大豆叶面积的高光谱模型

以ASD FieldSpec-Vnir光谱仪实测不同生长季大豆的冠层反射率,同期采集对应大豆LAI,然后逐波段分析冠层光谱反射率、导数光谱与大豆LAI的相关关系;并采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI确定性系数随波长的变化趋势,建立了以近红外与可见光波段冠层光谱反射率的比值植被指数RVI与大豆LAI的高光谱遥感估算模型。结果表明,冠层光谱反射率在350￣680nm、760￣1050nm波谱区与大豆LAI相关性较大,而在红边区680￣760nm的相关性变化较大;导数光谱在红边区与大豆LAI相关程度高。通RVI方式建立的遥感估算模型能较为准确估算大豆LAI,通过对红外与蓝波段建立的RVI指数与大豆LAI的回归模型,表明其预测大豆LAI的能力较好,有进一步研究的必要;通过对比发现,神经网络模型可以大大提升高光谱反演大豆LAI的水平,模型的确定系数R2为0.9661,而总均方根误差RMSE仅为0.446m2.m-2。     

土壤背景对冠层NDVI的影响分析

归一化差值植被指数NDVI是植被遥感中应用最为广泛的指数之一, 但它受土壤背景等因素的干扰比较强烈。结合实测的土壤数据以及公式推导、PROSAIL 模型模拟等方法分析了这种影响。首先, 假定与土壤线性混合且叶片呈水平分布的植被冠层, 根据土壤与植被分别在红光、近红外波段处的反射率值、植被覆盖度等参数, 利用公式推导了土壤背景对不同覆盖度下冠层NDVI的影响。其次, 利用PROSAIL冠层光谱模拟模型, 模拟分析了土壤背景对不同LAI下冠层NDVI的影响。分析的结果表明:LAI 越小, 土壤背景的影响越大; 暗土壤背景下的冠层NDVI值大于亮土壤背景下冠层的NDVI值; 并且,暗土壤条件下,NDVI值对土壤亮度的变化更敏感,而亮土壤下,NDVI值则对LAI或覆盖度的变化更敏感。最后利用实测的不同土壤背景下的冬小麦冠层光谱数据, 验证了公式推导和模型模拟的结果。     

不同森林植被的高光谱特征分析

“生态水(层)”富水特征特殊,各信息指标参数难以用常规方法进行量化和反演,高光谱遥感由于其波段多、光谱信息丰富的优点为生态水(层)各信息指标参数的量化反演提供有效的数据源及方法。利用高光谱遥感技术进行植被分析时,其光谱特征的分析和敏感波段提取非常重要。针对“生态水”信息指标植被参数有关量化反演需要,对研究区部分典型植被叶片进行了光谱采集,利用微分方法对光谱数据进行处理,分析了不同植被叶片光谱的原始、一阶微分和二阶微分光谱曲线,从中提取差异大的波段区分不同植被。同时,采用距离统计分析方法对所选择的不同波段进行有效性验证。研究结果表明:虽然3种方法提取的波段有差异,但存在共同点;选择的光谱特征波段可有效地区分不同植被,在近红外波段尤为明显,分别是1 814~1 823 nm,1 874~1 883 nm和1 890~1 899 nm附近。     

南京冬季典型植被光谱特征分析

利用FieldSpec4便携式地物光谱仪和ASD积分球,于2014年7月和12月对研究区6种典型植被进行光谱数据采集与处理,分析植被冠层和落叶的光谱特征及其变化规律,同时分析坡度因素、测量方法对植被光谱反射率的影响。结果表明:不同季节常绿植被光谱存在差异,不同植被光谱反射率的季节变化也不同。冬季常绿植被具有相似的光谱特征,但是不同植被类型之间也存在明显的差异。冬季植被冠层光谱呈现出先降低后稳定的特点;植被落叶层光谱由于受叶片色素、含水量、土壤背景等因素的影响,在衰老腐化的过程中并未出现明显的规律性变化。一定坡度范围内,植被光谱反射率随坡度的增大而升高。不同的测量方法获取的植被光谱反射率不同,但是光谱变化规律相同。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数(Leaf Area Index,LAI)对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数(Vegetation Index,VI),利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R~2为0.44～0.58;RMSE为0.16～0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R636))相比其他反演模型预测精度较高(R~2=0.58,RMSE=0.16);6种植被指数与LAI高度相关,相关性系数R2为0.85～0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R~2为0.66～0.72,RMSE为0.12～0.14;其中mNDVI构建的LAI估算模型(LAI=exp(2.76～1.77/mNDVI))精度最高(R~2=0.72,RMSE=0.13)。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

水稻冠层与土壤高光谱反演土壤重金属对比研究

针对土壤高光谱与水稻冠层高光谱反演多种土壤重金属含量精度差异较大的问题,探讨2种光谱反演土壤重金属适应性。通过对水稻冠层光谱与其土壤光谱的光谱指标变换,进行对比分析,在此基础上研究多元逐步回归、偏最小二乘回归在不同光谱指标下反演土壤重金属(Fe、Zn、Cu、Pb、Cd)的含量。结果表明,红光、近红外波段为土壤重金属含量敏感波段;水稻冠层波谱反演Fe、Zn、Pb、Cd含量的精度高于土壤波谱的反演精度;土壤波谱反演Cu含量的精度高于水稻冠层波谱反演精度。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数（Vegetation Index,VI）,利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58;RMSE为0.16~0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58,RMSE=0.16）;6种植被指数与LAI高度相关,相关性系数R ²为0.85~0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R2为0.66~0.72,RMSE为0.12~0.14;其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72,RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R ²为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。     

那曲典型草地植被光谱特征分析

遥感是大尺度生态研究的重要工具之一,而地面植物群落特征与其光谱特征之间的关系是解译遥感影像的关键。地面实测数据由于其高空间分辨率和高光谱分辨率,能够准确反映地物光谱信息,可以用来指导卫星遥感解译工作,同时为遥感监测草地退化、草地模型建立等提供数据支持。选取西藏那曲地区的优势植被类型作为研究对象,利用ASD FieldSpec 3便携式光谱仪测定优势种的冠层光谱并进行比较,并取其中一种优势种测量其在不同覆盖度和不同生长期的光谱反射特点。研究结果表明:①不同植被群落冠层光谱具有特殊的光谱曲线,可见光波段光谱反射率依次是紫花针茅、小嵩草和藏北嵩草,近红外波段光谱反射率则依次是小嵩草、藏北嵩草和紫花针茅;红边位置可以识别藏北嵩草,但是不能区分小嵩草和紫花针茅;②不同覆盖度的小嵩草红边、“绿峰”位置不随覆盖度的变化而发生变化;连续统去除后得到吸收深度随覆盖度的增加而变大,吸收峰面积随覆盖度的增加而增加;③小嵩草衰退期内,在可见光波段和红边波段,冠层光谱反射率随着叶绿素含量的减少而下降,出现“红边蓝移,绿峰下降”的现象。     

高分一号影像水稻叶面积指数反演真实性检验

为了解决常规卫星遥感叶面积指数真实性检验方法存在的破坏样地植被、操作复杂、耗时费力,且难以用于对应大范围的植被采样等问题,该文以安徽省来安县为研究区,利用实测水稻冠层光谱结合GF1-WFV传感器进行光谱重采样并计算水稻NDVI,基于此进行LAI反演建模,通过光谱计算的LAI反演结果对GF-1星多光谱遥感水稻LAI的反演结果进行真实性检验,并结合野外LAI观测数据证明了该方法的有效性和可行性。研究表明,该方法操作简单,准确度高,大大减少了野外试验的工作量,为快速、准确获取大量真实性检验数据及定量化应用提供了有效的途径。     

基于无人机高光谱数据的多类型混合作物LAI反演及尺度效应分析

叶面积指数(Leaf Area Index,LAI)作为表征不同作物生长状况的基本参数,是农业精细化管理及农田生态系统建模的关键。我国农田作物种植比较离散,受地表空间结构非均一性和反演模型非线性等因素影响,不同尺度遥感数据估算的作物LAI存在一定的差异,即农田作物LAI的遥感反演普遍存在尺度效应问题。以包头遥感综合验证场农业示范区为研究区,利用无人机高光谱数据结合PROSPECT+SAIL模型构建典型农作物区多类型作物的查找表(Look-Up-Table,LUT)反演农田LAI,研究查找表用于玉米、马铃薯、向日葵、瓜地等不同作物LAI反演的适用性和精度;通过无人机高光谱数据聚合获得多尺度遥感数据源,结合Taylor展开理论和计算几何模型,提出了一种既考虑类间差异又考虑类内异质性的尺度转换模型,定量描述多种作物混合的非均一地表LAI反演过程中的尺度效应特征。结果表明:基于分类和参数敏感性分析的LUT方法能很好地应用于包头典型农作物区多类型混合作物LAI反演,总估算精度为相关系数R~2=0.82、均方根误差RMSE=0.43m~2/m~2。随着反演尺度的增加,作物类间差异造成的反演偏差明显高于类内异质性,利用本文所提出的尺度转换模型均能较好纠正低分辨率LAI反演的尺度效应问题。     

数据驱动SIF反演算法在塔基观测中的应用效果评价

日光诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence, SIF）与植被光合作用关系密切,能够揭示植被真实生理状况,准确获取SIF信息对陆地生态碳循环和全球植被监测具有重要意义。以3FLD算法的SIF反演结果和NIRvR为参考,开展了基于塔基平台的数据驱动SIF反演算法性能评价研究。首先利用塔基连续冠层光谱观测数据,分析了SVD算法在不同大气窗口的SIF反演效果;其次利用大气校正前后的实测数据,探究大气因素对SVD算法反演SIF的影响程度;最后,将实测数据按照光照条件区分,对比了天气稳定与天气波动条件下,基于SVD算法的SIF反演结果的稳定性。结果表明：（1）SVD算法在735～759 nm（不包含大气吸收波段）、745～780 nm（包含大气吸收波段）窗口的SIF反演精度较高;（2）SVD算法的SIF反演精度受大气影响远小于3FLD算法;（3）当光照条件剧烈变化时,使用SVD算法可以有效克服FLD类SIF反演算法对同步太阳光谱观测的依赖;即使光照迅速变化,基于SVD算法依旧能够得到稳定可靠的SIF反演结果。综上所述,SVD算法对于塔基SIF反...     

基于宽波段和窄波段植被指数的草地LAI反演对比研究

叶面积指数是一个重要的植被生理生态参数,为探讨不同植被指数反演叶面积指数的可行性,基于同空间分辨率不同光谱分辨率的HJ\|1B CCD1和Hyperion遥感影像数据,以内蒙古自治区赤峰市克斯克腾旗贡格尔草原为研究对象,选取几种常见宽波段植被指数和高光谱窄波段植被指数并结合4种常用回归模型,比较分析了不同植被指数反演叶面积指数的精度。结果表明:对于全部植被指数而言,PVI、MSAVI等综合考虑了土壤、环境等因素的植被指数较传统植被指数NDVI、RVI反演草地LAI精度更高。通过对比发现,在反演草地LAI方面,窄波段植被指数比宽波段植被指数表现出明显的优势。其中,窄波段垂直植被指数PVI验证模型的确定性系数R²为0.65,均方根误差RMSE为0.15,说明实测LAI和模拟LAI值之间具有较好的变化一致性。最后基于Hyperion影像和窄波段垂直植被指数PVI的估算模型生成研究区叶面积指数空间分布图。     

基于719 nm水汽吸收波段的日光诱导叶绿素荧光反演研究

日光诱导叶绿素荧光(SIF)是一种植物光合作用直接探测新方法。目前O_2-A和O_2-B吸收线波段的叶绿素荧光填充效应被广泛应用于探测近红外(760 nm)和红光波段(687 nm)的植被冠层SIF信号。SIF光谱范围为650～800 nm,虽然水吸收波段(719 nm)介于叶绿素荧光发射峰值690 nm和740 nm之间,且具备较强的光谱吸收特征,但该水汽吸收光谱特征尚未应用于冠层SIF探测,因此,基于模型模拟和野外实验观测数据,使用夫琅禾费暗线SIF反演法,评价了基于719 nm波段水吸收波段的SIF反演潜力,其中野外光谱数据采用ASD FieldSpec Pro便携式地物光谱仪(3 nm分辨率)测量。首先,利用FLD、3FLD、iFLD等3种经典的SIF反演方法,检验和对比分析了719水汽吸收波段的SIF反演性能,结果表明使用水吸收线比使用O_2-B吸收线表现更优,反演RMSE为0.154 W/m~2/μm/sr。其次,定量计算了水汽和氧气吸收波段SIF反演的敏感度和不确定性,结果表明,719水汽吸收波段与O_2-B吸收线相比,其吸收线内外的反射率和荧光比值估算误差对SIF反演误差的贡献更小,但是显大于比02-A波段。最后,利用野外多角度和日变化观测实验数据,检验和分析了三个大气吸收波段的SIF反演结果,发现719 nm水吸收波段的冠层SIF与O_2-A和O_2-B氧气吸收波段具有相似的角度变化和日变化特征,表现为后视和热点方向的SIF高、前视和暗点方向的SIF低,以及中午SIF高、早晚SIF低。研究表明利用719 nm波段的水汽吸收波段的光谱信息,可以准确反演近地面冠层SIF信号,研究结果为近地面冠层SIF观测提供了一个新的波段。     

锡林格勒典型植被类型光谱特征

内蒙古草原是全球变化研究的热点区域。遥感是进行大尺度草地动态监测最为有效的工具。为基于遥感数据的草地分类识别和动态变化监测提供依据,该文以锡林格勒盟的典型植被类型为研究对象,采集冠层反射率光谱数据,分析其波形和植被指数光谱特征。研究结果表明:红边面积、红边斜率以及680nm附近的叶绿素吸收谷特征参量,能够有效区分不同密度的草地和农业植被。归一化植被指数NDVI、绿度归一化植被指数GNDVI和优化调节植被指数OSAVI的变化趋势一致,能够反映植被绿度信息,适宜于监测植被长势。     

基于植被指数的叶绿素密度遥感反演建模与适用性研究

利用遥感数据反演叶绿素密度是对作物长势进行评估的有效手段.本文利用实测冬小麦和夏玉米两种作物、不同生育期的冠层光谱和叶片叶绿素含量数据,收集了14种光谱指数,分析各种光谱指数的叶绿素密度遥感模型的精度.优选了其中的8种植被光谱指数,建立了植被指数与叶绿素密度之间的回归模型,并利用不同生育期小麦数据和玉米数据对各模型进行验证,分析评价它们对不同生育期、不同作物类型的适用性.研究发现:利用SRI、RVI I、R-M和MTCI 4种植被指数所建模型对冬小麦不同生育期数据适用性较好,各生育期冠层叶绿素密度反演相对误差优于27％.其中,MTCI模型对不同作物类型的适用性最好,冠层叶绿素密度反演相对误差优于35％.     

基于DART模型和随机森林估算山地叶面积指数

地形效应会使遥感影像中的地表反射率发生畸变,进而影响基于反射率估算的叶面积指数(Leaf Area Index,LAI)精度。为了减弱或消除地形对LAI反演的影响,基于三维辐射传输模型DART(Discrete Anisotropic Radiative Transfer)构建坡地反射率与LAI数据集作为训练数据。以反射率为输入,LAI为输出,利用随机森林算法进行训练,构建山地LAI反演模型。结合实际遥感影像数据实现山地LAI的估算,并利用实测数据对反演结果开展精度评价。同时,基于DART模型和随机森林构建了平地LAI反演模型作为参照以评价本文发展方法的有效性。结果表明：考虑了地形影响的山地LAI反演模型具有较强的估算能力,验证结果的精度(决定系数(R²)=0.57,均方根误差(RMSE)=0.77 m²/m²)优于平地反演模型(R2=0.46,RMSE=0.86 m2/m2);基于DART模型构建的山地反演模型能够捕捉到坡度和坡向对地表反射率的影响,其反演结果较好地还原了研究区LAI的空间分布,与地面真实情况接近。研究...     

植被叶片含水量反演的精度及敏感性

针对利用多源遥感数据监测旱情变化需要研究波段宽差异对指数的影响,而目前缺乏相关对比研究这一问题,该文基于叶片辐射传输模型,选用已广泛应用的光谱指数(包括植被指数与植被水分指数),通过对比研究筛选出反演精度高、对叶片含水量变化敏感、受波段宽变化影响小(适合应用于多源遥感数据)的指数。结果显示,植被指数与植被水分指数反演叶片含水量精度均较高(确定系数:0.983,0.917)。但植被水分指数对叶片含水量变化敏感而对波段宽的变化不敏感,植被指数对叶片含水量变化不敏感且受波段宽变化的影响大。因此,在利用多源传感器数据估算叶片含水量时应选用植被水分指数。在所选植被水分指数中,对叶片含水量变化最敏感同时对波段宽的变化最不敏感指数为归一化差异红外指数(Normalized Difference Infrared Index,NDII)与全球植被湿度指数(Global Vegetation Water Moisture Index,GVMI)。     

玉米叶面积指数与高光谱植被指数关系研究

探讨以不同的植被指数建立的高光谱模型对玉米叶面积指数LAI的反演精度。实测不同水肥耦合作用下，玉米冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，采用高光谱红光波段（631~760 nm）与近红外波段（760~1 074 nm）逐波段构建NDVI、RVI、DVI、TSAVI、PVI植被指数，分别找出与LAI具有最佳相关性波段组合的植被指数，建立玉米LAI估算模型。结果显示，与LAI具有佳相关性的波段组合分别是NDVI（R760，R990）、RVI（R760，R1001）、DVI（R677，R1070）、TSAVI（R 760，R 975）、PVI（R658，R966），它们反演玉米LAI的确定性系数分别：R²>0.72、R²>0.74、R²＝0.95、R²>0.79、R²>0.95。结果表明，在玉米的整个生长季的47个样本中，通过PVI和DVI方式建立的遥感估算模型能够较为准确地估算玉米LAI，TSAVI次之，NDVI、RVI稍差。     

从短波红外与红光波段反演华北地区气溶胶

针对MODIS数据监测华北地区陆地气溶胶存在的植被稀少和仪器老化的问题,开展了基于短波红外波段和红光波段地表反射率比值反演气溶胶。讨论了华北地区MODIS传感器红波段和短波红外波段地表反射率的时间变化特征,发现二者之间的比值较为稳定,据此去除地表反射贡献,建立了陆地气溶胶反演算法。利用2016年9月—2017年8月过境华北地区的MODIS数据进行了算法测试和验证,该算法能够同时在植被稠密和稀疏的地区获得反演结果,较好地反映了气溶胶的空间分布。与AERONET北京Radi站和香河站气溶胶产品对比表明,该算法对于城市和乡村区域的应用效果较好,与地面观测结果的相关系数高于0.9,但算法出现了整体低估;分季节验证结果表明,季节之间的差异较小。