共查询到11条相似文献,搜索用时 53 毫秒
1.
水源涵养是生态系统重要的服务功能,森林作为一种复杂的生态系统,其组成部分对于水源涵养的贡献率各不相同;森林枯落物直接覆盖于地表,既来自于林冠层也抑制土壤层的水分蒸散,因此枯落物层在水源涵养功能中发挥了重要作用。遥感和高光谱技术为远距离识别面状区域的水源涵养能力提供了解决方案,特别在高原地区,遥感是获取地表信息的快速手段。以雅鲁藏布大峡谷为研究区,用ASD(便携式地物)光谱仪测定主要树种(高山松、林芝云杉和川滇高山栎)的叶片高光谱数据并构建植被指数,同时,通过样地采样获取枯落物样本并计算样本的持水拦蓄性能,然后建立植被指数与有效拦蓄量的多元回归模型。在此基础上,基于Sentinel-2影像反演大峡谷主要树种枯落物的水源涵养能力分布情况,最后结合验证点对反演模型进行精度评价。结果显示:(1)三类树种的叶片反射率趋势相似,川滇高山栎的反射率最高,高山松次之,林芝云杉最低;(2)枯落物的有效拦蓄量从大到小排序为:林芝云杉(48.36 t·ha-1)>川滇高山栎(39.24 t·ha-1)>高山松(32.32 t·ha-1)。林芝云杉枯落物的分解程度和蓄积量均最高,因此持水拦蓄能力最强;川滇高山栎的革质叶片不利于分解堆积,进而限制蓄水能力;高山松含有较多油脂,不易被水浸湿,导致持水能力较弱。(3)通过Person相关系数分析和多元线性回归模型得知,叶片蜡质参数和衰减程度越高,枯落物的水源涵养能力越弱;植被生长态势越好、色素和叶片水分含量越高,其水源涵养能力越强。(4)枯落物水源涵养能力反演模型的精度评价结果良好,高山松、林芝云杉和川滇高山栎的样本检验点拟合优度R2分别为0.943,0.815和0.812,均方根误差RMSE分别为1.597,2.270和1.953,表明模型可以用于大峡谷森林枯落物水源涵养能力的预测分布研究。 相似文献
2.
作物植被覆盖度的高光谱遥感估算模型 总被引:4,自引:1,他引:4
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。 相似文献
3.
基于综合高光谱指数的区域土壤盐渍化监测研究 总被引:14,自引:0,他引:14
选取新疆塔里木盆地北缘渭干河-库车河三角洲绿洲盐渍化土壤、植被及其光谱反射率为研究对象,对实测土壤、植被高光谱进行包络线、倒数、对数、均方根、一阶微分等各种光谱变换,分析并确定反映盐渍化程度最敏感的波段,结果表明:实测高光谱土壤、植被一阶微分光谱变换对土壤盐渍化响应程度最敏感;基于实测综合光谱指数的盐渍化监测高光谱模型可以准确提取土壤盐渍化信息,明显优于传统遥感方法中单纯利用植被指数或者土壤盐分指数的模型,对土壤盐渍化的高精度遥感监测研究具有较好促进作用。 相似文献
4.
不同组分比例的高光谱混合象元反射光谱形态特征研究 总被引:2,自引:0,他引:2
实验条件下,利用地物多角度二向反射平台及ASD地物波谱仪获取了由清水与荷叶组成的高光谱混合象元反射光谱,通过选择反射光谱形态指标,分析了24组不同组分比例下高光谱混合象元反射光谱形态指标变化规律,并得到以下结论:选择的光谱形态指标之间存在着较大的相关性,按照0.05及以上置信水平和可决系数R2>0.5的条件对光谱形态指标进行剔除,确定了最能体现反射光谱特征的形态指标;不同波段范围内,各光谱形态指标随混合象元成分比例的变化规律有所差异;聚类分析结果表明,纯象元(清水)过渡到混合象元存在临界值,当混合象元组分比例小于此临界值时,主要体现纯象元反射光谱特征,大于临界值时才表现混合象元的反射光谱特征。 相似文献
5.
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 总被引:1,自引:0,他引:1
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。 相似文献
6.
艾比湖湿地自然保护区土壤盐分多光谱遥感反演模型 总被引:1,自引:0,他引:1
土壤盐分是衡量土壤质量的要素,也是作物生长发育的基本条件。因此,迫切地需要一种可以快速了解土壤盐分含量(SSC)的方法。针对艾比湖湿地自然保护区,基于Landsat8 OLI多光谱遥感影像,以该研究区36个土壤表层样品的盐分含量为数据源,选择相关性较好的多光谱遥感指数分析研究区土壤盐分分布状况,并将其分别与实测SSC构建线性、对数、二次函数模型,进而优选精度最高的模型来反演该研究区SSC。结果表明:(1)在多光谱遥感指数中,与SSC相关性最高的是增强型植被指数(EVI),其相关性范围为(-0.70~-0.67);其次是传统型植被指数(TVI),其范围为(-0.58~-0.46);土壤盐分指数(SI)与SSC的相关性最低,其范围为(-0.45~0.16),其中SI3和SI4与SSC均没有相关性。(2)将实测土壤盐分值所反演的分布图与EVI对比分析,发现在西北、正南方向的艾比湖湖边周围和东北方向盐池桥的SSC均较高,其EVI的值较低,说明通过该研究区实测土壤盐分值所反演的盐分分布图与EVI的空间分布结果较为一致,表明EVI对该地区土壤盐分具有一定的敏感性,能较好地反演SSC的空间分布;(3)分别将三种EVI与实测SSC建模分析比较,发现SSC与增强型比值植被指数(ERVI)所构建的二次函数模型最好;其验证集的决定系数(R2)为0.92,均方根误差(RMSE)为2.48,相对分析误差(RPD)为2.09,模型精度较高、稳定性较为可靠,相比之下,说明ERVI对该湿地自然保护区土壤盐分有更高的敏感性,可以用来预测该区域SSC,从而进行空间反演。在TVI中加入Landsat8多光谱遥感影像的b6和b7波段,得到EVI,以此来反演SSC是可行的,且比传统可见光和近红外波段所构建的植被指数反演效果更好。因此该研究不仅可以为遥感反演提供理论参考,而且对该地区SSC的定量估算和动态监测具有重要的意义,也可作为其他区域SSC预测反演的备选方案。 相似文献
7.
无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究 总被引:6,自引:0,他引:6
叶绿素含量是植物生长中的重要参数,与农作物产量密切相关。无人机遥感技术作为一种新的数据获取手段,在农业中已得到广泛应用。以玉米为目标作物,将具有不同光谱响应函数的两种轻小型多光谱传感器(MCA和Sequoia),同时搭载在六旋翼无人机上,获取不同氮肥水平下大田玉米花期的多光谱影像。利用无人机影像空间分辨率高的特点,在小区尺度上,分别计算了基于两种多光谱传感器的各26种植被指数,并将其与地面实测的叶绿素含量(SPAD)值进行回归分析,研究不同波段反射率对SPAD值的敏感性,利用不同多光谱传感器及植被指数预测SPAD值的精度及稳定性。结果表明,对于具有较宽波段的Sequoia,在550 nm(绿波段)、735 nm(红边波段)的反射率对SPAD值的变化较敏感,其中,550 nm与SPAD值的相关系数最大(R2=0.802 9)。而对于较窄波段的MCA,720 nm(红边波段)的反射率与SPAD值具有较高的相关性(R2=0.724 8),550 nm(绿波段)次之。此外,由于两传感器红波段的中心波长和波段宽度不同,660 nm(Sequoia)反射率与SPAD值的相关系数为0.778 6,而680 nm(MCA)反射率与SPAD值的相关性较小,仅为0.488 6。利用无人机多光谱遥感技术预测大田玉米的SPAD值精度较高,但对于不同的多光谱传感器而言,同一植被指数却表现出较大的差异,其中,红波段和近红外波段组合构造的植被指数RVI,NDVI,PVI和MSR差异较大,具有较宽波段的Sequoia传感器优于窄波段的MCA;此外,对于Sequoia相机,GNDVI与RENDVI预测SPAD值的精度较高,RMSE分别为3.699和3.691;对于MCA相机,RENDVI预测精度最高(RMSE=3.742),GNDVI预测精度低于RENDVI(RMSE=3.912);两传感器中MCARI/OSAVI预测SPAD值精度均较低,RMSE分别为7.389(Sequoia)和7.361(MCA)。在所有的植被指数中,利用绿波段和近红外波构造的植被指数(G类),以及用红边波段和近红外波段构造的植被指数(RE类),预测SPAD值精度更高,均高于红外和近红外波段构造的植被指数;利用更多波段(三个及以上)组合构造的复杂植被指数,并不能显著提高预测精度。就预测模型而言,MCARI1更适用于对数模型,可有效提高预测精度, 而其他植被指数变化不显著。研究还发现,在小区水平SPAD值的预测方面,除NDVI和TVI,Sequoia相机对于不同氮肥条件下植被覆盖度、阴影和裸露土壤等环境背景因素具有较强的抗干扰能力;而对于MCA相机来说,TVI,DVI,MSAVI2,RDVI和MSAVI对环境背景因素非常敏感,预测SPAD精度低;此外,去除环境背景因素并不总是能够提高SPAD值的预测精度。本研究对于利用无人机多光谱遥感技术进行高精度的叶绿素含量预测具有指导意义,对于精准农业的推广和应用具有一定的借鉴价值。 相似文献
8.
高光谱遥感在北方农牧交错带生态界面研究中的作用 总被引:1,自引:0,他引:1
生态界面是当前生态学研究的热点,农牧交错带是中国北方特有的生态过渡带,其内部存在大量的农田、草地镶嵌体形成的界面。该生态界面变化直接影响农牧交错带生态系统的功能发挥,及时掌握该交错带的生物和非生物生态因子的变化信息,是实现该地区可持续发展的首要条件。高光谱遥感技术以其光谱分辨率高、光谱划分精细、波段多、信息量丰富等独特性能用于不同领域,在农牧交错带生物与非生物生态界面研究方面有巨大的应用潜力和前景。文章介绍了高光谱遥感技术的原理、生态界面、植被、土壤等方面的光谱应用,并对其应用在北方农牧交错带大气气候研究应用的前景进行了展望。 相似文献
9.
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 总被引:1,自引:0,他引:1
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。 相似文献
10.
光谱指数的植物叶片叶绿素含量估算模型 总被引:4,自引:0,他引:4
叶片叶绿素能够有效监测植被的生长状况,利用光谱指数反演植被叶绿素含量是目前的通用方法。实测了盐生植物光谱反射率和叶片叶绿素含量。对SPAD值进行变换,对比Pearson与VIP方法探讨盐生植被叶片叶绿素含量与植被指数的相关性并进行精度验证,从中选出最佳拟合模型。研究表明,通过对Pearson与VIP相关性分析,最终选定VIP方法建立植被指数的叶片叶绿素估算模型,NDVI705,ARVI,CIred edge,PRI,VARI,PSRI和NPCI的VIP值均大于0.8,因此选定这七个植被指数为最优植被指数;预测结果显示,所有模型的相关性都在0.7以上,预测值与实测值相关性最好的是经过倒数变换的SPAD值,R=0.816,RMSE=0.007。基于VIP方法的反演模型能较好地估算研究区植被叶绿素含量,该方法为植物叶绿素含量诊断的实际应用提供了重要的理论依据和技术支持。 相似文献
11.
高于绝对零度的物体满足Plank定律,因此红外辐射在一定程度上反映温度。红外辐射测温具有响应速度快,分辨率高,能较好的实现对微小、高速移动等不可接触测量目标的温度测量。用一种先进的双波段红外遥感光谱系统采集不同温度金属的红外发射光谱,分析和研究这些不同温度的光谱数据所具有的不同特征。在此基础上,对样本提取重心位置、波峰位置、波长λ1的值、波长λ2的值四种光谱特征,寻找温度与其之间的函数关系;并建立多元线性回归模型,通过光谱反推温度值。实验结果表明,该方法可以有效的分辨有明显温差的高温物体,在实验所测温度范围内的测温绝对误差小于30 ℃,在测量误差小于20 ℃的置信区间内有98%正确率,优于一般系统需要保证目标发射率、大气透射率、环境等效辐射温度等复杂参数高精度的情况下2%的测温精度。该方法可以简单有效的对远距离目标测温,从而进一步拓展红外光谱遥测温度的应用领域。 相似文献