新疆棉花LAI和叶绿素密度的高光谱估算研究

利用非成像高光谱仪,对棉花(2品种4水平种植密度)冠层5个关键生育时期进行光谱测定,分析棉花反射光谱及微分光谱生育期的变化规律,并对棉花冠层叶面积指数(LAI)、叶绿素密度(CH.D)与光谱数据进行回归分析,结果表明,用归一化差值植被指数(NDVI)与LAI建立的对数模型能够较好地估测棉花冠层的LAI(r=0.9123**,n=20);近红外729 nm波段处一阶微分光谱数值与CH.D高度相关(r=0.9372**,n=20),用此波段建立的CH.D估算模型,精度达84.3%,标准差为0.234g.m-2,RMSE=0.1569。研究表明,可以用高光谱数据对新疆棉花冠层LAI和CH.D进行遥感估算。     

利用高光谱植被指数估算棉花干物质积累的模型研究

利用高光谱仪,对新疆棉花（2个品种4种配制方式）生物量和高光谱数据进行分析,经过多元统计分析与光谱微分处理,建立了基于比值植被指数（RVI）和归一化植被指数（NDVI）的5种函数形式的棉花干物质积累估测模型,相关系数均达到了极显著水平（a=1％,n=16）。基于RVI与NDVI构建的估测模型,后者比前者有更高的估测精度,指数函数、对数函数和双曲线函数的模型可以产生较高的估测精度;一阶微分光谱数据与棉花干物质积累量的逐步回归相关分析表明,相关系数的最高值发生在756nm（r=-0．6749,n=16）,由756nm波段处的微分数值建立的回归模型,估测精度较高,具有实际应用的潜力。     

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。     

基于光谱分析的长江口湿地互花米草叶片叶绿素含量反演研究

互花米草是我国滨海湿地主要入侵植物之一,对当地生态系统产生深远影响,其叶绿素含量信息是湿地生态系统关键生态功能定量化研究的重要基础数据。以长江口崇明东滩湿地为研究区,以实测互花米草叶片光谱反射率和总叶绿素含量为数据源,在400~1 000nm范围内研究原始光谱反射率和一阶导数光谱反射率的比值形式(RVI)与归一化差值形式(NDVI)组合,与叶绿素含量的相关性分析,并构建叶绿素含量估算模型。结果表明:基于原始光谱反射率的RVI和NDVI植被指数形式所构建的模型的精度最高,均方根误差RMSE分别达到0.24和0.25;一阶导数光谱反射率因噪声影响较大,其估算效果不佳;从模型所入选波段来看,红边波段在互花米草叶绿素含量估算中尤为重要。     

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。     

不同氮素水平油菜冠层反射光谱特征研究

2002～2003年油菜生长季节,在浙江大学实验农场设置了4个品种、3个供氮水平处理、3个重复的油菜田间小区试验,测定了不同发育时期的冠层光谱反射率及对应叶片、茎以及角果的鲜重和干重。结果表明：不同供氮水平的油菜冠层和叶片光谱差异明显,冠层光谱反射率随发育期推移,开花前在可见光范围逐渐降低、在近红外区域逐渐增大,开花后在可见光范围逐渐增大,在近红外区域逐渐降低。不同供氮水平的油菜冠层光谱差异明显,4个品种的油菜具有相似的变化规律,在近红外表现尤其明显,随着供氮水平的增加,光谱反射率明显升高;而在可见光波段处,随供氮水平提高,反射率反而降低。前期随发育期推移,NDVI和RVI都逐渐增大,在4月22日达到最大,其中N2和N3在4月14日受开花影响,NDVI和RVI有所降低。4月22日以后,由于后期叶片衰老变黄,NDVI和RVI都逐渐减小。     

波段位置和宽度对河口湿地4种植被NDVI的影响

研究不同波段位置和宽度对植被NDVI的影响,对于进一步认识NDVI指数具有重要的意义。采用ASD(Analytical Spectral Devices)地物光谱仪测定闽江河口互花米草(Spartina alterniflora)、秋茄(Kandelia candel)、芦苇(Phragmites australis)和短叶茳芏(Cyperus malaccensis)冠层光谱,利用ViewSpecPro和Oragin8.0软件对光谱数据进行分析和处理,探讨不同波段位置和波段宽度对河口湿地4种植被NDVI的影响。结果表明:①当红光波段固定,近红外波段以50 nm宽度移动时,4种湿地植被NDVI随近红外波段中心位置增加而迅速增加,之后趋于平稳,在925~1 050 nm出现一个小的谷值,互花米草和短叶茳芏的谷值要比其他两种植物更为明显;不同波段宽度影响表现为:除红边与970 nm附近区域对NDVI的影响较显著外,其他波段影响不显著;②当近红外波段固定,红光波段以10 nm宽度移动时,4种湿地植被NDVI随红光波段中心位置移动先略有增加或变化不大,然后迅速降低;不同波段宽度影响表现为:在650~700 nm波段宽度越宽,NDVI值越小,600~650 nm范围内波段宽度对NDVI的影响不大;③4种湿地植被红光波段宽度对NDVI的影响要大于近红外波段。     

新疆巴音布鲁克草原马先蒿光谱特征提取与分析

通过野外采集巴音布鲁克草原开花马先蒿、未开花马先蒿和普通牧草3种植被光谱数据,对数据进行平滑去噪处理,一阶导数、二阶导数和倒数取对数变换,分析植被差异敏感波段。结果表明:在可见光波段,未开花马先蒿和普通牧草的光谱曲线整体呈现出一致性,而开花马先蒿的光谱曲线则呈现出明显差别;在红光波段750nm及近红外波段处,未开花马先蒿光谱反射率明显提升,三者光谱反射率表现出明显差异;倒数取对数变换后的580～680nm处可以作为马先蒿识别的敏感区域,655nm处三者光谱反射率差异最为明显,解决了可见光波段未开花马先蒿与普通牧草易混淆的不足。通过计算改进归一化植被指数,进一步验证和表明了倒数取对数变换后的NDVI改进值NDVIRLR可以将开花马先蒿、未开花马先蒿与普通牧草进行区分。马先蒿的光谱特征提取方法为马先蒿的遥感监测提供了理论依据,对遥感技术在马先蒿资源调查和监测应用具有重要意义。     

不同辐射校正水平下水稻植被指数监测对比分析

归一化植被指数(NDVI)是反映植被长势特征的重要参数之一。获取准确的植被指数对揭示植被长势变化等定量遥感分析至关重要。基于不同辐射校正水平(辐射定标与大气校正),分别利用Landsat ETM+影像的灰度值(DN)、表观(TOA)反射率与地表(Surface)反射率计算相应NDVI,并根据鄱阳湖区野外定点观测数据,从农田、景观尺度揭示不同辐射校正水平下水稻生育期内NDVI动态变化特征。结果表明,根据DN、TOA反射率与Surface反射率提取的NDVI基本上可以反映出年内水稻不同熟制种植信息变化特征,即移栽期NDVI处于谷值,孕穗抽穗期NDVI达到峰值。但相应NDVI逐渐增加,且波动范围逐渐增大。就不同熟制水稻生育期而言,根据DN值计算并构建的NDVI曲线差异较小,而根据TOA反射率与Surface反射率反演的NDVI曲线差异明显。在植被定量遥感研究中,通过大气校正反演地表反射率计算植被指数相对客观准确。     

水稻叶面积指数的多光谱遥感估算模型研究

LAI是生态系统研究中最重要的结构参数之一,它是估计多种植冠功能过程的重要参数。通过两年的水稻田间试验,使用美国ASD背挂式野外光谱辐射仪(ASDFieldSpec),获取1999～2000年两年晚稻整个生育期的光谱数据,采用计算机测算图斑面积法测定LAI;根据已有的卫星传感器通道波段(MSS、RBV、SPOT、TM、CH)和它们的组合(比值植被指数、归一化差植被指数),以及具有物理意义的光谱区域(蓝区、绿区、黄边、红光吸收谷、红边、紫区、可见光区、近红外区、全部波段)等共有27个变量构建多光谱变量组,采用5个单变量线性与非线性拟合模型,用1999年试验数据为训练样本,建立水稻LAI的多光谱遥感估算模型。结果表明:适用于水稻LAI估算的多光谱变量是植被指数变量好于波段变量;RVI与NDVI比较,RVI好于NDVI。用2000年试验数据作为测试样本数据,对其精度进行评价和验证,非线性模型的精度高于线性模型的精度,其中以SPOT3/SPOT2为变量的对数模型,拟合R2与预测R2达到了最大,其RMSE和相对误差(%)为最低,因此,认为它是估算LAI的最佳模型。
     

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。     

基于光谱归一化的马尾松LAI遥感估算研究

通过对比不同传感器间光谱响应函数的差异,研究基于光谱响应函数的不同传感器相似波段的归一化方法,探讨归一化后植被指数在马尾松叶面积指数（LAI）估算中的应用。以某一传感器为基准,根据波段总辐射率比值关系将其他卫星传感器归一化为基准传感器,然后计算其植被指数,建立LAI反演模型。为验证方法可行性,选取永安地区2008年3月获取的BJ-1CCD、IRS-P6LISS3和MODIS数据作为研究对象,根据三者的光谱响应函数差异,将BJ-1CCD和IRS-P6的LISS3的红光和近红外波段归一化为MODIS的相应波段,并分别计算归一化前后的NDVI值。结果表明归一化后不同传感器的植被指数关系与理想的关系y=x更加接近。利用归一化后的IRS-P6影像的NDVI反演马尾松LAI,并将其应用于MODIS和BJ-1传感器,得到归一化后不同传感器的植被指数值基本相等,表明归一化以后的植被指数应用于LAI的估算具有一定的普适性,能适用于多种传感器。     

基于LESS模型的异质植被冠层光合有效辐射吸收比与植被指数的关系研究

研究植被指数与光合有效辐射吸收比FPAR的定量关系对于提高FPAR反演精度与指导生产实践具有一定的参考价值。研究在三维辐射传输模型LESS基础上发展了一个兼具一维模型简洁和三维模型精度优势的LESS1D模块(已随LESS模型正式发布，www.lessrt.org)；探究随机均匀场景和三维异质场景中植被冠形、盖度等7种因素对6种植被指数与FPAR_green关系的影响。结果表明：(1)在均质性场景中，NDVI、SAVI、EVI对FPAR_green拟合相对最优，而在异质性场景中，则为NDVI和RVI。(2)在异质性场景中，不同冠形下FPAR_green与植被指数的拟合精度为圆柱形>椭球形>圆锥形；植被盖度较低时，植被指数对FPAR_green拟合精度较差；随着太阳天顶角增大，RVI与FPAR_green由线性关系变为指数关系。结论：树冠体积和树冠几何结构是不同冠形影响FPAR_green大小的关键因素，而叶片聚集度、植被盖度和植被指数类型则是影响植被指数饱和...     

全球典型植被叶片光谱特征及其对LAI反演的影响分析

在全球范围长时间序列LAI遥感产品反演算法中,植被冠层反射率模型仅使用少量叶片光谱特征代表全球植被全年的典型植被光谱特征,叶片光谱的不确定性导致LAI遥感产品存在一定的误差。目前全球已经构建了多个典型植被叶片波谱数据集,这些数据集包含多个植被物种、不同空间地域及多时相叶片光谱数据,为定量分析叶片光谱特征提供了数据支持。主要利用LOPEX’93、ANGERS’03、中国典型地物波谱数据库和野外实测的叶片光谱数据,以黄边参数、红边参数和叶片光谱指数作为分析指标,探讨不同植被物种、不同气候区和不同物候期的叶片光谱特征差异,及其对植被冠层反射率、LAI反演的影响,为发展考虑现实叶片光谱差异的LAI反演算法提供研究基础。结果表明:植被叶片光谱存在多样性,叶片光谱特征差异主要影响MODIS传感器近红外波段和绿波段反射率值,其中,绿波段反射率值对叶片光谱变化最为敏感;在LAI反演算法中,如果只考虑植被类型而不考虑物种叶片光谱差异,可能会给LAI反演带来大于3的误差。     

三江源地区高寒冬季枯草遥感监测方法研究

冬季枯草是遥感监测服务的一个空白领域,通过揭示枯草的独特光谱特征、建立高寒冬季枯草监测技术方法等一系列针对高寒冬季枯草的研究,可推动高寒地区冬季牧草遥感监测新的服务领域与服务时段的发展,为青藏高原生态环境保护与管理提供创新性技术支持。基于2016年8月和11月青藏高原三江源腹地的玉树隆宝自然保护区两次野外观测试验,获取了72个鲜草与枯草样方的地面高光谱实测数据。枯草光谱特征的分析发现,在350—1 350 nm的可见光至近红外波段,枯草反射光谱呈显著的线性分布特征,其反射率自350 nm处的1.5%线性增长至1 350 nm附近约38%。枯草与鲜草光谱存在显著的差异性,枯草完全丧失了绿色植被红光强吸收、绿光强反射的光谱特征,其红光波段反射率约为鲜草的4.9倍,而绿光波段反射率也接近1.4倍,760—1 350 nm近红外波段一致的高反射也不复存在。基于枯草独特的光谱特征,建立了基于MODIS卫星波段5与波段3归一化的枯草指数DGVI(Dead Grass Vegetation Index)。地面样本和卫星数据的验证表明,DGVI可有效识别枯草,其估算值与实测值相关系数达到0.68(P&...     

ZY-3卫星影像雪盖信息提取方法

针对国产资源三号(ZY-3)卫星多光谱影像空间分辨率高但波段范围较窄，在积雪提取方面研究缺乏这一现状，提出一种综合近红外(near infrared,NIR)波段和归一化植被指数(normalized difference vegetable index,NDVI)的决策树雪盖信息提取方法。以各地物光谱特性差异及NDVI特性差异为基础，方法充分利用积雪在NIR波段上反射率远高于其他地物，且其对应NDVI＜０这两大特性，借助二次阈值化处理实现对积雪的判别划分。以最大似然监督分类提取结果为参考，对研究区雪盖信息整体提取结果、局部提取结果和提取精度进行统计和对比分析。实验结果表明，该方法具有受建筑物、阴影和裸土影响较小的优点，提取结果准确性、完整性较高。     

ZY-3卫星影像雪盖信息提取方法

针对国产资源三号(ZY-3)卫星多光谱影像空间分辨率高但波段范围较窄,在积雪提取方面研究缺乏这一现状,提出一种综合近红外(near infrared,NIR)波段和归一化植被指数(normalized difference vegetable index,NDVI)的决策树雪盖信息提取方法。以各地物光谱特性差异及NDVI特性差异为基础,方法充分利用积雪在NIR波段上反射率远高于其他地物,且其对应NDVI0这两大特性,借助二次阈值化处理实现对积雪的判别划分。以最大似然监督分类提取结果为参考,对研究区雪盖信息整体提取结果、局部提取结果和提取精度进行统计和对比分析。实验结果表明,该方法具有受建筑物、阴影和裸土影响较小的优点,提取结果准确性、完整性较高。     

植被指数在长江口潮滩湿地植被信息提取中的应用研究

以长江口崇明东滩湿地为研究区,分析了崇明东滩湿地实测反射光谱数据和Landsat TM地物反射波谱曲线,发现在近红外波段,植被的反射率差异最突出;在绿光波段,受水分影响较大的植被特征信息比较突出。在上述分析的基础上,选取9种典型的植被指数进行计算,提出了适合研究区植被信息提取的三波段比值植被指数TRVI。并且利用该指数,使用人工决策树分类方法,进行典型地物信息的提取,取得了满意的效果。     

Sentinel-2A卫星大气校正方法及校正效果

针对Sentinel-2A卫星大气校正研究的不足,对Sentinel-2A大气校正方法进行介绍,并选取森林、水体、城市建筑物3种地物为研究对象,分析Sentinel-2A单波段通道大气校正前后反射率变化;以Landsat-8、高分一号(GF-1)为辅助数据,从3种传感器大气校正后均质像元反射率曲线、大气校正前后植被指数变化3个方面进行研究。结果表明:1)Sentinel-2A大气校正后,可见光通道反射率变小,波长越长,大气校正效果越不显著;近红外、短波红外反射率增加。2)大气校正后,3种数据源同种地物光谱曲线趋于一致,其中Sentinel-2A水体与植被光谱曲线更能反映地物特征。3)与Landsat-8相比,Sentinel-2A、GF-1WFV1大气校正后林地NDVI明显增大,Sentinel-2A高植被覆盖区增大,低植被覆盖区减小,最能反映植被特征;Sentinel-2ANDWI变化不如Landsat-8NDWI变化显著。