XiaoMi-AI文件搜索系统
World File Search System植被指数
MODIS 植被指数
植被状况、覆盖、变化和过程的评估是全球变化研究项目的主要组成部分，也是具有重大社会意义的课题。光谱植被指数是最广泛使用的卫星数据产品之一，它为气候、水文和生物地球化学研究、物候学、土地覆盖和土地覆盖变化检测、自然资源管理和可持续发展提供了关键测量数据。植被指数 (VI) 是一种稳健且无缝的数据产品，无论生物群落类型、土地覆盖状况和土壤类型如何，它都以类似的方式在时间和空间上对所有像素进行计算，因此代表了真实的表面测量值。VI 的简单性使其能够跨传感器系统融合，这有助于确保长期陆地表面建模和气候变化研究的关键数据集的连续性。目前，已有超过二十年的 NOAA 高级甚高分辨率辐射计 (AVHRR) 得出的一致的全球归一化差异植被指数 (NDVI) 陆地记录，这对全球生物群落、生态系统和农业研究做出了重大贡献。在本章中，我们介绍了中分辨率成像光谱仪 (MODIS) VI 产品的当前状态、其算法状态和传统、验证和 QA。我们重点介绍了陆地遥感科学的一些重要进展，并讨论了使用 MODI 所带来的各种应用和社会效益
MODIS 植被指数 (MOD 13) - VIP 研究实验室。
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：
形态计量关系及其对...
缩写：AUDPC，疾病进度曲线下的区域； CBC，Cannabichromene； CBD，大麻二醇； CBDV，大麻素； CBL，大麻赛； DAP，种植后的几天； DBM，总干生物量； DSBM，完全干燥的花卉生物量； EVI，增强的植被指数； GCI，绿色叶绿素指数； GDVI，广义差异植被指数； HTP，高通量表型； MNLI，修改的非线性植被指数； MSAVI2，修饰的二次土壤调整植被指数； NDVI，归一化差异植被指数； Osavi，优化的土壤调整植被指数； PM，大麻粉状霉菌； THC，四氢大麻酚； UAS，无人空中系统； WBM，总湿生物质。©作者2021。由牛津大学出版社出版，代表实验生物学学会。这是根据Creative Commons Attribution许可条款（http://creativecommons.org/licenses/4.0/）分发的一份开放访问文章，该文章在任何媒介中都不受限制地重复使用，分发和复制，前提是原始作品被适当地提到了任何媒介。
在估计...
土地退化直接影响地上碳池，影响碳排放，这对于管理城市的生物质和碳存储至关重要。尽管传统的现场技术是准确的，但它们需要大量的时间和劳动。这项研究探索了一种可靠且负担得起的选择，用于测量地上生物量和碳量（AGBC），并具有遥感。五个不同的植被指数（VIS） - 简单比率（SR），差异植被指数（DVI），归一化差异植被指数（NDVI），土壤调节植被指数（SAVI）和增强的植被指数（EVI） - 用于使用Landsat 8 Oli Imiifection评估了生物质预测。模型是通过使用来自菲律宾纳迦市各种土地覆盖类型的数据来估计AGBC的。通过将来自不同土地覆盖类型（草原，大米，玉米农田和林地）的地上生物量数据结合在一起，开发了模型以估算AGBC。根据其统计性能，特别是最高的确定系数（R²）和最低的均方根误差（RMSE），选择了每种土地覆盖类型的最佳模型。结果增强了我们对碳库存的理解，为开发旨在解决土地退化的计划和方法提供关键信息。主要发现是：[1]野外测量的AGBC和五个VIS之间存在显着相关性，SR对草原，DVI的表现最好，用于稻田的DVI，而EVI则是玉米耕地和森林陆地的EVI； [2]该市的AGB总数约为270万兆克拉姆（MG），估计有120万兆克（C mg）； [3]林地存储最高的AGB，其次是草原，玉米农田和水稻农田。
基于地面的植被生长监测 -
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
遥感方法在农业中的应用 - Agrobiol
对妨碍遥感数据解释的因素的敏感性，如土壤背景、地貌、植物的非光合作用元素、大气、观看和照明几何（Huete 和 Justice 1999）最常用的指数是归一化差异植被指数（NDVI），由 Rouse 等人（1974 年）提出，计算为近红外和红光区域反射率差与和的商。由于叶片叶肉的散射，植物的绿色部分在近红外区域反射强烈，并通过叶绿素强烈吸收红光和蓝光（Ayala-Silva 和 Beyl 2005）。NDVI 指数最常用于确定栽培植物的状况、发育阶段和生物量以及预测其产量。 NDVI 已成为最常用的植被指数（Wallace 等人，2004 年；Calvao 和 Palmeirim，2004 年），人们做出了许多努力，旨在开发进一步的指数，以减少土壤背景和大气对光谱测量结果的影响。限制土壤对遥感植被数据影响的植被指数的一个例子是 Huete（1988 年）提出的 SAVI（土壤调节植被指数）。另一个是 VARI 指数（可见大气抗性指数）（Gitelson 等人，2002 年），它大大降低了大气的影响。还有更多的指标被开发出来，来考虑 NIR 和 SWIR 范围内的反射率差异，从而表明植物缺水：MSI（水分胁迫指数）（Rock 等人，1986 年）、LWCI（叶片水分含量指数）（Hunt 等人，1987 年）、WI（水分指数）（Panuelas 等人，1993 年）、GVMI（全球植被水分指数）（Ceccato 等人，2002 年）和 SIWSI（MidIR，G）（短波红外水分胁迫指数）（Fensholt 和 Sandholt，2003 年）。反过来，植被指数，如 CWSI（作物水分胁迫指数）（Jackson 等人，1981 年）、ST（地表温度）（Jackson，1986 年）、WDI（水分亏缺指数）（Moran 等人，1994 年）和 SI（胁迫指数）（Vidal 等人，1994 年）描述了水分胁迫与植物热特性之间的关系。表 1 列出了文献中报告的用于特定农业应用的植被指数示例。
遥感方法在农业中的应用 - 农业生物学
对妨碍遥感数据解释的因素的敏感性，例如土壤背景、地貌、植物的非光合作用元素、大气、观看和照明几何（Huete 和 Justice 1999）最常用的指数是归一化差异植被指数 (NDVI)，由 Rouse 等人 (1974) 提出，计算为近红外和红光区域反射率差与和的商。由于叶片叶肉的散射，植物的绿色部分在近红外区域反射强烈，并通过叶绿素强烈吸收红光和蓝光（Ayala-Silva 和 Beyl 2005）。NDVI 指数最常用于确定栽培植物的状况、发育阶段和生物量以及预测其产量。 NDVI 已成为最常用的植被指数（Wallace 等人，2004 年；Calvao 和 Palmeirim，2004 年），人们做出了许多努力，旨在开发更多指数，以减少土壤背景和大气对光谱测量结果的影响。限制土壤对遥感植被数据影响的植被指数的一个例子是 Huete（1988 年）提出的 SAVI（土壤调节植被指数）。另一个是 VARI 指数（可见大气抗性指数）（Gitelson 等人，2002 年），它大大降低了大气的影响。人们还开发了更多指数来考虑 NIR 和 SWIR 范围内的反射率差异，这表明植物缺水：MSI (
使用 NDVI 阈值法预测植被覆盖比例对地表发射率和温度的影响
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。
卫生型甘蔗健康监测，卫星光谱和机器学习：评论
由于对卫星图像的可及性提高，对大规模作物监测的研究蓬勃发展。使用基于卫星的光谱和机器学习（ML）（ML），该评论研究了甘蔗健康监测以及疾病/虫害检测中先前未探索和探索的区域。它讨论了系统开发中的关键考虑因素，包括相关的卫星，植被指数，ML方法，影响甘蔗反射率，最佳生长条件，常见疾病和传统检测方法的因素。许多研究强调了农作年龄，土壤类型，视角，水含量，最近的天气模式和甘蔗种类等因素如何影响光谱反射率，从而通过光谱法影响健康评估的准确性。但是，文献中尚未完全考虑这些变量。此外，目前的文献缺乏ML技术和植被指数之间的全面比较。本综述解决了这些差距，并讨论了，尽管目前的发现表明，ML驱动的卫星光谱系统有可能监测甘蔗健康，但进一步的研究至关重要。本文对先前的研究进行了全面的分析，以帮助释放这种潜力并使用卫星技术发展有效的甘蔗健康监测系统。
有监督的机器读取式识别 -
自动农作物识别是现代农业的重要分支。它为农田制图，农作物轮作分析，农田结构和农业用地使用监测提供了广泛的机会。遥感是一种通过实施各种植被指数（例如，标准化差异植被指数）结合机器学习和计算机视觉的技术，是一种可用于作物识别的潜在且有力的技术。当前的研究致力于对乌克兰监督机器识别的最新开发机器学习的准确性，即软件应用Agroland分类器，该分类器是基于Naas气候智能农业研究所的科学研究的结果而构建的。该应用程序采用了几种监督的机器学习方法，即多种规范的判别分析和逻辑回归，以区分冬季小麦，冬季大麦，冬季大麦，冬季菜籽，谷物玉米，大豆和向日葵等农作物。使用随机选择的标记的田地进行测试，每种作物100个田间。在乌克兰的所有领土上进行了测试。从农业监控地图平台中检索了月度归一化差异指数的输入值。已经确定，最高的作物识别精度与小麦有关（总准确度为82.0％，F1得分为0.90），而大豆的最差结果（占真实猜测的50.0％，F1得分为0.67）。需要进一步的详细测试和算法改进，并将继续进行。还观察到，识别精度高度取决于农作物种植的土壤气候条件。