基于Landsat 8 OLI和MODIS数据的高寒草地盖度升尺度效应研究——以夏河县桑科草原试验区为例

基于Landsat 8OLI和MODIS卫星遥感资料,结合2013-2014年甘南州夏河县桑科草原试验区野外实测盖度数据,对草地盖度敏感的OLI波段及其组合指数进行了筛选,构建并确立了试验区基于MODIS植被指数的草地盖度反演模型,探讨了不同空间升尺度方式对草地盖度的空间效应。结果表明,1)OLI比值植被指数r(Band7/Band5)对草地盖度的响应最敏感,基于该指数的草地盖度最优反演模型为yoli=-270.064xoli+115.987(R2=0.833,P0.001);2)基于MODIS MEVI和Landsat 8OLI比值植被指数r(30m)反演的盖度重采样数据(250m)的对数模型为最优草地盖度评估模型(R~2=0.795,P0.001),其决定系数较MODIS MEVI与基于农业多光谱照相机(agricultural digital camera,ADC)的盖度数据建立的回归模型高(R~2=0.706),绝对误差和相对误差较低;3)基于OLI和MODIS植被指数的3种草地盖度回归模型(方法1~3)精度均优于直接使用MODIS植被指数建立的回归模型(方法4);方法3利用OLI比值指数r反演盖度(30m),将其升尺度至250m,再反演盖度构建的对数模型的精度最高(R~2=0.795),其次依次为方法2构建的模型(R2=0.760)、方法1构建的模型(R~2=0.730)和方法4构建的模型(R2=0.706)。     

甘南高寒草甸主要毒杂草光谱特征分析

草地植物的光谱特征对于物种的识别具有重要意义。本研究利用2013年9月采集的甘南州夏河县桑科草原5种典型毒杂草青藏狗娃花(Heteropappus bowerii)、箭叶橐吾(Ligularia sagitta)、披针叶黄华(Thermopsis lanceolata)、乳白香青(Anaphalis lactea)和鹅绒委陵菜(Potentilla anserina)的实测高光谱数据,通过对其冠层光谱进行特征分析和参量化等处理,找出了5种毒杂草之间的光谱差异。结果表明,5种毒杂草的原始光谱曲线趋势大致相同,经过一阶微分变换、光谱重排等处理,利用"红谷"、"绿峰"、"红边"、水分吸收、光谱指数和光谱重排等指标,可较好地将这5种毒杂草区分开来。因此,基于光谱分析的植被分类对于研究甘南州高寒草甸植被的遥感反演、调查和分类等具有重要的意义。     

基于高分遥感数据校正的MODIS草地生物量监测模型精度评价

利用玛曲县尼玛镇研究区2009年8月30日的RapidEye影像和2011年8月27日的WorldView-2影像及同时段的MOD09GA产品,计算分析了基于高分影像的NDVI与基于MOD09GA的NDVI的相关关系,对基于MOD09GA NDVI的甘南州草地生物量模型进行了修正,并对修正后模型的估产精度进行了比较和评价。结果表明：基于MOD09GA NDVI（x）的甘南州草地生物量最优模型为指数模型（Y=1026.027e^1.466x）,其R²为0.571,高于其线性、乘幂、对数等模型;研究区内MOD09GA NDVI与依据RapidEye和WorldView-2计算的NDVI（分别记作N_r和N_w）之间均具有显著的线性相关关系,且后者略优于前者,回归方程分别为N_r=1.2713x-0.2183和N_w=0.9559x+0.0679;结合MOD09GA NDVI与WorldView-2NDVI回归方程对甘南州MOD09GA NDVI与草地生物量模型进行修正后,得到的生物量更接近实测值,在研究区内平均估产精度可达84.73%,比未修正的估算模型精度提高1.08%。说明利用高分遥感影像修正的MODIS估产模型具有更好的精度。     

基于高光谱数据的高寒草甸氮磷钾含量估测方法研究——以青海省贵南县及玛沁县高寒草甸为例

以青海省玛沁县和贵南县高寒草甸作为典型研究区,利用地物光谱仪采集了20块样地的高光谱数据,并测定了对应样地所有样方中牧草的养分含量,分析了牧草中氮磷钾素含量与冠层原始光谱反射率和一阶微分光谱反射率之间的相关关系;采用回归统计方法,基于光谱位置变量,光谱面积变量及植被指数变量构建了高寒草甸氮磷钾素的估测模型,并对模型进行了精度评价.结果表明,1)与原始光谱反射率曲线相比,一阶微分光谱反射率曲线能较好地反映牧草中N,P,K素所对应的敏感波段;2)高寒草甸牧草中N,P,K素含量与冠层高光谱相关性较强的波段大多分布在红光区域(680~760 nm);3)基于光谱位置变量构建的估测模型能更好地反演高寒草甸N,P,K素含量.其中,以光谱位置变量R'_708.88为自变量的对数模型对氮素含量估测效果较好,R²为0.67,估测精度达到83.56%;以光谱位置变量R'_704.85为自变量的对数模型对磷素含量估测效果较好,R²为0.55,估测精度达到92.15%;以光谱位置变量R'_697.36为自变量的对数模型对钾素含量估测效果较好,R²为0.86,估测精度达到82.44%.