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

文中基于植被指数(NDVI)和植被覆盖度像元分解模型,建立了兰州市南北两山植被覆盖度遥感定量模型,在此基础上研究了兰州市南北两山1991年和2006年两个时期的植被覆盖度动态变化,结果表明:1991—2006年兰州市南北两山绿化工程区植被覆盖度总体呈上升趋势,低植被覆盖度面积减小,中高和高植被覆盖度面积增加,其中七里河工程区植被覆盖度变化最为明显,绿化效果较好,安宁工程区绿化效果相对较差,结果可为兰州市南北两山绿化工程提供科学依据。

以盐地碱蓬、芦苇、互花米草为代表的黄河三角洲典型盐沼植被，在维持生物多样性、提供重要栖息地、降低暴雨径流、调节气候等方面提供多种生态服务功能。作者以黄河三角洲河口湿地为研究区，基于Google Earth Engine(GEE)大数据平台，利用1999-2020年2068景Landsat TM/ETM/OLI、Sentinel-2 MSI光学数据和Sentinel-1 SAR雷达数据，结合盐沼植被的物候季相特征，利用特征优选算法筛选出最佳特征组合，利用随机森林算法进行植被分类，得到黄河三角洲典型盐沼植被时空分布数据集（1999-2000）。该数据集包括：（1）研究区范围数据；（2）1999-2020年13期盐沼植被类型空间分布数据；（3）1999-2020年互花米草、盐地碱蓬、芦苇的分布频率数据；（4）92个调查样点数据；（5）实测光谱数据。其中，栅格数据的空间分辨率为10 m。数据集存储为.shp、.tif和.xlsx格式，一共由64个数据文件组成

植被净初级生产力 (Net Primary Productivity, NPP) ，朱博士开发的用于进行npp计算的神器~~附带实验数据

承德市森林植被净初级生产力的遥感估算，高瞻，，以承德市的森林分布区为研究区域，基于改进的光能利用率模型，利用2008年MODIS/NDVI产品和地面气象站点数据，结合土地覆被类型，估算�

通过遥感数据获取的归一化植被指数(NDVI)能够较好地反映植被的生长状况，并且为区域尺度、长时间序列的植被监测提供可能。本研究采用黑龙江大兴安岭地区2000-2009年MODIS／NDVI月值数据，分析和监测该地区年际NDVI变化，并利用趋势分析、假设检验、相关分析等方法研究了多种影响因子对该地区NDVI变化的影响。