基于端元可变的喀斯特地形复杂区石漠化信息提取

喀斯特山区因地形复杂、地表破碎等特点使得遥感影像中阴影、混合像元及光谱变异现象普遍存在,传统基于多光谱遥感的像元二分法（DPM）在光谱变异和阴影显著的区域难以准确的对喀斯特石漠化（KRD）信息进行提取。采用高光谱遥感的混合像元分解技术可将复杂的混合像元分解为纯净的地物光谱与各地物光谱对应的混合比例,为复杂山区获取更高精度的石漠化信息提供可能。然而,由于光照、环境及大气等诸多因素的变化会引起端元发生不同程度变异,导致在混合像元分解过程中出现显著的误差,其次要从地形复杂、地表异质性强的山区影像上直接获取地物纯净光谱建立用于应对光谱变异的光谱库极其困难。因此,如何在这种情况下应对光谱变异和地形效应,获取有效、准确的对石漠化信息进行提取是当前研究的重点。针对以上问题,采用通过模拟由光照条件造成的地物反射率变化,并考虑每个波长间隔光谱变异情况的广义线性混合模型（GLMM）,以减轻喀斯特地区石漠化信息提取过程中光谱变异与地形效应的影响。首先,从GF-5高光谱影像中提取喀斯特地区主要地物（植被、裸岩、裸土）的典型代表性光谱,然后基于提取的地物光谱模拟不同光照下每个像元光谱的变异情况,选择最适合的光谱组合对像元进行分解,得到最优的解混效果。为了验证方法的可靠性,利用高分辨率影像目视解译的结果作为参考对方法预测结果进行验证,同时选择未考虑端元变异的全限制最小二乘法（FCLSU）和DPM进行对比。结果表明,在地形高度复杂的喀斯特山区,考虑阴影、混合像元及光谱变异是必要的,GLMM在石漠化信息提取中总精度达到了84.89%,明显高于其他两种方法的59.68%和67.34%。通过对光照区和阴影区分别进行精度检验,发现GLMM在光照区与阴影区有着相似的精度表现,而另外两者则差异较大,阴影区明显低于光照区。这反映GLMM能较为有效地减轻地形效应的影响,对喀斯特石漠化信息提取的精度有一定提升。     

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。     

浑善达克沙地光合/非光合植被及裸土光谱混合机理分析

研究浑善达克沙地光合/非光合植被(photosynthetic/non-photosynthetic vegetation,PV/NPV)及裸土(bared soil,BS)光谱混合机理,对于构建沙地最佳光谱混合模型、准确估算沙地地表植被覆盖信息具有重要意义。本研究通过两景覆盖研究区的Hyperion高光谱影像获取47个典型混合样地对应混合光谱信息,利用地面实测获取PV/NPV及BS端元光谱和每个样地各端元丰度信息,然后分别尝试采用线性光谱混合模型和非线性光谱混合模型对所有样地混合光谱进行分解计算光合植被覆盖度(fractional cover of photosynthetic vegetation,f_pv)和非光合植被覆盖度(fractional cover of non-photosynthetic vegetation,f_npv),通过比较不同模型分解均方根误差及PV/NPV覆盖度估算精度来探索浑善达克沙地PV/NPV及BS之间光谱混合形成机理,寻求适合其f_pv与f_npv估算的最佳光谱混合模型。结果表明：对于浑善达克沙地来说,基于PV/NPV及BS的线性光谱混合模型可以实现f_pv与f_npv的较好估算,f_pv估算的均方根误差为0.12(R2=0.84),f_npv估算的均方根误差为0.13(R2=0.66);考虑多重散射影响的非线性光谱混合模型无论在模型分解精度还是在f_pv与f_npv估算精度上均没有明显提升,其中各端元之间的多重散射作用对f_pv估算精度的影响不大,但会导致f_npv估算精度的明显降低。     

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。     

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。     

无人机遥感的多植被指数土壤水分反演模型

土壤水分是影响农业生产的重要因素,在作物生长发育和最终产量上起着至关重要的作用,快速、高效地估算土壤水分已成为农林水资源监测的热点问题。利用高光谱反射率的特征波段计算植被指数、构建土壤水分反演模型已获得广泛的认可和应用。针对反演土壤水分受植被覆盖度影响较大的问题,提出用多种植被指数组合削弱植被覆盖度对土壤水分反演的影响。在宜昌市仓屋榜试验基地选取30组柑橘树,在果树滴落线处收集土壤,通过烘干法测定土壤质量含水率,采样4次,共计120组土壤含水率;并利用ASD Field Spectral FR光谱仪(波长范围325～1 075 nm)及大疆精灵4多光谱版无人机获取了120组试验区蓝、绿、红、红边、近红外及短波红外波段光谱反射率,采用移动平均法对光谱数据进行降噪预处理,通过灰色关联法对9种植被指数进行比较分析,筛选出与土壤水分极显著相关的4种植被指数(p<0.01),各指数与土壤水分的相关性从高到低依次为裸土指数(BSI)、归一化蓝绿差异植被指数(NGBDI)、绿色归一化指数(GNDVI)、归一化差异植被指数(NDVI),其中BSI与土壤水分的相关性最高,相关系数为-0.687(N...     

基于SWIR-Red光谱特征空间的农田干旱监测新方法

干旱是一种频繁发生的自然灾害,遥感监测干旱已成为重要的研究方向。可从农田遥感干旱监测最主要的两种地物类型(植被和土壤)的光谱特性分析入手,选择了对水分变化敏感的红光、短波红外波段来监测干旱状况,以短波红外与红光的差值和短波红外与红光的和构建新的光谱空间特征,提出了干旱监测的新方法——归一化的干旱监测指数NPDI。用野外实测的土壤含水量对NPDI模型进行验证,结果表明:NPDI,MPDI与10cm处的土壤含水量模型都具有较高的相关性,其R2分别为0.583和0.438,NPDI模型的监测效果要优于MPDI。此模型是对PDI,MPDI和SPSI等模型的进一步改进,可实现对不同植被覆盖度的、整个生长季的农田干旱监测,在实际的农田干旱监测中具有较高的应用潜力和推广价值。     

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Landsat 8 OLI数据的玉米冠层含水量反演研究

植被含水量是作物长势好坏的指示因子,利用遥感技术及时准确监测植被含水量对农业生产、作物估产和干旱状况评价具有重要意义。基于新一代对地观测计划Landsat 8 OLI传感器(Operational Land Imager,陆地成像仪),评价其植被含水量反演的能力与局限性。首先,利用ProSail冠层模型模拟冠层光谱反射率数据集,分析OLI传感器的植被含水量敏感波段以及土壤背景对各波段反射率的影响,然后利用基于Landsat OLI影像计算的植被水分指数和2013年6月1日—8月14日期间采样的植被含水量数据,比较12种植被水分指数与地面实际采样的植被含水量的相关性,评价估算植被含水量的最佳植被水分指数。结果表明：OLI传感器的红、近红外和两个短波红外对植被含水量敏感,其中近红外波段最为敏感;在低植被覆盖度时,土壤背景反射率的太阳辐射将达到光谱传感器影响植被水分指数与植被含水量之间的关系,利用ProSail模拟干湿土壤背景反射率结果也表明土壤背景对植被冠层反射率的影响很大;引入优化土壤调整植被指数(OSAVI)去除土壤背景对植被水分指数的影响;在12种植被水分指数中,MSI2与植被含水量的拟合关系最好(R2=0.948),植被含水量的平均拟合误差为0.52 kg·m-2;在植被生长晚期即植被含水量大于2 kg·m-2时,各植被水分指数出现饱和情况,植被含水量的估算结果不佳。     

Study on the relation between fraction cover and mixed spectra in karst environment

Karst rocky desertification is one of the most serious eco-environmental problems of land degradation in karst regions, southwest China. The fractional cover of vegetation and exposed bedrock are the main land surface symptoms and essential assessing indicators of karst rocky desertification. To assess the extent of rocky desertification in complex karst environments, the information of multiple land cover types fraction is needed. Based on in situ spectral reflectance data, this study proposed several spectral indices and explored the relationship between spectral features of main land cover types and their responding fractional cover. The results showed that spectral indices have much higher correlation coefficients with fractional cover than does spectral reflectance. Vegetation indices have good linear relation with fractional cover of photosynthetic vegetation (PV). The proposed spectral indices have high correlation coefficients with fractional cover of non-photosynthetic vegetation (NPV) and bare soil, with R2 0.70 and 0.73, respectively. Lower correlation coefficients (R2 = 0.55) with the factional cover of exposed bedrock, were observed. The absorption depth of four forms of the proposed indices has the highest correlation coefficient with the fractional cover of NPV, bare soil, and exposed rock. This study indicates that hyperspectral remote sensing has the potential for the extraction of karst rocky desertification information.     

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。     

基于野外Vis-NIR光谱的土壤有机质预测与制图

利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要,利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据,去除噪声较大的边缘波段后,进行倒数的对数转换(Log(1/R))为吸收光谱。在分析吸收光谱和光谱指数与SOM关系的基础上,采用偏最小二乘回归法进行SOM的建模预测并借助地统计学方法进行SOM空间变异制图研究。结果表明,建模效果好的指标分别为特征波段(R2=0.91,RPD=3.28),归一化光谱指数(R2=0.90,RPD=3.08),特征波段与3个光谱指数组合(R2=0.87,RPD=2.67),全波段(R2=0.95,RPD=4.36)。光谱指标的克里格制图与实测SOM制图表现出相同的空间变异趋势,不同的指标均达到了较好的预测效果。     

遥感光谱信息提取不同覆盖下植被水分信号的研究进展

综述了基于遥感光谱信息的植被水分信号提取的研究进展,包括直接利用光谱反射率反演植被水分信息到建立植被水分指数(WI),再发展至利用辐射传输模型来获取植被冠层水分信息。着重评述了针对低植被覆盖条件下的提取其冠层水分信息的方法,包括利用冠层生理参数估算植被水分信号;基于去除土壤背景影响的光谱植被水分指数或辐射传输模型估算植被水分信息,以及基于多角度的星-地观测提取稀疏条件下的植被水分信息。最后讨论了针对提取低覆盖植被冠层水分信息方法的可能发展趋势。     

甘肃河西地区荒漠化土地光谱特征研究

甘肃河西走廊土地荒漠化严重影响了当地居民的生产生活环境,高光谱遥感技术是荒漠化土地退化程度、土地类型识别、遥感反演等的重要研究手段,以河西地区荒漠化土地为研究对象,分析其光谱特征与植被退化程度、植物类型、季节变化等的关系,探讨河西地区荒漠化土地的光谱特征。主要结果有：(1）当植被覆盖度小于20%,同一类型不同退化阶段的植被光谱对沙地光谱的影响很小,沙地光谱反射率与裸地接近,尤其当植被盖度小于10%时,沙地与裸地的光谱曲线几乎重合,仅从植被景观很难反映出土地的沙化程度。(2）不同的植被类型对沙地光谱的反射率有一定的影响,以白刺为建群种的沙地光谱反射率较高,其次为梭梭沙地,多枝柽柳沙地相对较低,植被不同演替阶段下指示性植物的沙地光谱可以反映土地的沙化过程。(3）在植物生长季,沙地光谱反射率受土壤、植物含水量及植物物候期的影响,8月-10月高于其他月份,7月最低,沙地光谱波形曲线的季节变化规律可以反映出沙地土壤含水量的变化。研究结果对荒漠化土地遥感监测中土地沙化程度判定、季节信息提取、植被覆盖度估算等提供研究基础。     

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。     

典型半干旱区土壤盐分高光谱特征反演

选取陕北典型半干旱区为研究对象,利用土壤高光谱特征对盐分进行反演研究。在研究区域选取样点,采集土壤样品测定土壤光谱特征,以土壤反射率(R)、反射率对倒数(Log(1/R))及去包络线的反射率(R_cr)三个光谱特征进行土壤盐分反演研究,分析其与土壤盐分的相关性,遴选特征波段,并通过Matlab编程利用最小偏二乘回归方法(partial least squares regression,PLSR)建立土壤盐分定量反演模型,然后利用检验样点进行精度检验和比较。结果表明,利用经包络线去除后光谱反射率进行定量反演的均方根预测误差最小(1.253<1.367<1.575),其预测精度最高;利用土壤高光谱特征进行盐分反演的预测值与实测值相关性良好(r2=0.761),趋势线接近于y=x。总之,研究发现,土壤反射率经过包络线去除后,利用偏最小二乘回归方法建立的反演模型具有良好的精度,这将有利于提高土壤盐渍化的监测效率。