基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究

地上生物量是衡量草地长势及生态系统服务功能的重要参数,对于草地生态系统碳收支、资源可持续开发等研究具有重要意义。研究基于若尔盖高原典型样带的无人机可见光影像和地面实测样本,建立生物量与多种可见光植被指数的指数回归模型,对比不同植被指数模型的生物量估算精度的差异。结果表明:可见光植被指数能够有效区分草地和其他覆盖类型,生物量与植被指数具有较好的相关关系。但基于不同波段建立的植被指数对生物量的估算精度存在差异,其中利用红、绿波段建立的植被指数NGRDI模型对生物量具有最高的模拟精度(R~2=0.856)和预测精度(验证样本ABE=94g/m~2,RMSE=124g/m~2)。研究获取了高空间分辨率的草地地上生物量,相关成果可为若尔盖高原碳收支、卫星遥感产品真实性检验、生态模型、资源可持续利用等研究提供方法与数据支撑。     

基于无人机与卫星遥感的草原地上生物量反演研究

草原生物量是评价草原生态系统功能的重要参数。为了快速、准确、有效地估算草原地上生物量,以呼伦贝尔草原为研究区,基于无人机多光谱影像和卫星遥感(Sentinel-2)影像,选择GNDVI、LCI、NDRE、NDVI、OSAVI、EVI等6个植被指数,结合实测地上生物量数据,建立植被指数回归模型,并采用留一法交叉验证进行精度评价。结果表明：基于无人机多光谱影像的LCI-生物量回归模型(RRMSE为18%,测量值与预测值R²为0.70)和NDRE-生物量模型(RRMSE为18%,测量值与预测值R²达到0.71)精度高于其他植被指数回归模型;基于无人机多光谱影像的生物量—植被指数模型(RRMSE均低于22%)模拟精度均优于基于Sentinel-2影像的生物量—植被指数模型(RRMSE均高于25%),可以更精确地反演草原地上生物量,研究结果可为草原生物量精准反演提供科学方法和依据。     

山丹县草地地上生物量遥感估算模型

选择黑河流域草地植被的典型区域-山丹县作为研究区, 利用2003 年8 月野外实测50 个样方的草地地上生物量数据和同期的陆地卫星TM 影像数据, 分析了植被指数与草地地上生物量的相关关系, 进而建立基于遥感植被指数DV I 的草地地上生物量估算模型。结果表明: 在草地地上生物量和TM 影像植被指数之间关系微弱、直接利用TM 影像数据建立估算模型不可行的情况下,用地面实测的草地植被反射光谱数据对遥感影像数据进行校正, 能够弥补传统的“点-面”建模方法的不足, 获得比较理想的估算模型; 植被指数DVI 与草地地上生物量之间存在较好的相关性, 其估算模型为Y = 2477X - 77. 598 (R 2= 0. 7589) , 经实测数据验证, 总体精度达到80% 以上, 基本上能够满足中尺度的草地地上生物量估算。     

基于SPOT5遥感影像丰宁县植被地上生物量估测研究

利用SPOT5遥感影像数据和同期获得的野外调查样地数据,基于按植被类型分类估测的方法,研究了河北省丰宁满族自治县植被地上生物量的遥感估测技术。研究结果显示,SPOT5影像的4个波段反射率和中红外植被指数(VI3)结合建立的多元回归模型,可用于森林生物量的遥感估测,估测的R2值达0.540,说明中红外波段信息提高森林生物量的估测精度有一定作用;通过分析样地生物量与多种植被指数的相关性发现,基于比值植被指数(RVI)的指数回归模型是灌丛生物量估测的最佳模型,估测的R2值达0.711,基于归一化植被指数(NDVI)的简单线性回归模型为估测草地生物量的最佳模型,R2值达0.790。利用2008年的全覆盖SPOT5影像,获得了丰宁县2008年植被地上生物量分布图,除农田植被外,全县地上生物总量为3.706×107 t,单位面积生物量平均为51.223t/hm2,其中,森林植被总生物量为3.578×107 t,灌丛植被总生物量为1.048×106 t,草地植被总生物量为2.277×105 t。     

基于高光谱植被指数的加工番茄生长状况监测研究

利用ASD地物非成像高光谱仪,获取2个加工番茄品种4水平施氮量和3种配置种植方式6个关键生育时期冠层的反射光谱数据,通过计算得到归一化植被指数(NDVI)、比值植被指数(RVI)、修改型二次土壤调节植被指数(MSAVI2)和红边归一化植被指数(RENDVI),并分别与其冠层叶绿素密度(CH.D)、叶面积指数(LAI)、地上鲜生物量(AFBM)和地上干生物量(ADBM)进行相关分析,经检验,相关系数均达到1%的极显著水平。其中RENDVI与CH.D的线性相关模型,RVI与LAI的幂指数函数模型的相关性最好(RRENDVI-CH.D=0.8034**,RRVI-LAI=0.8703**,n=54,α=1%),用上述2个相关模型方程分别估算加工番茄CH.D和LAI,实测值与估测值之间均呈极显著的线性相关关系(R实测CH.D-估测CH.D=0.8113**,R实测LAI-估测LAI=0.8546**,n=54,α=1%),估算精度分别为85.5%和86.3%。试验结果表明,用高光谱植被指数,可以对加工番茄冠层CH.D、LAI、AFBM和ADBM进行遥感估算,实现对加工番茄生长状况的实时、无损、非接触和定量的高光谱监测研究。     

基于Landsat 8 OLI的特征变量优化提取及森林生物量反演

基于江苏省常熟市虞山地区Landsat 8OLI影像和55块调查样地数据,利用多元逐步回归法建立森林生物量模型,并讨论了预测结果及其精确性。选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括18种植被指数)、纹理信息以及主成分分析、最小噪声分离变换等在内的53个特征变量。通过分析53个特征变量与森林地上、地下生物量的Pearson相关性,进行特征变量的优化提取。结果表明:所有样地无区分分析时,地上和地下生物量的模型精度均达到0.4以上,基于3种森林类型(针叶林、阔叶林和混交林)进行地上和地下生物量建模时精度有明显提高,达到0.67以上,地上生物量和地下生物量的估测结果均为混交林优于阔叶林,阔叶林优于针叶林。     

退牧还草工程项目遥感分析与效益评价——以四川省阿坝县为例

根据对卫星遥感影像的判读解译,探讨了利用3S技术（遥感（RS）、全球定位系统（GPS）、地理信息系统（GIS）技术）监测四川省阿坝县的退牧还草工程现状。通过陆地卫星TM遥感影像数据和同期野外调查数据,分析了植被指数与草地植被生物量之间的相关关系,建立了不同植被指数与草地生物量之间的一元线性回归模型和非线性回归模型。结果表明,利用遥感卫星的植被指数可以较好反映牧草植被群落变化和不同草原类型的牧草产草量差异。在全年放牧草地中,地上总生物量、植被总覆盖度、植被平均高度等指标均低于围栏内的草地。因此,利用“3S”技术可以对全县草原地上生物量进行遥感估测并对草原基况做出评价,客观反映退牧还草工程实施后效果。同时,为推动高空间分辨率卫星影像在我国草业和生态环境建设中的应用打下了坚实基础。     

基于多角度高光谱数据的高寒沼泽湿地植被生物量估算

湿地植被生物量是湿地生态系统健康状况的重要指标,直接反映植被群落的生长状况和生产力高低。估测高寒沼泽湿地植被生物量有助于理解高寒沼泽生态系统与全球气候变化之间的反馈关系。以三江源隆宝滩自然保护区为研究对象,使用欧空局CHRIS/PROBA数据,利用高光谱光谱维信息和多角度立体结构信息,分析不同角度光谱反射率、窄波段植被指数、红边指数以及主成分分量与湿地植被地上干、鲜生物量的相关性,探讨生物量对角度的敏感性。结果表明:高寒沼泽湿地植被地上生物量对角度具有一定的敏感性,前向观测的+36°影像优于0°和-36°影像;-36°红边位点指数REIP对地上干生物量、鲜生物量的拟合效果最好,干生物量的R~2为0.599,F值为37.404;鲜生物量的R~2高达0.685,F值达54.410。研究区内最大地上生物量干重为446.7g/m~2,湿重为2 368.1g/m~2。     

基于遥感信息的农作物生物量估算研究进展

科学准确地估算农作物生物量是生物质能源开发利用战略的必要前提.随着遥感技术的不断发展,可获取遥感数据的时间、空间、光谱分辨率都在不断提高,为长时间跨度和大空间尺度的农作物生物量估算提供了有力支撑.对目前农作物生物量估算方法进行了分析总结,重点阐述了基于遥感信息的农作物生物量估算方法,并根据基于模型的不同将其分为４类(基于植被指数、净初级生产力、作物生长模型、作物表面模型的农作物生物量估算方法),对每一类方法的原理进行了详细论述,并就其在国内外典型的应用情况进行了分析,在此基础上总结了各种估算方法的优势及存在问题,展望了该领域未来主要的发展方向.     

MODIS光谱指数监测小麦长势变化研究

利用多个时次的小麦地面光谱与相应的生理参量测量数据(140组)，构建了常见宽波段植被指数形式的MODIS(中分辨率成像光谱仪)光谱指数。首先确定反映作物长势的因子为生物量和LAI(叶面积指数)，以地面光谱模拟MODIS的波段1～19，穷尽所有波段两两组合，寻找同时与生物量和LAI关系显著且有物理意义的光谱指数NDSI和RDSI。综合分析得出了3个最佳的波段组合：(619，62)，(619，617)和(619，616)，这3种组合所对应的NDSI和RDSI与两个长势因子都达到99％显著相关，而且明显优于Mc)DIS自身的植被指数产品MODIS—NDVI和MODIS_EVI。与NDSI相比，RDSI对LAI更敏感。MODIS_EVI比MODIS_NDVI有显著改进，它与长势因子的相关性可达到95％置信度。对MODIS图像的初步分析表明，NDSI(619，617)能够增强云与其他地物的差异，有可能改进云的识别精度。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段，对农业生产管理具有重要意义。以安徽龙亢农场为研究区，收集了中高分辨率多源卫星遥感数据并进行了定量化处理，构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型，生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律，分析了不同品种冬小麦的长势情况，发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上，构建了基于归一化植被指数（NDVI）的冬小麦估产模型，结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算，据此绘制了龙亢农场2017年冬小麦产量遥感估算地图，产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测，为区域范围内农作物长势监测提供了一种有效途径。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段,对农业生产管理具有重要意义。以安徽龙亢农场为研究区,收集了中高分辨率多源卫星遥感数据并进行了定量化处理,构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型,生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律,分析了不同品种冬小麦的长势情况,发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上,构建了基于归一化植被指数（NDVI）的冬小麦估产模型,结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算,据此绘制了龙亢农场2017年冬小麦产量遥感估算地图,产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测,为区域范围内农作物长势监测提供了一种有效途径。     

Detection of Wheat Stripe Rust Using Solar-induced Chlorophyll Fluorescence and Reflectance Spectral Indices

Detection of wheat stripe rust is important for agriculture management and decision,this paper aims to improve detection accuracy of the disease severity of wheat stripe rust by integrating the advantages of reflectance spectroscopy in the detection of crop biochemical parameters and the advantages of chlorophyll fluorescence in photosynthetic physiology diagnosis.Firstly,the solar-induced chlorophyll fluorescence (SIF) at O₂-A band (760 nm) was calculated using the 3FLD algorithm,and seven spectral indices sensitive to wheat stripe rust were investigated for estimating the disease severity.Then,three classic statistical modelling methods,including Support Vector Machine (SVM),Stepwise Regression (SR) and BP neural network (BP),were used to quantitatively investigated the performance of the spectral indices and SIF for detection of winter wheat stripe rust severity.The results show that:(1) there is a significantly negative correlation between SIF and the severity of wheat stripe rust.The relationship between SIF and DI can be effectively applied to detect wheat stripe rust.(2) the spectral models based on SIF combined with spectral indices are more accurate than those based on spectral indices.SIF can significantly improve the detection accuracy of the disease severity of winter wheat stripe rust.(3) compared to the SVM and SR methods,the training model constructed by the BP neural network has the highest prediction accuracy whether using the spectral indices or SIF combined spectral indices.However,the verification results show that the disease severity prediction model constructed by SVM and SR method have a better prediction.     

基于遥感影像时间序列的冬小麦种植监测最佳时相选择研究

遥感影像植被分类的最佳时相对作物种植面积遥感监测非常重要。根据2005~2006年北京冬小麦不同物候期的Landsat TM影像和2006年Spot\|2影像,计算了各时期影像中主要植被类型的光谱可分性距离,分析了北京郊区主要植被物候差异和光谱可分性;对各生育期的遥感影像及其主要组合进行了监督分类,采用总体精度和分类效率指标两个参数,结合地面GPS调查数据,对分类结果进行了精度评价。结果表明：北京地区小麦监测最佳时相是4月上旬,影像分类的总体精度为92.9％,明显优于其它单时相影像的分类结果;发现北京郊区冬小麦光谱分类的最佳时相组合为4月上旬(起身期)和5月下旬(灌浆期),分类总体精度为94％。     

Biomass estimation on grazed and ungrazed rangelands using spectral indices

Aboveground biomass was estimated on the shortgrass steppe of Eastern Colorado using Landsat TM Tasseled Cap green vegetation index (GVI), brightness index (BI), and wetness index (WI), the normalized difference vegetation index (NDVI) and the red waveband (RED), for two grazing treatments (moderately grazed or ungrazed). Field measurements of standing crop were obtained on six sites per grazing treatment. Ordinary least squares regression models of biomass as a function of one or more indices were tested for grazed, ungrazed, and combined grazed and ungrazed data. Biomass from grazed sites was linearly related to GVI, NDVI, WI, and RED indices (R2 0.62-0.67). Ungrazed sites produced no significant relations. With combined ungrazed and grazed data, biomass was not significantly related to GVI, NDVI, WI, or BI, and was poorly related to the RED index (R2 0.35). When grazing treatments were treated as dummy variables for the combined data, the RED index was moderately related to biomass (R2 0.70). These results suggest that information about grazing utilization is useful for estimating aboveground biomass in rangelands. The RED index appears to be sensitive to biomass variations for green vegetation and to a lesser extent dry or senescent vegetation when relatively bright soil backgrounds are present which is often the case for semi-arid environments such as the shortgrass steppe.     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index,LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detection and Ranging,LiDAR）和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest,RF）回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m2,研究发现最高的点密度（420 points/m2）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获...     

Estimation of wheat production by the integration of MODIS and ground data

This paper presents a methodology capable of combining Moderate Resolution Imaging Spectroradiometer (MODIS) Normalized Difference Vegetation Index (NDVI) imagery and ancillary data to estimate durum wheat production in Tuscany (Central Italy). First, the phenological stages of winter wheat are simulated by the use of an agro-meteorological model (Syrius 4.1). Next, MODIS NDVI images at 250 m spatial resolution are utilized to identify fields likely grown with winter wheat. The multitemporal NDVI profiles of these fields are then integrated with Syrius 4.1 outputs through a previously developed procedure in order to simulate wheat above-ground biomass and harvest index. This allows the computation of wheat yield, which, combined with relevant cropped area, provides provincial wheat production estimates. The methodology is tested using ground and MODIS data taken over four Tuscany provinces where winter wheat is widely cultivated. The accuracy of all estimated variables (wheat cropped area, yield and production) is finally evaluated against provincial statistical data. The results of this experiment indicate that the accuracy of wheat cropped area estimation and yield simulation is variable, but interannual production variations are reproduced well for all provinces.     

Winter wheat vegetation indices calculated from combinations of seven spectral bands

Spectral reflectance data were obtained for winter wheat over a full growing season. Four irrigation treatments, applied to six genotypes, provided a variety of crop growth conditions. Leaf area index, green ground cover, total wet and total dry phytomass, and leaf phytomass measurements were taken monthly during the winter and biweekly during the spring. Reflectance measurements were made with a radiometer having three visible, two near-IR and two mid-IR bands. Vegetation indices, calculated from various band combinations, were linearly related to the five plant parameters. Of the 1240 vegetation indices formed, ratio indices had the higher (0.79–0.86) coefficients of determination (r²) than N-space greenness (0.61–0.81) when related to the plant parameters. The commonly used IR/red ratio produced considerably lower r² values than many of the other ratio indices. The mid-IR bands appeared more frequently in the ratio indices than in the greenness indices. The results show the relative merits of the seven bands, when combined into vegetation indices, to estimate various plant parameters.