基于EFAST方法的WOFOST作物模型参数敏感性分析

作物生长模型广泛应用于作物长势监测和产量预测。为了有效识别作物模型关键参数,减少模型模拟的不适用性,选取河北省藁城市2009—2010年冬小麦作为研究对象,应用扩展傅立叶振幅灵敏度检验法(EFAST),对WOFOST模型26个作物参数进行敏感性分析。结果表明,生育期为0.5和1.0时的比叶面积(SLATB1和SLATB2),出苗到开花期的积温(TSUM1),35℃时叶面积的生长周期(SPAN),20℃下单叶有效光能利用率(EFFTB3)和最大CO2同化率在30℃的校正因子(TMPF4)等6个参数的敏感性指数均大于0.1,说明对产量形成的贡献较大。研究证明,基于扩展傅立叶幅度检验法(EFAST)的敏感性分析对模型修正具有指导意义,可为模型参数"本地化"提供重要依据。     

不同生育期倒伏胁迫下玉米叶面积指数高光谱响应解析

为研究倒伏胁迫下不同生育期LAI高光谱响应模型，提高LAI高光谱响应模型精度，获取不同生育期倒伏玉米LAI与冠层光谱反射率，采用6种传统变换方式对高光谱反射率进行处理，构建不同生育期倒伏玉米LAI分期与统一响应模型。研究结果表明：LAI能够直接反映玉米受倒伏胁迫程度及自身恢复能力；传统光谱变换有利于提高光谱同LAI的敏感性及模型响应精度；不同生育期倒伏玉米LAI分期响应模型优于统一响应模型。该结果可有效诊断倒伏胁迫下的玉米叶面积指数，为实现不同生育期倒伏玉米长势精确监测提供理论依据和技术支撑，对玉米倒伏胁迫灾情监测可提供必要的先验知识。     

不同生育期倒伏胁迫下玉米叶面积指数高光谱响应解析

为研究倒伏胁迫下不同生育期LAI高光谱响应模型,提高LAI高光谱响应模型精度,获取不同生育期倒伏玉米LAI与冠层光谱反射率,采用6种传统变换方式对高光谱反射率进行处理,构建不同生育期倒伏玉米LAI分期与统一响应模型。研究结果表明：LAI能够直接反映玉米受倒伏胁迫程度及自身恢复能力;传统光谱变换有利于提高光谱同LAI的敏感性及模型响应精度;不同生育期倒伏玉米LAI分期响应模型优于统一响应模型。该结果可有效诊断倒伏胁迫下的玉米叶面积指数,为实现不同生育期倒伏玉米长势精确监测提供理论依据和技术支撑,对玉米倒伏胁迫灾情监测可提供必要的先验知识。     

一种基于SVR的简易融合算法

基于SVR (Synthetic Variable Ratio, 合成变量比) 融合方法,本文提出了一种SSVR (Simplified Synthetic Variable Ratio, 简易合成变量比) 融合方法.SSVR的核心是融合采用Radiance (辐射亮度) 而不是DN值,低分辨率多光谱模拟的全色波段能量用高分辨率全色波段的能量替代.以Landsat 7 ETM 数据为例,采用PCA (主成分分析) 、Multiplicative (乘积方法) 、Brovey Transform (比值方法) 、ISVR、SSVR 5种方法进行遥感影像融合,对比结果表明SSVR融合方法在提高原始多光谱影像分辨率的基础上,很好地保持了多光谱信息,该方法简单易行,提高了遥感数据的可利用性.     

不同生育期倒伏胁迫下玉米叶面积指数高光谱响应解析

为研究倒伏胁迫下不同生育期LAI高光谱响应模型,提高LAI高光谱响应模型精度,获取不同生育期倒伏玉米LAI与冠层光谱反射率,采用6种传统变换方式对高光谱反射率进行处理,构建不同生育期倒伏玉米LAI分期与统一响应模型。研究结果表明:LAI能够直接反映玉米受倒伏胁迫程度及自身恢复能力;传统光谱变换有利于提高光谱同LAI的敏感性及模型响应精度;不同生育期倒伏玉米LAI分期响应模型优于统一响应模型。该结果可有效诊断倒伏胁迫下的玉米叶面积指数,为实现不同生育期倒伏玉米长势精确监测提供理论依据和技术支撑,对玉米倒伏胁迫灾情监测可提供必要的先验知识。     

先验终端像元库支持下的GF-4多光谱影像自动云检测

高分四号卫星是我国第一颗地球同步轨道遥感卫星,以其高频、宽幅的特点,可为我国农业、林业、减灾、气象、环保和水利等应用提供快速、稳定的光学遥感影像,高效的影像自动云检测有助于进一步提高高分四号影像的利用效率。CDAG（Cloud Detection Algorithm-Generating）是一种基于像元组分光谱分析的自动云检测算法,能有效降低混合像元、复杂表面结构和大气等因素的影响。为了探索CDAG算法对于高分4号多光谱影像（GF4-PMS）的云检测应用能力,首先,从高光谱影像（AVIRIS）上选取不同的云类型和各种地表覆盖类型,建立云像元库和地物像元库;其次,基于高光谱像元库和GF4-PMS传感器光谱响应函数模拟出多光谱影像像元库;然后,根据碎云、薄云、厚云及非云像元的光谱差异性分析,将GF4-PMS影像的待检测像元与终端像元进行相似概率分析,实现基于最佳阈值自动迭代的GF4-PMS影像云检测;最后,从云像元正确率、晴空像元正确率、误判率、漏判率等多个指标进行云检测精度验证。结果表明：AVIRIS影像可以有效提取适用于GF4-PMS影像云检测的终端像元库,基于CDAG算法能较好地识别GF4-PMS影像上各种类型的云,对于不同时相、不同下垫面的碎云、薄云、厚云的检测精度可达90%以上。因此,基于先验终端像元库的云检测法对于提升GF4-PMS影像的利用效率具有较好的应用价值。     

基于波段反射率日均增量的花生干旱灾情遥感评估

干旱是影响花生产量的主要气象因素之一。开展花生干旱灾情遥感评估对于产量估算、防灾减灾和保险理赔具有重要意义。当前花生旱灾遥感评估主要依赖于光谱指数变化信息,容易受不同地区生育进程干扰,限制了光谱指数方法的普适性。研究在多时相Sentinel-2遥感影像和野外实测样本的支持下,分析时序波段反射率日均增量信息与花生干旱受灾程度之间的内在联系,利用决策树、随机森林、逻辑回归等方法对花生干旱等级进行分类,并以总体精度和Kappa系数评价各种方法的精度。结果表明：单一波段的近红外反射率日均增量对花生受灾情况的指示性较强。多光谱波段组合方式对花生旱灾程度的指示性均优于单个波段,其中红波段、蓝波段、近红外光谱波段反射率日均增量组合的指示性最强,整体精度达到89.93%,Kappa系数0.847 1。与逻辑回归和决策树算法相比,随机森林算法对花生旱灾评估精度最高。在旱情等级最优时相组合分析中,利用花生生长旺盛期（7月～8月）的多波段反射率日均增量信息,灾情等级遥感识别的总体精度可达88.62%,Kappa系数为0.827 4。说明基于生长旺盛期时序多波段反射率日均增量的干旱灾情遥感评估方法能有效提取花...     

基于多时相协同变化检测的耕地撂荒遥感监测

针对地表覆被复杂、地块破碎等原因导致的撂荒地提取精度较低问题,提出一种基于多时相协同变化检测的耕地撂荒信息提取方法。以河北省石家庄市鹿泉区为研究区,采用Sentinel-2A和Landsat 7多光谱影像,在野外样本的支持下,分析耕地各种覆盖类型的归一化植被指数（Normalized Difference Vegetation Index,NDVI）季相变化规律,以季节性撂荒、常年性撂荒、冬小麦、多年生园地为分类体系,构建多时相协同变化检测模型,开展研究区耕地撂荒状态遥感监测。研究结果表明：基于Sentinel-2A影像的季节性撂荒和常年撂荒耕地的分类精度分别为95.83%和96.55%;基于Landsat 7影像的季节性撂荒和常年撂荒耕地的分类精度分别为91.67%和93.10%;2019年鹿泉区季节性撂荒占耕地面积的4.7%,常年撂荒耕地占7.1%。利用该方法能够快速、准确地获取研究区耕地空间分布、面积等信息,对于不同分辨率的影像均具有较好的撂荒地提取精度。     

基于数据分割与主成分分析的LAI遥感估算

针对叶面积指数(LAI)经典统计反演模型存在估算效果不理想以及反演效率低等问题,提出了一种基于农学物候的数据分割与主成分分析结合的遥感估算方法.综合了原始光谱和微分(或差分)光谱主成分信息作为自变量,融入了以农学物候为先验的数据分割思想,并引入了多尺度建模方式参与反演过程.以冬小麦为实验对象,进行数值模拟和比较分析.结...     

遥感影像的分类自校正方法研究

遥感图像分类是遥感图像研究的主要内容之一,分类精度高低直接关系到遥感数据的可靠性和实用性。多分类器系统可以提高单分类器分类的精度,但往往要求组成的子分类器分类误差相互独立,子分类器选择困难。支持向量机是新发展起来的一种非参数分类器,其分类原理和传统的基于统计的分类方法不同,表现出一定的独立性。为此本文尝试基于支持向量机和目前使用最广泛的最大似然法,构建一个性能高效且组合方式简单的复合分类器(称为遥感影像分类自校正方法)。同时,为了验证该分类器的性能,在北京市2006年4月27日的SPOT2图像上选择了一个研究区,分别利用最大似然法、支持向量机法和分类自校正方法进行分类对比试验。结果显示分类自校正方法的总体分类精度最高,比最大似然法和支持向量机法分别提高了4.35%和6.6%,而且各种地物类型的分类精度相对最大似然和支持向量机法都有提高。本文提出的分类自校正方法是一种性能高效且操作简单的分类方法。