Spatiotemporal dynamics of grassland coverage in response to climate change from 1982 to 2012 in the Three Rivers Source Region
3
2017
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
... 本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等[13]、张颖等[1]的研究基本保持一致,总体呈现出由东南向西北逐级递减的趋势.在时间分布上,1996—2004年植被覆盖度变化趋势与康悦等[4]的研究一致,呈退化趋势;而在1996—2015年与吴喜芳等[13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
三江源1982-2012年草地植被覆盖度动态及其对气候变化的响应
3
2017
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
... 本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等[13]、张颖等[1]的研究基本保持一致,总体呈现出由东南向西北逐级递减的趋势.在时间分布上,1996—2004年植被覆盖度变化趋势与康悦等[4]的研究一致,呈退化趋势;而在1996—2015年与吴喜芳等[13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
Study on the dynamics of vegetation coverage in the karst mountainous area based on multi-temporal remote sensing images
1
2017
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
基于时序遥感的喀斯特山区植被覆盖研究
1
2017
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
The response of environmental changes on Tibetan Plateau to global changes and adaptation strategy
1
2006
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
青藏高原环境变化对全球变化的响应及其适应对策
1
2006
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
Trend of vegetation evaluation and its responses to climate change over the Source Region of the Yellow River
1
2011
... 本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等[13]、张颖等[1]的研究基本保持一致,总体呈现出由东南向西北逐级递减的趋势.在时间分布上,1996—2004年植被覆盖度变化趋势与康悦等[4]的研究一致,呈退化趋势;而在1996—2015年与吴喜芳等[13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
黄河源区植被变化趋势及其对气候变化的响应过程研究
1
2011
... 本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等[13]、张颖等[1]的研究基本保持一致,总体呈现出由东南向西北逐级递减的趋势.在时间分布上,1996—2004年植被覆盖度变化趋势与康悦等[4]的研究一致,呈退化趋势;而在1996—2015年与吴喜芳等[13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
Impact of climate change on the eco-environment in the Yellow River Source
2
2015
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
气候变化对黄河源区生态环境的影响
2
2015
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
Cost-benefit analysis of the ecological protects in the Three-River Headwaters Region based on ecosystem services values
1
2018
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
基于生态服务价值的三江源生态工程成本效益分析
1
2018
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
Target-based assessment on effects of first-stage ecological conservation and restoration project in Three-River Source Region, China and Policy Recommendations
1
2017
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
基于目标的三江源生态保护和建设一期工程生态成效评估及政策建议
1
2017
... 植被是陆地生态系统的重要组成部分,其在保持水土、涵养水源等方面起着重要的作用.作为描述植被覆盖状况的重要参数,植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义[1-2].在过去的30多年,受全球气候变暖和人为活动的影响,素有地球“第三极”之称的青藏高原,特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题,已经成为全球气候变化研究的关键地区[3-5].为保护黄河源生态环境,国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”[6-7].2016年,正式启动三江源国家公园体制试点.特别是2019—2020年,习近平总书记四次实地考察黄河,并多次强调沿黄生态环境保护的重要性.从植被覆盖度变化角度开展黄河源区生态环境变化研究,对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应,以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义. ...
Comparison of methods based on MODIS for estimating sparse vegetation fraction across desert in Xinjiang
1
2013
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
新疆荒漠稀疏植被覆盖度信息遥感提取方法比较
1
2013
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Comparison of pixel decomposition models for the estimation of fractional vegetation cover from remotely sensed data
0
2016
基于像元分解的植被覆盖度遥感估算模型的比较研究
0
2016
Estimation of vegetation coverage of Kangbao county based on spectral unmixing analysis methods
1
2019
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
基于混合像元分解方法的康保县植被覆盖度估测
1
2019
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Application of harmonic analysis and linear spectral mixture model to extract the cultivated resource
1
2015
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
基于谐波分析和线性光谱模型的耕地信息提取
1
2015
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Unsupervised nonlinear decomposing method of hyperspectral imagery
1
2011
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
非监督的高光谱混合像元非线性分解方法
1
2011
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Response of vegetation cover to temperature and precipitation in the source region of the Yellow River
3
2015
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
... 本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等[13]、张颖等[1]的研究基本保持一致,总体呈现出由东南向西北逐级递减的趋势.在时间分布上,1996—2004年植被覆盖度变化趋势与康悦等[4]的研究一致,呈退化趋势;而在1996—2015年与吴喜芳等[13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
... [13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
黄河源区植被覆盖度对气温和降水的响应研究
3
2015
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
... 本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等[13]、张颖等[1]的研究基本保持一致,总体呈现出由东南向西北逐级递减的趋势.在时间分布上,1996—2004年植被覆盖度变化趋势与康悦等[4]的研究一致,呈退化趋势;而在1996—2015年与吴喜芳等[13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
... [13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
Spatiotemporal variation of vegetation coverage and its affecting factors in the headwaters of the Yellow River during the period of 2000-2010
1
2016
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
2000-2010年黄河源区植被覆盖率时空变化及其影响因素
1
2016
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Dynamic characteristic of vegetation coverage in the Three-River Source Region from 2000 to 2011
1
2014
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
2000—2011年青海三江源地区草地覆盖度的动态变化特征
1
2014
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Mapping chaparral in the Santa Monica Mountains using Multiple Endmember Spectral Mixture Models
1
1998
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Remote sensing retrieval of vegetation coverage in arid areas based on multiple endmember spectral unmixing
5
2012
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
... MESMA模型是对LSMA模型的一种改进,其原理为在每个像元中采用不同的光谱分解模型(即采用不同的端元组分)进行测试,选择模型误差最小的作为提取本像元的分解模型,从而避免了LSMA的缺陷[17],在实践应用中也更符合实际情况.MESMA模型中常用的端元包括植被、非植被、土壤、阴影四种端元,本研究中选择了植被-土壤-阴影三种端元组合.MESMA程序主要包括以下两个主要步骤[29-31]:①构建光谱库并选取最优端元,②端元模型的确定. ...
... 光谱库的构建通常包含参考端元和图像端元两部分,本研究在黄河源区1∶100万植被分类图和土壤分类图的辅助支撑下,以图像端元作为光谱库的主要构建方式.本文中选取植被、土壤、阴影三种端元,其中植被包含小嵩草、藏嵩草、紫花针茅、早熟禾等可食牧草以及铺散亚菊、火绒草、棘豆等毒杂草.土壤包含寒钙土、草毡土、沼泽土等类型.由于在遥感影像成像过程中,地物阴影普遍存在,因此将阴影作为一种端元更符合实际情况[17].最终通过对不同种类地物分别建立感兴趣区,共选取植被端元2 056个,土壤端元258个,并将这些端元构建为备选光谱库. ...
... 由于端元之间存在着相关性、可分性等一些不可避免的因素特点,需要通过计算端元的平均均方根误差(endmember average root mean square error,EAR)和最小平均波谱角(minimum average spectral angle, MASA)[17,31]来选择最优端元.本文中利用ENVI插件“Viper Tools 2”工具(下载地址:www.vipertools.org)来计算EAR和MASA.依据EAR越小,端元越纯且MASA越小,端元相关性越小的原则,且经实地确认,如表2所示,最终选取出小嵩草、嵩草等植被类型以及寒钙土、草毡土等土壤类型的端元光谱曲线.图2~3所示为研究区主要的植被、土壤端元光谱曲线图. ...
... 根据理论研究,各组分在像元中的比例为0~1,由于误差存在,端元比例设置为1.05为宜,因此设置组分值范围为-0.05~1.05,阴影最大比例为0.8,RMSE和残差约束为0.025[17,29].由2.1.1节可以选取出最终的三种端元光谱库(包括阴影),而后通过三种光谱库中的光谱进行排列组合,并通过上述的约束条件选择最优的端元模型,将原始图像中的每个像元分解为植被、土壤、阴影,从而获得各组分的丰度图像. ...
基于多端元光谱分解的干旱区植被覆盖度遥感反演
5
2012
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
... MESMA模型是对LSMA模型的一种改进,其原理为在每个像元中采用不同的光谱分解模型(即采用不同的端元组分)进行测试,选择模型误差最小的作为提取本像元的分解模型,从而避免了LSMA的缺陷[17],在实践应用中也更符合实际情况.MESMA模型中常用的端元包括植被、非植被、土壤、阴影四种端元,本研究中选择了植被-土壤-阴影三种端元组合.MESMA程序主要包括以下两个主要步骤[29-31]:①构建光谱库并选取最优端元,②端元模型的确定. ...
... 光谱库的构建通常包含参考端元和图像端元两部分,本研究在黄河源区1∶100万植被分类图和土壤分类图的辅助支撑下,以图像端元作为光谱库的主要构建方式.本文中选取植被、土壤、阴影三种端元,其中植被包含小嵩草、藏嵩草、紫花针茅、早熟禾等可食牧草以及铺散亚菊、火绒草、棘豆等毒杂草.土壤包含寒钙土、草毡土、沼泽土等类型.由于在遥感影像成像过程中,地物阴影普遍存在,因此将阴影作为一种端元更符合实际情况[17].最终通过对不同种类地物分别建立感兴趣区,共选取植被端元2 056个,土壤端元258个,并将这些端元构建为备选光谱库. ...
... 由于端元之间存在着相关性、可分性等一些不可避免的因素特点,需要通过计算端元的平均均方根误差(endmember average root mean square error,EAR)和最小平均波谱角(minimum average spectral angle, MASA)[17,31]来选择最优端元.本文中利用ENVI插件“Viper Tools 2”工具(下载地址:www.vipertools.org)来计算EAR和MASA.依据EAR越小,端元越纯且MASA越小,端元相关性越小的原则,且经实地确认,如表2所示,最终选取出小嵩草、嵩草等植被类型以及寒钙土、草毡土等土壤类型的端元光谱曲线.图2~3所示为研究区主要的植被、土壤端元光谱曲线图. ...
... 根据理论研究,各组分在像元中的比例为0~1,由于误差存在,端元比例设置为1.05为宜,因此设置组分值范围为-0.05~1.05,阴影最大比例为0.8,RMSE和残差约束为0.025[17,29].由2.1.1节可以选取出最终的三种端元光谱库(包括阴影),而后通过三种光谱库中的光谱进行排列组合,并通过上述的约束条件选择最优的端元模型,将原始图像中的每个像元分解为植被、土壤、阴影,从而获得各组分的丰度图像. ...
Remote sensing identification of rangeland degradation using hyperion hyperspectral image in a typical area for Three-River Headwater Region
1
2018
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
三江源典型区草地退化Hyperion高光谱遥感识别研究
1
2018
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Black Soil Land" recognition at Maduo County in source region of Yellow River based on quantitative remote sensing
1
2013
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
黄河源玛多县“黑土滩”遥感定量识别
1
2013
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Extraction of the vegetation fraction based on an improved Multiple Endmember Spectral Mixture Analysis for the central and eastern area of Source Region of Yangtze, Yellow and Lantsang Rivers
1
2011
... 随着遥感技术的不断发展和进步,植被覆盖度的反演方法也逐渐的完善与成熟.常用的反演方法包括植被指数法、经验模型法和混合像元分解方法[8-10].受限于遥感数据的空间分辨率,混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用.混合像元分解方法包括线性光谱混合分解方法(Linear Spectral Mixture Analysis,LSMA)和非线性光谱混合分解方法(Nonlinear Spectral Mixture Analysis,NLSMA)[11-12].当前以LSMA为基础的像元二分模型在三江源地区应用较多.如吴喜芳等[13]基于像元二分模型方法,对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取,结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势,并且整体植被覆盖度呈增加趋势;张颖等[1]采用同样的方法对三江源植被覆盖度进行提取,结果发现植被覆盖度的整体趋势与上述基本一致;马天啸等[14]对黄河源2000—2010年植被覆盖度进行时空变化分析,结果表明植被退化区平均坡度和海拔更低,说明人类活动可能对植被退化产生了影响;肖桐等[15]采用像元二分模型对2000—2011年三江源植被覆盖度进行提取,结果表明黄河源地区草地覆盖度恢复特征明显.尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势,但像元二分模型其实质是两端元的LSMA模型.由于在LSMA模型中,植被一般以一个固定端元表示,忽略了“同物异谱”现象,导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差.而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”[16],在面向多种植被覆盖或异质性区域适用性较好.如廖春华等[17]采用MESMA和LSMA模型分别与实测数据对比,结果发现MESMA提取的结果与实测数据相关性更高.并且相较于LSMA模型,MESMA可以对植被进行分类,因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取.安如等[18]采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究,并与实测数据对比,精度高达84.2%;此外,安如等[19]、Li等[20]采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别,相较于传统的目视解译有了较大的改善. ...
Remote sensing investigation and study on vegetation coverage characteristics and environmental impact in the upper reaches and headwaters of the Yellow River
1
... 考虑到以上研究多采用黄河源地区2000—2012年的数据,对于2012年以来鲜有研究,且基于MESMA理论基础的研究区主要集中在“黑土滩”等黄河源典型区域[21-22],范围有限,也没有对毒杂草的面积数量变化及其对畜牧业的影响进行分析.因此本文拟采用MESMA模型对1996年、2000年、2004年、2006年、2008年、2013年、2015年共7年的黄河源植被覆盖度进行提取,并采用转移矩阵和一元线性回归趋势分析方法对提取出的植被覆盖度进行后续分析,最后对1996年和2015年的毒杂草分布情况统计并分析其对畜牧业发展的影响,以期为黄河源区生态环境的研究提供新的视角. ...
黄河上游及源头区植被覆盖度特征及环境影响遥感调查与研究
1
2001
... 考虑到以上研究多采用黄河源地区2000—2012年的数据,对于2012年以来鲜有研究,且基于MESMA理论基础的研究区主要集中在“黑土滩”等黄河源典型区域[21-22],范围有限,也没有对毒杂草的面积数量变化及其对畜牧业的影响进行分析.因此本文拟采用MESMA模型对1996年、2000年、2004年、2006年、2008年、2013年、2015年共7年的黄河源植被覆盖度进行提取,并采用转移矩阵和一元线性回归趋势分析方法对提取出的植被覆盖度进行后续分析,最后对1996年和2015年的毒杂草分布情况统计并分析其对畜牧业发展的影响,以期为黄河源区生态环境的研究提供新的视角. ...
The spatial-temporal changes of vegetation coverage in the Three-River Headwater Region in recent 12 years
1
2013
... 考虑到以上研究多采用黄河源地区2000—2012年的数据,对于2012年以来鲜有研究,且基于MESMA理论基础的研究区主要集中在“黑土滩”等黄河源典型区域[21-22],范围有限,也没有对毒杂草的面积数量变化及其对畜牧业的影响进行分析.因此本文拟采用MESMA模型对1996年、2000年、2004年、2006年、2008年、2013年、2015年共7年的黄河源植被覆盖度进行提取,并采用转移矩阵和一元线性回归趋势分析方法对提取出的植被覆盖度进行后续分析,最后对1996年和2015年的毒杂草分布情况统计并分析其对畜牧业发展的影响,以期为黄河源区生态环境的研究提供新的视角. ...
2000-2011年三江源区植被覆盖时空变化特征
1
2013
... 考虑到以上研究多采用黄河源地区2000—2012年的数据,对于2012年以来鲜有研究,且基于MESMA理论基础的研究区主要集中在“黑土滩”等黄河源典型区域[21-22],范围有限,也没有对毒杂草的面积数量变化及其对畜牧业的影响进行分析.因此本文拟采用MESMA模型对1996年、2000年、2004年、2006年、2008年、2013年、2015年共7年的黄河源植被覆盖度进行提取,并采用转移矩阵和一元线性回归趋势分析方法对提取出的植被覆盖度进行后续分析,最后对1996年和2015年的毒杂草分布情况统计并分析其对畜牧业发展的影响,以期为黄河源区生态环境的研究提供新的视角. ...
Climatic features of eco-environment change in the Source Regions of the Yangtze and Yellow Rivers in recent 40 years
1
2004
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
近40 a来江河源区生态环境变化的气候特征分析
1
2004
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
Analysis on features of dry climate in Three-River Headwaters based on Palmer Drought Severity Index
1
2013
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
基于PDSI指数的三江源干旱气候特征分析
1
2013
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
Study on soil characteristics of alpine grassland in different degradation levels in headwater regions of Three Rivers in China
1
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
三江源地区高寒草地不同退化程度土壤特征研究
1
2013
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
Grassland degradation in the Source Region of the Yellow River
1
2006
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
黄河源地区草地退化空间特征
1
2006
... 本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E,位于青藏高原东北部,研究区示意图见图1.高山、峡谷等地貌分布其中,平均海拔约4 200m,总面积约4.4万km2,地势西北高东南低.黄河源区属于典型的大陆性高原气候,寒冷干燥,东南空气湿润,西北气候干燥,太阳辐射强,日温差大,降水多集中在6—9月[5,23-24].作为“世界屋脊”青藏高原的一部分,黄河源区的自身气候变化和生态系统均十分敏感.其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草,以及棘豆、火绒草等毒杂草;土壤类型包括寒钙土,草毡土以及沼泽土等[25-26]. ...
1
2001
... 黄河源区受海拔和气候影响,植被生长季相对较短,非生长季植被枯萎,且存在霜冻和冰雪覆盖现象,因此本研究选取植被处于最大生长季的7—9月且受云覆盖影响较小的1996年、2000年、2004年、2006年、2008年、2013年、2015年7个年度35景Landsat影像.由于部分年份的个别景影像受云影像较大,故采用相邻年份的影像替代(表1).由于2013年采用两景Landsat7-ETM+数据,因此首先要对其进行去条带处理.之后利用ENVI5.3软件对数据进行辐射定标、FLAASH大气校正、地形校正和拼接裁剪等预处理.地形校正中采用的DEM数据为2015年1月6号发布的ASTER GDEM V2.此外,在MESMA模型建立感兴趣区时采用的辅助数据包括1∶100万植被图及1∶100万土壤图[27-28]. ...
1
2001
... 黄河源区受海拔和气候影响,植被生长季相对较短,非生长季植被枯萎,且存在霜冻和冰雪覆盖现象,因此本研究选取植被处于最大生长季的7—9月且受云覆盖影响较小的1996年、2000年、2004年、2006年、2008年、2013年、2015年7个年度35景Landsat影像.由于部分年份的个别景影像受云影像较大,故采用相邻年份的影像替代(表1).由于2013年采用两景Landsat7-ETM+数据,因此首先要对其进行去条带处理.之后利用ENVI5.3软件对数据进行辐射定标、FLAASH大气校正、地形校正和拼接裁剪等预处理.地形校正中采用的DEM数据为2015年1月6号发布的ASTER GDEM V2.此外,在MESMA模型建立感兴趣区时采用的辅助数据包括1∶100万植被图及1∶100万土壤图[27-28]. ...
1
1995
... 黄河源区受海拔和气候影响,植被生长季相对较短,非生长季植被枯萎,且存在霜冻和冰雪覆盖现象,因此本研究选取植被处于最大生长季的7—9月且受云覆盖影响较小的1996年、2000年、2004年、2006年、2008年、2013年、2015年7个年度35景Landsat影像.由于部分年份的个别景影像受云影像较大,故采用相邻年份的影像替代(表1).由于2013年采用两景Landsat7-ETM+数据,因此首先要对其进行去条带处理.之后利用ENVI5.3软件对数据进行辐射定标、FLAASH大气校正、地形校正和拼接裁剪等预处理.地形校正中采用的DEM数据为2015年1月6号发布的ASTER GDEM V2.此外,在MESMA模型建立感兴趣区时采用的辅助数据包括1∶100万植被图及1∶100万土壤图[27-28]. ...
1
1995
... 黄河源区受海拔和气候影响,植被生长季相对较短,非生长季植被枯萎,且存在霜冻和冰雪覆盖现象,因此本研究选取植被处于最大生长季的7—9月且受云覆盖影响较小的1996年、2000年、2004年、2006年、2008年、2013年、2015年7个年度35景Landsat影像.由于部分年份的个别景影像受云影像较大,故采用相邻年份的影像替代(表1).由于2013年采用两景Landsat7-ETM+数据,因此首先要对其进行去条带处理.之后利用ENVI5.3软件对数据进行辐射定标、FLAASH大气校正、地形校正和拼接裁剪等预处理.地形校正中采用的DEM数据为2015年1月6号发布的ASTER GDEM V2.此外,在MESMA模型建立感兴趣区时采用的辅助数据包括1∶100万植被图及1∶100万土壤图[27-28]. ...
Multiple Endmember Spectral Mixture Analysis (MESMA) to map burn severity levels from Landsat images in Mediterranean countries
2
2013
... MESMA模型是对LSMA模型的一种改进,其原理为在每个像元中采用不同的光谱分解模型(即采用不同的端元组分)进行测试,选择模型误差最小的作为提取本像元的分解模型,从而避免了LSMA的缺陷[17],在实践应用中也更符合实际情况.MESMA模型中常用的端元包括植被、非植被、土壤、阴影四种端元,本研究中选择了植被-土壤-阴影三种端元组合.MESMA程序主要包括以下两个主要步骤[29-31]:①构建光谱库并选取最优端元,②端元模型的确定. ...
... 根据理论研究,各组分在像元中的比例为0~1,由于误差存在,端元比例设置为1.05为宜,因此设置组分值范围为-0.05~1.05,阴影最大比例为0.8,RMSE和残差约束为0.025[17,29].由2.1.1节可以选取出最终的三种端元光谱库(包括阴影),而后通过三种光谱库中的光谱进行排列组合,并通过上述的约束条件选择最优的端元模型,将原始图像中的每个像元分解为植被、土壤、阴影,从而获得各组分的丰度图像. ...
A classification of HSI vegetation types based on mixed image elements: a case study of Tahe County, Heilongjiang Province
0
2018
基于混合像元分解植被类型提取: 以塔河地区为例
0
2018
Enhancing the performance of Multiple Endmember Spectral Mixture Analysis (MESMA) for urban land cover mapping using airborne lidar data and band selection
2
2019
... MESMA模型是对LSMA模型的一种改进,其原理为在每个像元中采用不同的光谱分解模型(即采用不同的端元组分)进行测试,选择模型误差最小的作为提取本像元的分解模型,从而避免了LSMA的缺陷[17],在实践应用中也更符合实际情况.MESMA模型中常用的端元包括植被、非植被、土壤、阴影四种端元,本研究中选择了植被-土壤-阴影三种端元组合.MESMA程序主要包括以下两个主要步骤[29-31]:①构建光谱库并选取最优端元,②端元模型的确定. ...
... 由于端元之间存在着相关性、可分性等一些不可避免的因素特点,需要通过计算端元的平均均方根误差(endmember average root mean square error,EAR)和最小平均波谱角(minimum average spectral angle, MASA)[17,31]来选择最优端元.本文中利用ENVI插件“Viper Tools 2”工具(下载地址:www.vipertools.org)来计算EAR和MASA.依据EAR越小,端元越纯且MASA越小,端元相关性越小的原则,且经实地确认,如表2所示,最终选取出小嵩草、嵩草等植被类型以及寒钙土、草毡土等土壤类型的端元光谱曲线.图2~3所示为研究区主要的植被、土壤端元光谱曲线图. ...
Classification and extraction of land use information in Hilly Area based on MESMA and RF classifier
1
2017
... 本文选择植被、土壤、阴影三种端元,端元模型选择二端元和三端元模型进行测试.研究表明二端元模型适合自然地物景观的模拟分解,三端元模型适合人为扰动下的地物景观模拟分解[32],综合考虑,选择三端元模型进行黄河源区MESMA分解. ...
基于MESMA和RF的山丘区土地利用信息分类提取
1
2017
... 本文选择植被、土壤、阴影三种端元,端元模型选择二端元和三端元模型进行测试.研究表明二端元模型适合自然地物景观的模拟分解,三端元模型适合人为扰动下的地物景观模拟分解[32],综合考虑,选择三端元模型进行黄河源区MESMA分解. ...
Dynamic remote sensing monitoring on the temporal-spatial changes of vegetation coverage in Chen Barag Banner from 2000 to 2016
1
2018
... 本文中采用一元线性回归趋势分析在空间上对植被变化进行分析,本方法在像元尺度上对植被覆盖度进行空间变化分析,根据每个像素植被覆盖度随时间的变化特征来反映整个空间的变化规律[33-34],公式为 ...
2000-2016年陈巴尔虎旗植被覆盖度时空变化遥感动态监测
1
2018
... 本文中采用一元线性回归趋势分析在空间上对植被变化进行分析,本方法在像元尺度上对植被覆盖度进行空间变化分析,根据每个像素植被覆盖度随时间的变化特征来反映整个空间的变化规律[33-34],公式为 ...
Comparative analysis of long-term trends on fraction of vegetation coverage in grassland mining area
1
... 本文中采用一元线性回归趋势分析在空间上对植被变化进行分析,本方法在像元尺度上对植被覆盖度进行空间变化分析,根据每个像素植被覆盖度随时间的变化特征来反映整个空间的变化规律[33-34],公式为 ...
草原矿区长时序植被覆盖度变化趋势对比分析
1
2019
... 本文中采用一元线性回归趋势分析在空间上对植被变化进行分析,本方法在像元尺度上对植被覆盖度进行空间变化分析,根据每个像素植被覆盖度随时间的变化特征来反映整个空间的变化规律[33-34],公式为 ...
Analysis of vegetation coverage change in Yunnan Province based on MODIS-NDVI
1
2018
... 拟合直线反映研究区多年内的植被覆盖度变化趋势,斜率为正,表示植被覆盖度增加,反之则表示减少;拟合斜率的绝对值越大,表示变化越显著.借鉴相关的研究成果[35]将变化趋势划为显著减少(slope≤-0.015)、轻度减少(-0.015<slope≤-0.005)、基本稳定(-0.005<slope≤0.005)、轻度增加(0.005<slope≤0.015)、显著增加(slope>0.015)五个等级. ...
基于MODIS-NDVI的云南省植被覆盖度变化分析
1
2018
... 拟合直线反映研究区多年内的植被覆盖度变化趋势,斜率为正,表示植被覆盖度增加,反之则表示减少;拟合斜率的绝对值越大,表示变化越显著.借鉴相关的研究成果[35]将变化趋势划为显著减少(slope≤-0.015)、轻度减少(-0.015<slope≤-0.005)、基本稳定(-0.005<slope≤0.005)、轻度增加(0.005<slope≤0.015)、显著增加(slope>0.015)五个等级. ...
Unsupervised spectral-spatial feature learning with stacked sparse autoencoder for hyperspectral imagery classification
1
2015
... (2)考虑到实地考察中有些地方难以到达,本文同时还利用2013年8月16日获取的HJ-1A高光谱遥感数据,基于堆栈式稀疏自编码器方法[36],对37.76 km2(34°58′58″~35°02′12″ N,97°52′13″~97°52′22″ E)的无云覆盖区域进行了植被分类试验,将高光谱遥感数据的分类结果[图9(a)]与本文MESMA反演的植被类型提取结果[图9(b)]进行了对比.本文提取的毒杂草分布状况除个别区域外,总体空间分布状况与高光谱提取结果近似一致.在验证区内,MESMA模型提取的毒杂草面积为18.56 km2,占比49.2%;堆栈式稀疏自编码器方法提取的毒杂草面积为15.22 km2,占比为40.3%;而两者提取出的公共毒杂草面积为9.35 km2.如果以HJ-1A高光谱数据分类结果为准的话,本文MESMA模型提取出的毒杂草的正确率为61.43%.但考虑到HJ-1A高光谱遥感数据采用的是硬分类方法,对于毒杂草覆盖度较低的区域无法进行有效分类,以及HJ-1A高光谱遥感数据空间分辨率较低的事实(HJ-1A HSI数据空间分辨率为100 m),认为本文的提取结果精度应高于61.43%,研究结论是可信的. ...
Quantifying vegetation change in semiarid environments: precision and accuracy of spectral mixture analysis and the normalized difference vegetation index
1
2000
... 本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等[13]、张颖等[1]的研究基本保持一致,总体呈现出由东南向西北逐级递减的趋势.在时间分布上,1996—2004年植被覆盖度变化趋势与康悦等[4]的研究一致,呈退化趋势;而在1996—2015年与吴喜芳等[13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
Comparison of pixel decomposition models for the estimation of fractional vegetation coverage
1
2018
... 本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等[13]、张颖等[1]的研究基本保持一致,总体呈现出由东南向西北逐级递减的趋势.在时间分布上,1996—2004年植被覆盖度变化趋势与康悦等[4]的研究一致,呈退化趋势;而在1996—2015年与吴喜芳等[13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...
基于混合像元分解的植被覆盖度模型比较研究
1
2018
... 本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等[13]、张颖等[1]的研究基本保持一致,总体呈现出由东南向西北逐级递减的趋势.在时间分布上,1996—2004年植被覆盖度变化趋势与康悦等[4]的研究一致,呈退化趋势;而在1996—2015年与吴喜芳等[13]在相同时段内的研究一致,总体呈增加趋势.因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性[37-38],所以本文主要是侧重进行毒杂草类型的验证,主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明,且认为本文的植被类型提取结果精度应高于61.43%,研究结论是可信的.本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实,畜牧业管理部门应对此加以重视. ...