.8328,分类效果最优;NSVI能够增强典型地物间的光谱差异并缓解归一化植被指数的“易饱和”现象,在该影像中因水体累积产生的小波峰有助于提取水体;在ZY1-02DAHSI影像中NSVI的分类效果优于归一化阴影指数和阴影指数,于另一景影像的分类精度也达到93.55%,Kappa系数为0.8167。由算法筛选出的波段具有一定的代表性,最佳波段构建的NSVI在ZY1-02DAHSI影像中具有较好的阴影检测能力,对高光谱影像阴影检测及构建植被指数具有一定的借鉴和参考意义。

不同植被指数反演植被覆盖度的真实性检验及对比分析

针对NDVI的饱和特性对植被覆盖度估算产生负影响的问题,使用DVI推导植被覆盖度反演模型,利用相对真值进行检验,并从统计指标、地形影响和不同覆盖度影响对比了2种反演模型的精度。结果表明:真实性检验必须克服尺度效应的影响,f_(NDVI)、f_(DVI)不适用于高植被覆盖度地区;基于DVI的像元二分模型反演结果显示,f_(DVI)总体精度56.55%优于f_(NDVI)总体精度49.68%,结果的鲁棒性更好。

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关,直接影响植株生长发育,而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关,直接影响茎秆质量及植株的抗倒伏能力。然而,有关对冬小麦茎秆氮含量估算研究较为有限,限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官(叶片、茎秆)氮含量,该研究通过2年田间试验,获取冬小麦4个关键生育期(拔节期、抽穗期、开花期、灌浆期)和3种施氮水平条件下(N1、N2和N3)的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD(soil and plant analyzer development,SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性,并结合5种常用的机器学习算法:随机森林回归(random forest regression,RFR)、支持向量回归(support vector regression,SVR)、偏最小二乘回归(partial least squares regression,PLSR)、高斯过程回归(gaussian process regression,GPR)、深度神经网络回归(deep neural networks,DNN)构建冬小麦叶片和茎秆氮含量估算模型。结果表明:高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期,最佳植被指数双峰冠层植被指数DCNI(double-peak canopy nitrogen index)对叶片氮含量的敏感性最高,R^(2)为0.866。对茎秆氮含量,在抽穗期的敏感性最高,最佳植被指数归一化叶绿素比值指数NPQI(normalized phaeophytinization index)与氮含量决定系数R^(2)=0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度,对叶片氮含量,在不同生育期和施氮水平条件下估算精度提升了1%~7%,其中在全生育期的归一化均方根误差NRMSE从0.254降低到0.214,抽穗期的NRMSE提升最大,从0.201降低到0.128。对茎秆氮含量,全生育期的NRMSE从0.443降低到0.400,抽穗期的NRMSE变化最大,从0.323降低到0.268。在全生育期,结合SPAD值的DNN模型对叶片(R^(2)=0.782、NRMSE=0.214)和茎秆(R^(2)=0.802、NRMSE=0.400)氮含量的估算精度最佳。研究说明,SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。

无人机遥感的多植被指数土壤水分反演模型

土壤水分是影响农业生产的重要因素,在作物生长发育和最终产量上起着至关重要的作用,快速、高效地估算土壤水分已成为农林水资源监测的热点问题。利用高光谱反射率的特征波段计算植被指数、构建土壤水分反演模型已获得广泛的认可和应用。针对反演土壤水分受植被覆盖度影响较大的问题,提出用多种植被指数组合削弱植被覆盖度对土壤水分反演的影响。在宜昌市仓屋榜试验基地选取30组柑橘树,在果树滴落线处收集土壤,通过烘干法测定土壤质量含水率,采样4次,共计120组土壤含水率;并利用ASD Field Spectral FR光谱仪(波长范围325~1 075 nm)及大疆精灵4多光谱版无人机获取了120组试验区蓝、绿、红、红边、近红外及短波红外波段光谱反射率,采用移动平均法对光谱数据进行降噪预处理,通过灰色关联法对9种植被指数进行比较分析,筛选出与土壤水分极显著相关的4种植被指数(p<0.01),各指数与土壤水分的相关性从高到低依次为裸土指数(BSI)、归一化蓝绿差异植被指数(NGBDI)、绿色归一化指数(GNDVI)、归一化差异植被指数(NDVI),其中BSI与土壤水分的相关性最高,相关系数为-0.687(N=120)。采用线性逐步回归法和非线性BP神经网络法建立了基于多种植被指数的土壤水分反演模型,依据决定系数(R^(2))、相对误差绝对值(ARE)、均方根误差(RMSE)作为反演模型的精度评价指标。结果表明:逐步回归模型和BP神经网络模型的土壤水分反演值与实测值之间的R^(2)分别为0.816、 0.889, RMSE分别为2.54%、 1.53%, ARE分别为21.13%、 8.88%,利用多植被指数组合的非线性BP神经网络算法基于植被指数建模对土壤水分反演的精度更高,在一定程度上可以克服植被覆盖度不同对土壤水分反演精度的影响,作为直接测定土壤水分的有效替代方法,为农业灌溉定量决策及科学管理提供科学参数。

西藏高原青稞三种植被指数对红外增温的初始响应

气候变暖影响着农作物生长及其植被指数。为了探讨西藏高原青稞(Hordeum vulgare Linn.var.nudum Hook.f.)归一化植被指数(normalized difference vegetation index,NDVI)、归一化绿波段差值植被指数(normalized green difference vegetation index,GNDVI)和土壤调节植被指数(soil adjusted vegetation index,SAVI)对气候变暖的初始响应,2014年5月在西藏达孜县布设了一个红外增温实验(3个水平,即对照,1 000和2 000 W红外增温)。通过对2014年6─9月利用农业多光谱相机获取的3种植被指数和利用HOBO微气候观测系统获取的两个深度(5和20 cm)的土壤温湿度的统计分析,探讨了西藏高原青稞植被指数对红外增温的响应及其与土壤温湿度的相互关系。结果表明,1 000和2 000 W的增温使5 cm的土壤温度(t5)分别升高了约1.62和1.77℃,使20 cm的土壤温度(t20)分别升高了约1.16和1.43℃;相反使5 cm的土壤湿度(SM5)分别下降了约1.8%和14.1%,使20 cm的土壤湿度(SM20)分别下降了21.6%和14.7%。1 000 W的增温使NDVI、GNDVI和SAVI分别增加了约2.4%、4.3%和0.5%;2 000 W的增温则使NDVI、GNDVI和SAVI分别增加了约5.5%、5.3%和4.8%,尽管增加幅度并不显著。单因子回归分析表明,t5与NDVI(r2=0.110,P=0.026)和GNDVI(r2=0.254,P=0.000 4)为负相关,而与SAVI无关(r2=0.069,P=0.082);t20与GNDVI为负相关(r2=0.218,P=0.001),而与NDVI(r2=0.040,P=0.190)和SAVI(r2=0.014,P=0.443)无关;SM5与NDVI(r2=0.277,P=0.000 2)、GNDVI(r2=0.394,P=0.000 0)和SAVI(r2=0.208,P=0.002)为正相关。SM20与GNDVI为正相关(r2=0.193,P=0.003),而与NDVI(r2=0.059,P=0.107)和SAVI(r2=0.037,P=0.209)无关。多重回归分析表明,SM5主导着NDVI、GNDVI和SAVI的变异。偏相关分析表明,NDVI、GNDVI和SAVI与SM5的相关系数分别为0.442(P=0.003)、0.412(P=0.007)和0.404(P=0.008);与SM20的相关系数分别为-0.042(P=0.792)、0.051(P=0.749)和-0.033(P=0.837);与t5的相关系数分别为-0.154(P=0.332)、-0.019(P=0.907)和-0.170(P=0.282);与t20的相关系数分别为0.228(P=0.147)、-0.041(P=0.795)和0.268(P=0.086)。因此,红外增温引起的干旱抑制了青稞的生长,进而影响了植被指数,即植被指数的不显著变化可能与红外增温引起的土壤干旱有关。

基于植被指数融合的无人机冬小麦LNC反演

为了解无人机遥感平台用于快速、准确地监测冬小麦叶片氮含量(LNC)中的可行性,利用无人机遥感平台获取新疆喀什地区新疆农业科学院小麦育种基地冬小麦冠层光谱图像,分析和筛选可见光植被指数、多光谱植被指数与LNC的相关性,建立融合植被指数,比较多元线性回归(MLR)、逐步线性回归(SMLR)、随机森林回归(RF)在冬小麦各生育时期对叶片氮含量的适用性,筛选最优冬小麦叶片氮素含量估测模型。结果表明,小麦LNC与可见光植被指数(ExR、IKAW、VARI)、多光谱植被指数(RVI、RDVI、MSR、NDRE、RERDVI)、融合植被指数(ExR×RERDVI、IKAW×RERDVI和VARI×RERDVI)具有较高相关性,遥感监测效果在抽穗期最佳,灌浆期次之,成熟期最差。以融合植被指数作为自变量,采用随机森林回归模型构建的LNC估测模型在抽穗期的预测精度最佳,建模r^(2)、RMSE和nRMSE分别为0.866、0.95 g·kg^(-1)和6.23%,模型验证r^(2)、RMSE和nRMSE分别为0.71、1.61 g·kg^(-1)和10.83%。这说明基于无人机遥感平台利用融合植被指数能够实现对冬小麦LNC的快速、准确估测。

利用植被指数(Ⅵ)提取遥感影像荒漠林覆盖度信息的差异性研究

本研究针对荒漠林在遥感影像中的表现特征,选用归一化植被指数(NDVI)、重归一化植被指数(RDVI)和土壤调节植被指数(SAVI),比较分析通过遥感影像灰度图的判读和植被指数分析荒漠林的覆盖度。结果表明:3种植被指数在探测干旱区稀疏植被覆盖度的能力方面存在差异。RDVI探测稀疏植被覆盖度的能力明显劣于NDVI和SAVI。NDVI和SAVI表现基本一致;由于土壤因素的影响,在估测稀疏植被覆盖度方面,NDVI的能力较SAVI强。

依据核归一化差异植被指数的西南五省植被覆盖度时空变化及气候驱动因子

聚焦中国西南地区这一关键碳汇区域,利用谷歌地球引擎(GEE)平台的MOD13 A1V6数据,构建了2002—2022年,西南五省(重庆市、四川省、贵州省、云南省、西藏自治区)核归一化差异植被指数(kNDVI)数据集,综合分析了西南地区植被覆盖的时空变化。并结合气象数据,采用一元线性回归、泰尔-森(Theil-Sen)中位数趋势分析、曼-肯德尔(Mann-Kendall)检验及偏相关分析等方法,探讨了气候变化对植被动态的影响。结果显示:(1)2002—2022年,西南地区整体植被覆盖状况较好,植被覆盖度呈现“东南高、西北低”的空间分布格局,且植被覆盖度整体呈上升趋势,线性拟合曲线为y=0.001x-1.691(R^(2)=0.806)。(2)核归一化差异植被指数与气温和降水的相关性在空间分布上存在异质性,但总体上气候因素对核归一化差异植被指数的影响以正向促进作用为主,气候驱动的区域主要集中在西藏东部、四川、重庆、贵州和云南部分地区。

2种气候环境的湖南省2021—2050年归一化植被指数时空动态变化预测

以湖南省为例,以2001—2020年的气象数据和归一化植被指数(NDVI)时间序列数据为基础,利用多元线性回归分析法,对未来2021—2050年两种气候环境(SSP2-4.5、SSP5-8.5)的归一化植被指数进行预测,并运用泰尔-森(Theil-Sen)和曼-肯德尔(Mann-Kendall)两种分析方法探究气候变化对湖南省未来植被演变趋势的影响。研究表明:相对于历史时期(2001—2020年),未来SSP2-4.5、SSP5-8.5气候环境的增温趋势均较为平缓,SSP5-8.5环境,温度呈南高北低趋势,降水呈北多南少趋势,且SSP2-4.5气候环境湖南省北部区域降水呈显著减少趋势。两种气候环境的归一化植被指数均呈现出一定的上升趋势,尤其SSP5-8.5气候环境更为显著。因此,两种气候环境归一化植被指数变化趋势的共性是,长沙市的少部分区域、洞庭湖流域内及张家界市北部归一化植被指数下降明显,是未来植被修复的重点地区;而湘西土家族苗族自治州、怀化、邵阳、永州西部和郴州东部地区也存在归一化植被指数下降趋势,区域石漠化较为严重,后期应加强保护与治理;湖南省其他各区域未来植被有明显的改善趋势。

基于长短期记忆网络与植被指数的春小麦产量估测研究

春小麦作为我国北方地区重要的粮食作物,其产量预测和空间分布特征分析对于保障国家粮食安全、推动农业区域的均衡发展以及优化农业资源配置具有极其重要的意义。本研究选取甘肃省兰州市和武威市作为研究区,采用中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)卫星遥感获取2001—2022年的遥感数据,对遥感图像进行预处理,并提取包括归一化差异水分指数(Normalized Difference Water Index,NDWI)在内的7种遥感植被指数。对实测产量数据进行趋势分析,结合长短期记忆循环网络(Long Short-Term Memory,LSTM)构建产量估算模型,对兰州市和武威市的春小麦产量进行预测研究,并与传统估产模型反向传播神经网络(Back Propagation Neural Network,BP)模型对比,研究不同模型的估产性能。结果表明:NDWI在所有植被指数中对产量估算模型的贡献最为显著,其决定系数达到0.69,并且在去除趋势影响后,该指数的决定系数进一步提升至0.77。此外,采用五折交叉验证法对模型进行验证,进一步确保了模型的稳健性和泛化能力。本研究可为市级尺度的春小麦产量估算提供参考。

基于MODIS数据的三种植被指数在海南岛植被监测中的适用性研究

在大力推进生态文明建设背景下,开展植被指数在海南岛植被监测中的适用性研究具有重要参考价值。基于海南岛2001—2020年中分辨率成像光谱仪(Moderate-Resolution Imaging Spectroradiometer,MODIS)提取的归一化植被指数(Normalized Differnce Vegetation Index,NDVI)、增强型植被指数(Enhanced Vegetation Index,EVI)、差值植被指数(Difference Vegetation Index,DVI)数据,海南岛18个国家气象观测站逐月平均气温和降水量数据,以及2015、2017年海南省地表覆盖数据,利用一元线性拟合、均方根误差分析、相关分析等方法开展了NDVI、EVI、DVI 3种植被指数在海南岛植被监测中的适用性研究。结果表明:(1)3种植被指数中,EVI对基于海南岛地表覆盖数据提取的植被覆盖面积的拟合效果最好,均方根误差占实际均值的9.57%。(2)3种植被指数中,EVI最能反映海南岛植被的季节变化特征,2月开始缓慢增加,8月达到峰值后缓慢下降,次年2月降至最低;EVI值域分布最广,最能反映不同茂密程度植被的覆盖状况,能更好克服NDVI在高植被区易饱和的问题;EVI与气候因子的相关性最大,最能反映植被对气候的响应特征。(3)综合评估3种植被指数对海南岛植被覆盖面积的拟合效果,对植被季节变化、茂密程度的表征能力,确定最适合表征海南岛植被特征的植被指数为EVI。

基于无人机遥感植被指数优选的覆膜冬小麦估产研究

为进一步提高无人机遥感估产的精度,本研究以2021—2022年的覆膜冬小麦为研究对象,对返青期、拔节期、抽穗期和灌浆期的多光谱影像进行覆膜背景剔除,并优选最佳遥感窗口期,基于最优植被指数构建覆膜冬小麦估产模型。结果表明,利用支持向量机监督分类法剔除覆膜背景后冠层反射率更接近真实值,抽穗期和灌浆期的估产精度更高。将不同生育期的植被指数与产量进行相关性分析发现,最佳遥感窗口期为抽穗期。基于逐步回归和全子集回归法优选最优植被指数时发现,基于逐步回归法筛选变量为MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG时产量反演模型精度最高。此外,利用偏最小二乘法、人工神经网络和随机森林3种机器学习法构建的产量反演模型中,基于逐步回归法的随机森林模型的反演精度最高,R^(2)为0.82,RMSE为0.84 t/hm^(2)。该研究可为提高遥感估产精度、实现农业生产精细化管理提供技术支持。

乌海市四合木群落归一化植被指数时空演变及影响因素

为了解荒漠生态系统植被时空演变情况,明晰自然因素和社会因素对植被指数变化的影响,以乌海市四合木(Tetraena mongolica)群落为例,利用2003—2023年植被盖度实测数据和MODIS归一化植被指数数据集,采用地理加权回归模型、Slope趋势分析等方法,探究四合木群落归一化植被指数时空演变情况及其与影响因素的空间分异规律。结果表明:(1)2003—2023年,乌海市四合木群落归一化植被指数呈上升趋势,增长率为35.2%,空间分布呈现出“北部低,南部高”的格局,四合木群落稳定性整体较高,较低、中等波动变化区域较多。(2)归一化植被指数和各影响因素表现出明显的空间差异性,其中,降水量、土地利用类型以正相关为主,海拔、坡度、GDP以负相关为主。(3)各影响因素对归一化植被指数的影响程度差异明显,其中,归一化植被指数对降水非常敏感,对GDP最不敏感。

依据归一化植被指数物候特征对第八师150团农田防护林的信息获取

以新疆生产建设兵团第八师150团为研究区域,选用2021年、2022年4个季度共计10期陆地卫星8号陆地成像仪(Landsat8 OLI)遥感数据作为信息获取的数据源;在进行预处理后,应用分层分类的方法,掩膜并去除其他非植被地物,结合时间序列的Landsat8 OLI获取的归一化植被指数(NDVI)物候特征获取农田防护林信息,应用外业调查数据对其进行精度评价。结果表明:150团的农田防护林面积为3099.87 hm^(2)。实地样地调查结果显示,在选取的35个农田防护林样点中,有31个被正确获取,分类准确率达到88.5%。150团的农田防护林均匀分布于各个连队中,但在整个团场范围内分布不均匀,并伴有断带现象。运用分层分类的方法和依据时间序列的遥感图像,能够有效获取农田防护林信息。

地形因子影响典型气候带植被指数的定量归因——基于地理探测与地理加权视角

对不同气候带地形因子影响归一化植被指数(NDVI)的变化进行分析研究,对于探索水土灾害、生态研究以及区域环境质量等具有重要价值。以我国7个典型气候带下的县域范围为例,基于Landsat 8遥感数据与DEM数据,从地理探测器与地理加权回归视角,探索中国典型气候带的小区域范围尺度下地形因子与NDVI变化的关系与规律。研究表明:(1)NDVI排名为:漠河市(北温带)>白沙黎族自治县(中/北热带)>浦北县(南亚热带)>鲁甸县(南亚热带)>方山县(南温带)>贵德县(高原气候带)>巴林左旗(中温带)。(2)地形因子对植被指数的解释力排名为:坡向因子<坡度因子<高程因子,地形因子之间大部分不存在显著性差异,不同研究区的地形因子对NDVI的影响并非简单独立,而是通过非线性增强的过程来起作用。(3)地形因子的局部拟合空间格局与植被覆盖空间分布格局相似,地形对植被的空间分布有着重要影响。(4)根据调整拟合优度,各研究区地形因子与植被的拟合度排名为:贵德县>方山县>白沙黎族自治县>浦北县>漠河市>鲁甸县>巴林左旗,地形因子对植被指数拟合程度随地域变化存在显著差异。

亚热带地区植被指数与气象因子相关性分析

选用红河州13县市近20年气候资料和卫星监测资料为研究对象,运用相关分析、回归分析方法研究了气象因子对森林植被的影响情况。结果表明,在全球变暖大背景下,红河州森林植被总体为增长趋势,与气象条件存在1年的滞后相关;亚热带地区植被指数与日照、气温存在一定的相关性,特别是中亚热带和南亚温带之间有差异,即较热的地区过高的热量不利于森林生长,而较冷地区存在热量不足情况;植被指数与水分条件的相关程度最高,通过建立积温和降水量的回归方程,可以对来年的植被总量进行预报估算。

基于植被指数与连续小波变换的玉米叶片Cu^(2+)含量反演

目的:确定Cu^(2+)污染胁迫下玉米叶片Cu^(2+)含量最优反演模型。方法:以室内盆栽玉米为研究对象,在采集不同胁迫梯度下玉米叶片光谱以及同期叶片Cu^(2+)含量的基础上,通过遍历计算出两波段原始光谱植被指数,并将其与叶片Cu^(2+)含量进行相关性分析;利用0.1~0.9阶、1.1~1.9阶与1~4阶共22种光谱微分预处理重采样后的光谱数据,经连续小波变换后分析小波系数与叶片Cu^(2+)含量之间的相关性;根据相关性分析提取最优植被指数与最优小波系数,建立反演模型。结果:植被指数与叶片Cu^(2+)含量显著相关,最优波段组合分别为:DI(621.5 nm, 1 889.2 nm)、RI(482.2 nm, 1 418.5 nm)、NDVI(666.3 nm, 1 917.2 nm)、RNDVI(621.5 nm, 1 889.2 nm),其光谱特征均集中在可见光与近红外波段附近;小波系数也与叶片Cu^(2+)含量之间具有良好的相关性,其敏感波段位于400、600、900、1 200、2 400 nm附近,与最优植被指数敏感波段一致。经0.9阶光谱微分预处理后得到的小波系数与叶片Cu^(2+)含量相关系数最大,为0.88;通过相关性分析提取最优植被指数和最优小波系数,以植被指数与不同阶微分变换的连续小波变换提取的小波系数为自变量,建立线性反演模型,其中利用最优植被指数建立的反演模型精度最高,模型最稳定,RMSE为4.97μg/g。结论:植被指数和连续小波变换两种方法在农作物重金属污染监测方面具有重要的参考价值,应用前景广阔。