借助GIS对图形(影像)、属性、时态数据存储、查询、分析以及管理的强大功能,对利用陕西省2003年全年的MODIS数据生成的不同时相的归一化植被指数(NDVI)、比值植被指数(RVI)、差值\环境植被指数(DVI\EVI)等多种植被指数,及其对应的MOIDS影像和空间位置(地图)数据进行存储,将必要的植被指数分析方法和分析模型整合到该GIS空间数据库之中,达到数据、方法、模型在基于GIS植被指数空间数据库中的集成与统一,以实现基于时相和波谱信息MO-DIS、ETM影像数据的显示、查询、分析、管理等功能。实践证明,在GIS空间数据库中将时相、波谱和空间位置信息应用到遥感影像植被信息的提取中,从分析遥感影像的植被指数空间信息出发,能够较好地实现对植被指数信息的认识,为研究不同地区的植被分类、农作物长势监测及地表植被变化等方面提供分析依据。

TM数据反演植被覆盖度，用于遥感检测植被

高光谱遥感的出现是遥感界的一场革命,它能大大地改善对植被类型的识别与分类精度,而寻求快速、高精度的植被高光谱分类方法更具有重要的现实意义。文中将结合具体的高光谱遥感数据,通过在研究区域内选取一定的植被类型和合适的训练样本,得出哪种分类效果较佳以及影响分类精度的因素。

提出了一种在遥感影像上自动提取土壤线的方法,并用NDVI作比较,验证了基于自动提取的土壤线计算的PVI和实测地上生物量之间的相关性及其削弱土壤背景的能力。结果表明基于自动提取的土壤线计算的PVI比NDVI对于地表草地生物量而言具有更好的相关性。研究结果使基于土壤线的植被指数的计算更方便,对提高遥感植被指数的计算精度具有一定的意义。

2001-2010年内蒙古植被覆盖度时空变化特征，主要就NVDI的应用以及MODIS数据的解析等等

基于1998年到2011年长时序SPOT VEGETATION归一化植被指数数据，采用一元线性回归斜率变化法和Sen Mann-Kendall法对北京地区的植被变化趋势做了时空分析。实验结果表明：在1998年到2011年期间，北京市城区、延庆县、怀柔区和平谷区的植被变化趋势显著上升；而植被恶化区则集中在北京市城区北部、东部和南部，并以马蹄形包围北京市区。两种方法实验结果在植被上升（下降）区域具有一致性。同时，Sen Mann-Kendall法以其良好的抗噪性和对数据分布无要求性可广泛应用到其他区域的植被变化趋势分析中。

glacial_retreat 使用国家公园管理局（National Park Service）的数据跟踪近几十年来的冰川程度和植被变化，该数据显示了1966、1998、2005和2015年39个冰川的足迹，以显示近几十年来的冰川程度变化。

植被引擎是一组高度优化的植被着色器和工具，旨在 统一来自Unity Asset Store，SpeedTree，Quixel Megascans等的任何植被资产或您的团队创作的自定义植被。 通过一键式设置和预制件转换，以及一整套完善的模块化详图 元素，您将能够轻松添加高质量的动态风， 并与无限的对象或角色，动态季节，全局覆盖（雪，沙子，灰尘），整体湿度，用于地下控制的整体健康状况，着色，用于假灯或GI的HDR着色，尺寸，基于距离的尺寸褪色或树叶数量，对性能的影响最小！ 使用新的对象着色器，​​您现在可以应用全局覆盖和湿度来使道具与植被资产统一。新的对象着色器具有顶点绘制（Polybrush或任何其他顶点绘制工具）以及基于顶部/底部投影高度的混合支持，以提供更多细节。 植被引擎允许单击几下即可将任何植被资产与Universal Render Pipeline和High Definition Render Pipeline一起使用，即使该资产最初并非设计用于可编写脚本的Render Pipelines！ 当使用Amplify Shader Editor时 ，植被引擎包括Amplify Base Function。拥有50多个选项，您可以仅使用所需的选项以及项目所需的优化/质量来生成自己的植被或道具着色器！

植被指数（NDVI, Normalized Difference Vegetation Index）可以准确反映地表植被覆盖状况。目前，基于SPOT/VEGETATION以及MODIS等卫星遥感影像得到的NDVI时序数据已经在各尺度区域的植被动态变化监测、土地利用/覆被变化检测、宏观植被覆盖分类和净初级生产力估算等研究中得到了广泛的应用。

基于深度学习与特征融合的植被识别