天山北坡典型退化草地植被覆盖度监测模型构建与评价

草地退化是当今世界面临的一个极为严峻的生态问题。植被覆盖度作为草地退化监测的重要指标之一,在草地退化、荒漠化治理方面起着重要的作用。为了构建适合于天山北坡典型草地植被覆盖度监测模型,便于对草地及时、快速的监测分析,研究利用新疆阜康市2008年9月Landsat TM遥感影像数据和相应的实测数据,分别探讨5种植被指数(NDVI、RVI、GNDVI、SAVI和MSAVI)与植被覆盖度的线性和非线性(二次多项式、指数、对数以及幂函数)关系,以便获得最佳监测草地状况的植被指数和模型。研究结果表明,MSAVI和GNDVI与植被覆盖度的相关性最好(P<0.01),而NDVI和RVI较差;通过5种植被指数和植被覆盖度进行回归分析,MSAVI和GNDVI与植被覆盖度分别建立模型最佳,即:y=138.45x-1.248 2(R²=0.502 7,P<0.01)和y=2 596.66x²-561.54x+38.488(R²=0.605 3,P<0.01),精度达到90%以上。该研究结果说明不同的植被指数适用的条件不同,为今后利用3S技术深入研究荒漠退化草地植被状况的快速监测和科学管理提供支持。     

遥感指数在湖泊叶绿素a反演研究中的应用

借鉴陆地植被指数的算法,利用MODIS数据的波段组合对太湖叶绿素8浓度进行反演。探讨了差值植被指数DVI、比值植被指数RVI、归一化植被指数NDVI这三种遥感指数形式的反演效果及各自特点。MODIS数据蓝光波段和红外波段的组合是反演太湖叶绿素浓度的最佳波段组合,DVI适合于反演叶绿素浓度高的情况,RVI的反演结果两极分化明显而普适性较差,NDVI适合于反演浓度较低的情况。     

基于RUE的不同草地类生态评价研究——以河西走廊为例

选择降水利用效率（RUE）作为评价指标,对河西走廊代表性草地类--温性荒漠、高寒草甸、温性草原进行生态评价研究。通过植被指数提取、降水Co-Kriging插值、图层叠加,得到河西走廊区域2006-2010年的RUE(NDVI)、RUE(PVI)、RUE(TSAVI)数据,并与地上生物量进行相关分析,筛选出适合不同草地类的RUE作为该区域生态评价的指标。结果表明：1）温性荒漠区RUE(PVI)与草地生物量风干重正相关性最高（R²=0.879）,高寒草甸区RUE(NDVI)与草地生物量风干重的正相关性最高（R²=0.876）,温性草原区RUE(TSAVI)与草地生物量风干重的正相关性最高（R²=0.895）。2）温性荒漠区、温性草原区生态均处于退化过程,高寒草甸区处于恢复过程。研究认为选择合适的RUE值可作为不同草地类生态评价指标,并具有理论的可行性和实践的可靠性。     

鄱阳湖碟形湖泊（常湖池）春季苔草生物量遥感估算

基于Sentinel-2植被指数,应用回归分析法分析了鄱阳湖碟形子湖泊（常湖池）的苔草（Carex）群落生物量与植被指数的关系,并探讨了高程水位和气温变化对其的影响。研究结果表明：（1）10种常用的植被指数中,土壤调节植被指数（Soil Adjusted Vegetation Index,SAVI）是常湖池苔草春季生长中后期（3月22日至5月5日）地上生物量估算的最佳植被指数,SAVI构建的三次多项式是常湖池苔草地上生物量最优遥感估算模型,其均方根误差为73.91 g/m²,预测吻合度为71.90%,苔草生物量分布总体表现为自湖心到湖岸逐渐增加。（2）3月22日（春季苔草生长中期）和5月5日（春季苔草生长后期）苔草的地上总生物量分别为1.06×10⁵ kg和3.28×10⁵ kg,单位面积苔草生物量分别为77.56 g/m²和208.44 g/m²,这与鄱阳湖其他子湖单位面积生物量一般低于300 g/m²相一致。（3）常湖池苔草生长受高程、水位和气温多重要素综合影响。3月底常湖池13.47 m高程（黄海高程,参考星子站水位,下同）以下苔草植株矮小,生物量积累较少;13.47 m高程以上区域受前期低温胁迫,生物量增长缓慢。随着气温回暖,出露区域的苔草生物量逐渐积累,并随高程增加而增长。     

多指数决策融合的MODIS浒苔提取方法

针对MODIS（moderate resolution imaging spectroradiometer,中分辨率成像光谱仪）影像浒苔提取中存在的植被指数自适应阈值不普适等问题,本文提出了多指数决策融合的MODIS浒苔提取算法（multi-index decision fusion,MIDF）。计算影像的归一化植被指数（normalized difference vegetation index,NDVI）、增强型植被指数（enhanced vegetation index,EVI）、差值植被指数（difference vegetation index,DVI）和比值植被指数（ratio vegetation index,RVI）,采用局部阈值法对4个指数灰度图进行自适应阈值分割得到初始浒苔覆盖范围,通过“绝对多数投票法”对上述初始浒苔覆盖范围投票表决得到最终提取结果。实验结果表明,MIDF可适应不同密度的浒苔覆盖区域,且精度优于传统的NDVI、EVI、DVI和RVI自适应阈值法。本算法为无监督法,自动化程度较高,可应用于浒苔灾害遥感业务化监测。     

基于高分一号卫星影像的柽柳地上生物量遥感估算研究——以昌邑柽柳国家海洋特别保护区为例

柽柳是滨海湿地植被中的典型物种，多生长在潮间带和潮上带，在保护海岸、改良滩涂等方面发挥着巨大的作用。国民经济与社会发展"十三五"规划明确提出实施"南红北柳"湿地修复工程，凸显了柽柳在滨海湿地保护中的核心作用，应用遥感技术估算大范围柽柳的生物量对柽柳保护具有重要意义。本文以昌邑柽柳国家海洋特别保护区为例，应用国产GF-1卫星遥感数据和地面生物量实测数据，构建了柽柳地上生物量估算模型，选取了最优模型并开展了应用试验。结果表明:(1)5个植被指数中，比值植被指数RVI与柽柳地上生物量(AGB)相关性最高，为0.686；(2)RVI对应的三次多项式生物量估算模型决定系数最高，为0.81，且平均相对误差MRE和均方根误差RMSE最小，分别为4.7%和0.05 kg/m2；(3)应用2014年9月4日获取的昌邑柽柳国家海洋特别保护区GF-1卫星遥感影像，利用RVI三次多项式估算模型进行生物量遥感估算，得到研究区柽柳林地上平均生物量为0.75 kg/m2，总生物量为15020 t。     

基于环境减灾卫星遥感数据的呼伦贝尔草地地上生物量反演研究

推动国产遥感卫星在资源环境领域中的应用对于促进我国航天事业发展、减少科研成本具有重要意义。我国近期发射的环境减灾卫星具有时间分辨率高、可获得高光谱影像的特点,在陆地资源遥感监测领域将有广阔发展空间。研究于2009年夏季获得三景呼伦贝尔草原区遥感影像和对应地面实测草地生物量信息,基于这些数据探讨了利用环境减灾卫星多光谱影像和植被指数反演草地生物量的可行性。结果表明基于影像提取的NDVI、OSAVI、MSAVI、SAVI、EVI、MTVI2、WDRVI和GNDVI等光谱指数均与草地生物量有较好的定量关系。其中,MTVI2结果最好,预测决定系数达0.61,交叉检验决定系数为0.58,均方根误差仅为58.6 g.m-2,基于MTVI2和环境减灾卫星多光谱影像可准确生成草地生物量空间分布图。     

藏北草地地上生物量及遥感监测模型研究

草地退化已成为藏北地区面临的主要生态环境问题。为了定量监测草地生物量和退化草地的生物量动态变化,利用2004 年8—9 月藏北地区草地地上生物量最大时期的地面实测数据,分析了其地上生物量大小和空间分布特征,在此基础上,结合同期的Terra MODIS植被指数数据,建立了草地地上生物量的遥感监测和估算模型。主要结论如下:①由于受高寒气候、土壤、水分等环境因素的限制,8—9 月藏北地区平均草地地上生物量较小,为96.88g/m²,其中绿色鲜草的比重在80%以上;不同区域不同草地类型地上生物量差异很大,范围在37.10~589.12 g/m²,平均而言,高寒沼泽化草甸的地上生物量最大,达356.84 g/m²,其次是温性草原(64.48 g/m²)和高寒草甸(61.61 g/m²),高寒草原草地最低,为48.87 g/m²;②基于MODIS NDVI的合成、生长型、指数函数、逻辑斯谛等4 个模型是估算藏北草地地上生物量的最优模型;③生物量的空间分布呈东南向西北减少态势,东南部部分地段在100 g/m²以上,西北部则在20 g/m²以下。     

盐城海滨湿地植被地上生物量遥感估算研究

以盐城湿地自然保护区核心区的ETM+图像数据和同期野外实测的31 个样方地上生物量干重、湿重数据为数据源,分析了15 个遥感信息变量与湿地植被地上生物量干重、湿重的相关关系,并选择在0.01 水平上显著相关的8 个遥感变量建立一元线性回归模型、一元曲线回归模型以及多元逐步回归模型,并对比得出最优模型,进而计算出整个研究区的地上生物量。研究得出：①与研究区湿地植被地上生物量干重和湿重相关性最大的都是ETM+4 波段,干重的相关系数为0.833,湿重的相关系数为0.796;②研究区植被地上生物量干重和湿重的遥感估算模型都是一元三次函数模型,且干重模型的拟合精度要优于湿重模型;③得到研究区地上生物量干重总重量为2.28×10⁸ kg,湿重总重量为6.10×10⁸ kg。     

基于神经网络的三江源区草地地上生物量估算

三江源区位于青藏高原腹地,作为长江、黄河、澜沧江三大河流的发源地,是我国重要的水源涵养和生态功能保护区.为了及时准确地获取该区域草地生物量信息,根据三江源区高寒草甸、高寒草原采样点的地上生物量实测值,结合遥感植被指数、海拔、气象观测数据（光合有效辐射、年均气温、年降水量）构建BP神经网络模型,估算2001—2010年三江源区的草地地上生物量,并对其进行分县统计和年际变化分析.结果表明:① 通过多次反复的训练与测验得到的BP神经网络模型,对高寒草甸、高寒草原的地上生物量模拟值与实测值的R2分别为0.73、0.79,表明BP神经网络模型具有较好的模拟效果.② 2001—2010年三江源区草地地上生物量多年平均值为172.34 g/m2,其中高寒草甸为214.81 g/m2,高寒草原为130.07 g/m2.③ 三江源区草地地上生物量的空间分布具有明显的空间异质性,呈从东南向西北递减的趋势.其中,位于东部的河南县草地地上生物量最高,为413.46 g/m2;而北部的曲麻莱最低,仅为69.04 g/m2.④ 2001—2010年三江源区草地地上生物量呈缓慢波动上升趋势,平均升幅为0.93 g/（m2·a）.研究显示,利用站点地上生物量实测数据构建BP神经网络模型并对地上生物量进行模拟,对于分析区域尺度的草地地上生物量分布格局和变化趋势行之有效.      

Assessment of pasture production in the Italian Alps using spectrometric and remote sensing information

Three years of summer field studies (2002–2004) were conducted at two sites in the Central Italian Alps. Field spectroradiometer data were acquired on different vegetation typologies where current above ground biomass was measured with traditional agronomic methods. Radiometric measurements were synthesised into a set of spectral vegetation indices. Log-transformed regression analysis between fresh biomass and spectral vegetation indices indicated that soil-adjusted vegetation indices (SAVI, MSAVI and OSAVI) show a better correlation (r² > 0.60) than more commonly employed indices as SR and NDVI (r² < 0.50). Cross validation procedure showed that a regressive model based on MSAVI index was the most predictive. Analysis of covariance revealed that data from different years and vegetation types significantly influenced the relation, however no improvement in the regressive model was found when data were used separately. After a suitable calibration procedure, a fresh biomass map of the study area was obtained using Landsat-7 imagery. Results showed that the integrated use of field spectral measurements and satellite derived information can provide a valuable support to the assessment of pasture biomass production in alpine environment.     

三江源区高寒草地地上生物量遥感反演模型研究

为了发展适用于三江源区高寒草地（包括高寒草甸和高寒草原）地上生物量（aboveground biomass,AGB）模拟的遥感反演模型,基于2006—2014年逐年7—8月三江源区高寒草地70个采样点地上生物量数据与同期MODIS-NDVI和MODIS-EVI数据,通过回归分析方法建立高寒草地地上生物量遥感反演模型,并利用长时间序列MODIS数据对2005—2014年三江源区高寒草地地上生物量的时空格局进行模拟分析.结果表明:基于EVI建立的乘幂模型对三江源区高寒草地地上生物量的拟合效果最好,其判定系数（R2）最大,达到0.654;均方根误差（RMSE_P）最小,仅为27.86 g/m2.根据三江源区70个采样点的地上生物量数据最终确立的估算模型为y=348.769x0.783（R2=0.655,P < 0.001）.估算模型模拟结果显示,2005—2014年三江源区高寒草地地上生物量空间特征基本一致,总体表现为从东南到西北逐渐减少的变化趋势,这与该区域的降水量、气温、海拔和植被类型等因素有关;2005—2014年三江源区高寒草地地上生物量平均值为169.25 t/a,最高值为2010年的178.36 t/a,最低值为2008年的162.80 t/a,年际变化趋势表现为2005—2008年逐年下降、2008—2014年则在波动中逐年有所上升.研究显示,三江源区高寒草地地上生物量遥感反演模型及其确定的模型参数可对该区域草地地上生物量进行有效评估.      

基于多项植被指数的景观生态类型遥感解译与分类——以额济纳天然绿洲景观为例

基于研究区2001年Landsat7ETM+遥感影像数据,运用遥感与GIS技术手段,在对遥感影像的边界裁定、几何校正、辐射校正等预处理的基础之上,根据绿洲景观生态类型分类体系,通过综合应用非监督分类、植被指数与波段比值指数聚类、监督分类以及类型叠加与图像整合等方法,进行绿洲景观生态类型的遥感解译与分类,生成研究区2001年的景观生态类型图。为尽可能利用到遥感影像的所有原始数据信息,论文选取5种植被指数(NDV I、DV I、RV I、IPV I、SA VI)和9种波段比值指数(Index1I-ndex9)参与到遥感影像的解译与分类当中,结果表明:NDV I、DV I、IPV I、SAV I、R VI、Index5、Index6具有较大的相似性,能够明显地将具有植被信息的类别分离出来,利于划分具有植被信息的景观类型;Index1-Index4具有较好的类别空间分离性,利于不同类别间的聚类与区分;而Index7-Index9的类别分离性则较差,不利于类别聚类与划分。因此,在实际的应用中,选取多项植被指数参与景观分类,不仅能够发现新的信息,而且也会明显提高景观生态类型、尤其是干旱区绿洲景观生态类型的遥感解译与分类能力。     

西藏当雄县高寒草地NDVI的海拔分异特征及其指示

通过提取西藏当雄县Landsat ETM影像NDVI以及DEM的海拔要素,在坡面的小尺度水平上分析了NDVI的海拔格局,并利用沿海拔梯度的草地地上生物量实测数据进行验证,进一步在全县尺度上分析了当雄NDVI >0.2 的区域内草地NDVI 的海拔分异特征.主要结果如下:①在坡面尺度上,随海拔的增加,不同计算方式的NDVI均表现为先增加后降低的单峰格局,与沿海拔梯度实测的地上生物量格局一致,NDVI最大值与围栏外生物量最大值均出现在4 950 m左右;②在全县尺度上,当雄草地NDVI随海拔的变化略为复杂:在4 300 m以上,NDVI随海拔的增加表现为先升高后降低,最高值出现在4 700 m左右;在4 300 m以下植被可能以湿地草甸为主,形成另一个NDVI高值区,但其分布面积仅为总草场面积的10%左右.上述结果表明,海拔是影响当雄县NDVI 空间分布的重要地形因子,NDVI 的海拔格局体现了较大尺度上草地植被对不同水热组合环境的适应特征,这对于在气候变化背景下实施高寒地区生态保护工程以及制定合理的草场资源配置方案具有重要指导意义.     

闽江口沼泽植被地上鲜生物量与植株密度高光谱遥感估算

湿地植被地上生物量与湿地生态系统生产力、碳循环和养分循环等密切相关,是当前研究中的主要关注点之一。利用ASDFieldSpec2500 便携式地物波谱仪测定闽江口鳝鱼滩芦苇（Phragmites australis）和短叶茳芏（Cyperus malaccensis Lam. var. brevifolius Bocklr.）冠层反射光谱,同时测定其地上鲜生物量和植株密度,分析地上鲜生物量与冠层反射光谱及一阶微分光谱的相关关系,确定敏感波段,进而改进植被指数;利用回归分析法,基于各个植被指数,构建地上鲜生物量和植株密度的估算模型。结果表明,芦苇和短叶茳芏地上鲜生物量与冠层反射光谱在蓝光、红光及近红外波段相关性较高;与一阶微分光谱在蓝边、红边相关性较好;芦苇地上鲜生物量与冠层光谱和一阶微分光谱的相关系数均优于短叶茳芏。芦苇和短叶茳芏地上鲜生物量估算模型R2分别在0.408 5~0.765 和0.101 9~0.315 3 之间,估算精度相对于其他参数较高的参数主要有BNDVI、NDCI和MGBNDVI,最佳估算参数均为BNDVI;植株密度估算模型R2分别在0.093 0~0.718 和0.138 9~0.233 7 之间,估算精度相对于其他参数较高的参数主要有GBNDVI、BNDVI、MGBNDVI、NDCI 及SR, 最佳估算参数分别为GBNDVI和NDCI。一定程度上来说,利用高光谱数据估算河口芦苇和短叶茳芏地上鲜生物量和植株密度是可行的。