遥感技术已成为草业科学研究的重要手段，在植被覆盖度估算中的应用不断加强。由于遥感成像传感器的局限性和同时获取高空间和光谱分辨率图像的成本较高，导致植被观测领域的高精度估测难以从单一的遥感数据中获得。因此，需要综合源图像的关键信息，对不同分辨率的遥感图像数据进行融合，使融合后的图像具备更高的清晰度、更丰富的纹理和更详尽的光谱信息，从而提高植被覆盖度提取的精度。本研究以高分一号采集的全色、多光谱遥感图像为研究对象，对其进行了辐射定标、大气校正、正射校正、图像配准和裁剪一系列预处理，并使用PCA、IHS等7种基于分量替换的方法，Wavelet等5种基于多分辨率分析的方法，PNN和PanNet两种基于深度学习的方法进行了全色与多光谱遥感图像融合，并做了对比研究分析。进一步，针对最优融合算法PanNet提出了改进思路并加以验证，结果表明改进后的PanNet算法的各项指标均优于改进前的PanNet算法。最后将融合图像运用于植被覆盖度估算，证明了改进后PanNet遥感图像融合算法在植被覆盖度估算上的优越性。

以北京大学"无人机遥感载荷综合试验场"为试验区,采集草地植被覆盖度(VegetationCover,VC)和相应样方冠层高光谱反射率数据,并对比研究了高光谱反射率三种变换形式(小波能量系数、主成分和植被指数)与VC之间的关系模型。结果表明:在三种变换形式中,植被指数模型(R2大于0.8,RMSE小于等于0.018 8)优于基于小波变换和主成分分析的VC模型;经过对高光谱数据进行小波分解获得的第二和第四小波能量系数与VC之间存在显著的对数相关(R2分别为0.811和0813;RMSE分别为0.019 9和0.019 8);以多个小波能量系数作为自变量的VC多元回归模型明显优于基于主成分的多元线性...

该文在对像元二分模型2个重要参数推导的基础上,改进了已有模型的参数估算方法,建立了用NDVI归一化植被指数定量估算植被覆盖度的模型,并根据实际运用时的两种情况,提出了估算植被覆盖度的方案。研究结合密云水库上游实际情况,设计了模型应用的技术路线和实施方法,对研究区植被覆盖度进行了估算。通过密云流域的实地考察,利用照相法对植被覆盖度的估算结果进行了验证,估算精度达85%,表明使用此改进模型进行植被覆盖度遥感监测是可行的。

【目的】天然林资源保护工程（简称“天保工程”）实施20多年来有效保护和恢复了工程区的森林资源。工程实施成效除了森林覆盖面积增加，更多的表现为森林资源质量持续提升。为了更好地评估天保工程建设成效，利用植被覆盖度作为定量评价指标，分析天保一期（2000-2010年）、天保二期（2011-2020年）工程实施期间的森林质量变化。【方法】综合年度植被指数合成策略、优化纯植被像元和纯裸土像元值域的动态确定方法，构建改进的像元二分模型，生产天保工程区时间序列的植被覆盖度产品。基于森林资源一类清查郁闭度数据、森林生态系统定位研究网络郁闭度数据、机载高光谱植被覆盖度数据，验证该植被覆盖度产品的精度。在此基础上，分析天保工程林区植被覆盖度的时空变化趋势。【结果】天保一期植被覆盖度均值为0.68，天保二期植被覆盖度均值为0.71，增加了4.41%；工程区植被覆盖度呈现增加趋势的面积占林区总面积的78.22%，而呈减小趋势的面积仅占林区总面积的9.56%。【结论】在中国天保工程森林地区，基于MODIS植被指数产品和改进的像元二分模型生产的植被覆盖度产品的精度高于MODIS产品的精度。自天保工程实施以来，林区植被覆盖度总体上呈现出明显的增加趋势，说明天保工程实施效果显著，森林资源质量持续提升。

利用QuickBird高分辨率遥感数据,运用三波段法、NDVI像元二分法、综合法估算研究区域的植被覆盖度,并对3种方法的计算结果进行比较和检验,结果表明:3种方法的估测值与实际值之间的相关性均较高(均达到了0.84以上),其中NDVI像元二分法和综合法的相对误差不大,精度能达到92%以上。经系统性检验,NDVI像元二分法和综合法的拟合精度较高,模型的整体性较好,可用于QuickBird数据估算植被覆盖度。

以植被结构因子——叶面积指数(LAI)取代长期以来用于水土保持定量评价的植被覆盖度,通过遥感技术反演植被结构因子LAI,构建研究区LAI与植被覆盖管理措施因子C量化耦合模型,并进行模型精度验证。结果表明:基于LAI模拟的土壤侵蚀模数为455.89t·km-2a-1,属于微度侵蚀,与径流小区野外观测结果一致。本文提出的LAI取代植被覆盖度作为水土保持定量估算与评价指标是可行的。

研究目的:利用遥感技术对土地复垦后的土地质量评价指标——植被覆盖度进行评价。研究方法:利用ERDAS软件通过建模实现植被覆盖度提取,对结果影像进行分级统计。研究结果:土地复垦后的试验区植被覆盖度比复垦前高。研究结论:评价结果符合实际情况,利用遥感技术对土地复垦后的植被覆盖度进行评价是可行的。

植被覆盖度是衡量某一地区植被覆盖状况的指标,某一地区的植被覆盖状况会直接影响到该地区的土壤、水分和气候等自然环境要素。随着中原经济区的快速发展,郑州市作为中原经济区的增长极,发展速度很快,城市扩张迅速。为了研究郑州市的快速发展给生态环境带来的影响,选取植被覆盖度这一指标为研究对象,利用不同时间阶段的遥感影像估算郑州市不同时期的植被覆盖度,通过分析植被覆盖度变化来研究郑州市的快速增长对植被覆盖度造成的影响。结论如下:(1)2000年郑州市的植被覆盖度主要以低植被覆盖为主,2014年以中低植被覆盖度为主,高植被和较高植被覆盖度略有提高;(2)从植被覆盖度变化来看,2000—2014年整个研究区植被覆盖度主要以轻微增加为主。

植被覆盖度是衡量地表植被状况的重要指标,其时空分布和变化对政府进行区域规划和决策起着重要作用。MODIS植被指数是区域植被覆盖度提取的重要数据源。利用2000年1月到2009年10月的MODIS 250m归一化植被指数16d合成产品(MODIS NDVI)和其他MODIS辅助数据估算三江源区的植被覆盖度并分析时空格局变化趋势。在混合像元二分模型的基础上改进了NDVI参数的确定方法,然后利用重构后的MODIS数据估算植被覆盖度。与2007年8月的野外采样点数据比较,估算精度是87.72%,相关系数r为0.889 7,表明该模型估算大面积植被覆盖度是可行的。将获得的植被覆盖度分为5个等级,从年最大...

为监测喀斯特山区植被覆盖度演化的过程与规律,以广西壮族自治区柳江县喀斯特山区1987年、1990年、1995年、2000年、2005年、2010年和2013年Landsat TM/ETM+/OLI时间序列遥感影像为数据源,经辐射定标、大气校正等预处理后提取归一化植被指数(Ndvi),运用混合像元分解模型由Ndvi值反演研究区各时相植被覆盖度,再利用决策树分类法对植被覆盖度分级并计算各时期植被覆盖度的分布特征、变化趋势、转移矩阵及植被覆盖度与海拔、坡度的关系。结果表明:研究区平均植被覆盖度由1987年的68

植被覆盖变化遥感监测是区域生态监测的一个重要部分,可为区域生态建设和可持续发展提供科学依据。利用北京市1979年7月14日和2005年7月25日的LandsatMSS和TM影像,采用基于归一化植被指数(ND-VI)的像元二分模型,计算了这2个时期的植被覆盖度,并对北京山区1979—2005年间植被覆盖的变化情况进行了遥感监测和定量分析。结果表明,北京山区的植被覆盖度由1979年的70.05%下降为2005年的66.14%;植被退化的总面积为3672.90km2;植被覆盖度在80%～100%的退化面积最大,为617.45km2。

为了快速获取夏季玉米四叶期、拔节期和抽穗期的植被覆盖度信息,以无人机拍摄的夏季玉米3个时期的可见光图像为研究对象,通过计算获取可见光波段的差异植被指数、过绿指数和归一化绿蓝差异指数.利用上述3种植被指数,通过时序交点阈值法和最大熵阈值法提取玉米3个生长时期的植被覆盖度信息,将监督分类结果作为真值对上述两种方法的提取效果进行评价.结果表明,与时序交点阈值法相比,利用最大熵阈值法确定的阈值提取玉米植被覆盖度精度较高,玉米3个生长时期的可见光波段差异(VDVI)植被指数的提取误差分别为4.66%、3.42%和5.81%.

在植被覆盖区,植被与部分矿物存在相似的反射光谱特征,运用常规的遥感信息提取方法难以有效地提取岩矿及蚀变信息.基于Landsat8 OLI数据,以白云鄂博西南草原覆盖区为研究区,通过线性混合像元分解法从混合像元光谱中减去植被类型终端单元的反射率值及其强度,达到抑制植被干扰的目的,实现岩石、土壤光谱重建.对比植被抑制前后OLI数据植被相关统计信息,并采用主成分分析法进一步提取研究区植被抑制前后的羟基异常信息,结合野外验证表明:在中低密度草原覆盖区,运用线性混合像元分解法可有效抑制植被干扰,抑制干扰后提取的遥感蚀变信息更为客观.

【目的】探索植被指数（VI）及其波段选择、回归建模方法、训练样本选取三方面因素对基于统计模型的水稻叶面积指数（LAI）高光谱遥感估算的影响，构建县域水稻LAI估算模型，并在四川省凉山彝族自治州昭觉县开展实证应用。【方法】本文基于不同样本量的３套训练数据，分别对增强型植被指数（EVI）、修正三角植被指数2（MTVI2）、归一化差值植被指数（NDVI）和修正比值植被指数（MSR）开展波段选择。在此基础上，以1种VI作为LAI的特征参量，试用指数回归（ER）和人工神经网络（ANN），构建LAI估算模型。计算LAI估算值和实测值之间的决定系数（R~(2)）和均方根误差（RMSE），开展估算精度验证。【结果】①基于EVI或MTVI2的LAI估算精度优于NDVI和MSR。以ANN模型为例，基于优选波段的EVI和MTVI2得到的R~(2)分别为0.638和0.681，RMSE分别为0.554和0.519；而NDVI和MSR得到的R~(2)分别为0.567和0.560，RMSE分别为0.606和0.611。②基于各VI优选波段组合的LAI估算精度（平均R~(2)为0.574，平均RMSE为0.598）优于默认波段组合（平均R~(2)为0.424，平均RMSE为0.694）。③ANN模型的表现优于ER模型。在基于默认波段、优选波段的LAI估算试验中，ANN模型得到的平均R~(2)比ER模型分别提高了40.27%和14.03%；平均RMSE分别降低了11.32%和8.11%。④就本项目试验而言，训练样本量对基于ANN模型的LAI估测精度的影响不显著。例如，当训练样本量低至24时，基于EVI构建的ANN模型的测试精度（R~(2)=0.660， RMSE=0.537），仍然优于ER模型（R~(2)=0.597， RMSE=0.585）。【结论】VI及其波段选择与回归建模方法对LAI高光谱遥感估算均有明显影响。针对特定区域的目标作物，尝试利用任意可能的波段组合来计算多种VI，遴选与实测LAI相关系数最大的VI及其波段组合，有益于提高基于VI的LAI高光谱遥感估算精度。同时，即使基于小样本训练数据，机器学习算法仍有可能得出优于参数回归的结果。

以天山北坡乌鲁木齐县甘沟乡为研究区,利用美国SVC HR-768便携式光谱仪采集25块样方的高光谱数据,并测定对应样方中草地盖度,分析草地盖度与原始光谱、一阶微分光谱和高光谱特征变量之间的相关关系;采用回归统计的方法,基于高光谱位置变量、高光谱面积变量和高光谱植被指数变量构建草地盖度的估测模型,并进行模型精度评价。结果表明,研究区草地盖度与植被冠层光谱反射率相关性较强的波段范围为354-704、1 420-1 481和1 904-2 512nm;基于一阶微分光谱和高光谱植被指数构建的估测模型能更好地反演草