共查询到10条相似文献，搜索用时 46 毫秒
1.
土壤墒情是农业生产的重要参数,高效、精确地监测土壤墒情是保证农业生产安全的重要环节。在基于植被指数的土壤墒情监测方法中,如何根据地域和植物生育期的差异,选定最优的植被指数是问题的关键。利用2015年2-6月河南省中东部黄淮海平原冬小麦主产区的实测农田墒情数据和MODIS遥感数据,对归一化植被指数(NDVI)、增强型植被指数(EVI)、植被供水指数(VSWI)、温度植被干旱指数(TVDI)与土壤含水量进行相关性分析,对比不同植被指数对不同深度土壤含水量的响应,并分别建立四种植被指数与土壤墒情的回归模型,进行预测精度分析。结果表明:本研究中,TVDI与土壤墒情的相关性最好,预测精度最高;每一种指数皆与10～20 cm深度土壤墒情相关性最好,预测精度最高。因此,TVDI为最优响应指数,10～20 cm深度土壤为最优响应深度。 相似文献
2.
3.
基于NDVI与EVI的作物长势监测研究 总被引：3，自引：0，他引：3
基于2015年大气校正后的时间序列Landsat8影像,研究了归一化植被指数NDVI与增强型植被指数EVI随植被覆盖度增加的变化规律,定量分析了二者监测低、中、高植被覆盖的差异,比较分析了NDVI和EVI分布频率曲线差异及时间序列曲线差异。结果表明:地表刚出现植被时,NDVI和EVI的增加速度最快,随着地表植被覆盖度的增加,NDVI与EVI的增加速度减缓。低植被覆盖下NDVI的增加速度大于EVI,中等植被覆盖下NDVI和EVI的增加速度接近,高植被覆盖下NDVI的增加速度小于EVI,不同植被覆盖下的NDVI值始终大于EVI值。NDVI和EVI分布频率曲线能描述不同植被覆盖度像元数量和随时间的变化。NDVI和EVI时间序列曲线能清晰反映一种作物的长势变化规律及不同作物在同一时期的长势差异。在作物生长初期或低植被覆盖下,NDVI、EVI都偏高估计植被覆盖度,NDVI估计值略高于EVI的估计值。在作物生育中期或中等植被覆盖下,二者对植被描述能力相似。在作物生育高峰期或高植被覆盖下,监测作物长势变化EVI比NDVI更敏感。综上所述,监测作物时可根据作物生育期植被覆盖度变化特点合理选取NDVI和EVI植被指数,也可同时选用NDVI和EVI两种植被指数互为补充。 相似文献
4.
《中国农机化学报》2021,(4)
配备多光谱相机的无人机可实现对农作物生长状况的快速无损监测,为评估无人机遥感监测高粱作物长势的可行性和准确性,利用无人机搭载的多光谱相机获取高粱拔节期、抽穗开花期、灌浆成熟期多光谱遥感图像,构建常用的4种植被指数与叶面积指数LAI和植被覆盖度FVC之间的回归模型。经过精确度评价,确定归一化差异植被指数NDVI为最优植被指数,LAI-NDVI和FVC-NDVI估算模型的决定系数R~2分别为0.91和0.88,均方根误差RMSE分别为0.28和0.06;平均绝对误差MAPE分别为11%和8%。基于此,选择归一化差异植被指数NDVI,分析LAI和FVC无人机遥感估算值和实测值之间的关系,通过交叉验证得到LAI值:R~2=0.94,RMSE=0.16,MAPE=13%;FVC值:R~2=0.90,RMSE=0.05,MAPE=4%,说明两者存在高度拟合性。结果表明:根据无人机遥感得到的归一化差异植被指数NDVI可准确地估算高粱作物的叶面积指数和植被覆盖度,无人机遥感适用于对高粱作物生长状态的监测。 相似文献
5.
归一化植被指数（NDVI）作为反映植物生长特征的重要指标，对于地表植被覆盖与植被生长状况的研究有重要意义。基于MODIS NDVI遥感数据，分析了三亚市2010—2019年归一化植被指数时空变化及变化趋势，并对NDVI与降水量和日照时数进行相关性分析。结果表明:近10年来，研究区NDVI月变化特征为5—10月增加，11月—次年4月降低，这与三亚市处于热带海洋性气候区有极大关系。NDVI年际变化呈增加趋势，年平均增长0.721 9，为中高植被覆盖度，空间上表现为北部高，中西部低的分布特征，北部常绿阔叶林地区比中西部草原地区生态稳定性更强。Pearson相关分析表明，NDVI与降水量整体上呈正相关，与日照时数呈负相关。 相似文献
6.
基于TAVI的长汀县植被覆盖度时空变化研究 总被引：3，自引：0，他引：3
植被覆盖度(FVC)是指示生态环境状态的重要参数,开展区域FVC估算与分析对于科学决策具有重要意义。利用1988—2013年5个时期的Landsat系列遥感数据,引入地形调节植被指数TAVI来估算FVC,有效消除了阴坡和阳坡由于地形不同造成的差异。研究结果表明:长汀县植被覆盖情况总体良好,中高以上植被覆盖度区域占全县面积的65%以上,植被覆盖度较高区域主要分布在县域周边;中低以下植被覆盖度区域不到全县面积的15%,主要分布在中部沿汀江两岸的水土流失严重乡镇。1994年植被覆盖度最差,1988—1994年植被覆盖度降低幅度较大,在全县各乡镇都有分布,主要与1993—1994年冬季的严重霜冻有关;1994年后,植被覆盖度逐步提高,2003年以后,植被覆盖度增长较快,尤其是中部原水土流失严重乡镇的植被覆盖度显著改善。长汀县植被覆盖度的变化情况与地方政府对水土流失治理的投入强度密切相关,特别是2000年以来的高强度投入与治理,极大地改善了当地的植被覆盖状况。 相似文献
7.
植被指数反演冬小麦植被覆盖度的适用性研究 总被引：1，自引：0，他引：1
利用冬小麦2个生长季高光谱反射率和覆盖度实测资料,基于回归分析方法建立4种植被指数反演植被覆盖度模型,并对预测模型年际间的稳定性进行了验证。采用噪声等效覆盖度误差对各植被指数反演植被覆盖度模型进行了敏感性分析,结合对模型的残差分析得到了不同种植密度和氮肥施用量条件下各植被指数的适用性。结果表明:归一化植被指数NDVI和改进的土壤调节指数TSAVI与冬小麦覆盖度采用抛物线拟合结果较好;修正的土壤调节植被指数MSAVI和增强型植被指数EVI与覆盖度符合线性关系。验证模型的决定系数略低于建模方程,反演模型在年际间表现出较好的稳定性,能够满足覆盖度预测需要。NDVI和TSAVI较MSAVI和EVI可更好地解释本地区冬小麦植被覆盖度的变化规律。在低到中覆盖度(0~60%)条件下,如果当地土壤信息可获得,利用植被指数TSAVI估算植被覆盖度变化规律表现出较好的敏感性和较高的估算精度。如果缺失土壤线资料,NDVI能保证覆盖度的估算精度。在高覆盖度(60%~100%)条件下,可选用敏感性和精度均良好的植被指数MSAVI进行估算。在水分供应充分的条件下,4种植被指数对作物种植密度和氮肥施用量均不敏感,可采用统一模型进行不同种植密度和不同施氮量处理的冬小麦覆盖度估算研究,为利用植被指数快捷、准确地估算本地区区域植被覆盖度提供了理论和技术支持。 相似文献
8.
利用EOS／MODIS卫星遥感数据,对鄂尔多斯市2002-2012年地表植被指数及变化成因进行了分析。鄂尔多斯市近11年来NDVI虽具有一定的波动性,但整体呈明显的增长趋势,与降水量呈现显著的正相关关系。NDVI大于0.4以上的面积逐年增加,表明该地区植被覆盖率逐年增加,生态环境得到有效改善。分析其主要原因,在于生态建设政策及资金投入力度的大幅增加。 相似文献
9.
10.
基于植被指数选择算法和决策树的生态系统识别 总被引：1，自引：0，他引：1
植被指数是对绿色植被的特定表达,在不同环境下的效果不同。植被指数的选择需要结合研究区域的环境特征。本研究将植被指数间的相关系数集成到基于马氏距离的植被指数选择算法中,根据所选样本确定最适宜的植被指数,构建决策树模型,以江西省永丰县为例,开展区域生态系统类型的识别研究。该方法首先确定提取对象,明确对象类别与对象间的隶属关系,然后逐层逐项地提取湿地、森林、草地、农田等生态系统信息。结果表明,所提出的植被指数选择算法具有较好的适用性;生态系统识别的总体精度达89. 11%,构建的决策树模型的分类精度高于传统方法,可为区域生态系统信息提取和生态系统管理提供研究方法。 相似文献