遥感应用模型4-植被(1)-覆盖率统计模型
遥感经验统计模型
遥感经验统计模型
一、概述
遥感经验统计模型是利用历史遥感数据和实地观测数据建立的数学模型,通过对现有数据的分析和处理,预测未来的情况。这种模型可以应用于多个领域,如农业、林业、环境保护等。
二、建立遥感经验统计模型的步骤
1. 收集数据
要建立一个准确可靠的遥感经验统计模型,首先需要收集大量的历史遥感数据和实地观测数据。这些数据需要包括各种不同类型的信息,如植被覆盖度、土地利用类型、气象数据等。
2. 数据预处理
在收集到足够数量和质量的数据后,需要进行预处理。这一步骤包括对数据进行筛选、清洗和标准化等操作,以确保数据质量。
3. 建立模型
在预处理完成后,可以开始建立遥感经验统计模型。这一步骤通常包括选择合适的算法和参数,并使用已有数据进行训练和优化。
4. 模型验证
完成模型建立后,需要对其进行验证。这可以通过使用新的未知数据或者将已有数据分成训练集和测试集两部分来实现。如果模型的预测结果与实际情况相符,则说明该模型具有较高的准确性和可靠性。
5. 模型应用
建立好的遥感经验统计模型可以应用于多个领域,如农业、林业、环境保护等。在应用时,需要根据实际情况对模型进行调整和优化,以提高其预测能力。
三、常见的遥感经验统计模型
1. 线性回归模型
线性回归模型是最常见的遥感经验统计模型之一。它基于线性关系假设,使用已知变量来预测未知变量。该模型通常使用最小二乘法来确定最佳拟合直线。
2. 支持向量机
支持向量机是一种非线性分类器,它通过将数据映射到高维空间中,在新空间中寻找一个超平面来分割不同类别的数据。该模型适用于复杂数据集和高维数据分析。
基于像元二分模型的植被覆盖度计算
基于像元二分模型的植被覆盖度计算
植被覆盖度是评估自然生态系统健康状况的一个重要指标。在野
外或遥感图像中,通过像元二分模型可以对植被覆盖度进行定量分析。本文将介绍像元二分模型及其应用,探讨如何利用该模型计算植被覆
盖度。
一、像元二分模型的原理与方法
像元二分模型是一种遥感图像分析方法,通过将像元分为植被与
非植被两类,计算每一类像元的数量与面积,从而得出植被覆盖度。
该模型需要遥感影像数据,包括反射率数据和光谱数据,通过学习已
知植被和非植被像元的光谱特征,建立分类模型,对新数据进行分类。
在进行像元二分分类前,需要对遥感数据进行预处理,包括辐射
校正、大气校正、几何校正等。其中,大气校正是保证遥感数据质量
的重要步骤,通过去除大气散射和吸收对遥感数据进行校正,保证图
像准确性。几何校正则是为了消除图像畸变,保证像元位置精确。
利用已知的植被和非植被像元,通过对每个像元的光谱特征进行
统计分析,得出植被和非植被的分布情况。经过分类后,对每一类像
元的数量进行计数,通过像元面积与总面积的比值,即可得出植被覆
盖度。
二、像元二分模型的应用
像元二分模型广泛应用于土地覆盖变化、植被生态监测、水资源
保护等领域。例如,利用像元二分模型对自然保护区进行植被监测,
可以实时了解植被变化情况,保护生态环境。同时,植被覆盖度也是
气候变化研究的重要指标之一,通过计算植被覆盖度,可以探讨气候
变化对生态系统的影响。
像元二分模型也可以与地理信息系统(GIS)相结合,进行更加精
确的分析。例如,在城市建设规划中,通过在GIS平台上制定可行性
方案,并结合像元二分模型计算植被覆盖度,可以最大限度地保护环境,满足市民需求。此外,在农业生产中,运用像元二分模型可以精
遥感在植被监测方面的应用T
图1 绿色植物有效光谱响应特征
精品
健康植物的的波谱曲线有明显的特点,在可见光的 0.55μm附近有一个反射率为10%~20%的小反射峰, 在0.45μm和0.65μm附近有两个明显的吸收谷,在 0.7~0.8μm是一个陡坡,反射率急剧增高,在近红外波段 0.8~1.3μm之间形成一个高的,反射率可达40%或更大 的反射峰,在1.45μm,1.95μm和2.6~2.7μm处有三个 吸收谷。健康绿色植被都具有基本的光谱特性,其光谱响 应曲线有一定的变化范围,但曲线形态变化是基本相似的, 这是因为影响其波谱特性的主导控制因素一致。从植物的 典型波谱曲线来看,影响植物光谱的因素包括植物叶子的 颜色,叶子的组织结构,叶子的含水量以及植物的覆盖度。
精品
对于复杂的植被遥 感,仅用个别波段或多 个单波段数据分析对比 来提取植被信息是相当 局限的。因而往往选用 多光谱遥感数据经分析 运算(加、减、乘、除 等线性或非线性组合方 式),产生某些对植被 长势、生物量等有一定 指示意义的数值——即 所谓的“植被指数”。 它用一种简单有效的形 式来实现对植物状态信 息的表达,以定性和定 量地评价植被覆盖、生 长活力及生物量等。
精品
一 植物的光谱特征
1 健康植物的反射光谱特征 遥感技术的物理基础是地物对电磁波的反
射、吸收和发射特性。遥感波段的辐射源不同, 辐射与地物相互作用的机理就不同,因此所反 映的地物信息也就不同。在可见光、近红外波 段,主要反射太阳光的辐射,遥感信息所反映 的主要是地物的反射率。反射率的一个重要特 点就是光谱特性,也即反射率随波长的变化而 变化。我们能够利用遥感信息识别不同地物的 一个根本原因就是因为各种地物间光谱特性具 有一定的差异。植物的光谱特征可使其在遥感 影像上有效地与其他地物相区别。
定量遥感基础(原创)
定量遥感基础
1、定量遥感分为:可见光、近红外波段的定量遥感,热红外波段的定量遥感,微波遥感的
对地观测
2、定量遥感应用:
(1)为国民经济持续稳定发展提供动态基础数据和科学决策依据
(2)为国家重大自然灾害提供及时准确的监测评估数据及图件
(3)持续不断地开展再生资源的监测、预测和评估
(4)地质矿产资源调查与大型工程评价
(5)天气预报和气候预测
(6)海洋监测和海洋开发
(7)土地适用性评价、生态评价和工程评价
3、时空定量分布:反照率、地表温度、叶面积指数、叶绿素含量、土壤水分含量、地表蒸
发
4、定量遥感的主要研究内容:
(1)遥感机理模型的建模研究;
研究遥感像元尺度上,适用的遥感模型,
研究描述新型传感器信号特征与地表参数关系的模型,
研究模型在不同空间尺度上的尺度效应和尺度转换原理与方法
(2) 地表参数的模型反演与陆地遥感数据的同化研究;
利用遥感数据和地表参数背景知识,提取地表时空多变参数的模型和算法,研究遥感物理模型与相关领域应用结合中模型的连接与模型参数的转换方法,使遥感数据产品能满足应用的需求。
(3) 新型传感器的定标技术研究,智能化处理技术与方法研究;时空多变地表参数反演结果的验证方法研究,遥感数据产品的真实性检验研究。
5、遥感建模分为两类:正演模型、反演模型
6、正演模型、反演模型的概念等见PPT,以及定量遥感建模的步骤等内容
7、定量遥感模型概括起来分为三类:物理模型(如植被二向性反射的辐射传输模型、几何光学模型)、统计模型、半经验模型(如地表二向反射模型)
具体定义、优缺点见PPT
8、定量遥感面临的主要问题:
专题基于像元二分模型的植被覆盖度反演
2.5 植被覆盖度的验证和分类
专题总结
• 在ENVI下及灵活应用Bandmath工具,以NDVI值为参数 ,运用基于像元二分模型设计的植被覆盖度遥感估算方 法技术路线简单、可操作性强,也适用于不同分辨率的 遥感数据,如环境小卫星等。
• 数据准备 • FLAASH对图像文件有以下几个要求:
–数据是经过定标后的辐射亮度(辐射率)数据,单位是: (μW)/(cm2*nm*sr)。
–数据带有中心波长(wavelenth)值,如果是高光谱还必须有波段宽度( FWHM),这两个参数都可以通过编辑头文件信息输入(Edit Header)。 –数据类型
• 当区域内可以近似取VFCmax=100%,VFCmin=0%
VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin)
• 当区域内不可以近似取VFCmax=100%,VFCmin=0%
– 当有实测数据的情况下,取实测数据中的植被覆盖度的最大值和最小值; – 当没有实测数据的情况下,植被覆盖度的最大值和最小值根据经验估算。
VFC = (S - Ssoil)/ ( Sveg - Ssoil) S为遥感信息
百度文库
改进的像元二分法模型(李苗苗等,2004)
• 改进的像元二分法——遥感信息选择为NDVI
植被遥感研究综述
植被遥感研究综述
摘要:随着计算机科学的发展,遥感技术可以有效完成复杂时空尺度海量信息的收集处理,其与森林资源研究的交叉、融合大大提高了复杂时空尺度上森林资源动态研究的表达能力。遥感已在森林资源综合监测、林火监测方面广泛应用。由于RS 分辨率大幅度提高,波谱范围不断扩大,特别是星载和机载成像雷达的出现,使RS 具备多功能、多时相、全天候能力。其中NOAA 卫星广泛用于监测全球森林宏观变化,MSS、TM、SPOT 用于区域中森林资源动态监测。遥感技术极大地推动了我国森林植被的研究。
关键词:遥感信息处理植被监测植被指数
1引言
森林资源,是林业和生态环境建设的基础,总面积超过40亿hm,约占陆地总面积的31%,对经济、社会和环境的可持续发展有不可替代的作用。遥感影像分类是森林资源调查和监测不可缺少的内容。从不同来源、不同形式的遥感信息提取出森林植被的专题信息,为划分森林类型、绘制林相图、清查森林资源、预测预报森林病虫害及森林火灾、合理规划、利用和保护森林资源提供基础和依据。20 世纪以来,由于森林面积萎缩和质量下降引发的生态环境事件不断出现,使得森林健康问题得到前所未有的关注,各国学者开展了大量而富有成效的研究工作。但是,传统的原地观测与受控实验等研究方法不仅需要耗费大量的人力物力资源,且速度缓慢,缺乏时间序列上的可比性,一些偏远地区更是难以到达;因为缺乏恰当的尺度转换手段,整体研究结果常常难以令人信服,方法具有一定的局限性。遥感技术则为人们提供了广阔的视野、海量的信息及一个可以实现客观、连续、重复、动态对比分析和推断预警的工作平台,已成功应用于植被研究的诸多领域,显示出强大的生命力。
遥感应用模型5-植被(2)-叶面积指数估算模型
研究区为位于我国 东北地区三江平原 东北部的洪河国家 级自然保护区
为了有效地进行保 护管理和可持续发 展,根据区内自然 资源的分布现状, 将保护区划分为核 心区、缓冲区和实 验区
CBERS-02的多光谱数据包括蓝、绿、红3个可见光波 段,1个近红外波段和1个全色波段,5个波段星下 点空间分辨率均为19.5m。
冬小麦叶面积指数地面测量方法的比较. 农业工程 学报,2011,27(3):220-224
三江平原湿地植被叶面积指数遥感估算模型.生态 学杂志,2008,28(7):803-808
将研究区分为草甸、沼泽、灌丛和岛状林4种湿地 植被类型,NDVI与各植被型LAI的相关性和估算效 果均有很大程度的提高,所建立的LAI遥感反演模 型以三次曲线回归方程拟合精度最高,R2分别达 到0.723%、0.588%、0.837%、0.72%。
以上结果表明,结合地面实测数据并基于遥感植 被分类的基础上, CBERS-02遥感影像可用于较大 区域内湿地植被生理参数的反演研究。
选择在小麦的主叶、分蘖、拔节、孕穗等关键生长 期,于晴天光照强度适中的上午6:00-8:00间采集图 像。
拍摄前人工去除杂草。选择群体长势均匀的地点, 采用5 cm×5 cm 的白色纸板作为参照标准置于小麦 冠层同一平面,采用SONY DSC-F707 数码相机(设置 为640 像素×480 像素)垂直于小麦群体冠层进行拍 摄。
遥感在全球变化中的应用
遥感在全球变化中的应用
杨红妍
(华东师范大学资源与环境科学学院地理系,上海200062)
摘要:快速、多波段、周期性、大面积覆盖等观测能力的空间遥感技术,是全球环境变化研究中不可替代的重要手段。随着遥感技术在国际上的蓬勃发展,遥感技术在我国全球环境变化研究中也开始得到了广泛的应用。简述了遥感技术在我国土地利用覆盖、大气、湿地、海洋调查与灾害监测方面的应用情况以及所取得的成果。这些研究为遥感技术在全球环境变化研究中的深入应用奠定了基础。
关键词:遥感、全球变化、土地利用、大气、湿地、海洋、灾害
0 引言
当前,人类面临着人口膨胀、资源匮乏和环境恶化三大危机,而其中环境恶化制约着人类的生存和资源的可持续利用,影响全球环境的温室效应、臭氧层破坏、森林锐减、物种灭绝、土地退化和淡水资源短缺等一系列重大问题困扰着人类社会。面对全球环境日益恶化的严峻现实,科学家必须在研究全球变化现状的基础上,预测未来环境变化趋势,从而为政府决策提供科学依据。环境恶化的全球性和全球变化对世界经济发展的重要性,日益引起世界各国科学家和政府首脑对全球变化研究的关注,纷纷呼吁要采取全球性的合作。目前,国际上公认的全球变化研究的四个国际科学计划-即WCRP、IGBP、IHDP、DIVERSITAS正是国际科学界努力的结果,四个计划的实施极大地推动了全球变化研究。
全球环境数据的获取是全球变化研究中的第一优先,而遥感技术以其宏观快速能提供全球和区域地表的面上信息等优势,必将在全球环境数据的获取中起着重要的、不可或缺的作用。
随着遥感技术的日益完善-遥感技术已渗入到全球变化研究的众多领域。从辅助手段到主要手段,乃至于某些专题研究中的唯一手段,遥感技术在全球变化研究中发挥着越来越重要的作用。
植被覆盖度论文撰写第一稿(第3次修改)
基于MODIS数据的汶川地震灾区植被覆盖度估算及动态变化分析
摘要:本文以MODIS遥感数据为基础,利用像元二分模型对汶川地震灾区2008年-2013年的植被覆盖度进行监测估算,分析了植被覆盖度在这6年里的动态变化。通过从整体角度分析不同植被覆盖度的面积变化和从平均植被覆盖度的角度分析平均植被覆盖度的动态变化过程,均得出植被的动态变化过程:地震前后植被受到严重破坏,低、中低植被覆盖度的面积显著增加,中高、高植被覆盖度的面积显著减少;随着植被的逐渐恢复,至2013年各植被覆盖度区域面积几乎恢复到地震前的水平。同时,通过分析植被破坏及恢复前后不同植被覆盖度的面积变化得到植被的动态变化情况。
关键字:植被覆盖度;像元二分模型;MODIS;汶川地震
引言
植被,是覆盖在地面的所有植物群的总称,包括森林、灌丛、草地、农作物等等,具有截流降雨、减缓径流、防沙治沙、保持水土等功能,是生态系统的重要组成部分[1-2]。植被覆盖度(Fractional Vegetation Cover, FVC)是指植被的枝、茎、叶垂直向下的投影面积占统计区域总面积的百分比[3],是刻画地面植被覆盖的一个重要参数。一个地区的植被覆盖情况在很多领域都要涉及,也是其研究的重要指标之一,是重要的基础数据,因此建立快速的、精确的植被覆盖度计算方法与模型在植被及其他相关领域的研究都具有十分重要的意义。
植被覆盖度的测量计算有很多的方法与模型[10,13-16],主要是从两个大的方面来进行计算,一种是相对传统的测量方法,例如目估法、照片分析法、经验分析法等;另一种是采用建立物理的模型,通过对某地区遥感影像数据进行统计分析,最后估算出植被覆盖度的大小,例如像元分解模型法、回归模型法等。归一化植被指数(NDVI)与植被覆盖度之间有很大的关系,根据两者之间的关系,通过
基于Ts-EVI模型的干旱监测研究
基于Ts-EVI模型的干旱监测研究
谢忠俍;周建东;袁曼飞
【摘要】采用MODIS温度成品数据和植被指数数据构建Ts-EVI特征空间,对四川省2007年7—10月的旱情进行监测.监测结果表明:Ts-EVI特征空间在旱情监测上有一定的优越性,能准确监测四川省2007年7—10月的旱情变化;当年四川省境内旱情严重,中旱和重旱面积占全省总面积的50%以上,川东旱情较川西高原严重,且不同区域的旱情发展态势不同;对比ECMWF土壤水体积数据,两者相关性较高.%Ts-EVI feature space is constructed by using MODIS temperature data and vegetation index data to monitor the drought in July to October 2007 in Sichuan province. The results show that the Ts-EVI feature space has a certain superiority in drought monitoring,and it can accurately monitor the drought change from July to October in Sichuan province. In the year,the drought situation in Sichuan province is serious. The drought and heavy drought areas reach more than 50%of the total area of the province. The drought in the eastern Sichuan is more serious than that in the western Sichuan Plateau,and the development trend of drought in different regions is different. Compared with ECMWF soil water volume data,we find the correlation is high.
植被覆盖度遥感估算研究进展
植被覆盖度遥感估算研究进展
一、本文概述
植被覆盖度是描述地表植被状况的关键参数,对于生态环境评价、资源管理、气候变化研究等领域具有重要意义。随着遥感技术的快速发展,利用遥感数据进行植被覆盖度估算已成为当前研究的热点。本文旨在对植被覆盖度遥感估算的研究进展进行全面的梳理和评价,分析现有方法的优缺点,探讨未来的研究方向和应用前景。
本文首先介绍了植被覆盖度遥感估算的基本原理和方法,包括基于像元的分类方法、像元二分模型、植被指数法等。然后,重点回顾了近年来国内外在该领域的研究进展,包括新型遥感技术的应用、估算模型的改进和优化、以及多源遥感数据的融合等方面。本文还讨论了植被覆盖度遥感估算在实际应用中的挑战和限制,如数据质量、尺度效应、算法精度等问题。
本文展望了植被覆盖度遥感估算的未来发展趋势,提出了加强遥感数据质量控制、优化估算模型、推动多源遥感数据融合等建议。通过本文的研究,可以为植被覆盖度遥感估算的进一步发展提供理论支持和实践指导,推动遥感技术在生态环境保护和资源管理等领域的应用。
二、遥感估算植被覆盖度的基本原理与方法
遥感估算植被覆盖度的基本原理在于利用植被在特定光谱范围
内的反射、吸收和散射特性,通过对遥感影像的处理和分析,提取植被信息,进而计算植被覆盖度。这一过程中,植被的光谱响应特性和遥感影像的像元信息是两个关键因素。
方法上,遥感估算植被覆盖度主要包括单波段法、多波段法、像元二分模型法以及机器学习法等。单波段法通常利用植被在红光波段的反射低谷和近红外波段的反射高峰特性进行估算,方法简单易行,但精度相对较低。多波段法则通过组合使用多个波段的信息,以提高估算精度,常用的有归一化植被指数(NDVI)等。
遥感技术在植被研究中的应用
浅析遥感技术在植被研究中的应用
李永红
(宁夏大学资源环境学院宁夏银川 750021)
摘要: 遥感是指应用探测仪器,不与探测目标相接触,从远处把目标物的电磁波特性记录下来,通过分析,揭示出物体的特征性质及其变化的综合性探测技术[1]。遥感技术作为21世纪空间信息技术的支柱之一,在植被研究中发挥着重要的作用。本文从遥感的基本内涵出发,通过查阅相关的文献、参考资料和对资料进行归纳总结,阐述了大面积农作物估产的方法、常见的植被指数,介绍了遥感植被解译应用,通过对遥感图像的四个特征进行比较,得出在一般情况下,空间分辨率和辐射分辨率成反比的结论;并对高新技术遥感在植被研究中的应用过程和发展前景进行简单概述。
关键字:遥感,植被,微波,高光谱
遥感(Remote Sensing)是20世纪60年代发展起来的对地观测的综合性技术,是指应用探测仪器,不与探测目标相接触,从远处把目标的电磁波特性记录下来,通过分析,揭示出物体的特征性质及其变化的综合性探测技术。植被调查是遥感的重要应用领域。植被是环境的的重要组成因子,也是反映区域生态环境的最好标志之一,同时也是土壤、水文等要素的解译标志,个别还是找矿的指示植物。植被成像及解译的研究成果可以为环境监测、生物多样性保护、农业、林业等有关部门提供信息服务。
1 植被遥感
1.1植物的光谱特征
遥感技术的物理基础是地物对电磁波的反射、吸收和发射特性[2]。遥感波段的辐射源不同,辐射与地物相互作用的机理就不同,因此所反映的地物信息也就不同。在可见光、近红外波段,主要反射太阳光的辐射,遥感信息所反映的主要是地物的反射率。反射率的一个重要特点就是光谱特性,也即反射率随波长的变化而变化。我们能够利用遥感信息识别不同地物的一个根本原因就是因为各种地物间光谱特性具有一定的差异。植物的光谱特征可使其在遥感影像上有效地与其他地物相区别。图1显示了健康的绿色植物有效光谱响应特征。
植被覆盖度的遥感估算方法研究
植被覆盖度的遥感估算方法研究
植被覆盖度是指地表植被在地球表面的覆盖比例,是地球生态系统的重要参数之一。植被覆盖度的变化会影响到气候、土壤和水文等自然环境要素,因此对于生态保护、农业生产和环境监测等领域具有重要意义。遥感技术具有大范围、快速、重复和经济的优势,是进行植被覆盖度估算的重要手段。本文将介绍植被覆盖度遥感估算的相关理论、方法和应用现状,并详细阐述具体的估算方法、实验设计及结果分析。植被覆盖度的遥感估算涉及到遥感图像处理、地学统计和生态学等多方面的知识。目前,许多学者已经提出了多种估算方法,如直接计数法、归一化植被指数法、混合像元分解法等。这些方法在不同程度上取得了成功,但也存在一定的局限性。随着遥感技术的发展,尤其是高光谱、高空间分辨率和多时相遥感数据的广泛应用,对于植被覆盖度的估算精度和细化程度的要求也在不断提高。
进行植被覆盖度遥感估算所需要的数据主要包括卫星遥感图像、数字高程模型、气象数据等。其中,卫星遥感图像是获取植被覆盖度信息的主要来源,包括多光谱和热红外图像等。数字高程模型可以用于提取地形特征和计算植被覆盖度之间的关系。气象数据则可以提供植被生长的相关信息,如辐射、气温和湿度等。
数据预处理主要包括图像校正、图像融合和图像增强等步骤,旨在提高遥感图像的质量和可读性,为后续的植被覆盖度估算提供可靠的基础。
估算模型和算法是进行植被覆盖度遥感估算的核心,主要包括以下几种:
(1)直接计数法:通过统计图像中绿色植被的像素数量,计算植被覆盖度。这种方法简单直观,但难以区分不同类型的植被。
5-专题基于遥感的自然生态环境监测PPT课件
生态因子,“坡度”作为地形因子。统一将这些生 态因子进行归一化处理
• 自然生态环境评价方法
- 本专题选择的是指数法与综合指数法
ENVI/IDL
进入专题
• 数据:
- 15-自然生态环境监测
生态因
子生成 大气校
正
生态环 境评价
• 植被覆盖度是根据前人研究的NDVI估算模型:
- FC=(NDVI-NDVImin)/(NDVImax-NDVImin)
- 其中NDVI是归一化指标指数,NDVImax表示区域最大 NDVI值,NDVImin表示区域最小的NDVI值。
- 由于图像中不可避免的存在着噪声,NDVImax和NDVImin 并不一定是最大NDVI值和最小的NDVI值,可以根据直 方图分别取两头“拐点处”的值。
根据实际情况, 植被对生态环境质量的贡献程度,依据植被的覆盖度分为10级,覆盖度越大编码值越大。
分割区间文件存放在:15-自然生态环境监测\中间结果\*.dsr 结果文件存放在:15-自然生态环境监测\*-10.img
ENVI/IDL
3、生态环境评价
ENVI/IDL
3 生态环境评价
• 本专题选择的评价模型是指数法与综合指数法:
结果存放在:15-自然生态环境监测\中间结果\土壤指数.img
遥感技术支持下的植被生产力与生物量研究进展生态学杂志
遥感技术支持下的植被生产力与生物量研究进展
3
戴小华 余世孝
33
(中山大学生命科学学院,广州510275)
摘 要 目前广泛应用于植被生产力与生物量估算的遥感模型主要有经验模型、物理模型、半
经验模型和综合模型,它们的应用受到诸如大气、背景、地形、植被覆盖率与结构等因素的影响。遥感技术的迅速发展及其它技术的应用,包括热红外、微波和激光遥感仪器以及多角度、高光谱和高分辨率技术等,正逐步消除或降低影响因素,进一步提高植被生产力与生物量估算的范围和精度。
关键词 遥感,模型,植被,生产力,生物量
中图分类号 Q948115 文献标识码 A 文章编号 1000-4890(2004)04-0092-07
Advances in the estim ation of vegetation productivity and biom ass with the aids of remote sensing.DAI Xiaohua ,YU Shixiao (School of L if e Sciences ,Zhongshan U niversity ,Guangz hou 510275,China ).Chinese Journal of Ecology ,2004,23(4):92~98.
There are mainly four types of models for estimating vegetation productivity and biomass ,including empirical ,physical ,semi 2empirical and integrated models.The application of these models is limited by factors such as atmosphere ,background ,geography ,vegetation cover and structure.The rapid development of remote sensing technique ,especially the use of thermal infrared ,microwave ,laser re 2mote sensors and the techniques such as multi 2angle ,hyperspectral and high resolution remote sens 2ing ,will be helpful to eliminate or reduce the effect of these factors.K ey w ords remote sensing ,modeling ,vegetation ,productivity ,biomass.
遥感信息工程作业—植被覆盖率计算
遥感应用模型作业一
——植被覆盖率估算模型
姓名:张** 学号:120131*** 专业:测绘工程
利用遥感资料估算植被覆盖率的方法大致可归纳为2 种:1)经验模型法,通过建立实测植被覆盖率数据与植被指数的经验模型来求取大面积植被覆盖率。2)植被指数转换法:通过对各像元中植被类型及分布特征的分析,建立植被指数与植被覆盖率的转换关系来直接估算植被覆盖率。
本次实验使用植被指数转换法计算植被覆盖率。数据预处理和NDVI 计算使用ENVI 中操作,LAI 解算和覆盖率求取编程实现。
1、研究区域数据获取
本次实验主要是对植被覆盖率估算,因此在实验区域影像尽量选择植被茂盛的季节。在数据源选取上,选择易获取的免费Landsat 数据。下载的遥感影像是湖北省荆门市2001年9月15日的影像,研究区域无大块云层覆盖。数据下载自地理空间数据云网站,(/),该网站的数据均来自美国地质调查局(USGS )官方网站(/)。
Landsat 卫星采用的全球参考系为WRS2(World wide reference system )。在ArcGIS 中显示的全球WRS2行带号。湖北省荆门市WRS2行带号为Path 123、Row38-39。
图1 Landsat 卫星全球参考系WRS2
2、数据预处理
进行植被覆盖率估算,需要用到归一化植被指数(NDVI )。NDVI 的物理依据是地物反射率的差异变化,所以用反射率来计算是比较客观准确的。TM 原始数据就是DN 值,不能用来直接计算NDVI ,必须通过辐射定标计算成反射率,才能用来计算NDVI 。因此,要对对实验数据先进行辐射校正和大气校正。下载的L1T 级数据,元数据信文件(124028_MTL )有详细影像参数,控制点文件(124028_GCP )中有控制点高程信息用于大气校正的地形参数,可以利用这两个文件做辐射校正和大气校正。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
混合像元来自百度文库
“混合像元”指植被不能完全覆盖整个像元,其 像元NDVI 值是植被覆盖部分的NDVI值( NDVIg)与非 植被覆盖部分的NDVI 值( NDVI0 )的加权平均
根据混合像元的植被覆盖特点,其亚像元模型可 分为3 种情况: 等密度模型(Dense Vegetation Model) 非密度模型(Nondense Vegetation Model) 混合密度模型(Variable Vegetation Model)
对林地、果园、城镇用地则采用等密度模型进行 估算
研究区域散点图
对非密度模型中LAI 的确定采用两向近似法。首先 作研究区TM4 (近红外) 和TM3(可见光) 的散点图 以此为基础,确定其土壤线方程参数a′, b′
误差分析
估算精度可达75.4 % ,比单纯使用等密度亚像元模 型在估算精度上可提高5.8 %。
植被的亚像元模型表
均一像元
“均一像元类型”指像元完全被一定厚度的植被 覆盖,即fg = 1。因而“均一像元类型”的NDVI 值 主要取决于叶面指数LAI,由Bear′定律可得出LAI与 NDVI 的关系式:
其中: NDVI0 对应于裸土( LAI →0) 和NDVI ∞对应于 高垂直密度植被(LAI →∞) 的NDVI 值, k 是消光系 数。
最终的LAI 与卫星数据的灰度值DNi 的关系可描述为
其中,i = 1 ,2 ,分别对应于TM3 ,TM4 波段,s 指土 壤, DN∞i 可从遥感影像中获得; r1∞ ,r2∞ 据 Price 研究可分别取0.05 和0.07。 土壤线方程 参数a′, b′可从可见光和近红外波段的散点图中通过 回归法求取。 红色波段和近红外波段的垂直视反射率因子值近 似满足线性关系,成为土壤线。
植被覆盖中的混合像元
根据像元中植被覆盖结构的不同, 将像元分为“均 一像元”和“混合像元”两类。
当像元完全被植被覆盖时,可认为该像元为“ 均一像元”,其亚像元结构为植被全覆盖; 如植被不能完全覆盖整个像元,则像元为“混合 像元”,对应的亚像元结构是植被与非植被构 成的混合结构。
植被覆盖率估算模型
从以上模型不难看出,等密度模型和非密度模型 都是一些特殊情况。
模型的选择
等密度模型计算简单,适用于具有较高垂直密度 的单一植被类型区的植被覆盖率计算; 非密度模型则适用于具有较低垂直密度的单一植 被类型区的植被覆盖率计算,但模型中参数的确 定较为烦琐; 等密度模型和非密度模型是混合密度模型在单一 植被类型、不同LAI 条件下的简化;
便可将LAI 表示为图像的灰度量化值DNi和c1 , c2 的函数关系式 c1 , c2 取0.6 和0.21 ,c1 , c2是Price根据Landsat TM 卫星资料推算出的,适用于垂直密度不高的农田 和草地
算法流程图
将水体、裸地的植被覆盖率赋值为零; 对草地、农田采用非密度模型;
混合密度模型假设少,接近现实情况,但植被覆 盖率的计算十分复杂,必须确定像元中不同植被 类型的NDVI、叶面指数和消光系数。
因此,根据不同模型的特点在求解植被覆盖时需考 虑地物的不同类型。 果园: 植被类型单一,且垂直密度高(LAI足够大) ,选用等密度模型。
林地:植被垂直密度高,但植被类型较为复杂, 选用等密度模型近似处理。 草地:植被类型单一,且LAI大小符合非密度模型 的条件,选用非密度模型。 城镇用地: 亚像元结构比较复杂,绿化地大部分为 单一类型行道树,因而除对个别大块草坪用非密 度模型外,其余可用等密度模型来近似处理。
等密度模型假设像元中植被类型较为单一且植被 垂 直 密 度 足 够 高 , 即 : LAI → ∞ , 对 应 的 NDVIg →NDVI ∞ 因此,在等密度模型假设下,植被覆盖率f g:
非密度模型与等密度模型相似,该模型也假设像 元中植被类型较为单一;但此时的植被垂直密度 较 小 , 即 LAI<<∞ 。 因 而 植 被 覆 盖 部 分 的 NDVI 值 ( NDVIg) 需由Bear′定律确定。
实测LAI方法
描形称重,在一种特定的坐标纸上,用铅笔将待 测叶片的轮廓描出并依叶形剪下坐标纸,称取叶 形坐标纸重量,按公式计算叶面积。
叶面积仪,由镜头拍摄林内树冠影像再经由软件 推估叶面积指数。
LAI的估算
利用植被在可见光和近红外波段反射值的散点图, 首先确定出计算LAI 所需的参数,然后利用这些参 数和卫星传感器所探测到的地物反射值估算LAI 。 该方法需要确定的参数为: 土壤线方程( Soil Line Equation) 参数a , b。在一 定的观测条件下,土壤线方程参数a , b 可以从 相应波段的散点图中求取。 用于描述辐射能量穿透叶面时的衰减性质的系 数c1 , c2 ,其大小取决于植被类型。 高垂直密度植被的地物反射值r ∞。
第三章 植被遥感
本章主要内容
植被覆盖率估算模型
植被覆盖率估算模型
植被覆盖率(单位面积内植被的垂直投影面积所占 面分比),作为重要的生态气候参数,是许多全球 及区域气候数值模型中所需的重要信息,也是描 述生态系统的重要基础数据。
依靠传统的地面样方实测的方法来估算植被覆盖 率又是一项花费巨大人力、财力且精度不高的工 作。 因此,探讨利用遥感影像估算大面积的植被覆盖 率的方法已成为当前建立全球及区域气候、生态 模型的基础工作之一。
农田:由于农田种植作物的不同,加之季节的 变化,情况较复杂。 对于菜地和草坪其植被类型简单,可选用非密 度模型。
对于高粱地、稻田和麦田考虑到作物的生长季 节的变化,在其生长期LAI 较小可选用非密度模 型,而在其成熟期应选用等密度模型。
模型参数的确定
NDVI0 和NDVI ∞可根据定义直接从遥感影像中计算 获得 消光系数k 的取值范围为0. 8 < k < 1. 3 ,通常取其 中值k=1 LAI ,实测是获得叶面指数 LAI 的一种方法,实测 虽准,但费时、费力,很难获得整个研究区的LAI 信 息 , 两 向 近 似 法 (Two Stream Approximation Model) 进行的低垂直密度植被的LAI 估算
参考文献
基于土地覆盖分类的植被覆盖估算亚像元模型与 应用,遥感学报,2001,5(6):416-422
作业
根据植被覆盖统计模型,选择两种分辨率遥感影 像数据,分别计算某一地区的植被覆盖率,比较 两次植被覆盖率计算结果的不同,试分析原因。
利用遥感资料估算植被覆盖率的方法大致可归纳 为以下2 种
经验模型法,通过建立实测植被覆盖率数据与 植被指数的经验模型来求取大面积植被覆盖率 植被指数转换法,通过对各像元中植被类型及 分布特征的分析,建立植被指数与植被覆盖率 的转换关系来直接估算植被覆盖率
由于经验模型法依赖于对特定区域的实测数据, 虽在小范围区域具有一定的精度,但在推广应用 方面却受到诸多限制。 因此,近年来发展起来的不依赖于植被覆盖率实 测数据,而直接由植被指数向植被覆盖率转换的 方法已成为相关领域研究的一种趋势。 虽然植被指数转换法不需要进行大面积的地面样 方实测,但就小范围区域而言,其精度却可能低 于经验模型法,因此,提高植被指数转换法的估 算精度已成为该方法广泛应用中值得探讨的重要 问题。
其中
实际上,一个像元中往往含有多种植被类型,而 且它们的垂直密度 ( 叶面指数 LAI) 也是多样的。所 以混合模型假设像元NDVI 值实际上是像元中不同 植被类型的NDVI 值和非植被NDVI 值的加权平均。 其中
混合密度模型中植被覆盖率的计算十分复杂,必 须确定像元中不同植被类型的 NDVI 、叶面指数和 消光系数。
植被指数NDVI 是单位像元内的植被类型、覆盖形 态、生长状况等的综合反映,其大小取决于植被 的叶面指数LAI (垂直密度) 和植被覆盖率fg (水平 密度) 等要素。 但不同的亚像元植被结构 ( 垂直密度和水平密度 ) 却可能产生相同的 NDVI 值。因此,为了更好理解 NDVI 与植被覆盖率fg的定量关系,需进一步对植 被覆盖的亚像元结构进行分析。