引言
植被指数是遥感探测中各光谱波段间线性或非线性组合，能较好地反映绿色植物的生物量和覆盖度等特征，具有分辨率高、时间序列长、覆盖范围广等优点（Gitelson，2013）。归一化植被指数（Normalized Differnce Vegetation Index， NDVI）是目前评估植被状况最有效的参数之一，但大气抗干扰处理能力有限，在低植被覆盖区易受土壤背景和植被冠层影响而偏高，在高植被覆盖区则容易饱和（Huete et al.， 2002； 马守存等， 2018； Bagheri et al.， 2021； 张金丹等， 2023）。增强型植被指数（Enhanced Vegetation Index， EVI）采用“土壤调节植被指数”和“抗大气植被指数”削弱了土壤背景、气溶胶的影响，能较好地克服植被饱和问题，但易受地形的影响（Sarmah et al.， 2018； Qiao et al.， 2022）。差值植被指数（Difference Vegetation Index， DVI）对土壤背景的变化极为敏感，当植被覆盖度较低时，DVI随着植被量的增加而增加，但当覆盖度较高时，DVI的灵敏性有所下降（吴磊，2010）。国内外学者利用以上3种植被指数进行了一系列的植被生态环境研究，主要集中于植被动态监测（Atzberger and Eilers， 2011；赵玲，2015；曹孟磊等，2016；叶骏菲等， 2019）、物候信息提取（Esau et al.， 2016； 曹晓云等， 2022）、土地利用类型分类（Dahigamuwa et al.， 2016）、灾害监测及响应（Sun et al.， 2012； 史尚渝等， 2020；孙树娇等， 2023）等领域，并比较了3种植被指数在不同情景中的适用性。研究表明，NDVI对夏季玉米生育期叶面积指数的拟合度最好，对伊朗中部干旱和半干旱牧场地区的监测能力更强，对土耳其生态系统季节、年际动态变化方面监测精度更高（Evrendilek and Gulbeyaz， 2008； Jafari et al.， 2017； 刘俊等， 2020）。EVI对水稻产量估算精度更高，对高植被区变化识别能力更强（Son et al.， 2014； 刘畅， 2020）。DVI对青海湖流域实测生物量、地面红树林碳储量的拟合能力更好（刘金锋， 2014； Purnamasari et al.， 2021）。
目前，海南省正大力推进国家生态文明试验区建设，选取合适的植被指数监测海南岛植被生态环境变化至关重要。前人研究大多直接选用NDVI来表征海南岛生态植被变化特征（刘少军等， 2007；章明，2009；罗红霞等，2020；韩静等，2022），未开展多种植被指数的对比分析研究。因此，本文利用海南岛2001—2020年中分辨率成像光谱仪（Moderate-Resolution Imaging Spectroradiometer，MODIS）数据、18个国家气象观测站逐月平均气温和降水量数据，以及2015、2017年海南省地表覆盖数据资料，采用一元线性拟合、均方根误差分析、相关性分析等方法对比分析NDVI、EVI、DVI 3种植被指数对海南岛植被覆盖面积的拟合效果，对植被季节变化、茂密程度的表征能力，确定最适用的植被指数，为合理监测海南岛植被生态环境变化提供理论支持。
1 研究区概况
图1
图1
2015年海南岛土地利用类型空间分布
Fig.1
Spatial distribution of land use types of Hainan Island in 2015
2 资料和方法
2.1 资料
所用资料包括：（1）清华大学地球系统科学系全球地表覆盖数据集（http://data.ess.tsinghua.edu.cn/），2015、2017年海南省地表覆盖数据（Liu et al.， 2021）。在ArcGIS软件中利用Extract by mask工具提取森林、草地、灌丛、湿地4类栅格图层，作为海南岛真实植被覆盖区域；（2）美国航空航天局（https://ladsweb.modaps.eosdis.nasa.gov/）提供的2001—2020年MOD13Q1遥感数据（空间分辨率为250 m，时间分辨率为16 d），已进行大气订正、气溶胶订正、水汽消除等处理，采用MODIS Reprojection Tools（MRT）软件对原始数据进行格式转换、投影转换、数据拼接、裁切等预处理。为进一步消除云、大气等异常影响，采用最大值合成法合成月最大MODIS NDVI、EVI、DVI栅格数据；（3）海南省气象信息中心提供的2001—2020年海南岛18个国家气象观测站月平均气温和降水量数据。利用Matlab软件对月平均气温、降水数据进行空间内插，得到与NDVI数据像元大小一致、投影相同的栅格数据集。
2.2 方法
NDVI、EVI、DVI计算公式（刘金锋，2014）如下：
式中：
在ArcGIS软件中利用Resample工具对NDVI、EVI、DVI 3种植被指数空间分布进行重采样，得到与地表覆盖数据空间分辨率一致的栅格数据。利用植被指数阈值法识别海南岛植被区和非植被区，大于等于阈值的区域为植被指数识别的植被区，小于阈值的区域为非植被区，并与真实分布情况进行比较。一致的植被区和非植被区为植被覆盖识别区，反之为植被覆盖未识别区。具体的，在MATLAB软件中设置阈值范围为0.05~0.08，步长为0.01的循环，计算不同阈值下植被指数对海南岛植被覆盖区的空间识别率（植被覆盖识别格点数/总格点数）、未识别率（未识别格点数/总格点数）、多识别率（多识别格点数/总格点数）。空间识别率最大值对应的阈值即为植被指数最佳反演阈值，计算此阈值下反演的各市（县）植被覆盖区域面积，并与真实值进行对比分析、建立统计回归模型。
3 结果分析
3.1 海南岛植被覆盖面积拟合
表1为2015、2017年基于NDVI、EVI、DVI阈值法对海南岛植被覆盖区域的空间识别率，图1为2015、2017年基于NDVI、EVI、DVI阈值法对海南岛植被覆盖区域的空间识别效果。可以看出，NDVI对海南岛植被覆盖区域有很好的识别，最佳反演阈值为0.72。在此阈值下，2015、2017年植被覆盖区域的空间识别率分别为78.52%、79.39%，平均为78.96%。2015年，NDVI能识别出海南岛53.04%的植被区和25.49%的非植被区，但未能识别13.20%的植被区，且多识别了8.27%的植被区；2017年，NDVI能识别出海南岛53.88%的植被区和25.50%的非植被区，但未能识别9.35%的植被区，且多识别了11.26%的植被区[图2（a）、（b）]。从各市（县）来看，NDVI对内陆城市五指山、白沙、琼中植被区域识别率最高，2015和2017年平均识别率分别为94.10%、90.82%、94.68%，北部沿海城市文昌、海口、临高平均识别率相对较低，分别为62.80%、65.40%、67.02%（图3）。其中临高、定安、海口NDVI多识别的植被区域最多，多识别率分别为22.75%、22.52%、18.37%；五指山、东方、昌江多识别的植被区域最少，分别为2.15%、3.00%、3.50%。文昌、昌江、陵水NDVI未识别的植被区域最多，未识别率分别为22.75%、22.52%、18.37%；白沙、五指山、琼中未识别出的植被区域最少，分别为2.15%、3.00%、3.50%。总体上，NDVI对内陆城市植被覆盖区域识别率较高，沿海城市识别率较低。
表1 2015、2017年基于NDVI、EVI、DVI阈值法对海南岛植被覆盖区域的空间识别率
Tab.1
| 指数 | 最佳反演阈值 | 空间识别率/％ | ||
|---|---|---|---|---|
| 2015年 | 2017年 | 平均 | ||
| NDVI | 0.72 | 78.52 | 79.39 | 78.96 |
| EVI | 0.47 | 77.90 | 76.46 | 77.18 |
| DVI | 0.24 | 75.39 | 73.45 | 74.42 |
图2
图2
2015年（a、c、e）、2017年（b、d、f）基于NDVI（a、b）、EVI（c、d）、DVI（e、f）阈值法对海南岛植被覆盖区域的空间识别效果
Fig.2
Spatial recognition effect of vegetation covered areas in Hainan Island based on NDVI （a， b）， EVI （c， d） and DVI （e， f） threshold methods in 2015 （a， c， e） and 2017 （b， d， f）
图3
图3
2015、2017年基于NDVI、EVI、DVI阈值法对海南岛各市县植被覆盖区域的平均识别率
Fig.3
The average recognition rate of vegetation coverage area in Hainan Island cities based on NDVI， EVI， and DVI threshold methods in 2015 and 2017
EVI对海南岛植被覆盖状况同样有较好的识别，最佳反演阈值为0.47，2015、2017年植被覆盖区域的空间识别率分别为77.90%、76.46%，平均识别率为77.18%。2015年，EVI能识别出海南岛54.49%的植被区和23.41%的非植被区，但未能识别11.71%的植被区，且多识别了10.40%的植被区；2017年，EVI能识别出海南岛54.44%的植被区和22.02%的非植被区，但未能识别8.75%的植被区，且多识别了14.79%的植被区[图2（c）、（d）]。与NDVI类似，EVI对内陆城市五指山、琼中、保亭植被区域识别率最高，2015和2017年平均识别率分别为91.61%、88.67%、88.42%，北部沿海城市文昌、海口、临高识别率最低，分别为59.82%、64.27%、66.23%（图3）。其中临高、定安、海口EVI多识别的植被区域最多，多识别率分别为23.98%、22.54%、18.64%，五指山、琼中、昌江多识别的植被区域最少，分别为2.83%、5.31%、6.22%。文昌、昌江、海口EVI未识别的植被区域最多，未识别率分别为20.91%、18.01%、15.83%，保亭、白沙、五指山未识别出的植被区域最少，分别为2.45%、5.32%、5.54%。
相比NDVI、EVI，DVI对海南岛植被覆盖区域的识别效果较差，其最佳反演阈值为0.24，2015、2017年植被覆盖区域的空间识别率分别为75.39%、73.45%，平均识别率为74.42%。2015年，DVI能识别出海南岛52.66%的植被区和22.73%的非植被区，但未能识别13.09%的植被区，且多识别了11.52%的植被区；2017年，DVI能识别出海南岛51.52%的植被区和21.93%的非植被区，但未能识别11.20%的植被区，且多识别了15.34%的植被区[图2（e）、（f）]。DVI对内陆城市五指山、保亭、白沙植被区域识别率最高，2015和2017年平均识别率分别为86.20%、85.70%、84.42%，北部沿海城市文昌、定安、海口识别率最低，分别为61.16%、63.94%、65.51%（图3）。其中临高、定安、澄迈DVI多识别的植被区域最多，多识别率分别为25.34%、24.47%、18.67%，五指山、琼中、白沙多识别的植被区域最少，分别为2.88%、5.27%、7.26%。文昌、昌江、陵水DVI未识别的植被区域最多，未别率分别为23.34%、20.06%、18.59%，保亭、屯昌、澄迈未识别的植被区域最少，分别为5.19%、6.58%、7.52%。
总体上，3种植被指数对海南岛植被覆盖的空间分布都有较好的识别能力，均在70%以上，其中NDVI的识别效果最好。从各市（县）来看，3种植被指数对五指山、白沙、保亭、琼中的识别效果最好，均在84%以上；对北部城市文昌、海口、临高、定安识别效果最差，均在68%以下。多识别率大的市（县）分布在临高、定安、海口，未识别率大的市（县）位于文昌、昌江、陵水。部分沿海地区植被覆盖区域识别率较低主要与人类活动频繁、土地利用情况复杂、植被相对稀疏有关。
分别建立2015、2017年各市（县）植被覆盖面积实际值与NDVI、EVI、DVI反演值之间的回归模型，得到公式如下：
式中：x1、x2、x3（103 km2）分别为NDVI、EVI、DVI植被覆盖面积反演值；y1、y2、y3（103 km2）分别为NDVI、EVI、DVI反演的植被覆盖面积拟合值。
从2015、2017年平均的海南岛植被覆盖面积实际值与NDVI、EVI、DVI反演的植被覆盖面积拟合值对比（图4）可以看出，3种植被指数反演的植被覆盖面积均对海南岛各市（县）实际植被覆盖面积有较好的拟合，实际值与拟合值的相关系数均为0.91，通过α=0.01的显著性检验。NDVI、EVI、DVI植被覆盖面积拟合值与实际值的均方根误差分别占实际均值的11.07%、9.57%、9.99%，可见EVI对海南岛植被覆盖面积的拟合效果最好。
图4
图4
2015、2017年平均的海南岛各市（县）植被覆盖面积实际值与NDVI、EVI、DVI反演的植被覆盖面积拟合值
Fig.4
The average actual value of vegetation coverage area and the fitting value of NDVI， EVI and DVI inversion vegetation coverage area in each city （county） of Hainan Island in 2015 and 2017
3.2 3种植被指数月际变化特征
研究表明，气温、降水等气候因子是影响植被生长变化的重要因素，植被生长变化呈明显的季节特征（易雪等，2021）。为进一步比较3种植被指数对海南岛植被季节变化特征的表征能力，分析植被覆盖区域3种植被指数的月际变化特点。图5为2015年和2017年平均的海南岛植被覆盖地区NDVI、EVI、DVI值的逐月变化。可以看出，海南岛植被覆盖地区NDVI值始终较EVI、DVI高，4—6月、10—12月几乎没有变化，未能反映NDVI随植被生长而变化的现象，NDVI的饱和现象（随着植被区茂密程度的增加，植被指数变化不大）明显；此外11—12月NDVI值升高，不符合实际的植被季节变化规律。这主要是由于NDVI易发生饱和，一是与NDVI本身的非线性算式有关，当植被覆盖度持续增大时，植被叶绿素对红光通道的吸收趋于饱和，对近红外通道的反射则继续增加，因此近红外光与红光波段的比值（NIR/RED）持续增加，但由于NDVI的增加与NIR/RED的增加是非线性关系，从而导致植被覆盖度较高的地区，NDVI出现饱和现象；二是土壤背景的影响，当土壤背景变暗时，NDVI增大，当植被覆盖度增大到一定值时，土壤背景消失，NDVI易出现饱和（李文梅等，2010）。相比而言，EVI、DVI存在明显的季节变化特征，更能反映植被随着季节变化的特点，2月EVI、DVI下降到最低值，随后缓慢增长，8月达到峰值后缓慢下降。进一步比较EVI、DVI，发现植被覆盖区域EVI的季节变化更为显著。这与EVI的算式中引入了土壤背景反馈项有关，在一定程度上可减小土壤背景带来的影响，同时通过校正大气影响（添加蓝光波段）来提高植被监测精度（李文梅等，2010）。海南岛属于高植被覆盖度区域，3种植被指数中，EVI最能反映海南岛植被的季节变化特征。
图5
图5
2015年和2017年平均海南岛植被覆盖地区NDVI、EVI、DVI月际变化
Fig.5
The monthly variation of average NDVI， EVI and DVI in vegetation areas of Hainan Island in 2015 and 2017
3.3 3种植被指数值域分布特征
分别定量统计2001—2020年NDVI、EVI、DVI不同取值范围内的遥感像元个数，对比分析海南岛NDVI、EVI、DVI对地面不同茂密程度植被的表征能力。图6为2001—2020年NDVI、EVI、DVI不同值域遥感像元个数分布情况。可以看出，DVI的值域分布最窄，为0.1~0.5，集中分布于0.2~0.3之间，对不同茂密程度植被的区分度不高；NDVI呈偏态分布，在低值区对植被的区分度较高，但在高值区（>0.7）时，NDVI存在饱和现象，对茂密植被区的区分度低；EVI的值域分布最广，为0~0.9，最能反映不同茂密程度植被的覆盖状况，且更能克服NDVI在高植被区易饱和的问题。
图6
图6
2001—2020年NDVI、EVI、DVI不同值域遥感像元个数分布
Fig.6
Remote sensing pixel numbers distribution in Different Value Regions of NDVI， EVI， and DVI from 2001 to 2020
3.4 3种植被指数与气候因子的相关性
气候因子是驱动植被变化的主要因素，其中温度、降水是主要的影响因子（曲学斌等，2018）。基于海南岛2001—2020年逐月NDVI、EVI、DVI数据，分别计算其与当月、前1—4个月气温、降水的相关系数，比较3种植被指数与气候因子的相关性（表2）。从表2可知，3种植被指数与气候要素的相关性较为一致，全岛平均NDVI与前1个月气温的相关性最高，相关系数为0.59，通过α=0.01的显著性检验，与当月降水相关性最高，相关系数为0.45，通过α=0.01的显著性检验；月平均EVI与当月气温、降水的相关性最高，相关系数分别为0.81、0.59，且均通过α=0.01的显著性检验；月平均DVI与当月气温、降水的相关性最高，相关系数分别为0.83、0.53，且均通过0.01的显著性检验。分析以上相关性最好月份下植被指数与气温、降水相关系数的空间分布（图略），发现NDVI与气温呈显著正相关的区域占海南岛总面积的79.09%，与降水呈显著正相关的区域占比60.61%；EVI与气温、降水呈显著正相关的区域占比分别为94.67%、84.75%；DVI与气温、降水呈显著正相关的区域占比分别为92.23%、77.46%。可见3种植被指数都与气温、降水存在显著的相关性，且气温的相关性大于降水，EVI与气候因子的相关性最大，最能反映植被对气候的响应特征。
表2 海南岛2001—2020年逐月NDVI、EVI、DVI与前0—4月气温和降水的相关系数
Tab.2
| 植被指数 | 时间 | 气温 | 降水 |
|---|---|---|---|
| NDVI | 当月 | 0.55* | 0.45* |
| 前1个月 | 0.59* | 0.35* | |
| 前2个月 | 0.47* | 0.24* | |
| 前3个月 | 0.25* | -0.14 | |
| 前4个月 | -0.05 | -0.24* | |
| EVI | 当月 | 0.81* | 0.59 * |
| 前1个月 | 0.77* | 0.40* | |
| 前2个月 | 0.52* | 0.14 | |
| 前3个月 | 0.15 | -0.24* | |
| 前4个月 | -0.28* | -0.48* | |
| DVI | 当月 | 0.83* | 0.53* |
| 前1个月 | 0.75* | 0.38* | |
| 前2个月 | 0.48* | 0.12 | |
| 前3个月 | 0.17 | -0.26* | |
| 前4个月 | -0.31* | -0.51* |
注： *表示相关系数通过α=0.01的显著性检验。
4 结论与讨论
基于2001—2020年海南岛MODIS NDVI、EVI、DVI数据，海南岛18个国家气象观测站逐月平均气温和降水量数据，以及2015、2017年地表覆盖数据，利用一元线性拟合、均方根误差分析、相关分析等方法开展NDVI、EVI、DVI 3种植被指数在海南岛植被监测中的适用性研究，得到以下结论：
（1）3种植被指数中，NDVI对海南岛植被覆盖区域的识别效果最好，最佳反演阈值为0.72。其中五指山、白沙、琼中的空间识别效果最好，均在90%以上；北部城市文昌、海口、临高识别效果最差，均在68%以下。多识别率大的城市主要分布在临高、定安、海口，未识别率大的城市位于文昌、昌江、陵水。建立植被覆盖面积真实值与植被指数反演值之间的回归模型，EVI反演值的拟合效果最好，与真实值的相关系数为0.91，均方根误差占实际均值的9.57%。
（2）3种植被指数中，EVI最能反映海南岛植被的季节变化特征：2月开始缓慢增加，8月达到峰值后缓慢下降，次年2月降至最低；EVI值域范围最广，最能表征不同茂密程度植被的覆盖状况，能更好克服NDVI在高植被区易饱和的问题；EVI与气候因子的相关性最大，最能反映植被对气候的响应特征。
（3）综合评估3种植被指数对海南岛植被覆盖面积的拟合效果以及对植被季节变化、茂密程度的表征能力等4个方面，确定最适合表征海南岛植被特征的植被指数为EVI。
遥感数据具有分辨率高、时间序列长、覆盖范围广的优点，选取合适的植被指数表征海南地区植被生态环境变化，对于提高生态决策的科学性、建设生态一流的中国特色自由贸易港具有重要意义。前人研究多是利用卫星遥感数据反演野外实测的植被覆盖度或生物量，以此确定最能表征植被特征的植被指数，所得结果较为科学可靠，但操作复杂、采集技术与条件要求高，且未能覆盖全区域、全时段（白燕英等，2019；刘金锋，2014）。目前海南岛尚未开展植被覆盖度实测工作，因而本文从植被指数对海南岛植被覆盖面积的拟合效果以及对植被季节变化、茂密程度的表征能力等4个方面开展了对比研究，确定最适合表征海南岛植被特征的植被指数为EVI，为海南岛生态植被研究提供理论支持。
在比较植被指数对海南岛植被覆盖面积的拟合效果研究中，沿海市（县）由于人类活动频繁，土地利用情况复杂，易将非植被地区识别为植被地区；全岛使用同一植被指数阈值，易滤除沿海地区稀疏的植被区，造成植被指数反演效果变差，下一步将根据沿海市（县）植被分布特点确定适合的植被指数阈值，在此基础上验证3种植被指数对海南岛植被覆盖面积的拟合能力。在比较植被指数对植被季节变化、茂密程度的表征能力研究中，结果表明EVI能更好地反映植被季节变化特征，更能克服NDVI在植被生长旺盛期易饱和的问题，与王正兴等（2006）、李红军等（2007）研究基本一致，这与3种植被指数的特点有关。NDVI的算式是“非线性的”，这种非线性转换过程使得NDVI对红色信号过度敏感，在高植被覆盖度地区，红光波段易饱和，大气抗干扰处理能力有限，造成NDVI对茂密植被区分能力较差，出现饱和现象（杨嘉，2008）；DVI虽与植被覆盖度相关性较高，但受土壤背景影响较强，当植被覆盖度超过80%时，DVI的灵敏性显著下降（吴磊，2010）；而EVI能分离红光和蓝光通过的气溶胶，补偿气体残留单体对红光的吸收，同时引入反馈项订正土壤背景影响，更适用于植被生长旺盛的地区（姬虹，2022）。
由于仅获取2 a的土地利用数据（其他年份数据暂未共享），本文仅对比分析了3种植被指数在2015、2017年对海南岛植被特征的表征能力，在更长的时间尺度上，本文的研究结果仍需加以验证并补充完善。海南夏季云量较多，对植被卫星遥感监测结果有一定的影响，且地表覆盖数据产品时间分辨率有限，暂无法对比分析不同月份、季节云量对植被卫星遥感监测结果的影响。今后需利用更多年份、时间精度更高的地表覆盖数据产品并结合地面实测资料进行对比研究。
参考文献
1982—2013年黄河源区植被变化趋势及其对气候变化的响应
[J].
基于1982—2013年GIMMS NDVI 3g数据集及黄河源区26个国家气象观测站同期气温与降水观测资料，利用趋势分析和相关分析方法，对黄河源区植被覆盖的时空变化特征及其驱动因子进行分析。结果表明：（1）黄河源区植被覆盖呈现从东南向西北递减的空间特征。近32 a来，黄河源区气温呈显著升高、降水则呈微弱增加的趋势，气候由干冷逐渐向暖湿化转变；植被覆盖呈现整体缓慢升高、局部退化的趋势，且“先增后降”的年代际变化特征明显。（2）1982—2013年，黄河源区生长季（5—9月）植被受气温和降水共同影响，植被最大NDVI与气温和降水有显著正相关关系。与降水相比，NDVI与气温的相关性更强，气温是影响黄河源区植被变化的主要气候因子，且随着海拔高度的升高影响越大。
呼伦贝尔草原NDVI时空变化及其对气候变化的响应
[J].利用 2001—2016年MODIS NDVI数据和气象站点资料，分析呼伦贝尔草原NDVI的时空变化特征及其对气候变化的响应。结果表明，呼伦贝尔草原NDVI整体呈上升趋势，平均倾向率为0.041·（10 a）-1，其中新巴尔虎右旗西北部、新巴尔虎左旗中部和陈巴尔虎旗西部等地增加显著；NDVI的年变化主要受降水驱动，两者呈极显著的正相关；生长季内，5月气温和5、6月总辐射与NDVI普遍呈正相关，北部草原达到显著或极显著水平，但之后逐渐转为负相关。NDVI与降水普遍呈正相关，5月下半月开始有台站达到显著或极显著水平，7月达到显著或极显著的台站数量最多，并存在明显滞后。生长季内，典型草原NDVI与降水显著或极显著正相关的台站次数明显多于草甸草原。
基于NDVI-Albedo特征空间的柴达木盆地荒漠化监测研究
[J].荒漠化目前已成为威胁全球生态环境的主要问题，开展荒漠化监测对于荒漠化防治至关重要。基于2014—2021年植被生长季（5—9月）Suomi/NPP（National Polar-orbiting Partnership）遥感数据和柴达木盆地8个气象站点观测数据，利用NDVI-Albedo（Normalized Difference Vegetation Index-Albedo）特征空间计算荒漠化差值指数（Desertification Difference Index，DDI），运用自然间断法、Sen+M-K趋势分析法、相关性分析法、精度误差矩阵计算和转移矩阵计算等方法，探讨柴达木盆地植被生长季荒漠化土地时空动态演变及气象影响因素。结果表明：（1）基于NDVI-Albedo特征空间构建的DDI在柴达木盆地荒漠化监测中适用性较高，特征方程R<sup>2</sup>≥0.65，整体分类精度79.38%，Kappa系数0.62。（2）2014—2021年，柴达木盆地荒漠化程度东部、南部较低而西部、中部较高，且东部、南部部分地区DDI值以每年超过0.01的速率增大，部分地区增大显著；荒漠化土地总面积呈减小趋势，速率为-1 173 km<sup>2</sup>·a<sup>-1</sup>，不同程度荒漠化土地之间存在转移特征，具体表现为荒漠化程度较重的土地向较轻的土地转移。（3）相关性分析表明，降水量、平均相对湿度均与DDI呈极显著正相关（P<0.01），相关系数分别为0.91、0.86，水分是影响柴达木盆地荒漠化的主要气象因子。
西北地区MODIS-NDVI指数饱和问题分析
[J].为了了解西北地区MODIS-NDVI和MODIS-EVI两种植被指数的特点, 本文利用美国NASA LP DAAC(Land Process Distributed Active Archive Center)2004年1~12月的250 m分辨率16天植被指数合成的MOD13 Q1数据集, 对西北地区不同类型植被NDVI和EVI的特征进行分析, 并对西北地区MODIS-NDVI饱和问题进行了初步研究。结果表明: NDVI和EVI对干旱-半干旱气候区植被覆盖度不高的植被类型描述能力相似, 月际变化趋势一致。西北地区各种植被类型NDVI比EVI高, NDVI与EVI的差异总体上呈现从半荒漠、草原、农区到林区, 随NDVI值的增加而增大的规律。对植被度覆盖度高的阔叶林和针叶林, 在植被生长旺盛期, NDVI总在0.8附近波动, NDVI随植被的生长增加的很小, 一直维持在一个高且平的范围内, 不再能看出植被生长变化的现象, 即饱和现象严重; 而EVI表现良好, 随着植被的生长而增加, 能明显地反映出植被生长的季节变化。西北高寒草甸和陕西关中农业区NDVI也出现有不同程度的饱和, 饱和时间因植被的不同从1~2月不等。0.8可作为NDVI饱和的阈值。NDVI饱和问题对卫星监测植被的研究和应用会产生误差, EVI能较好地解决NDVI的饱和问题。
石羊河流域干湿气候变化特征及对NDVI的影响
[J].全球变暖背景下，研究石羊河流域干湿气候变化特征及对植被覆盖度的影响对该流域的生态环境建设具有重要参考价值。基于1971—2020年石羊河流域的降水温度均一化指数（S），从干旱站次比、干旱频率等方面分析该流域干湿气候的时空变化，并结合归一化植被指数（Normalized Differential Vegetation Index，NDVI）遥感数据，分析干湿变化对NDVI的影响。结果表明：近50 a来石羊河流域年际和季的S指标呈波动上升趋势，四季中，夏季湿润化速度最快。流域干旱程度、干旱发生区域均呈减小趋势；中下游地区干旱强度高于上游地区，下游地区干旱频率高于中上游地区；年NDVI随着1—10月干旱减轻、降水量增多和气温降低而增加，其中，植被生长前期和中期降水量、生长中期气温对年NDVI影响较大。2月、5月和7月，NDVI对干旱存在滞后效应。
A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America
[J].
Assessment of MODIS-derived NDVI and EVI for different vegetation types in arid region: A study in sirjan plain catchment of Kerman Province, Iran
[J].
Feasibility study of land cover classification based on normalized difference vegetation index for landslide risk assessment
[J].
Trends in normalized difference vegetation index (NDVI) associated with urban development in northern West Siberia
[J].
Deriving vegetation dynamics of natural terrestrial ecosystems from MODIS NDVI/EVI data over Turkey
[J].
Remote estimation of crop fractional vegetation cover: the use of noise equivalent as an indicator of performance of vegetation indices
[J].
Overview of the radiometric and biophysical performance of the MODIS vegetation indices
[J].
Discriminating and monitoring rangeland condition classes with MODIS NDVI and EVI indices in Iranian arid and semi-arid lands
[J].
Production of global daily seamless data cubes and quantification of global land cover change from 1985 to 2020-iMap World 1.0
[J].
Comparison of vegetation indices for estimating above-ground mangrove carbon stocks using PlanetScope image
[J].
UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages
[J].
Assessing seasonal trends and variability of vegetation growth from NDVI3g, MODIS NDVI and EVI over South Asia
[J].
A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation
[J].
Forest greenness after the massive 2008 Chinese ice storm: integrated effects of natural processes and human intervention
[J].
