Forest insect-disease monitoring and estimation based on satellite remote sensing data
GUOZhongwei通讯作者:
收稿日期:2018-04-1
修回日期:2018-06-1
网络出版日期:2019-04-20
版权声明:2019《地理研究》编辑部《地理研究》编辑部 所有
基金资助:
作者简介:
-->
展开
摘要
关键词:
Abstract
Keywords:
-->0
PDF (13188KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
一直以来,森林由于其对自然界保持生物多样性,维持生物圈能量,矿元素的循环流动等方面的作用,在生态系统中扮演着至关重要的角色[1,2,3,4]。而森林病虫害的爆发对健康森林的影响十分严重,因此多年来森林病虫害及其影响研究始终受到广泛关注[5,6,7,8,9,10]。当前关于病虫害对森林影响的研究集中在多个方向。森林受到气候变化影响较大[11,12,13],因此有****通过多年研究提出,大部分年代的森林病虫害爆发行为都与物候变化尤其是气候变暖有关,在气候显著变暖的年份病虫害的爆发情况更为严重,对森林造成的影响也更深刻[14]。景观多样性对于森林变化同样有重要意义[15],而在病虫害深刻影响森林健康的同时,其在森林中的传播速度受到受灾区域景观多样性的影响。其中开放或相互之间具有连通性的受感染斑块区域内病虫害的传播速度比平均速度要高出13%,而森林中树木多样性复杂区域内的传播速度则会低于平均速度大约14%[16]。同时相关科研人员在大量研究工作的基础上认识到有害昆虫对松林从表皮到韧皮部的破坏会造成松树分泌松脂能力下降,而松脂对于松树抵御外部破坏又有重要作用,恶性循环下松林大面积死亡,造成严重减产[17]。受到病虫害破坏严重的区域内的树木大量死亡会造成总初级生产力(Gross Primary Productivity,GPP)下降到原来的一半或更低水平[18]。
尽管对森林病虫害区域的研究呈现多样化的态势,但是对森林受灾区域内植被健康长势以及其内在变化的研究仍相对较少。国外****以加拿大不列颠哥伦比亚省内病虫害发病区域为基础,对叶面积指数(Leaf Area Index,LAI)和净初级生产力(Net Primary Productivity,NPP)以及净生态系统生产力(Net Ecosystem Productivity,NEP)做了研究,指出在受到病虫害感染的地区,第一年的LAI变化会与第二年的NPP和NEP之间产生明显相关性[19]。而对落基山脉病虫害区域的研究表明,叶面积指数LAI在受灾区域内明显下降的同时,物候指标并不会明显变化[20]。本研究以加拿大不列颠哥伦比亚省的MODIS产品为基础,观察不同严重程度的病虫害对叶面积指数(LAI)与归一化植被指数(Normalized Difference Vegetation Index,NDVI)和增强型植被指数(Enhanced Vegetation Index,EVI)的影响,观察两组相关性在不同严重程度的病虫害发病区域内会受到何种影响,为利用遥感数据在区域尺度上监测病虫害提供依据。
2 研究区概况与研究方法
2.1 研究区概况
不列颠哥伦比亚省位于加拿大西部,西临太平洋,处于48°N—60°N、114°W—140°W之间(图1),属于温带海洋气候,海岸线长达8850 km,全省面积超过94万km2,省内大部分面积是森林地带,林业是该省重要的经济支柱。显示原图|下载原图ZIP|生成PPT
图1加拿大不列颠哥伦比亚省研究区域
-->Fig. 1Research area in British Colombia, Canada
-->
森林面积对该省的国民经济极其重要,但在全省6000万hm2的森林覆盖面积中,超过1800万hm2的松树林在过去20年间由于森林病虫害的持续活动而遭受了破坏,受灾面积几乎等同于中国广东省面积。数据显示,100年前不列颠哥伦比亚省的黑松林受灾面积仅有17%,而到上世纪90年代中期这个数字已经升到50%[21]。有鉴于此,加拿大联邦政府和不列颠哥伦比亚省环境管理局已经出台多项政策对森林病虫害受灾情况进行挽救和治疗,但当前的形势依然严峻。图2为受灾研究区域一览。
显示原图|下载原图ZIP|生成PPT
图2受到病虫害感染的森林[
注:红色代表受感染程度最深的树木。
-->Fig. 2Portion image of the research area[
-->
2.2 地面病虫害调查
利用从不列颠哥伦比亚省森林与山脉部取得的2002—2012年的数据,确定每年的病虫害爆发区域(具体相关数据下载和处理步骤与方法介绍均可参见以下网站:https://www2.gov.bc.ca/gov/content/industry/forestry/managing-our-forest-resources/forest-health/aerial-overview-surveys/data-files)。从不列颠哥伦比亚省森林与山脉部(British Colombia Ministry of Forests and Range, BCMoFR)获得的病虫害数据[23],空间分辨率为1 km×1 km,时间分辨率以年为单位。
不同严重程度的病虫害像元按照表1分为若干个级别,具体表示方法为分别以像元值0、1、2、3、4代表极少(Trace)、轻度(Light)、中度(Moderate)、重度(Severe)、极重(Very Severe)等不同的严重级别的像元[24]。
Tab. 1
表1
表1像元严重程度分类规则[
Tab. 1Severity classification scheme[
严重程度分类 | 像元感染树木百分比(%) |
---|---|
极少(Trace) | <1 |
轻度(Light) | 1~10 |
中度(Moderate) | 11~30 |
重度(Severe) | 31~50 |
极重(Very Severe) | >50 |
新窗口打开
该组数据从2004年开始病虫害数据(表1)被划分成五个严重等级,而2002年和2003年则分别只有三个和四个划分等级,因此在处理过程中以2002年的分级为划分标准,将每年出现的极重严重程度的像元重新归类到重度中,将极少级别的像元重新归类到轻度等级中。经过处理后,在所有11年中,病虫害数据都只包含分别由0、1、2代表的轻度、中度和重度三个不同的严重级别。最后需要说明健康森林区域中其受感染的树木百分比接近于0,因此被划分在极少等级之内。
受到感染的松林健康状况持续下降,叶子的颜色因为叶绿素含量[25]变化,表现出由绿色到红色变化[24,26,27]。病虫害严重程度的分类通过每年夏季在航拍过程中记录地表森林植被表现出不同颜色的情况来确定。颜色为绿色的区域认为是健康松林区域,而颜色表现为红色的松林属于已经受到松甲虫侵袭的区域(图2)。将航拍图像以1 km×1 km的面积为基本单位,计算一个单位内受到感染的区域所占百分比。
处理后的病虫害数据利用公式(1)可以求得研究区域在11年中病虫害的平均严重程度。
式中:Pinsect表示每年经过处理后的只包括3个严重程度级别的病虫害数据;Pyear代表11年里的总平均值。最后通过ArcGIS软件将输出结果Pinsect按像元取值范围等间隔重新划分为轻度(Light)、中度(Moderate)和重度(Severe)三个严重程度等级,以此作为提取植被指数和叶面积指数相关系数和显著性水平P值的空间分布图的基准。
2.3 MODIS数据分析
NASA通过官方网站(https://modis.gsfc.nasa.gov)对外免费发布MODIS产品数据。本研究中,分别下载1 km,以自然月为单位的MOD13A3和1 km,以8天为单位的MOD15A2的数据集,利用NASA官方提供的MODIS Projection Tool工具提取出研究需要的植被指数NDVI、EVI和叶面积指数LAI数据。通过ArcGIS软件实现病虫害数据的重采样、投影坐标的定义,保证病虫害数据和MODIS数据坐标系和空间分辨率的一致。归一化植被指数NDVI定义为近红外和红光波段的地表反射率两者之差与两者之和的比值。增强型植被指数EVI定义为近红外和红光波段的地表反射率之差作为分子,近红外波段与引入修正系数后的红光波段和蓝光波段以及土壤调整系数之和作分母后,两者比值的最后结果乘以调整系数G得到增强型植被指数EVI[28]。
本研究中病虫害数据以年为时间分辨率,经过ArcGIS处理后的NDVI、EVI数据时间分辨率以自然月为单位,同时考虑到该省所处的地理位置,森林生长变化时间主要集中在每年的夏季初到秋季初[17],所以将2002—2012年间每年6—9月的NDVI、EVI分别求平均,结果作为每年的植被指数平均值。NDVI、EVI的年平均值按公式(2)计算:
式中:P6、P7、P8、P9代表每年的6月、7月、8月、9月的NDVI、EVI值;输出结果PNDVI/EVI代表植被指数NDVI、EVI的年平均值。
叶面积指数LAI指单位地表面积上方植物单面叶面积之和[29],属于无量纲的量。MODIS提供的LAI产品是通过LUP(Look-Up-Table)查询的方式获得的。具体是指在输入的遥感数据范围内,选择不同的模型后通过对应的模型参数设置,建立多种输入输出组合。同时利用线性内插的方式计算出反演过程中的参数值,使得输入变量对应LUT表中最佳结果。主要采用的模型有主算法和备用算法两种形式。其中主算法是在严格的三项传输理论基础上,将MODIS获取的7个光谱波段地表反射信息加入到模型中的一种计算方式[30]。而备用算法则是利用NDVI与LAI的回归关系建立的一种算法,在获取的光谱数据值落在选取的预期范围之外时采用[31]。最后,当以上两种模型算法都不能使用时,按照MODIS土地分类标准产品MOD12Q1对像元DN值进行填充。采取这种方式,MODIS地面工作小组建立了一套LAI产品标准[32]。
获得的LAI数据时间分辨率间隔为8天,和NDVI、EVI类似,同样选取6月初到9月初(如2002年选取范围为MOD15A2_2002145到MOD15A2_2002241共13组LAI观测值)的数据集后按公式(3)计算每年的平均值:
式中:Pi代表每隔8天的LAI值;输出结果PLAI代表叶面积指数LAI的年平均值。最后,在处理完NDVI、EVI和LAI数据后,利用2.2节中每年的病虫害分布数据Pinsect提取对应年份的NDVI、EVI和LAI的值,将11年中所有的像元按每年对应的不同程度的病虫害划分到病虫害严重程度不同的分组中,所得到的结果用来分析NDVI、EVI与LAI的相关性,并绘制散点图。
2.4 LandCover数据分析
研究区域森林植被覆盖面积广阔,水体、岩石、土壤和其他各种地表非乔木植被的存在可能对研究过程中地面病虫害数据和遥感数据产生影响,因此选用欧空局发布的全球陆地覆盖数据进一步确认研究区域的森林覆盖区域。选用的LandCover数据是分辨率为300 m,拍摄于2009年,数据格式为TIF的GlobCover产品。该产品由MERIS(Medium Resolution Imaging Spectrometer)传感器拍摄于2009年1月1日—2009年12月31日期间的高质量遥感影像数据进行图像合成而得到。数据采用“美国食品和农业组织的地表覆盖分类系统(UN Food and Agriculture Organisation's Land Cover Classfication)标准进行地表植被覆盖类型进行分类,主要包括森林、农田、灌木、水体和地面人造物体等多种地表类型,并选出其中森林类型植被覆盖区域进一步作为研究区域,尽量排除其他类别的地表覆盖物对研究对象的影响。
2.5 统计分析
2.5.1 相关性原理及操作 通过python脚本调用python中的stats统计学科学计算包(具体为stats.ttest_rel函数,该函数会返回相应的R以及对应的P值)按照公式(4)实现植被指数NDVI、植被指数EVI和叶面积指数LAI逐像元求R,将生成的R做平方操作后求R2。同时也得到对应相关程度的显著性水平P值。式中:Xi和Yi分表表示植被指数和叶面积指数对应的两组数据,
2.5.2 实现散点图和折线-散点图 利用2.3节中提取到的数据,通过Python的Matplotlib绘图包编写脚本,统计11年中不同严重程度等级内所有像元植被指数和叶面积指数值,以叶面积指数LAI作为Y轴,以植被指数NDVI、EVI作为X轴绘制散点图。即散点图显示的是11年中所有不同等级内的像元值。
统计不同严重程度的区域所有像元的各自的NDVI、EVI和LAI的平均值,利用结果做折线-散点图。
3 结果分析
3.1 地面病虫害时空分布特征
3.1.1 地面病虫害的年际变化 图3显示,在2002—2012年总计11年中,总体上森林病虫害的爆发区域基本集中整个不列颠哥伦比亚省中部,远离西海岸的内陆地区。2002年、2006年、2007年和2008年病虫害的发病区域基本处于55°N以南,120°W—130°W;2011的发病区域,主要是中度受灾等级区域则基本处于55°N以北,120°W—130°W之间;其余年份病虫害受灾区域基本广泛分布于整个不列颠哥伦比亚省由南向北,120°W—130°W区域。显示原图|下载原图ZIP|生成PPT
图32002—2012年间病虫害发病区域分布
-->Fig. 3The distribution of insect diseaster-affected areas from 2002 to 2012
-->
2005年、2006年和2007年大多区域出现了重度等级的病虫害,相对于其他年份,这几年的病虫害发病情况最为严重。2003年、2009年和2010年的病虫害情况表现出既有重度等级,又有中度等级的形势,其余年份病虫害发病情况相对较轻。
3.1.2 地面病虫害影响下植被指数与LAI相关性的空间分布特征 图4中分别显示了R2和显著性水平P值的空间分布。其中图4a表示不列颠哥伦比亚省在2002—2012年的平均病虫害严重程度空间分布,具体是将研究区域病虫害的发病情况在11年中进行平均,然后对发病像元按像元值的取值范围等间隔进行平均操作,重新分类成轻度、中度和重度三种严重等级。
显示原图|下载原图ZIP|生成PPT
图4NDVI、EVI与LAI相关性空间分布
-->Fig. 4Distribution of correlation between NDVI, EVI and LAI
-->
图4b和图4d分别表示经过显著性水平P<0.1筛选后,在11年中植被指数NDVI与EVI与叶面积指数LAI的相关系数在空间上的分布。按照相关性强弱程度将研究区域分为强相关(0.8<R2<1.0)、中等相关(0.5<R2<0.8)、弱相关(0.3<R2<0.5)以及不相关区域(0<R2<0.3)四个区域。观察结果可知:强相关区域基本集中在整个不列颠哥伦比亚省的中部地区,而中等相关区域则分布在中部和南部地区。图4c和图4e表示在观察植被指数NDVI与EVI和叶面积指数LAI相关性的同时必须考虑的显著性水平空间分布图。将0.1作为显著性水平临界点,认为P>0.1的区域为相关性结果不可信范围。在P<0.1的研究区域内,认为P<0.01区域显著性水平最优,0.01<P<0.05区域显著性水平中度,0.05<P<0.1的区域显著性水平最弱。
通过图4c和图4e,将图4b和图4d中的相关性不可信区域剔除,而将研究区域集中在显著性水平低于0.1的可信区域。
经过筛选后的图4b和图4d中,依次对各分组像元数量进行了统计。表2的结果表明:以P值取0.1对研究区域像元统计表明大部分像元(NDVI为67.5%,EVI为69%)中植被指数与叶面积指数之间不存在置信的相关性。即MODIS产品中,至少在研究区域,植被指数与叶面积指数之间的相关性并不明显。
Tab. 2
表2
表2各组像元数量与百分比
Tab. 2Pixel quantities in different groups
相关程度 | 相关关系 | |||||
---|---|---|---|---|---|---|
强相关 | 中等相关 | 弱相关 | 不相关 | 合计 | ||
NDVI与LAI相关性 | 数量 | 111659 | 102501 | 71344 | 593279 | 878783 |
百分比(%) | 12.7 | 11.7 | 8.1 | 67.5 | 100 | |
EVI与LAI相关性 | 数量 | 94148 | 102491 | 75372 | 606750 | 878761 |
百分比(%) | 10.7 | 11.7 | 8.6 | 69 | 100 |
新窗口打开
3.2 病虫害对植被指数与叶面积指数LAI关系的影响
在研究区域内,受灾严重程度不同的像元,植被指数和叶面积指数之间差异明显。图5a代表归一化植被指数NDVI与叶面积指数LAI的相关性:在轻度受灾区域,NDVI和LAI之间的相关系数为0.66。而中度受灾区域的NDVI与LAI的相关系数为0.68,集中分布效应的表现强于轻度受灾区域。重度受灾区域相关系数为0.64,与前两者相比较弱,但同时像元的分布范围与周围区域能够形成较为清晰的边界。
显示原图|下载原图ZIP|生成PPT
图5NDVI、EVI与LAI相关性散点图
-->Fig. 5Scatter map of correlation between NDVI, EVI and LAI
-->
图5b表示了增强型植被指数EVI与叶面积指数LAI的相关性:轻度受灾区域的像元区域,EVI与LAI间的相关系数为0.71。中度受灾区域EVI与LAI的相关系数为0.76,强于轻度受灾区域的相关性,表现出分布更为集中的特点。而在重度受灾区域,相比于前两者,分布范围更为集中,与前两者分布的边界更为清晰,而相关系数为0.84也明显优于前两者。
从归一化植被指数NDVI与叶面积指数LAI的相关性和增强型植被指数EVI与叶面积指数LAI的相关性两方面研究中,可以观察到受灾严重程度为中度的区域分布集中程度都表现出强于轻度的趋势,而重度受灾区域的分布集中程度又明显强于前两者。
由观察到的现象可以认为,处于不同严重程度的病虫害发病区域内的松林,在生长过程中其植被指数NDVI、EVI与叶面积指数LAI之间的相关性会受到不同程度的影响。在植被指数和叶面积指数的相关性分析中,分别用与其分散点颜色对应的曲线进行拟合,拟合公式结果表示在表3中。
Tab. 3
表3
表3植被指数与叶面积指数拟合曲线
Tab. 3The fitting curves functions of vegetation and LAI
相关性 | 轻度(Light) | 中度(Moderate) | 重度(Severe) |
---|---|---|---|
NDVI和LAI | y=55.9x-19.8 | y=63.1x-25.1 | y=53.7x-20.5 |
EVI和LAI | y=67.0x-2.5 | y=71.7x-3.5 | y=78.3x-5.2 |
新窗口打开
3.3 严重程度不同的植被指数与叶面积指数平均值在年际间的变化
分别对NDVI、LAI与EVI、LAI两组数据计算11年中不同严重程度区域内所有像元平均值,结果表现出较为明显的变化趋势。在图6a轻度受灾区域内,NDVI与LAI在2002—2006年间,变化趋势差异较大。而在2007—2012年之间的上升下降趋势相对保持了一致,其相关系数为0.10。图6b为中度受灾区域内NDVI与LAI像元平均值变化情况,其结果表明除2006年外,大部分年份NDVI与LAI的变化趋势都较为接近,相关性优于轻度受灾区域,其相关系数0.53明显强于图6a。而图6c最为严重的重度变化趋势比较复杂,2002—2003年和2009—2011年,两者的变化情况类似,但2004—2008年,两者基本没有表现出接近的变化趋势,相关系数0.52与图6b中度受灾程度相比稍弱,但也明显强于图6a的轻度受灾区域。
显示原图|下载原图ZIP|生成PPT
图6NDVI、EVI与LAI平均值折线-散点图
-->Fig. 6Average line-scatter map of NDVI, EVI and LAI
-->
图6d显示了轻度受灾区域内EVI与LAI的变化,与图6a相比其相关性在2003年和2005年表现稍好,同时大多数年份EVI与LAI的变化趋势接近,相关系数为0.15,与NDVI与LAI的相关性相比稍强。在图6e中,除2006年外,其余年份的变化趋势基本一致,R2等于0.55表现优于图6d轻度等级。而在重度受灾区域(图6f),2005年和2009年EVI与LAI的变化趋势存在明显差异,其他年份相对一致,相关系数0.61与图6d、图6e相比,优势最明显。
4 讨论
年际间的植被指数尤其是归一化植被指数NDVI和增强型植被指数EVI,与叶面积指数LAI的相关性通常由于物候等因素导致的树叶的季节性变化而表现出非线性的关系,然而在同一年中植物健康生长和持续衰退的时间段内,这种相关性会表现出强烈的线性关系[24,33,34]。图4a显示大部分中度和重度受灾范围主要分布在远离沿海的森林覆盖地区。并且,相对于南部和北部,中部地区的发病情况更为集中和严重。而在图4c和图4e的空间分布上,置信水平较高区域比较明显地分布在整个不列颠省的中部,置信水平较低的黑色区域则相对分布于沿海,南部和北部的区域。经过置信水平筛选后的图4b和图4d中,沿海,南部和北部的不可信区域内像元被大范围剔除掉,剩下的中部地区相关性水平较高的区域相对集中。
结合图6a~图6c观察图5a,可以发现在不同严重程度的受灾区域内,三组NDVI与LAI的数据都表现出明显的线性相关。在中度受灾区域,NDVI与LAI的相关性要优于轻度受灾区域,原因在于轻度受灾区域,植被受到松甲虫的影响较小,松林能够较大程度地保持健康状态下NDVI与LAI的状态[35,36]。由于健康植被NDVI存在高植被区过饱和现象[37],轻度受灾区域内NDVI最大值超过0.8和LAI值大于3的情况下,LAI变化导致的NDVI的增加或减少变得并不明显[38],这对于两者之间的相互关系造成影响。健康受到削弱的中度区域受灾像元内,LAI降低的同时,NDVI过饱和效应减弱,因此与LAI的相关性变强。在重度受灾区域,持续由绿变红,提高红光波段反射率[25]的松叶导致NDVI值持续下降,但由于NDVI易受土壤背景干扰以及森林底层灌木等植被的存在,NDVI在降低到一定程度后基本保持稳定[24,39],这一过程中上层乔木起决定性作用的LAI与NDVI的同步变化效应变弱,因此两者之间的相关性开始降低。
观察图5b可以发现,EVI与LAI之间的相关性在轻度、中度和重度三个分组区域内持续增强,表现出与图5a相似但不完全相同的特性。可能的原因是:在轻度到中度到重度受灾区域像元中,由于EVI对背景噪音不敏感而对高密度植被相对敏感[37],同时又倾向于在正态分布的低值区域分布[40],因此松树脱叶过程中,EVI对LAI的变化反应越来越灵敏,两者之间的相关性持续提高。与此对应,图6d与图6e相比,其相关性同样表现出变强的趋势,但是图6e、图6f表现出相关性与图5不一致的趋势,这可能是因为发病区域内所有像元EVI与LAI平均值的相关性与所有像元EVI与LAI相关性并不完全一致导致的。
在相关性分布图4中,相关性最强的区域基本分布在发病情况最严重的红色区域,而中度相关的区域除了分布在中度区域内,同时也朝病虫害发病较轻的中度和轻度区域偏移,弱相关性区域则零星分布在北部广阔区域。
在观察到植被指数NDVI、EVI与叶面积指数LAI之间的相关性受到病虫害影响的同时,会发现在三个分组中,EVI与LAI间的相关性均明显优于NDVI与LAI间的相关性。原因是多方面的,但其中NDVI在植物生长旺盛时期容易过饱和,无法剔除土壤背景噪声和空间变异程度低等缺点,而EVI在克服过饱和现象,真实反映植物生长状况,有效去除背景噪声和反映空间区域植被变化等方面占有优势。因此在植被指数与表征森林生长状况的叶面积指数LAI的相关关系中,EVI表现出更良好的特性。
5 结论
一直以来,NDVI、EVI和LAI作为反映地表植被生长状况和覆盖度的特征因子,常被用于土地覆盖监测和森林火灾的排放[41,42],同时在森林植被对水热条件的响应[43]方面也逐渐表现出潜力,其应用范围越来越广。在本研究中,以植被指数与叶面积指数在病虫害区域的相关关系为研究对象,探讨了在森林这种高密度覆盖区域,不同严重程度的病虫害会对植被指数和叶面积指数之间的关系造成何种影响以及其中可能存在的原因。本次研究表明:① 受病虫害感染的像元在轻度(Light)、中度(Moderate)和重度(Severe)三个严重级别中,NDVI与LAI之间的相关性由弱变强,又由强变弱;② EVI与LAI之间的相关性,在轻度(Light)、中度(Moderate)和重度(Severe)三个严重级别的像元中则依次变强。考虑到EVI相对于NDVI的诸多优势,认为前者与LAI的相互关系更能准确反应松林的生长和健康状况。
本文选取的NDVI、EVI和LAI数据为6月、7月、8月、9月,有****提出植被指数与叶面积指数之间相关性在植被刚开始生长和衰亡的时间段内效果更明显,而这一时期病虫害对两者间关系影响的研究尚未见报,对这一课题的研究还需进一步开展。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
[1] | . , |
[2] | . , . , |
[3] | . , . , |
[4] | . , . , |
[5] | . , |
[6] | . , |
[7] | . , |
[8] | . , |
[9] | . , |
[10] | . , |
[11] | . , . , |
[12] | . , . , |
[13] | . , . , |
[14] | , |
[15] | . , . , |
[16] | . , |
[17] | . , |
[18] | . , |
[19] | , |
[20] | . , |
[21] | . , |
[22] | . , , |
[23] | . , |
[24] | . , |
[25] | . , |
[26] | . , |
[27] | . , |
[28] | . , |
[29] | . , |
[30] | . , |
[31] | . , |
[32] | . , |
[33] | . , |
[34] | . , <p>森林病虫害是影响森林健康的主要因素之一,全面、准确、迅速地对森林病虫害进行监测管理必须依靠先进的技术手段。利用光谱特征研究落叶松受害情况及叶绿素浓度变化情况,将落叶松的受害程度分为4个等级,选取了11组不同受害程度叶片的叶绿素、类胡萝卜素的浓度及相应的光谱反射率数据进行分析。结果表明,不同健康程度的光谱反射率有4个明显差别之处,分别在绿峰、吸收谷、“红边”位置及水分吸收带;随着受害程度的加重,“红边”位置“蓝移”,叶绿素反射峰“红移”明显。不同健康程度的落叶松叶片的“红边”拐点波长位置、吸收谷与其叶绿素浓度之间具有较强的相关性,为高光谱数据研究森林病虫害提供了方法和途径。</p> . , <p>森林病虫害是影响森林健康的主要因素之一,全面、准确、迅速地对森林病虫害进行监测管理必须依靠先进的技术手段。利用光谱特征研究落叶松受害情况及叶绿素浓度变化情况,将落叶松的受害程度分为4个等级,选取了11组不同受害程度叶片的叶绿素、类胡萝卜素的浓度及相应的光谱反射率数据进行分析。结果表明,不同健康程度的光谱反射率有4个明显差别之处,分别在绿峰、吸收谷、“红边”位置及水分吸收带;随着受害程度的加重,“红边”位置“蓝移”,叶绿素反射峰“红移”明显。不同健康程度的落叶松叶片的“红边”拐点波长位置、吸收谷与其叶绿素浓度之间具有较强的相关性,为高光谱数据研究森林病虫害提供了方法和途径。</p> |
[35] | . , . , |
[36] | . , |
[37] | . , <p>作为NOAA/AVHRR 归一化植被指数(NDVI) 的延续和发展, EOS/MODIS 归一化植被指 数(NDVI) 和增强植被指数( EVI) 在许多领域得到广泛应用。应用数理统计和地统计学方法对二 者进行的对比研究表明: NDVI 在植被生长旺盛期容易达到饱和, 而EVI 则能克服这一现象, 比 较真实地反映植被的生长变化过程; 相同空间分辨率下, EVI 取值范围、标准差与变异系数均高 于NDVI, NDVI 数据比较均一, 其空间相关性高于EVI, EVI 更能反映研究区域内植被空间差异。 关键词:MODIS; 归一化植被指数(NDVI) ; 增强植被指数( EVI) ; 对比</p> . , <p>作为NOAA/AVHRR 归一化植被指数(NDVI) 的延续和发展, EOS/MODIS 归一化植被指 数(NDVI) 和增强植被指数( EVI) 在许多领域得到广泛应用。应用数理统计和地统计学方法对二 者进行的对比研究表明: NDVI 在植被生长旺盛期容易达到饱和, 而EVI 则能克服这一现象, 比 较真实地反映植被的生长变化过程; 相同空间分辨率下, EVI 取值范围、标准差与变异系数均高 于NDVI, NDVI 数据比较均一, 其空间相关性高于EVI, EVI 更能反映研究区域内植被空间差异。 关键词:MODIS; 归一化植被指数(NDVI) ; 增强植被指数( EVI) ; 对比</p> |
[38] | , |
[39] | . , |
[40] | . , . , |
[41] | . , . , |
[42] | . , . , |
[43] | . , , |