利用多光谱遥感技术定量估算野鸭湖湿地挺水植物的含水量.基于典型挺水植物的实测冠层光谱及其对应样方的叶片含水量和叶面积指数LAI数据,首先对芦苇和香蒲的地面实测光谱进行重采样,以模拟WorldView-2影像的光谱,然后利用模拟光谱分别构建芦苇和香蒲任意两波段反射率组合而成的比值(SR)和归一化差值植被指数(NDVI),通过分析植被指数与CWC(冠层含水量,Canopy Water Content)的相关关系,选择与CWC显著相关的植被指数,并通过单变量线性与非线性拟合的分析方法确定监测不同挺水植物群落的最佳植被指数,建立估算模型;结合覆盖研究区的WorldView-2高分辨率多光谱影像,对研究区的挺水植物群落CWC进行反演及制图.结果表明,基于模拟WorldView-2影像光谱构建的比值(SR)和归一化差值植被指数(NDVI)与CWC的总体相关性较高;SR(8,3)芦苇为估算CWC芦苇的最优植被指数,估算模型为y=0.005x+0.003,NDVI(8,3)香蒲为估算CWC香蒲的最优植被指数,估算模型为y=2.461x2-0.313x+0.032,通过交叉检验,CWC芦苇和CWC香蒲的预测精度分别为87.42%和82.12%,预测精度较为理想;利用实测数据对反演的CWC空间分布图进行了验证,通过验证,芦苇和香蒲影像估算CWC的均方根差(RMSE)分别为0.0048和0.0052,估算精度分别为83.56%和80.31%,表明利用WorldView-2高分辨率多光谱影像反演湿地挺水植物群落CWC具有较高的可行性.
为描述单一景观的空间分布离散性和广度特征,引入基于香农熵的空间分布指数(MSHDI,Modified Shannon's Distribution Index),利用河南省中南部地区1990、2001和2007年3期TM/ETM+遥感影像,进行了MSHDI与经典景观指数的比较,并分析了M...
详细信息
为描述单一景观的空间分布离散性和广度特征,引入基于香农熵的空间分布指数(MSHDI,Modified Shannon's Distribution Index),利用河南省中南部地区1990、2001和2007年3期TM/ETM+遥感影像,进行了MSHDI与经典景观指数的比较,并分析了MSHDI与面积指数(PLAND,Percentage of Landscape)在多网格尺度下的相关关系。结果表明:(1)MSHDI在描述单一景观的空间分布广度和离散程度特征方面具有较好的适用性。MSHDI能适应不同制图综合程度的影响,并能反映出景观斑块边缘的细微差别。(2)通过分析MSHDI与PLAND之间相关系数的大小和变化程度可以分别验证MSHDI的表征性和稳定性。(3)MSHDI适用于基底和散布状景观,两种指数之间有显著的正相关性(农用地=0.939,=0.000;城市建设=0.877,=0.004;工矿仓储=0.870,=0.002;自然绿地=0.966,=0.001),且随网格粒度变化不大(农用地r=0.921±0.054;城市建设r=0.867±0.107;工矿仓储r=0.883±0.052;自然绿地r=0.964±0.024);而对网状景观则缺乏稳定性。
利用高光谱遥感技术定量估测野鸭湖湿地植被含水量,对于监测和诊断野鸭湖湿地植被的生理状况及生长趋势具有重要意义,也能够为高光谱遥感影像在野鸭湖湿地植被含水量诊断中的实际应用提供理论依据和技术支持。采用Field Spec 3野外高光谱辐射仪,获取了野鸭湖典型湿地植被冠层和叶片的光谱,并测定了对应的含水量。以上述实测数据为基础,首先以芦苇为例初步探明了不同含水量水平下典型湿地植被冠层和叶片光谱反射率的响应模式,然后采用相关性及单变量线性与非线性拟合分析技术,从冠层和叶片两种层次,对不同尺度下的含水量与"三边"参数及高光谱植被指数进行了分析拟合,并采用交叉检验中的3K-CV方法对估算模型进行了测试和检验,确立了不同尺度下野鸭湖湿地植被含水量的定量监测模型。结果表明:(1)随着含水量水平的增加,芦苇冠层与叶片光谱在可见光波段(350—760 nm)和红外波段(760—2500 nm)的反射率均呈逐渐降低趋势。(2)不同尺度含水量与选取的光谱特征参数整体上相关性较强,与"三边"参数基本上都呈极显著相关,相关系数最大达到0.906;与高光谱指数全部呈极显著相关,相关系数最小为0.455,最大达到0.919,并通过选取不同尺度上相关性最佳的光谱特征参数,分别基于"三边"参数和高光谱植被指数构建了不同尺度下的含水量估算模型。其中,冠层尺度下,黄边面积(SDy)与SRWI(Simple Ratio Water Index)的估算效果最好,估算模型分别为y=-9.462x2-2.671x+0.608和y=0.219e1.010x;叶片尺度下,红边面积(SDr)与WI(Water Index)的估算效果最好,估算模型分别为y=0.562x+0.376和y=2.028x2-0.476x-1.009。通过3K-CV的交叉验证,不同尺度下的含水量估算模型均取得了较为理想的预测精度,预测精度的最小值为94.92%,最大值为97.06%,表明估测模型具有较高的可靠性与普适性。(3)高光谱植被指数与含水量拟合方程的拟合度相对高于"三边"参数与之建立方程的拟合度,说明多波段组合的光谱特征参数更适合含水量的判别。
暂无评论