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。     

基于RGB-NIR图像匹配的作物光谱指数特征可视化分析

归一化植被指数(NDVI)基于可见光的红色波段(630～680 nm)和近红外区(780～1 100 nm)的反射光谱进行计算,被认为是作物营养与长势诊断的重要指标。为了低成本、快速、无损的检测作物叶绿素含量,计算植株的NDVI并呈现作物的NDVI分布情况,并通过不同角度图像的分析,监测作物营养分布与动态。利用可见光和近红外波段双目成像技术获取图像,在讨论可见光(RGB)和近红外(NIR)图像的匹配算法的基础上,经图像分割与光照影响校正后,针对不同测试角度建立了作物植被指数空间分布图,并对其空间分布特征与影响因素进行了可视化分析。试验利用可见光和近红外双目相机对51株玉米植株,分别在90°,54°和35°视角下同步采集RGB和NIR图像。对RGB和NIR图像分别进行高斯滤波和拉普拉斯算子增强预处理后,选取了SURF,SIFT和ORB共3种图像匹配算法,并首先利用其进行RGB-NIR图像匹配对齐,以匹配时间(Time), 峰值信噪比(PSNR), 信息熵(MI)和结构相似性(SSIM)4个参数作为匹配性能评价指标,分别从时间、准确性、稳定性三个方面综合确定最优匹配方法。其次,研究玉米植株的分割方法包括超绿算法(ExG)和最大类间方差算法(OTSU),分别实现图像中作物和背景的分离,提取分割后的RGB图像R(Red), G(Green), B(Blue)分量和NIR图像分量。基于HSI颜色模型,提取I分量讨论了光照对图像的影响,并利用多灰度级标准板建立了植株光谱反射率校正线性公式。然后,利用R(Red)和NIR图像分量计算图像中每个像素的NDVI值,绘制作物植被指数的空间分布图,从而对比分析了不同拍摄角度下光谱植被指数的分布特征。通过不同角度图像的NDVI分布情况,展示监测作物植株不同位置的叶绿素分布情况。结果显示,RGB-NIR图像匹配时间SIFT(1.865 s)>SURF(1.412 s)>ORB(1.121 s),匹配准确性上SURF≈SIFT>ORB,匹配稳定性上SURF>SIFT>ORB,综合比较选取SURF为最优匹配算法。采用4灰度级标准板对R, G, B, NIR分量校正模型的R2分别为0.78,0.76,0.74,0.77。90°和35°视角分别展现了作物叶和茎的NDVI植被指数分布情况,可为分析和监测作物的营养分布提供技术支持。     

基于光谱反演的青藏高原1982年到2014年植被生长趋势分析

植被在陆地碳循环和气候系统中发挥着重要作用 ,近几十年来众多研究集中于分析植被生长状况的动态变化.拥有大面积高海拔区域的青藏高原是"世界的第三极" ,其植被生长状况对全球变暖现象十分敏感.而由光谱的可见光红波段和近红外波段反演产生的NDVI ,则是监测植被生长状况的最有效工具之一.通过一元线性回归模型 ,在青藏高原地区利用2000年到2014年的MODIS资料将GIMMS NDVI数据集从1982到2006年的时间序列扩展至2014年.相比已有的研究 ,因考虑了尺度变化引起的残差 ,NDVI扩展数据集的精度得到进一步提高.该方法可以为今后不同NDVI数据集耦合提供一种新的思路.利用1982年到2014年的NDVI新数据集可以发现以下结果 :青藏高原植被生长季的生长存在明显的增长趋势(0.000 4 yr-1 ,r2 =0.585 9 ,p<0.001) ,春、夏和秋季的增长率分别为0.000 5(r2 =0.295 4 ,p=0.001) , 0.000 3(r2 =0.105 3 ,p=0.065)和0.000 6(r2 =0.436 7 ,p<0.001).因高原植被生长 ,促进该区域碳积累效应 ,故青藏高原植被在1982到2014年间是一个稳定的碳吸收区.结合高原温度和降水资料分析植被生长状况增长的原因 ,虽二者都具有增长趋势 ,不过生长季及春、夏和秋季的NDVI变化状况同温度的相关性显著高于降水.在空间分布上 ,各区域植被增长趋势同温度、降水变化都具有明显的空间异质性.     

苔藓结皮影响干旱半干旱植被指数的稳定性

植被指数是表征大尺度下陆地生态系统的最常用的,也是最前要的参数,所以得到准确的植被指数就显得至关重要.苔鲜结皮在干旱半干旱区、极地和亚极地Ⅸ分布广泛,且干、湿苔鲜结皮光谱差异较大,这种差异在十湿交替频繁的干旱与半干旱区是否对区域植被指数产乍影响?能产生多大的影响?国内外未见研究报道.该文以最常用的植被指数NDVI为例,重点分析了苔藓结皮干、湿变化能在多大程度上影响区域NDVI值.研究得出,100%盖度的湿苔藓结皮NDVI值(0.657)较于苔鲜结皮NDVI值(0.320)提高0.337,比干苔藓结皮高1倍多,干、湿苔藓结皮NDVI值达到0.000水平差异显著;研究区苔藓结皮的平均盖度为12.25%,线性混合光谱模型分析得出,湿苔藓结皮较干苔鲜结皮可以使研究区区域NDVI提高0.04(14·3%);由于苔鲜结皮的存在和干旱半干旱区降雨的不稳定性,必然造成该区域短时间内NDVI变化的不稳定.     

农作物冠层光谱信息的施肥管理分区研究

随着地面遥感技术的不断发展,越来越多的农作物冠层光谱检测传感器被应用到了农业生产,其中应用较为广泛的就是Greenseeker植物光谱检测仪,利用Greenseeker植物光谱检测仪可以获取农作物冠层光谱信息归一化植被指数(NDVI)数据,从而能够进行农作物的施肥管理分区的划分,依据划分好的施肥管理分区可以实现有针对性的变量施肥。模糊c-均值(FCM)算法是划分农作物施肥管理分区常用的算法,但是模糊c-均值算法具有一定的局限性,就是在计算过程中随着NDVI数据量的增加会不断进行数据的迭代计算,从而会影响施肥管理分区划分的速度。在模糊c-均值算法的基础上提出一种基于模型的模糊c-均值(MFCM)算法,基于模型的模糊c-均值算法在划分农作物施肥管理分区过程中不必在每获取一组数据时就对全部数据进行迭代计算,可有效提高划分施肥管理分区的速度。通过搭建的农作物冠层光谱信息采集平台获取大豆和玉米的NDVI数据,利用基于模型的模糊c-均值算法划分大豆和玉米的施肥管理分区,使用分区评价指标轮廓系数(SC)和调整兰德指数(ARI)评价划分施肥管理分区的效果。结果表明,随着获取的NDVI数据量的不断增加,...     

基于SPOT-VGT NDVI的西藏羊卓雍错流域地表覆被变化研究

利用1998年—2007年SPOT-VGT NDVI植被指数,分析了羊卓雍错流域NDVI时空变化特征及其与主要气候因子(气温,降水)的相关关系。结果表明：时间上,流域平均NDVI年内季节变化明显,变化幅度在0.12～0.31之间,5月份开始较快上升,最高值出现在9月份。1998—2007年10年间,羊卓雍错流域NDVI的多年平均值为0.19,总体上呈缓慢上升的趋势,表明流域的生态环境有改善的趋势。从空间分布看,NDVI高值区与水源、海拔高度和植被类型有很大关系,在水源附近区域NDVI值相对较高,草甸型草场NDVI值最高。气温和降水是影响流域植被的重要气候因子,在植被生长季节月平均NDVI与上月平均气温和降水的线性相关系数分别为0.7和0.71,近年来流域的暖湿化气候变化趋势有利于流域生态环境的改善。     

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。     

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。     

归一化差异植被指数仪的研制与应用

介绍了一种测量归一化差异植被指数(NDVI)的方法及仪器,利用日光作光源,通过四个具有特殊光谱响应特性的光电探测器,在植被近红外反射率平台和红光叶绿素吸收谷两个特征波段,分别对入射光和植被的反射光进行探测,经模拟—数字转换后,求出NDVI值。通过与ASDFieldSpec型便携式光谱仪测得的NDVI数据进行对比、标定,表明NDVI仪测定数据十分可靠。利用NDVI仪的数据,成功反演了小麦植株的叶面积、叶绿素密度,展示了NDVI仪在作物长势、营养诊断方面的应用前景。     

大豆叶面积指数的高光谱估算方法比较

叶面积指数(leaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义。通过分析大量实测数据,选用归一化植被指数(normalized difference vegetation index,NDVI)和比值植被指数(ratio vegetation index,RVI)、主成分分析(principcal component analysis, PCA)、神经网络(neural network NN)三种方法对大豆使LAI进行了估算,比较分析了三种方法的估算结果。研究结果表明,植被指数法(NDVI,RVI),主成分分析,神经网络方法LAI都取得了较为理想的结果,验证模型的确定性系数分别达0.758和0.753, 0.954, 0.899,其中主成分分析方法和神经网络方法精度较高,主成分分析方法验证模型的稳定性更好,其验证模型的RMSE为0.267,明显低于两个植被指数(NDVI和RVI的RMSE分别为0.594和0.616)和神经网络(RMSE=0.413)。当叶面积指数较小时,植被指数能够较好地去除土壤、大气等条件影响,并精确估算LAI;当叶面积指数较大时,主成分分析能够弥补植被指数饱和的缺陷,得到很好的LAI估算效果。神经网络受LAI大小的影响效果居中,其对叶面积指数较小和较大时具有一致的估算效果,具有较好的应用潜力。     

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。     

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。     

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。     

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。     

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。     

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。