植被覆盖度分布图制作

植被覆盖度分布图制作
植被覆盖度分布图制作

作业1:

用TM/ETM图像制作一个地区植被覆盖度分布图(要求如图所示),描述该地区的

区域概况,并分析植被分布空间差异。所用公式如下:

NDVI=(B4-B3)/(B4+B3)

Vr=(NDVI-NDVIb)/(NDVIv-NDVIb)

式中:NDVI是归一化植被指数。B3和B4是TM第3和4波段的图像亮度值。

NDVIb和NDVIv是裸土和植被的NDVI值,可分别取0.15和0.75。Vr是植被覆盖度(0-1)。

要求:用WORD把制作过程和分析结果记录下来。>2000字

目的:学会图像处理软件,进行图像信息提取,用各种软件共同制作有实际意

义的图像

原理与方法:

NDVI——归一化植被指数NDVI=(NIR-R)/(NIR+R),或两个波段反射率的计算。

1.NDVI的应用:检测植被生长状态、植被覆盖度和消除部分辐射误差等;

2.-1<=NDVI<=1,负值表示地面覆盖为云、水、雪等,对可见光高反射;0表示

有岩石或裸土等,NIR和R近似相等;正值,表示有植被覆盖,且随覆盖度增大

而增大

3.NDVI的局限性表现在,用非线性拉伸的方式增强了NIR和R的反射率的对比

度。对于同一幅图像,分别求RVI和NDVI时会发现,RVI值增加的速度高于NDVI

增加速度,即NDVI对高植被区具有较低的灵敏度;

4.NDVI能反映出植物冠层的背景影响,如土壤、潮湿地面、雪、枯

叶、粗糙度等,且与植被覆盖有关。

操作步骤如下:

一.从地理空间数据云网站下载山西省吕梁地区文水县的ETM影像,对应地区的数据如下:

表:Landsat8数据波段参数

波段波长范围(μm)空间分辨率(m) 名称

1-海岸波段0.433–0.453 30 LC81260342015159LGN00_B1 2-蓝波段0.450–0.515 30 LC81260342015159LGN00_B2 3-绿波段0.525–0.600 30 LC81260342015159LGN00_B3

4-红波段0.630–0.680 30 LC81260342015159LGN00_B4

5-近红外波段0.845–0.885 30 LC81260342015159LGN00_B5 6-短波红外1 1.560–1.660 30 LC81260342015159LGN00_B6 7-短波红外2 2.100–2.300 30 LC81260342015159LGN00_B7

8-全色波段0.500–0.680 15 LC81260342015159LGN00_B8 9-卷云波段 1.360–1.390 30 LC81260342015159LGN00_B9

10-热红外1 10.60 -11.19 100 LC81260342015159LGN00_B1 0

11-热红外2 11.50 -12.51 100 LC81260342015159LGN00_B1 1

以及还有相应影像的信息文件(LC81260342015159LGN00_MTL.txt)。

二.进入ENVI 4.8,点击File按钮,出现Open Image File,点击其出现一个Enter Data Filenames 窗口,选择下载好的数据,添加所有波段(其中红波段和近红外波段,即第4,5波段),执行Basic Tools--Layer Stacking,选中11个波段,点击OK,即可将TM影像的11个波段合成一个文件,输出名为AllFile.img ,然后再进行 7,5,3——假彩色合成,其具有良好的大气透射

以下图分别为波段合成窗口和假彩色合成后显示的影像

三.点击Basic Tools→Band Math,弹出窗口,进行归一化植被指数(NDVI)计算。 {归一化植被指数(NDVI),又称标准化植被指数,是近几年来较为常用的一种监测植被的遥感指数,用于大区域的

植被检测。绿色植被反射光谱的突出特点是对红光(b3)的高吸收率和对近红外光(b4)的高反射率,因此NDVI定义为近红外波段b4与可见光红波b3数值之差和这两个波段数值之和的比值,即公式:NDVI=(b4 – b3)/(b4 + b3)。为了使数据变成浮点型,所以要在公式中进行变形。即为NDVI=float((float(b4)-float(b3))/(float(b4)+float(b3)))。本文利用的模型是以NDVI值为参数,建立NDVI与植被覆盖度之间的关系来计算植被覆盖度的,因此计算NDVI值是一个必不可少的过程。}

而且考虑到原始的图像太大,处理起来会比较慢,故需对原数据进行截取,只研究其中的一小块子区数据。其操作步骤为:Spatial Subset→Image→对Samples,Lines数值进行改变从而进行裁剪→OK→选择保存路径。

下图为NDVI计算对话框和截取后得到的NDVI影像

四.在上图中右击,选择Quick Statistics Results进行观察,结果如下图。它的最小值Min= -0.061068,最大值=0.614166,而研究区内NDVI统计的点都在-1

(如果存在异常点还得需要处理)

值,如下图所示:

五.根据像元线性分解模型,图像中每个像元的NDVI 值可以看成是有植被覆盖部分的v NDVI 与无植被覆盖部分的b NDVI 的加权平均,因此植被覆盖度可以采用公式进行计算。

r b v b V =(NDVI - NDVI )/(NDVI - NDVI )

式中:NDVI 是归一化植被指数,

b NDVI 为裸土或无植被覆盖区域的NDVI 值,即无植被像元的NDVI 值;而

v NDVI 则代表完全被植被所覆盖的像元的NDVI 值,即纯植被像元的NDVI 值。

为计算方便,本文做了如下假设:认为裸土的NDVI 值为0.15,即上式中b NDVI 的值为0.15,

而完全为植被覆盖的NDVI 值为0.75,即v NDVI 的值为0.75。

植被覆盖指数图为

六.在上图中右击,选择Quick Statistics Results 进行观察,结果如下图。它的最小值Min= -0.351779,最大值=0.773609

同时也可以在上图中右击,选择Cursor Location/Value 进行观察每一点的值

七.为了更好,更为直观地显示各个区域植被覆盖度,需要对图像进行着色处理。因ENVI提供的制图输出功能完善,颜色丰富,拥有强大而完善的制图输出功能,通过ENVI输出的图形美观,所以在制图输出时,继续选用ENVI软件。

利用ENVI软件提供的Color Mapping彩色显示功能,其操作步骤为:Tools→Color Mapping→ENVI Color Tables→GREEN/WHITE LINEAR。本文将植被覆盖度分为0—1共256个等级。并分别用10种不同的颜色表示,最后形成的植被覆盖度

图像如下。

分析:本文以NDVI值为参数,运用基于像元线性分解模型设计的植被覆盖度遥感估算方法,技术路线简单、可操作性强,无需估算叶面积指数等需要复杂推导的参数就可以适用不同种植被类型,也适用于不同分辨率的遥感数据。

从上图以及第六步植被覆盖度指数可以看出,本地区的植被覆盖度较高,大部分在0.6以上。其中白色部分为植被覆盖度为0的区域,该区域为水系—水体;颜色越绿表示植被覆盖程度越大,这时的植被覆盖度与理论上该区植被覆盖度的值相近。

ENVI下植被覆盖度的遥感估算

ENVI下植被覆盖度的遥感估算 植被覆盖度是指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比。容易与植被覆盖度混淆的概念是植被盖度,植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度,遥感估算常用于区域尺度。目前已经发展了很多利用遥感测量植被覆盖度的方法,较为实用的方法是利用植被指数近似估算植被覆盖度,常用的植被指数为NDVI。 估算模型 目前已经发展了很多利用遥感测量植被覆盖度的方法,较为实用的方法是利用植被指数近似估算植被覆盖度,常用的植被指数为NDVI。下面是李苗苗等在 像元二分模型的基础上研究的模型: VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) (1) 其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值,NDVIveg 则代表完全被植被所覆盖的像元的NDVI值,即纯植被像元的NDVI值。两个值的计算公式为: NDVIsoil=(VFCmax*NDVImin- VFCmin*NDVImax)/( VFCmax- VFCmin) (2) NDVIveg=((1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin)/( VFCmax- VFCmin) (3) 利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设: 1)当区域内可以近似取VFCmax=100%,VFCmin=0%。 公式(1)可变为: VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) (4) NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声,NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值,置信度的取值主要根据图像实际情况来定。 2)当区域内不能近似取VFCmax=100%,VFCmin=0%

基于GIS的ndvi植被覆盖度的估算

1.绪论 1.1 课题研究的目的与意义 植被,包括森林、灌丛、草地和农作物,既是生态系统的主要组成部分,也是生态系统存在的基础,具有截流降雨、减缓径流、防沙治沙、保持水土等功能,联结着土壤、大气和水分等自然过程,在陆地表面的能量交换、生物地球化学循环和水文循环等过程中扮演着重要角色,是全球变化研究中的“指示器”[1]。植被根据生态系统中水、气等的状况,调控其内部与外部的物质、能量交换。植被覆盖与气候因子关系极为密切,研究植被覆盖变化 对气候的影响是气候变化研究的主要内容之一,它影响着土壤湿度、地表温度和地表能量与水的循环(李苗苗,2004)。

植被覆盖度(vegetation fractional cover,简称FC)是指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比[2]。它是植被对地面的垂直投影比例, 对于山坡进行植被覆盖度测量时,应该采用垂直于坡面的角度。植被覆盖度具有强烈的尺度效应,同一片植被,因被纳入统计的范围不同而表现为不同的植被覆盖度。如一个地区的植被覆盖度很高,但平均到全国水平就大大降低了[3]。植被覆盖度在提示地表植被分布规律, 探讨植被分布影响因子, 分析评价区域生态环境, 及时准确地掌握其动态变化, 分析其发展趋势对维护区域生态平衡等方面都具有重要意义。[4]而城市植被则是城市生态系统重要的还原组织和最重要的元素,对于保护城市生态环境具有不可忽视的作用[5] ,如有效缓解城市

“热岛效应”,改善城市区域小气候[5~7] 等。 城市化的迅速推进,带来了多样化的生态足迹,植被覆盖度,土壤污染率,地表侵蚀率,逐渐成为生态研究的热点,也成为环境保护的重点。借助于高速发展的RS与GIS技术来进行植被覆盖度的估算,将是当前环境监测的必要步骤。 徐州是由矿区发展起来的城市,由于长期开采矿产,导致了一系列严重的生态问题,如塌陷地广布,植被破坏率严重,土地侵蚀率增大,等。在此背景下,研究徐州市整体的土地覆盖情况,即是现实需要,也是未来生态城市规划的重要步骤。研究的最终结果也会给徐州市的城市规划提供信息支持与技术保障。 1.2 国内外植被覆盖度研究现状 由于植被覆盖度是许多学科的重要参数,为

ENVI下植被覆盖度的估算

ENVI下植被覆盖度的遥感估算 2013-05-30 | 阅:1 转:17 | 分享 修改 植被覆盖度是指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比。容易与植被覆盖度混淆的概念是植被盖度,植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度,遥感估算常用于区域尺度。 估算模型 目前已经发展了很多利用遥感测量植被覆盖度的方法,较为实用的方法是利用植被指数近似估算植被覆盖度,常用的植被指数为NDVI。下面是李苗苗等在像元二分模型的基础上研究 的模型: VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) (1) 其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值,NDVIveg 则代表完全被植被所覆盖的像元的NDVI值,即纯植被像元的NDVI值。两个值的计算公式为: NDVIsoil=(VFCmax*NDVImin- VFCmin*NDVImax)/( VFCmax- VFCmin) (2) NDVIveg=((1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin)/( VFCmax- VFCmin) (3) 利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设: 1)当区域内可以近似取VFCmax=100%,VFCmin=0%。 公式(1)可变为: VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) (4) NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声,NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值,置信度的取值主要根据图 像实际情况来定。 2)当区域内不能近似取VFCmax=100%,VFCmin=0% 当有实测数据的情况下,取实测数据中的植被覆盖度的最大值和最小值作为VFCmax和VFCmin,这两个实测数据对应图像的NDVI作为NDVImax 和NDVImin。 当没有实测数据的情况下,取一定置信度范围内的NDVImax 和NDVImin。VFCmax和

植被覆盖度计算经验教程

ENVI5.1(5.0版本以上)计算植被覆盖度 1.加载用矢量边界裁剪过的ROI(经几何校正-辐射校正处理) 2.计算NDVI,利用ENVI5.1 Toolbox 提供的搜索功能查找NDVI模块,然 后进行NDVI计算。本例中影像数据为landsat8 影像,因此Input File Type 选项为Landsat OLI,红色波段为4,近红外为5(TM和ETM+影像的NDVI Band:Red 3 Near IR 4)

3.对计算的NDVI进行DN二值化处理,选择Toolbox 中的Band Ratio/Band Math模块,在band math 对话框中进行参数设置。首先,在Enter an expression 对话框下输入NDVI二值化公式: ((b1 lt -1)*0+((b1 ge -1) and (b1 le 1))*b1+(b1 gt 1)*1) (切记,括号为英文半角),然后单击Add to List,将波段运算表达式添加至Previous Band Math Expressions 对话框,然后OK。在新弹出的Variables to Bands Parings 对话框Avilable Bands List 对话框中选择上一步计算的NDVI,然后输出至特定位置(切记,如果电脑内存不足2G,请输出结果为File)。

4.对二值化的NDVI进行概率统计。选择Toolbox 中Statistics/Compute Statistics模块,选择二值化处理的结果(本例中,NDVI_20131119为计算得到的NDVI结果,NDVI为二值化后的结果),同时在Mask Options 下拉菜单中选择Build Mask..选项,在弹出的Mask Definition对话框中选择Import EVFs选项,创建一个mask。然后查看统计结果。详细理论请参考https://www.360docs.net/doc/52696652.html,/s/blog_764b1e9d0100u29i.html

植被覆盖度反演

题目:植被遥感监测具有很长的历史,植被遥感中植被覆盖反演是主要内容之一,线性分解模型是混合像元分解法的一种,根据混合像元分解及线性分解模型的原理,利用红碱淖2016年6月17日Landsat8 OLI数据,求取研究区植被覆盖度(写出详细计算过程和步骤)。 一、操作思路: 端元代表影像中的纯净像元,求取植被覆盖度即求取端元的丰度,因此采用混合像元分解及线性分解模型进行混合像元分解,得到端元以及相应的丰度影像,即为植被覆盖度影像。 二、操作步骤: 1.影像预处理 由于操作时间的限制和硬件设备的不允许,将影像选取一定的区域进行裁剪,感兴趣区域为roi1文件,得到裁剪后影像2016new文件,导入影像,进行影像的预处理,包括辐射定标和大气校正步骤,辐射定标采用Radiometric Calibration 工具,大气校正采用FLAASH工具,分别得到辐射定标结果2016_rad1和2016_ref 文件。 2.MNF变换 采用MNF变换工具,可将数据波段进行“降维”,提取出有用信息集中的波段,去除噪声信息集中的波段,利用Forward MNF Estimate Noise Statistic将数据进行MNF变换,得到MNF变换结果2016_MNF和噪声文件MNF_Noise和统计文件MNF_Statistic文件。 3.PPI变换 纯净像元指数法指像元被标记为纯净像元的次数,可以将混合像元进行分解,有效的提取出端元。 由于操作时间的限制和硬件设备的不允许,将MNF变换后影像与原影像选取一定的同样区域进行裁剪,感兴趣区域选择ROI2文件,得到裁剪结果为2016_MNF_sub和2016new_sub文件。 在MNF变换后发现有用信息集中在1、2、3波段,因此利用Pixel Purity Index 工具,将MNF变换后影像选择1、2、3波段进行端元提取,阈值设为3.00,操作的结果为2016_PPI文件。 4.N维可视化 利用N维可视化工具可以将端元更好的显示,有利于更加直观的确定端元,在N维可视化窗口中,选中1、2、3波段,在显示窗口中将较为集中的区域定为端元,进行类(class)的划定,一共确定三类,利用mean all工具将三类端元的波谱显示出来,并保存为波谱库2016_sli文件。 5.端元识别

成都市植被覆盖度遥感动态监测分析

遥感地学分析课程设计实验报告成都市植被覆盖度遥感动态监测分析 团队人员胡禹贤2008043013遥感081班杨维2008043035 遥感081班胡晓2008043010 遥感081班卿晓琼2008043009 遥感081班郝争2008043007 遥感081班

摘要 本次研究以四川省成都市为研究区,选择2000年Landsat ETM数据、2007年Landsat TM 数据、成都1:50万地形图以及全国县界1:400万的矢量图作为基本信息源,对遥感数据进行波段合成、大气校正、几何校正、图像裁剪处理后,计算出两期图像的归一化植被指数(NDVI),对植被覆盖度进行估算。结果表明:成都市在七年间植被覆盖度总体上呈增高趋势,尤其是市区二环路以内,植被覆盖度有了明显的增加。但是,在成都的一些郊区,比如龙泉、郫县、以及金堂等地的植被覆盖度已经出现下降的迹象;另外,与2000年相比,成都市到2007年低植被覆盖度区域面积有了明显的减少,中低植被覆盖到中高植被覆盖度区域面积增加明显,高植被覆盖度区域面积变化不大。从研究结果上看,我们总体上认为研究区植被覆盖度变化和人类活动有不可分割的密切关系。 【关键词】:归一化植被指数;遥感;植被覆盖度;成都市。 summary The study, Chengdu, Sichuan Province as the study area, select the Landsat ETM data in 2000, Landsat TM data in 2007, Chengdu, 1:50 million, and topographic maps 1:400 million the county boundary vector as a basic source of information on remote sensingband synthetic data, atmospheric correction, geometric correction, image cropping treatment, two images to calculate the normalized difference vegetation index (NDVI), vegetation coverage estimate. The results showed that: Chengdu, vegetation coverage in the seven years, showing a rising trend in general, especially in the urban area within the Second Ring Road, the vegetation coverage has been an obvious increase.However, in some suburbs of Chengdu, such as Longquan, Pixian, and Jintang, the vegetation coverage has been signs of decline; In addition, compared with 2000, Chengdu, in 2007 ,had a significant size of the area decrease in the low vegetation cover in areas of high vegetation coverage area increased significantly and the regional area of high vegetation coverage changed little. The results from the research point of view, is generally thought that the vegetation cover change and human activities are inextricably close relationship. 【Key words】: normalized difference vegetation index; remote sensing; vegetation coverage; Chengdu.

植被覆盖度分布图制作

作业1: 用TM/ETM图像制作一个地区植被覆盖度分布图(要求如图所示),描述该地区的 区域概况,并分析植被分布空间差异。所用公式如下: NDVI=(B4-B3)/(B4+B3) Vr=(NDVI-NDVIb)/(NDVIv-NDVIb) 式中:NDVI是归一化植被指数。B3和B4是TM第3和4波段的图像亮度值。 NDVIb和NDVIv是裸土和植被的NDVI值,可分别取0.15和0.75。Vr是植被覆盖度(0-1)。 要求:用WORD把制作过程和分析结果记录下来。>2000字 目的:学会图像处理软件,进行图像信息提取,用各种软件共同制作有实际意 义的图像 原理与方法: NDVI——归一化植被指数NDVI=(NIR-R)/(NIR+R),或两个波段反射率的计算。 1.NDVI的应用:检测植被生长状态、植被覆盖度和消除部分辐射误差等; 2.-1<=NDVI<=1,负值表示地面覆盖为云、水、雪等,对可见光高反射;0表示 有岩石或裸土等,NIR和R近似相等;正值,表示有植被覆盖,且随覆盖度增大 而增大 3.NDVI的局限性表现在,用非线性拉伸的方式增强了NIR和R的反射率的对比 度。对于同一幅图像,分别求RVI和NDVI时会发现,RVI值增加的速度高于NDVI 增加速度,即NDVI对高植被区具有较低的灵敏度; 4.NDVI能反映出植物冠层的背景影响,如土壤、潮湿地面、雪、枯 叶、粗糙度等,且与植被覆盖有关。 操作步骤如下: 一.从地理空间数据云网站下载山西省吕梁地区文水县的ETM影像,对应地区的数据如下: 表:Landsat8数据波段参数 波段波长范围(μm)空间分辨率(m) 名称 1-海岸波段0.433–0.453 30 LC81260342015159LGN00_B1 2-蓝波段0.450–0.515 30 LC81260342015159LGN00_B2 3-绿波段0.525–0.600 30 LC81260342015159LGN00_B3

植被覆盖度计算

植被覆盖度计算 Document serial number【KK89K-LLS98YT-SS8CB-SSUT-SST108】

ENVI下植被覆盖度的遥感估算 (植被覆盖度是指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比。容易与植被覆盖度混淆的概念是植被盖度,植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度,遥感估算常用于区域尺度。 估算模型 目前已经发展了很多利用遥感测量植被覆盖度的方法,较为实用的方法是利用植被指数近似估算植被覆盖度,常用的植被指数为NDVI。下面是李苗苗等在像元二分模型的基础上研究的模型: VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)(1) 其中,NDVIsoil为完全是裸土或无植被覆盖区域的NDVI值,NDVIveg则代表完全被植被所覆盖的像元的NDVI值,即纯植被像元的NDVI值。两个值的计算公式为: NDVIsoil=(VFCmax*NDVImin-VFCmin*NDVImax)/(VFCmax-VFCmin)(2) NDVIveg=((1-VFCmin)*NDVImax-(1-VFCmax)*NDVImin)/(VFCmax-VFCmin)(3) 利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设: 1)当区域内可以近似取VFCmax=100%,VFCmin=0%。 公式(1)可变为: VFC=(NDVI-NDVImin)/(NDVImax-NDVImin)(4) NDVImax和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声,NDVImax和NDVImin一般取一定置信度范围内的最大值与最小值,置信度的取值主要根据图像实际情况来定。 2)当区域内不能近似取VFCmax=100%,VFCmin=0%

中国植被的分布与气候地形的关系

从气候的角度论述我国植被分布规律 摘要:中国地域广阔、山体众多,是世界上植被类型最丰富的国家。在大尺度的宏观范围内,中国的植被的分布规律遵循纬向地带性、经向地带性和垂直地带性的规律,还受到地形,气候等因素的影响。本综述结合气候,地形等因素,论述我国植被的分布特点。 关键词:植被分布,气候,地形 我国位于欧亚大陆东南部季风气候区,幅员辽阔,地形结构特别复杂,具有从寒温带到热带,从湿润到极端干旱的不同气候带(区)。同时,我国西北位于世界最大的陆地——欧亚大陆的腹地,东南濒临世界最大的海洋——太平洋,西南有世界最高的高原——青藏高原。这样的地理配置使我国气候类型多样,气候与环境的显著特点呈现出高度的不稳定性,而由此导致的我国植被分布既有水平地带性分布,又有垂直地带性分布,还受到气候等因素的很大的影响[1]。 从广东湛江北上至黑龙江省最北端的漠河,从南到北,沿着纬度方向有规律地更替的是纬向地带性植被分布。因为随着纬度的增加,温度会降低,平均纬度每增加1度,温度会下降0.5℃~0.6℃。由于温度随纬度增加而逐渐下降就使南方热带和亚热带植物种类因无法适应低温而不能分布到纬度较高的区域,这样就在从南到北的方向,由于温度的不同,便形成了热带气候、亚热带气候、暖温带气候、温带气候和寒温带气候。在不同的气候带下就发育着不同的植被类型。 但是从上海到达新疆的乌鲁木齐,却穿越了东部的森林区、中西部的草原区和西部的荒漠区。也就是说,从东部至西部你经历了中国的湿润区、半湿润区和干旱区3个气候类型。 1 中国植被的地带性分布 1.1 中国植被经向地带性分布 我国东南部和东部濒临太平洋,而西北部则处于欧亚大陆的腹地,像新疆的首府乌鲁木齐,东到太平洋3500多千米,西离大西洋6900多千米,北距北冰洋3400多千米,南至印度洋约2500千米。再加上四周被高山包围;北有阿尔泰山、西有准噶尔界山、南有昆仑山、东有北山等,使上空大气环流中的水汽又很难到达新疆上空,因此形成了东西地区水分巨大的不同。导致水分从我国东南沿海向西北内陆深入的过程中,降水越来越少,夏季温度越来越高,大陆性气候越来越强,从而使植被发生了变化。这种以水分条件为主导因素,引起植被分布由沿海向内陆发生更替的分布格式称为植被的经向地带性。 1.2 中国植被水平地带性分布 植被分布的水平地带性在我国表现得十分明显。地带性植被是指能够最充分地反映一个地区气候特点的植被。我国位于世界上最广阔的欧亚大陆东南部的太平洋西岸,西北部深入大陆腹地。冬季盛行着大陆来的极地气团或北冰洋气团,常形成寒潮由北向南运行。侵入我国的寒流大致有三条主要路线;第一条是由西伯利亚西北部出发,向南由新疆或蒙古侵入河西走廊进入我国内地;贯穿中国大陆;第二条是由西伯利亚东部向南经过我国东北、内蒙古到达华北平原,遇到泰山阻挡后分为两支,其中一支由山东半岛北部入渤海,另一支在大陆南进时又受大别山和桐柏山的阻碍,再次分为二股气流危害我国南方地区;第三条是由西伯利

植被覆盖度计算机模拟模型与参数敏感性分析

作物学报 ACTA AGRONOMICA SINICA 2008, 34(11): 1964?1969 https://www.360docs.net/doc/52696652.html,/zwxb/ ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@https://www.360docs.net/doc/52696652.html, 基金项目: 国家重点基础研究发展计划(973计划)项目(2007CB407203); 国家自然科学基金项目(40771150); 国家基础科学人才培养基金 (NFFTBS-J0630532) 作者简介: 瞿瑛(1985–), 男, 在读硕士研究生。E-mail: quying@https://www.360docs.net/doc/52696652.html, * 通讯作者(Corresponding author): 谢云。E-mail: xieyun@https://www.360docs.net/doc/52696652.html, Received(收稿日期): 2008-02-26; Accepted(接受日期): 2008-06-08. DOI: 10.3724/SP.J.1006.2008.01964 植被覆盖度计算机模拟模型与参数敏感性分析 瞿 瑛1,2 刘素红1,2,3 谢 云1,2,* (1 北京师范大学地理学与遥感科学学院, 北京100875; 2 北京师范大学遥感国家重点实验室, 北京100875; 3 北京师范大学环境遥感与数字城市北京市重点实验室, 北京100875) 摘 要: 植被覆盖度是重要的生态学参数, 对水文、生态、全球变化等研究具有重大意义。目前使用的目测估算法和数码照相法都具有一定的主观性, 另外通过自然界中相似样方的大量测量获得稳定的统计规律具有很大的难度, 因此建立叶面积指数和植被覆盖度之间的统计模型是估算植被覆盖度的有效方法。本文以大豆为例,利用椭圆来模拟大豆的叶片, 选取大豆植株结构的关键参数, 通过随机分布函数来模拟植株叶片位置、倾角和大小的分布, 获得不同植被结构参数下单位面积上的植被覆盖度, 建立植被覆盖度计算机模拟模型。通过实测数据和理论研究结论来验证模拟结果。对模型的参数敏感性进行分析结果表明, 叶半短轴是比叶半长轴更为敏感的植被结构参数。该模型为植被覆盖度的研究提供了一种新的思路和方法。 关键词: 植被覆盖度; 计算机模拟模型; 参数敏感性; 大豆 Computer Simulation Model of Fractional Vegetation Cover and Its Pa-rameters Sensitivity QU Ying 1,2, LIU Su-Hong 1,2,3, and XIE Yun 1,2,* (1 School of Geography, Beijing Normal University, Beijing 100875; 2 State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875; 3 Beijing Key Laboratory for Remote Sensing of Environment and Digital Cities, Beijing 100875, China) Abstract : Fractional Vegetation Cover (FVC) is an important ecology parameter, which is essential in the studies of hydrology, ecology, and global variation. Currently, the estimation methods used for FVC, including eyeballing method and digital camera imagery interpretation method, are obviously subjective and uncertain. Furthermore, it is rather difficult for the statistical rela-tionship between FVC and leaf area index (LAI) to establish by measurement of millions of samples that have similar vegetation structure parameters. Thus, it is an effective way for the estimation of FVC to develop a statistical model between FVC and LAI . In the paper, we simulated the soybean leaves using ellipses, and determined the position, orientation and size with random distri-bution function by choosing the key parameters in the soybean structure to obtain the FVC per area under different vegetation structure parameters. The model was validated with data measured in situ and the theoretical conclusion. The analysis of parame-ter sensitivity of the simulation model showed that the length of stem is not a sensitive parameter when it was longer than foliage interval; wheresa the angle of stem is not a sensitive parameter until it reache a threshold. The leaf tilt angle and foliage interval were in inverse portion to the fractional vegetation cover, while the semimajor and semiminor axis of leaf were in direct portion to the fractional vegetation cover. The semiminor axis of leaf was a much more sensitive parameter than semimajor axis of leaf. It suggested that it was a novel and feasible way for FVC. Keywords: Fractional vegetation cover; Computer simulation model; Parameters sensitivity; Soybean 植物是沟通有机界和无机界, 完成自然界水循环、碳循环、生物圈物质和能量交换过程的重要一环。植被覆盖度是指植被(包括叶、茎、枝)在单位面 积内的垂直投影面积所占百分比[1-2], 是衡量陆地植被覆盖和生长状况的重要生态学参数和量化指标, 同时也是水文、气象、生态等区域或全球问题的定

世界植被地理,各气候带的植被类型及分布

第五章世界植被地理 本章讨论世界上各种主要植被型(或植被型组)的基本特征及其地理分布。 有的植被型分布在一定气候带内的显域生境(plakor),即主要受大气候支配,排水良好、土壤质地适中的相对平坦地段,呈现为连续且有相当宽度(通常数百公里)的带状,称为地带性(显域)植被(zonal vegetation)。另一些植被的分布与某类土壤联系更密切,以致同样的植被见于不同气候带的相似土壤上(例如石质土、沙土、盐渍土、沼泽土、渍水土、贫瘠土等),它们称为非地带性(隐域)植被(azonal vegetation)。本章将把地带性植被作为重点介绍,并在分析各植被类型与气候条件的关系时,采用瓦尔特(H.Walter)的气候图。这种图式比用指数或公式醒目,便于比较,有助于对植被的分析。图中的曲线表示逐月平均温度和降水值。用温度曲线和降水曲线的关系来代替可能的蒸发曲线,表示所出现的干旱季节(温度曲线高于降水曲线)。在某些情况下,还画出第二条降水曲线,它与温度之比为3∶1,即30mm=10℃。这样,在图中不仅表示出干旱期,并且也表示出相对干旱的季节。然而,气候图上所示干旱季节是在特定气候下与湿润季节相对而言。气候图提供了某一特定地点在全年内平均温度和降水的形象资料,同时也示出相对湿润和相对干旱季节的出现时期、持续时间和强度,以及寒冬的时期和程度、初霜和晚霜情况等。有了这些数据,就可以从生态学的观点来观察气候状况。 第一节热带的植被类型 一、热带雨林 (一)热带雨林的环境特征 热带雨林(tropical rain forest)发育的气候条件是赤道气候,其主要特征是全年温度高而温差小,日温差和日湿度差要比月温差和月湿度差大得多,雨量充沛而相当均匀。终年高温多雨的有利配合,乃是热带雨林发育的必需条件。 热带平地的年平均温度在20—28℃之间。各地的平均温度变化非常缓和,故温度梯度平缓,等温线范围很大。在赤道附近,最热最冷月平均较差小于5℃。离赤道越远,温度的季节较差逐渐增加,但最大也很少超过13℃。在热带的不同地区,温度的平均日变幅可以从3℃到16℃。最高温度很少超过33—34℃。 热带雨林需要整年有充沛的降雨,又无明显的干旱。各地雨林的研究表明,年降水量最少有2000mm,多的可达4000—6000甚至10000mm。但各地在降水总量和季节分配方面差异较大,如在圭亚那的马查罗尼(Mazaruni)和新加坡地区,没有一个月少于100mm,而在尼日利亚南部的阿基拉(Akilla),虽当地的年降水量达2080mm,但连续有3个月少于100mm。在印度的热带雨林地区,也存在着2—4个月的干旱期。雨林所以能在这种干旱气候下存在,是因为当地存在着某些补偿因素,如由于干旱月份中大气湿度相对较高或干旱期和凉爽期相一致等。但总的说来,降水的全年均匀分布,通常要较年总降水量对植被具有更大的意义。雨林地区的相对湿度很高,有的可达90%以上。特别是在夜间,相对温度经常处于或近于饱和。但是,在干旱日子的白昼也记录到50—60%的相对湿度。 热带地区的日照量,一般不少于10h,由于云量很高,实际的光量日照经常少于此数,赤道附近实际是一个差不多永远有云的地带。 热带雨林的土壤条件,在各地虽则有不少差别,但有许多重要的共同特点,颜色是红色或黄色的,质地为壤质或粘质,土壤内缺乏盐基,也缺乏植物养料,几乎都呈酸性,腐殖质含量

基于GIS的植被覆盖度估算

基于GIS的植被覆盖度估算 1.绪论 1.1 课题研究的目的与意义 植被,包括森林、灌丛、草地和农作物,既是生态系统的主要组成部分,也是生态系统存在的基础,具有截流降雨、减缓径流、防沙治沙、保持水土等功能,联结着土壤、大气和水分等自然过程,在陆地表面的能量交换、生物地球化学循环和水文循环等过程中扮演着重要角色,是全球变化研究中的“指示器”[1]。植被根据生态系统中水、气等的状况,调控其内部与外部的物质、能量交换。植被覆盖与气候因子关系极为密切,研究植被覆盖变化 对气候的影响是气候变化研究的主要内容之一,它影响着土壤湿度、地表温度和地表能量与水的循环(李苗苗,2004)。 植被覆盖度(vegetation fractional cover,简称FC)是指植被(包括叶、茎、枝)在 地面的垂直投影面积占统计区总面积的百分比[2]。它是植被对地面的垂直投影比例,对于山坡进行植被覆盖度测量时,应该采用垂直于坡面的角度。植被覆盖度具有强烈的尺度效应,同一片植被,因被纳入统计的范围不同而表现为不同的植被覆盖度。如一个地区的植被覆盖度很高,但平均到全国水平就大大降低了[3]。植被覆盖度在提示地表植被分布规律, 探讨植被分布影响因子, 分析评价区域生态环境, 及时准确地掌握其动态变化, 分析其发展趋势对维护区域生态平衡等方面都具有重要意义。[4]而城市植被则是城市生态系统重要的还原组织和最重要的元素,对于保护城市生态环境具有不可忽视的作用[5] ,如有效缓解城市“热岛效应”,改善城市区域小气候[5,7] 等。

城市化的迅速推进,带来了多样化的生态足迹,植被覆盖度,土壤污染率,地表侵蚀率,逐渐成为生态研究的热点,也成为环境保护的重点。借助于高速发展的RS与GIS技术来进行植被覆盖度的估算,将是当前环境监测的必要步骤。 徐州是由矿区发展起来的城市,由于长期开采矿产,导致了一系列严重的生态问题,如塌陷地广布,植被破坏率严重,土地侵蚀率增大,等。在此背景下,研究徐州市整体的土地覆盖情况,即是现实需要,也是未来生态城市规划的重要步骤。研究的最终结果也会给徐州市的城市规划提供信息支持与技术保障。 1.2 国内外植被覆盖度研究现状 由于植被覆盖度是许多学科的重要参数,为了得到准确的植被覆盖度信息,植被覆盖度监测技术的提高,就成了多个领域发展的需要。根据检测手段,测量植被覆盖度的方法可分为传统的地面测量和新兴的遥感测量两大类。其中,地面测量又可以根据测量原理,分为目估法、采样法、仪器法和模型法;遥感测量依据对植被光谱信息与植被覆盖度所建立的关系不同,可分为物理模型法和统计模型法。统计模型法中使用较多的有植被指数法、回归模型法、像元分解法、分类决策树和人工神经网络法;物理模型法中模型反演法使用最多。 地面测量曾经一度是植被覆盖度监测的最主要方法。主要包括目估法、采样法、仪器法和模型法。虽然遥感技术的发展使地面测量的主导性地位有所降低,但地面测量依然具有其重要性,它不仅是最精确的测量方法,也为遥感测量提供了基础标定数据,是无可替代的。 遥感技术的发展,为大范围植被覆盖信息的获取提供了一个新的发展方向。常用于植被覆盖信息提取的遥感数据有NOA内叭vHRR数据、MODIs数据、LandsatTM与 MSS数据、SPOT数据、ATSER数据、航片、IEOS一SAR雷达数据以及AVIRIS高光谱数据等。

植被覆盖度计算

ENVI下植被覆盖度得遥感估算 (植被覆盖度就是指植被(包括叶、茎、枝)在地面得垂直投影面积占统计区总面积得百分比。容易与植被覆盖度混淆得概念就是植被盖度,植被盖度就是指植被冠层或叶面在地面得垂直投影面积占植被区总面积得比例。两个概念主要区别就就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度得测量可分为地面测量与遥感估算两种方法。地面测量常用于田间尺度,遥感估算常用于区域尺度、 估算模型 目前已经发展了很多利用遥感测量植被覆盖度得方法,较为实用得方法就是利用植被指数近似估算植被覆盖度,常用得植被指数为NDVI、下面就是李苗苗等在像元二分模型得基础上研究得模型: VFC =(NDVI -NDVIsoil)/ (NDVIveg — NDVIsoil) (1) 其中,NDVIsoil 为完全就是裸土或无植被覆盖区域得NDVI值,NDVIveg则代表完全被植被所覆盖得像元得NDVI值,即纯植被像元得NDVI值。两个值得计算公式为: NDVIsoil=(VFCmax*NDVImin-VFCmin*NDVImax)/( VFCmax— VFCmin)(2) NDVIveg=((1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin)/(VFCmax—VFCmin) (3) 利用这个模型计算植被覆盖度得关键就是计算NDVIsoil与NDVIveg。这里有两种假设: 1)当区域内可以近似取VFCmax=100%,VFCmin=0%、 公式(1)可变为: VFC= (NDVI — NDVImin)/( NDVImax — NDVImin) (4)

世界植被类型分析

世界植被类型分析 一、寒带: 苔原: 1、气候特征:夏季短促而寒冷 蒸发量低 风力大 夏季昼长 冬季夜长 2、土壤特征:永冻层,地表水下渗不畅,地面沼泽化,出现生理性干旱反 应 3、种类组成:矮灌木、苔藓、地衣 4、群落结构:层次不多,营养期短 5、生活型特征:多年生,具有大型花和花序 6、分布:西伯利亚北部 二、温带: 草原: 1、气候特征:温带干旱半干旱气候;气候干燥雨量少且变率大;降雨量集 中在夏季,冬季时间长 2、土壤特征:淋溶作用较弱,盐基物质丰富;有明显钙积层;有基质含量 从地表向下逐渐减少;中性至碱性 3、种类组成:以多年生低温和中温旱生丛生禾草植物占优势,以禾本科、 豆科和莎草科植物为主 4、群落结构:呈暗绿色,高度不大,具有抵抗夏季干旱的某些适应 5、生活型特征:地面芽植物为主,地下芽植物数量也不少,普遍存在旱生 结构 6、分布:广泛分布于亚欧大陆的干旱半干旱气候区 寒温性针叶林: 1、气候特征:夏季温和湿润,冬季严寒,年温差大,降水量不多 2、土壤特征:有机质分解程度低;土壤终年处于湿润状态;有机质含量高; 酸性 3、种类组成:松柏类植物 4、群落组成:多单一树种构成的纯林 5、生活型特征:叶缩小成针状;具抗寒抗旱结构 6、分布:广泛分布于北半球寒温带大陆 夏绿阔叶林: 1、气候特征:温带湿润半湿润气候;雨热同期 2、土壤特征:棕壤和褐土;有明显黏化现象;微酸性到微碱性 3、种类组成:宽阔叶片的落叶树种 4、生活型特征:地面芽与地下芽植物占优势,林冠顶部较为平整 5、分布:北美大西洋沿岸,西欧和中欧海洋性气候的温暖区,亚洲东部 三、亚热带: 荒漠: 1、气候特征:、大陆性气候;降水稀少;日照强,蒸发量大大超过降水量;

遥感估算植被覆盖度的角度效应分析

20070643(3) 北京师范大学学报(自然科学版) Journal of Beijing Normal University (Natural Science ) 343  遥感估算植被覆盖度的角度效应分析3 郭占军1,2) 阎广建1) 冯 雪1) 王远征1) 张霄羽3) (1)北京师范大学地理学与遥感科学学院遥感与GIS 中心,遥感科学国家重点实验室, 环境遥感与数字城市北京市重点实验室,100875,北京; 2)宁夏大学资源环境学院,750021,银川;3)中国科学院地理科学与资源研究所,100101,北京) 摘要 植被覆盖度是植被在地面的垂直投影面积占统计区总面积的百分比.由于植被反射的二向性特性,不同角度估算的植被覆盖度原则上不可比,另外,不同观测角度对应像元不同的采样面积,对于非均一地表这种面积差异引起的角度效应也非常显著.本文除了考虑植被的二向性反射,还重点模拟分析了由于像元的采样面积差异引起的角度效应及其带来的植被覆盖度估算误差.模拟结果表明:相比天顶观测,在倾斜40°观测时,对于作物和裸土混合,由于面积误差带来的红光波段反射率差异已高达56%,同时引起的植被覆盖度估算误差达到23%,因此研究植被覆盖度的角度效应问题很有必要. 关键词 植被覆盖度;角度效应;二向性反射分布函数(BRDF );模拟 3国家自然科学基金资助项目(40471095);新世纪优秀人才支持计划资助项目收稿日期:2007202217 植被覆盖度是描述生态系统的基本参数,同时是数字天气预报、区域和全球气候模型以及全球变化监测必需的参数之一[122].获取地表植被覆盖及其变化信息,对于揭示地表空间变化规律,探讨变化的驱动因子,分析评价区域生态环境都具有重要现实意义[3]. 目前被广泛接受的植被覆盖度定义为:植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比[4].该定义中很重要的一点是用于计算植被覆盖度的数据应保证观测与地表垂直.通常情况下,获得植被覆盖度的方法主要有地表实测和遥感监测2类.地表实测费时费力,而且植被覆盖度具有典型的时空分异特性,利用遥感手段获取植被覆盖度显示出了强大的优势,因此已成为目前的主要手段.对于现有的遥感手段而言,要保证对整幅图像中每一个像元(尤其在大幅面影像边缘)均垂直观测是几乎不可能的.而且现有的遥感植被覆盖度产品通常是基于一周甚至一月的观测数据计算合成得到,往往利用宽视场的遥感数据.因此,在使用遥感反演植被覆盖度时,就必须考虑观测角度效应问题.引起角度效应的因素除了植被的二向性反射特性之外,不同观测角度对应像元不同的采样面积,对于非均一地表这种面积引起的角度效应也非常显著,而面积误差在现有的植被覆盖度产品中很少被考虑. 对于地物的二向性反射问题,很多学者都曾深入研究过,发展了许多描述地物二向性反射和目标特征参数之间关系的模型,大致可分为物理模型(包括几何 光学模型、辐射传输模型、混合模型、计算机模拟模型)和经验模型.不同的模型适用于不同的地物类型.黄健熙[5]等使用Monte Carlo 方法模拟了作物冠层的辐射传输,结果表明,蒙特卡罗模型与实测二向性反射率分布函数(BRDF )较为吻合,蒙特卡罗模型可以作为其他作物冠层BRDF 前向模拟的有效验证工具. 面积误差问题目前鲜有文献提及.事实上,对于固定瞬时视场角(IFOV )的传感器来说,不同观测角度对应像元不同的采样面积,对于均一地表,这种面积差异引起的误差可以忽略,但是对于非均一地表,即使不考虑地物的二向性反射,这种面积差异也必然导致地表反射率的差异.因此,利用不同角度的观测估算的植被覆盖度必然存在差异. 在本文中,通过模拟考虑了植被冠层的二向性反射特性和由于像元的采样面积差异引起的角度效应及其引起的植被覆盖度估算误差.最后使用MODIS 地表反射率产品统计比较分析了均一像元和非均一像元的面积误差的表现以及引起的植被覆盖度估算误差. 1 作物冠层二向性反射对估算植被覆 盖度的影响 随着遥感技术应用的日益广泛,多角度传感器已非常普遍,多角度观测数据的优点是为反演地表生物物理参数提供了更多约束条件,但是由于地表的二向性反射特性,要定量地比较不同时间、不同观测角度获取的数据很困难,因此要有效利用多角度观测数据,必

相关文档
最新文档