干旱、半干旱区生物土壤结皮遥感光谱研究进展

介绍了生物土壤结皮遥感光谱特性和遥感监测方法研究进展。主要论述了生物土壤结皮光谱的变异性与土壤水分的关系,分析了生物结皮对区域植被遥感解译的影响。干湿生物结皮的光谱差异以及土壤浅表层水分的更替会造成植被动态的错误解译和生态系统生产力的过高估计,经研究得出,100%盖度的干湿苔藓结皮NDVI之差大约0.35(干苔藓结皮0.30,而湿苔藓结皮0.65),100%盖度干湿藻类结皮NDVI之差大约0.15(干藻类结皮0.15,而湿藻类结皮0.30),最大值合成法(max value composite, MVC)会使分布有相当盖度的苔藓结皮的区域的NDVI求解受降水的影响很大,会造成该区域短时间内NDVI不稳定性,而影响植被动态解译。综合国内外研究认为,生物结皮研究中,除了考虑不同土壤水分下生物结皮的光谱外,还应考虑生物结皮光谱的季节差异。     

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。     

西藏当雄河谷阳坡海拔梯度上植被光谱特征分析

以西藏当雄河谷阳坡海拔梯度上植被冠层光谱为研究对象,分析不同海拔位置上植被光谱特征差异及物理含义,通过植被光谱特征的分层聚类分析,评估当雄阳坡植被垂直分布的遥感识别可行性。结果表明：水分指数(WI)、光谱红边位置(REP)、归一化植被指数(NDVI)分别与叶片水分含量、干重生物量、植被盖度存在较强的相关性,且不同植被类型间的WI,REP和NDVI存在显著差异;基于光谱特征集的分层聚类分析实现了阳坡12个样点逐级分类,其结果与地面调查基本匹配,表明所选择的植被光谱特征能够表征实验区垂直分布的植被类型差异,分析结果可为青藏高原植被垂直分布信息的遥感提取提供光谱特征的先验知识支持。     

基于时序高分一号宽幅影像火后植被光谱及指数变化分析

为了探究国产高分卫星遥感技术监测火干扰对植被生长影响的能力及其表征植被指数,选取2014年发生在四川省雅江县和冕宁县的两场森林火灾形成的火烧迹地作为研究区,利用火灾前后时序的高分一号宽幅(GF-1 WFV)数据,对不同受灾程度火烧迹地火灾前后的光谱特征变化进行分析,并以月为单位分析了不同受害程度植被火后两年内由GF-1 WFV数据生成的归一化植被指数(NDVI)、增强型植被指数(EVI)和全球环境监测植被指数(GEMI)等三种表征植被生长状态的植被指数的变化,结合研究区纬度、海拔和气候条件分析火后植被的年内恢复规律。结果表明：火烧造成植被色素和细胞结构破坏,使其不再表现出正常植被特有的光谱特征,在可见光区受害植被的反射率相比于正常植被偏高,且其值随受灾程度加重而升高;在近红外波段火干扰后的植被反射率降低,其值远低于正常植被的反射率值。NDVI,EVI和GEMI在表征植被恢复生长过程中存在高度相关性且对植被季节变化敏感,均能反映植被恢复的生长过程,具有描述火烧区植被恢复动态过程的能力;受灾植被恢复生长过程中的植被指数变化与正常植被年生长过程的植被指数变化趋势基本一致,同样存在生长季和非生长季;火烧区植被的NDVI,EVI和GEMI值相比正常植被对应植被指数值始终偏低,且植被受灾越严重,其植被指数值在同期中对应越低。     

基于光谱特征点秩和检验的稻曲病发病程度检测

利用无人机航拍获得稻田高光谱图像并计算特征点的归一化植被指数(NDVI),通过NDVI值秩和检验的方法对稻曲病发病程度进行检测。在中国水稻研究基地选取28块面积相同的相邻水稻试验区,采用4种不同农田管理方式,分别为自然生长和喷洒3种不同农药,每种管理方式有7个不同播种日期,相邻地块前后播种日期相差1周,依次递减,每个区域种植水稻500株左右。在稻曲病发病盛期,先实地调查水稻的发病状况,根据单位面积内稻穗的发病数目得到发病指数。然后用无人机载高光谱相机拍摄试验田得到所有试验区的高光谱图。对各个高光谱图像进行高质量拼接,得到完整的覆盖整个试验区域的高光谱图像。对光谱数据预处理后从中提取最能反映稻曲病发病程度的归一化植被指数,用箱型图清洗数据以去除异常值,对不同水稻试验区的NDVI值进行秩和检验,第一步对总样本进行秩和检验,验证各组样本中是否有显著差异,确定差异性来源于何组样本;第二步对4组样本排列组合共得到11组不同组合方式的待检验样本,对这11组样本数据分别进行秩和检验。每组得到的显著性水平均远<0.01,说明不同组间的样本数据存在极显著差异,反映出此方法用于稻曲病发病程度检测的合理性。为了显示不同发病区域,用不同的颜色对不同的稻曲病发病程度的种植区域进行标注。最后以大田水稻发病指数作为对照组,与秩和检测的结果进行比对,结果表明秩和检验对稻曲病的发病程度检测有可行性。     

利用遥感植被指数模型研究青狮潭水源林变化

漓江近30年来出现了水量减少、枯水期越来越长的问题,而其上游青狮潭水源林覆盖的变化是影响漓江水量的重要因素之一。分别利用遥感比值植被指数(RVI)和归一化植被指数(NDVI)模型,提取美国ETM遥感图像青狮潭水源林不同时相的植被指数,通过分析植被指数的变化来研究水源林覆盖的变化。结果表明,1999年12月15日至2002年1月5日,研究区青狮潭水源林大部分面积(约80%)的植被覆盖度出现下降趋势,但植被覆盖度减少的数值不大,RVI减少值主要在-1.5≤·RVI<-0.1,NDVI减少面积中超过一半面积的NDVI减少值在-0.2≤·NDVI<-0.1,增长、不变的面积各占10%左右,遥感植被指数为定量分析漓江上游水源林覆盖的变化提供了一种有效手段。     

尘埃影响下的植被指数修正研究

植被指数是表征植被覆盖,生长状况简单有效的度量参数。本文以城市绿化主要植被大叶黄杨为例,研究叶片滞尘对植被指数的影响,并构建植被指数修正模型对植被指数进行修正优化,提高植被指数的测量精度。研究选取北京城区为研究区,采集20个采样点的200个叶片样本,利用电子分析天平、ASD高光谱辐射仪及Win FOLIA叶面积仪,分别获取叶片尘埃量、光谱信息、叶面积等数据。通过对比分析样本叶片除尘前、后光谱特征及NDVI、NDWI、NDNI、NDII、CAI、PRI植被指数分布特征差异,结合单位滞尘量与光谱数据,构建植被指数修正模型,并对修正模型进行精度检验。结果表明：大叶黄杨叶片在除尘前与除尘后的光谱曲线均表现出典型的植被光谱特征,且蓝边、红边均出现在520和705 nm处,然而在350～700,750～1 350,1 500～1 850,1 900～2 100 nm波段范围内,滞尘对叶片光谱反射率影响显著,同时对植被指数也有较大影响;通过对滞尘量定量的研究分析发现,当尘埃质量增加时, NDVI和PRI植被指数与尘埃量的线性关系变弱,而NDWI,NDII,CAI植被指数与尘埃量依然保持明显的线性关系。修正模型NDVI,NDII,CAI,PRI精度验证决定系数(R2)分别为0.547,0.430,0.653,0.960,RMSE分别为0.035,0.020,0.112,0.009。研究结果表明对以后利用植被指数进行大面积植被反演、评估时,根据滞尘量影响进行修正优化,提高反演精度有一定参考意义。     

黄土丘陵区林草地枯落层盖度遥感估算研究

枯落层盖度的定量估算对于植被防蚀功效的评价具有重要作用。在陕北黄土丘陵沟壑区选取典型落叶林和退耕草地作为光谱测试样地,通过室内和野外实验分析枯落层—土壤混合场景的光谱变化规律,研究高光谱指数NDLI(normalized difference lignin index)和CAI(cellulose absorption index)估算枯落层盖度的有效性。结果表明,受颜色及含水量等因素的影响,不同盖度枯落层—土壤混合场景的光谱反射率呈现不同的变化规律。干和湿状态下,随着枯落层盖度的增加混合场景的NDLI、CAI指数值均呈现增大的趋势,CAI与枯落层盖度的相关性高于NDLI,R2最高为0.98(阔叶林和退耕草地干的混合场景),CAI能够更有效地估算枯落层盖度。野外实测验证了室内实验结果,退耕草地混合场景的CAI值与枯落层盖度相关性最高(R2=0.90),野外条件下两种高光谱指数估算枯落层盖度的有效性均有一定程度的降低。该研究为枯落层盖度的遥感定量反演提供了基础与依据。     

基于五种大气校正的多时相森林碳储量遥感反演研究

大气校正已广泛应用于区域生态植被的动态监测,但是不同校正方法和模型对遥感影像光谱和森林碳储量估算结果的影响不得而知,同时这种差异在多时相遥感监测与应用时经常被忽略。以多期Landsat影像为数据源,借助植被指数MNDVI和野外实地调查的马尾松林样方数据,进行马尾松林碳储量反演。然后采用几种常用的大气校正算法：6S,FLAASH(fast line-sight atmospheric),IACM(illumination and atmospheric)和QUAC(quick atmospheric correction),并结合地面同步实测的光谱数据,以评估其对马尾松冠层光谱曲线、植被指数以及林分碳储量估算的影响;同时从遥感动态监测角度出发,分析了相对大气校正(pseudo-invariant feature, PIF)对多时相影像植被指数与碳储量反演结果的校正效果。结果表明,经大气校正后的影像波段反射率与实测光谱结果较为接近,其中近红外和短波红外波段光谱反射率明显上升,同时可见光波段减弱,NDVI(normalized difference vegetation index)增加明显。不同大气校正模型对研究区马尾松林碳储量的遥感反演结果影响较大,其中IACM与6S模型分别具有较高的精度和较低的误差。此外,经过PIF校正后不同时相影像的NDVI相对偏差降低了85.16%,同时马尾松林碳储量反演模型精度得到明显提升,表明辐射归一化处理对于多时相遥感影像的应用十分必要。研究发现ICAM与PIF的大气校正模型组合可较好纠正大气效应,适用于多时相遥感数据的森林碳储量反演与监测研究。     

基于遥感数据的辽宁省植被变化分析

利用从美国国家海洋和大气局(NOAA)的甚高分辨率辐射计(AVHRR)获得的20年的归一化植被指数(NDVI)时序数据,分析了辽宁省的空间异质性和时间动态。通过分析研究区域2 292个点在1982～2001年间NDVI月平均值,发现有明显的反常。通过统计分析每月的NDVI值,包括最小值、平均值、最大值、变化系数(CV)、标准化不规则值(Z分),36个月的动态平均值,识别了植被动态的空间和时间变化。发现植被的NDVI在生长期有强烈的季节摆动,观测到的NDVI最大值出现在7～8月,用CV表达的季节变化范围从6%～14%。另外,在1984～1990年间植被绿度呈现一致向上的趋势,而在随后的1991～1998年间表现出很大的相反。植被绿度向上和向下的趋势遵从7到8年的摆动周期。研究还发现干燥季节NDVI的峰值沿纬度的变化是1991～1999年间比1982～1990年间大20%～25%。研究的结论是辽宁省的植被变化模式是由于20世纪最后10年加剧的干旱造成的。     

古尔班通古特沙漠生物土壤结皮反射光谱特征分析

通过对野外采样取得的新疆古尔班通古特沙漠中的生物土壤结皮、裸沙和干枯植被进行反射光谱测定,揭示出在干燥条件下各类地物的反射光谱特征。进一步对经过均匀喷洒0.5和1.0 mm水后的生物土壤结皮分别进行反射光谱测定,并对比分析了原始的和经水化实验后的生物土壤结皮光谱特征。依据生物土壤结皮的光谱特征,提出利用连续统去除技术估算生物土壤结皮覆盖度的方法,结果表明连续统去除光谱的负对数与生物土壤结皮盖度有很好的相关关系(r2=0.990 7)。     

黄土高原水蚀风蚀交错区不同类型生物土壤结皮光谱特征

黄土高原水蚀风蚀交错区生物土壤结皮光谱特征的研究,为基于遥感的区域尺度生物土壤结皮的识别提供了重要的科学价值,为进一步估算生物土壤结皮在区域水土流失防治中所起的作用提供了重要的技术支持。采用地物光谱测定技术,在黄土高原水蚀风蚀交错区六道沟小流域对不同覆盖度藻类和不同类型藓类生物土壤结皮以及不同高等植被进行了光谱测定,并进行定量分析。研究表明,黄土高原水蚀风蚀交错区藻类生物土壤结皮与土壤具有相似的光谱特征,光谱曲线没有明显的“峰-谷”。藻类生物土壤结皮光谱特征主要表现为光谱反射率随生物土壤结皮覆盖度增加而降低的变化规律;其中可见光区,覆盖度10%~20%,30%~40%及50%~60%藻类生物土壤结皮相比于裸地,反射率归一化均值分别下降了8.64%,15.80%和23.09%。随藻类结皮覆盖度增加,680 nm处吸收特征(叶绿素)越来越明显,2 200 nm处吸收谷(次生矿物)越来越小。藓类生物土壤结皮光谱曲线表现出与高等植物相似的特征,形成绿波段的反射峰和红光波段的吸收谷以及近红外波段的高反射。但在760~930 nm区间,藓类生物土壤结皮的斜率明显大于高等植物, 藓类生物土壤结皮的光谱斜率Slope_(930/760)是高等植物的2.5～4.5倍。黄土高原生物土壤结皮光谱特征的研究可为生物土壤结皮的遥感识别提供一定的理论依据和技术支持。     

冬小麦不同生育时期叶面积指数反演方法

针对当前作物叶面积指数遥感反演过程中,在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。以冬小麦为研究对象,选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数,分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5,RMSE=0.320 9。改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI,得到的LAI反演值和真实值之间的相关系数r=0.728 7,均方根误差RMSE=0.297 1;比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前),得到的LAI反演值和真实值之间的R2=0.654 6,RMSE=0.306 1;NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI,得到的LAI反演值和真实值之间的R2=0.679 4,均方根误差RMSE=0.316 4。 研究表明：在冬小麦的不同生育时期,根据地表作物覆盖度的变化和反射率的变化,选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。     

基于现场光谱的翅碱蓬生物量遥感反演方法研究

利用便携式地物光谱仪和植被冠层分析仪测定辽东湾双台河口盐沼植被翅碱蓬的光谱数据和叶面积指数(LAI),建立翅碱蓬光谱反射率曲线;探讨翅碱蓬的植被指数与叶面积指数和生物量的相关关系,得到以下结论:(1)9月底翅碱蓬在630nm红光波长出现明显的反射峰值,反射率达到了12%～15%,在680～700nm,有明显的"红谷"形态,在760nm左右有明显的"红边",反射率达到25%～30%。(2)翅碱蓬植被指数及叶面积指数的回归分析中,SAVI和MSAVI指数与LAI的相关关系较其他指数好,最高的R2值达到0.711。对比不同指数的Linear回归方程发现,SAVI和MSAVI指数与LAI的相关关系R2值达到0.696,0.695;其次为RVI值0.664,NDVI值0.649及PVI值0.466。(3)翅碱蓬生物量(Biomass)与PVI,SAVI和MSAVI的相关系数R2较高,直线回归方程相关系数分别达到0.626,0.698和0.679;对数方程相关系数为0.592,0.706和0.683;二次方程相关系数分别为0.688,0.711和0.683。     

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。     

基于天宫一号高光谱数据的荒漠化地区稀疏植被参量估测

为了精准地估测荒漠化地区的稀疏植被信息,选取内蒙古苏尼特右旗为研究区,以天宫一号高光谱数据为数据源,结合野外实地调查数据,通过归一化植被指数(normalized difference vegetation index, NDVI)和土壤调节植被指数(soil adjusted vegetation index, SAVI)对研究区内的植被覆盖度和生物量进行反演,并对比两种植被指数的优劣。首先,分析了每种波段组合下的植被指数与覆盖度、生物量的相关性,确定了最大相关的波段组合。覆盖度和生物量与NDVI的最大相关系数可达0.7左右,而与SAVI的最大相关系数可达0.8左右。NDVI的最佳波段组合的红光波段中心波长为630 nm,近红外波段的中心波长为910 nm,而SAVI的组合为620和920 nm。其次,分别构建了两种植被指数与覆盖度、生物量之间的线性回归模型,所建模型的R2均能达到0.5以上。SAVI所建模型R2要比NDVI略高,其中植被覆盖度的反演模型R2高达0.59。经留一交叉验证,SAVI所建模型的均方根误差RMSE也比基于NDVI的模型小。结果表明：天宫一号高光谱数据丰富的光谱信息能有效地反映地表植被的真实情况,并且SAVI比NDVI更能较为精准地估测荒漠化地区的稀疏植被信息。     

植被双向反射分布函数的模型及其发展

介绍了双向反射分布函数(BRDF)的概念和反映植被特性的归一化植被指数(NDVI)、增强植被指数(EVI)、差值植被指数(DVI)等一些重要指数参数。评述了近年发展起来的植被BRDF模型的构建方法,例如统计反演方法,MODIS植被指数合成法和集合卡曼滤波法(EnKF)。分析了目标表面BRDF数据的获取方法和改进的驱动核算法。对BRDF模型的发展趋势进行了展望。