北京市平谷区桃林土壤重金属元素含量反演估测

矿产资源开采中产生的废渣废液长期堆存后产生的渗滤液向土壤中扩散易造成周围土壤的重金属污染,影响作物生长;人类通过食物链食用含重金属元素的果实后,会引起神经系统的神经衰弱、手足麻木,消化系统的消化不良,血液中毒和肾损伤等症状;这种对生态环境和人身安全的污染和损害是十分严重的。因此如何快速有效摸清矿区周围农作物土壤污染情况尤为重要。多光谱遥感由于具备光谱分辨率高、实时无损、大面积监测等优势,在突破植被屏障监测土壤重金属上具有巨大的潜力。以平谷区主要的农作物桃树为研究对象,利用桃叶的高光谱数据、土壤采样数据,分析桃叶光谱曲线的响应特性,对桃叶反射光谱进行一阶／二阶微分、标准正态、连续去统等四种变换,结合相关分析及多元线性回归模型确定光谱特征变量,构建植被指数HMSVI;结果表明HMSVI与土壤中Cd,AS和Pb含量的相关性较常用植被指数高。运用线型回归方法进行元素含量与植被指数HMSVI建模后,选取拟合较好的模型,实现了叶片高光谱与土壤重金属含量的统计建模, 最后利用Sentinel-2遥感影像反演三种重金属含量空间分布,并对结果进行精度验证。结果表明：受重金属胁迫叶片的平均光谱反射率高于正常叶片且红边位置发生了“蓝移”现象。780,945和1 375 nm三个波段对三种重金属污染都较为敏感,利用三个波段构建的植被指数建立的反演模型能较好的用于桃林土壤重金属元素含量预测,其预测模型分别为Y=0.44X+0.193,Y=7.436lnX+13.161,Y=-15.359X+13.583X2+23.541,且具有较好稳定性和适宜性。空间反演结果表示,三种重金属高值区均大面积的分布在平谷区刘家店尾矿库、万庄尾矿库、金海湖尾矿库附近,西部相比东部矿区重金属污染更为严重。研究结果可以为北京平谷区桃林重金属污染的预防与治理提供基础数据支持。     

晚播条件下基于高光谱的小麦叶面积指数估算方法

利用高光谱遥感技术,分析晚播条件下小麦叶片与冠层模式光谱特征和叶面积指数（LAI）的变化规律,建立了适用于晚播小麦的叶面积指数估算方法。研究结果表明：（1）从红光和蓝紫光420～663 nm波段提取的叶绿素光谱反射率植被指数（CSRVI）与旗叶SPAD值做相关性分析,结果表明正常播期和晚播处理在叶片模式的相关系数分别为0.963*和0.997**,达显著和极显著水平。（2）利用相关性分析,得出两个播期处理的LAI与SPAD值相关系数分别是0.847*和0.813*,均达到显著水平。SPAD值与LAI及CSRVI指数均具有相关性,可以用CSRVI指数建立LAI的估算模型。（3）对叶片模式和冠层模式光谱曲线特征分析得出,叶片模式中在680～780 nm处的反射率呈现陡升趋势,在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷,在540～600,1 660和2 210 nm波段处有两个明显的反射波峰;三种冠层模式中60°模式下的光谱反射率整体表现为最高。（4）将各波段反射率与叶面积指数做相关性分析得出在可见光波段范围内,光谱反射率与LAI总体呈现负相关性,500～600 nm处有一个波峰。（5）将三种冠层模式下（仪器入射角度分别与地面呈30°,60°和90°夹角）的等效植被指数与LAI做相关性分析得出：60°冠层模式下八种植被指数与正常播期LAI的相关性均未达显著水平,比值植被指数（RVI）、归一化植被指数（NDVI）、增强型植被指数（EVI）、再次归一化植被指数（RDVI）、土壤调整植被指数（SAVI）、修改型土壤调整植被指数（MSAVI）的等六种植被指数与晚播条件下的LAI具有显著和极显著相关关系;90°冠层模式下CSRVI指数与正常播期处理的LAI具有显著相关关系,NDVI指数与晚播处理的LAI具有显著相关关系;30°冠层模式下的八种植被指数与两播期处理的LAI的相关性均未达显著水平。综合分析CSRVI指数、NDVI指数的相关性最高,这两种指数最具有估算LAI的潜力。（6）通过三种冠层模式所计算的植被指数估算LAI模型,结果表明,正常播期条件下,其最佳估算模型是90°冠层模式CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X;晚播条件下的最佳模型是60°冠层模式RDVI指数所建立的幂函数模型Y=30 221 333.33X17.679 1,两个模型的决定系数R2分别为0.950*和0.974**。研究表明试验中所提取的CSRVI指数能够反映旗叶叶绿素含量,可以通过光谱仪器的叶片模式对小麦生育期内叶绿素含量进行监测;通过冠层模式计算的CSRVI指数和RDVI指数所建立的LAI估算模型可以对小麦的LAI进行无损害观察。     

CO分子振转光谱的理论研究

采用从头算的多参考组态相互作用(MRCI)方法并结合基组aug-cc-pCVQZ计算了CO分子基态(X1Σ+)的势能曲线和偶极矩曲线,得到的势能曲线、偶极矩曲线分别与RKR势、文献的偶极矩曲线吻合较好。利用所得的势能,求解双原子分子核运动的Schrdinger方程找到了CO分子X1Σ+态转动量子数J=0时的70个振动态,对于每一振动态,分别计算了其振动能级G(v)、转动惯性常数B_v和离心畸变常数D_v,并把计算结果与已知的42个实验值做了详细比较,结果表明,计算的振动能级G(v)、转动惯性常数B_v、离心畸变常数D_v与实验值符合较好。利用G(v),B_v导出的光谱常数[谐振频率ω_e(2 160.1 cm-1)、非谐振频率ω_eχ_e(13.1 cm-1)、转动常数B_e(1.918 cm-1)、振转耦合常数α_e(0.017 3 cm-1)]也与实验值的光谱常数[ω_e(2 169.8 cm-1),ω_eχ_e(13.3 cm-1),B_e(1.931 cm-1),α_e(0.017 5 cm-1)]较为符合,这在一定程度上证明了方法MRCI/Aug-cc-pCVQZ对CO分子基态性质的计算是合适而可靠的。利用乘积近似方法计算了CO分子在常温、中温、高温时的配分函数,在此基础上,计算了CO分子在T=296 K时的1-0跃迁带的谱线强度,通过比较发现,计算所得的线强度与HITRAN数据库符合较好。进一步计算的CO分子X1Σ+态1-0,2-0,3-0,4-0,2-1,3-1和4-1跃迁带的带强度也与实验值较为吻合,同时首次计算了CO分子X1Σ+态3-2跃迁带、4-2跃迁带的线强度及带强度。     

铜胁迫下玉米叶片反射光谱的红边位置变化及其与叶绿素的关系

采用5级梯度铜胁迫砂培试验,通过测定叶片反射光谱曲线和叶绿素含量,研究铜胁迫对玉米叶片反射光谱与叶绿素含量的影响。研究表明：玉米叶片反射光谱的红边位置与铜胁迫浓度显著相关(R2≥0.5755),且存在明显的“红边蓝移”现象,即叶片光谱红边位置向短波方向移动。随着铜胁迫浓度的升高或胁迫时间延长,红边蓝移程度增加。不同胁迫浓度之间,叶绿素a、叶绿素b含量及二者比值 (Chla/Chlb)均差异显著(p分别为0.002,0.007和0.001)。叶绿素a、b比值(Chla/Chlb)与培养液中铜浓度呈显著负相关(R=-0.898);Chla/Chlb与平均红边波长显著正相关(R=0.814)。这表明随着铜胁迫浓度升高,Chla/Chlb降低,叶绿素b相对于叶绿素a升高,叶片反射光谱的红边位置蓝移。铜胁迫改变了玉米叶片中Chla和Chlb含量和比值,由此导致的色素吸收光谱变化,是铜胁迫导致叶片反射光谱红边蓝移的可能的生理学成因。     

基于Sentinel-2A影像的玉米冠层叶绿素含量估算

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能,及时、准确地估算叶绿素含量对于农作物长势、养分含量监测、品质评价和产量估算具有重要意义。Sentinel-2卫星的重访周期为5 d,空间分辨率为10 m,具有13个光谱波段,其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段,是叶绿素含量估算的理想数据源。植被指数是基于农作物在不同波段的反射特性,通过不同波段组合方式刻画长势和叶绿素含量的差异,可用于大区域范围内的玉米冠层叶绿素含量快速、精确估算。以Sentinel-2A影像为数据源,开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。课题组于2016年8月6-11日在河北省保定市（115°29′-116°14′E,39°5′-39°35′N）进行玉米冠层叶绿素含量的实地测量,并在每个采样位置上采用中绘i80 智能RTK(real-time kinematic)测量系统进行定位。Sentinel-2A影像预处理工作包括几何校正、辐射定标和大气校正,其中大气校正使用Sen2Cor模型和SNAP模型。首先,基于预处理后的Sentinel-2A遥感影像,分别计算CI_green(green chlorophyll index), CI_red-edge(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。然后,建立样方位置上实测叶绿素含量与各植被指数的统计关系,从而构建玉米冠层叶绿素含量估算模型,并以野外实测玉米冠层叶绿素含量为依据,对基于各植被指数的估算结果进行精度评价。最后,利用筛选出的最优叶绿素含量估算模型,估算研究区内的玉米冠层叶绿素含量。研究的目标为：（1）通过比较分析,构建合适的玉米冠层叶绿素含量估算模型,估算精度以决定系数R2、均方根误差RMSE以及相对误差RE作为评价指标;（2）确定最优波段组合方案：在红边波段中选择与可见光、近红外波段组合效果更优的波段组合方案;（3）确定参与植被指数计算的红边波段的最优数量。精度评价结果表明：（1）选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系,其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果;红边波段引入后明显提高了可见光、近红外波段对叶绿素含量的拟合的精度,CI_{green(560, 705)}指数比CI_{green(560, 842)}的回归模型R2提高0.516,红边波段参与计算的DVI相对于RVI来说,估算结果更稳定。（2）对于不同的植被指数,参与运算的Sentinel-2A影像的两个红边波段,估算精度的提高程度不同。对于可见光波段参与计算的植被指数来说,在红边波段1（中心波长为705 nm）的估算精度较高,如LCI,CI_green,DVI和RVI等;对于近红外波段参与计算的植被指数来说,在红边波段2（中心波长为740 nm）的估算精度较高,如CI_red-edge,NDRE和NAVI等。（3）对于Sentinel-2A影像来说,两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。选用的植被指数中,MTCI_{(665, 705, 740)}指数与玉米冠层叶绿素含量估算精度最高,回归模型拟合精度R2为0.803,模型验证R2为0.665,RMSE为3.185,相对误差RE为4.819%。MTCI_{(665, 705, 740)}指数计算中使用了两个红边波段,突出红边波段反射率差值变化,与玉米冠层叶绿素含量表现出很好的相关性。最后,利用优选出的基于MTCI指数的叶绿素含量估算模型,对研究区范围内的叶绿素含量进行估算并完成空间制图。     

基于色彩参数和高光谱特征的针叶树种色素含量预估

光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究,而色素与色彩参数相关性研究也有学者探索。但比较并优选分别以色彩参数值、光谱参数值作为自变量与色素含量拟合出的模型,还未见报道。本实验以5种针叶树种为研究对象,筛选蓝边幅值Db、黄边幅值Dy、红边幅值Dr、绿峰幅值Rg、红谷幅值Rr、蓝边面积SDb、黄边面积SDy、红边面积SDr、比值植被指数RVI、差值植被指数DVI、归一化植被指数NDVI 11种光谱植被参数作为该光谱分析的基础,将实测针叶色彩参数值、光谱参数值分别作为自变量,采用多元线性逐步回归方法（SMLR）预估色素含量建立模型,以R2、RMSE为评价标准,对比选出模型精度最高的参数组合应用于实践。研究结果表明：(1) 树种间针叶色素含量、色相参数值、光谱反射率均存在一定差异（p<0.05）。(2) 树种间针叶光谱反射率红松显著低于北美短叶松、樟子松、赤松（p<0.05）,针叶树种原始光谱在可见光波段500和680 nm附近呈现“蓝谷现象”和“红谷现象”,在550和760 nm波段附近呈现“绿峰现象”和“红边现象”;一阶微分光谱反射率在700 nm附近产生剧烈变化。(3) 色素含量与色彩参数、光谱反射率、光谱特征参数存在显著线性关系。(4) 花青素和叶绿素分别以L,a*和L,a*,b*,S色彩参数组合为自变量时,拟合模型R2最高,分别为0.588和0.638;而类胡萝卜素、叶绿素a、叶绿素b都是以FD₆₅₂,FD₇₀₀,SDb,SDy,RVI,DVI和NDVI光谱参数组合为自变量时,拟合模型R2最高,分别为0.779,0.786,0.774。该研究运用高光谱相机、色彩色差仪、紫外-可见分光光度仪实现了快速预估针叶色素含量,在色彩参数值与光谱值都与色素含量存在显著相关性的基础上,成功选出建立模型精度最高的参数组合,在针叶树种色素预估时可以根据精度需求及研究条件选择不同方法和参数值。     

加权SPXYE(WSPXYE)算法及其在近红外光谱模型转移中的应用

样本选择是模型转移的重要组成部分,其目的是在主光谱和从光谱中选择合适的样本,建立二者的转移模型,使得从光谱的预测样本能通过转移模型校正成类似于主光谱的样本,进而用主光谱的模型直接预测其浓度。目前,常用的样本选择算法有：Kennard-Stone 法 (KS法), SPXY法和SPXYE法。根据上述算法的特点,提出了一种新的样本选择方法：加权SPXYE法(WSPXYE法),进而将其用于选择合适的转移集样本。WSPXYE同样先计算样本间的距离,其距离有三个部分组成：光谱(X)之间的归一化距离d_xs,浓度(y)之间的归一化距离d_ys,以及校正误差(e)之间的归一化距离d_es。其加权代数和d_wspxye=αd_xs+βd_ys+(1-α-β)d_es即为WSPXYE距离。计算了WSPXYE距离之后,可以根据其距离选择距离较大的样本作为转移集样本。WSPXYE是Kennard-Stone法(KS法), SPXY法和SPXYE法的推广,而KS法（α=1,β=0）、SPXY法（α=0.5,β=0.5）以及SPXYE法（α=0.333,β=0.333）则是WSPXYE法的特例。直接校正法（DS）、有信息成分提取-典型相关分析法(CCA-ICE)作为模型转移算法验证了WSPXYE方法的效果。结果显示,与KS法、SPXY法以及SPXYE法相比,WSPXYE法可以通过调节参数,选择合适的样本,获得较低的误差。     

偏离朗伯比尔定律NaCl水溶液的红外光谱合成

氯化钠水溶液中,水分子之间的氢键相互作用随氯化钠浓度变化而发生改变,导致不同浓度的水溶液光谱形状也不同,因此NaCl溶液的光谱不满足朗伯比尔定律。如果浓度c与吸光率A不满足朗伯比尔定律,则利用光谱差减技术扣除溶剂水的吸收峰问题就会遇到瓶颈,差减效果不能令人满意。利用二元线性回归分析法和双边夹原理合成杂化光谱,期望在偏离朗伯比尔定律体系,可以理论上获得各种浓度的NaCl水溶液的杂化光谱,并且保证杂化光谱与其代表的真实光谱高度相似。主要结论如下：(1)浓度c₁和c₂的NaCl水溶液的红外光谱分别为A_c1和A_c2,则浓度介于c₁和c₂之间的溶液光谱,均可用A_hc(c₁, c₂)=âA_c1 +A_c2来表示。A_hc(c₁, c₂)与浓度为c(c₁＜c＜c₂)的溶液的真实光谱A_c高度类似。(2)c₂和c₁间隔越小,杂化光谱A_hc(c₁, c₂)与真实光谱A_c的相似度越高,因此可根据精度要求选择合适的A_c1和A_c2来拟合A_hc 。(3)杂化光谱A_hc(2%, 30%)=âA_2%+A_30%,适用浓度区间2%～30%,涵盖浓度范围宽,效果令人满意。(4)回归系数â和与浓度c关系为â=-3.592c+1.058 9,=3.565c-0.0551 5。在2%~30%浓度范围内,选取浓度c数值,即可获得相应回归系数â和,再将â和代入方程A_hc(2%, 30%)=âA_2%+A_30%,即可获得NaCl水溶液的杂化光谱。杂化光谱与相对应的真实光谱高度近似,A_hc(2%, 30%)≈A_c,完全可替代真实光谱。     

红外光谱差减技术扣除水汽吸收干扰的局限性

红外光谱差减技术在扣除背景组份干扰方面得到广泛应用,但其扣除空气中水汽效果却不尽如人意。研究了不同湿度的水汽光谱与光谱差减效果的关系,以探究光谱差减技术在水汽扣除领域局限性的原因。结果表明：(1)相对湿度改变,水汽的红外光谱也发生变化,不管如何小心地选择比例系数f,从相对湿度x%的水汽光谱A_x,也不能完全扣除相对湿度为y%的水汽光谱A_y,即fA_x≠A_y。(2)相对湿度改变,水分子团簇(H₂O)_n的相对组成也会发生变化,这是导致光谱差减技术局限性的主要原因。(3)将湿度为x%和y%的两水汽光谱A_x和A_y进行线性组合,则可以高度近似地模拟出介于两者之间的湿度的水汽光谱。比如用40%水汽谱和30%水汽谱,可以模拟得到32%或35%或37%的水汽谱。实验结果表明这是扣除水汽干扰效果更好的路径。(4)论证了水汽补偿湿度滴定法具有高效性的原因。     

重金属污染水稻的冠层反射光谱特征研究

利用野外光谱仪获取矿区农田重金属污染水稻的冠层反射光谱,通过曲线模拟和统计分析提取了与水稻冠层叶片重金属含量变化极显著相关的光谱敏感波段(Pb, 460 nm;Zn, 560 nm;Cu, 660 nm;As, 1 100 nm)、归一化植被指数(Pb, NDVI_{(510, 810)};Zn, NDVI_{(510, 870)};Cu, NDVI_{(660, 870)};As, NDVI_{(510, 810)})和“红边”位置等水稻冠层反射光谱特征。表明水稻重金属污染可以被地面遥感传感器快速检测,其浓度变化与所提取的光谱特征之间存在极显著相关,归一化植被指数与“红边”位置对光谱信息的表达要优于敏感波段。归一化植被指数以及“红边”位置可以作为水稻重金属污染遥感监测模型的光谱特征参数选择参考。同时,文章提出了利用遥感技术监测水稻重金属污染的“光谱临界值”概念, 并计算出研究中各重金属对应的“光谱临界值”。     

高分六号宽幅数据识别火烧迹地的光谱及指数分析

为探究利用高分六号卫星宽幅（GF-6 WFV）数据识别火烧迹地的适宜光谱波段和指数,选取2019年发生在我国内蒙古大兴安岭林区的三处雷击火形成的火烧迹地作为研究区,结合GF-6 WFV波段组成,选取归一化植被指数（normalized difference vegetation index, NDVI）、全球环境监测指数（global environment monitoring index, GEMI）、增强植被指数（enhanced vegetation index, EVI）、燃烧面积指数（burned area index, BAI）、土壤调节植被指数（soil-adjusted vegetation index, SAVI）、改进型土壤调节植被指数（modified soil-adjusted vegetation index, MSAVI）和归一化差异水体指数（normalized difference water index, NDWI）等7个光谱指数及地面叶绿素指数（MERIS terrestrial chlorophyll index, MTCI）、归一化差值红边指数（normalized difference red edge index 1, NDRE1）、改进的叶绿素吸收指数（modified chlorophyll absorption ratio index 2, MCARI2）和改进的归一化土壤指数（modified normalized difference soil index, MNDSI）等4个改进指数,基于同期影像和前后两期影像进行火烧迹地和其他典型类别的区分度计算,并利用上述11个指数及指数差值进行火烧迹地的识别,定量评价了GF-6 WFV各波段、所选光谱指数及改进指数识别火烧迹地的能力。结果表明：（1）GF-6 WFV的近红外波段和新增的两个红边波段区分度较高,反映火烧迹地特征的能力较强。（2）在区分火烧迹地和火烧前正常植被上,NDVI, GEMI, EVI, BAI, SAVI, MSAVI和NDWI 7个光谱指数等的区分能力较强,4个改进指数中,NDRE1和MCARI2的区分能力较好,MNDSI和MTCI的区分效果较差。（3）在区分同期影像火烧迹地和其余典型类别上,BAI, NDVI, MCARI2和NDWI区分效果较优,其次为NDRE1, GEMI, EVI, SAVI和MSAVI,而MNDSI, MTCI的区分能力较差。（4）在利用所选指数和指数差值识别火烧迹地中,GEMI, EVI, BAI, SAVI和MSAVI的识别精度均较优,其次是MCARI2, NDVI和NDWI,做差后提取精度显著上升,Kappa系数均提升到0.80以上,MTCI, MNDSI和NDRE1提取效果较差。综合比较,BAI和GEMI识别效果最好,NDVI, EVI, SAVI, MSAVI, NDWI和MCARI2的识别能力中等,而MNDSI, NDRE1和MTCI等3个改进指数识别火烧迹地的能力较差。     

一种针对作物生育期光谱迁移的修正植被指数

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC）。以信噪比（SNR）和平滑度指标（S）进行综合评价,小波去噪函数的最佳参数为(“sqtwolog”,“mln”,“3”,“db5”)。相关性分析结果表明,生育期特征波段的迁移范围为（700 nm,723 nm）。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为：拔节期R2_c=0.840 1,R2_v=0.823 7;孕穗期R2_c=0.865 5,R2_v=0.817 4;扬花期R2_c=0.833 8,R2_v=0.807 6。与ratio vegetation index（RVI）等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。     

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。     

不同氮肥处理下小麦冠层和叶片光谱特征及产量分析

利用遥感光谱无损、快速分析出氮肥的施用时期和施用模式,对于保护环境、产量及氮肥利用率的提高具有重要意义。利用FieldSpec 4 Wide-Res Field Spectrum radiometer便携式地物光谱仪,测定了不同氮水平下小麦冠层和叶片两种模式光谱特征及红边参数变化规律;提出一个新指数--归一化差异最大指数（normalized difference maximum index,NDMI）,并分析其与叶面积指数（leaf area index,LAI）、SPAD（soil and plant analyzer development）值、MDA（malondialdehyde）含量、旗叶氮含量和产量的相关性。结果表明,小麦叶片原始光谱在开花后26 d起800～1 330 nm区间的光谱反射率以N3（1/3底施+1/3冬前追肥+1/3拔节期追肥）处理为最高,N1处理（1/2底施+1/2冬前追肥）次之。主要原因是由冬前和拔节期两个时期均施三分之一氮肥,增强了叶片光合能力。小麦冠层原始光谱,在400～700 nm波段,N2（1/2底施+1/2拔节期追肥）处理最低;在760~1 368 nm波段区间,由于群体结构不同,在开花期至灌浆中期N1处理的光谱反射率最高,N3处理次之;N3处理的冠层光谱反射率在开花后26和33 d最高。建议用400～700和760～1 368 nm波段的冠层原始光谱数据,分别来辨别小麦旗叶含氮量的高低及施肥模式。叶片模式下一阶微分光谱在500～750 nm区间出现两个“峰”,通过峰的位置偏移程度和偏移时期来估测施氮的模式。在670～740 nm区间冠层一阶微分光谱值在开花期最高,开花后10 d的一阶微分光谱值最低。在开花期至开花后10 d N1处理的一阶微分光谱值高于N3处理;灌浆中期至开花后33 d N3处理的一阶微分光谱值高于N1处理。可以通过一阶微分最大值来推测小麦所处的生育期和施肥的方式及施肥时期。在开花期至灌浆中期,冠层反射率一阶导数最大值（FD-Max）N1处理最高,N3处理次之;在开花后26～33 d,N3处理的群体结构较其他处理密,导致其一阶导数最大值一直最高。四个处理叶片一阶导数最大值变化趋势不如冠层显著。四个处理的反射率一阶导数最大值对应的红边位置（REP_FD-Max）中,N1和N3冠层REP_FD-Max在灌浆中期后偏移显著;在开花后26～33 d,N3处理的群体上层结构密,叶片宽且厚,冬前追施氮肥影响REP_FD-Max偏移程度。基于NDVI基础上,筛选出一个新指数--归一化差异最大指数。冠层归一化差异最大指数（CNDMI）与农化参数的相关系数高于叶片归一化差异最大指数（LNDMI）,且CNDMI与产量的相关性比LNDMI显著。冠层归一化差异最大指数与旗叶氮含量、SPAD值和MDA含量有着显著的相关性,相关系数r分别为0.812 88,0.928 21和-0.722 17。综上所述,借助光谱数据和红边参数可以推测小麦含氮量的高低,所处的生育期和施氮肥的模式,进而为田间施肥管理及施肥诊断提供依据。CNDMI与小麦产量有着更好的相关性,符合我国资源卫星的光谱波段范围,具有可实际操作性。     

新植被水分指数的冬小麦冠层水分遥感估算

水分含量是表征作物水分胁迫生理状况的重要指标,及时有效地监测作物水分含量对于评估作物水分盈亏平衡,指导农业生产灌溉具有重要意义。针对不同形式的归一化差值水分指数(NDWI)存在的饱和性问题,拟引入增强型植被指数EVI对其加以适当改进,通过构建新的植被水分指数NDWI#(即NDWI*EVI)来估算作物水分含量。首先,利用PROSAIL辐射传输模型分析了由不同水分敏感波段(1 240,1 450,1 950和2 500 nm)构建的各种典型NDWIs与相应新植被水分指数NDWI#对植被冠层水分及LAI的饱和响应特征;然后,利用田间实验光谱和水分数据,开展作物水分含量的建模和验证分析。结果表明：将EVI引入后,形成的新水分指数NDWI#能够有效提高冬小麦水分含量估算精度,特别是针对NDWI₁₄₅₀,NDWI₁₉₄₀,NDWI₂₅₀₀这三个指数,改进后的新指数显著提高了对LAI响应的饱和点,冬小麦作物水分估算精度也得到较为的明显改善。研究表明,将含有可见光波段信息的EVI引入到NDWI中,构建的新指数NDWI#因融合可见光、近红外和短波红外更多波段的光谱信息,对估算冬小麦冠层含水量可能具有更好的优势。     

蒙古栎展叶盛期变化的光谱特征及其影响因素研究

植物生长状况是反映环境变化的重要指标,在全球环境变化格局下,研究多环境因子及交互作用对植物的影响尤为重要。为探究植物光谱特征响应环境变化,从而探究环境变化对植物生长状况的影响,同时实现遥感对植物的监测,该研究以东北地区优势树种蒙古栎为研究对象,分析研究了不同光周期、温度和氮沉降交互作用引起的蒙古栎展叶盛期冠层光谱反射特征变化。基于大型人工气候室模拟试验,设置3个温度,3个光周期和2个氮沉降交互处理,每个处理4个重复。当蒙古栎进入展叶盛期时,每个处理选择差异较小的三个重复,使用FieldSpec Pro FR 2500型背挂式野外高光谱辐射仪测量光谱反射率。对不同处理的蒙古栎冠层光谱反射率进行分析,选取NDVI（归一化植被指数）、Chl NDI（归一化叶绿素指数）和PRI（光化学反射指数）3个常用的光谱指数作为辅助分析,同时计算一阶导数光谱以得到红边斜率、红边位置、红边面积等参数。不同处理展叶盛期的蒙古栎光谱反射率趋势大体一致,均符合植物特有的光谱反射特征,在350~680 nm范围内有一个小的波峰,680~750 nm反射率显著上升,750 nm后进入反射平台。结果表明：(1）光周期对于蒙古栎冠层的光谱反射率没有明显的影响;(2）增温会减小蒙古栎冠层在350~750 nm波段处的光谱反射率;(3）施氮会导致蒙古栎展叶盛期350~750 nm波段和750~1 100 nm波段处的光谱反射率降低;(4）增温和施氮的交互作用会显著减小蒙古栎的光谱反射率;(5）通过一阶导数光谱可清晰地指示植物的红边特征。研究结果可为物候变化的监测与影响因素分析提供理论依据。     

植被叶片叶绿素含量反演的光谱尺度效应研究

目前光谱指数方法已被广泛地应用于植被叶绿素含量的反演中,考虑到不同传感器的光谱响应存在差异,研究了光谱尺度效应对光谱指数反演植被叶片叶绿素含量的影响。基于PROSPECT模型模拟了不同叶绿素含量(5～80 μg·cm-2)下的5 nm叶片光谱反射率数据,并利用高斯光谱响应函数将其分别模拟成10～35 nm六种波段宽的光谱数据,再分析评价5～35 nm波段宽下光谱指数与叶片叶绿素含量的相关性、对叶片叶绿素含量变化及对波段宽变化的敏感性。最后,利用波段宽为40～65 nm的反射率数据对光谱指数反演植被叶绿素含量的光谱尺度效应进行验证。结果表明,通用光谱指数(vegetation index based on universal pattern decomposition method, VIUPD)反演叶绿素含量的精度最高,反演值与真实值拟合程度最好;归一化差值植被指数(normalized difference vegetation index, NDVI)和简单比值指数(simple ratio index, SRI)其次,虽然其决定系数R2高达0.89以上,但反演的叶绿素含量值小于真实值;其他光谱指数的反演结果较差。VIUPD对叶绿素含量具有较好的相关性和敏感性,受光谱尺度效应影响较小,具有较好的反演能力,这一结论恰好验证了其“独立于传感器”的特性,同时证明了VIUPD在多源遥感数据反演植被理化参量的研究中具有更好的应用前景。     

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。     

高光谱遥感信息中的特征提取与应用研究

特征提取、度量与分析是高光谱遥感应用的基础.面向高光谱遥感数据的特点, 将光谱特征划分为点尺度、面尺度和体尺度三个尺度的特征.基于特征属性与算法原理, 构建了光谱曲线特征、光谱变换特征和光谱度量特征三个层次的高光谱遥感光谱特征体系, 并对光谱特征提取与应用进行了深入探讨.光谱曲线特征包括直接光谱编码、光谱反射与吸收特征等, 光谱变换特征包括植被指数、导数光谱等, 光谱度量特征则包括光谱角、SID、相关系数和距离等.在分析特征算法原理的同时对其特点和应用进行了探讨.试验表明四值编码、光谱角和SID在应用中能够取得较好的效果.