共查询到20条相似文献，搜索用时 15 毫秒
1.
《地理与地理信息科学》2017,(2)
气温(Ta)是描述陆地气候环境的一个重要参数,其异常变化直接影响人类的生存环境,因此如何高精度地估算气温成为当前研究的热点。MODIS数据因其分辨率较低不能提供精细的地表信息,为此,本文以更高分辨率的Landsat8影像为数据源,结合自动气象站的气温数据,耦合经纬度、归一化植被指数、归一化建筑指数和改进的归一化水体指数等多种因子,建立了多窗口线性回归模型(Multi-Window Linear Regression Model,MWLR)。最后以浙江北部为研究区,使用MWLR模型对该地区冬季气温进行了估算,模型预测的RMSE在1.458~1.551℃之间,R~2在0.835~0.842之间,当窗口大小为3×3时取最优精度(RMSE=1.458℃,R~2=0.835),优于一般的空间内插方法。研究结果验证了利用MWLR模型和Landsat8影像进行气温估算的有效性,并提供了一种基于遥感数据在局部地区开展高精度和高分辨率气温估算的模型。 相似文献
2.
基于NDVI与偏最小二乘回归的荒漠化地区植被覆盖度高光谱遥感估测 总被引：7，自引：1，他引：6
以星载高光谱影像Hyperion为数据源,系统比较了NDVI与偏最小二乘回归（PLS）估测荒漠化地区植被覆盖度的能力,模型的建立（n=46）与独立检验所用样本（n=10）均为地面实测数据。研究结果表明,基于星载高光谱数据的NDVI与PLS模型可以有效地估测荒漠化地区植被覆盖度。相比于宽波段NDVI（RMSEP=10.5618）及基于803.3/671.02 nm计算的标准高光谱NDVI（RMSEP=8.3863）,选择特定高光谱波段（823.65/701.55 nm）构建的NDVI预测植被覆盖度的误差明显较低（RMSEP=6.5189）。基于高光谱所有波段原始反射率、一阶导数及包络线去除光谱的PLS回归模型表现,要明显优于仅利用两个波段信息的NDVI,其中基于原始反射率的PLS回归模型表现最佳,RMSEP为4.4998,约为因变量平均值的23%。 相似文献
3.
高时空分辨率降雨数据的获取对陆地水循环研究至关重要。遥感卫星反演降水产品虽然能有效再现降雨的空间格局,但存在空间分辨率较低的问题。以植被指数NDVI(Normalized Difference Vegetation Index)和海拔高度为自变量,通过构建太行山区GPM降水(Global Precipitation Measurement Mission)的时滞地理加权回归模型,得到了2014—2016年研究区1 km分辨率GPM降水数据。研究结果表明：利用植被指数和海拔高度构建的时滞地理加权回归模型能够有效地对太行山月尺度GPM降雨数据进行尺度下延,在提高GPM数据空间分辨率的同时保留了原始数据的观测精度。考虑NDVI的时滞性提高了地理加权回归模型的降尺度效果,相对于多元线性回归模型和不考虑NDVI时滞效应的地理加权回归模型,时滞地理加权回归模型的降尺度结果与站点实测数据的确定性系数更高,RMSE更低。冬季降雨与第二年春季植被NDVI的关系较为密切,虽然采用第二年春季的NDVI作为解释变量构建降尺度模型能有效地提高冬季降雨的降尺度效果,但基于植被指数和海拔高度构建的时滞地理加权回归模型更加适用于植被生长季GPM降雨数据的降尺度研究。 相似文献
4.
青海湖环湖地区草地植被生物量遥感监测模型 总被引：57，自引：0，他引：57
利用青海湖环湖地区2000年陆地卫星TM遥感图像数据和同期野外实测的34处样方产草量数据,分析了遥感植被指数与草地植被生物量之间的相关关系,进而分别建立了遥感植被指数与草地植被生物量的一元线性回归模型和非线性回归模型。研究表明,遥感植被指数与草地生物量之间存在较好的相关性,但不同遥感植被指数与草地植被生物量相关性程度存在一定差别。此外,所建遥感植被指数与草地植被生物量的非线性回归模型在拟合精度上优于一元线性回归模型,且由三次方程得到的非线性回归模型最适用于监测青海湖环湖地区的草地植被生物量。 相似文献
5.
矿区植被物化参数高光谱遥感估算研究 总被引：1，自引：0，他引：1
卢霞 《地理与地理信息科学》2010,26(5)
基于高光谱遥感数据Hyperion和植物冠层反射光谱,应用指数法、回归统计法和基于光谱位置变量的方法对矿区植被生物量和叶绿素浓度(SPAD)进行估算.结果表明:植被指数R752/R548与植物鲜重相关性最高,相关系数为0.88;选用植物像元光谱,基于植被指数R752/R548,利用三次函数法构建植物鲜重估算模型精度较高,多重判定系数R2达0.883;植被指数DVI[752,640]与植物干重相关性最高,相关系数为0.42;基于植被指数DVI[752,640],应用线性回归法构建植被干重估算模型精度较低,多重判定系数R2为0.177;基于四点内插法提取的红边位置与叶绿素浓度显著相关,相关系数为0.433;Datt(1)和Datt(2)植被指数与叶绿素浓度存在显著相关,相关系数分别为0.871和0.868;基于红边位置(REP)、Datt(1)和Datt(2)植被指数构建植物叶绿素浓度估算模型精度较高,多重判定系数R2分别为0.814、0.805和0.781.应用高光谱遥感技术可有效地检测矿区受损生态环境下的植被,为矿区植物生态修复工程提供本底资料. 相似文献
6.
应用“北京一号”遥感数据计算官厅水库库滨带植被覆盖度 总被引：7，自引：0，他引：7
“北京一号”卫星是拥有多方面技术优势的一颗对地观测小卫星。本文在运用“北京一号”、SPOT5、QuickBird遥感图像对官厅水库库滨带植被覆盖度进行综合监测的基础上,对三种不同分辨率的遥感图像进行基于统计的尺度转换,并应用尺度转换的结果修正了“北京一号”图像提取的植被覆盖度。经检验,运用SPOT5和QuickBird图像对“北京一号”图像进行像元分解,将统计结果与“北京一号”图像的提取信息建立统计模型,应用该统计模型可以有效地提高“北京一号”图像提取植被覆盖度的精度。对湿生植被进行样方调查,结果证明运用像元分解和统计模型的方法使“北京一号”提取植被覆盖度的精度较运用植被指数转换模型的计算精度提高了22.7%。应用该方法可以更有效地运用“北京一号”遥感数据进行连续、大面积的植被监测。 相似文献
7.
植被覆盖度信息是荒漠生态环境表征的重要指标之一。荒漠区地表植被稀疏,在遥感光谱信息中表现较弱,通用的植被覆盖度遥感提取方法应用于干旱荒漠区存在一定的局限性,为了探寻一种满足大尺度荒漠地区的植被覆盖度信息的提取方法,必须对比和分析现有的遥感方法在干旱荒漠区的应用效果。以新疆荒漠区为例,利用MODIS遥感影像和野外植被覆盖度实测数据,对常用的6种遥感植被覆盖度提取方法（改进的三波段梯度差法、像元二分法、线型混合像元分解法、归一化植被指数法、增强型植被指数法和修正型土壤调整植被指数法）的结果进行精度验证和对比分析。结果表明：MODIS影像上较难提取纯荒漠植被像元,用农作物的像元值代替会降低像元二分法和线性混合像元分解模型的模拟精度;植被指数法对地面实测数据依赖性较大,模拟的精度差异很大,仅考虑红光和近红外的归一化植被指数法模拟精度最低,而综合考虑土壤和大气因素的增强型植被指数法的模拟结果精度最高;改进的三波段最大梯度差法虽然模拟精度稍次之（R2=0.74;RMSE=13.46）,但依据光谱的物理特性,能显著地反映南、北疆荒漠植被覆盖度的差异,是目前大尺度的荒漠区覆盖植被信息提取较为适宜的方法之一。 相似文献
8.
基于高光谱与多光谱植被指数的洪河沼泽植被叶面积指数估算模型对比研究 总被引：1，自引：0，他引：1
以洪河国家级自然保护区为研究区,2009年8月中旬,在研究区野外实测沼泽植物冠层的光谱反射率和叶面积指数(LAI),将地面实测的植物高光谱反射率以Landsat-5 TM波段范围为基准进行波谱重采样,以重采样后的光谱反射率计算多光谱植被指数,用几种常见的高光谱和多光谱植被指数建立估算沼泽植被叶面积指数的统计回归模型,对比这些模型的精度,选出最优模型.研究结果表明,用各植被指数建立的估算沼泽植被叶面积指数的回归模型分别为二次函数、对数函数或指数函数;各模型对沼泽植被叶面积指数的反演精度差别较大;在全波段高光谱植被指数中,用全波段归一化植被指数H-FNDVI(R930,R515)构建的估算沼泽植被叶面积指数的模型最佳;在常规高光谱植被指数中,用修正简单比率H-MSR构建的估算沼泽植被叶面积指数的模型最佳;在多光谱植被指数中,用多光谱归一化植被指数M-NDVI构建的估算沼泽植被叶面积指数的模型最佳.对比发现,由多光谱数据提取的植被指数构建的模型对研究区LAI的估算效果不太理想,而从实测高光谱数据提取的窄波段特有植被指数构建的估算沼泽植被叶面积指数模型表现出较明显的优势,表明窄波段植被指数更适合用来监测沼泽植被叶面积指数. 相似文献
9.
基于偏最小二乘法的玉米FPAR高光谱反演模型研究 总被引：1，自引：0，他引：1
以ASD FR便携式光谱仪与LI-191SA光量子仪对吉林中西部的玉米田进行多次观测,采集到123组有效数据,基于偏最小二乘法(PLS)对玉米FPAR进行高光谱反演。对可见光与近红外光谱(400～1 500nm)进行分析并建立反演模型,对FPAR预测效果进行验证,验证模型的R2为0.785,RMSE为0.117;同时进行了玉米FPAR与光谱反射率、反射率一阶导数之间的关系分析及植被指数与玉米FPAR之间的回归分析。研究结果表明,PLS方法建立的模型可有效地从玉米高光谱反射率数据反演出FPAR含量,反演结果精度较植被指数高。 相似文献
10.
以HJ-1卫星遥感数据估算高寒草地植被净第一性生产力的潜力评估——以若尔盖草地为例 总被引：2，自引：0，他引：2
基于HJ-1卫星数据、数字高程数据、气象数据和地面实测数据,利用改进后的CASA模型估算了2010年若尔盖草地的植被净第一性生产力（NPP）,以评价该卫星数据在高寒草地NPP估算中的应用潜力。结果表明：（1）利用改进后的CASA模型模拟草地生物量,通过与实测地上生物量比较,两者的相关程度较高,R2=0.8726。模拟精度达80%,因此可以作为估产模型实际应用;（2）利用改进后的CASA模型模拟草地NPP,模拟结果比其他研究结果略大,但更适合于若尔盖草地;（3）HJ-1卫星数据为高寒草地NPP的估算提供了高时间和高空间分辨率的数据源。 相似文献
11.
降水是陆地水循环的关键变量,高分辨率降水数据的获取是准确模拟陆地水循环过程的前提。虽然卫星反演降水产品具有较强的空间代表性和连续性,但其空间分辨率较低的问题限制了它的应用。以太行山、横断山和喀斯特山区为研究对象,基于降水与高程(DEM)、植被指数(NDVI)之间存在较好相关关系的假设,构建了GPM降水(Global Precipitation Measurement Mission)与高程、植被指数的地理加权回归模型,得到了2014—2016年研究区1 km分辨率GPM降水数据。研究结果表明:地理加权回归模型能有效地提高GPM数据的空间分辨率。降尺度后,GPM数据精度在太行山和横断山区略有提高。年尺度上,相比于原始GPM数据,太行山和横断山区降尺度数据站点实测数据的确定系数分别提高了0.06和0.08,RMSE分别降低了0.45%和3.89%,MAE分别降低了0.16%和1.70%;月尺度上,太行山区67%的月份,横断山区83%的月份GPM产品降尺度后更加接近于站点实测数据。喀斯特地区GPM数据降尺度后精度略有下降,降尺度后,年尺度的降雨数据与实测数据的RMSE和MAE分别增加了10.00%和8.00%,R~2降低了0.06,月尺度上仅8月和9月降尺度后的精度更高。降雨与地形和NDVI的关系较弱是喀斯特地区降尺度效果较差的主要原因。 相似文献
12.
基于支持向量机回归算法的土壤水分光学与微波遥感协同反演 总被引：1，自引：0，他引：1
《地理与地理信息科学》2017,(6)
利用遥感技术反演土壤水分对于我国西北地区农业干旱问题研究具有重要意义。该文以新疆焉耆盆地为研究区域,分别利用微波遥感数据(Sentinel-1ASAR)和光学遥感数据(Landsat8)计算土壤后向散射系数(σ0soil)和改进型温度植被干旱指数(MTVDI),并将σ0soil和MTVDI参数作用于支持向量机(SVM)回归算法,探讨了不同参数条件下SVM模型在土壤水分反演中的适应性。实验结果表明,相比只用单因子(σ0soil或MTVDI)作为模型参数,以σ0soil和MTVDI两者共同作为SVM模型输入参数时,土壤水分监测精度显著提高,其建模集决定系数R2=0.81,均方根误差RMSE=3.16%;验证集R2=0.89,RMSE=3.15%。最后,利用最优模型对研究区土壤水分进行了反演,并对不同土地类型含水量进行了评价,可为光学遥感与微波遥感协同反演土壤水分提供参考。 相似文献
13.
叶绿素是表征作物长势状况、光合作用能力及生理状况的重要指标,其含量变化对于分析作物生理生化过程以及指导作物精准管理具有重要意义.该文结合辐射传输模型模拟数据和实测多角度遥感数据研究不同叶倾角株型冬小麦叶绿素含量反演的角度效应,即观测天顶角和太阳天顶角变化对植被指数方法估算冬小麦冠层叶绿素含量精度的影响.结果表明:模拟与实测多角度数据的角度效应影响植被指数与冠层叶绿素含量的相关性,实测多角度数据观测天顶角变化对植被指数与冠层叶绿素含量相关性的影响显著高于太阳天顶角以及平均叶倾角变化特征的影响.其中,实测多角度数据下,红边归一化植被指数(ND705)在后向10°和20°观测天顶角下估算冠层叶绿素含量精度最高(R2=0.71,RMSE=49.95μg/cm2,RRMSE=22％);角度不敏感植被指数(AIVI)垂直观测下估算冠层叶绿素含量精度最高(R2=0.72,RMSE=49.08μg/cm2,RRMSE=21％);观测天顶角小于30°时,红边植被指数估算冠层叶绿素含量精度受角度效应影响较小. 相似文献
14.
叶面积指数(Leaf Area Index,LAI)是描述植物冠层结构特征的重要参数,也是研究植物冠层表面物质和能量交换必不可少的参数。根据在塔里木河下游河岸林地利用LAI-2250实测的LAI数据,比较Landsat 8 OLI遥感数据提取的几种常规植被指数估算LAI的能力,建立LAI估算模型,并利用实测数据对模拟结果进行精度验证,生成塔里木河下游LAI分布图。结果表明:(1)各植被指数(Vegetation Indexes,VIs)与LAI均具有一定的相关性,对于不同的植被指数,二次多项式回归模型相关性均最高;(2)在不区分植被类型的样本分析中,大气阻抗植被指数(Atmospherically Resistant Vegetation Index,ARVI)与实测LAI具有最高的相关性;(3)分别针对柽柳林和胡杨林样本分析,判定系数R2和反演精度均具有不同程度的提高,对应的最适植被指数分别为归一化植被指数(Normalized Differential Vegetation Index,NDVI)和ARVI;(4)塔里木河下游河岸植被LAI有3个高值区:大西海子水库附近、下游中部和尾闾湖台特玛湖附近。全区LAI值主要分布在0~1.5之间,均值为0.361。该研究结果为遥感提取塔里木河下游河岸林带高空间分辨率的叶面积指数数据提供了数据支持和方法支撑。 相似文献
15.
植被覆盖度是监测生态系统及其功能的关键参数,如何提高大区域植被覆盖度的反演精度,对生态脆弱区环境可持续发展至关重要。本研究基于人工神经网络、支持向量回归和随机森林等机器学习方法,利用无人机、Worldview-2与Landsat 8 OLI遥感数据,对科尔沁沙地植被覆盖度进行多尺度反演。结果表明：随机森林模型比人工神经网络、支持向量回归模型表现佳,可在单元（试验区）、区域（研究区）尺度上较高精度地反演沙地的植被覆盖度,反演值与无人机实测值均在线性水平上呈显著相关（P<0.01）;在单元、区域尺度上,构建的植被覆盖度反演模型测试集R2分别为0.84、0.80,MSE分别为0.0145、0.0370,一致性指数d分别为0.9576、0.8991。利用多源遥感数据和机器学习方法,通过局部区域的高精度反演逐步实现低空间分辨率遥感影像的大区域植被覆盖度反演,不仅可有效提高沙地植被覆盖度的反演精度（R2=0.78,大于0.63）,也为区域生态环境监测与生态系统健康评价提供支持。 相似文献
16.
基于地理环境要素的叶面积指数遥感定量反演 总被引：1，自引：0，他引：1
叶面积指数(LAI)是分析冠层结构最常用的参数之一,它控制着植被的生物、物理过程,如光合、呼吸、蒸腾、碳循环和降水截获。但是通过地面直接测量来获取大面积的LAI十分困难,而传统的基于单植被指数的LAI反演方法也具有一定的缺陷。以福州市辖区与闽侯县的阔叶林和处于生殖生长阶段的水稻为研究对象,在传统单植被指数的LAI反演方法的基础上引进植被含水量、植被覆盖度和地形3个核心环境因子来建立LAI估算模型。结果表明:基于最佳植被指数与环境因子的LAI估算模型与未考虑环境因子的单植被指数LAI估算模型相比,其验证精度有所提高。其中,就阔叶林的LAI定量反演模型而言,R~2由0. 706～0. 717提升至0. 755,RMSD由0. 292～0. 297降低至0. 271;就生殖生长阶段的水稻LAI定量反演模型而言,R~2由0. 724～0. 879提升至0. 952,RMSD由0. 696～1. 054降低至0. 441,实现了较高精度的LAI定量反演模型,为福州市辖区及其周边闽侯县区域的LAI快速定量监测奠定基础。 相似文献
17.
《山地学报》2019,(5)
由于影像空间分辨率的限制,利用遥感影像反演植被覆盖度时,像元内通常存在植被与其他地物混合的现象。此外,受到物理属性、地形、阴影等因素的影响,植被内部存在较大的光谱差异。混合像元的存在,以及植被内部光谱变化较大都将导致植被覆盖度反演精度降低。本研究基于Sentinel 2A遥感影像,提出了一种基于光谱归一化的光谱混合分析方法,以期解决植被内的光谱差异以及与其他地物的混合问题。首先,对端元矩阵与遥感影像进行归一化预处理,以减弱植被内的光谱变化;然后,采用全约束最小二乘法(FCLSU)、部分约束最小二乘法(CLSU)、扩展线性混合模型(ELMM)三种混合像元分解算法来定量分析植被与其他地物的混合状态。在验证解混算法精度时,采用无人机高分影像分类结果作为植被覆盖度参考影像,并对归一化前后的精度进行对比。光谱归一化前,ELMM和CLSU的R和RMSE都接近0.903和0.353,FCLSU的R和RMSE为0.869和0.434。光谱归一化后,三种算法的R和RMSE都接近0.91和0.2。试验结果表明:端元和影像进行归一化后,降低了光谱变异性,三种算法的解混精度在整体上提高较大,且对四川丘陵地区的植被覆盖度的反演结果接近真实值。 相似文献
18.
《山地学报》2017,(2)
本研究以Landsat 8为遥感数据源,以样地调查数据和森林资源二调数据为辅助数据对西藏林芝县的森林蓄积量进行反演研究。研究通过多元回归分析构建了林芝县森林蓄积的估算模型。为验证纹理信息的加入能否提高森林蓄积量遥感反演的精度,研究通过灰度共生矩阵提取了Landsat 8的纹理特征。在分析了森林蓄积量与遥感影像各波段、植被指数、纹理特征以及地形因子之间的相关关系后,分别以(1)光谱和地形因子、(2)纹理信息、(3)光谱因子、地形特征和纹理特征结合为自变量构建森林蓄积量的遥感估测回归模型。实验结果表明:传统的森林蓄积量反演方法得到的精度最低,而基于光谱因子、地形特征和纹理特征结合的森林蓄积量估测模型得到结果的精度最高,达到80.24%,均方根误差RMSE为1.018。研究结果证明随着纹理信息的引入,原本仅基于光谱和地形因子的森林蓄积量反演复相关系数从0.5843提高到0.7075,反演精度提高了10.06%,这说明纹理信息对森林蓄积的反演精度有提高的作用。本研究构建的基于光谱因子、地形特征和纹理特征结合的回归模型对研究区内的森林蓄积量反演具有可靠性,对于森林资源的监测和管理具有重要的意义。 相似文献
19.
青海省属于全国四大牧区之一，及时监测草地植被长势、准确估算牧草产量对青海牧区可持续发展与生态保护具有重要意义。草地产草量遥感估算主要基于植被指数与地面实测数据的统计关系，但是估算涉及植被指数、统计模型和建模指标等因素，不同组合建立的估算模型的精度不同。本文基于青海省MODIS数据与地面实测产草量数据，选择了6种植被指数（NDVI、EVI、RVI、DVI、RDVI、MSAVI）、5种统计模型（简单线性模型、二次多项式模型、幂函数模型、指数函数模型、对数函数模型）以及3种建模指标（植被指数年度最大值VImax、植被指数生长季累积值VIseason-cum、植被指数年度累积值VIannual-cum），研究不同组合下估算模型的精度差异，并从中选出最优产草量估算模型，用于估算青海省2015年和2016年的产草量。结果表明：（1）6种植被指数中，基于NDVI的产草量估算精度最高；非线性模型的估算精度高于线性模型，尤其是指数模型，适用于大多数草地类型产草量的估算；基于NDVI年度最大值的估算模型对大多数草地类型都具有最高的决定系数（R2）。（2）从干重来看，高产草量区（>1 200 kg·hm-2）主要位于青海东部的高寒草原，中等产草量区（600~1 200 kg·hm-2）位于青海南部和东部的高寒草原和禾草草原，低产草量区（<600 kg·hm-2）位于青海西部和北部的高寒草甸、高寒草原、高寒荒漠和盐生草甸。（3）与2015年相比，2016年青海省干草总产量减少31.60×104 t，减幅为1.36%。其中，禾草草原和高寒草甸的减产幅度最大，而荒漠草原和盐生草甸的产量则有所增加。本文可为草地产草量遥感估算的研究和实践提供参考。 相似文献
20.
《湿地科学》2016,(3)
利用SPOT6高空间分辨率多光谱影像和野外地上生物量的取样测量数据,获取了福建省三沙湾滩涂入侵种互花米草(Spartina alterniflora)的空间分布状况,建立了基于差值植被指数DVI的一元线性回归模型,计算得到了三沙湾滩涂互花米草地上生物量。研究结果表明,在SPOT6影像覆盖区内,三沙湾互花米草总面积为20.19 km~2,其中在霞浦县、蕉城区、福安市和三都岛的互花米草面积分别为3.90 km~2、9.63 km~2、5.20 km~2和1.46km~2;研究区中,互花米草地上生物量为0~15 kg/m~2的分布范围占其总面积的84.98%,而地上生物量为15~20kg/m~2和20~30 kg/m~2的互花米草分布面积仅分别为1.95 km~2和1.08 km~2;精度检验表明,互花米草地上生物量估算值与实测值之间的均方根误差为0.825,线性回归决定系数R~2为0.882。 相似文献