重庆市都市区NDMI时空分异特征研究

NDMI是研究城市化进程中城市生态环境的一个重要指标和过程参数,研究NDMI时空分异特征重在把握人为干扰环境的力度。利用重庆市都市区TM遥感数据,综合运用地形位指数、分布指数、平面重心模型以及重心迁移速率等方法,研究分析NDMI时空数量结构分布特征。研究结果表明：随着建设用地面积扩展和城市发展,地表水汽含量总体减少;各等级NDMI之间以相邻转换最为突出;低水汽指数区域集中分布在300-500m的平地和100-400m的低缓坡区域,高水汽指数在1,2级地形位的分布指数最优。研究旨在为重庆市都市区维持区域生态系统的稳定性和改善人居环境质量提供参考和依据。

NDMI与TCW在西藏低植被区土壤湿度监测中的比较

土壤湿度的遥感监测在农牧业生产中发挥着重要作用。基于Landsat TM影像,利用研究区不同深度的土壤湿度实测数据,对两种可以反映地表湿度的指标归一化差异湿度指数（Normalized Difference Moisture Index,NDMI）和缨帽变换的湿度分量（Tasseled Cap Wetness,TCW）在西藏低植被覆盖区土壤湿度的监测结果进行精度验证与对比分析。结果表明：在0~5 cm、10 cm和20 cm深度处,NDMI与土壤湿度实测值回归方程的回归系数分别为0.6181、0.6853、0.5764,TCW与土壤湿度实测值回归方程的回归系数分别为0.4586、0.5101、0.5628。此外,NDMI、TCW与实测值的变化趋势一致,但NDMI对土壤湿度变化更加敏感。通过对比NDMI与TCW反演结果的空间分布情况也表明,NDMI对土壤湿度的变化具有更好的区分能力,尤其是在高海拔的低植被覆盖区。该研究可为高原低植被覆盖区土壤湿度监测方法的选择与误差分析提供参考依据。

城市扩展下的重庆都市区NDMI响应特征研究

城市扩展伴随着生态系统的变化,归一化水汽指数(NDMI)是监测区域旱情程度的重要指标之一,研究城市扩展进程中NDMI的响应特征具重要价值和意义。采用重庆都市区1988~2010年多光谱TM遥感数据,利用分布指数、转移矩阵、重心迁移模型等研究方法,将图谱分析与城市扩展规模影响程度相结合,研究城市扩展与NDMI响应关系。研究结果表明:城市扩展与NDMI空间分布特征呈现出明显相关性;随着城市建设用地扩展,1级、2级、3级NDMI时空响应最为活跃;重庆都市区环境治理理念已从事后修复逐步提升到事前防御;对于建成区域内的环境修复应从1级NDMI分布区域入手。研究结论旨在为重庆环境监测相关部门和城市规划建设选址提供参考和依据。

NDVI、NDMI与地表温度关系的对比研究

通过研究归一化植被指数(NDVI)、归一化水汽指数(NDMI)与地表温度(LST)的相关关系,对比NDVI和NDMI定量分析LST的适宜程度。以Landsat 8遥感影像为数据源,以郑汴都市区为例,反演LST,计算NDVI和NDMI。从整体、分区、像元等不同层面分析NDVI和NDMI与LST的相关关系,并利用GEO-Da软件,分析150 m、300 m、450 m三种不同采样间隔数据的NDVI、NDMI与LST的空间相关性。主要结论为:(1)NDVI与LST的线性拟合度较差,而NDMI与LST具有很强的线性关系,剖面分析显示NDMI与LST呈显著负相关关系。(2)缓冲区分析结果表明,随着距城市中心距离的增加,用地类型增多,LST和NDMI之间的相关性逐渐增强。(3)在Moran's I空间相关性分析中,不同采样间隔下两指数与LST的负相关关系均比较明显,但由于水体在2个指数中数值的差异,使NDMI与LST表现出更强的空间负相关性,而NDVI与LST空间相关性则相对较弱。因此,总的来说NDMI是热环境研究的有效指标,与NDVI相比,NDMI与LST的负相关关系更强、更稳定,也更适宜于对LST的定量分析。

基于决策树方法的Landsat8 OLI影像红树林信息自动提取

基于广西山口国家红树林生态自然保护区的Landsat 8 OLI影像数据,选用广泛应用于植被液态水含量反演的归一化差值湿度指数(normalized difference moisture index,NDMI)和修正的归一化差值池塘指数(modified normalized difference pond index,MNDPI)作为分类特征,运用决策树方法进行红树林信息的自动提取。研究结果表明:红树林独特的滨海湿地生境特点,使其光谱同时包含植被和湿地信息;MNDPI和NDMI可分别反映可见光-近红外波段反射率同短波红外波段反射光谱的反差,可成功应用于湿地植被信息的提取,能有效地将红树林同其他地物相区分;采用Landsat8 OLI遥感数据,并结合NDMI和MNDPI分类特征构建的决策树模型可有效地提取红树林信息,其错分率和漏分率都较低,分别为5.34%和1.69%。

北京市1989—2010年地表温度时空分异特征分析

以3S技术为支持,采用TM数据、应用单窗算法对1989—2010年间北京市五环内地表温度(land surface temperature,LST)进行反演,并采用同步的MODIS温度产品对反演结果进行对比验证。在此基础上,利用距平值分析和剖面线分析等方法揭示了20多a来北京市地表温度的时空分异总体特征;基于归一化水汽指数(normalized difference moisture index,NDMI)和归一化建筑指数(normalized difference building index,NDBI)分析了研究区内地表温度的时空变化特征,定量揭示并阐述了地表温度和NDMI及NDBI的相关关系。研究结果表明:反演温度可较为真实地反映研究区地表热量的空间差异;北京地表温度时空变化特征明显,同一时段、不同土地覆盖类型的地表温度差异较为显著,热岛效应明显;地表温度和NDBI呈显著的正相关,与NDMI则呈显著的负相关,NDMI和NDBI在表征地表热特征方面均是较好的指标。该结果为监测北京地表温度变化及其时空分布特征提供了依据。

基于MODIS影像多特征的CART决策树分类

以山东省为研究区域,利用2009年9月MODIS的8 d合成波段反射率产品MOD09,选择特征变量植被指数(NDVI、EVI)、NDWI、NDMI、NDSI及辅助信息DEM,通过选取其中的影像特征组合来确定分类方案,构建各波段组合的CART决策树,对MODIS影像进行分类,得到CART决策树的最优波段组合。结果表明,特征变量DEM、NDVI、EVI对分类结果贡献较大;将CART决策树的分类结果与其相对应的最大似然分类结果进行比较可知,基于影像多特征的CART决策树分类方法能明显提高分类精度。

山区夏季地表温度的影响因素——以泰山为例

以泰山为例,应用夏季的Landsat 5的TM6为基本数据源,基于单窗算法定量反演了泰山地表面温度(LST),在此基础上首先探讨了LST与地形因子的关系,然后比较了归一化水汽指数(NDMI)和归一化植被指数(NDVI)在表达山区LST上的效力,最后利用逐步回归分析法,构建出LST与地形因子、NDMI的回归方程,应用偏相关系数,得出各个因子对LST的影响程度。结果表明:1)在地形因子中,影响LST的主要因素是海拔,随海拔升高呈自然对数形式降低,相比而言,坡度、坡向以及太阳入射能量的影响则很小;2)在没有水体时,NDVI与NDMI都能有效地表达山区的LST,LST与NDVI间是二次项负相关关系,与NDMI间是线性负相关关系,在表达LST上NDMI比NDVI更有效;3)综合分析表明,地表水汽特征是其表面温度最主要的影响因素,其次是海拔。研究结果将为山区地表温度空间分异性特征及形成机制的研究提供科学的参考。

中国区域Landsat遥感指数产品

遥感光谱指数由于计算简单,指示性好,能有效地度量和监测相应的地物特征,被广泛应用。基于Landsat地表反射率产品生产了应用较为广泛的NDVI、EVI、SAVI、MSAVI、NDWI、MNDWI、NDMI、NBR 8种遥感光谱指数产品。本遥感指数产品覆盖1980s–2019年中国陆地区域,最终结果以GeoTIFF格式保存,并附带相应的质量文件和XML元数据文件。

A Comparison of Change Detection Analyses Using Different Band Algebras for Baraila Wetland with Nasa’s Multi-Temporal Landsat Dataset

Wetlands are those landscapes which are saturated with water or covered by water either perennially or for a major part of the year. Due to transforming nature of the wetlands from aquatic to terrestrial, the related physical features are not easy to be monitored. With the recent advancement in Remote sensing technique, the feature extraction of wetland with the help of different satellite derived band algebras including Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), Modified NDWI (MNDWI), Normalized Difference Moisture Index (NDMI) is being used by experts. The common diagnostic features of wetlands are surface water, swamps and aquatic vegetation. The present study is based on a comparison between these four indices. Baraila wetland of Vaishali district Bihar is selected as a site for the study because the surface water of this “BAT” shaped wetland has decreased rapidly in last half decade which is alarming for the related ecology and biodiversity.

基于Landsat 8影像的西双版纳森林覆盖信息提取研究

以Landsat 8影像为数据源,在综合分析典型地物光谱、纹理和空间分布等特征的基础上,利用归一化湿度指数(NDMI)、纹理、地形等多源数据,构建了基于决策树规则的西双版纳森林覆盖信息提取模型。验证结果表明,该模型的总体精度达99.08%,与传统的监督分类相比(96.08%)提高了3个百分点。

宁夏石嘴山地区盐碱地变化的目标级检测

采用同一地区、不同时相的Landsat 8OLI影像数据,结合影像的光谱、纹理和地理特征等24个变量,分别采用随机森林分类法(RF)和支持向量机分类法(SVM)对宁夏石嘴山地区进行影像分类,研究发现:影响分类模型精度的有DEM数据、归一化差异植被指数(NDVI)、短波红外波段、归一化差异湿度指数(NDMI)与第一主分量均值(M)等重要参量。RF的分类精度略高于SVM,总体分类精度为95.492%,Kappa系数为0.947;盐碱地的分类精度为98.510%,计算效率是SVM的16.5倍;RF方法更适合进行盐碱地目标级的变化检测。根据两个时相影像的RF分类结果,得到2014—2017年研究区盐碱地面积减少约133.56km2,减少比例56.368%,生态环境改善和盐碱地改良趋势较好。

西安夏季地表温度时空演变特征

针对单一地表特征参数在研究地表覆盖类型对地表温度的影响中存在的局限性问题,以西安市区为研究对象,Landsat TM/OLI影像为数据源,采用单窗算法进行地表温度反演计算,获得西安市主城区1992至2018年中4期夏季地表温度数据。在此基础上,分析了1992—2018年西安市夏季地表温度时空变化特征,并利用剖面线分析法揭示了研究区LST与NDMI、IBI的内在关系。研究结果表明:在26年间西安市主城区夏季地表温度经历了"平缓上升、快速上升、有效降低"的变化过程;西安市夏季地表温度的空间分布与城市扩张方向相一致;地表温度与NDMI呈显著负相关,而与IBI呈显著正相关的关系,表明城市扩张人工建筑面积的增加是导致地表温度的升高的原因之一,并且有效的绿化措施和水体湿地的运用可对其周边环境带来一定的降温效果。

兰州市城市热岛效应与地表指数定量分析

针对现有兰州市城市热岛效应研究多以地面气象站的观测资料为数据源,以遥感影像为数据源较少的现状,该文利用Landsat 8影像,研究了兰州市城市热岛效应与修改后的土壤调节植被指数(MSAVI)、增强型水体指数(EWI)、土壤亮度指数(NDSI)、土壤湿度指数(NDMI)之间的关系。结果表明,兰州城市热岛效应较为严重,城市热岛效应与土壤湿度指数、增强型水体指数、土壤亮度指数呈正相关,与修改后的土壤调节植被指数呈负相关。

基于Sentinel-2数据的红树林快速提取方法

针对红树林光谱同时包含植被和湿地信息,采用卫星遥感影像难以实现红树林快速精确提取的问题,对比分析Sentinel-2影像上红树林在红边与短波红外波段与其他典型地物的光谱曲线特征后,提出了一种用于红树林快速准确提取的新型红树林提取指数NDMI。以广西防城港市珍珠湾为研究区,将该指数与4种常用红树林提取指数进行对比,并在钦州湾、东寨港红树林保护区进行适用性评价。结果表明:NDMI可增强短波红外波段反射率同红边波段反射率间的差异性,与其他常用指数相比能更有效地将红树林同其他典型地物进行区分;采用Sentinel-2遥感数据,并结合NDMI指数可在不划分潮间带的前提下快速有效地提取红树林信息,且短波红外波段中的B12波段具有更好的提取效果,总体精度和kappa系数分别为98.6%和0.9249。该研究为红树林遥感提取提供了一种快速简便的新方法。