共查询到19条相似文献，搜索用时 411 毫秒
1.
2.
马尾松LAI与植被指数的相关性研究 总被引：1，自引：0，他引：1
以福建省永安市区为研究区,计算IRS-P6(LISS-Ⅲ)多光谱数据的DVI、EVI2、MSAVI、NDVI、RDVI、RVI及TNDVI等7种植被指数,并与使用LAI-2000测量的马尾松叶面积指数(LAI)建立相关关系,分析植被指数对马尾松LAI的影响。从决定系数(R2)和标准误差两个方面对基于不同植被指数的LAI反演模型进行定量分析,反演模型包括线性模型、二次曲线模型、幂函数曲线模型和指数曲线模型4种。结果表明,马尾松LAI与植被指数呈指数曲线相关或幂函数曲线相关。反演马尾松LAI,最佳的统计模型是指数曲线模型和幂函数曲线模型,较佳植被指数为TNDVI、NDVI和RVI,其指数曲线模型和幂函数曲线模型拟合的R2均高于0.76,且验证结果R2均高于0.84,但RVI指数反演的模型标准误差相对较大。总体而言,TNDVI和NDVI的指数曲线和幂函数曲线模型对马尾松LAI具有较好的预测性。 相似文献
3.
4.
小麦生物量和真实叶面积指数的高光谱遥感估算模型 总被引：5，自引：0，他引：5
利用大田小麦的参数数据和冠层光谱数据,基于光谱一阶微分技术和光谱响应函数,构建等效MODIS植被指数,建立小麦生物量(本文指总干生物量,下同)和真实叶面积指数的高光谱遥感估算模型.结果表明:①小麦生物量与冠层光谱在552 nm,721 nm处呈现最显著相关关系,叶面积指数与冠层光谱的相关性在400～1100 nm范围内较显著;②红边位置与生物量的关系最为显著,相关系数R为0.818;③6种等效MODIS植被指数中,增强型植被指数对生物量最为敏感;④红边位置估算小麦总生物量的指数模型最优,决定系数R2为0.829;⑤增强型植被指数与小麦叶面积指数的指数模型拟合度最强,决定系数R2为0.94.利用实测光谱模拟MODIS等效反射率构建植被指数反演小麦参数的方法,可为利用卫星数据进行大面积、无破坏和及时获取地面植被信息研究提供重要手段. 相似文献
5.
冬小麦叶面积指数的高光谱估算模型研究 总被引：2，自引：0，他引：2
本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。 相似文献
6.
叶面积指数(leaf area index,LAI)是评价植被长势和预测产量的重要农业生理生态参数。高分2号(GF-2)卫星数据具有高空间分辨率特点,能反映更多细节信息,针对该数据特点的LAI反演方法具有较高的研究价值。以河北省廊坊市万庄镇为研究区,对孕穗期小麦采用了回归模型和神经网络算法反演LAI;采用4种植被指数与实测LAI值构建回归模型,同时重点探讨了PROSAIL模型结合神经网络方法进行LAI反演。研究结果表明,在回归模型中,归一化植被指数(normalized difference vegetation index,NDVI)的二项式模型估算LAI可以获得最高精度,采用实测数据验证的决定系数(R2)和均方根误差(root mean square error,RMSE)分别为0.719 3和0.393 6;与回归模型相比,神经网络反演LAI方法更显著提高了精度,R2和RMSE分别达到0.900 8和0.273 2。基于GF-2卫星数据,在研究区小麦孕穗期,神经网络反演LAI具有较强可行性和适用性,可为高空间分辨率卫星影像的LAI反演提供参考。 相似文献
7.
8.
《国土资源遥感》2017,(4)
叶面积指数(leaf area index,LAI)作为植被冠层的重要参数,对作物长势监测及产量估算具有重要意义。本研究以黑河流域张掖绿洲试验区为例,基于机载航空高光谱遥感影像(compact airborne spectrographic imager,CASI)数据,利用物理模型与统计模型对研究区的LAI进行估测反演。首先,利用归一化植被指数(normalized difference vegetation index,NDVI)与相应实测LAI数据建立最佳线性回归模型;然后,基于混合像元分解模型和多次散射植被冠层模型构建物理模型;最后,以线性回归模型为参比修正多次散射植被冠层模型,构建半经验LAI反演模型,并比较上述模型拟合效果。研究结果表明,半经验模型为绿洲区LAI反演最优模型,模型估算精度R2达到0.89,精度提高较显著。研究对提升作物LAI的估算精度有一定意义,并将进一步推动精细农业定量遥感理论的研究与应用。 相似文献
9.
草地资源调查中盖度具有较为直接的代表性,目前对盖度的调查以人工实地调查为主。针对大区域的实地调查投入大、周期长等问题,本文以Landsat 8、ASTER GDEM影像、地理国情普查中草地图斑及134个实地样地调查数据的盖度数据为数据源,通过提取坡度数据、选取74个实地样点盖度调查数据及优化的土壤调节植被指数(OSAVI),建立相关模型,对研究区的草地资源的盖度进行反演,形成全域草地盖度灰度值图斑分布图。对60个实地调查的样地盖度与反演盖度进行误差分析,最终显示反演盖度与实地盖度高度一致。 相似文献
10.
11.
基于MODIS数据的内蒙古草地植被退化动态监测研究 总被引：2，自引：0，他引：2
以内蒙古自治区为研究区,利用卫星遥感、GIS和GPS技术,在实地调查和样方测定的基础上,选用群种自然生殖枝高度、草地植被覆盖度和草地生物量3个评价指标,并将其加权综合得到草地植被退化指数(GDI).将GDI与提取的各种植被指数进行相关分析,选出最能反映草地退化趋势且与植被退化指数线性拟合最好的植被指数--修正的土壤调节植被指数(MSAVI).采用线性回归方法建立草地植被退化的遥感监测模型,分析了研究区2002年~2006年草地植被退化的时空分布规律和变化趋势.研究表明,与2002年相比,2006年内蒙古地区草地植被退化状况呈现整体改善、局部恶化的情况. 相似文献
12.
锡林浩特草原区域MODIS LAI产品真实性检验与误差分析 总被引：2，自引：0，他引：2
本文研究了LAI产品真实性检验的指标和方法,建立了LAI产品真实性检验的流程,将遥感产品真实性检验误差分解为模型误差、数据定量化差异和尺度效应3个方面。以内蒙古锡林浩特草原为研究区,结合实测数据和Landsat TM数据建立NDVI-LAI模型,得到LAI验证参考"真值",据此"真值"按照本文的流程对MODIS LAI产品进行验证,分析了研究区MODIS LAI产品真实性检验的误差来源。研究表明,该研究区的MODIS LAI(MOD15A2)产品相对高估约25%。各个误差因素中,LAI遥感模型差异对于结果影响最大,MODIS LAI模型高估了该区域草地LAI(高估约44.2%);数据定量差异的影响也比较大,MODIS地表反射率数据与Landsat TM地表反射率数据的差异造成了约16.2%的低估;尺度效应的影响较小,造成约3.1%的低估,其中NDVI-LAI模型的尺度效应带来2.4%的低估,NDVI数据的尺度效应造成约0.7%的低估。 相似文献
13.
草地地上生物量高精度曲面建模 总被引：3，自引：0，他引：3
草地生物量的大区域精确估算对全球变化研究和草地资源的合理利用具有重要作用。为提高草地生物量的空间模拟精度,发展了草地地上生物量的高精度曲面建模方法HASM-GB(High Accuracy Surface Modeling for Grassland Biomass),基于内蒙古草地地上生物量野外调查资料和同时期的遥感影像数据,采用HASM-GB方法对内蒙古自治区草原地上生物量空间分布进行了模拟。通过野外实测数据采用修正的Jackknifing方法对HASM-GB方法模拟结果进行了验证,结果表明模拟结果与实测数据之间具有较低的均方根误差(28.03 g/m2)和较好的相关性,相关系数为0.62。将HASM-GB方法与遥感生物量回归模型、普通克里金和回归克里金3种方法进行了精度对比,结果表明与其他3种方法相比,HASM-GB方法的模拟结果具有相对较低的平均误差、平均绝对误差、均方根误差和与测定值较高的相关系数。通过对地上生物量空间分布格局模拟结果的分析可知,由于植被指数-生物量回归模型属于非空间方法,其模拟精度很大程度上取决于主、辅变量间的相关性水平,易受植被指数数据误差的影响。普通克里金不能考虑辅助变量的作用。HASM-GB方法能够充分考虑生物量采样点和辅助变量的空间变异信息和邻域样本的空间结构特征从而提高模拟精度,其对草地地上生物量的曲面模拟能力高于回归克里金。结果表明HASM-GB可以作为模拟草地地上生物量空间分布相对有效的方法。 相似文献
14.
草原植被覆盖度遥感估算模型的适用性比较 总被引：2，自引：0，他引：2
植被覆盖度及其变化对区域生态系统的稳定性具有直接影响，且这种影响在草原地区更加明显。为探寻草原植被覆盖度的最佳遥感估算方法，本文对像元二分模型、Carlson模型和Baret模型的估算精度和适用性进行了比较，优化了Baret模型的参数，以提高其在草原地区的估算精度。内蒙古呼伦贝尔地区的草地计算结果表明：像元二分模型有高估植被覆盖度的现象；Carlson模型在低植被覆盖区低估了植被覆盖度，而在高植被覆盖区高估了植被覆盖度；Baret模型在草原地区的估算精度最高。对Baret模型进行参数优化后，其在高植被覆盖度区域的估算精度提升了4.9%。 相似文献
15.
基于主成分分析的植被指数与叶面积指数相关性研究 总被引：1，自引：0，他引：1
综合分析了玉米叶面积指数与几种常见光谱植被指数相关性,确定主成分分析方法在反演叶面积指数中的作用。首先,借助MATLAB编程软件,以植被指数与玉米叶面积指数相关性最高为原则,选出遥感影像上各种植被指数,其波段组合为NDVI(752.4/701.5),RVI(752.4/701.5),MSR(752.4/701.5),SAVI(823.7/701.5),MSAVI(823.7/701.5),然后,对这5种植被指数进行主成分分析,建立LAI-VI多元逐步回归模型,并对模型精度进行验证,总体估测精度为96.237%。经实验验证,利用主成分分析方法在反演植被叶面积指数时能够起到较好的效果,具有广泛的应用前景。 相似文献
16.
17.
用群落调查及光谱观测数据的主成分分析方法研究草场各生物参数之间的关系 总被引：4，自引：0，他引：4
以内蒙古锡林河流域典型草原为研究对象,在群落调查和光谱观测数据的基础上,引入主成分分析方法(PCA)研究了与草场健康有关的各生物参数间关系,提出一种草场健康状况监测的新方法:(1)从包含12个反映群落各方面信息的变量中提取出3个有特定生态学意义的主成分,并进一步对其进行分析组合,得出一个能比较敏感、全面反映群落健康状况的新指标—草场健康指数(GHI);其意义在于:它不仅可以反映草场的生物量信息,而且可以反映群落的结构组成信息。(2)从6波段的植被光谱反射数据中提取出2个主成分:可见光因子和红外光因子,它们可以较好反映植被信息。(3)表征群落总量、放牧退化的主成分和GHI与植被光谱反射值有相当的相关性,由此得到GHI与可见光、红外光因子的回归模型。此模型可利用植被光谱较好地反映草场健康状况。 相似文献
18.
基于MODIS-NDVI的内蒙古植被变化遥感监测 总被引：2，自引：0，他引：2
本文利用2002-2006年5-8月的MODIS 1B数据,建立NDVI时间序列,并结合气象数据中的月均温、月降水量、滞后1月和滞后2月累计降水量对内蒙古地区植被生长季NDVI的月际、年际变化规律以及NDVI变化同气候因子的相关性进行了分析。结果表明:月际变化上,5-8月NDVI不断增加,NDVI变化率5-6月>6-7月>7-8月;年际变化上,2002-2006年间,草地的波动性最大;在与气候因子的相关性上:滞后2月降水>滞后1月降水>月均温>月降水量;对于林地和草地来说,各种相关系数高纬高于低纬,对于农耕地来说各种相关系数基本相当;对于沙地来说,各种相关系数均不高,这与其植被稀少且几乎无变化有关。 相似文献
19.
Shenghui Fang Yuan Le Qi Liang Xiaojun Liu 《Journal of the Indian Society of Remote Sensing》2014,42(4):733-743
The aim of this study is to estimate leaf area index (LAI) in different type of plants using vegetation indices (VIs) and neural network algorithms retrieved from MODIS data. Four VI were calculated, and neural networks were built up based on MODIS surface reflectance products. Among the tested VIs, normalized difference vegetation index (NDVI) and chlorophyll index (CI) appeared to be the best candidate indices in estimating LAI across sites with different vegetation types. The models having the highest accuracy were CI for grassland and deciduous broad leaf forest with determination coefficients (R-square above 0.70, and NDVI for crop R-square?=?0.78). Neural network showed better results than VI methods except in grassland sites. The added VI information showed no significant improvement of model accuracy for the neural networks in most sites. 相似文献