微波植被指数在云南省植被动态监测中的适用性研究

基于遥感的植被指数是科学监测植被动态变化的最有效方法。然而,在我国西南地形复杂区域,基于植被光谱特征的光学植被指数常常因大气状况及环境条件等的影响而受到很大的限制。利用云南省2013年1月至2018年12月AMSR2 (Advanced Microwave Scanning Radiometer 2,即先进微波扫描辐射计2)双极化亮温数据,计算了云南省2013—2018年多年平均逐月微波植被指数,并选取草地、耕地、落叶阔叶林、常绿阔叶林及常绿针叶林五种典型植被类型区,对比分析了不同植被类型区各微波植被指数的季节变化规律及其与光学植被指数(NDVI)的相关性。结果表明:各微波植被指数的变化幅度均较小,低频和高频微波极化差异指数(MPDI)可以反映云南省各种植被类型的季节变化规律,同时低频MPDI对植被季节变化特征的响应更显著,而低频微波植被指数(MVIA和MVIB)对草地的季节变化响应更敏感。各微波植被指数与NDVI的相关性在低矮植被区更显著,更能反映低矮植被类型随季节变化规律。总体看来,各微波植被指数能够很好地识别不同类型植被的季节变化规律,可作为光学植被指数的有力补充,用于长时序、大范围植被动态监测。     

基于Google Earth Engine分析黄土高原植被覆盖变化及原因

为探明黄土高原植被覆盖时空变化及其原因,基于Google Earth Engine（GEE）,采用Landsat Surface Reflectance data（陆地卫星地表反射率数据）分析了黄土高原1987~2015年间植被覆盖度的时空变化规律,并借助累积量斜率变化率方法对引起植被覆盖度变化的气候和人为因素进行了量化分析.结果表明：黄土高原年均植被覆盖度由1987年的41.78%增加到2015年的53.23%,增速为0.38%/a（P<0.05）.其中,1987~1999年年均植被覆盖度变化趋势不显著（P>0.05）;而退耕还林还草工程实施以来（2000~2015年）,年均植被覆盖度显著增加（P<0.05）,增速达到0.59%/a.由像元尺度分析,黄土高原72.93%的区域植被覆盖度呈增加趋势,其中38.31%的区域增加趋势显著（P<0.05）.植被覆盖度的变化受气候和人为因素的共同影响,以1987~1999年为基准期,气候变化和人类活动对黄土高原2000~2015年间植被覆盖度变化的相对贡献率分别为23.77%、76.23%,人类活动为引起黄土高原植被覆盖度变化的主要原因.退耕还林还草工程极大地改善了黄土高原的植被覆盖状况,但是城市的扩张使得部分地区的植被覆盖呈显著退化现象.     

基于遥感信息的吕梁山贫困区生态安全评价

本文基于四个时段的遥感影像光谱信息计算了吕梁山连片贫困区的遥感生态指数（RSEI）及植被覆盖度（FVC）,分析了其生态环境时空变化规律.结果表明：（1）1993~2018年间研究区FVC整体呈下降趋势,FVC由1993年0.65下降到2018年0.55;而RSEI整体上亦呈下降趋势,由1993年的0.47下降到2018年的0.40.（2）研究区整体生态环境呈退化趋势,其中北部、南部退化最为严重,除黄河沿岸外,其他河道沿线区域的FVC及生态环境退化明显.（3）研究区RSEI值整体偏低且区域差异性显著,其中部地区是生态环境最为脆弱,北部忻州及南部临汾地区近年来生态环境退化尤为显著.（4）FVC变化趋势与RSEI变化趋势基本一致,FVC的增加对生态环境产生积极影响,而经济快速发展带来的道路、建筑用地、农田的增加对生态环境产生消极影响.区域扶贫发展的过程中应注意平衡经济发展与生态环境保护间的关系,避免进一步损害该区脆弱的生态环境.     

没有沙漠为何也有沙尘?

正@陈主编:我叫孟航,是山东寿光世纪学校七年级8班的学生,也是贵杂志的绿色小记者(记者证号:HJSD0085)。我想向您反映一个情况:每年3月底或4月初学校春季运动会的时候,总会赶上黄沙漫漫的天气,我很想知道,我们学校附近没有沙漠,怎么会来的沙尘?沙尘暴到底是怎么回事?我们有办法阻止吗?孟航@孟航同学:首先感谢你向我们反映了你们那里的情况。你一定看过电视剧《还珠格格》吧?剧中有一句歌词:"你是风儿,我是沙,飘飘撒撒到天涯!"这句歌词就是形容沙尘特征的,随风飘落,漫无边际。     

四川某小区人工湿地中水回用技术

中水回用是提高生活用水重复利用率的主要形式。提高水的重复利用率,是实现城市污水资源化是解决水资源短缺的根本途径。人工湿地既具有景观价值,又有污水处理功能。可以为市政绿化、农田灌溉景观提供水资源。经人工湿地处理的中水水质,出水水质符合我国的城市杂用水水质标准(GB/T18920-2002)、景观环境用水水质标准(GB/T18920-2002)和农田灌溉水质标准(GB5084-2005)。     

基于Sentinel-2A影像估算黄土高原光合/非光合植被盖度

以黄土高原为例,基于Sentinel-2A影像和地表实测地物光谱与盖度数据,分别在模拟混合场景和野外实测混合场景中,评估4种NPV植被指数(NPVI):SWIR32(短波红外比值指数)、DFI(干枯燃料指数)、STI(土壤耕作指数)和NDTI(归一化差异耕作指数)估算非光合植被盖度(f_NPV)的有效性,并利用优化法确定线性光谱混合模型的关键参数端元值,估算研究区光合植被盖度(f_PV)和f_NPV.结果表明,在模拟混合场景下,4种NPVI与模拟f_NPV线性关系的R²是0.365~0.750;在野外场景中,其相关性均有一定程度的降低,R²是0.147~0.211.研究构建NDVI-SWIR32像元三分模型,并确定了最优端元值:NDVI_PV=0.80,SWIR32_PV=0.60, NDVI_NPV=0.17,SWIR32_NPV=0.77,NDVI_BS=0.23,SWIR32_BS=0.99.模型对f_PV和f_NPV估算精度R²分别是0.817和0.463,NSE分别是0.806和0.458.利用该模型估算全区2019年4、8和12月的平均f_PV和f_NPV,分别为20.3%和59.2%,48.6%和33.1%,10.7%和59.0%.随时间推移,f_PV从东南向西北不断增加而后减小,f_NPV与之相反. NDVI-SWIR32模型可以用于Sentinel-2A影像数据来监测黄土高原地区f_PV和f_NPV的时空动态变化.     

俄罗斯布里亚特共和国植被NPP对气候变化的时空响应

以遥感和气象数据为主要数据源,运用改进后的CASA模型,估算了俄罗斯布里亚特共和国2000-2008年的植被NPP,并验证了模型的精度,分析了该地区植被NPP的时空变化规律及其与气候因子的相互关系。研究结果表明:时间上,植被NPP年际上呈现为在波动中上升,月份上表现为先升后降的趋势;空间上,植被NPP随经度的增加而增大,随纬度的增加而减小,由西南到东北逐渐递增的趋势;不同植被类型的NPP也不同,从大到小依此为:草地与沼泽林>森林>森林与草原>稀树草原>高山植被。其变化主要受气温和降水量变化的作用。改进后的CASA模型运用于布里亚特共和国植被NPP估算的精度较高。该研究对中国北方植被NPP估算和生态跨境研究具有借鉴意义。