畢業論文

打賞
當前位置: 畢業論文 > 研究現狀 >

植被覆蓋度遙感國內外研究現狀

時間:2019-04-07 21:28來源:畢業論文
近年來,遙感技術快速發展,使得包括植被覆蓋度在內的地表生物物理參數提取變得更加準確。例如,高光譜遙感數據已具有圖譜合一的特點,可以從中提取更為豐富且準確的植被信息

近年來,遙感技術快速發展,使得包括植被覆蓋度在內的地表生物物理參數提取變得更加準確。例如,高光譜遙感數據已具有圖譜合一的特點,可以從中提取更為豐富且準確的植被信息;多平臺、多傳感器、多光譜、多時相和多分辨率等多源遙感數據的在遙感信息的反演中的綜合應用,以及遙感技術與GIS技術的結合,將更多的輔助數據引入了植被覆蓋度,也將更多具有重要的參考意義的輔助數據引入了植被覆蓋度的反演里,大大的提高了植被覆蓋度測量的精度[4]。34380
國內外許多學者都對植被覆蓋度遙感提取的方法展開了研究,并根據自己的研究成果進行歸納總結。例如Purevdor等 (1998) 將遙感測量植被覆蓋的方法分為了三種:(1)混合模型法,主要用于植被各個組分的分離;(2)覆蓋度?輻射關系模型,顧名思義就是根據植被覆蓋度與輻射率之間的關系建立模型;(3)植被指數法,直接利用植被指數估算植被覆蓋度[9]。張顯峰等(2014)也將植被覆蓋度遙感提取方法歸納為3類,即統計模型法、混合像元分解模型和物理模型法[10]。在不同的分類方法中,較為普遍的方法有以下幾種。論文網
(1)回歸模型法。該方法主要是通過對遙感數據的某一波段、植被指數或其他的波段組合與植被覆蓋度建立回歸模型,并將模型進行推廣,進一步的計算更大范圍區域的植被覆蓋度值。該方法在局部區域內對植被覆蓋度的估算具有較高的精度,且因其簡單易實現而被許多研究人員使用。但是建立這種回歸模型需要研究區域的大量的實測數據且在后來應于計算的模型中得出的結果就是依賴這些已有的實測數據獲取的,但是回歸模型僅僅適用于特定的區域以及特定的植被結構,一般都具有很強的局限性,多半情況下通過對已有的數據建模獲取的模型參數,對于不同的區域并不是完全適用的,如Garetz等 (1988) 驗證了線性的回歸模型也只適應稀疏草地植被覆蓋度的反演[11]。Anatoly等(2002)針對退化草地植被覆蓋度信息的反演而特意提出了非線性回歸模型[12]。 源¥自%六:維;論-文'網=www.aftnzs.live
(2)植被指數法。該方法多半情況下就是直接利用植被指數近似估算植被覆蓋度,例如常用的NDVI植被指數法,也是在像元二分模型的基礎之上實現的,在植被覆蓋度反演方面應用的最廣,精度也較高。何雅楓等人在利用NDVI像元二分模型法的基礎上分析評價了垂直植被指數(Perpendicular Vegetation Index,PVI)和比值植被指數(Ratio Vegetation Index,RVI)像元二分模型方法的反演精度[13]。植被指數法利用植被指數與植被覆蓋度相關性的原理再加上像元分解模型,這兩種理念相結合,才是遙感技術提取植被覆蓋度的常用的方法。
(3)像元分解模型法。目前已開發出的像元分解模型主要有線性、概率、隨機、幾何光學、模糊分析和幾何光學模型5種;5種模型中,最為常用的就是線性分解模型。混合像元總的信息為各組份信息線性合成是線性模型區別其他模型的重要假設條件[4],而在線性分解模型中,像元二分模型被使用的次數最多。例如苗正紅等人利用中等分辨率成像光譜儀(MODerate-resolution Imaging Spectror adiometer, MODIS)的NDVI數據產品來反演植被覆蓋度值[14]。
采用NDVI像元二分模型估算植被覆蓋度時,一個關鍵問題是確定全植被覆蓋和無植被覆蓋時的植被指數值,即NDVIveg和NDVIw。多半情況下研究人員會選擇根據在所選的研究區的NDVI的累積概率分布表,然后設定合適的置信度區間來獲取。例如張麗等人直接將置信度設為1%,也就是在累積概率分布表中,分別選取1%及95%附近的NDVI值作為NDVIw,選取的NDVI值作為NDVIw,并據此計算了淮河流域植被覆蓋度的變化[16]。李苗苗等對上述方法進行了改進,即首先根據遙感圖像中的植被類型、植被結構、葉面積指數、土壤類型、土壤顏色、土壤濕度等條件,將不同的像元劃歸為不同的集合,然后針對不同的集合,借助土地利用圖、土壤分類圖等輔助數據進行NDVI閾值設定,實驗證明該方法較傳統方法有著更高的精度。 植被覆蓋度遙感國內外研究現狀:http://www.aftnzs.live/yanjiu/20190407/31861.html
------分隔線----------------------------
推薦內容
双色球走势图带连线