文章信息
- 李营, 陈云浩, 陈辉, 王晨
- LI Ying, CHEN Yunhao, CHEN Hui, WANG Chen
- GF-1 WFV影像的翅碱蓬植被指数构建
- Construction of Suaeda Salsa Vegetation Index Based on GF-1 WFV Images
- 武汉大学学报·信息科学版, 2019, 44(12): 1823-1831
- Geomatics and Information Science of Wuhan University, 2019, 44(12): 1823-1831
- http://dx.doi.org/10.13203/j.whugis20180105
-
文章历史
收稿日期: 2018-09-04
![](images/WuHanDaXueerweima.jpg)
2. 生态环境部卫星环境应用中心, 北京, 100094
2. Ministry of Ecology and Environment Center for Satellite Application on Ecology and Environment, Beijing 100094, China
翅碱蓬(suaeda salsa)在植物分类学上属中央种子目、黎科(chenopodiaceac)、碱蓬属(suaeda forsk),为一年生耐盐性湿生草本植物,每年四五月份长出地面,开始为绿色,之后慢慢变红。翅碱蓬在海岸带发挥着重要的生态维持与调节作用,能够改良土壤、保护环境、净化污水[1]、修护石油化工污染[2],同时还起着维持湿地生态系统正常演替、防风固堤、调节气候等多种生态服务功能[3]。而近年来由于农垦和围海养殖,造成翅碱蓬生态环境破坏,致使其大面积消退。为有效保护翅碱蓬生态群落,从而保护海岸带生态,开展翅碱蓬空间分布及动态变化监测显得尤为重要。
植被指数是遥感领域用来表征地表植被覆盖和生长状况的一个简单有效的度量参数[4],其本质是将多波段反射率做数学变换,增强植被信息的同时削弱非植被信息。大部分植被指数构造原理是基于绿色植被在近红外波段的高反射率及在红波段的高吸收率的较大差异。从植被指数发展历程来看,最初的植被指数是根据绿色植被的光谱差异构建的,主要用于植被信息提取与监测,如归一化植被指数(normalized difference vegetation index, NDVI)、增强型植被指数(enhanced vegetation index, EVI)等。随着研究的不断深入,研究人员发现植被指数存在一定缺陷,容易受大气[5]、土壤背景[6]、地形[7]、尘埃[8]等因素的影响。为此,各国学者做了一定改进[9]。如Pinty等[10]针对大气干扰问题提出全球环境监测指数(global environment monitoring index, GEMI),用于减弱大气影响、增强植被覆盖的监测能力。之后,出现了一些新的植被指数,主要用于拓展植被指数的应用领域。如为校正遥感影像中阴影的干扰,许章华等[11]构建了阴影植被指数(shaded vegetation index, SVI),并评估其在Landsat TM等影像中的植被提取效果。为监测森林健康,许章华等[12]也构建了基于龄组的植被指数(age group vegetation index, AGVI),用于提取林龄信息与龄组划分。为高精度地提取植被信息,汪小钦等[13]构建了基于无人机可见光波段数据的植被指数(visible-band difference vegetation index, VDVI),能够有效提取无人机影像中的健康绿色植被信息。Jin等[14]基于辐射传输方程,采用红和近红外波段反射率,提出植被物候指数(plant phenology index, PPI),用于评估植被冠层长势及监测高纬度常绿针叶林的物候特征;Maki等[15]在研究归一化水指数(normalized difference water index, NDWI)和近红外与短波红外光谱反射率的基础上,提出植被干燥指数(vegetation dryness index, VDI),用于监测森林干燥度,从而预警森林火灾。
在湿地或潮间带生态系统采用植被指数提取植被信息方面,国内外学者也构造了一些植被指数。如刘瑜等[16]基于实地反射光谱数据和Landsat TM地物反射波谱曲线,通过分析潮滩湿地植被光谱特征,构建了三波段比值指数(tri-band ratio vegetation index, TRVI),通过与NDVI、改进的归一化差异水体指数(modified NDWI, MNDWI)等指数结合,能够有效提取长江口潮滩湿地中的芦苇、互花米草和海三棱藨草;王颖洁等[17]仿照林地指数,构建湿地植被指数,采用时序Landsat多光谱数据,区分影像中的湿地植被、林地及农作物;为准确监测海岸带盐沼湿地植被资源,舒敏彦[18]通过野外光谱测量,提出了一种基于下垫面湿度调节的海岸带盐沼植被指数(coastal salt mashes vegetation index, CSMVI),可很好地提取海岸带植被信息;Zhao等[19]通过研究NDVI、EVI、修正的土壤调节植被指数(modified soil adjusted vegetation index, MSAVI)和陆地表面水分指数(land surface water index, LSWI)等在监测潮间带植被演替过程中的相关性,提出一种综合LSWI和EVI或MSAVI的合成指数,采用MODIS数据识别潮间带植被演替的过程。
综上可知,国内外植被指数已从单一监测植被向更深层次的植被特性监测发展,但这些植被指数主要针对绿色植被构建。针对湿地或潮间带生态系统构建的植被指数并不多见,且几乎都是针对绿色植被构建,针对红色植被提取而构建的植被指数并不多见。
遥感技术是监测宏观大范围海岸带生态环境的重要手段,目前有关翅碱蓬的遥感监测主要围绕其景观变化[20-21]、生态健康评价[22]、土壤盐碱环境[23-24]展开。上述研究都必须建立在精确的翅碱蓬时空分布信息提取的基础上。现阶段采用遥感技术进行翅碱蓬监测主要通过分析植被指数与其他指标的相关性进而监测翅碱蓬,如吴涛等[25]建立比值植被指数(ratio vegetation index, RVI)和生物量的一次与二次回归关系,由此监测翅碱蓬面积分布信息,发现RVI对大气影响敏感,监测效果较差;Sun等[26]采用时间序列NDVI对黄河三角洲湿地的翅碱蓬进行了提取研究,发现加入翅碱蓬物候信息可以提高提取精度,然而NDVI在描述植被指数和土壤背景的光谱行为上存在矛盾,致使植被覆盖度高的翅碱蓬提取能力有限。
综上,上述植被指数均是间接监测提取翅碱蓬,其构建初衷主要针对陆地植被,不适用于潮间带植被。因此,有必要构建一个面向海岸带红色翅碱蓬的植被指数,进行翅碱蓬遥感提取及其生态变化状况监测研究。为此,本文选取中国辽宁双台子河口自然保护区的翅碱蓬群落作为研究区,利用翅碱蓬植被的红色特征,通过分析研究区内GF-1 WFV影像中各地物遥感影像光谱信息,进而构建基于GF-1 WFV数据的翅碱蓬植被指数;同时,选取4种植被指数对比分析翅碱蓬植被指数的提取精度与效果。
1 研究区与数据 1.1 研究区研究区地处中国辽东双台子河口湿地自然保护区,该区域属于温带大陆性半湿润季风气候,年平均气温8.3~8.4 ℃,年平均降水611.6~640.1 mm,年蒸发量1 392~1 705 mm[27],年均结冻日为155 d,地貌为冲积、海积平原,海岸地带地势低洼,潮沟发达[28]。翅碱蓬常分布于海陆交互作用的潮滩地带,每年秋季,大面积翅碱蓬在辽东潮滩分布形成奇特壮丽的“红地毯”景观,被誉为中国最美六大沼泽湿地之一,也是世界罕见的红色海岸线。因翅碱蓬群落集中分布于潮间带,因此,选取最具典型地物类型特征的区域作为研究区,如图 1所示,其面积472 km2,是中国北方具有代表性的海岸带,区域内植被以翅碱蓬、芦苇为主[29],同时还包括水体、光滩、道路、人工建筑、虾蟹田、裸土等地物。
![]() |
图 1 研究区空间位置示意图 Fig. 1 Location of the Study Area |
数据选取2014—2016年8、9月的5景(2014-09-08、2015-08-15、2015-09-20、2016-09-28、2017-09-24)GF-1 WFV卫星影像。本文根据公布的GF-1卫星绝对辐射定标系数及平均太阳辐照度(http://www.cresda.com/cn),对影像进行大气辐射校正,获取影像地表反射率。之后,利用实地勘测的翅碱蓬数据并结合Google Earth历史影像对其进行几何精校正,校正精度控制在1个像元内。
为便于开展翅碱蓬植被指数研究与统计分析,将图 1范围作为翅碱蓬的研究区。利用遥感软件ENVI分别提取研究区翅碱蓬、芦苇、水体、光滩、人工建筑、裸土、道路、虾蟹田等地物的地表反射率样本(样本内像元数大于50个)共60个,其中,水体和裸土样本均为6个,剩余地物样本均为8个,每种地物样本的总像元数均为500个。求取每种地物每个样本的概率密度函数的期望值,得到8种地物GF-1蓝、绿、红、近红外4个波段的反射率,结果如表 1所示。期望值计算公式为:
波段/地物 | 翅碱蓬 | 芦苇 | 水体 | 光滩 | 人工建筑 | 裸土 | 道路 | 虾蟹田 |
蓝 | 0.162 9 | 0.159 7 | 0.151 4 | 0.183 6 | 0.289 8 | 0.035 8 | 0.146 8 | 0.176 8 |
绿 | 0.127 2 | 0.147 7 | 0.127 8 | 0.162 7 | 0.287 7 | 0.080 9 | 0.180 5 | 0.157 2 |
红 | 0.116 0 | 0.099 6 | 0.079 0 | 0.141 7 | 0.275 2 | 0.150 5 | 0.220 8 | 0.117 8 |
近红外 | 0.264 8 | 0.461 5 | 0.069 5 | 0.170 1 | 0.395 8 | 0.263 3 | 0.263 9 | 0.129 6 |
$ E(x)=\int_{a}^{b} P(x) \cdot x \mathrm{d} x $ | (1) |
式中,E(x)为期望值;P(x)为反射率概率密度;x为反射率值;a、b分别为谱段下、上限值。
2 翅碱蓬植被指数构建本文绘制了各地物光谱反射率曲线(图 2)。从反射率值大小角度来看,人工建筑在蓝、绿、红波段反射率最高,芦苇在近红外波段反射率最高,而裸土在蓝、绿波段反射率最低,水体在红波段反射率最低,光滩在近红外波段反射率最低。
![]() |
图 2 研究区典型地物GF-1反射率曲线 Fig. 2 Reflectance Curves of Typical Surface Objects in the Study Area |
从形态角度来看,在蓝-近红外波段,只有水体反射率呈现逐渐降低趋势,人工建筑、光滩、翅碱蓬、芦苇、虾蟹田均呈先减后增的趋势,道路、裸土始终呈增长趋势;从反射率强弱对比来看,研究区人工建筑、光滩、芦苇、翅碱蓬的反射率呈现近红外 > 蓝 > 绿 > 红的特征,道路、裸土呈现近红外 > 红 > 绿 > 蓝的特征,虾蟹田呈现红 < 近红外 < 绿 < 蓝的特征;从总体反射率角度来看,研究区大部分地物在红波段反射率最低,在近红外波段反射率最高,说明这两个波段反射率差别最大。
通过上述分析可知,研究区大部分典型地物在红波段、近红外波段反射率差异明显。因此,可根据这两个波段的组合去除一部分地物,而NDVI基于红与近红外波段构建,且能很好地区分植被与非植被,因此,借助NDVI(当NDVI < 0时)可剔除研究区水体、光滩、人工建筑、裸土、道路和虾蟹田等地物。之后的主要问题就是区分芦苇和翅碱蓬。
分析芦苇与翅碱蓬的反射率光谱曲线可知,翅碱蓬在蓝-绿波段反射率斜率要大于绿-红波段,而芦苇蓝-绿波段斜率要小于绿-红波段。基于这一特点,可利用波段间的斜率来区分翅碱蓬与芦苇,其数学表达式如下:
$ \left\{\begin{array}{l}{\rho_{\mathrm{BSS}}-\rho_{\mathrm{GSS}}>\rho_{\mathrm{GSS}}-\rho_{\mathrm{RSS}}} \\ {\rho_{\mathrm{BReed}}-\rho_{\mathrm{GReed}}<\rho_{\mathrm{GReed}}-\rho_{\mathrm{RReed}}}\end{array}\right. $ | (2) |
式中,ρBSS、ρGSS、ρRSS分别是翅碱蓬在蓝、绿、红波段的反射率;ρBReed、ρGReed、ρRReed分别是芦苇在蓝、绿、红波段的反射率。
因为,
综合上述分析,构建翅碱蓬植被指数(Suaeda salsa vegetation index, SSVI)如下:
$ \mathrm{SSVI}=\mathrm{NDVI}\left(\frac{\rho_{B}-\rho_{G}}{\rho_{G}-\rho_{R}}\right)^{2} $ | (3) |
式中,SSVI为基于GF-1 WFV影像构建的翅碱蓬植被指数;ρB、ρG、ρR分别为GF-1 WFV影像蓝、绿、红波段的反射率。
该指数数值无上限,理论上,SSVI小于0时为非植被,大于0时为翅碱蓬与芦苇,两种植被的区分需要设置翅碱蓬阈值。
3 翅碱蓬提取结果与精度分析 3.1 翅碱蓬空间分布提取基于2014-09-08 GF-1 WFV影像,采用构建的SSVI提取翅碱蓬,结果如图 3所示。
![]() |
图 3 翅碱蓬SSVI提取结果 Fig. 3 Extraction Result of Suaeda Salsa by the SSVI |
从图 3(a)中可以看出,翅碱蓬主要分布于潮间带,并沿着河流方向由内陆向近海延伸,其靠近河口端的地物主要为光滩或水体,而远离河口端的地物主要为芦苇。从翅碱蓬提取结果来看(图 3(b)),潮间带区域内的翅碱蓬几乎全部被提取出来(图 3(b)中红色区域),而错分地物却较少,说明SSVI提取翅碱蓬效果良好。
3.2 SSVI精度评估为进一步评估SSVI提取翅碱蓬的效果,选取了目前较为常用的4种植被指数,包括NDVI、RVI、土壤调整植被指数(soil adjusted vegetation index, SAVI)和修正土壤调整植被指数(modified SAVI, MSAVI),利用阈值法分别提取4景GF-1 WFV影像的翅碱蓬,评估其提取精度并统计错分像元数及占整个研究区的比例。各植被指数表征含义及计算公式参见文献[30]。
在设定各植被指数翅碱蓬提取阈值时发现,无论怎样设置,总有部分地物的数值落在这一阈值范围内,也一同被提取出来。所以,设置翅碱蓬提取阈值时需同时顾及翅碱蓬提取精度及错分像元数。
图 4为其他植被指数2014-09-08 GF-1 WFV影像提取的翅碱蓬结果。结合图 3,从提取翅碱蓬效果来看,SSVI提取效果最好,且错分像元数量最少;其他植被指数虽然能够提取大部分翅碱蓬,但位于提取阈值区间内的其他地物类型也被提取出来,影响了翅碱蓬提取精度。从错分像元类型来看,SSVI错分了少量光滩、人工建筑等地物,错分类型较少,而其他4个植被指数错分地物类型多于4种(如裸土、道路、人工建筑、光滩等)。综合来看,SSVI提取翅碱蓬的效果最优。
![]() |
图 4 2014年9月8日各植被指数阈值提取翅碱蓬结果 Fig. 4 Threshold Extraction Results of Suaeda Salsa by Using VIs from the GF-1 WFV Image on September 8, 2014 |
基于翅碱蓬实地勘测数据,辅助采用目视解译方法,获取翅碱蓬空间分布数据,以此对各植被指数提取的翅碱蓬进行精度评估,并统计错分像元数及所占研究区像元数比例,计算结果如表 2所示。可以看出,SAVI提取翅碱蓬的精度高达93.6%,其次分别为RVI(92.7%)、SSVI(92.1%)、NDVI(90.7%)、MSAVI(89.7%),虽然SSVI提取翅碱蓬的精度位于第3,但其错分像元占研究区比例仅为0.6%,而SAVI和RVI却分别高达15.2%和17.7%。通过对比发现,只有NDVI在提取精度和错分像元占研究区比例略逊于SSVI,综合来看,SSVI综合提取效果最佳。为进一步研究SSVI的翅碱蓬提取效果与适用性,利用5个植被指数分别提取2015-08-15、2015-09-20、2016-09-28、2017-09-24 GF-1 WFV影像中的翅碱蓬(图 5)。从提取翅碱蓬效果来看,2015-09-20及2017-09-24影像中的SSVI提取效果最好,错分像元数较少,而其他4个植被指数虽然也提取了大部分翅碱蓬,但错分像元较多,结果不理想;在2015-08-15和2016-09-28影像中,SSVI和其他植被指数的错分像元都较多,提取效果相对较差;从错分地物类型来看,SSVI区分了翅碱蓬与芦苇,但会错分光滩和人工建筑,这可能由异物同谱现象造成。NDVI、RVI、SAVI、MSAVI等指数错分类型较多,且区分翅碱蓬与芦苇效果不理想,同时也会错分光滩、裸土等地物,说明其提取效果劣于SSVI。
统计值 | 阈值最小值 | 阈值最大值 | 翅碱蓬精度% | 错分像元占比% |
SSVI | 0.5 | +∞ | 92.1 | 0.6 |
NDVI | 0.255 | 0.47 | 90.7 | 1.6 |
RVI | 1.68 | 3 | 92.7 | 17.7 |
SAVI | 0.17 | 0.342 | 93.6 | 15.2 |
MSAVI | 0.14 | 0.32 | 89.7 | 16 |
![]() |
图 5 4期GF-1 WFV影像各植被指数提取翅碱蓬结果 Fig. 5 Extraction Results of Suaeda Salsa Using Five VIs from Four GF-1 WFV Images Acquired at Different Times |
为定量分析SSVI提取翅碱蓬效果,统计各植被指数在4期影像中的翅碱蓬提取结果(表 3)。对比各植被指数提取精度可以看出,SSVI提取翅碱蓬的精度在2015-08-15、2016-09-28和2017-09-24最高,虽然在2015-09-20位于第2位(89.3%),但与第1位的SAVI(91.3%)仅相差2%。因此,综合来看,SSVI提取精度最高。从错分像元占研究区比例来看,SSVI在4期影像中均最低,说明其错分像元数最少,所以,SSVI在提取翅碱蓬精度及错分结果方面,效果明显优于其他4个植被指数;从4期翅碱蓬SSVI提取时相来看,年份跨度3 a,月份跨越8、9月,而翅碱蓬提取效果仍然较好,说明SSVI时间敏感性不强,且具有较好的适用性。
时间 | 植被指数 | 阈值最小值 | 阈值最大值 | 翅碱蓬提取精度/% | 错分像元占研究区比例/% |
2015-08-15 | SSVI | 2.0 | +∞ | 85.5 | 6.6 |
NDVI | 0.1 | 0.3 | 76.2 | 11.7 | |
RVI | 1.2 | 2.0 | 75.9 | 33.1 | |
SAVI | 0.1 | 0.2 | 79.8 | 12.0 | |
MSAVI | 0.1 | 0.2 | 74.1 | 11.9 | |
2015-09-20 | SSVI | 1.0 | +∞ | 89.3 | 1.8 |
NDVI | 0.05 | 0.25 | 77.8 | 4.3 | |
RVI | 1.1 | 1.65 | 79.2 | 4.3 | |
SAVI | 0.01 | 0.14 | 91.3 | 5.5 | |
MSAVI | 0.03 | 0.11 | 78.8 | 4.0 | |
2016-09-28 | SSVI | 3.0 | +∞ | 87.4 | 9.9 |
NDVI | 0.15 | 0.38 | 85.1 | 10.6 | |
RVI | 1.4 | 2.28 | 79.7 | 10.1 | |
SAVI | 0.09 | 0.23 | 83.4 | 10.8 | |
MSAVI | 0.08 | 0.22 | 77.3 | 11.8 | |
2017-09-24 | SSVI | 2 | +∞ | 88.5 | 6.6 |
NDVI | 0.03 | 0.23 | 77.8 | 7.0 | |
RVI | 1.2 | 2.22 | 84.4 | 7.3 | |
SAVI | 0.06 | 0.18 | 83.4 | 7.1 | |
MSAVI | 0.05 | 0.15 | 82.0 | 6.8 |
为进一步定量评估SSVI翅碱蓬提取能力,求取各植被指数5期翅碱蓬提取结果的平均值(表 4),可以看出,SSVI的翅碱蓬提取平均精度最高(88.6%),且错分像元平均比例最低(5.1%),说明SSVI提取翅碱蓬效果最好。
植被指数 | 翅碱蓬提取平均精度 | 错分像元平均占比 |
SSVI | 88.6 | 5.1 |
NDVI | 81.5 | 7.0 |
RVI | 82.4 | 14.5 |
SAVI | 86.3 | 10.1 |
MSAVI | 80.4 | 10.1 |
本文通过分析翅碱蓬与其他地物的光谱反射率特征,找出各地物反射率间的差异,构建了翅碱蓬提取指数SSVI。综合对比来看,SSVI具有较强的针对性和优越性。
本文采用SSVI虽然能够很好地提取翅碱蓬信息,但结果仍存在一定误差。通过分析发现,GF-1 WFV影像每个像元难以保证地物的均一,翅碱蓬像元内混合了其他地物;此外,翅碱蓬生长于潮间带光滩中,吸水性强,尤其是在翅碱蓬与光滩混合的像元中,其背景土壤中吸附了大量水分,由此造成蓝光波段反射率较高。另一方面,SSVI错分地物主要为人工建筑和光滩,根据GF-1 WFV光谱反射率曲线(图 2)可知,人工建筑、光滩与翅碱蓬的反射率曲线形态非常相似,因此出现类似异物同谱的问题,导致提取翅碱蓬时出现错分。
为进一步提高翅碱蓬提取精度,在今后的研究中,可融入翅碱蓬纹理和空间分布特征信息。如采用灰度共生矩阵(gray-level co-occurrence matrix, GLCM)纹理分析法[31-32]与SSVI结合;在融入空间分布特征方面,可根据翅碱蓬主要分布于河口沿岸的特点,设定翅碱蓬空间分布距离阈值(如2 km),可进一步提高翅碱蓬提取精度。
[1] |
Kang Yanhua. Investigation and Analysis of the Suaeda Salsa Community Degeneration[J]. Journal of Liaoning Agricultural College, 2004, 6(3): 27-29. (康艳华. 盘锦海岸带翅碱蓬种群退化原因的调查与分析[J]. 辽宁农业职业技术学院学报, 2004, 6(3): 27-39. DOI:10.3969/j.issn.1671-0517.2004.03.013 ) |
[2] |
Xu Chongyan, Liu Xianbin, Liu Zhanguang, et al. Remedial Effect of Suaeda Salsa (L.) Pall Planting on the Oil-Polluted Coastal Zones[J]. Journal of Safety and Environment, 2007, 7(1): 37-39. (许崇彦, 刘宪斌, 刘占广, 等. 翅碱蓬对石油烃污染的海岸带修复的初步研究[J]. 安全与环境学报, 2007, 7(1): 37-39. DOI:10.3969/j.issn.1009-6094.2007.01.012 ) |
[3] |
Baynard C W. Remote Sensing Applications: Beyond Land-Use and Land-Cover Change[J]. Advances in Remote Sensing, 2013, 2(3): 228-241. DOI:10.4236/ars.2013.23025 |
[4] |
Luo Ya, Xu Jianhua, Yue Wenze. Research on Vegetation Indices on the Remote Sensing Images[J]. Ecologic Science, 2005, 24(1): 75-79. (罗亚, 徐建华, 岳文泽. 基于遥感影像的植被指数研究方法述评[J]. 生态科学, 2005, 24(1): 75-79. DOI:10.3969/j.issn.1008-8873.2005.01.021 ) |
[5] |
Gan Wenxia, Shen Huanfeng, Zhang Liangpei, et al. Normalization of Multi-temporal MODIS NDVI Based on 6S Radiative Transfer Model[J]. Geomatics and Information Science of Wuhan University, 2014, 39(3): 300-304. (甘文霞, 沈焕锋, 张良培, 等. 采用6S模型的多时相MODIS植被指数NDVI归一化方法[J]. 武汉大学学报·信息科学版, 2014, 39(3): 300-304. ) |
[6] |
Baret F, Guyot G, Major D J. TSAVI: A Vegetation Index Which Minimize Oil Brightness Effects on LAI and APAR Estimation[C]. The 12th Canadian Symposium on Remote Sensing and IGARSS'1989, Vancouver, Canada, 1989
|
[7] |
Hu Kailong, Liu Qingwang, Cui Ximin, et al. Regional Forest Canopy Height Estimation Using Multi-source Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(2): 289-298. (胡凯龙, 刘清旺, 崔希民, 等. 多源遥感数据支持下的区域性森林冠层高度估测[J]. 武汉大学学报·信息科学版, 2018, 43(2): 289-298. ) |
[8] |
Chen Fantao, Zhao Wenji, Yan Xing. The Study Based on Rectification of Vegetation Indices with Dust Impact[J]. Spectroscopy and Analysis, 2015, 35(10): 2830-2835. (陈凡涛, 赵文吉, 宴星. 尘埃影响下的植被指数修正研究[J]. 光谱学与光谱分析, 2015, 35(10): 2830-2835. ) |
[9] |
Li Zhe. Research Advance of Broadband Vegetation Index Using Remotely Sensed Images[J]. Journal of Yangtze River Scientific Research Institute, 2015, 32(1): 125-130. (李喆. 宽波段遥感植被指数研究进展综述[J]. 长江科学院院报, 2015, 32(1): 125-130. DOI:10.3969/j.issn.1001-5485.2015.01.026 ) |
[10] |
Pinty B, Verstraete M M. GEMI: A Non-linear Index to Monitor Global Vegetation from Satellites[J]. Vegetation, 1992, 101(1): 15-20. DOI:10.1007/BF00031911 |
[11] |
Xu Zhanghua, Liu Jian, Yu Kunyong, et al. Construction of Vegetation Shadow Index (SVI) and Application Effects in Four Remote Sensing Images[J]. Spectroscopy and Analysis, 2013, 33(12): 3359-3365. (许章华, 刘健, 余坤勇, 等. 阴影植被指数SVI的构建及其在四种遥感影像中的应用效果[J]. 光谱学与光谱分析, 2013, 33(12): 3359-3365. DOI:10.3964/j.issn.1000-0593(2013)12-3359-07 ) |
[12] |
Xu Zhanghua, Li Conghui, Liu Jian, et al. Construction of Age Group Vegetation Index and Preliminary Application[J]. Spectroscopy and Analysis, 2014, 34(6): 1629-1634. (许章华, 李聪慧, 刘健, 等. 龄组植被指数的构建及其初步应用研究[J]. 光谱学与光谱分析, 2014, 34(6): 1629-1634. DOI:10.3964/j.issn.1000-0593(2014)06-1629-06 ) |
[13] |
Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of Vegetation Index from Visible Unmanned Aerial Vehicle Images[J]. Chinese Society of Agricultural Engineering, 2015, 31(5): 152-158. (汪小钦, 王苗苗, 王绍强, 等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报, 2015, 31(5): 152-158. DOI:10.3969/j.issn.1002-6819.2015.05.022 ) |
[14] |
Jin H, Eklundh L. A Physically Based Vegetation Index for Improved Monitoring of Plant Phenology[J]. Remote Sensing of Environment, 2014, 152: 512-525. DOI:10.1016/j.rse.2014.07.010 |
[15] |
Maki M, Ishiahra M, Tamura M. Estimation of Leaf Water Status to Monitor the Risk of Forest Fires by Using Remotely Sensed Data[J]. Remote Sensing of Environment, 2004, 90(4): 441-450. DOI:10.1016/j.rse.2004.02.002 |
[16] |
Liu Yu, Han Zhen, Guo Yongfei. Vegetation Indices Application of the Vegetation Information Extraction in the Yangtze River Estuary Tidal Flat[J]. Remote Sensing Technology and Application, 2009, 24(6): 777-783. (刘瑜, 韩震, 郭永飞. 植被指数在长江口潮滩湿地植被信息提取中的应用研究[J]. 遥感技术与应用, 2009, 24(6): 777-783. ) |
[17] |
Wang Yingjie, Liu Liangyun, Wang Zhihui. Land Covermapping Based on Landsat Time-Series Stacks in Sanjiang Plain[J]. Remote Sensing Technology and Application, 2015, 30(5): 959-968. (王颖洁, 刘良云, 王志慧. 基于时序Landsat数据的三江平原植被代表类型变化遥感探测研究[J]. 遥感技术与应用, 2015, 30(5): 959-968. ) |
[18] |
Shu Minyan. A New Remote Sensing Vegetation Index for Coastal Saltmarsh Wetland [D]. Shanghai : East China Normal University, 2017 (舒敏彦.海岸带盐沼植被指数构建研究[D].上海: 华东师范大学, 2017) http://cdmd.cnki.com.cn/Article/CDMD-10269-1017062361.htm
|
[19] |
Zhao B, Yan Y, Guo H, et al. Monitoring Rapid Vegetation Succession in Estuarine Wetland Using Time Series MODIS-Based indicators: An Application in the Yangtze River Delta Area[J]. Ecological Indicators, 2009, 9(2): 346-356. DOI:10.1016/j.ecolind.2008.05.009 |
[20] |
Hao Xianglei, Deng Lei, He Ying. An Analysis of Dynamic Monitoring and Landscape Pattern Change of Suaeda Salsa Wetlands in Panjin Using Remote Sensing Technology[J]. Wetland Science and Management, 2017, 13(4): 31-36. (郝向磊, 邓磊, 贺英. 盘锦湿地翅碱蓬景观变化的遥感监测与分析[J]. 湿地科学与管理, 2017, 13(4): 31-36. DOI:10.3969/j.issn.1673-3290.2017.04.08 ) |
[21] |
Li Jianguo. The Characteristics of Landscape Pattern Changes in Liaohe Delta and Its Impact Analysis[D]. Changchun: Jilin University, 2005 (李建国.辽河三角洲景观格局变化特征及影响分析[D].长春: 吉林大学, 2005) http://cdmd.cnki.com.cn/Article/CDMD-10183-2005106680.htm
|
[22] |
Verbesselt J, Hyndaman R, Zeiles A, et al. Phenological Change Detection While Accounting for Abrupt and Gradual Trends in Satellite Image Time Series[J]. Remote Sensing of Environment, 2010, 114(12): 2970-2980. DOI:10.1016/j.rse.2010.08.003 |
[23] |
Xie T, Cui B, Li S. Analyzing How Plants in Coastal Wetlands Respond to Varying Tidal Regimes Throughout Their Life Cycles[J]. Marine Pollution Bulletin, 2017, 123(1-2): 113-121. DOI:10.1016/j.marpolbul.2017.09.017 |
[24] |
Song C, Ren H, Huang C. Estimating Soil Salinity in the Yellow River Delta, Eastern China—An Integrated Approach Using Spectral and Terrain Indices with the Generalized Additive Model[J]. Pedosphere, 2016, 26(5): 626-635. DOI:10.1016/S1002-0160(15)60071-6 |
[25] |
Wu Tao, Zhao Dongzhi, Kang Jiancheng, et al. Suaeda Salsa Dynamic Remote Monitoring and Biomass Remote Sensing Inversion in Shuangtaizi River Estuary[J]. Ecology and Environmental Sciences, 2011, 20(1): 24-29. (吴涛, 赵冬至, 康建成, 等. 辽河湾双台子河口湿地翅碱蓬(Suaeda Salsa)生物量遥感反演研究[J]. 生态环境学报, 2011, 20(1): 24-29. DOI:10.3969/j.issn.1674-5906.2011.01.005 ) |
[26] |
Sun C, Liu Y, Zhao S, et al. Classification Mapping and Species Identification of Salt Marshes Based on a Short-Time Interval NDVI Time-Series from HJ-1 Optical Imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 45: 27-41. DOI:10.1016/j.jag.2015.10.008 |
[27] |
Yang Fan, Zhao Dongzhi, Suo Anning. The Study of Shuangtaizihekou Wetland Landscape Temporal and Spatial Changes[J]. Remote Sensing Technology and Application, 2008, 23(1): 51-56. (杨帆, 赵冬至, 索安宁. 双台子河口湿地景观时空变化研究[J]. 遥感技术与应用, 2008, 23(1): 51-56. ) |
[28] |
Wang Yongjie, Zheng Dongmei, Luo Jinming. Changing Process and Impact Factors of Ecosystem in Shuangtaizi Estuary Wetland[J]. Journal of Anhui Agricultural Science, 2011, 39(21): 12954-12956. (王永洁, 郑冬梅, 罗金明. 双台子河口湿地生态系统变化过程及其影响分析[J]. 安徽农业科学, 2011, 39(21): 12954-12956. DOI:10.3969/j.issn.0517-6611.2011.21.115 ) |
[29] |
Jia Mingming, Wang Zongming, Zhang Bai, et al. Land Cover Classification of Composing HJ-1 and MODIS Data Based on Object-Based Method[J]. Geomatics and Information Science of Wuhan University, 2014, 39(3): 305-310. (贾明明, 王宗明, 张柏, 等. 综合环境卫星与MODIS数据的面向对象土地覆盖分类方法[J]. 武汉大学学报·信息科学版, 2014, 39(3): 305-310. ) |
[30] |
Fang Xiuqin, Zhang Wanchang. The Application of Remotely Sensed Data to the Estimation of the Leaf Area Index[J]. Remote Sensing for Land and Resources, 2003, 15(3): 58-62. (方秀琴, 张万昌. 叶面积指数(LAI)的遥感定量方法综述[J]. 国土资源遥感, 2003, 15(3): 58-62. DOI:10.3969/j.issn.1001-070X.2003.03.014 ) |
[31] |
Zhai Tianlin, Jin Gui, Deng Xiangzheng. Study of Vegetation Information Extraction Method Based on Landsat 8 Satellite Images[J]. Science of Surveying and Mapping, 2016, 41(10): 126-131. (翟天林, 金贵, 邓祥征, 等. 植被信息的Landsat 8卫星影像提取方法[J]. 测绘科学, 2016, 41(10): 126-131. ) |
[32] |
Yang Hongwei, Tong Xiaohua. Distribution Information Extraction of Rubber Woods Using Remote Sensing Images with High Resolution[J]. Geomatics and Information Science of Wuhan University, 2014, 39(4): 411-417. (杨红卫, 童小华. 高分辨率影像的橡胶林分布信息提取[J]. 武汉大学学报·信息科学版, 2014, 39(4): 411-417. ) |