1 兰州交通大学测绘与地理信息学院, 甘肃 兰州 730070
2 甘肃省草原技术推广总站, 甘肃 兰州 730010
时序光谱遥感植被指数是公认的监测植被覆盖变化的有效指标, 在大范围植被覆盖动态变化监测中发挥着重要作用。 祁连山地处中国西部甘肃和青海两省交界处, 地理位置特殊, 对维持中国西部生态安全具有重要作用。 随着全球气候变化, 祁连山区的气候也出现了不同程度的变化, 并且近些年来国家在祁连山实施了多项生态环境保护工程措施。 针对祁连山不同生态区植被覆盖变化现状及未来趋势研究的不足, 基于1 km分辨率的SPOT-VGT-NDVI光谱数据, 运用数理统计法、 空间叠置法分析了祁连山不同生态区植被覆盖时空格局、 植被稳定性和未来演化趋势, 探寻出敏感区域, 为区域生态安全、 生态工程建设提供理论基础, 进而为林草部门制定祁连山保护规划和植被恢复措施提供科学依据。 研究结果表明: 1998年-2018年间祁连山植被NDVI呈波动上升趋势, 增速为0.32%·a-1; 柴达木盆地荒漠生态区和帕米尔-昆仑山-阿尔金山高寒荒漠草原生态区NDVI变化率较小, 仅为0.14%·a-1和0.27%·a-1, 而内蒙古高原中部草原化荒漠生态区和江河源区-甘南高寒草甸草原生态区的变化率较大, 分别为0.54%·a-1和0.57%·a-1。 空间上, 祁连山植被NDVI呈现东南区域高, 西北区域低, 整体改善, 局部恶化的趋势, 恶化区域和改善区域面积分别占祁连山总面积的28.37%和40.76%; 分析发现祁连山植被较为稳定, 较高波动和高波动变化区域面积合计为0.22×104 km2, 占1.20%; 未来呈良性发展趋势和恶性发展趋势的面积分别占祁连山总面积的42.82%和26.40%, 其中持续性恶化的面积占25.56%。 祁连山-植被恶化区域主要为高海拔雪线附近的高寒草原和高寒荒漠、 中东部城镇周围地区和河湖周围的植被脆弱区域, 国家应将此区域作为以后治理的重点区。
光谱数据 植被覆盖 时空变化 祁连山 Spectral data Vegetation coverage Spatiotemporal variation NDVI The Qilian Mountains NDVI 光谱学与光谱分析
2022, 42(4): 1192
1 甘肃农业大学草业学院, 甘肃 兰州 730070
3 甘肃省草原技术推广总站, 甘肃 兰州 730070
宁夏盐池县荒漠草地属于中温带干旱气候, 由于过度利用出现不同程度的退化, 退化指示种比重增大, 造成不同荒漠草地群落组成差异也很大, 如何区别不同荒漠草地植物, 并据此对退化指示种进行动态监测是了解荒漠草地退化程度的关键。 目前随机森林(RF)、 支持向量机(SVM)与K-邻近(KNN)分类模型被广泛应用于森林植物和农作物的遥感分类, 并取得了较好的分类识别效果, 但针对草地尤其是荒漠草地植物的分类识别研究较少。 因此使用ASD地物光谱仪于7月在宁夏盐池二步坑、 冯记沟、 高沙窝、 麻黄山不同荒漠草地采集了32种植物作样本获得442条光谱进行光谱特征分析。 筛选出7个植被指数: 归一化植被指数705(NDVI705)、 绿通道植被指数(GNDVI)、 光化学植被指数(PRI)、 土壤调节植被指数(OSAVI)、 可视化气压阻抗指数(VARI)、 植被衰减指数(PSRI)和归一化水指数(NDWI)作为随机森林模型(RF)、 支持向量机(SVM)模型、 K-邻近(KNN)模型的原始变量, 对32种荒漠草地植物进行分类识别, 并通过分类模型精度的比较筛选较优模型。 结果表明: (1)不同植物光谱反射率均符合绿色植物特征, 但各植物原始光谱不同波段之间存在明显差异, 植物原始光谱水分吸收波段差异明显, 且有红边蓝移现象; (2)RF, SVM和KNN三个分类模型对32种植物的分类精度分别达到了0.98, 0.94和0.98, 识别效果较好, 但3种分类模型均对白莲蒿与北芸香、 虫实与甘草发生了误判; (3)随机森林模型重要性指标中NDWI与PRI为区分荒漠草地植物的关键指标, 说明荒漠植物冠层水分与类胡萝卜素含量是影响荒漠草地植物光谱分类的重要因素。 试验利用随机森林模型(RF)、 支持向量机(SVM)与K-邻近(KNN)分类方法, 建立了主要植物的分类模型。
高光谱 荒漠植物 分类模型 植被指数 Hyperspectral Desert plants Classification model Vegetation index
1 甘肃农业大学草业学院, 甘肃 兰州 730070
2 草业生态系统教育部重点实验室（甘肃农业大学）, 甘肃 兰州 730070
3 中国人民武装警察部队工程大学, 陕西 西安 710086
4 西安石油大学计算机学院, 陕西 西安 710065
5 甘肃省草原技术推广总站, 甘肃 兰州 730000
6 西安航空学院, 陕西 西安 710077
草坪色泽是草坪观赏价值的最直接体现。 探索基于高光谱的草坪草叶绿素含量的估算和反演对草坪质量评定具有重要意义。 以3种常用草坪草种——“红象”高羊茅（Festuca arundinacea cv. Hongxiang）、 “百灵鸟”多年生黑麦草（Lolium perenne cv. Bailingniao）和“肯塔基”草地早熟禾（Poa pratensis cv. Kentucky）为试样, 通过盆栽实验, 在草坪草生长旺盛期, 使用SOC710VP成像光谱仪和TYS-A3500叶绿素仪分别测定了草坪草冠层光谱数据和叶绿素相对含量（SPAD）, 并通过Person相关系数分析了原始SPAD, 1/SPAD和log（1/SPAD）与10个植被指数: GI（绿度植被指数）、 ARVI（大气阻抗植被指数）、 VARI（可视化气压阻抗指数）、 NDVI705（归一化植被指数705）、 MSR705（改进红边比值植被指数）、 NDVI670（归一化植被指数670）、 CI（叶绿素指数）、 PSRI（植被衰减指数）、 RGI（相对绿色指数）和EVI（增强植被指数）的相关性, 筛选与叶绿素相关性较高的高光谱波段植被指数, 构建植被指数反演叶绿素含量模型, 最后通过精度检验, 筛选最优草坪草叶绿素估算模型。 研究结果如下: (1）不同草坪草光谱曲线整体趋势相差不大, 但不同种间反射率（REF）还是有所区别。 在730~1 000 nm波段, “百灵鸟”多年生黑麦草与“红象”高羊茅REF差异不大, 但“肯塔基”草地早熟禾REF较高, 光谱特征更为明显; (2）10个植被指数中, VARI, RGI和PSRI与草坪草3个叶绿素指标极显著相关, 相关系数R2绝对值均大于0.65, 可作为首选植被指数进行草坪草叶绿素含量估算; （3）植被指数与叶绿素指标逐步回归分析发现, 单因素回归模型中, 利用VARI, RGI和PSRI估算1/SPAD的模型决定系数R2均在0.6以上, 普遍高于SPAD与log（1/SPAD）的估算模型; 而多元线性回归中, 10个植被指数中, RGI与叶绿素指标1/SPAD所构建的模型决定系数R2同样最高, 为0.817, 说明SPAD倒数形式适用于草坪草叶绿素反演; (4）选择决定系数较高（>0.7）的模型进行精度检验, 筛选的最优的草坪草叶绿素指标反演模型为: y1/SPAD=0.161xRGI+0.007xGI-0.054（R2=0.817, RMSE=0.023）。
高光谱 草坪草 叶绿素 植被指数 模型 Hyperspectral Turfgrass Chlorophyll Vegetation indices 光谱学与光谱分析
2020, 40(8): 2571
