基于实测高光谱和电磁感应数据的区域土壤盐渍化遥感监测研究

以新疆渭干河—库车河三角洲绿洲为例,利用实测得到的不同盐渍化程度的盐渍土高光谱数据和电磁感应数据(EM38)协同构建土壤高光谱盐分指数遥感监测模型,将该模型通过尺度效应转换用于校正传统的Landsat-TM多光谱遥感影像的土壤盐分光谱指数,用校正过的TM影像进行区域土壤盐分的反演,并利用实测土壤盐分数据对反演结果进行分析与验证。结果表明：将高光谱和电磁感应数据与多光谱遥感技术相结合进行区域土壤盐渍化信息的提取,其精度和反演效果(R2=0.799 3,p<0.01)明显优于传统多光谱遥感方法中单纯利用土壤盐分指数所建立的监测模型(R2=0.587 4,p<0.01),为今后更好地实现土壤盐渍化的高精度遥感动态监测研究提供了科学依据。     

热红外光谱的干旱区土壤含盐量遥感反演

干旱区土壤盐渍化已对生态环境构成严重威胁,通过遥感技术对土壤盐分含量进行定量反演具有重要意义。通过采集艾比湖流域的农田土壤和盐壳结晶,在室内配制成不同含盐量梯度（盐分占盐土比重：0.3%～30%）的土壤样品,利用102F FTIR光谱仪测量土壤样品的热红外光谱,并通过普朗克函数拟合得到土壤发射率数据。土壤发射率光谱曲线特征：不同含盐量土壤的发射率光谱曲线在形态和变化趋势上基本一致,发射率随含盐量增加而增大;盐分因子对Reststrahlen吸收特征有抑制作用,随着含盐量的增加,Reststrahlen吸收特征会减弱。通过发射率与含盐量相关性分析：土壤热红外发射率与盐分含量呈正相关关系,最大相关系数达到0.899,对应的波段为9.21 μm;8.2～10.5 μm是土壤盐分因子的最敏感波段。通过一元线性回归、多元逐步回归和偏最小二乘法建模分析比较,偏最小二乘法效果最佳,模型预测的R2达到0.958,RMSE为1.911%。选择ASTER,Landsat8和HJ-1B卫星传感器的热红外波段,进行发射率光谱模拟,通过相关性分析：ASTER的B10,B11和B12波段属于热红外光谱对盐分因子的敏感波段,与土壤含盐量相关性较高,相关系数分别为0.706,0.786和0.872。采用多元线性回归法建立基于ASTER热红外波段的土壤含盐量预测模型,模型预测的R2为0.833,RMSE为3.895%。结果表明,遥感传感器对土壤含盐量的预测能力,取决于传感器的光谱波段对盐分因子的敏感程度,通过卫星热红外遥感定量反演土壤含盐量是可行的,为干旱区土壤盐渍化遥感监测提供了新的途径和参考。     

GF-6 WFV光谱植被指数模型的叶面积指数反演

农业是国家经济发展的基础支柱,同时也是社会发展的基础产业。我国农业遥感技术的进步和发展,大量遥感卫星发射升空,如高分1号、2号和6号等,为我国农情监测、作物长势、农业产业结构调整提供了重要技术支撑。农业遥感成为农业科技创新和精准农业的重要手段。叶面积指数（LAI）是一种可用来衡量植被冠层生理与生化的关键指标,不仅可以用来评估植被冠层表面的最初能量交换情况,提供相应的结构定量数据,还能反映植被冠层的光谱能量信息。同时,在陆地气候变化情况下,叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。此外,研究发现植被冠层受人为活动和气候变化的直接或间接影响时,叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。因此,针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、稳定性较弱的问题。基于GF-6 WFV遥感影像以栾城县为试验区,通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数,采用R2和RMSE进行模型评价,同时利用未参与建模的实测叶面积指数和MODIS LAI产品验证模型。实验结果表明：（1）由相关性分析可知,整体上讲,20种光谱植被指数与LAI具有显著相关性,相关系数在0.4以上,且红边参与构造的光谱指数相关性要高于无红边参与构造的光谱指数,其中NDSI的相关性最优;（2）由拟合分析可知,整体上讲,20种光谱植被指数与LAI拟合效果较好,其中NDS13的拟合精度是最高的,R2为0.803,RMSE为0.301 2。（3）由反演的空间分布可知,反演结果符合当地的实际情况。（4）由实测叶面积指数验证模型可知,实测叶面积指数与NDSI3模型反演的LAI整体拟合较好,R2为0.804,RMSE为0.312 5,说明该模型能有效反演乳熟期玉米的生长状况。（5）由MODIS LAI产品验证模型可知,LAIMODIS均值要高于LAIGF-6,这与MODIS影像像元混合严重和空间分辨率低有关。综上所述,GF-6WFV反演叶面积指数能力较强,其影像中红边参与构造的光谱植被指数模型能有效反演乳熟期叶面积指数,为玉米长势监测提供依据。     

基于实测光谱的植被指数对水稻叶面积指数的响应特征分析

叶面积指数(LAI)是目前最常用的农业生态监测指标,可以为农作物的病虫害监测、作物长势监测、碳循环、生物量估算及作物估产提供依据。植被指数(VI)是卫星LAI产品生产的重要数据源,但不同VIs对植被LAI的响应特征具有一定的差异性。以江西省水稻为例,基于实测光谱提取了水稻实测VIs,结合实测LAI,讨论了归一化植被指数(NDVI)、增强型植被指数(EVI)、土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI)四种常见VIs对LAI的响应特征,并与MODIS LAI备用算法的计算结果进行了对比分析,研究了不同VIs用于LAI产品反演的可行性及存在的问题。通过对不同实测VIs-LAI模型精度的评估,分析其应用于LAI反演的适应性,结果显示EVI,SAVI和MSAVI比NDVI有更好的适应性,其中EVI效果最优。此外,通过对比MODIS LAI备用算法查找表,发现针对MODIS LAI备用算法中草地与谷物作物这一地表覆盖大类,在LAI>4时,NDVI出现饱和;而实测水稻作物的NDVI在LAI>2时开始出现饱和;且当NDVI相同时,查找表LAI远大于实测LAI,MODIS备用算法中使用的地表覆盖产品分类过粗可能是造成这一结果的主要原因。因此MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差,有必要改用其他VIs优化该备用算法。通过对比分析四种VIs模型对LAI的预测误差,发现EVI,SAVI和MSAVI精度明显优于NDVI,基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6,基于实测NDVI反演算法的1/2,因此设计基于EVI的LAI算法对LAI的反演精度有一定的提升空间。     

盐碱地利用障碍因子高光谱遥感反演研究

选取陕北拌沙改良盐碱地为研究对象,对盐碱地利用障碍因子进行高光谱遥感反演研究。通过实测研究区域的作物长势,采集土壤样品和土壤高光谱数据,并实验测定土壤理化性质分析盐碱地利用的障碍因子,研究盐碱地利用障碍因子的高光谱特征,建立其遥感定量反演模型,并进行精度检验。研究结果表明：土壤盐分含量是制约改良盐碱地利用的主要障碍因子,毛管孔隙度与土壤盐分含量具有良好相关性,也可以作为障碍因子之一;利用土壤的高光谱数据对土壤全盐含量及毛管孔隙度进行遥感定量反演具有良好的精度(回归分析决定系数R2分别为0.938和0.973);检验样点精度检验结果表明,盐分含量及毛管孔隙度的实测值与预测值均具有良好的相关性(k均接近于1,R2分别为0.840 4和0.796 5),反演精度较高。通过高光谱数据对盐碱地改良利用的障碍因子进行遥感定量反演,对于指导盐碱地的整治改良和利用具有重要的推动作用。     

基于环境星CCD数据的环境植被指数及叶面积指数反演研究

利用PROSAIL前向模型模拟的植被冠层光谱,在植被指数构造时,引入修正大气、土壤背景影响的蓝、绿波段,构建了避免过早饱和的环境植被指数(environmental vegetation index,EVI)。基于多个典型冬小麦生育期的地面观测数据,建立基于EVI-LAI长时间序列反演模型,并对模型进行不同品种间的交叉检验。研究表明,EVI建立的叶面积指数(leaf area index,LAI)反演模型精度优于同类植被指数模型,并具有较好的普适性,能应用于冬小麦遥感多时相长势监测及LAI反演。     

微分算法的艾比湖湿地自然保护区土壤有机质多光谱建模

针对以往利用高光谱数据来来反演土壤有机质（SOM）的可行性与可靠性,结合微分处理对光谱数据信息提取的高效性,提出了直接对多光谱遥感影像进行微分处理就可得出SOM建模研究,旨在为今后SOM速测提供参考。采用Landsat 8_OLI 多光谱遥感影像数据,对多光谱遥感影像进行辐射定标、几何校正、大气校正、镶嵌和裁剪,运用IDL软件对影像进行一阶微分处理和二阶微分处理,发现一阶微分图像能够更好地表达地物的真实情况,更好地区别水体与土壤。原始遥感影像包含大量的信息其中还包括噪声,通过微分处理后的遥感影像剔出了原始影像中反射率值突兀变化的部分。在研究区采用五点法采集土壤样品。室内实验用重铬酸钾氧化-容量法测得SOM数据。多光谱数据结合地面实测SOM数据,分析SOM与多光谱数据反射率的关系,发现一阶微分处理后的遥感数据与SOM含量的相关性存在敏感波段,说明一阶微分处理可以将原始遥感图像数据在多光谱范围内的一些隐含的土壤有机质信息释放出来。选取相关性高的数据建立基于原始遥感数据、一阶微分数据、二阶微分数据的单波段多光谱线性模型和多波段多光谱线性模型,选取最优模型来估算和反演土壤有机质含量。结论如下：（1）通过对原始影像进行微分处理发现,微分处理后的影像变化明显,一阶微分处理的影像噪声降低,更加突出了影像中土壤有机质隐藏的信息。二阶微分处理的影像抑制了土壤有机质信息。（2）原始遥感影像各波段数据对土壤有机质含量的相关性较低,一阶微分处理后的遥感影像数据反映出土壤有机质敏感波段即部分波段数据相关性明显高于原始数据,二阶微分处理后的遥感影像各波段数据对土壤有机质含量的相关性较弱。（3）多波段建模效果要优于单波段建模;一阶微分多波段模型预测精度最优,其模型的决定系数和模型拟合的决定系数分别为0.898和0.854,该模型对估算研究区内的SOM含量效果较好;综合比较了单波段模型和多波段模型的拟合精度,发现无论在单波段模型还是多波段模型一阶微分处理后的模型都具有更好的预测能力。（4）基于一阶微分多波段模型对研究区SOM进行反演,反演结果与实际情况相符合,对干旱区SOM含量制图提供了切实可行的方法和参考。     

基于综合高光谱指数的区域土壤盐渍化监测研究

选取新疆塔里木盆地北缘渭干河-库车河三角洲绿洲盐渍化土壤、植被及其光谱反射率为研究对象,对实测土壤、植被高光谱进行包络线、倒数、对数、均方根、一阶微分等各种光谱变换,分析并确定反映盐渍化程度最敏感的波段,结果表明：实测高光谱土壤、植被一阶微分光谱变换对土壤盐渍化响应程度最敏感;基于实测综合光谱指数的盐渍化监测高光谱模型可以准确提取土壤盐渍化信息,明显优于传统遥感方法中单纯利用植被指数或者土壤盐分指数的模型,对土壤盐渍化的高精度遥感监测研究具有较好促进作用。     

星载成像高光谱的湿地景观光谱特征分析

光谱特征是地物的固有属性,分析地物光谱不仅有助于提高地物识别精度,也是定量遥感研究的基础。然而受限于尺度效应,近地空间采集的光谱与遥感像元尺度的光谱往往差异较大。因此,在遥感像元尺度上揭示湿地典型景观地类的光谱特征,将有助于大尺度湿地遥感分类和植被参数反演精度的提高。以华北平原典型的草型湖泊湿地南阳湖为对象,基于EO-1 Hyperion星载成像高光谱数据,提取荷田、芦苇地、林地、水田、旱地、建筑用地、河道和湖泊鱼塘等8类湿地景观的反射率,并进行光谱一阶导数变换,同时计算多种高光谱植被指数,定量分析景观尺度上湿地地物的光谱特征。结果表明：（1）8种湿地景观地物反射率光谱差异明显,其中5种不同植被景观也存在差异。荷田反射率在全波段明显高于其他景观地类,荷田的绿波段反射峰和红波段吸收谷最明显。芦苇地与水田在可见光和红边区域具有相似的反射光谱特征,水田与旱地反射光谱曲线不同,且水田的绿峰明显高于旱地。（2）8种景观在蓝边、黄边及红边处的一阶导数光谱差异明显,尤以红边处最显著。荷田的红边斜率最大且红边位置明显蓝移（712 nm）,说明其叶绿素含量高,健康状况最好。林地的红边斜率次之,但红边位置明显红移（722 nm）。（3）林地具有最大的植被指数,水体和建筑用地植被指数均较低,其他景观地类居中。芦苇地、水田、旱地和荷田在大多数与归一化植被指数（NDVI）相关的指数中差异不明显,仅在增强型植被指数（EVI）和红边叶绿素指数（Chlorophyll Index RedEdge 710）中存在较明显差异,说明这两个指数能够更有效地指示湿地植被类型之间绿度和覆盖度的差异。该研究对于草型湖泊湿地景观地物高精度分类及其植被参数的遥感反演具有借鉴意义。     

热红外发射率光谱在盐渍化土壤含盐量估算中的应用研究

利用傅里叶变换红外光谱仪对绿洲盐渍化土壤进行野外测量,采用光谱平滑迭代法对温度和发射率进行分离,得到了盐渍化土壤的热红外发射率数据。通过对盐渍化土壤发射率光谱的特征分析,得出8～13 μm土壤发射率随盐分含量的增加而减小,发射率光谱对盐分因子的响应在8～9.5 μm较敏感。分析了原始发射率光谱、一阶导数、二阶导数和标准化比值与含盐量之间的相关性,表明土壤发射率与含盐量呈负相关关系,发射率一阶导数与含盐量的相关性最高,相关系数最大为0.724 2,对应波段为8.370 745～8.390 880 μm。建立了土壤发射率一阶导数与盐分含量的二次函数回归模型,模型拟合的决定系数为0.741 4,验证结果的均方根误差为0.235 5,说明利用热红外发射率光谱反演土壤盐分含量的方法可行。     

低空遥感平台下可见光与多光谱传感器在水稻纹枯病病害评估中的效果对比研究

高效无损地评估农作物病害等级,对于实际农业生产和研究都具有重要意义。研究探讨了基于低空无人机遥感平台进行水稻纹枯病病害等级评估的可行性,分析可见光与多光谱传感器的光谱响应差异及其对感病水稻光谱反射率获取的影响,并定量对比两种传感器的病害监测效果。实验研究区由67个不同品种的水稻小区组成,每块小区均分为相接的纹枯病接种区和侵染区。以大疆精灵Phantom 3 Advanced小型消费级无人机作为搭载平台,分别搭载该无人机系统自带的可见光传感器和MicasenseRedEdgeTM多光谱传感器获取遥感影像。同时,通过植保专家现场调查的方式识别病害等级,并利用Trimble公司的手持式NDVI测量仪获取实测NDVI值。基于影像拼接、波段叠合、辐射校正后的预处理结果,对可见光图像的接种区和侵染区共134个小区计算七种可见光植被指数,即NDI（normalized difference index）, ExG（excess green）, ExR（excess red）, ExG-ExR,B*,G*,R*,多光谱图像除上述可见光指数外再计算NDVI（normalized difference vegetation index）, RVI（ratio vegetation index）和NDWI（normalized difference water Index）三种多光谱植被指数。将计算得到的图像植被指数与地面实测NDVI进行相关性分析,以选取两种传感器的最优图像植被指数建立水稻纹枯病病害等级反演模型。相关性分析结果表明,基于多光谱传感器计算的图像NDVI与实测NDVI拟合度最高,接种区R2为0.914,RMSE为0.024,侵染区R2为0.863,RMSE为0.024。对于可见光传感器,NDI与实测NDVI的相关性最好,接种区R2为0.875,RMSE为0.011,侵染区R2为0.703,RMSE为0.014。比较两种传感器两种区域的同一图像植被指数与实测NDVI的一致性,除B*外,NDI,ExR,ExG-ExR,G*,ExG,R*与实测NDVI基本属于高度相关,在病害严重的接种区,两种传感器对水稻纹枯病的监测效果相近,但在病害相对较轻的侵染区,多光谱传感器的监测更为精确灵敏。基于多光谱图像NDVI建立的病害等级反演模型,R2达到0.624,RMSE为0.801,预测精度达到90.04%,模型效果良好。而基于可见光图像NDI建立的反演模型,R2为0.580,RMSE为0.847,预测精度为89.45%,效果稍差。对比分析可见光与多光谱传感器的光谱响应曲线,可见光传感器可获取可见光范围的红、绿、蓝三个波段,波段范围互相重叠,多光谱传感器包含五个成像单元,可独立获取从可见光到近红外的五个窄波光谱波段,提供更加准确的光谱信息。比较传感器获取的接种区和侵染区水稻平均反射率曲线得出,多光谱传感器不仅在可见光波段反映了较可见光传感器更强的差异,在红边和近红外波段差异则更加明显,这说明专业窄波段传感器在病害监测方面较宽波段消费级传感器更有优势。综上所述,基于可见光与多光谱传感器的低空无人机遥感平台进行水稻纹枯病病害等级评估是可行的,多光谱传感器精确灵敏,可用于纹枯病的早期监测,可见光传感器效果稍差但经济易于推广。研究结果为病虫害防治提供决策支持,有助于推动实现精准农业,保障粮食安全。     

多源数据的区域土壤盐渍化精确评估

为精确揭示区域土壤盐分的三维分异特征,将由区域遥感影像解析获得的光谱指数、面域电磁感应大地电导率仪测得的土壤表观电导率和控制点位土壤采样实测数据进行有效耦合,应用多元回归方法建立土壤盐分解译模型,利用反距离权重方法对区域土壤盐分三维特征进行插值解析与评价,创建了基于多源数据的区域土壤盐渍化精确评估方法。应用实践表明：案例研究区域各土层土壤盐分含量的变异系数在1.281~1.527之间,表现为强度变异性;土壤盐分含量高值主要集中在案例研究区域的中西部地带;区域盐渍土剖面类型大部分属“表聚型”,即随着深度增加土壤盐分逐渐减小;对案例研究区域土壤盐分三维特征解析精度达到相关系数为0.908。解决了以往多源数据耦合协同以更高精度解析区域土壤盐分特征的难题,为精确评估区域土壤盐分三维特征和其他地学空间属性解析提供了可靠方法借鉴。     

光谱指数的植物叶片叶绿素含量估算模型

叶片叶绿素能够有效监测植被的生长状况,利用光谱指数反演植被叶绿素含量是目前的通用方法。实测了盐生植物光谱反射率和叶片叶绿素含量。对SPAD值进行变换,对比Pearson与VIP方法探讨盐生植被叶片叶绿素含量与植被指数的相关性并进行精度验证,从中选出最佳拟合模型。研究表明,通过对Pearson与VIP相关性分析,最终选定VIP方法建立植被指数的叶片叶绿素估算模型,NDVI₇₀₅,ARVI,CI_{red edge},PRI,VARI,PSRI和NPCI的VIP值均大于0.8,因此选定这七个植被指数为最优植被指数;预测结果显示,所有模型的相关性都在0.7以上,预测值与实测值相关性最好的是经过倒数变换的SPAD值,R=0.816,RMSE=0.007。基于VIP方法的反演模型能较好地估算研究区植被叶绿素含量,该方法为植物叶绿素含量诊断的实际应用提供了重要的理论依据和技术支持。     

基于土壤植被光谱协同分析的土壤盐度推理模型构建研究

土壤组成较为复杂,单纯利用土壤光谱信息探测土壤盐度,反演精度不足以满足实际需求。通过遥感获取的植被信息(植被类型和生长状况)可间接反映土壤盐分的空间分布特性,弥补上述不足。为此,基于干旱区土壤盐度与植被之间的协同变化,尝试结合土壤和植被光谱信息,借助二维特征空间理论,构建土壤盐度推理模型,提高土壤盐度推理精度。对于干旱区单个像元下土壤光谱的影响,利用归一化植被指数(normalized difference vegetation index,NDVI) 难以准确反演干旱区稀疏植被参数。因此,首先利用线性混合像元分解模型(linear spectral unmixing model, LSUM)提取研究区地物组分,构建植被组分指示因子(combined vegetation indicative factor, CVIF)方程,并与土壤盐度指数(salinity index,SI)构建二维特征空间。分析二维特征空间内散点走势与土壤盐分之间的关系,建立土壤盐度推理模型(salinity inference model, SID)。验证结果显示,CVIF提取的植被信息精度(R2>0.84, RMSE=3.92)高于应用较为广泛的NDVI(R2>0.66, RMSE=13.77)。构建的SID模型与前人基于NDVI建立的联合光谱指数(combined spectral response index, CORSI)相比,前者(R2>0.86, RMSE=6.86)推理精度优于后者(R2>0.71, RMSE=16.21)。由此得出结论,基于土壤和植被光谱信息双重判定的SID模型对土壤盐渍化的高精度遥感监测研究具有较好促进作用。     

光谱指数的植被叶片含水量反演

利用光谱技术监测植被水分状况是了解植被生理状况及生长趋势的重要手段之一。选择艾比湖湿地自然保护区作为靶区。采用聚类分析、变量投影重要性分析(VIP)以及敏感性分析等方法，对植被不同含水量进行分级，并针对不同等级的植被含水量进行估算及验证。结果表明： (1)基于聚类分析中的欧氏距离的方法将植被叶片相对含水量划分为高等、中等、低等三个等级，其范围分别为70.76%～80.69%，53.27%～70.76%，31.00%～53.27%。在中红外与远红外(1 350～2 500 nm)之间，反射率越低植被含水量越高；波长380～1 350 nm范围，无此现象。(2)应用VIP方法可知，所选的8种植被水分指数VIP值均超过了0.8，说明植被水分指数预测能力均较强且差别不显著。其中MSI，GVMI与植被叶片相对含水量的非线性三次拟合函数效果最佳，MSI决定系数R2为0.6575和GVMI决定系数R2为0.674 2。植被叶片相对含水量在30%～45%范围，MSI指数的NE值最低，在45%～90%范围时，GVMI指数的NE值最低。NDWI₁₂₄₀指数的NE值在70%左右起伏较大，说明NDWI₁₂₄₀ 指数在植被含水量为70%左右，预测能力较差。(3)通过误差分析可知GVMI指数反演的结果误差最小，不同的植被指数对不同含水量的植被估算结果相差较为明显，因此分段估算植被含水量是有必要的。综上所述，利用高光谱遥感技术对监测艾比湖保护区植被生长及干旱环境提供基础研究。     

无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究

叶绿素含量是植物生长中的重要参数,与农作物产量密切相关。无人机遥感技术作为一种新的数据获取手段,在农业中已得到广泛应用。以玉米为目标作物,将具有不同光谱响应函数的两种轻小型多光谱传感器(MCA和Sequoia),同时搭载在六旋翼无人机上,获取不同氮肥水平下大田玉米花期的多光谱影像。利用无人机影像空间分辨率高的特点,在小区尺度上,分别计算了基于两种多光谱传感器的各26种植被指数,并将其与地面实测的叶绿素含量(SPAD)值进行回归分析,研究不同波段反射率对SPAD值的敏感性,利用不同多光谱传感器及植被指数预测SPAD值的精度及稳定性。结果表明,对于具有较宽波段的Sequoia,在550 nm(绿波段)、735 nm(红边波段)的反射率对SPAD值的变化较敏感,其中,550 nm与SPAD值的相关系数最大(R2=0.802 9)。而对于较窄波段的MCA,720 nm(红边波段)的反射率与SPAD值具有较高的相关性(R2=0.724 8),550 nm(绿波段)次之。此外,由于两传感器红波段的中心波长和波段宽度不同,660 nm(Sequoia)反射率与SPAD值的相关系数为0.778 6,而680 nm(MCA)反射率与SPAD值的相关性较小,仅为0.488 6。利用无人机多光谱遥感技术预测大田玉米的SPAD值精度较高,但对于不同的多光谱传感器而言,同一植被指数却表现出较大的差异,其中,红波段和近红外波段组合构造的植被指数RVI,NDVI,PVI和MSR差异较大,具有较宽波段的Sequoia传感器优于窄波段的MCA;此外,对于Sequoia相机,GNDVI与RENDVI预测SPAD值的精度较高,RMSE分别为3.699和3.691;对于MCA相机,RENDVI预测精度最高(RMSE=3.742),GNDVI预测精度低于RENDVI(RMSE=3.912);两传感器中MCARI/OSAVI预测SPAD值精度均较低,RMSE分别为7.389(Sequoia)和7.361(MCA)。在所有的植被指数中,利用绿波段和近红外波构造的植被指数(G类),以及用红边波段和近红外波段构造的植被指数(RE类),预测SPAD值精度更高,均高于红外和近红外波段构造的植被指数;利用更多波段(三个及以上)组合构造的复杂植被指数,并不能显著提高预测精度。就预测模型而言,MCARI1更适用于对数模型,可有效提高预测精度, 而其他植被指数变化不显著。研究还发现,在小区水平SPAD值的预测方面,除NDVI和TVI,Sequoia相机对于不同氮肥条件下植被覆盖度、阴影和裸露土壤等环境背景因素具有较强的抗干扰能力;而对于MCA相机来说,TVI,DVI,MSAVI2,RDVI和MSAVI对环境背景因素非常敏感,预测SPAD精度低;此外,去除环境背景因素并不总是能够提高SPAD值的预测精度。本研究对于利用无人机多光谱遥感技术进行高精度的叶绿素含量预测具有指导意义,对于精准农业的推广和应用具有一定的借鉴价值。     

土壤光谱重建的湿地土壤有机质含量多光谱反演

土壤有机质是湿地生态系统的重要元素,利用多光谱遥感技术可大尺度、快速获取其含量信息,对保护湿地生态系统具有重要意义。然而,由于不同地物光谱混合给多光谱数据带来光谱畸变,影响湿地土壤有机质含量的反演精度。为了消除不同地物光谱混合,实现湿地土壤有机质含量的准确、实时监测,以闽江鳝鱼滩湿地为研究区,利用线性波谱分解技术对原始影像的像元进行分解,重建土壤光谱,分析原始光谱、重建光谱与土壤有机质含量的相关性后,建立土壤有机质含量的反演模型。结果表明：利用线性波谱分解技术可有效消除原始影像中的植被端元,减少大部分道路及建筑物的反射干扰,重建后的土壤光谱特征曲线更趋近于自然状态下土壤的光谱曲线,重建效果显著;通过两种光谱与土壤有机质含量的相关系数对比,重建光谱更能准确的反映土壤光谱与土壤有机质含量的相关性;运用重建光谱构建土壤有机质含量的反演模型,其预测精度优于基于原始光谱的反演模型,R2和F分别提高0.124和2.223,RMSE则降低0.106,1∶1线检验的预测值与实测值的拟合度更高,模型可行且有效。由此得出结论,利用线性波谱分解技术消除不同地物光谱混合,重建土壤光谱,一定程度上可实现在自然条件下湿地土壤有机质含量的大面积、准确检测,具有较好的实际应用价值。     

基于CHRIS数据的新型植被指数的LAI估算研究

叶面积指数(LAI)作为重要的植被冠层结构参数,对其进行正确估算一直是遥感应用研究的重点。CHRIS/PROBA是目前具有较高分辨率(17 m)的高光谱多角度数据,该数据在反演LAI方面有着重要的应用价值。本次研究应用辐射传输ACRM模型来模拟一系列LAI在不同观测天顶角(-80°～+80°)情况下的植被光谱数据,在此基础上利用红波段和近红外波段构建了一个新型高光谱多角度植被指数HDVI,并成功地应用于CHRIS/PROBA数据对LAI的估算。结果表明：(1)相比光谱指数NDVI和多角度指数HDS,新指数能更好地利用光谱和多角度双重信息,与研究区LAI有着更好的相关性,决定系数R2高达0.734 7。(2)利用LAI-HDVI最优拟合方程关系来估测LAI值,得到了研究区的LAI分布图,LAI估算精度均方根误差RMSE为0.619 8。