叶面积指数(Leaf Area Index, LAI)作为植被结构和生长状况的重要指标和生态参数,能够较好地反映植被的生长状况与分布情况,本文基于LAI反映城市绿色空间的分布状况,以乌鲁木齐市作为研究区,使用2016~2022年的Sentinel-2系列遥感数据反...叶面积指数(Leaf Area Index, LAI)作为植被结构和生长状况的重要指标和生态参数,能够较好地反映植被的生长状况与分布情况,本文基于LAI反映城市绿色空间的分布状况,以乌鲁木齐市作为研究区,使用2016~2022年的Sentinel-2系列遥感数据反演了乌鲁木齐市夏季LAI时间序列数据。引入景观指数分析乌鲁木齐市2016~2022年不同等级绿色空间的组分与结构变化特征;使用结合Sen斜率估计的M-K趋势检验分析了乌鲁木齐市夏季LAI的变化趋势;并通过地理探测器分析了不同驱动因子对LAI的驱动作用。结果表明:(1)建成区内部多为低密度植被区域覆盖,高密度植被覆盖区域集中于城市边缘;(2)乌鲁木齐市的绿色空间面积主要呈减少趋势。(3)影响乌鲁木齐市绿色空间的驱动因子主要为土地利用类型和降水量;(4)交互探测表明驱动因子交互作用影响力强于单个驱动因子。展开更多
作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载C...作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。展开更多
文摘叶面积指数(Leaf Area Index, LAI)作为植被结构和生长状况的重要指标和生态参数,能够较好地反映植被的生长状况与分布情况,本文基于LAI反映城市绿色空间的分布状况,以乌鲁木齐市作为研究区,使用2016~2022年的Sentinel-2系列遥感数据反演了乌鲁木齐市夏季LAI时间序列数据。引入景观指数分析乌鲁木齐市2016~2022年不同等级绿色空间的组分与结构变化特征;使用结合Sen斜率估计的M-K趋势检验分析了乌鲁木齐市夏季LAI的变化趋势;并通过地理探测器分析了不同驱动因子对LAI的驱动作用。结果表明:(1)建成区内部多为低密度植被区域覆盖,高密度植被覆盖区域集中于城市边缘;(2)乌鲁木齐市的绿色空间面积主要呈减少趋势。(3)影响乌鲁木齐市绿色空间的驱动因子主要为土地利用类型和降水量;(4)交互探测表明驱动因子交互作用影响力强于单个驱动因子。
文摘作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。
