红壤丘陵区LAI与土壤侵蚀分布特征的关系

叶面积指数(LAI)是常用的一个用于描述植被覆盖的方面指数,土壤侵蚀的分布又与植被的覆盖状况息息相关,这就意味着LAI与土壤侵蚀有一定的相关性,目前有关这二者的相关性研究还鲜有文献报道。基于这此,本研究首先利用2000年的遥感影像(TM)解释出该年度的土壤侵蚀强度图,再利用该遥感影像通过图像的代数运算得出该地区的NDVI栅格图,通过实测该县不同典型植被条件的LAI值,得出实测的LAI与图像NDVI值之间的函数关系式,由图像的代数运算把NDVI图转换成LAI图,即实现了遥感图像的实测LAI纠正。在GIS软件的帮助下,通过将LAI栅格图与土壤侵蚀强度图的空间叠加分析,得到不同LAI条件下的土壤侵蚀分布。结果表明,LAI与土壤侵蚀的分布表现为:大致以LAI=2为分界线,当LAI<2时,土壤侵蚀并未随LAI的增加而迅速减少,LAI>2时,土壤侵蚀的分布随植被指数的增加而减少,当LAI=2左右时,土壤侵蚀的面积最大。这种情况对于轻度、中度及强度土壤侵蚀的影响是类似的,都呈类正态分布的曲线形式,但在曲线的两侧土壤侵蚀类型是有本质区别的,在曲线的左侧土壤侵蚀类型的分布是中度和强度为主,而在曲线右侧则以轻度为主。表明LAI这个指标与土壤侵蚀有很好的相关性,可以用于土壤侵蚀方面的相关研究工作。     

基于Sentinel多源遥感数据的河北省景县农田土壤水分协同反演

植被覆盖层对微波遥感反演地表土壤水分产生重要影响。以河北省景县为研究区,基于Sentinel-1 SAR遥感数据和Sentinel-2光学遥感数据,采用改进水云模型和Oh模型的组合方法,对植被覆盖地表土壤水分进行定量反演研究。结果表明:在Sentinel-1 VV极化条件下,改进水云模型和Oh模型的组合方法具有较高的反演精度,决定系数(R~2)为0.653 0,均方根误差(RMSE)为0.040 1 cm~3·cm~(-3),平均绝对误差(MAE)为0.032 7 cm~3·cm~(-3),这3项反演精度评价指标均优于VH极化。该方法在获取高空间分辨率和高精度的植被覆盖区农田土壤水分信息方面具有较高的应用价值。     

基于森林清查和遥感的城市森林净初级生产力估算

城市森林作为陆地生态系统的组成成分之一,研究其在全球碳循环中的地位和作用有很重要的意义.文章以上海城市森林为研究对象,开展基于基于森林清查数据和遥感技术的城市森林净初级生产力(NPP)估算研究.首先,根据选取上海市典型的森林植被类型,设置森林植被样方,测量反映植被生物学特性的特征参数,包括林龄、胸径、树高和叶面积指数(LAI)等,采用能反映林龄和蓄积量共同影响的生产力回归模型估算了样方NPP,建立了基于LAI的样方NPP回归模型;其次,利用一景相近时相的SPOT5影像,经进行几何纠正和辐射定标后,计算出能较好地反映植被特征和消除土壤背景影响的修正土壤调节植被指数(MSAVI),建立了基于MSAVI的区域森林LAI遥感估测模型;最后,根据建立的样方NPP回归模型以及区域LAI遥感估测模型,进行尺度化转换,估算出区域尺度上的上海城市森林净初级生产力.通过比较与前人运用传统方法研究估算的NPP,精度可达到89%,且本模型简单可行.因此本研究可为快速定量评估城市森林碳储量提供依据.     

渭河流域土壤侵蚀时空特征及其地理探测

基于GIS和RS技术,利用RUSLE模型研究渭河流域2000—2015年土壤侵蚀时空分异特征,并运用地理探测器对其影响因素进行研究,结果表明:(1)2000—2015年渭河流域土壤侵蚀模数呈减小趋势,2000、2005、2010和2015年平均土壤侵蚀模数分别为50.724、42.270、39.716和35.944 t·hm~(-2)·a~(-1),侵蚀总量减少1.959亿t,大部分地区土壤侵蚀强度向低级别转化;(2)流域土壤侵蚀强度较大区域主要分布在陇东黄土高原区及陇中黄土丘陵区,较小区域主要分布在关中平原和河谷平原。(3)植被覆盖度、造林面积和降雨量是影响流域土壤侵蚀空间分布的主要因素,且不同因子的交互作用均会增强对土壤侵蚀的解释力。(4)植被覆盖度小于0.3、降雨量在481.27～547.75 mm区间、海拔处于3 282～3 874 m区间以及坡度位于20°～25°区间的地区为流域土壤侵蚀高风险区。     

基于SPOT5影像多辐射校正水平的植被绿量遥感估算

选用南京市SPOT5图像的灰度值(DN)、星上辐射率(SR)、表观反射率(TOA)和地物反射率(PAC)数据,提取了两种植被指数(VI),即归一化植被指数(NDVI)和比值植被指数(RVI),并与地面实测的绿量(LVV)进行相关分析,建立了165个关系模型.结果表明,LVV与VI呈极显著的相关关系,其相关系数多以相对均质植被高于植被总体,基于灰度值高于常用的地物反射率为主.LVV-VI关系模型的R~2均值以多元线性回归模型最高(0.821),指数模型最低(0.536),而1～3次多项式模型均接近0.7.每种植被样方优选出一个模型,即阔叶林LVV-7.802 RVI_(PAC)-2.455(R~2=0.827,RMSE=0.498);针阔叶混交林LVV=-15.421 RVI_(TOA)+26.971 RVI_(DN)-8.261(R~2=0.918,RMSE=0.356);灌木LVV=-342.591 NDVI_(DN)~3-20.553 NDVI_(DN)~2+14.013 NDVI_(DN)+1.509(R~2=0.764,RMSE=0.689);草地LVV=2.934 RVI_(PAC)+2.147 RVI_(TOA)-3.193(R2=0.903,RMSE=0.464);总体植被LVV=1.789RVI_(PAC)-6.814NDVIs+4.258NDVI_(PAC)+12.854 NDVI_(DN)-0.342(R~2=0.810,RMSE=0.638).这些优选模犁的自变量包括了4种辐射校正水平下提取的两种植被指数,显示基于不同辐射校正水平的植被指数在植被LVV遥感反演中具有一定的应用潜力.     

甘肃省植被覆盖变化及其对退耕还林工程的响应

利用2000—2015年MODIS-NDVI数据,基于遥感和地理信息系统技术,采用像元二分法和一元线性回归分析法,定量探讨了甘肃省近16 a植被覆盖的时空变化特征,并在此基础上评估退耕还林面积与植被覆盖的相互关系。结果表明:(1)2000—2015年甘肃省年均归一化植被指数(NDVI)值呈增加趋势,年增长速率为0.43%,说明甘肃省植被覆盖总体呈改善态势。(2)16 a间,全省植被覆盖虽有局部恶化趋势,但改善区域面积远大于植被退化区域。其中,明显改善、中度改善和轻微改善区域面积分别占总面积的20.62%、14.67%和33.05%,退化区域面积仅占2.87%。(3)总体上,甘肃省植被覆盖度仍然较低,全省16 a平均植被覆盖度为50.98%,低、中低植被覆盖区面积占总面积的50%以上,且分布不均,其中东南地区平均植被覆盖度最高,为75.43%,中部次之,为47.84%,西北最低,只有31.77%,空间差异显著。(4)退耕还林面积能较好地解释植被覆盖度的变化。退耕还林工程集中区即黄河以东地区累计退耕还林面积与2000—2015年年均植被覆盖度明显相关,其决定系数R2为0.721 8。     

基于MODIS的陕西黄土高原植被覆盖度变化特征及其驱动分析

基于MODIS数据,采用混合像元分解模型提取陕西黄土高原2000-2009年的植被覆盖度数据,研究其整体变化趋势,并根据植被覆盖类型、地形、气候和土壤因子进行特征分区,研究不同区域植被覆盖变化及其驱动因子.结果表明,整体而言,10a间研究区植被覆盖度呈增长趋势,2000-2009年共增长约10百分点.植被覆盖度为0 ～ 10％、＞10％ ～ 20％、＞20％ ～ 30％、＞30％～40％和＞40％ ～ 50％的区域面积年平均减少-1.05％、-8.63％、-7.04％、-7.20％和-3.49％,而植被覆盖度为＞50％～60％、＞60％ ～ 70％、＞70％ ～ 80％、＞80％～90％和＞90％ ～ 100％的区域面积年平均增长6.92％、10.53％、4.05％、0.87％和7.06％.地形和水热状况从宏观上决定植被覆盖类型,并且影响植被疏密程度,土壤侵蚀影响植被受破坏程度,植被覆盖度持续增长的主要原因是退耕还林(草)工程的实施.     

MOE法在土壤侵蚀危险评价中的应用

影响土壤侵蚀的因索很多,有自然因素(如地形、植被、土壤、降雨等)和人为因素,这些因素中既有量化指标如坡度、降雨等自然因素,也有土地利用、土壤母质等不可量化的指标.这些因素的共同作用,使得单纯在GIS下利用叠加的方法对土壤侵蚀潜在危险进行判别带来一定的困难(如人为因素的最化问题等).多标准评价法(Multi-Criteria Evaluation,MCE)可以将难以量化的指标进行量化处理,并综合考虑多种囚素埘口标的影响,通过加权线性合并及布尔叠加的方法,在众多因素或是相互矛盾的客观实际中确定一种折中的优化方案,来对目标作出客观的评价.主要介绍了多标准评价法的概念及其方法原理,并以江西兴国县为例,介绍了该方法在土壤侵蚀评价中的实现过程.在土壤侵蚀评价因子的选用上,先取了植被指数(LAI)、土地利用、坡度、土壤母质、高程、道路、降雨及人口密度八个因子,根据实际情况确定单个因子在不同指标水平下可能造成的潜在土壤侵蚀危险等级;然后将因子组成矩阵,通过两两比较,来判断各因子的权重;把权重与相应的因子图相乘得到带权重值因子的栅格图,这些栅格图再进行统一的标准化处理,最后将标准化处理的栅格图通过叠加生成潜在侵蚀危险分布图.结果表明,兴国县大部分是微度侵蚀危险地区,呈连片分布,中、低度侵蚀危险主要分布在平原及沟谷地带,呈零星态,二者呈相互交错.微度危险、低度危险及中度危险区域分别占兴国县总面积的37.9%、29.2%及30.4%.三者之和为97.5%,高侵蚀危险及极高侵蚀危险的面积只占2.5%,且呈零星分布.这与兴国县的土壤侵蚀分布现状基本一致,多标准评价法应用在土壤侵蚀危险评价上是切实可行的.     

近代黄河三角洲植被覆盖度时空变化分析

为了深化研究近代黄河三角洲植被演化规律与机理,指导该地区合理开发和保护植被资源,选用Landsat等卫星遥感数据结合野外调查数据,利用像元二分模型估算并分析了该地区1986—2015年长时间序列植被覆盖度时空变化过程及影响因素(水分条件、盐分条件、人类活动)。结果表明,该地区近30年植被覆盖度时空变化明显,(1)空间变化上,植被覆盖度呈现由西南向东北递减,由河流两岸向沿海递减的趋势,并且随着时间变化,这两种趋势越来越明显。随着人类活动加强,植被覆盖破碎化显著。(2)时间变化上,1986—2015年该地区植被覆盖度总体呈上升趋势,由1986年的36.77%上升为2015年的37.83%。中高、高植被覆盖面积增幅最大,达到314.96 km~2。低植被覆盖度区逐渐转为高植被覆盖度区,特别是2001—2015年,随着研究区生态环境逐渐变化,转化速度逐渐加快。(3)环境因子与植被覆盖度具有一定的相关性,采用基于像元的空间分析法分析不同时滞月降水量与近代黄河三角洲植被覆盖度相关性,发现月降水量与植被覆盖度有较大关系。通过遥感指数构建土壤反演模型,得到盐分空间分布,并进行相关性分析,发现土壤盐分与植被覆盖度相关性系数为-0.331(P0.02),近代黄河三角洲盐碱化对植被生长有一定阻碍作用。人类活动对植被覆盖度的影响主要以农业为主,通过对植被覆盖度与耕地进行相关性分析,得相关性系数为0.452(P0.02),近代黄河三角洲耕地的开发,在一定程度上促进了该地区植被覆盖度的恢复。     

北方草原露天煤矿区植被退化因素分析

露天煤矿区植被退化问题日益严峻且对环境影响较大,确定植被退化主控因素并实施精准防治意义重大。为此,选取胜利与平庄露天矿区作为研究区域,以归一化植被指数(normalized difference vegetation index,NDVI)反映植被退化程度。同时,将熵权法引入灰色关联分析来构建熵权灰色关联模型,利用该模型分析NDVI值与挖损、压占、沙漠化和土壤侵蚀4个因素的关联性,根据各因素的关联性排序确定引起植被退化的主控因素。结果表明:(1)胜利矿区不同因素熵权关联序排序为压占(熵权关联度为0. 294 7)沙漠化(0. 155 5)挖损(0. 151 0)土壤侵蚀(0. 119 3),平庄矿区则为挖损(0. 169 3)压占(0. 163 7)土壤侵蚀(0. 150 5)沙漠化(0. 103 4);(2)露天煤矿区植被退化最直接、最严重的影响因素是土地挖损、压占;(3)沙漠化、土壤侵蚀2项因素对植被退化影响比挖损、压占因素小,但亦不容忽视。基于研究结果提出了相应措施,有助于避免植被退化防治的盲目性。     

大柳塔煤矿区植被恢复适度人工干预与调控研究

干旱半干旱煤矿区生态环境脆弱,植被恢复周期长、难度高,故适度人工干预对植被恢复意义重大。研究通过解译大柳塔煤矿区1988—2016年7期植被生长状况良好的遥感影像数据,基于人工沙柳种植数量与成排种植程度,划分人工干预Ⅰ～Ⅵ等级并确定各样点位置。通过比较不同人工干预等级下植被覆盖变化趋势及恢复状况,构建煤矿区植被恢复适度人工干预等级与植被恢复的关系模型,并计算误差系数(EC)检验模型合理性。结果表明,该模型平均EC为-0.12%,平均EC绝对值低于5.80%,能较客观反映各人工干预等级植被覆盖度加权平均值(T)随时间的推移变化;Ⅳ级(33.54%)与Ⅲ级(33.45%)能够较快接近T值阈值(35%),即人工栽植沙柳面积约15%～25%且基本成排栽植时,植被恢复能较快达到最佳状态;1988—2016年间,中等干预(Ⅲ、Ⅳ级)的T值散点分布最密集,植被恢复稳定性更高;人工干预植被恢复多靠近人类活动区,且植被恢复效果较好,远离村庄区基本无人工干预。基于该研究结果,建议参考Ⅲ级干预模式开展植被恢复,为低耗高效地完成煤矿区植被恢复提供理论依据。     

基于MODIS数据的珠三角地区NDVI时空变化特征及对气象因素的响应

珠江三角洲是广东省经济密度最大、人为活动最强烈的区域,随着工业化和城市化的迅速发展,该区域出现了各种生态环境问题。通过对2001-2017年覆盖珠三角地区的MODIS/NDVI数据进行月时间序列重构和年时间序列合成,利用趋势分析方法和空间自相关分析方法对珠三角地区NDVI的时间变化趋势和空间格局特征进行研究,同时结合气象站点观测资料,基于相关系数方法分析NDVI对气象因素的响应。结果表明,(1)在过去的17年中,珠三角地区NDVI在年际变化上呈现波动增长趋势,总体年平均增长速率为0.005 1。(2)在空间分布上,珠三角范围内有90.84%区域的植被呈增长趋势,而在珠三角核心地带的城市群集区域存在植被退化现象,占全区面积的9.16%。(3)珠三角地区NDVI具有高空间集聚特性,受地形和城区分布影响,低植被覆盖集聚区和高植被覆盖集聚区分布格局显著且变化稳定,在多年平均NDVI的局部空间自相关分析中分别占全区面积的28.77%和33.69%。(4)珠三角地区NDVI和气温、降水及日照时数在月变化上显著相关,NDVI对气温和降水的响应分别存在1个月和1-2个月的滞后效应,并且这种滞后效应在空间分布上也体现出"西南-东北"方向的区域差异,而NDVI对日照时数的响应不存在滞后。(5)在年尺度上,珠三角地区NDVI与气象因素之间的相关性不显著。研究结果对珠三角地区恢复植被和修复生态具有重要的参考价值和现实意义     

基于RUE的植被覆盖动态演变特征及归因分析——以宝鸡地区为例

植被覆盖的变化趋势对区域生态恢复评估具有很好的表征作用。选取长时间序列(2001—2017年)MODISNDVI(NormalDifferenceVegetationIndex,归一化植被指数)遥感影像、降水量等数据,基于植被降水利用效率(RainfallUse Efficiency,RUE)模型,综合气候、土地利用/覆盖及光学遥感3个维度,采用经分离后的人为干预(增加/减少)因素探讨了第一轮退耕还林(草)工程实施下(2001—2008年)、第一轮退耕还林(草)工程实施后(2009—2013年)及第二轮退耕还林(草)工程实施以来(2014—2017年),自然和人为驱动力因子对宝鸡地区植被恢复的影响。再结合社会经济数据,利用地理探测器探究对NDVI空间分布解释力的主导驱动力因子。结果显示,(1)3个时间段上,人为干预增加区域面积(0.51×10~4、0.53×10~4、0.56×10~4hm~2)大于人为干预减少区域面积(0.04×10~4、0.26×10~4、0.28×10~4hm~2),两者均呈逐阶段递增的变化趋势。(2)近17 a来,累计NDVI与RUE分别以0.605/10 a、0.002/10 a的速度增长。3个时间段上,人为干预(增加/减少)区域NDVI与RUE相关性均表现为逐阶段增大的正相关关系,且人为干预增加区域NDVI与RUE相关性(0.15、0.37、0.42)均大于人为干预减少区域(0.13、0.27、0.37)。至第二轮退耕还林(草)工程实施以来,显著和极显著性遍布全区,林地(31.21%)、未利用土地(26.59%)的相关系数增速最高。(3)人口密度∩耕地面积(0.233)、日照时数∩粮食总产量(0.229)、气温∩土壤类型(0.227)、日照时数∩耕地面积(0.227)及人均GDP∩耕地面积(0.226)等气候环境因素和人类活动因素的交互作用对NDVI空间分布的解释力较强,但人类活动因素的主导驱动力监测结果较弱(0.014—0.189)。说明人类活动因素的单一驱动力因子空间分布对NDVI空间分布的解释力较弱。另外,受降水量的胁迫作用,植被降水利用效率增强,在与气候环境因子的交互作用下,植被覆盖状况表现出逐年改善的变化趋势。     

基于多源遥感指数监测山区植被动态及其驱动因子的不确定性分析——以尼泊尔地区为例

准确获取山区植被动态数据对山区生态系统研究及其保护有着重要意义。卫星遥感数据作为获取大尺度山区植被动态的重要数据源,已被制作成各种植被监测产品并被应用于植被绿度、覆盖度以及生产力等研究。然而,不同遥感指数监测山区植被动态及其驱动因子的一致性尚不确定。以尼泊尔地区为例,基于5种遥感指数(MODIS NDVI、MODIS EVI、MODIS LAI、MODIS NPP和OCO-2 GOSIF)和5种气候因子(温度、降水、气压、太阳净辐射和CO₂浓度)数据,采用趋势分析和两种残差分析法(多元回归法和一阶偏导法),系统分析了不同遥感指数监测尼泊尔地区植被动态及其驱动因子的不确定性。结果表明：1)2000—2020年尼泊尔地区5种遥感指数均呈现增加趋势,但不同遥感指数空间分布存在差异,MODIS NPP在中山带增加趋势更明显,其他遥感指数在低海拔地区增加态势更明显。2)不同残差分析方法所估算的气候变化对植被变化贡献率差异极大,多元回归法可能严重低估了气候变化的贡献,而一阶偏导法可能高估气候变化的影响。3)基于不同遥感指数的归因结果差异大,气候变化对OCO-2 GOSIF的贡...     

基于ETM+图像的植被覆盖度遥感估算模型

植被覆盖度(VFC)的定量遥感是多种地表过程研究的迫切需要.文章选用南京市一幅Landsat 7 ETM 图像,经大气校正后提取了归一化植被指数(NDVI),与地面实测的植被覆盖度进行回归分析,建立了1～4次多项式关系模型.结果表明,NDVI与VFC呈极显著的正相关关系(r = 0.874, P < 0.001).在NDVI-VFC的1～4次多项式关系模型中,模型幂次越高,拟合程度越好.综合考虑模型的精度和稳定性,3次多项式模型作为最优模型推荐使用:VFC = -1.3438 NDVI 3 0.9774 NDVI 2 0.9988 NDVI 0.1507 (R2 = 0.7961, RMSE = 0.1094),该模型精度在植被中等密集区域(VFC＝0.4～0.8)最高,植被稀疏区域(VFC < 0.4)最低,植被密集区域(VFC > 0.8)居中.模型可直接用于全图像的VFC计算,并可通过植被指数的校准,进行推广使用.     

基于地理探测器的喀斯特植被NPP定量归因

植被净第一性生产力(NPP)作为生态系统功能的重要指标,既可以反映植被的生长状况,又是生物圈内碳循环的重要分量。喀斯特地区植被NPP的研究是植被建设和生态系统恢复的重要基础,其影响因素的定量识别对喀斯特地区的生态恢复与区域可持续发展具有重要意义。在高精度NDVI数据反演的基础上,运用CASA模型模拟贵州省典型峰丛洼地区三岔河流域2015年区域尺度的植被NPP,分析喀斯特地区植被NPP的空间变化特征,综合海拔、坡度、降水、温度、植被覆盖度和土地利用类型等影响因子,应用地理探测器方法在不同地貌形态类型区内进行喀斯特植被NPP空间异质性的定量归因研究。结果表明:植被覆盖度与温度是植被NPP的显著控制因子,其交互作用对NPP的解释力为77.8%;地貌形态类型对植被NPP的空间分布具有宏观控制作用,土地利用类型在相对平缓的平原、台地地区对NPP的解释力是山地丘陵等地势起伏较大地区解释力的近两倍;海拔因子在小起伏中山和中起伏中山等山地地区对NPP的解释力强于较平缓地区;各个地貌形态类型区内因子的层间差异均随地貌特征的变化而显现出不同程度的差异性。双因子的交互作用均能增强对植被NPP空间分布的解释力,且在各个地貌形态类型区中,解释力排在前三位的主导交互作用方式均为植被覆盖度因子与另一影响因子的叠加。因此,在喀斯特地区未来的发展过程中,应考虑多种环境因子之间的交互作用,从多视角、多维度探究环境因子对植被NPP的影响,为喀斯特石漠化的治理工作提供参考依据。     

1982—2015年黄河流域植被NDVI时空变化及影响因素分析

在全球变化的背景下,刻画植被动态、定量分析气候和人类活动对植被变化的影响对于改善生态系统结构和功能具有重要意义。基于GIMMS-NDVI3g数据、结合土地利用数据和气象数据,采用趋势分析、残差趋势等方法,多尺度、多时段、多类型研究1982—2015年黄河流域植被动态变化,并定量分析气候变化和人类活动对NDVI变化的贡献。结果表明,(1)1982—2015年间,生长季、春季、夏季和秋季NDVI均显著增加;植被明显改善地区主要分布在黄河中下游,而明显退化区域则主要分布在西南部。基于嵌套数据分析发现,随时间序列长度的增加,NDVI增加区域显著扩大。不同土地覆盖类型NDVI的增长速度不同,耕地和林地的增长速度大于其他土地覆盖类型。(2)黄河流域NDVI与气温的相关性更强,植被与温度/降水量相关性随着时段延长而增强。(3)残差趋势法表明,1982—2015年生长季人类活动对黄河流域植被变化的平均贡献率为69%,空间分布上呈现西北部、东部高而西南部、中部低的特征;人类活动贡献率在不同季节存在差异,但均大于气候变化;人类活动对不同季节NDVI变化的贡献率空间分布存在区域差异。黄河流域植被覆盖改善与人类活动息息相关,建议应进一步发挥其在黄河流域西南部地区植被恢复中的作用。     

基于MODIS数据的阿拉善盟植被指数变化的地形分异性

阿拉善盟为中国生态环境重度危急区与北方地区的天然保护屏障,及时、科学、准确地评价其植被指数的地形分异特性,对其植被建植与生态恢复具有重要的参考价值和现实意义。以美国航空航天局的陆地专题产品MOD13Q1-NDVI为时间序列数据集,利用ENVI中波段计算功能提取2000-2016年植被生长季(7-9月)覆盖阿拉善盟的植被指数信息,同时结合栅格化数字高程模型,利用Arc GIS空间统计功能中的表面分析工具提取栅格尺度上的坡度、坡向及地形起伏度等地形因子,并通过区域统计获取各地形因子级别区内植被指数的空间分布特征。结果表明:(1)采用均值变点分析法确定的阿拉善盟地形起伏度的最佳统计单元为0.26km~2;(2)阿拉善盟以中山区为主,所占比例高达79.05%;坡度以第Ⅰ(0-2°)与Ⅱ(2°-5°)级别区为主,所占面积比例高达90.62%,在空间分布上呈分散状态;坡向分布较为均匀;地形起伏度级别区以平原和台地为主,所占比例高达87.83%。该区地形具有西南高、东北低,平坦、起伏小的分布特征;(3)以植被指数低值区(0.1)和中低值区为主(0.1-0.2),且呈现西北和东南区域两级分化的空间分布特征。总体而言,在地形因子作用下,阿拉善盟植被指数均值分布具有明显的地形分异性,且植被指数高值区主要集中分布在高程为1 000-1 600 m的中山区与坡度15°的西坡。     

MODIS植被叶面积指数对贵州高原山地气象条件的响应

用EOS/MODIS卫星遥感分辨率为1 km的贵州2001—2008年每8 d合成植被叶面积指数（LAI）,分析了LAI的时间变化规律和年、季空间分布特征;还用贵州69个气象站的日观测数据,分别与各气象点所对应的3×3个像元LAI平均值进行气象要素（温度、降水、日照时数和水汽压）与LAI的相关分析。结果表明：该地区LAI年变化为0.3~3.0,多年平均LAI的空间分布是东南部最高（4.0）,西部和西南部最低（1.0）。显著影响LAI变化的气象因子按相关系数的大小排列是：温度、水汽压、日照时数和降水（均通过了99.9%信度检验）。水汽压对LAI产生影响的原因可能与高原喀斯特地区土壤层较薄有关。在考虑云贵高原植被年际间变化对气候变化的响应时可以把这些要素作为重要的影响因子。     

基于无人机大样方草地植被覆盖度及生物量估算方法研究

为了探讨与分析无人机大样方估算草地植被覆盖度的可行性及植被覆盖度与生物量的相关性,利用大疆Phantom3Professiona无人机获取呼伦贝尔草甸草原60 m×60 m大样方数据,利用开关中值滤波及基于维纳滤波的小波变换对图像进行去噪处理,并用直方图均衡化进行图像增强,构建过绿指数与颜色指数,根据最大熵原理,建立植被覆盖度与背景的双阈值目标函数,采用遗传算法寻找最佳分割阈值,从而估算草地植被覆盖度。结合野外同步实地照相法获取1 m×1 m样方数据,利用t检验及计算均方根误差验证基于无人机大样方估算草地植被覆盖度的精度。结果表明,利用过绿植被指数基于遗传算法的最大熵法估算无人机大样方草地植被覆盖度的精度较高(t检验P值为0.272,均方根误差为6.635 6);株高及覆盖度的交叉变量构建的拟合方程效果(R2为0.853 6,RMSE为2.442 0g·m-2,估算精度为83.41%)优于单一变量拟合方程。利用无人机数据及最大熵-遗传算法不仅可以快速、准确、高效地获取植被地面信息,同时也可以为遥感估算植被覆盖度提供地面验证,从而提高植被覆盖度估算模型的精度及模型验证的准确性。