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。     

利用高光谱植被指数估测苹果树冠层叶绿素含量

叶绿素含量是反映植物生长状况的重要参数。利用ASD FieldSpec 3光谱仪,测定春梢停止生长期苹果冠层高光谱反射率,对原始光谱进行微分变换,与苹果叶绿素含量进行相关分析确定敏感波段,通过分析敏感区域400～1 350 nm范围内所有两波段组合的植被指数,选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：(1)苹果冠层叶绿素含量的敏感波段区域为400～1 350 nm。(2)利用筛选得到的植被指数CCI(D₇₉₄/D₇₆₃)构建的估测模型能较好的估测苹果冠层叶绿素含量。(3)以CCI(D₇₉₄/D₇₆₃)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。因此,利用高光谱技术能够较快速、精确的对苹果冠层叶绿素含量进行定量化反演,为苹果长势的遥感监测提供理论依据。     

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。     

利用光谱指数反演植被叶绿素含量的精度及稳定性研究

农业遥感中,利用光谱指数方法反演作物叶绿素含量一直得到广泛地应用。利用PSR-3500光谱仪及SPAD-502叶绿素仪同步获取了冬小麦冠层光谱数据及对应叶片的叶绿素相对含量(SPAD值),并利用高斯光谱响应模型将PSR获取的地面连续光谱数据重采样为多光谱Landsat-TM7及高光谱Hyperion光谱数据,然后分别计算基于两种传感器的归一化差值植被指数(normalized difference vegetation index, NDVI)、综合叶绿素光谱指数(MCARI/OSAVI,the ratio of the modified transformed chlorophyll absorption ratio index (MCARI) to optimized soil adjusted vegetation index(OSAVI))、三角形植被指数(triangle vegetation index, TVI)及通用植被指数(vegetation index based on universal pattern decomposition method, VIUPD),再将四种光谱指数与叶绿素含量进行回归分析。结果表明,针对重采样后的TM和Hyperion两种传感器数据,VIUPD反演叶绿素含量精度(决定系数R2)最高,反演能力最稳定,这与其“不受传感器影响”的特性密不可分;MCARI/OSAVI反演精度和稳定性次之,是因为引入的OSAVI削弱了土壤背景的影响;宽波段指数NDVI和TVI对模拟TM数据有较好的反演精度,对Hyperion数据反演精度却很低,可能是因为两种指数的构成形式简单,考虑的影响因素较少。以冬小麦为例,对利用光谱指数反演植被叶绿素含量的精度和稳定性进行了研究并分析了其影响因素,经比较发现利用植被指数VIUPD进行植被叶绿素含量反演时,其精度和稳定性最好。     

基于TSAVI的OLI模拟数据翅碱蓬生物量反演研究

翅碱蓬是辽东湾北部滨海湿地一种典型的植被,其生物量的评估对了解滨海湿地生态系统生产力,生态系统机构和功能的形成具有十分重要的作用。而翅碱蓬覆盖度不均一,特别是自然状态下的覆盖度较低,土壤背景影响严重。将基于模拟Landsat 8 OLI数据的转换型土壤调整指数(transformed soil adjusted vegetation index,TSAVI)作为自变量,与地面实测生物量进行回归分析,构建了翅碱蓬群落生物量反演模型。结果表明：TSAVI(红光600～687 nm,近红外820～880 nm)与生物量的相关性显著,相关系数在0.9左右,最高相关系数可达0.92;线性、二次多项式优于对数、指数和幂模型,模型拟合优度r2都为0.83,再结合模型的F值和运算效率,认为线性模型是反演成熟翅碱蓬生物量的最优模型。最后,实现了研究区域Landsat 8 OLI卫星遥感数据翅碱蓬群落生物量反演及模型验证,估算值和实测值的相关系数r为0.962,平均相对误差为0.106,翅碱蓬覆盖度越大,相对误差越低,覆盖度低的翅碱蓬生物量反演的相对误差在0.18左右,表明所建立的线性反演模型在高、低覆盖度时均具有良好的反演精度;此外,还人为地将模型中土壤线系数a和b引入±5%扰动,扰动后的反演结果平均相对误差比较稳定,相关系数有所降低,但都在0.9以上,表明所建立反演模型具有较好的稳定性。     

基于光谱特征的北京城区植被滞尘分布反演

植被叶片的滞尘量可以表征空气污染的程度, 分析城市植被滞尘的空间特征对于制定更为有效的空气污染控制政策具有重要的现实意义。基于北京市主城区采集的大叶黄杨、国槐、毛白杨和山桃等四种典型绿化植被叶片的滞尘量、光谱反射率和叶面积等数据,比较四种植被叶片滞尘前后的光谱曲线,进行窄波段与卫星波段滞尘前后叶片光谱反射率比值与滞尘量的相关分析。然后,分别建立相关性最大的卫星波段反射率和NDVI与滞尘量之间的回归模型, 选取拟合较好的模型反演北京城区植被的滞尘量分布,进而插值得到整个北京城区的尘埃分布。最后,根据高滞尘区域周围的土地覆盖和土地利用以及滞尘期间PM₁₀浓度的空间分布对反演的的合理性进行检验。结果表明：在780~1 300 nm波段,大叶黄杨、国槐、毛白杨和山桃四种植被的滞尘叶片反射率均明显低于干净叶片;窄波段反射率与滞尘量在520~650 nm波段和1 390~1 600 nm波段具有较高的相关性,相关系数的绝对值最高达到0.626;利用Landsat8的green波段和NDVI构建的滞尘反演模型,决定系数(R2)分别为0.446和0.465。NDVI模型反演的北京城区植被的滞尘量分布结果表明,北京城区滞尘含量呈现出北高南低,东高西低,中心城区高于郊区的空间分布格局。该研究通过高光谱和遥感影像数据反演滞尘量,可以为快速全面监测城市地区尘埃分布提供参考。     

作物植被覆盖度的高光谱遥感估算模型

通过大田试验,使用ASD光谱仪测量了油菜、玉米、水稻三种作物不同覆盖度水平下的冠层光谱,同时拍照获取植被图片并用计算机求算了植被覆盖度。利用三种作物光谱求算“红边”变量,并对波段两两组合求算归一化植被指数(NDVI),建立这些光谱变量与覆盖度之间的估算模型,得到适用于三种作物的最优估算模型和最佳的NDVI波段组合。另外,利用响应函数模拟了TM归一化植被指数,同植被覆盖度进行了相关分析,回归方程的R2达到0.80,并通过了预留数据的检验,为TM数据植被覆盖度估算进行了探索性的研究。     

一种基于无人机高光谱数据的植被盖度估算新方法

从分析对植被覆盖度(FVC)敏感的光谱特性入手,使用Avafield-3光谱仪(测量范围300～2 500 nm),利用人工草坪控制植被覆盖度的方式研究混合光谱与植被覆盖度的关系,通过实验发现红边区间(680～760 nm)对植被覆盖度最为敏感,而红边区间光谱的一阶导数与植被覆盖度的相关性最高(>0.98),且有较强的稳定性,因此选择红边斜率k作为估算植被盖度的参数。参考混合光谱分解法反演植被覆盖度的经典模型--即以NDVI(normalized difference vegetation index)为参数的植被覆盖度反演模型,以红边斜率代替NDVI构建了2个反演植被覆盖度FVC的新的红边斜率模型,该模型是对经典模型的进一步改进。为验证模型精度,以研究区内无人机(UVA)的高光谱数据和研究区实际测量的植被覆盖度数据进行验证：对高光谱数据计算每个像元680～760 nm之间的斜率,利用PPI(pixel purity index)提取纯像元,计算纯植被像元光谱斜率的最大值和纯土壤像元光谱斜率最小值,利用新的红边斜率FVC模型求取植被覆盖度;实测数据采用照相方法,经过几何校正、监督分类后统计植被覆盖度,结果表明：通过实测数据与无人机高光谱数据获取的植被覆盖数据进行验证,新构建的基于红边斜率的两个植被覆盖度模型的精度(R2分别达0.893 3和0.892 7)都略高于以NDVI为参数的模型(R2分别达0.839 9和0.829 9)。提出使用红边斜率计算植被覆盖度的模型,具有较明确的生物物理意义,具有较高的应用潜力和推广价值。     

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。     

估测作物冠层生物量的新植被指数的研究

冠层鲜生物量是指示作物长势状况的重要指标,可用于诊断作物氮素营养状况。但常规测定生物量的方法需要破坏性取样,不利于帮助精准施肥管理决策。遥感技术作为快速分析手段可用于估测作物多种生理、生化参数,特别是借助植被指数。研究表明归一化差值植被指数(normalized difference vegetationindex,NDVI)、最优土壤调节指数(optimization of soil-adjusted vegetation index,OSAVI)等现已构建植被指数可用于准确估测中低生物量信息,但在较高冠层生物量条件下,它们的估测能力显著下降。文章旨在提出更通用的新植被指数用于估测冠层生物量,以提高遥感技术在较高生物量条件下的预测准确度。试验在加拿大魁北克省的St-Jean-sur-Richelieu地区进行,5年(2004~2008)试验中采集了玉米及小麦不同生育期的地面高光谱数据及对应生物量信息,并在2005年获取航空机载高光谱影像一景(compact airborne spectro-graphic imager,CASI)。研究提出了红边三角植被指数(red-edge triangular vegetation index,RTVI),并将其与一些常见植被指数进行比较分析。结果表明RTVI是最好的估测冠层生物量的指数,在较高生物量条件下仍保持其对生物量变化的高敏感性,其与生物量间的决定系数为0.96。基于CASI影像,RTVI预测生物量值与实际测定值间的决定系数(R2)为0.58,预测标准误差为0.44 kg.m-2,取得了较好的结果。     

冬枣光谱数据的灰色关联分析及叶片氮素含量预测

采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析,分析结果显示波长560,678以及786 nm处的光谱反射率(G560,R678,NIR786)与冬枣叶片氮素含量之间的灰色关联度最高。利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度,结果显示：归一化植被指数(NDVI)、绿色比值植被指数(GRVI)、归一化差异绿度植被指数(NDGI)、绿色归一化植被指数(GNDVI)和组合归一化植被指数(CNDVI)等5个指数与叶片氮素含量的灰色关联度较高。利用3个特征波段的光谱反射率和5个关联度较高的植被指数,分别采用最小二乘支持向量机(LS-SVM)以及GM(1,N)模型建立了冬枣叶片氮素含量预测模型。结果表明,采用特征波段光谱反射率(G560,R678,NIR786)建立的冬枣叶片氮素含量GM(1,N)模型的精度最高,预测R2达0.928,验证R2达0.896。     

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CASI高光谱数据的作物叶面积指数估算

叶面积指数(LAI)的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。利用2012年7月7日在黑河流域张掖市获取的CASI高光谱数据,精确提取出了不同作物的光谱反射率,同时结合地面实测数据,对比分析了宽波段和“红边”植被指数在估算作物LAI方面的潜力,在此基础上,基于波段组合算法,筛选出作物LAI估算的敏感波段,并构建了两个新型光谱指数NDSI和RSI,最后对研究区域作物LAI的空间分布进行了分析。结果表明,在植被覆盖度较低的情况下,宽波段植被指数NDVI对LAI具有较好的估算效果,模型的精度R2与RMSE分别为0.52,0.45(p<0.01);对于“红边”植被指数,由于CI_{red edge}充分考虑了不同的作物类型,其对LAI的估算精度与NDVI一致;利用波段组合算法构建的光谱指数NDSI_{(569.00, 654.80)}和RSI_{(597.6, 654.80)}对LAI估算的效果要优于NDVI与CI_{red edge},其中,NDSI_{(569.00, 654.80)}主要利用了植被光谱“绿峰”和“红谷”附近的波段,模型估算的精度R2可达0.77(p<0.000 1);根据LAI与NDSI_{(569.00, 654.80)}之间的函数关系,绘制作物LAI的空间分布图,经分析,研究区域的西北部LAI值偏低,需增施肥料。研究结果,可为农业管理部门及时掌握作物长势信息、制定施肥策略提供技术支持。     

基于多角度成像数据的新型植被指数构建与叶绿素含量估算

叶绿素含量的快速估算对于及时了解作物的长势、病虫害监测以及产量的评估都具有重要意义。利用自主研发的多角度成像观测系统获取了不同生育期玉米的高光谱影像,精确地提取出主平面内各个观测角度下玉米冠层的反射率。通过对ACRM模型模拟值和实测值的分析,计算出玉米冠层红波段下的热点-暗点指数(HDS),并利用该指数对TCARI进行改进,提出一个基于多角度观测的新型植被指数HD-TCARI,最后使用多角度高光谱成像数据对其进行了地面验证。结果表明,HD-TCARI能够减小LAI对叶绿素估算的影响,当叶绿素浓度大于30 μg·cm-2,HD-TCARI与LAI的相关性R2仅为26.88%～28.72%;当叶绿素浓度较高时,HD-TCARI具有抗“饱和”的特性在LAI在1～6之间变化时,HD-TCARI与叶绿素浓度的线性关系R2较TCARI提高了约9%左右。利用多角度高光谱成像数据对HD-TCARI进行地面验证,其与叶绿素浓度的线性关系(R2=66.74%)明显优于TCARI所建立的估算模型(R2=39.92%),证明了HD-TCARI指数具有更好地估算叶绿素浓度的潜力。     

喀斯特典型地物混合光谱与复合覆盖度关系研究

喀斯特石漠化是我国西南喀斯特地区面临的主要生态环境问题之一。岩石裸露率以及植被覆盖度是石漠化主要的地面表现特征,也是评价石漠化的关键指标。由于喀斯特地区复杂的地貌情况,使得评价石漠化需要多种地物类型覆盖度信息。该文在实测光谱支持下,构建了系列光谱指数,初步分析了喀斯特地区典型地物混合光谱与复合覆盖度的关系。结果表明,光谱指数与覆盖度的相关性远远高于光谱反射率与覆盖度的相关性。植被指数和绿色植物(photosynthetic vegetation, PV)覆盖度有着很好的线性关系;该文构造的光谱指数和干枯植被覆盖度(non-photosynthetic vegetation, NPV)、土壤覆盖度有着较好的相关性,可决系数分别达0.70和0.73,显示了有估算NPV和土壤覆盖度的潜在能力。而光谱指数和裸岩率的相关系数稍低,最高达0.55,可以提供一定的裸岩率信息。所构建的4种指数形式中,表征光谱吸收特征深度的指数形式和NPV、土壤覆盖度以及裸岩率均拥有最高的相关性。这为高光谱遥感在喀斯特石漠化信息提取的应用进行了初步的探索。     

实测甘草冠层光谱定量估算甘草酸和甘草苷含量

甘草酸(GA)和甘草苷(LQ)是甘草的两个主要的活性成分, 常用作评估甘草的质量主要指标。首次尝试应用实测甘草冠层的可见-短波红外(Vis-SWIR)高光谱数据定量估算甘草中的GA和LQ含量,利用高效液相色谱方法(HPLC)分别测定甘草中GA和LQ含量作为参考值,通过结合一阶导数预处理和运用Wilk’lambda 逐步回归法选择特征波长等光谱预处理方法,在选择9个最优波段基础上建立偏最小二乘(PLS)回归预测模型,甘草GA和LQ的回归精度R2分别为0.953和0.932,校正集的均方根误差(RMSEC)分别为0.31和0.22, 预测精度R2分别为0.875和0.883,验证集的均方根误差(RMSEP)分别为0.39和0.27。结果显示,用光谱预测模型获得甘草GA和LQ含量预测与HPLC方法获得的甘草GA和LQ含量实测之间具有较高的相关性,说明Vis-SWIR技术从遥感数据中来确定GA和LQ含量的可行性。为野外利用外机载和/或星载高光谱传感器对甘草质量遥感监测提供理论依据。     

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。