洪河湿地植被地上生物量遥感反演研究

在对洪河湿地植被地上生物量实地采样调查的基础上,利用准同步的TM数据建立了洪河湿地地上生物量遥感反演模型。主要研究了洪河湿地植被地上生物量的空间分布情况,并结合研究区的DEM分析生物量空间分布特征和高程的相关关系。并分析了不同生物量范围内,生物量与高程之间相关性存在差异的原因。研究表明:多元回归模型与其他模型相比拟合精度最高,决定系数为0.813,是洪河湿地地上生物量估算的精度最优模型;经估算得到2007年洪河湿地地上生物量主要集中分布于600~1 200 g/m²之间,总生物量为2.4856×10⁸g,平均生物量为934.7105 g/m²。通过生物量与DEM的相关分析得到,在生物量值为0~600 g/m²的低生物量分布区域,生物量与高程之间存在较好的相关性,相关系数为0.79839;在生物量为600~1 200 g/m²和1 200 g/m²以上范围内,生物量与高程值之间相关性较弱。     

Radarsat-2/SAR和MODIS数据联合反演黄土高原地区植被覆盖下土壤水分研究

以黄土高原半干旱区定西为试验区,利用Radarsat-2/SAR和MODIS数据,将由MODIS NDVI估算的植被含水量(VWC)应用到微波散射Water-Cloud模型中校正植被的影响。采用交叉极化(VV/VH)组合方案对植被覆盖下土壤水分的反演进行初步探讨,结果表明:在植被影响校正前,模型反演土壤水分值出现明显低估现象;校正植被影响后,相关系数R由0.13提高到0.44,且通过α=0.01的显著性检验,标准差SD由5.02降低到4.30,有效提高了模型反演土壤水分的准确度。卫星反演的研究区土壤含水量大部分介于10%~30%之间,与实地考察情况一致,较好地反映出区域土壤湿度分布信息。表明,光学和微波协同遥感反演对于提高农田土壤水分遥感反演精度具有较大的应用潜力。     

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...     

Sentinel-1和Sentinel-2协同反演地表土壤水分

土壤水分是水文循环、生态环境、气候变化等研究中的关键参数,获取高分辨率长时间序列的土壤水分信息对农业管理、作物生长监测等具有重要的意义,同时也是研究的难点。基于时间序列(2019年至2020年)的Sentinel-1雷达数据和Sentinel-2光学数据,构建了地表土壤水分的雷达与光学数据协同反演模型,即裸土条件下地表土壤水分的变化检测方法,并利用归一化植被指数对植被影响进行校正,实现了青藏高原多年冻土区(五道梁)100 m空间分辨率的土壤水分反演。与地面实际观测的土壤水分进行对比验证,结果表明土壤水分反演结果与地面实测数据的相关系数介于0.672与0.941之间,无偏均方根误差介于0.031 m³/m³与0.073 m³/m³之间,土壤水分变化与区域降水事件和特征密切相关,验证了本文提出的考虑植被物候的变化检测方法在地势平坦、植被稀疏的青藏高原地区具有极高的适用性。     

基于Sentinel-1与FY-3C数据反演植被覆盖地表土壤水分

基于新一代的Sentinel-1SAR数据与FY-3C的MWRI数据,研究植被覆盖地表土壤湿度反演方法。为消除植被对土壤湿度反演影响,首先利用FY-3C/MWRI的微波极化差异指数MPDI,建立植被含水量反演模型;然后,结合植被含水量反演模型和水—云模型,发展一种主被动微波联合反演植被覆盖地表土壤含水量模型;最后,在江淮地区开展反演试验,利用观测的土壤湿度数据进行反演结果的精度验证。结果表明:(1)对于植被覆盖地表土壤湿度反演,由FY3C/MWRI提取的MPDI对于去除植被影响效果较好;(2)相比于VH极化哨兵1号卫星数据,VV极化数据更适用于土壤含水量的反演,能够得到更高的土壤湿度反演精度;(3)哨兵1号卫星数据能够获得较高精度的土壤含水量反演结果,试验反演的土壤湿度值与实测值相关系数为0.561 2,均方根误差为0.044cm~3/cm~3。     

结合水域变化的土壤湿度监测

针对现有土壤湿度监测方法受地表粗糙程度与植被覆盖影响大,导致土壤水分反演精度有待提升的问题,以康平地区为研究区域,提出了一种基于改进U-Net水域自适应提取模型的土壤湿度反演方法。该方法首先根据辽宁省多年份Sentinel-2影像制作遥感影像水体智能提取数据集,并在预设不同网络深度的自适应U-Net模型上进行训练;然后基于颜色熵阈值对影像进行复杂程度判断;最后将研究区多时相水域面积与同期实测土壤湿度数据进行回归分析,构建研究区水域面积与土壤湿度之间的内在联系。选用测试集影像,分别从提取精度和提取速度两个方面验证该方法和U-Net模型的水域提取性能。该方法水域轮廓提取更加精细,训练及预测时间分别缩短了25.65%和32.19%。此外,文章以14个时相的康平地区水域面积数据及同期实测土壤湿度数据,基于三次多项式拟合构建土壤湿度反演方法。结果表明,该反演方法在10 cm深度的土壤湿度反演实验中R²为0.723 4;在40 cm深度的土壤湿度反演实验中R²为0.568 9。该方法能够较准确地反演区域土壤湿度,进而为农业大范围土壤湿度的监测提供支持。     

基于GEE云平台的黄河源区河流径流量遥感反演研究

河流径流量是陆地上最重要的水文要素之一,准确获取径流信息对于区域的水资源评价和生态修复方面都具有重要作用。研究基于Google Earth Engine(GEE)云平台提供的Sentinel-1、Sentinel-2影像数据,结合数字高程模型(DEM)对河长、河宽、糙率、比降、河深和流速等水力学参数进行遥感估算,进而采用关系拟合法与改进的曼宁公式法对黄河源区唐乃亥站点附近河段进行径流量反演研究,探讨了河段长度差异对径流量反演精度的影响,并通过建立站点河段与上下游河段之间的河宽关系,实现了对站点河段径流量监测时间序列的扩展补充。结果表明,两种模型均能有效进行径流量的模拟估算,其纳什效率系数(NSE)均在0.80以上;关系拟合法与改进的曼宁公式法径流反演的均方根误差(RMSE)分别为233.431 m³s^-1和271.704 m³s^-1,相对均方根误差(RRMSE)分别为16%和24%,关系拟合法反演精度总体优于改进的曼宁公式法。通过对不同长度河段径流量的反演结果对比分析发现,辫状河心滩的河宽估算在汛期...     

基于SEBS模型干旱区蒸散发量研究

以中亚五国和新疆为研究区域,选取近30 a的遥感数据,结合地面观测资料,基于SEBS模型,反演逐日实际蒸散发量。结果表明:2005年生长季,中亚地区蒸散发量为9 741.03×10⁸ m³,新疆地区蒸散发量为2 168.68×10⁸ m³;其蒸散发在1980、1990和2005年5~9月年际变化量分别为8 960.64×10⁸、9 134.37×10⁸、9 085×10⁸ m³。通过研究区降水量和新疆地区水平衡分析,模型反演的蒸散发量值较为合理,定量提出了区域水循环中参与蒸发过程的水量变化,揭示了干旱区区域蒸散发过程的变化规律。
     

中国东部沿海四省一市PM2.5浓度遥感估算方法研究

卫星遥感反演的气溶胶光学深度（AOD）产品已被广泛应用于近地面PM_2.5浓度的估算。已有研究表明通过构建AOD和PM_2.5之间的高级统计模型—线性混合效应模型（LME）可以有效获取近地面PM_2.5浓度的空间分布,但由于引入了大量的气象和土地利用等因子,使得模型对变量的解译能力有所降低。为此,基于MODIS AOD（空间分辨率：3 km）,以我国东部长江三角洲—福建—广东（YRD-FJ-GD）为研究区,构建了两种非参数机器学习模型,即支持向量机（SVM）和随机森林（RF）模型,来估算2018年YRD-FJ-GD地区的近地面PM_2.5浓度,并将其与线性混合效应模型（LME）的估算结果进行对比。研究发现,3种模型估算的PM_2.5浓度与地面实测值之间的R²均高于0.6,其中,RF模型的估算精度最优,模型拟合的R²高达0.91,比SVM模型（R²=0.79）和LME模型（R²=0.64）的估算结果分别提高了13%和30%;且RMSE（~9.07 μg/m³）也远低于LME（~19.09 μg/m³）和SVM模型（~17.29 μg/m³）。此外,由随机森林（RF）模型估算的2018年YRD-FJ-GD地区的PM_2.5空间分布显示,长江三角洲（YRD）地区的年均PM_2.5浓度最高（>46 μg/m³）,其次为广东省（GD）,福建地区（FJ）的年均PM_2.5浓度最低（<37 μg/m³）;4个季节的平均PM_2.5浓度则呈现冬季（46.32 μg/m³）>春季（38.80 μg/m³）>秋季（36.15 μg/m³）>夏季（30.16 μg/m³）的分布格局。研究结果表明：与高级统计模型（LME）和机器学习（SVM）相比,随机森林（RF）模型能更好地应用于YRD-FJ-GD地区的PM_2.5浓度估算。     

生态系统模型模拟中国叶面积指数变化趋势及驱动因子的不确定性

为了厘清中国近30 a来植被生长趋势及其对不同环境变化的响应,使用了3套长时间序列遥感叶面积指数（Leaf area index, LAI）数据集以及8套生态系统模型,对LAI变化趋势从总量、空间分布以及不同植被类型进行了分析与归因。总量上,1982~2015年遥感观测的LAI趋势（9.8×10^-3m²/m²·a）高于生态系统模型模拟的趋势（4.2×10^-3m²/m²·a）,大气二氧化碳浓度上升是主要驱动因素（（3.5×10^-3m²/m²·a）;遥感观测到全国79.5%的区域LAI都呈现显著增长的趋势,而生态系统模型模拟LAI的增长面积占比为33.1%;除草地外,生态系统模型低估了其他植被类型的LAI变化趋势。模型对降雨变化的响应过于敏感以及对人为活动模拟能力不足是模型模拟中国LAI变化趋势不确定性的重要来源。本研究定量分析了近30 a中国各种植被变化情况及其驱动因子,并对模型低估中国植被生长进行了解释,为后续中国地区植被相关研究提供了参考。     

基于Sentinel-1及 Landsat 8数据的黑河中游农田土壤水分估算

土壤水分是陆地表层系统中的关键变量。利用主动微波遥感,特别是合成孔径雷达(Synthetic Aperture Radar,SAR)的观测,在监测和估计表层土壤水分时空分布方面已开展了诸多研究。然而,SAR土壤水分反演仍存在诸多挑战,特别是地表粗糙度和植被的影响。因此,本文提出了一种结合主动微波和光学遥感的优化估计方案,旨在同步反演植被含水量、地表粗糙度和土壤水分。反演算法首先在水云模型的框架下对模型中的植被透过率因子(与植被含水量密切相关)采用3种不同的光学遥感指数——修正的土壤调节植被指数(Modified Soil Adjusted Vegetation Index,MSAVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和归一化水体指数(Normalized Difference Water Index,NDWI)进行参数化估计,用于校正植被层的散射贡献。在此基础上,构造基于SAR观测和Oh模型的代价函数,利用复型洗牌全局优化算法进行土壤水分和地表粗糙度的联合反演。采用Sentinel-1 SAR和Landsat 8多光谱数据在黑河中游开展了反演试验,并利用相应的地面观测数据对结果进行了验证。结果表明反演结果与地面观测具有良好的一致性,其中基于NDWI的植被含水量反演效果最佳,与地面观测比较,土壤水分决定系数(R 2)在0.7以上,均方根误差(RMSE)为0.073 m^ 3/m^ 3;植被含水量R 2大于0.9,RMSE为0.885 kg/m 2,表明该方法能够较准确地估计土壤水分。同时发现植被含水量的估计结果,以及植被透过率的参数化方案对土壤水分的反演精度有一定的影响,在未来的研究中需要进一步探索。     

空间遥感现状及未来发展

从第三十五届国际宇航联合会的空同遥感专业小组会议上可以看出,目前空间遥感的现状及未来发展前景。今后空间遥感将从具有单一遥感能力向具有综合遥感能力方面发展,不仅能对陆地,而且对海     

Soil Moisture Retrieval over Vegetated Areas based on Sentinel-1 and FY-3C Data

This study aims to develop soil moisture retrieval model over vegetated areas based on Sentinel-1 SAR and FY-3C data.In order to remove vegetation effect,the MWRI data from FY-3C was applied to establish the inversion model of vegetation water content.The model was combined with the original water-cloud model,and developing a soil moisture retrieval model by combining active and passive microwave remote sensing data.Finally,the experiment of the soil moisture retrieval was conducted in Jiangsu and Anhui province,and validating the inversion accuracy of soil moisture by measured data.The results showed that：①For the vegetation-covered surface,the Microwave Polarization Difference Index obtain from FY-3C/MWRI was suitable for removing vegetation effect.②Compared with the Sentinel-1 VH polarization data,the backscattering coefficient of VV polarization was more suitable for soil moisture retrieval and get a higher accuracy of soil moisture retrieval.③Sentinel\|1 data can obtain high precision soil moisture estimation results,and the correlation coefficient between the estimated and measured soil moisture is 0.561 2 and RMSE is 0.044 cm³/cm³.     

Evaluation of Soil Moisture Retrieval Algorithms based on Ground-based Microwave Radiation Observation

The commonly used passive microwave soil moisture inversion algorithms include Single Channel Algorithm at H polarization (SCA-H), Single Channel Algorithm at V polarization (SCA-V), Dual-Channel Algorithm (DCA), Microwave Polarization Ratio Algorithm (MPRA) and Extended Dual Channel Algorithm (E-DCA). The five retrieval algorithms have different performance, systematic evaluation and analysis of these inversion algorithms will contribute to the improvement of the retrieval algorithm and the release of satellite soil moisture products. Verification of satellite product could bring some problems, such as scale matching and spatial heterogeneity. In order to avoid these issues, the above five soil moisture inversion algorithms are implemented, compared and analyzed based on ground-based microwave radiometer observation and supporting soil and vegetation parameter measurement data. The results show: (1) SCA has the best inversion performance. SCA-H has the highest correlation (R=0.83), and SCA-V has the smallest inversion error (RMSE=0.028 m³/m³, BIAS=-0.011 m³/m³), but SCA needs the accurate vegetation water content as an input. (2) The other three algorithms can get rid of the use of vegetation-aided data, with slightly poor performance but also meet the satellite detection requirements (less than or equal to 0.04 m³/m³). Among them, E-DCA and MPRA are slightly worse than the DCA. However, E-DCA is more advantageous in the vegetation water content inversion in our study.     

基于地基微波辐射观测的土壤水分反演算法评估

当前常用的被动微波土壤水分反演算法有水平极化单通道算法、垂直极化单通道算法、双通道算法、微波极化差比值算法和扩展双通道算法,5种反演算法具有不同的差异,对这些反演算法进行系统的评估和分析将有助于反演算法的改进和星载高精度土壤水分产品的发布。为了避免直接采用卫星产品验证时的尺度匹配、空间异质性等问题,基于地基L波段微波辐射观测以及配套的土壤和植被参数测量数据,对这5种反演算法进行了实现、对比和分析,得出以下结论：①单通道算法具有最佳的反演性能,水平极化单通道算法反演结果具有最高的相关性(相关性系数R=0.83),垂直极化单通道算法反演结果具有最小的反演误差(均方根误差RMSE=0.028 m³/m³,偏差BIAS= -0.011 m³/m³),但单通道算法需要精确的植被含水量输入;②其余3种算法能脱离植被辅助数据的使用,性能略差但也能满足星载微波传感器的探测指标要求(小于等于0.04 m³/m³);其中,扩展双通道算法和微波极化差比值算法的土壤水分反演结果比双通道算法略差,但本例中扩展双通道算法在植被含水量反演方面更具优势。     

Retrieval of Soil Unfrozen Water in Maqu Region of Tibetan Plateau based on SMAP Brightness Temperature Measurement

Unfrozen water and ice co-exist in frozen soil, and their mutual transformation, namely freezing-thawing change, profoundly affects the surface water circulation and energy budget in cold regions. Passive microwave remote sensing technology is the main means of soil water monitoring, but it is mostly applied to the retrieval of water in non-frozen soil, and the retrieval of unfrozen water in frozen soil under negative temperature environment is less. Based on the brightness temperature measurement data obtained from the SMAP satellite ascending and descending overpass and the improved zero-order microwave radiation model applicable to the Tibetan Plateau, using Single-Channel Algorithm (SCA) and Dual-Channel Algorithm (DCA), The content of unfrozen water in the seasonal frozen soil in Maqu region which is the source region of the Yellow River in the east of Tibetan Plateau was inverted. The results show that the in-situ measured values dynamics are better captured by the retrieval values based on the brightness temperature measurement at the different moments of SMAP satellite overpass and different algorithms of soil unfrozen water in the study area(the correlation coefficient R is greater than 0.9). Among them, the retrieval results based on the brightness temperature measurement at the SMAP descending are significantly underestimated in the transition season of freezing-thawing cycle, while the retrieval results based on the brightness temperature measurement at the SMAP ascending are more accurate. The unbiased root-mean-square error (ubRMSE) of the retrieval values which obtained based on the V-polarization Single Channel Algorithm (SCA-V) and DCA and the in-situ values is 0.035 m³m^-3 and 0.039 m³m^-3, respectively, which are both meet the established requirements of SMAP mission. Compared with SMAP standard products, the soil moisture in warm season obtained by retrieval based on SCA-V algorithm is more accurate in this study. In addition, the algorithm adopted in this study can successfully retrieval the dynamic change of soil unfrozen water during freezing period, so it is more suitable for the retrieval of soil moisture under freezing and thawing conditions in Tibetan Plateau.     

基于SMAP亮温数据反演青藏高原玛曲区域土壤未冻水

未冻水和冰共同存在于冻土中,两者的相互转化即冻融变化深刻影响寒区地表水分循环和能量收支。被动微波遥感技术是土壤水分监测的主要手段,但目前大多应用于非冻结土壤的水分反演,对负温环境下冻结土壤中未冻水的反演研究较少。基于SMAP卫星升轨和降轨时刻的亮温观测数据和经改进后适用于青藏高原地区的零阶微波辐射模型,利用单通道算法（SCA）和双通道算法（DCA）,对青藏高原东部黄河源区玛曲区域季节冻土中的未冻水含量进行反演。结果表明：基于SMAP不同过境时刻亮温观测及不同算法的土壤未冻水反演结果均较同步地反映了研究区实测值的动态变化特征（相关系数R均大于0.9）。其中,基于SMAP降轨时刻亮温观测的反演结果在冻融交替的过渡季节存在明显低估,而基于升轨时刻亮温观测得到的反演结果精度更高。基于垂直极化亮温观测的单通道（SCA-V）和DCA算法得到的升轨时刻的反演值与实测值的无偏均方根误差（ubRMSE）分别为0.035 m³m^-3和0.039 m³m^-3,均达到SMAP任务的设计要求（即ubRMSE≤0.04 m³m^-3）,其中SCA-V对该研究区土壤未冻水的反演精度最高。与SMAP标准产品相比,基于SCA-V算法反演得到的暖季土壤水分精度更高。此外,该算法能成功反演得到冻结期土壤未冻水的动态变化,因此更适用于青藏高原地区冻融土壤条件下的水分反演。     

主被动遥感数据协同估算干旱区草原植被生物量

结合主动微波遥感和被动光学遥感反映地表植被的各自优势,发展了一种主被动遥感协同估算干旱区草原植被生物量的模型。该模型将植被覆盖度作为水云模型的附加参数,将总体散射分为植被覆盖区散射和裸土区散射两部分,将水云模型应用到了植被覆盖稀疏区域。利用改进的水云模型和双极化ASAR数据,通过建立方程组估算植被生物量。将该方法用于乌图美仁草原植被生物量的估算,验证了该方法的有效性。结果表明:该主被动遥感协同估算模型能够成功地估算干旱区草原植被生物量,并且取得了较好的估算精度(R2=0.8562,RMSE=0.1813kg/m2)。最后,分析了该方法估算植被生物量的误差来源。     

西南地区不同山地环境梯度叶面积指数遥感反演

叶面积指数(LAI)遥感估算是植被定量遥感研究的热点之一,监测植被LAI时空变化对于研究陆地生态系统碳循环及全球变化等具有非常重要的意义。在我国西南山区设置10个50km×50km的观测样区作为研究区,其中包括5个森林生态系统样区、3个农田生态系统样区和2个草地生态系统样区。分别获取不同优势植被类型LAI地面实测数据,结合同期获取的遥感数据,考虑地形因素影响,基于偏最小二乘原理分别构建各样区LAI遥感估算模型,并采用交叉验证的方式对模型精度进行评价。结果表明:考虑了海拔、坡度和坡向等地形因子的森林LAI遥感反演模型与未考虑地形变量的模型相比,其验证精度有所提高,R2由0.30~0.75提高至0.50~0.80,RMSE由0.52~0.93m2/m2降低至0.48~0.89m2/m2;所有样区优势植被类型LAI反演模型验证R2在0.40~0.80之间,RMSE在0.22~0.89m2/m2之间。发展的LAI遥感估算方法有助于认知山地植被LAI反演的地形效应问题,可为进一步的山地植被长势监测提供科学依据。     

基于GF-1遥感数据的若尔盖高寒沼泽湿地地上生物量与土壤有机碳密度估算

随着我国遥感技术迅速的发展,国产系列卫星数据越来越多的应用到各个行业中.在湿地遥感监测方面,湿地生物量和碳储量的遥感估算研究是研究人员非常关注的研究问题,我国自主研制的高分(GF)系列卫星为湿地生态系统的资源监测提供新的途径和方法.提出了基于GF-1卫星的若尔盖高寒沼泽湿地地上生物量与土壤有机碳密度估算方法,通过选取G...