预测地表能量收支需要精确的地表发射率 (LSE) 和地表温度 (LST) 信息。LST 是基本气候变量之一,也是局部和全球尺度地表过程物理中的重要参数,而 LSE 是物质成分的指标。尽管有大量关于使用遥感数据计算 LST 和 LSE 的方法和算法的出版物,但准确预测这些变量仍然是一项具有挑战性的任务。在现有的计算 LSE 和 LST 的方法中,特别关注的是归一化差异植被指数阈值法 (NDVI THM),尤其是对于农业和森林生态系统。要应用 NDVI THM,了解植被覆盖比例 (P V) 至关重要。本研究的目的是调查使用 NDVI THM 时 P V 预测精度对 LSE 和 LST 估计的影响。2015 年 8 月,在德国东南部巴伐利亚森林国家公园的混合温带森林中开展了一项实地活动,与 Landsat-8 立交桥同时进行。在 37 个地块的实地测量了 P V。使用了四种不同的植被指数以及人工神经网络方法来估计 P V 并计算 LSE 和 LST。结果表明,与传统植被指数(R 2 CV = 0.42,RMSE CV = 0.06)相比,使用人工神经网络(R 2 CV = 0.64,RMSE CV = 0.05)可以提高 P V 的预测精度。本研究结果还表明,估计的 P V 的精度变化影响了 LSE 的计算结果。此外,我们的研究结果表明,虽然 LST 取决于 LSE,但在预测 LST 时还应考虑其他参数,因为更准确的 LSE 结果并没有提高 LST 的预测精度。
用于评估Luanhe River(URLR)对流量的植被变化的影响,我们首先计算了基础表面参数(ω)与归一化差异植被指数(NDVI)之间的方程。然后,我们将植被信息引入了Budyko方程,并建立了修改的Budyko方程。最后,使用改良的Budyko方程估算了植被变化对URLR流量的影响。结果表明:(1)URLR中的NDVI从1982年到2016年的趋势越来越大,这与径流深度相反。NDVI的突然变化发生在1998年,并且获得了ω和NDVI之间的简单线性模型(p <0.01)。(2)在变化期(1999- 2016年)中,降水,潜在蒸散量,NDVI和人为因素的贡献率分别为44.99、11.26、29.45和17.30%。尽管降水仍然是ULRB径流撞击的主要驱动力,而ULRB的植被的增加,但植被已成为径流撞击的第二个驱动力,随后是人类活动和潜在的蒸发量。需要进一步研究植被变化对水周期的影响的机制。这项研究的结果可以为URLR中的用水和保护提供理论基础。
作物保险虽然很有必要,但在肯尼亚农业中却尚未扎根,现有的少量保险都是以赔偿为基础的,也就是说,农民只能根据评估的作物损失或收成不足获得赔偿。对于普通自给自足的农民来说,这往往既麻烦又昂贵。更好的方法是使用基于指数的保险,即计算一个商定的指数,然后根据该指数的价值向农民赔偿或不赔偿。遥感技术现已在全球广泛应用,它提供了这样一个指数,即归一化植被指数 (NDVI),它是公认的衡量作物在不同生长阶段健康状况的指标。本文报告了一项于 2019 年中期进行的研究,该研究旨在调查以这种方式应用遥感为肯尼亚米戈里县的玉米农民提供作物保险的可能性。我们获取了 2017 年 5 月(作为保险年度)的 Sentinel 2 影像,并对研究区域进行了分类并生成了 NDVI。叠加一个 8 Km × 8 Km 的网格,并计算每个网格单元的平均 NDVI。获取了 2016 年 5 月的类似影像,并进行类似处理,以提供参考 NDVI 平均值。对于任何网格单元,如果 A p 为保险年度 NDVI,A r 为参考 NDVI,则保险指数计算为 (A p - A r ),如果该值为负数,则会触发农民赔偿。结果表明,在研究区域内约 85 个小农场中,有 30 个有资格获得此类赔偿。建议在研究区域和类似的玉米种植区进一步完善和试点测试这些结果。
人口增长和土地conversion依导致南苏拉威西南部海岸,尤其是Mamminasata地区的红树林降解。减少红树林会增加大气中的二氧化碳。然而,仍然缺乏有关红树林潜在吸收的数据。为了克服这一点,遥感用于估计碳储备。这是通过Sentinel-2a图像来估计Mamminasata中的红树林库存的。图像处理过程包括辐射校正,大气校正,图像分类和提取NDVI值。NDVI值用于将红树林的密度分类为稀疏,中和致密,覆盖1,244.75公顷。通过对森林立场测量值的调查进行了现场数据收集。NDVI变换的结果显示,乳腺区域的红树林对象的值范围为0.2至0.8。然后将分析图像的NDVI数据分为三个密度类。稀有密度类的碳值为3.56 - 21.16吨C/公顷,中密度类别在21.17 - 31.49吨C/公顷之间,密度密度类别在31.50 - 39.18吨C/公顷之间。回归分析显示了NDVI和碳库存之间的密切相关性(R²= 0.7134)。这项研究证实了遥感在环境监测和红树林保护中的有效性。这些发现通过强调具有较高碳固换潜力的领域来支持保护工作和可持续管理政策。归因 - 共享4.0国际(CC BY-SA 4.0)
本研究的重点是比较应用于中高空间分辨率传感器的数据融合方法。应用了两种已记录的方法,即空间和时间自适应反射融合模型 (STARFM) 和基于解混的方法,该方法提出了一种贝叶斯公式来整合先前的光谱信息。此外,两种算法的优势结合在一种新颖的数据融合方法中:空间和时间反射解混模型 (STRUM)。使用模拟图像和 Landsat 和 MODIS 图像展示了每种方法的潜力。算法的理论基础使 STARFM 和 STRUM 产生类似 Landsat 的反射,同时保留 Landsat 图像中的空间模式,而基于解混的方法产生类似 MODIS 的反射。还使用时间 NDVI 配置文件评估了融合图像捕捉物候变化的能力。 STARFM NDVI 的时间剖面与 Landsat NDVI 剖面非常相似。然而,在模拟输入高分辨率图像很少的情况的实验中,基于分离的方法和 STRUM 可以更准确地重建 NDVI 轨迹。STRUM 性能最佳,因为它产生的表面反射与参考 Landsat 图像的相关性最高。这项研究的结果表明,STRUM 更适合需要类似 Landsat 表面反射的数据融合应用,例如间隙文件
由生态气象观察站拍摄的多视图现实生活图像可以为植被监测提供高通量可见光(RGB)图像数据,但目前,关于多视图图像的植被监测效应及其与卫星遥感监测的植被监测效应的研究报告很少。在这项研究中,使用了喀尔斯特裸露的岩石和植被作为研究对象,使用4个生态学术站的远景图像和近视图图像来比较机器学习细分算法对远距离和近乎近距离图像的分段算法的细分效应,分析远距离观点的植被图像和远距离观察的图像以及远距离的远程图像和远距离的远程图像和远距离的远距离图像。结果表明:(1)机器学习算法适用于多视图图像的绿色植被分割。近视图图像的机器学习算法的分割精度高于远景图像的分割精度,精度率超过85%。在弱光条件下捕获的图像可以获得更高的植被分割精度,而裸岩的比例对图像分割精度没有明显影响。(2)不同RGB植被指数所呈现的植被的年际变化趋势差异很大,从远处看,植被的年际变化差异大于近距离观点。ndyi和rgbvi在植被变化中表现出良好的一致性,也可以更好地显示植被的年际差异。从年内变化的角度,各种RGB植被指数显示出不同程度的季节性变化。喀斯特地区的植被从4月到10月生长良好,RGB植被指数从5月到6月在大多数车站达到了高峰。从遥远的角度来看,植被指数的季节性分布更为明显。(3)地面多视图RGB植被指数与不同卫星的NDVI之间的相关性存在显着差异。与FY3D NDVI的相关性比Modis NDVI弱。大多数RGB植被指数与MODIS NDVI有良好的相关性,并且具有显着差异的索引(P <0.05)占70.5%。从远处看,大多数RGB植被指数与FY3D NDVI和MODIS NDVI之间的相关性比近距离观点更好,并且在RGB索引中与不同站点和近距离近距离近距离的NDVI相关的RGB指数有显着差异。机器学习算法与NLM过滤优化相结合,在多视图图像分段中具有很大的优势。不同的RGB植被指数对植被生长的变化有不同的反应,这可能与植被指数和植被形态和位置的带子组成有关。卫星的图像射击模式更接近远视角,因此
在葡萄栽培中,通过超高的空间分解图像快速而准确地获取了冠层光谱信息以进行决策支持。普遍的做法涉及使用从纯藤冠像素获得的光谱数据创建活力图。基于对象的图像分析(OBIA)在常规方法中表现出由于其特征提取的功能而在树冠分类中表现出合理的效率。近年来,深度学习(DL)技术在果园监测中表现出了巨大的潜力,并利用了它们自动学习图像特征的能力。这项研究评估了不同方法的性能,包括掩盖R-CNN,U-NET,OBIA和无监督方法,以识别纯冠类像素。比较了阴影和背景检测方法的有效性以及错误分类像素对NDVI的影响。将结果与2021年和2022年生长季节进行的农艺调查进行了比较,重点是两个不同的物候阶段(BBCH65-BBCH85)。蒙版R-CNN和U-NET在整体准确性(OA),F1得分和与联合(IOU)相交方面表现出卓越的性能。在OBIA方法中,高斯混合模型(GMM)被证明是冠层分割的最有效的分类器,并且支持向量机(SVM)也表现出合理的稳定性。相反,随机森林(RF)和K-均值的准确性和较高的错误率产生了较低的误差率。由于准确性有限,因此在葡萄园行高的葡萄园排被高估了,而对于高活力的檐篷,NDVI被低估了。可显着提高确定系数,以进行总叶面积(TLA)与源自蒙版R-CNN和U-NET得出的NDVI数据之间的比较。还发现了来自GMM和SVM算法的NDVI数据的正相关性。关于叶叶绿素(CHL)和NDVI相关性,蒙版R-CNN和U-NET方法显示出较高的性能。此外,TLA和投影冠层区域(PCA)之间的关系得到了U-NET和Mask R-CNN的明显代表,而不建议使用PCA来估计叶绿素含量。这项调查确定,改善了葡萄树冠划界的贡献,可改善葡萄园活力监测,为葡萄酒生长提供了更准确,更可靠的农艺信息,以进行管理决策。
在发射时,将为全球陆地生成两种植被指数 (VI) 算法。一种是标准归一化差异植被指数 (NDVI),它被称为现有 NOAA-AVHRR 衍生 NDVI 的“连续性指数”。在发射时,将有来自 NOAA-AVHRR 系列的近 20 年的 NDVI 全球数据集(1981 - 1999 年),可以通过 MODIS 数据进行扩展,以提供用于操作监测研究的长期数据记录。另一种是“增强型”植被指数 (EVI),它对高生物量区域的灵敏度更高,并且通过分离冠层背景信号和减少大气影响来改善植被监测。这两个 VI 在全球植被研究中相互补充,并改进了冠层生物物理参数的提取。还使用了一种新的合成方案,可以减少角度、太阳目标传感器变化。网格植被指数图使用 MODIS 表面反射率(针对分子散射、臭氧吸收和气溶胶进行了校正,并使用 BRDF 模型调整至最低点)作为 VI 方程的输入。网格植被指数将包括带有统计数据的质量保证 (QA) 标记,用于指示 VI 产品和输入数据的质量。产品可以总结为:
从被动式近端传感器过渡到主动式近端传感器。主动式传感器不依赖自然阳光的反射,而是测量作物调制光的反射,因此它们可以在所有照明条件下工作。本研究比较了主动式和被动式冠层传感器在预测梅洛葡萄园 25-32 个随机选择位置的生物量产量方面的潜力。两种传感器都提供了从转色期冠层最低点视角估计的归一化差异植被指数 (NDVI),这是修剪重量的良好预测指标。尽管被动传感器的红色 NDVI 更多地解释了生物量的变化(R 2 = 0.82),但它与修剪重量的关系是非线性的,最好用二次回归来描述(NDVI = 0.55 ?0.50 wt - 0.21 wt 2 )。在高生物量条件下,无法验证琥珀色 NDVI-生物量关系理论上更大的线性度。与叶片中稳定同位素含量(13 C 和 15 N)的线性相关性提供了证据表明,冠层反射率检测到了由于缺水和肥料氮吸收有限而导致的植物压力。因此,这些移动传感器提供的冠层反射率数据可用于改善葡萄园的特定地点管理实践。