植被指数差异在干旱遥感监测中的应用

利用2001、2002年春季降水和土壤墒情及NOAA/AVHRR气象卫星资料,分析了不同年的植被指数差异与同期降水量和土壤相对湿度差异的关系,结果表明,年际间植被指数的差异可以明显地反映作物受旱程度的差异,此方法可以用来定性地分析年际间的干旱程度和受旱范围。

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。

城镇化进程中淄博张店区归一化差异植被指数时空变化分析

为了探究城镇化进程中淄博市张店区的植被质量变化,基于Landsat系列数据在GEE平台上计算了2000—2021年归一化差异植被指数(NDVI),通过趋势分析法和分级统计分析了张店区整体和建成区NDVI年际变化、不同等级NDVI面积变化和NDVI逐像元变化趋势。结果表明在2000—2021年之间,张店区年均NDVI呈先减少后增加趋势,变化范围为0.34~0.57;在研究时间范围内,面积增加最多的为高NDVI区域,增加了9.16%;减少最多的为中高NDVI区域,面积占比减少了18.6%;经过M-K趋势检验,张店有74.22%的区域NDVI升高,集中于中心5街道和南定镇,有25.64%的区域NDVI降低,集中于张店区城市西扩过程中的新增建城区。对张店区NDVI变化趋势和分布特点进行研究,能够进一步揭示城镇化和城市活动对植被质量的影响,为张店区城市规划和绿地建设提供基础数据,为淄博市全域公园城市建设提供资料参考,促进张店区人居环境质量的提升。

归一化差异植被指数仪的研制与应用

介绍了一种测量归一化差异植被指数(NDVI)的方法及仪器,利用日光作光源,通过四个具有特殊光谱响应特性的光电探测器,在植被近红外反射率平台和红光叶绿素吸收谷两个特征波段,分别对入射光和植被的反射光进行探测,经模拟—数字转换后,求出NDVI值。通过与ASDFieldSpec型便携式光谱仪测得的NDVI数据进行对比、标定,表明NDVI仪测定数据十分可靠。利用NDVI仪的数据,成功反演了小麦植株的叶面积、叶绿素密度,展示了NDVI仪在作物长势、营养诊断方面的应用前景。

融合机载LiDAR和植被指数的自适应单木提取方法

机载激光数据(Light Detection And Ranging,LiDAR)难以区分地面和草地范围,可见光植被指数无法分离灌木和乔木层,针对上述问题,构建一种融合LiDAR点云与RGB植被指数的多波段信息图像。以激光点云生成精细冠层高度模型(Canopy Height Model,CHM),利用无人机影像数据生成高清数字正射影像,在比较不同植被指数精度后选择差异增强植被指数(Differential Enhanced Vegetation Index,DEVI),与CHM进行融合。形态学重建CHM+DEVI融合图像,去除不合理值;构建训练样本,采用分类回归树算法,分割地面范围并自适应提取植被为乔木、灌木和草地,乔木区域采用局部最大值算法探测树顶点,作为前景标记,非乔木区域赋为后景标记,进行分水岭变换得到分割结果。将该方法提取的植被信息与实测数据进行精度分析,结果表明:改进方法在4个样方中,总体查全率提高3.2%,查准率提高3.9%,准确度F1得分提高3.5%,树高精度分别提高1.7%,6.4%,1.8%和0.3%。验证了改进方法的有效性,同时区域内植被混杂程度越高改进算法的提取效果越好。

塞罕坝植被覆盖时空分异与驱动机制研究

研究塞罕坝林场植被覆盖变化及其驱动机制能够为区域植被保护与森林经营管理提供重要的理论依据。基于MODIS-NDVI、气温和降水数据,采用趋势分析、偏相关性分析、残差分析和相对作用分析等方法,分析塞罕坝林场2000—2020年不同植被覆盖的时空变化,探讨气候因素和人类活动对不同植被覆盖的驱动机制。结果显示:(1)塞罕坝林场植被覆盖的归一化差异植被指数(NDVI)低于0.55的区域归为低植被覆盖区,NDVI高于0.65的区域为高植被覆盖区,而NDVI为0.55~0.65的区域为中等植被覆盖区。(2)2000—2020年,不同植被覆盖等级NDVI的平均增长速率有所差异,低植被覆盖区NDVI平均增长速率较快;其次是中等植被覆盖区和高植被覆盖区;尤其是2007年之后,塞罕坝林场全域NDVI平均增长速率明显高于2000—2007的植被NDVI平均增长速率。(3)在不同植被覆盖等级区,NDVI的主要驱动因素也有所不同,低植被覆盖区NDVI主要受到人类活动的影响,其贡献率高达60.78%;中高植被覆盖区主要驱动因子存在着空间异质性,即中高植被覆盖区的西部和东南部的低海拔区主要受人类活动的影响,而东北部的高海拔区主要受到气候因素的影响。

基于Landsat遥感影像的湖南省新邵县植被覆盖度变化分析

植被覆盖度是植被的直观量化指标,能够反映植被的生长情况,对生态环境建设具有重要意义。为探讨2000-2021年间新邵县植被覆盖度的动态变化,以湖南省邵阳市新邵县为研究区,利用2000年和2021年两期Landsat遥感影像,采用归一化差异植被指数和像元二分模型估算不同时期新邵县的植被覆盖度,并进行差值分析。结果表明:自2000年到2021年,新邵县的植被覆盖度整体呈增长趋势,且西部、南部地区的植被覆盖度增加明显,这与当地封山育林、绿化造林等政策实施密切相关。这也反映出新邵县在2000-2021年期间注重生态保护建设,森林质量明显提升。

2000—2019年西南高山峡谷区植被变化对气候变化和人类活动的响应

为了探究中国典型生态环境脆弱区——西南高山峡谷区植被变化对气候变化和人类活动的响应规律,量化气候变化和人类活动的相对贡献,该研究基于2000—2019年归一化差异植被指数(normalized difference vegetation index,NDVI)数据集,采用Theil-Sen趋势分析、Mann-Kendall显著性检验和Hurst指数分析了NDVI时空变化特征及未来变化趋势;在此基础上结合气象因子数据集,采用相关性分析和残差分析探讨了NDVI对气候变化和人类活动的响应。结果表明:1)时间尺度上,2000—2019年NDVI总体表现为波动上升趋势,增长速率为0.0046/a。空间尺度上,NDVI呈上升趋势区域面积占研究区总面积85.59%,植被恢复效果明显,且未来NDVI变化还将以上升趋势为主。2)在区域气候暖干化的背景下,NDVI对不同气候因子的响应有所差异,总体上NDVI与气温和太阳辐射呈正相关,而与降雨量呈负相关,气温对NDVI变化的影响力要强于太阳辐射和降雨量,是影响NDVI变化的主要气候因子。3)85.10%区域面积的植被变化受人类活动和气候变化的共同影响,其中人类活动是植被变化的主要驱动因素,气候变化为次要驱动因素,相对贡献率分别为68.67%和31.33%。该研究结果可为西南高山峡谷区未来生态环境建设提供科学依据,助力区域绿色可持续发展目标的实现。

2000—2020年云南省植被时空变化及影响因素分析

为揭示云南省植被动态变化及其对自然因素和人类活动因素的响应,本研究基于2000—2020年归一化差异植被指数(Normalized difference vegetation index,NDVI)、自然因子和人类活动因子数据集,采用Theil-Sen趋势分析法和Mann-Kendall检验分析了云南省NDVI时空变化特征,结合地理探测器探究了不同时期NDVI空间分异的驱动力,并探讨了主导因子对NDVI变化的影响。结果表明:空间分布上,云南省植被覆盖呈现西南高,东北低的空间分布格局。时间变化上,2000—2020年NDVI上升的区域面积占比为83.15%,而NDVI下降的区域面积占比为16.85%。NDVI空间分异的主要影响因子为土地利用类型、降雨量和相对湿度,其中土地利用类型解释力最高,远高于其他因子。土地利用类型的转变对NDVI变化具有显著影响,林业生态工程的实施增加了林地面积,改善了区域植被,对NDVI上升起到了积极作用;而建筑用地扩张,破坏了区域植被,导致NDVI降低。本研究为云南省未来生态规划策略的制定提供了科学依据。

基于可见光波段无人机遥感的植被信息提取

无人机遥感具有使用成本低、操作简单、获取影像速度快、地面分辨率高等传统遥感无法比拟的优势。该文通过分析仅含红光、绿光和蓝光3个可见光波段的无人机影像中植被与非植被的光谱特性,同时结合健康绿色植被的光谱特征,借鉴归一化植被指数NDVI的构造原理及形式,提出了一种综合利用红、绿、蓝3个可见光波段的归一化植被指数——可见光波段差异植被指数VDVI(visible-band difference vegetation index)。与其他基于可见光波段的植被指数,如过绿指数EXG(excess green)、归一化绿红差值指数NGRDI(normalized green-red difference index)、归一化绿蓝差值指数NGBDI(normalized green-blue difference index)和红绿比值指数RGRI(red-green ratio index)以及仅用绿光波段的提取结果进行对比分析,结果表明:VDVI植被提取精度高于其他可见光波段植被指数,且阈值在0附近,较易确定。为了验证VDVI的适用性与可靠性,选取与试验影像同一时期拍摄但不同区域的另一影像使用同样的方法提取植被信息。结果表明:VDVI对于仅含可见光波段无人机遥感影像的健康绿色植被信息具有较好的提取效果,提取精度可达90%以上,适用于仅含可见光波段无人机遥感影像的健康绿色植被信息提取。

基于土地覆盖分类的植被覆盖率估算亚像元模型与应用

如何利用遥感资料估算植被覆盖率已成为建立全球及区域气候、生态模型的基础工作之一。重点探讨了利用TM资料从植被指数 (NDVI)中提取植被覆盖率的方法。根据TM像元为非均一混合像元的特点 ,提出了基于土地覆盖分类的综合运用“等密度模型”和“非密度模型”计算植被覆盖率的方法。通过对北京市海淀市区的植被覆盖率计算表明 ,该方法的估算精度可达 75 4% ,比单纯使用等密度亚像元模型在估算精度上可提高 5 8%。可以认为 ,该方法为大面积植被覆盖率估算提供了一种有效的途径。

新疆不同植被NDVI的变化及其与气候因子的关系

使用归一化植被指数(Normalized Difference Vegetation Index,NDVI)和气象数据研究了全球气候变化背景下,1982—2003年新疆10种植被类型NDVI时间动态变化及其与气候因子的关系。研究区植被生长季NDVI以0.58%的年平均增长率显著增加,并且春、夏、秋三季的总体及各种植被类型NDVI都显著增加(P<0.01);通过对生长季NDVI和气候因子的相关分析,发现有5种植被类型与降水量呈显著正相关,主要是阔叶林、荒漠、草原、草丛和草甸;与温度显著相关的植被类型为针叶林、灌木、高寒沼泽和高山植被;农田生长季NDVI与降水和温度均不显著相关。通过研究各个季节不同植被类型NDVI与气候因子关系表明,春季植被NDVI与温度关系密切,夏季植被NDVI与降水呈显著正相关关系,秋季NDVI的增加是温度和降水量共同作用的结果。

基于MODIS的泾河流域植被动态年际变化

以中分辨率成像光谱仪数据（Moderate resolution imaging spectroradiometer，MODIS）为基础计算泾河流域归一化差异植被指数（Normalized difference vegetation index，NDVI）在2001—2004年的时间序列值，分别采用相关系数r值和成对f检验的f值定量描述年内NDVI曲线在年际问的协同性和差异性。以农田、森林、灌丛和草地4种土地利用类型NDVI曲线在年际间变化显著的面积百分比为参数，在2001～2004年间分为1、2和3年间隔共6个时间组，比较分析4种土地利用类型的NDVI曲线在6个时间组内的协同性和差异性，进而探讨泾河流域植被年际变化及其与土地利用之间的关系。结果表明：4种土地利用类型NDVI波动对外界环境的响应在不同的时间间隔里表现一致，在2001～2003年和2001～2004年间变化比较明显；在各个时间组内比较发现有较大面积的农田和草地NDVI协同性较差，尤其在2001—2002年间，这可能与退耕还林还草政策的实施有关；4年来泾河流域内4种土地利用类型的NDVI值有增加趋势，植被状况趋于良好；NDVI年际间差异最明显的是草地，其次是农田和灌丛，森林的NDVI比较稳定。

滴灌工程对农业生产能力的影响评估

滴灌工程作为干旱区绿洲灌溉农业增产增收的一项革命性技术工程,对农业生产和生态环境产生着深远影响。为了有效评估滴灌工程对农业生产能力的影响,将沙雅县作为研究区域,利用归一化差异植被指数(Normalized Difference Vegetation Index,NDVI)数据集、气象数据集和土地利用/覆被变化(Land Use/Cover Change,LUCC)数据集,对滴灌工程在建设与运行期间(2014-2022年)的县域NDVI及耕地面积时空变化进行分析。结果表明:①2014-2022年,全县耕地面积增加了83.83 km^(2),其中滴灌工程区占比71.22%。②滴灌工程区耕地NDVI平均增长率为0.44%/a,而非滴灌工程区耕地NDVI平均增长率仅为0.30%/a,滴灌工程区耕地NDVI变化较为明显。③滴灌工程实施后,年降水量降低了42.48%,然而县域NDVI却呈现出“增加—平缓—增加”的变化特征,平均增速为0.27%/a,平均增长11.53%。农业生产能力没有降低反而增加。滴灌工程的实施,不仅促进了土地流转与规模化经营,田块的破碎化程度降低,显著扩大了有效耕地面积,更重要的是县域农业产能(NDVI)与节水抗旱能力显著提升,沙雅县整体农业生产能力得到提高。因此,滴灌工程对于提高干旱区农业生产能力和生态环境具有重要意义。

高等级公路两侧植被环境的遥感评价

用遥感方法分析评价高等级公路两侧植被环境,通过Landsat/TM遥感影像获得植被信息,然后与实验区实测植被信息进行拟合分析,得出公路建设及营运期间对两侧植被长势、健康情况等影响的评价模型。

基于遥感的武汉植被覆盖动态变化研究

为了研究植被资源受人类活动影响程度及其动态变化趋势,根据陆地卫星1991年7月TM和2002年7月ETM+影像,通过对植被的光谱分析,结合地形图和已有植被分布图等资料进行纠正和解译,计算归一化差异植被指数(NDVI),采取混合像元二分模型,生成植被覆盖度由低至高5级分类图像。结果显示:从1991-2002年武汉地区除极低覆盖度面积明显增加,其它覆盖度面积均有不同程度下降,中高覆盖度下降最为明显,全区中覆盖度以上面积比例由48.43%下降到38.07%。研究表明,区域主体由中高覆盖度演变为中覆盖度,引起这一植被覆盖度变化的主要驱动力为人口激增和经济高速发展。

基于无人机可见光影像的绿色植被提取

在分析健康绿色植被光谱特性及无人机可见光影像典型地物各波段像元值差异的基础上,提出一种综合利用红、绿、蓝3个可见光波段信息的新型绿色植被指数——差异增强植被指数(DEVI).利用该指数及其他8种常见可见光植被指数结合不同阈值方法提取研究区域绿色植被信息,并采用地表真实感兴趣区和基于SVM的监督分类方法进行精度量化评价.结果表明:由DEVI计算的植被指数灰度影像直方图具有良好双峰形态,可利用双峰直方图阈值法快速确定阈值,且阈值一般位于0.9~1之间;同时,DEVI提取精度明显优于其余8种植被指数,且采用双峰直方图阈值法时,总体精度为98.98%,Kappa系数为0.9791,相对误差为1/83.为验证DEVI是否具有良好的可适用性及可靠性,选取3种典型植被覆盖区域进行可行性验证,结果表明:利用DEVI可高精度提取建筑密集区域和植被零散分布区域的绿色植被信息,总体精度分别为98.42%和98.56%,Kappa系数分别为0.9610和0.9635,相对误差分别为1/125和1/91;而植被集中分布区域提取精度略低于上述2种典型区域,总体精度为97.40%,Kappa系数为0.9371,相对误差为1/53.因此,提出的差异增强植被指数——DEVI可以有效、高精度、低成本提取不同植被覆盖典型区域无人机可见光影像中的绿色植被信息,为陆地生态系统中的绿色植被监测研究提供一种可行性方法.

利用无人机技术进行社区植被覆盖率调查

无人机遥感与传统遥感方法相比具有成本低、周期短、分辨率高等优势,适合小区域内地理信息的快速获取与更新。本文提出一种基于无人机的社区植被覆盖率调查方案,使用无人机获取社区范围内的航拍影像生成正射影像图,再基于可见光波段差异植被指数VDVI提取植被像素。为了解决拼接影像的VDVI直方图缺少双峰特征而导致的阈值选择困难,引入OTSU(大律法)来确定植被与非植被的分割阈值。为了解决偏绿建筑导致的伪植被现象,提出一种使用蓝红波段阈值来剔除偏绿建筑的方法。通过江阴市江锋社区的航飞数据进行实验证明,本文所提出的社区植被覆盖率调查方案具有生产周期短且准确率高的优点。

山丘地区植被指数与钉螺分布的关系

目的研究云南省山丘地区钉螺分布和植被指数之间的关系。方法使用GPS定位螺点,收集螺情指标。在遥感软件中叠加螺点矢量图和中分辨率成像光谱仪植被指数图,提取归一化差异植被指数(NDVI)值,并与钉螺出现率和钉螺密度进行相关分析,建立回归方程。结果大理市45个流行村的114个螺点数据表明,95%钉螺分布在NDVI为0.414 4～0.760 7的地区,有螺框出现率、钉螺密度和NDVI值的关系季节性较强,以9月份相关系数最高,并可以初步建立回归方程。结论山丘地区植被和钉螺分布存在一定关系。

小麦倒伏的光谱特征及遥感监测

小麦倒伏后茎秆和叶片在探测视场中的比例及植株组分的受光条件发生了变化,其冠层光谱特性也随之发生改变,所以利用遥感监测倒伏是可能的。首先,分析了叶片和茎秆组分的光谱特点,解释了倒伏后冠层光谱的变化特点,即光谱反射率随倒伏角度的增加而增加。其次,利用倒伏后冠层光谱反射率在可见光波段的相对增幅高于近红外波段的特点,利用实测数据分析和建立了归一化差异植被指数NDVI随倒伏角度的增加而降低的规律及模型。最后,采用2003年4月7日和5月9日倒伏发生前后的2景LandsatETM卫星影像,利用倒伏前后的NDVI值的变化,成功监测了小麦倒伏的发生程度。