植被指數(shù)
- 蘭州植物園植被春季物候無(wú)人機(jī)監(jiān)測(cè)
（VEG）等植被指數(shù)的時(shí)序變化特征，并進(jìn)行一元三次多項(xiàng)式擬合，使用導(dǎo)數(shù)法提取各植被的發(fā)芽期、開(kāi)花期、結(jié)果期等春季物候期，然后與人工觀測(cè)物候資料進(jìn)行比較，明確不同植被指數(shù)下物候期的估算精度。結(jié)果表明：除草坪草的發(fā)芽期和結(jié)果期以及牡丹的發(fā)芽期，4種植被指數(shù)估算得到的物候期基本一致，但其和實(shí)際物候期均存在不同程度的誤差；發(fā)芽期估算誤差最大的是黃刺玫，平均提前27 d，最小的是香莢蒾，平均推遲8 d；開(kāi)花期估算誤差較大的是草坪草和牡丹，平均誤差均在20 d以上，最
江蘇農(nóng)業(yè)學(xué)報(bào) 2023年8期2024-01-30
- 無(wú)人機(jī)多光譜影像在稻縱卷葉螟危害監(jiān)測(cè)中的應(yīng)用
分析了15種植被指數(shù)與卷葉率（蟲(chóng)害指標(biāo)）之間的相關(guān)關(guān)系；分別采用普通最小二乘法、多項(xiàng)式擬合、多元逐步回歸法和偏最小二乘法建立了水稻分蘗期、拔節(jié)期和孕穗期的卷葉率反演模型；在此基礎(chǔ)上，篩選出最優(yōu)模型并分析卷葉率與水稻生理生態(tài)參數(shù)之間的關(guān)聯(lián)。結(jié)果表明，（1）3個(gè)生育期的大部分植被指數(shù)與卷葉率存在極顯著的相關(guān)性，每個(gè)生育期卷葉率與均一化植被指數(shù)（NDVI）的相關(guān)性都是最高的。（2）分蘗期的卷葉率反演模型效果最好，孕穗期的模型較好，拔節(jié)期的模型效果稍差。（3）在分
江蘇農(nóng)業(yè)學(xué)報(bào) 2023年7期2023-12-13
- 基于衛(wèi)星遙感與同步地面實(shí)驗(yàn)數(shù)據(jù)的冬小麥長(zhǎng)勢(shì)遙感監(jiān)測(cè)
性分析法篩選植被指數(shù)，構(gòu)建LAI反演模型并進(jìn)行精度評(píng)定。結(jié)果表明：DVI與LAI的相關(guān)性最高，其次為SAVI和EVI，NRI與LAI相關(guān)性最低?；贒VI建立的模型精度最高，模型R2為0.77。研究區(qū)冬小麥長(zhǎng)勢(shì)總體良好，其中長(zhǎng)勢(shì)一般的區(qū)域占44.37%，長(zhǎng)勢(shì)良好的區(qū)域主要分布在扶風(fēng)縣中南部，武功縣中部，長(zhǎng)勢(shì)過(guò)旺地區(qū)主要分布在扶風(fēng)縣西部地區(qū)，武功縣西北部地區(qū)。關(guān)鍵詞：冬小麥；葉面積指數(shù)；植被指數(shù)；遙感反演；長(zhǎng)勢(shì)監(jiān)測(cè)中圖分類號(hào)：TP391? ? 文獻(xiàn)標(biāo)識(shí)碼：A
現(xiàn)代信息科技 2023年6期2023-06-25
- 氣候變化背景下阿拉善盟生態(tài)環(huán)境監(jiān)測(cè)評(píng)估
植被覆蓋；植被指數(shù)；遙感；回歸分析中圖分類號(hào)：X171.1 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：2095–3305（2023）02–0105-03氣候變化對(duì)生態(tài)環(huán)境的影響研究是一個(gè)重要的世紀(jì)課題，也是當(dāng)前的科學(xué)熱點(diǎn)之一、國(guó)際關(guān)注的焦點(diǎn)，更是當(dāng)今人類生存和發(fā)展面臨的嚴(yán)峻挑戰(zhàn)，事關(guān)國(guó)民經(jīng)濟(jì)、能源、生態(tài)、糧食安全和經(jīng)濟(jì)社會(huì)發(fā)展全局，氣候變化已經(jīng)或即將對(duì)全球環(huán)境造成嚴(yán)重影響[1]。阿拉善盟生態(tài)環(huán)境脆弱，沙漠、戈壁、荒漠草原各占1/3，適宜人類生產(chǎn)生活的面積僅占6%，干旱缺
農(nóng)業(yè)災(zāi)害研究 2023年2期2023-06-07
- 基于歸一化植被指數(shù)的農(nóng)田邊界識(shí)別方法
種基于歸一化植被指數(shù)的農(nóng)田識(shí)別方法。由于農(nóng)田圖像地物信息復(fù)雜，普通RGB圖像處理結(jié)果受環(huán)境影響較大，模型魯棒性差，為解決這一問(wèn)題，通過(guò)測(cè)繪無(wú)人機(jī)獲取農(nóng)田多光譜數(shù)據(jù)，基于不同區(qū)域歸一化植被指數(shù)（NDVI）的差異，利用大津閾值分割法實(shí)現(xiàn)農(nóng)田的有效分割。針對(duì)雜草和樹(shù)木等過(guò)分割問(wèn)題，通過(guò)計(jì)算聯(lián)通區(qū)域的大小與長(zhǎng)寬比的方法，在保證農(nóng)田識(shí)別精度的情況下，減少其他因素干擾，最后通過(guò)Canny邊緣檢測(cè)算法提取農(nóng)田邊界。通過(guò)驗(yàn)證，本研究方法對(duì)農(nóng)田的識(shí)別準(zhǔn)確率達(dá)95%以上，可以
江蘇農(nóng)業(yè)科學(xué) 2022年11期2022-06-24
- 基于改進(jìn)語(yǔ)義分割模型的無(wú)人機(jī)多光譜圖像雜草分割
nm和歸一化植被指數(shù)NDVI的訓(xùn)練數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練。發(fā)現(xiàn)PANet的訓(xùn)練精度為97.38%，測(cè)試精度為93.41%;采用3通道（近紅外790 nm+紅色690 nm+NDVI）訓(xùn)練的模型F1值最高為0.872。結(jié)果表明，該方法可以實(shí)現(xiàn)無(wú)人機(jī)多光譜圖像雜草的有效分割，可為農(nóng)田雜草精確檢測(cè)和農(nóng)作物生長(zhǎng)狀況監(jiān)測(cè)提供參考和借鑒。關(guān)鍵詞：雜草;改進(jìn)語(yǔ)義分割模型;無(wú)人機(jī);多光譜;圖像分割;植被指數(shù)中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-13
江蘇農(nóng)業(yè)科學(xué) 2022年12期2022-06-24
- 基于GF-1時(shí)序植被指數(shù)的水稻產(chǎn)量遙感估算
據(jù)，分析建立植被指數(shù)與產(chǎn)量之間的相關(guān)性，篩選各生育期的最佳植被指數(shù)，構(gòu)建估產(chǎn)回歸模型。結(jié)果表明：（1）不同生育期的最佳植被指數(shù)與估產(chǎn)模型不同：拔節(jié)孕穗期最佳指數(shù)MSAVI，模型為乘冪模型（R2=0.691）;抽穗揚(yáng)花期為DVI，乘冪模型（R2=0.743）;灌漿成熟期為WDRVI，多項(xiàng)式模型（R2=0.592）。（2）用多元線性構(gòu)建的水稻全生育期模型R2=0.708。關(guān)鍵詞：時(shí)序;植被指數(shù);水稻;估產(chǎn)模型中圖分類號(hào) S511 文獻(xiàn)標(biāo)識(shí)碼 A 文章編
安徽農(nóng)學(xué)通報(bào) 2022年5期2022-03-29
- 基于無(wú)人機(jī)圖像的草地植被蓋度估算方法比較
構(gòu)建了一系列植被指數(shù)，并成為遙感監(jiān)測(cè)生態(tài)系統(tǒng)生產(chǎn)力[12]、生物量[13]、植被蓋度[14]、植被識(shí)別[7]、病理識(shí)別[15]等研究的重要技術(shù)手段。目前常用的植被指數(shù)多以可見(jiàn)光和近紅外組合的形式構(gòu)建，且缺乏對(duì)植被環(huán)境的考慮，對(duì)于西北干旱荒漠地區(qū)的植被調(diào)查研究相對(duì)較少[16]。因此，迫切需要構(gòu)建一種具有普遍適用性且適用于荒漠地區(qū)無(wú)人機(jī)可見(jiàn)光波段的植被指數(shù)。為此，本研究以西北地區(qū)草地植被無(wú)人機(jī)影像作為研究對(duì)象，在分析荒漠草地?zé)o人機(jī)影像的地物可見(jiàn)光反射特點(diǎn)的基礎(chǔ)
草業(yè)科學(xué) 2022年3期2022-03-26
- 波段反射率和植被指數(shù)結(jié)合的作物生長(zhǎng)季農(nóng)田土壤水分估測(cè)
波段反射率和植被指數(shù)多個(gè)遙感光譜特征指標(biāo)與SMCF之間的相關(guān)性，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的SMCF遙感估測(cè)模型，并與多元線性回歸模型估測(cè)精度進(jìn)行比較。結(jié)果表明，Rnir、Rred、差值植被指數(shù)（DVI）和比值植被指數(shù)（RVI）與SMCF間呈正相關(guān)關(guān)系，歸一化差值植被指數(shù)（NDVI）和SMCF間呈負(fù)相關(guān)關(guān)系，各指標(biāo)與SMCF的相關(guān)性從高到低依次為Rnir> DVI>Rred> NDVI>RVI，其中Rnir與SMCF相關(guān)性最高，相關(guān)系數(shù)為0.765。利用BP神經(jīng)
江蘇農(nóng)業(yè)學(xué)報(bào) 2022年1期2022-03-16
- 基于MODIS-NDVI的地表植被時(shí)空變化特征及其與環(huán)境因子的關(guān)系
據(jù)。關(guān)鍵詞 植被指數(shù);MODIS-NDVI;時(shí)空變化特征;環(huán)境因子;相關(guān)關(guān)系中圖分類號(hào) Q 948.11文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 0517-6611（2022）04-0057-07doi：10.3969/j.issn.0517-6611.2022.04.017開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：Temporal and Spatial Variation Characteristics of Surface Vegetation and Its Rela
安徽農(nóng)業(yè)科學(xué) 2022年4期2022-03-11
- 基于無(wú)人機(jī)多光譜與地面高光譜遙感的土壤主要養(yǎng)分含量估測(cè)
譜波段變換、植被指數(shù)合成、構(gòu)建高光譜土壤指數(shù)，與山原紅壤主要養(yǎng)分含量進(jìn)行了相關(guān)分析。通過(guò)分析得出，多光譜擬合模型效果整體不佳，僅鉀元素與合成光譜存在相關(guān)性，擬合模型R2大于0.5，有良好的擬合意義。高光譜指數(shù)相關(guān)性及擬合模型效果較多光譜都有所提升。其中，支持向量機(jī)擬合模型效果最佳，R2均在0.75以上，適合用于土壤養(yǎng)分含量估測(cè)。 關(guān)鍵詞：土壤養(yǎng)分;多光譜;植被指數(shù);高光譜;支持向量機(jī) 中圖分類號(hào)：P237;S127? 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-
江蘇農(nóng)業(yè)科學(xué) 2022年2期2022-02-15
- 基于無(wú)人機(jī)高光譜的水稻葉片氮含量估測(cè)方法
，構(gòu)建10種植被指數(shù)組合作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入，反演粳稻葉片氮含量。結(jié)果表明：該估算模型對(duì)水稻葉片氮含量估測(cè)效果較好，訓(xùn)練集的決定系數(shù)R2和均方根誤差RMSE分別為0.678 1和0.533 4，驗(yàn)證集的R2和RMSE分別為0.669 0和0.530 1。研究結(jié)果可為東北水稻無(wú)損實(shí)時(shí)監(jiān)測(cè)和施肥管理提供依據(jù)。關(guān)鍵詞：水稻;氮含量;高光譜數(shù)據(jù);植被指數(shù);BP神經(jīng)網(wǎng)絡(luò);估算模型中圖分類號(hào)：S511? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：1674-1161（2
農(nóng)業(yè)科技與裝備 2021年6期2021-12-17
- 基于熱暗點(diǎn)植被指數(shù)的馬尾松林葉面積指數(shù)反演分析
像計(jì)算得到的植被指數(shù)與實(shí)測(cè)LAI的經(jīng)驗(yàn)關(guān)系是反演LAI的常用方法，傳統(tǒng)植被指數(shù)易受諸多環(huán)境因素的影響[9]，使利用植被指數(shù)反演LAI存在誤差，植被指數(shù)的優(yōu)化成為近來(lái)LAI反演研究的一個(gè)重要方向。有研究表明地表植被二向性反射特征中的熱暗點(diǎn)信息可以豐富植被冠層結(jié)構(gòu)的光譜信息，熱暗點(diǎn)信息與植被指數(shù)的結(jié)合可以優(yōu)化植被指數(shù)[10]，進(jìn)一步提升LAI反演精度。長(zhǎng)汀縣河田鎮(zhèn)地處南方典型水土流失區(qū)，水土流失嚴(yán)重，山上的馬尾松林主要以枝葉稀疏、矮小的“老頭松”為主，林下大面
西北林學(xué)院學(xué)報(bào) 2021年6期2021-12-07
- 無(wú)人機(jī)復(fù)墾區(qū)植被覆蓋度提取方法優(yōu)選
礦業(yè)復(fù)墾區(qū)域植被指數(shù)覆蓋度的快速提取方法，以四川古藺某硫磺復(fù)墾區(qū)為研究對(duì)象，通過(guò)ZC-6型無(wú)人機(jī)獲取高分辨率遙感影像，采用多種植被指數(shù)計(jì)算方法作為分類器的選擇，使用直方圖峰谷法、基本全局閾值法及其融合方法確定圖像最佳分割閾值，從而獲取研究區(qū)植被覆蓋度結(jié)果。結(jié)果表明：不同植被指數(shù)分類后的結(jié)果有所差異，EXG和VDVI植被指數(shù)分類后影像界定較為清晰，而NGBDI指數(shù)分類最為模糊;單一直方圖峰谷法和基本全局閾值法所得分割結(jié)果不理想，而將二者融合后的閾值確定法能結(jié)
- 冬小麥SPAD值無(wú)人機(jī)可見(jiàn)光和多光譜植被指數(shù)結(jié)合估算
，計(jì)算多光譜植被指數(shù)，進(jìn)行葉面積指數(shù)(Leaf area index，LAI)和SPAD值的估算，具有較好的估算結(jié)果[10-11]?；跓o(wú)人機(jī)可見(jiàn)光影像提取紅、綠和藍(lán)影像通道的灰度，計(jì)算可見(jiàn)光植被指數(shù)，也具有較好的估算結(jié)果[12-15]。隨著計(jì)算機(jī)計(jì)算能力的增強(qiáng)及無(wú)人機(jī)遙感技術(shù)在作物長(zhǎng)勢(shì)監(jiān)測(cè)應(yīng)用研究的深入，將不同類型的數(shù)據(jù)相結(jié)合或融合、構(gòu)建作物長(zhǎng)勢(shì)參數(shù)的估測(cè)模型，能夠進(jìn)一步提高作物長(zhǎng)勢(shì)參數(shù)估測(cè)模型的精度和穩(wěn)定性，因此成為目前的研究熱點(diǎn)[13，15-18]。
農(nóng)業(yè)機(jī)械學(xué)報(bào) 2021年8期2021-08-27
- 基于土壤光譜特性的土壤類型區(qū)分研究
譜;高光譜;植被指數(shù);主成分分析;土壤類型區(qū)分中圖分類號(hào)： S127;S151.9 ?文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)：1002-1302（2021）10-0207-06土壤作為農(nóng)業(yè)生產(chǎn)的基礎(chǔ)，是一種至關(guān)重要的自然資源，快速準(zhǔn)確地對(duì)土壤進(jìn)行區(qū)分，可以加快土地利用規(guī)劃等工作的進(jìn)度。隨著光譜技術(shù)的快速發(fā)展，眾多學(xué)者嘗試?yán)霉庾V技術(shù)對(duì)土壤進(jìn)行類別劃分[1]。如Stoner等將美國(guó)和巴西的485個(gè)土壤樣本的反射光譜曲線分為5種類型：有機(jī)質(zhì)控制型、最小改變型、鐵影響型、
江蘇農(nóng)業(yè)科學(xué) 2021年10期2021-07-01
- Gaofen1-WFV與Sentinel2-MSI數(shù)據(jù)在定量計(jì)算中的對(duì)比與評(píng)價(jià)
功，選取2種植被指數(shù)，研究國(guó)產(chǎn)Gaofen1-WFV數(shù)據(jù)計(jì)算的植被指數(shù)與歐空局哨兵2號(hào)（Sentinel2-MSI）數(shù)據(jù)計(jì)算的植被指數(shù)間的一致性與差異性，并建立2種數(shù)據(jù)源植被指數(shù)間的關(guān)系。結(jié)果表明，無(wú)論是歸一化植被指數(shù)還是土壤調(diào)節(jié)植被指數(shù)，不同數(shù)據(jù)源計(jì)算結(jié)果的相關(guān)系數(shù)均為0.9，具有較好的一致性。研究結(jié)果可以推動(dòng)國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)在精準(zhǔn)農(nóng)業(yè)、農(nóng)業(yè)災(zāi)害等定量評(píng)價(jià)中的進(jìn)一步應(yīng)用，也為Gaofen1-WFV和Sentinel2-MSI數(shù)據(jù)的交互使用提供依據(jù)，以彌補(bǔ)單一
安徽農(nóng)業(yè)科學(xué) 2021年10期2021-06-15
- 遙感植被指數(shù)與植物多樣性的相關(guān)性及空間分布特征研究——以?？谑兄鞒菂^(qū)為例
測(cè)數(shù)據(jù)分析了植被指數(shù)與植物多樣性指數(shù)之間的相關(guān)性，根據(jù)相關(guān)性分析結(jié)果構(gòu)建植物多樣性遙感監(jiān)測(cè)數(shù)學(xué)模型，并篩選出最優(yōu)模型用于監(jiān)測(cè)研究區(qū)植物多樣性的空間分布狀況。結(jié)果表明：Shannon-Wiener多樣性指數(shù)、Simpson多樣性指數(shù)和Pielou均勻度指數(shù)與MSAVI植被指數(shù)相關(guān)系數(shù)最高，呈顯著相關(guān)性（P關(guān)鍵詞： 生物多樣性， 植被指數(shù)， 植被覆蓋率， 空間自相關(guān)， 遙感監(jiān)測(cè)中圖分類號(hào)：Q948.1文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-3142（2021）03-
廣西植物 2021年3期2021-06-10
- 基于無(wú)人機(jī)影像的植被覆蓋度估算研究
裁剪，分析其植被指數(shù)，估算研究區(qū)域植被覆蓋度，對(duì)林業(yè)調(diào)查、農(nóng)業(yè)監(jiān)測(cè)等研究提供一定的參考。關(guān)鍵詞：無(wú)人機(jī);DOM;閾值掩膜;植被指數(shù);植被覆蓋度中圖分類號(hào)：P237 文獻(xiàn)標(biāo)識(shí)碼：AAbstract：With the development of UAV technology，UAV has been widely used in forestry，agriculture，emergency monitoring and other aspects.In th
科技風(fēng) 2021年10期2021-04-18
- 基于無(wú)人機(jī)影像VDVI指數(shù)的植被覆蓋度估算
B波段差異性植被指數(shù)（VDVI）和HSV變換植被指數(shù)（HSVVI），并與同區(qū)域GF-1衛(wèi)星NDVI指數(shù)進(jìn)行相關(guān)性分析，建立無(wú)人機(jī)研究區(qū)的植被覆蓋度估算模型，快速計(jì)算出植被覆蓋度結(jié)果。研究表明，VDVI指數(shù)與NDVI指數(shù)具有更高的相關(guān)性，非常適用于像元二分模型的植被覆蓋度估算模型建立，通過(guò)地面調(diào)查的植被覆蓋度實(shí)測(cè)值與模型估算值精度驗(yàn)證，決定系數(shù) R2為0.855 6，植被覆蓋度估算精度達(dá)到81.35%，在研究區(qū)域得到較為理想的估算結(jié)果。由此也證明采用無(wú)人機(jī)影
森林工程 2021年2期2021-04-14
- 基于無(wú)人機(jī)圖像以及不同機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型的小麥倒伏率檢測(cè)
譜數(shù)據(jù)，結(jié)合植被指數(shù)、歸一化均值距離和光譜微分差信息熵等方法，監(jiān)測(cè)冬小麥?zhǔn)欠裨馐軡碀n脅迫并判別其澇漬脅迫程度。試驗(yàn)結(jié)果顯示，簡(jiǎn)單比值色素指數(shù)SRPI是識(shí)別澇漬脅迫冬小麥的最優(yōu)植被指數(shù)。紅光吸收谷（RW：640～680nm）是識(shí)別冬小麥澇漬脅迫程度的最優(yōu)波段，在RW波段內(nèi)，抽穗、開(kāi)花和灌漿期的光譜微分差信息熵可判別冬小麥澇漬脅迫程度，脅迫程度越大，光譜微分差信息熵越大。本研究為澇漬脅迫監(jiān)測(cè)提供了一種新方法，在澇漬脅迫精確防控中具有較好的應(yīng)用前景。關(guān)鍵詞：高光
智慧農(nóng)業(yè)（中英文） 2021年2期2021-01-17
- 黃土高原地區(qū)植被指數(shù)對(duì)干旱變化的響應(yīng)
黃土高原地區(qū)植被指數(shù)對(duì)干旱變化的響應(yīng)，得出響應(yīng)程度隨植被類型的變化與隨海拔的變化以及兩者之間正反饋關(guān)系的結(jié)論，為治理黃土高原提供了更加完善的治理手段：擴(kuò)大植被面積，擴(kuò)大森林比例，減少耕地面積，合理分配各種類型植物的覆蓋率等。關(guān)鍵詞：黃土高原地區(qū);植被指數(shù);干旱變化;響應(yīng)1? ? 黃土高原地區(qū)植被指數(shù)1.1? 植被指數(shù)含義植被指數(shù)是指在遙感應(yīng)用領(lǐng)域，利用遙感技術(shù)來(lái)定性評(píng)價(jià)和定量評(píng)價(jià)植物覆蓋及植物生長(zhǎng)活力的指數(shù)。植物有其特定的生長(zhǎng)環(huán)境和光譜特征，將衛(wèi)星可見(jiàn)光和
科學(xué)大眾 2020年7期2020-12-29
- 秦嶺地區(qū)植被指數(shù)動(dòng)態(tài)變化研究
～2019年植被指數(shù)的動(dòng)態(tài)變化規(guī)律。結(jié)果表明：2000～2019年秦嶺地區(qū)年NDVI在0.799～0.863之間，整體呈緩慢增長(zhǎng)趨勢(shì)，增長(zhǎng)速度為0.033/（10a）;植被指數(shù)退化的區(qū)域占研究區(qū)的4.111%，分布在各城市周邊地區(qū)，主要受城鎮(zhèn)化過(guò)程的影響;改善的區(qū)域占研究區(qū)的36.224%，廣泛分布于秦嶺地區(qū)，主要受自然因素和國(guó)家政策的影響。關(guān)鍵詞：植被指數(shù);最大值合成法;趨勢(shì)線分析法;秦嶺地區(qū)中圖分類號(hào)：P423文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-994
綠色科技 2020年13期2020-12-15
- 基于無(wú)人機(jī)高光譜和數(shù)碼影像數(shù)據(jù)的冬小麥生物量反演
碼影像指數(shù)和植被指數(shù)，分別使用多元線性回歸分析和逐步回歸分析法建立生物量反演估算模型，最后將最優(yōu)模型估算結(jié)果進(jìn)行可視化空間分析。結(jié)果表明，與冬小麥生物量相關(guān)性高的數(shù)碼影像指數(shù)有VARI、MGRVI、b等，植被指數(shù)有NDVI、SR、LCI、OSAVI等。建立的冬小麥生物量反演模型估算效果較好，其中精度最高的模型為高光譜數(shù)據(jù)多元線性回歸模型，其驗(yàn)證模型均方根誤差為0.904 1 t/hm2?？梢暬幚斫Y(jié)果能直觀地顯示試驗(yàn)區(qū)冬小麥生物量分布情況，為生長(zhǎng)監(jiān)測(cè)及種植
現(xiàn)代農(nóng)業(yè)科技 2020年20期2020-12-14
- 基于無(wú)人機(jī)高光譜遙感數(shù)據(jù)的冬小麥生物量估算
明星摘要：以植被指數(shù)和紅邊參數(shù)為模型因子，利用多元線性回歸（MLR），構(gòu)建冬小麥不同生育期的生物量估算模型，從而有效和更好地監(jiān)測(cè)冬小麥的長(zhǎng)勢(shì)情況，為精準(zhǔn)農(nóng)業(yè)中作物的快速監(jiān)測(cè)提供技術(shù)手段。首先分析植被指數(shù)（VI）和紅邊參數(shù)（REPS）與冬小麥生物量的相關(guān)性，然后運(yùn)用MLR分別建立模型MLR+VI、MLR+REPS和MLR+VI+REPS，最后將優(yōu)選的冬小麥生物量估算模型應(yīng)用于無(wú)人機(jī)高光譜影像中，驗(yàn)證模型的可行性。結(jié)果表明，利用單個(gè)植被指數(shù)或紅邊參數(shù)構(gòu)建的估算
江蘇農(nóng)業(yè)學(xué)報(bào) 2020年5期2020-12-09
- 青土湖綠洲植被指數(shù)適用性及優(yōu)選研究
復(fù)情況，開(kāi)展植被指數(shù)適用性及優(yōu)選研究。[方法]基于2013—2019年植被生長(zhǎng)旺季的Landsat8-OLI遙感數(shù)據(jù)，分析歸一化植被指數(shù)、比值植被指數(shù)、大氣阻抗植被指數(shù)等8種常用植被指數(shù);采用趨勢(shì)分析法研究各植被指數(shù)的變化特征，通過(guò)評(píng)價(jià)植被指數(shù)時(shí)空變化特征與綠洲實(shí)際恢復(fù)特征的一致性研究各植被指數(shù)的適用性;基于各植被指數(shù)的變化率及趨勢(shì)顯著性，評(píng)價(jià)不同植被指數(shù)檢測(cè)青土湖綠洲恢復(fù)的敏感性。[結(jié)果]增強(qiáng)植被指數(shù)、歸一化植被指數(shù)、土壤調(diào)節(jié)指數(shù)和修改型土壤調(diào)節(jié)指數(shù)對(duì)青
安徽農(nóng)業(yè)科學(xué) 2020年19期2020-11-02
- 1980-2017年北京地區(qū)沙塵天氣的變化特征及其可能成因
因子，沙源地植被指數(shù)增加則沙塵天氣減少;沙源地冬季積雪覆蓋面積增加對(duì)北京地區(qū)沙塵天氣減少具有一定影響。風(fēng)速和氣溫是影響北京地區(qū)沙塵天氣的重要?dú)夂蛞蜃?，起風(fēng)沙日數(shù)減少、氣溫上升則沙塵天氣減少;降水量增加對(duì)北京地區(qū)沙塵天氣減少具有較顯著影響。Abstract： Based on the data of sand and dust weather， wind speed， temperature and precipitation in Beijing from
價(jià)值工程 2020年24期2020-08-31
- 基于連續(xù)小波變換的冬小麥葉片最大凈光合速率遙感估算
度遠(yuǎn)高于基于植被指數(shù)建立的模型。通過(guò)對(duì)比分析幾種植被指數(shù)與高光譜數(shù)據(jù)對(duì)最大凈光合速率的估算結(jié)果發(fā)現(xiàn)，植被指數(shù)對(duì)小麥葉片Amax的解釋能力較低，無(wú)法對(duì)光合能力作出正確且精確的估算。基于連續(xù)小波變換方法對(duì)冬小麥葉片Amax的估算精度較高，可以作為預(yù)估冬小麥生長(zhǎng)狀況、產(chǎn)量的依據(jù)。關(guān)鍵詞：連續(xù)小波變換;最大凈光合速率;植被指數(shù);高光譜中圖分類號(hào)：S512文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2020）03-0544-09Remote sensing esti
江蘇農(nóng)業(yè)學(xué)報(bào) 2020年3期2020-07-23
- 基于無(wú)人機(jī)多光譜影像的冬小麥氮肥監(jiān)測(cè)
究。[結(jié)果]植被指數(shù)在小麥越冬期的不同長(zhǎng)勢(shì)小麥有明顯差別。在其他外部條件一致的情況下，土壤N水平的變化對(duì)冬小麥越冬期長(zhǎng)勢(shì)影響較明顯。[結(jié)論]無(wú)人機(jī)多光譜影像對(duì)冬小麥有較好的氮診斷潛力，可利用估測(cè)結(jié)果指導(dǎo)精準(zhǔn)氮肥管理。關(guān)鍵詞 無(wú)人機(jī);多光譜影像;植被指數(shù);冬小麥;氮水平中圖分類號(hào) S126 ?文獻(xiàn)標(biāo)識(shí)碼 A ?文章編號(hào) 0517-6611（2020）05-0239-03doi：10.3969/j.issn.0517-6611.2020.05.067開(kāi)放科學(xué)（
安徽農(nóng)業(yè)科學(xué) 2020年5期2020-04-07
- 基于高光譜遙感數(shù)據(jù)的水稻葉溫反演
光譜、歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（DVI）、再歸一化差值植被指數(shù)（RDVI）和轉(zhuǎn)換型土壤調(diào)整指數(shù)（TSAVI）與葉溫的關(guān)系?！窘Y(jié)果】葉溫的變化直接影響水稻冠層光譜的反射率，影響水稻紅邊特征。一階微分光譜與葉溫存在極顯著相關(guān)性（P關(guān)鍵詞： 水稻;葉溫;高光譜遙感;植被指數(shù);模型反演中圖分類號(hào)： S127? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：2095-1191（2020）01-0230-07Abstrac
南方農(nóng)業(yè)學(xué)報(bào) 2020年1期2020-03-20
- 基于Landsat8 OLI的不同年際尺度玉米估產(chǎn)研究
米不同生育期植被指數(shù)，結(jié)合2016年、2017年、2016—2017年實(shí)地調(diào)查的玉米地塊的產(chǎn)量信息作回歸分析，建立基于縣域的產(chǎn)量模型，討論估產(chǎn)的最佳生育期，比較不同植被指數(shù)、不同回歸模型的估產(chǎn)精度，最后再根據(jù)2018年的產(chǎn)量信息對(duì)各模型進(jìn)行精度驗(yàn)證，探究不同模型年際尺度的適用性。結(jié)果表明，乳熟期的歸一化植被指數(shù)（NDVI）與產(chǎn)量之間的相關(guān)性最高，相關(guān)系數(shù)為0.751，達(dá)到極顯著水平（P關(guān)鍵詞：遙感;年際尺度;生育期;植被指數(shù);估產(chǎn)模型中圖分類號(hào)： TP79
江蘇農(nóng)業(yè)科學(xué) 2020年23期2020-02-22
- 基于神經(jīng)網(wǎng)絡(luò)的開(kāi)化縣森林碳儲(chǔ)量空間估計(jì)
像，將歸一化植被指數(shù)NDVI、IND53和歸一化綠色植被指數(shù)GNDVI融入BP神經(jīng)網(wǎng)絡(luò)，對(duì)開(kāi)化縣境內(nèi)森林碳儲(chǔ)量進(jìn)行預(yù)測(cè)。結(jié)果顯示：開(kāi)化縣平均碳密度為37.616Mg/hm2，碳密度最大值為144.691Mg/hm2，碳密度最小值為0.000Mg/hm2，標(biāo)準(zhǔn)差為26.685Mg/hm2。森林碳密度較高區(qū)域主要集中在西北和東部，整體呈現(xiàn)出沿東北方向的兩邊密集、中間稀疏的狀態(tài)。Abstract： This study takes Kaihua County i
價(jià)值工程 2020年3期2020-02-02
- 氣候變化對(duì)固原市植被覆蓋度影響的分析
—2016年植被指數(shù)年均增長(zhǎng)約1.18%，2013年和2018年植被指數(shù)達(dá)到近年來(lái)最高值。通過(guò)對(duì)氣候及植被指數(shù)等數(shù)據(jù)的分析表明，固原市區(qū)域氣候變化的趨勢(shì)對(duì)林草生長(zhǎng)、植被恢復(fù)等十分有利，生態(tài)環(huán)境進(jìn)入良性循環(huán)期。關(guān)鍵詞? ? 氣候;降水量;植被指數(shù);寧夏固原中圖分類號(hào)? ? P462.3? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼? ? A文章編號(hào)? ?1007-5739（2019）14-0189-02? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
現(xiàn)代農(nóng)業(yè)科技 2019年14期2019-10-16
- 基于遙感數(shù)據(jù)的凈月潭公園植被冠層葉片含水率反演
RI3等6種植被指數(shù)，結(jié)合實(shí)測(cè)凈月潭公園植被冠層含水率，通過(guò)一元線性回歸、指數(shù)回歸和二元線性回歸等的方法建立經(jīng)驗(yàn)?zāi)Ｐ?，得到凈月潭公園區(qū)域植被冠層含水率反演結(jié)果。實(shí)驗(yàn)結(jié)果為：二元線性回歸反演模型決定系數(shù)（R2）均大于0.8，利用NDVI-NDMI與植被冠層含水率建立的反演模型決定系數(shù)（R2）為0.878，SARI3與植被冠層含水率建立的反演模型決定系數(shù)（R2）均大于0.6。實(shí)驗(yàn)結(jié)果表明：NDVI-NDMI的二元線性回歸模型能較好的運(yùn)用于植被冠層含水率的反演中
森林工程 2019年5期2019-10-09
- 基于高分辨率無(wú)人機(jī)影像的噴藥除草效果評(píng)估
、可見(jiàn)光波段植被指數(shù)（EXG、EXR、VDVI等），比較各個(gè)特征及指數(shù)在噴藥和對(duì)照區(qū)的差異，篩選出最優(yōu)特征或指數(shù)進(jìn)行閾值分割;在此基礎(chǔ)上，計(jì)算噴藥前后雜草像元數(shù)評(píng)估無(wú)人機(jī)噴藥的除草效果。試驗(yàn)結(jié)果表明，利用歸一化過(guò)紅、過(guò)綠植被指數(shù)之差（EXG-EXR）可有效檢測(cè)噴藥除草效果，該方法能夠?yàn)樘岣咿r(nóng)田噴藥效果提供技術(shù)支持。關(guān)鍵詞：無(wú)人機(jī);可見(jiàn)光波段;顏色特征;植被指數(shù);噴藥試驗(yàn)無(wú)人機(jī)（unmanned aerial vehicle，簡(jiǎn)稱UAV）可以進(jìn)行播種、施肥、
江蘇農(nóng)業(yè)科學(xué) 2019年6期2019-09-25
- 基于冠層光譜紅邊參數(shù)和植被指數(shù)的冬小麥水分脅迫監(jiān)測(cè)
譜特性，并對(duì)植被指數(shù)、紅邊參數(shù)與冠層葉片含水率和土壤含水率進(jìn)行相關(guān)性分析，構(gòu)建各生育期葉片含水率和土壤含水率的最佳監(jiān)測(cè)模型，實(shí)現(xiàn)對(duì)冠層葉片含水率以及土壤含水率的監(jiān)測(cè)評(píng)估。結(jié)果顯示，在整個(gè)生育期，冬小麥的冠層光譜反射率在可見(jiàn)光范圍呈現(xiàn)綠峰紅谷，尤其在旺盛生長(zhǎng)時(shí)期，隨著水分脅迫程度加深，綠峰紅谷逐漸變得不明顯，紅谷抬升幅度增大;相反，在近紅外波段范圍內(nèi)水分脅迫主要使得反射率表現(xiàn)為明顯下降;冬小麥紅邊參數(shù)隨生長(zhǎng)進(jìn)程呈藍(lán)移現(xiàn)象，灌漿期受脅迫程度越重的紅邊參數(shù)越低;
江蘇農(nóng)業(yè)科學(xué) 2019年10期2019-07-08
- 基于植被指數(shù)選擇算法和決策樹(shù)的生態(tài)系統(tǒng)識(shí)別
意義[5]。植被指數(shù)是一種數(shù)據(jù)增強(qiáng)的方法，有助于增強(qiáng)遙感影像的解譯能力，廣泛應(yīng)用于土地利用類型識(shí)別[6]、植被覆蓋度評(píng)價(jià)[7]、作物類型識(shí)別[8]和作物長(zhǎng)勢(shì)監(jiān)測(cè)與預(yù)報(bào)[9-10]等方面。植被指數(shù)能夠反映不同生態(tài)系統(tǒng)類型的光譜特征，基于植被指數(shù)的土地利用類型識(shí)別研究一直是國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)[11]。然而，受到大氣、遙感器定標(biāo)、遙感器觀測(cè)條件、太陽(yáng)入射角度、土壤濕度、顏色和亮度等因素的影響和制約[12]，導(dǎo)致植被指數(shù)在不同環(huán)境下的效果不同，至今尚無(wú)研究明確各
農(nóng)業(yè)機(jī)械學(xué)報(bào) 2019年6期2019-06-27
- 定量遙感在地理空間信息分析中的方法研究
多光譜影像;植被指數(shù);統(tǒng)計(jì)分析;回歸分析中圖分類號(hào)：TP79 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2019）03-0255-021 研究區(qū)概況及技術(shù)方案1.1 研究區(qū)概況及數(shù)據(jù)準(zhǔn)備此次試驗(yàn)，以阿壩地區(qū)的草原濕地為研究區(qū)域。該區(qū)域是典型的西部濕地分布區(qū)，具有地形變化較大，植被群落結(jié)構(gòu)單一，生態(tài)環(huán)境脆弱，環(huán)境監(jiān)測(cè)要求較高等特點(diǎn)。實(shí)驗(yàn)數(shù)據(jù)使用當(dāng)?shù)丶s20個(gè)點(diǎn)的實(shí)測(cè)數(shù)據(jù)，以及國(guó)情監(jiān)測(cè)云平臺(tái)獲取的TM影像數(shù)據(jù)，利用光譜信息進(jìn)行植被指數(shù)計(jì)算，選取適合當(dāng)?shù)厣锪?/div>
中國(guó)科技縱橫 2019年3期2019-03-25
- 冬小麥生育前期LAI高光譜反演研究
葉面積指數(shù)與植被指數(shù)的統(tǒng)計(jì)模型，能有效評(píng)價(jià)植被生長(zhǎng)狀況［13-16］。LAI高光譜遙感反演在冬小麥、玉米、馬鈴薯、大麥、甜菜以及煙葉等作物上都有成功應(yīng)用［17-20］。冬小麥LAI研究主要集中在冬小麥生物量高且植被覆蓋度大的生長(zhǎng)中后期（包括旗葉期、開(kāi)花期），而對(duì)生育前期（如越冬期、拔節(jié)期等）冬小麥LAI的研究則較少。開(kāi)展冬小麥生育前期LAI高光譜反演，對(duì)冬小麥面積監(jiān)測(cè)、越冬期分類管理等具有重要意義，如張向前等通過(guò)監(jiān)測(cè)小麥生育前期不同田塊的LAI差異了解整個(gè)
中國(guó)農(nóng)業(yè)信息 2019年6期2019-02-09
- AMSR_2微波植被指數(shù)在黃河流域的適用性對(duì)比與分析
重要的角色，植被指數(shù)作為植被生長(zhǎng)、植被分布、生物量等信息提取的重要手段，已廣泛應(yīng)用于許多領(lǐng)域[1-3]。因此，地球植被及其變化一直被各國(guó)科學(xué)家和政府所關(guān)注[4]。根據(jù)植被的光譜特性，將衛(wèi)星可見(jiàn)光和近紅外波段進(jìn)行組合，形成了各種光學(xué)植被指數(shù)。目前較為常用的植被指數(shù)有歸一化植被指數(shù)NDVI、增強(qiáng)植被指數(shù)EVI等。光學(xué)遙感容易受到環(huán)境條件和大氣狀況等多種因素的影響，在時(shí)空分布上具有一定的局限性。相較于光學(xué)遙感，微波遙感不受太陽(yáng)照射、大氣、云層、降水等因素的限制，
水土保持研究 2018年5期2018-10-12
- 寧德市蕉城區(qū)植被與熱島效應(yīng)關(guān)系
城區(qū)的熱場(chǎng)和植被指數(shù)，并對(duì)城區(qū)熱場(chǎng)變化以及其與植被之間的關(guān)系進(jìn)行了分析。結(jié)果表明：1999-2015年，平均熱場(chǎng)溫度升高0.43℃，城市熱場(chǎng)在東北部區(qū)域進(jìn)一步擴(kuò)大，在西南區(qū)域有所收縮：2015年與1999年相比，綠島面積增加9.44%，弱熱島、中等熱島、強(qiáng)熱島和極強(qiáng)熱島分別減少6.08%、2.66%、0.64%和0.06%，綠島面積在西南部區(qū)域擴(kuò)展，弱熱島、中等熱島、強(qiáng)熱島和極強(qiáng)熱島在霍童鎮(zhèn)、扶搖鄉(xiāng)、八都鎮(zhèn)、七都鎮(zhèn)、漳灣鎮(zhèn)、涵道鄉(xiāng)、城南鎮(zhèn)區(qū)域的分布更加集中
中國(guó)城市林業(yè) 2018年2期2018-09-10
- 河南省冬小麥產(chǎn)量遙感監(jiān)測(cè)精度比較研究
4]。歸一化植被指數(shù)是作物估產(chǎn)中應(yīng)用最為廣泛的一種植被指數(shù)，不僅可以反映植被的各種生育特征，還能消除因太陽(yáng)高度角、地形、陰影和大氣等其他條件對(duì)衛(wèi)星探測(cè)光譜信息的影響，其變化與作物生長(zhǎng)狀況、發(fā)育時(shí)期關(guān)系非常緊密[5-10]。其中以時(shí)間序列MODIS-NDVI作為數(shù)據(jù)源的農(nóng)作物估產(chǎn)研究較為廣泛，MODIS數(shù)據(jù)雖然空間分辨率較低，但其具有高時(shí)間分辨率、高光譜分辨率以及覆蓋面積廣且易于獲取等特點(diǎn)，在農(nóng)作物的產(chǎn)量監(jiān)測(cè)中備受青睞[11-12]。實(shí)時(shí)植被指數(shù)僅能反映當(dāng)時(shí)
中國(guó)農(nóng)業(yè)信息 2018年2期2018-07-28
- 基于高分二號(hào)—NDVI的大豆遙感估產(chǎn)的時(shí)相選擇
龍摘要：根據(jù)植被指數(shù)的時(shí)間變化規(guī)律以及不同時(shí)期的植被指數(shù)與產(chǎn)量之間的相關(guān)性，確立適用于東北地區(qū)的大豆遙感估產(chǎn)的最佳時(shí)期。7月下旬至8月中旬獲取的作物NDVI與作物產(chǎn)量之間的相關(guān)性最強(qiáng)，并且不同時(shí)期的NDVI之間的相關(guān)性非常弱，在利用NDVI預(yù)測(cè)大豆單產(chǎn)時(shí)要采用7月下旬和8月中旬兩個(gè)時(shí)期的NDVI。NDVI與大豆單產(chǎn)之間存在線性正相關(guān)關(guān)系，NDVI與大豆單產(chǎn)的相關(guān)性并不是很高，表明NDVI并不是惟一與大豆單產(chǎn)有關(guān)的變量。關(guān)鍵詞：大豆；植被指數(shù)；NDVI；遙感
湖北農(nóng)業(yè)科學(xué) 2018年6期2018-05-09
- 青藏高原地區(qū)草地綠度對(duì)物候變化的響應(yīng)
要 采用遙感植被指數(shù)數(shù)據(jù)評(píng)估植被綠度最大值、生長(zhǎng)季開(kāi)始時(shí)間、生長(zhǎng)季結(jié)束時(shí)間三者與植被綠度年度變率之間的定量關(guān)系。結(jié)果表明：青藏高原植被指數(shù)的變化趨勢(shì)呈東部地區(qū)增加、西部地區(qū)減少，且越往東植被指數(shù)增加幅度越大，越往西減少幅度越大，整體呈上升趨勢(shì);青藏高原植被指數(shù)最大值整體呈上升態(tài)勢(shì)，但在東南地區(qū)散布著許多植被綠度最大值呈增加趨勢(shì)的小區(qū)域;青藏高原地區(qū)植被生長(zhǎng)季開(kāi)始時(shí)間整體呈推后態(tài)勢(shì)，變化趨勢(shì)呈東南地區(qū)提前，西部、北部和西北地區(qū)推遲的空間格局;青藏高原地區(qū)植被
南方農(nóng)業(yè)·下旬 2018年12期2018-03-28
- 渭源縣近10年生態(tài)環(huán)境質(zhì)量監(jiān)測(cè)與評(píng)價(jià)
然生態(tài)環(huán)境;植被指數(shù);土壤指數(shù);渭源縣中圖分類號(hào) X826 文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 1007-7731（2018）24-0100-31 研究區(qū)概況渭源縣地處黃土丘陵溝壑區(qū)與西秦嶺山脈的交匯地帶，是渭河的發(fā)源地，素有“中國(guó)馬鈴薯良種之鄉(xiāng)、中國(guó)黨參之鄉(xiāng)”之稱。位于甘肅省中部，定西市西南部，縣域面積2065km2，總?cè)丝?4.5萬(wàn)人，其中農(nóng)業(yè)人口32.2萬(wàn)人，海拔在1930～3941m，年平均降水量507mm，平均氣溫6.1℃，無(wú)霜期157d。地形破碎、溝深坡陡
安徽農(nóng)學(xué)通報(bào) 2018年24期2018-02-24
- 基于高光譜數(shù)據(jù)的作物凈初級(jí)生產(chǎn)力估算方法
初級(jí)生產(chǎn)力；植被指數(shù)；光能利用率模型中圖分類號(hào)： S127 文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2017）22-0260-0420世紀(jì)初丹麥植物學(xué)家Jensen提出了凈初級(jí)生產(chǎn)力（NPP）的概念，并給出了計(jì)算模式。凈初級(jí)生產(chǎn)力是總初級(jí)生產(chǎn)力除去植物呼吸所消耗的有機(jī)碳量。凈初級(jí)生產(chǎn)力是研究生態(tài)系統(tǒng)中物質(zhì)和能量交換的重要參數(shù)，在全球陸地碳循環(huán)研究中有著重要的作用。經(jīng)過(guò)近80年的研究，NPP估算工作已經(jīng)獲得了較大的發(fā)展，出現(xiàn)了很多估算模型。這些模型按照
江蘇農(nóng)業(yè)科學(xué) 2017年22期2018-01-06
- 基于高分二號(hào)遙感影像的東北地區(qū)村莊建設(shè)用地提取
的方法；基于植被指數(shù)并輔以歸一化藍(lán)色屋頂指數(shù)的間接提取法，適合村莊建設(shè)用地的快速估算。關(guān)鍵詞：村莊建設(shè)用地；遙感影像；監(jiān)督分類；植被指數(shù)；歸一化藍(lán)屋頂指數(shù)中圖分類號(hào)：TP751.1 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：0439-8114（2018）20-0132-06DOI：10.14088/j.cnki.issn0439-8114.2018.20.031 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：Abstract： The rural planning and lan
湖北農(nóng)業(yè)科學(xué) 2018年20期2018-01-04
- 基于多種植被指數(shù)時(shí)間序列與機(jī)器學(xué)習(xí)的作物遙感分類研究
展了基于多種植被指數(shù)（vegetation index，VI）時(shí)間序列和機(jī)器學(xué)習(xí)（machine learning，ML）算法的作物遙感分類研究。從Landsat-8 OLI與EO-1 ALI影像中提取了內(nèi)蒙古五原縣的時(shí)間序列數(shù)據(jù)。2顆衛(wèi)星的參數(shù)類似，且它們聯(lián)合提供了更多無(wú)云覆蓋的數(shù)據(jù)。7種常用的VI從時(shí)間序列遙感數(shù)據(jù)中提取出來(lái)，以用作ML算法的輸入。對(duì)比分析了SVM、RF、DT 3種ML算法對(duì)玉米、向日葵和小麥的區(qū)分效果。共選取了2 584個(gè)樣本，其中1
江蘇農(nóng)業(yè)科學(xué) 2017年16期2017-10-27
- 馬尾松毛蟲(chóng)危害程度的高光譜監(jiān)測(cè)方法
冠層光譜的各植被指數(shù)發(fā)生不同程度的變化，而其他冠層物理參數(shù)不能反應(yīng)出松毛蟲(chóng)的危害程度。②從馬尾松林冠層提取的高光譜遙感植被指數(shù)對(duì)蟲(chóng)害的不同程度的敏感性不同。增強(qiáng)型植被指數(shù)（EVI）、綠波段葉綠素指數(shù)（Red/Green）和歸一化指標(biāo)指數(shù)（NDVI）在蟲(chóng)害發(fā)生的中期與晚期有顯著變化，但具有飽和現(xiàn)象，不能用來(lái)對(duì)馬尾松林分受松毛蟲(chóng)蟲(chóng)害時(shí)進(jìn)行早期監(jiān)測(cè)；而紅邊波段葉綠素指數(shù)（CIrededge）、比值植被指數(shù)（RVI550）、比值植被指數(shù)（RVI700）、綠波段歸一
湖北林業(yè)科技 2017年3期2017-08-25
- 基于NDVI指數(shù)的草地資源提取研究
.關(guān)鍵詞： 植被指數(shù)；光譜；草地資源Key words： vegetation index；spectral；grassland resources中圖分類號(hào)：TP79 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2017）22-0232-030 引言草地資源作為一種可再生自然資源，是上世紀(jì)80年代作為草產(chǎn)業(yè)提出來(lái)的，它不僅包括草原資源，也包括草資源以及其他植物資源，主要用于畜牧業(yè)發(fā)展，是自然、社會(huì)和經(jīng)濟(jì)因素構(gòu)成的共同體。傳統(tǒng)的草地資源調(diào)查是以野外路線調(diào)
價(jià)值工程 2017年22期2017-07-15
- 基于植被指數(shù)和最優(yōu)物候期的玉米產(chǎn)量預(yù)測(cè)研究
測(cè)；物候期；植被指數(shù)中圖分類號(hào)：S513 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.11974/nyyjs.20170532006吉林省作為糧食大省，是國(guó)家重要的商品糧生產(chǎn)基地，擁有完備的糧食生產(chǎn)體系，在國(guó)家糧食供給中占有舉足輕重的地位。吉林玉米帶作為世界三大黃金玉米帶之一，戰(zhàn)略意義重大，多年來(lái)為平衡國(guó)家糧食供求、保障國(guó)家糧食安全、穩(wěn)定糧食市場(chǎng)方面做出過(guò)巨大貢獻(xiàn)。因此，保護(hù)玉米的種植面積和穩(wěn)定生產(chǎn)是確保糧食安全的戰(zhàn)略之一，準(zhǔn)確地預(yù)測(cè)玉米產(chǎn)量對(duì)于政府等有關(guān)部門制定科學(xué)合
農(nóng)業(yè)與技術(shù) 2017年9期2017-05-28
- 內(nèi)蒙古自治區(qū)植被指數(shù)時(shí)空變遷分析
治區(qū)17年的植被指數(shù)數(shù)據(jù)。結(jié)合概率論、統(tǒng)計(jì)學(xué)對(duì)數(shù)據(jù)進(jìn)行了分析并預(yù)測(cè)了未來(lái)的變化趨勢(shì)，為“十三五”生態(tài)規(guī)劃提供了科學(xué)依據(jù)。關(guān)鍵詞：內(nèi)蒙古；植被指數(shù)；分析中圖分類號(hào)：X835 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-672X（2017）02-0100-08DOI：10.16647/j.cnki.cn15-1369/X.2017.02.019內(nèi)蒙古自治區(qū)位于祖國(guó)的正北方，地處歐亞大陸內(nèi)部，面積100余萬(wàn)km2，占全國(guó)總面積的12.3%。全區(qū)地勢(shì)較高，地域廣袤，距離海
環(huán)境與發(fā)展 2017年2期2017-05-13
- 高分一號(hào)提取植被信息方法對(duì)比
，選取歸一化植被指數(shù)（NDVI）、增強(qiáng)型植被指數(shù)（EVI）和土壤調(diào)整植被指數(shù)（SAVI）3種植被指數(shù)，采用不同時(shí)期的數(shù)據(jù)對(duì)四川省茂縣地區(qū)進(jìn)行植被信息提取，計(jì)算分析不同植被指數(shù)提取植被信息的差異性。結(jié)果表明：高分一號(hào)數(shù)據(jù)提取的NDVI植被效果最好，其中2013年分類總精度為94.55%，Kappa系數(shù)為0.88；2015年分類總精度為90.47%，Kappa系數(shù)為0.85。根據(jù)統(tǒng)計(jì)指標(biāo)分析表明：在高原山區(qū)地形環(huán)境下，利用植被指數(shù)提取植被信息，高分一號(hào)衛(wèi)星采用
農(nóng)業(yè)與技術(shù) 2017年5期2017-04-11
- 基于遙感影像的不同植被指數(shù)比較研究
源，利用比值植被指數(shù)（RVI）、歸一化植被指數(shù)（NDVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、修正的土壤調(diào)節(jié)植被指數(shù)（MSAVI）4種植被指數(shù)和植被信號(hào)與土壤噪音之比（S/N）對(duì)研究區(qū)不同區(qū)域的植被進(jìn)行比較研究，結(jié)果表明歸一化植被指數(shù)與土壤調(diào)節(jié)植被指數(shù)適合該地區(qū)的實(shí)際情況。關(guān)鍵詞：遙感影像；植被指數(shù)；信噪比；比較研究引言現(xiàn)如今，遙感探測(cè)已成為植被研究的一個(gè)高效方法，植被指數(shù)是遙感領(lǐng)域中用來(lái)表征地表植被覆蓋，生長(zhǎng)狀況的一個(gè)簡(jiǎn)單有效的度量參數(shù)。植被指數(shù)的定量測(cè)量可
科技創(chuàng)新與應(yīng)用 2017年6期2017-03-23
- 淺談植被指數(shù)的分類與應(yīng)用
技術(shù)的發(fā)展，植被指數(shù)（vegetation index，VI）作為地表植被覆蓋和植被生長(zhǎng)狀況的度量參數(shù)，被廣泛應(yīng)用于環(huán)境、生態(tài)、農(nóng)業(yè)等領(lǐng)域?，F(xiàn)有的科學(xué)文獻(xiàn)中發(fā)布的植被指數(shù)種類超過(guò)了150種，這些缺乏科學(xué)分類的植被指數(shù)，使研究者在具體應(yīng)用時(shí)不能夠做出快速準(zhǔn)確的選擇。因此本文在分析了影響植被指數(shù)的諸多因素的基礎(chǔ)上，對(duì)多種典型的植被指數(shù)進(jìn)行概括分類，進(jìn)而討論各自的優(yōu)勢(shì)和應(yīng)用局限性，這將有助于不同的植被指數(shù)能夠更精確的應(yīng)用在不同的研究和應(yīng)用領(lǐng)域，從而在一定程度上給
計(jì)算機(jī)時(shí)代 2016年12期2017-01-14
- 植被指數(shù)監(jiān)測(cè)綠洲農(nóng)區(qū)風(fēng)沙災(zāi)害的適宜性分析
膜損壞。遙感植被指數(shù)是農(nóng)區(qū)災(zāi)害監(jiān)測(cè)和評(píng)估的重要指標(biāo)［1－2］。植被指數(shù)是多光譜數(shù)據(jù)經(jīng)線性或非線性組合，構(gòu)成對(duì)植被有一定指示意義的各種數(shù)值，被越來(lái)越多地用于農(nóng)業(yè)和植被生態(tài)監(jiān)測(cè)［3］。不同的植被指數(shù)在一定條件下能用來(lái)定量地說(shuō)明植被狀況，但受到植被本身、土壤背景、環(huán)境條件和大氣空間時(shí)相變化等因素的影響，植被指數(shù)往往具有明顯的地域性和時(shí)效性，沒(méi)有一個(gè)普遍的值，其研究經(jīng)常表明不同的結(jié)果［4］。針對(duì)綠洲農(nóng)區(qū)風(fēng)沙災(zāi)害的監(jiān)測(cè)和評(píng)估，需要對(duì)多個(gè)植被指數(shù)在風(fēng)沙災(zāi)害前后的變化進(jìn)
水土保持研究 2014年2期2014-05-05
- 龍口市城市熱島效應(yīng)與植被指數(shù)相關(guān)性研究
分析龍口地區(qū)植被指數(shù)和地表溫度之間的關(guān)系，來(lái)論證加強(qiáng)綠化對(duì)熱島效應(yīng)的緩解作用。主要通過(guò)近紅外波段和可見(jiàn)光紅色波段的運(yùn)算來(lái)獲取植被指數(shù)，進(jìn)而計(jì)算地表輻射率，然后以熱紅外遙感理論反演研究區(qū)的地表溫度，借此分析植被對(duì)城市地表溫度的影響。2 數(shù)據(jù)及數(shù)據(jù)預(yù)處理選用LandsatTM遙感影像作為數(shù)據(jù)源，獲取2010年6月12日（landsat5TM）覆蓋龍口市區(qū)域的遙感影像數(shù)據(jù)（圖1）。在進(jìn)行熱島遙感研究中，基礎(chǔ)分析數(shù)據(jù)是TM6波段影像。在進(jìn)行植被指數(shù)研究中，基礎(chǔ)分析
綠色科技 2013年1期2013-11-17
- 基于FY3/MERSI數(shù)據(jù)提取并應(yīng)用植被指數(shù)
1）0 引言植被指數(shù)（Vegetation Index簡(jiǎn)稱VI）是依據(jù)植被與土壤背景的光譜特征，由波段反射率計(jì)算而來(lái)的量。常見(jiàn)的植被指數(shù)有比值植被指數(shù)（RVI）、歸一化植被指數(shù)（NDVI）、大氣阻抗植被指數(shù)（ARVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、增強(qiáng)型植被指數(shù)（EVI）等。它們一定程度上有效地反映地表植被覆蓋狀況及植被生長(zhǎng)狀況，成為植被監(jiān)測(cè)、生物量估算等工作的重要參數(shù)。隨著高光譜遙感的發(fā)展，植被指數(shù)（VI）被廣泛應(yīng)用到農(nóng)業(yè)、林業(yè)、生態(tài)環(huán)境、土地資源管理
河南科技 2013年17期2013-08-15
- 植被指數(shù)在草地遙感中的應(yīng)用初探
的重要工具。植被指數(shù)是將遙感地物光譜資料經(jīng)數(shù)學(xué)方法處理, 以反映植被狀況的特征量，是用來(lái)表征地表植被覆蓋及生長(zhǎng)狀況的一個(gè)簡(jiǎn)單、有效的度量參數(shù)，已廣泛用來(lái)定性和定量評(píng)價(jià)植被覆蓋及其生長(zhǎng)活力。隨著遙感技術(shù)的發(fā)展，植被指數(shù)在生態(tài)、農(nóng)業(yè)、地理信息等領(lǐng)域的應(yīng)用更加全面和深入。我國(guó)草地科學(xué)自80年代初期引進(jìn)航天遙感技術(shù)并開(kāi)展應(yīng)用以來(lái)，已取得了多方面的研究成果。植被指數(shù)作為遙感監(jiān)測(cè)地面植物生長(zhǎng)和分布的一種方法，也是反映作物生長(zhǎng)狀態(tài)的直接遙感指標(biāo)，其應(yīng)用效果將直接影響到遙
湖南農(nóng)業(yè)科學(xué) 2011年1期2011-03-10