基于波段组合的植被叶片盐离子估算研究

盐生植物中的盐离子是评价植物营养状况的重要指标,反映植物对盐胁迫的适应策略。以艾比湖湿地自然保护区盐生植被为研究对象,利用2016年10月7种盐生植被的叶片盐离子含量数据和对应的叶片光谱反射率数据,分析了盐离子Ca2+、K+、Mg2+和Na+与比值植被指数(RVI)、差值植被指数(DVI)和归一化植被指数(NDSI)之间的相关关系,选出最佳波段组合,建立了12种叶片盐离子与光谱反射率的估算模型,并进行精度验证,从中选出最佳拟合模型。结果表明盐生植被的叶片盐离子含量与原始光谱反射率的相关性较低,且与各波段反射率呈显著负相关的主要是Na+含量。Na+含量与DVI、NDSI和RVI构建的植被指数相关性最高,相关性均达到0.5以上,波段主要位于近红外与中红外区域。以VDVI(R1750,R1480)、VDVI(R478,R440)、VNDSI(R450,R375)和VRVI(R405,R375)为自变量构建的三次多项式分别是Na+、Ca2+、Mg2+和K+的最佳估算模型。以VRVI(R1100,R1125)为自变量构建的Na+三次多项式的模型相关系数最大(R=0.806),说明该模型的拟合度较高,预测效果较好,可用来实时监测盐生植被叶片的盐分状况,为盐生植被叶片含盐量的精确诊断提供了技术途径。     

光谱指数的植物叶片叶绿素含量估算模型

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,CI_{red 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。     

重庆市南川区土壤锰元素遥感反演

土壤中的锰元素对植物生长起着重要作用,土壤锰含量过高或者缺少都将对植物产生不良影响,因此快速监测土壤中的锰含量尤为重要。目前利用遥感技术监测土壤锰含量的相关研究主要集中在利用土壤光谱估算土壤锰含量,而对于植被常年覆盖的南方地区,难以从卫星影像中获取土壤光谱。因此,引入植被光谱,探索植被覆盖区域土壤锰元素的快速监测方法。首先从Landsat 8影像中提取11种植被光谱指标,并运用皮尔逊相关系数(Pearson correlation coefficient)结合方差膨胀因子(VIF)筛选出最佳植被光谱指标;在此基础上,利用偏最小二乘回归(PLSR)、多元逐步回归(MSR)和BP神经网络(BPNN)算法构建最佳植被光谱指标与土壤锰元素之间的光谱响应模型,分析比较三个模型的估算效果从而确定最佳反演模型;最后,基于最佳反演模型进行土壤锰含量空间制图。以重庆市南川区为例,研究结果表明：3个植被光谱指标(比值植被指数,归一化植被指数和可见光大气阻抗植被指数)被确定为土壤锰元素最佳的光谱响应指标;BPNN光谱响应模型(R²为0.78, RMSE为334.24, RPD为2.13...     

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。     

土壤光谱重建的湿地土壤有机质含量多光谱反演

土壤有机质是湿地生态系统的重要元素,利用多光谱遥感技术可大尺度、快速获取其含量信息,对保护湿地生态系统具有重要意义。然而,由于不同地物光谱混合给多光谱数据带来光谱畸变,影响湿地土壤有机质含量的反演精度。为了消除不同地物光谱混合,实现湿地土壤有机质含量的准确、实时监测,以闽江鳝鱼滩湿地为研究区,利用线性波谱分解技术对原始影像的像元进行分解,重建土壤光谱,分析原始光谱、重建光谱与土壤有机质含量的相关性后,建立土壤有机质含量的反演模型。结果表明：利用线性波谱分解技术可有效消除原始影像中的植被端元,减少大部分道路及建筑物的反射干扰,重建后的土壤光谱特征曲线更趋近于自然状态下土壤的光谱曲线,重建效果显著;通过两种光谱与土壤有机质含量的相关系数对比,重建光谱更能准确的反映土壤光谱与土壤有机质含量的相关性;运用重建光谱构建土壤有机质含量的反演模型,其预测精度优于基于原始光谱的反演模型,R2和F分别提高0.124和2.223,RMSE则降低0.106,1∶1线检验的预测值与实测值的拟合度更高,模型可行且有效。由此得出结论,利用线性波谱分解技术消除不同地物光谱混合,重建土壤光谱,一定程度上可实现在自然条件下湿地土壤有机质含量的大面积、准确检测,具有较好的实际应用价值。     

小波变换和连续投影算法在火龙果总酸无损检测中的应用

应用可见/近红外光谱技术、小波变换(WT)和连续投影算法(SPA),对火龙果总酸含量(TA)进行精确、快速的无损检测,为火龙果内部品质无损检测提供科学依据。利用Maya2000光纤光谱仪采集380～1 099 nm范围的火龙果漫反射光谱数据,通过WT消噪、SPA优选波长和偏最小二乘回归(PLSR)分析方法,建立了火龙果总酸的定量预测模型。试验结果表明：经过WT消噪联合SPA优选波长压缩光谱变量后建立的WT-SPA-PLSR模型,预测精度都高于全谱PLSR模型。由全部样本的原始光谱变量作为输入变量建立PLSR模型的预测相关系数(R_p)为0.851 394, 预测均方根误差(RMSEP)为0.086 848;全部样本的原始光谱数据使用dbN(N=2,3,…,10)小波进行分解消噪,其中消噪效果最优的是db4小波2层分解(db4-2),WT-PLSR模型的R_p为0.915 635,RMSEP为0.066 752,小波变换消噪后的光谱预测模型精度明显提高;原始光谱经过db10-3小波消噪联合SPA算法,从570个光谱变量中优选出530,545,604,626,648,676,685,695,730,897,972,1 016 nm共12个变量作为输入变量,建立WT-SPA-PLSR预测模型,模型的R_P为0.882 83, RMSEP为0.077 39。SPA算法适合火龙果TA模型的光谱变量选择,能够有效提取与总酸相关度高的波长变量,增加了预测模型的精度和稳定性。研究结果表明小波变换技术联合连续投影算法的漫反射近红外光谱无损检测火龙果总酸含量具有可行性。     

冬小麦条锈病严重度不同估算方法对比研究

为了提高遥感监测小麦条锈病病害严重度的准确性,寻找小麦病害的较优反演模型,在国家精准农业示范研究基地基于野外定位调查小麦病情指数及冠层光谱数据,利用与小麦病害发生呈显著关系且有效反映植被生理生长状况的7种高光谱植被指数,尝试分别采用PLS(偏最小二乘回归)、BP神经网络和植被指数经验法三种方法建立小麦条锈病病情反演模型,并进行比较分析。结果表明：三种方法病害严重度预测值与实测值间的R2分别为0.936,0.918,0.767。采用偏最小二乘回归方法监测小麦病情指数效果更好,为探寻不同种类植被指数对模型的贡献,尝试用代表植被绿度的NDVI, GNDVI, MSR和代表水分含量的NDWI和MSI植被指数分别作为PLS模型的输入变量,建立病害反演模型。结果表明：小麦条锈病中,叶片叶绿素含量的变化比冠层水含量的变化对病情指数更为敏感,对病害有更好的解释作用。然而,两模型精度都低于七种植被指数全部参与时的预测结果,即输入变量中采用多种植被指数比用单类指数模拟准确度高。     

基于叶片光学属性的作物叶片水分含量反演模型研究

叶片含水量是反映作物生理特性的一个重要参数,对生态环境的研究具有重要意义。采用小波分析方法,分析叶片含水量对反射率的影响特征,建立综合利用多波段信息的作物叶片水分含量反演模型。基于PROSPECT模型的辐射传输理论,推导出由叶片反射率光谱的小波系数反演叶片水分含量C_W的理论模型。利用六种常用的小波函数,对叶片组分水、干物质和白化基本层的吸收光谱进行小波分解。选取对水分变化最敏感,同时对其他组分不敏感的分解尺度和波段位置,找到能稳定突出水的光谱特征的小波系数。结果表明：bior1.5小波函数在尺度为200 nm,波段位置为1 405和1 488 nm的小波系数具有上述特征。建立由叶片反射率光谱的bior1.5小波系数反演叶片水分含量C_W的反演模型,模型有两个转换系数a和Δ都受叶片结构参数N的影响。利用PROSPECT模型生成模拟光谱数据集,校正建立的叶片水分含量反演模型中的两个转换系数a和Δ,并与LOPEX93实验光谱数据集结合验证反演模型。结果表明：反演模型不仅比传统基于植被指数的统计模型在精度上有提高(反演值与实测值的R2最高达到0.987),而且更加稳定,普适性更高。研究表明,小波分析方法在利用高光谱数据反演作物叶片水分含量方面具有独特的优势。     

基于叶片光学属性的作物叶片水分含量反演模型研究

叶片含水量是反映作物生理特性的一个重要参数, 对生态环境的研究具有重要意义。采用小波分析方法, 分析叶片含水量对反射率的影响特征, 建立综合利用多波段信息的作物叶片水分含量反演模型。基于PROSPECT模型的辐射传输理论, 推导出由叶片反射率光谱的小波系数反演叶片水分含量CW的理论模型。利用六种常用的小波函数, 对叶片组分水、干物质和白化基本层的吸收光谱进行小波分解。选取对水分变化最敏感, 同时对其他组分不敏感的分解尺度和波段位置, 找到能稳定突出水的光谱特征的小波系数。结果表明: bior1.5小波函数在尺度为200 nm, 波段位置为1 405和1 488 nm的小波系数具有上述特征。建立由叶片反射率光谱的bior1.5小波系数反演叶片水分含量CW的反演模型, 模型有两个转换系数a和Δ都受叶片结构参数N的影响。利用PROSPECT模型生成模拟光谱数据集, 校正建立的叶片水分含量反演模型中的两个转换系数a和Δ, 并与LOPEX93实验光谱数据集结合验证反演模型。结果表明: 反演模型不仅比传统基于植被指数的统计模型在精度上有提高(反演值与实测值的R2最高达到0.987), 而且更加稳定, 普适性更高。研究表明, 小波分析方法在利用高光谱数据反演作物叶片水分含量方面具有独特的优势。     

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。     

基于高光谱和BP神经网络的棉花冠层叶绿素含量联合估算

冠层叶绿素能够有效反映植被的生长状况。为了基于高光谱精确估算冠层的叶绿素含量,以棉花为研究对象,实测棉花冠层光谱反射率和叶绿素含量,然后进行原始光谱数据转换,计算高光谱参数,分析叶绿素含量与高光谱参数之间的相关关系,构建估算棉花冠层叶绿素含量的BP神经网络模型。结果表明:包络线去除处理后,冠层反射率和叶绿素含量的相关性在560～740 nm波段范围内提高了10.7%,效果优于原始光谱和一阶微分光谱得到的结果;基于原始光谱和去除包络线光谱建立的植被指数mSR、mND、NDI、DD与叶绿素含量表现出较高的相关性,相关系数均在0.8左右;在所建的BP神经网络模型中,基于包络线光谱指数建立的模型的决定系数为0.85,均方根误差和相对误差分别为1.37、1.97%,这一结果优于基于红边参数、原始光谱植被指数和一阶微分光谱指数建立的模型。本研究可为作物叶绿素含量估算的实际应用提供理论依据和技术支持。     

基于可见/近红外光谱技术的林地土壤氮含量测定

提出一种利用可见/近红外光谱技术进行杉木林土壤全氮测定的方法.利用不同方法实现了土壤光谱的预处理,并以偏最小二乘回归算法(PLS)建立土壤氮含量估测模型对其进行比较分析,发现小波除噪结合多远散射校正能最有效地消除原始光谱的噪声与背景信息,此时PLS模型校正集与预测集R2分别为0.891与0.885.为优化模型,对预处理后的光谱数据采用主成分分析法(PCA)降维,以最小二乘支撑向量机回归算法(LS-SVR)建立了土壤氮含量估测模型,其校正集与预测集R2分别提高至0.921与0.917,具有比PLS算法更高的精度.结果表明:以可见/近红外光谱技术进行林地土壤氮含量快速监测是可行的,其中小波去噪结合多元散射校正系光谱预处理的优选方法,而LS-SVR则是建模的优选方法.     

盐胁迫下匍匐翦股颖高光谱分析与电解质渗透率反演

叶片电解质渗透率是反映植物细胞渗透性的一个重要指标,对草坪草遭受盐胁迫的研究有重要意义。针对叶片电解质渗透率传统检测方法,耗时长,损伤叶片,无法大面积监测等弊端,探讨了用高光谱快速无损检测叶片电解质渗透率的方法。以匍匐翦股颖(Agrostis stolonifera)为对象,在温室中水培两周后进行浓度分别为0(对照),100和200 mmol·L-1的盐处理,7 d后按间隔7 d取样3次,共72个样。每次取样时先测量样品的光谱值,然后采用电导率法测定叶片电解质渗透率。分析匍匐翦股颖三种盐处理与光谱反射率之间的关系和差异,对三种盐处理的光谱反射率计算归一化植被指数和差值植被指数,采用差分法计算光谱反射率的一阶微分,同时计算出蓝、绿和红光的三边参数,分析叶片电解质渗透率与光谱反射率、归一化植被指数、差值植被指数和三边参数的相关性。利用叶片电解质渗透率和各光谱数据相关程度高的数据,对校正集采用一元线性回归、多元线性回归和偏最小二乘回归法构建叶片电解质渗透率反演模型,用预测集检验反演模型。结果表明：盐胁迫与叶片高光谱在450～700 nm波段呈正相关;叶片电解质渗透率与450～732 nm波段反射率在0.01水平上显著相关;三边参数中绿边幅值和绿边面积与叶片电解质渗透率显著相关;采用偏最小二乘回归法建立的反演模型精度最好,建模和反演预测的决定系数分别达到了0.681和0.758,均方根误差分别为7.124和7.079。偏最小二乘法构建的反演模型实现了盐胁迫下匍匐翦股颖叶片电解质渗透率的快速无损检测,也为采用高光谱实时监测盐胁迫对匍匐翦股颖及其同类植物的伤害提供了依据和理论参考。     

融入可见光-近红外高光谱吸收特征的新型植被指数估算天然草地FAPAR

考虑到植被可见光-近红外的光谱吸收特征与光合有效辐射吸收率(fraction of absorbed photosynthetically active radiation,FAPAR)有很好的关联,综合“高光谱曲线特征吸收峰自动识别法”与“光谱吸收特征参量化法”,提取对FAPAR敏感的高光谱吸收特征参数,借鉴可见光-近红外植被指数的数学形式,尝试用优化组合后的可见光-近红外光谱吸收特征参数替代光谱反射率,构建新型植被指数估算植被FAPAR,并利用2014年和2015年内蒙古自治区中部与东部地区天然草地典型群落冠层实测光谱数据进行FAPAR估算建模与验证。结果表明: 新型植被指数“SAI-VI”不仅有效提高了单个光谱吸收特征参数在高、低覆盖区域估算FAPAR的精度,而且相比五种与FAPAR有较好相关性的具有不同作用类型的可见光-近红外植被指数,其与FAPAR值的相关性更高(存在最大相关系数=0.801),以其为变量的指数模型预测FAPAR精度更高且稳定性较好(建模与检验的判定系数均最高且超过0.75,标准误差与平均误差系数也相应最小)。研究表明：融入可见光-近红外高光谱吸收特征的新型植被指数“SAI-VI”,强化了可见光波段与近红外波段光谱吸收特征的差别,相较单一光谱吸收特征参数,在降低土壤背景影响的同时增强了对FAPAR变化的敏感度。同时,“SAI-VI”有效综合了对植被FAPAR敏感的光谱吸收特征信息,相较原始光谱反射率,能表达植被光合有效辐射吸收特征的更多细节信息,可作为植被冠层FAPAR反演的新参数,一定程度上弥补当前植被指数法估算FAPAR的不足。     

ANFIS在植被叶绿素含量高光谱反演中的应用

利用ASD便携式野外光谱仪和SPAD-502叶绿素计实测了落叶阔叶树法国梧桐、毛白杨叶片的高光谱反射率与叶片绿度,建立了10个常见植被指数叶绿素含量估算模型,并采用相关系数较大波段作为BP人工神经网络模型(ANN-BP)的输入变量进行了叶绿素含量的估算,将自适应神经模糊推理系统(ANFIS)应用到植被叶绿素含量高光谱反演中。结果表明:10个常见植被指数中归一化植被指数可以较为精确反演叶绿素含量,法国梧桐、毛白杨归一化植被指数回归模型确定性系数R2分别为0.795 7和0.754 6,法国梧桐、毛白杨ANN-BP预测值与实测值之间的线性回归的确定性系数R2分别为0.935 2和0.917 1,ANFIS可以大大提高反演精度,法国梧桐、毛白杨预测值与实测值之间的线性回归的确定性系数R2分别为0.9998和0.995 6,是一种良好的植被叶绿素含量高光谱反演模式。     

基于灰色关联法的春小麦叶片含水量高光谱估测模型研究

利用高光谱植被指数反演植被水分含量时,快速、准确的找到实测光谱数据与植被水分相关性最高的植被指数是研究的重点。在农田尺度上,以春小麦野外光谱数据与叶片含水量的定量关系为基础,通过灰色关联度分析,筛选出与叶片含水量灰色关联度较高的5种典型的水分植被指数,并建立了估算春小麦叶片含水量(LWC)的偏最小二乘回归(PLSR)模型和BP神经网络(back propagation artificial neural networks, BP ANN)模型。结果表明：(1)光谱一阶导数可以有效去除噪声影响并突出光谱特征信息,尤其是在750～830,1 000～1 060和2 056～2 155 nm等区间明显提高了与LWC的相关性。(2)灰色关联法能够较好的表征各水分植被指数与叶片含水量间的关联性,其中基于原始光谱建立的前5个水分植被指数都是两波段比值植被指数,基于光谱一阶导数建立的水分植被指数基本上都是两波段归一化差值植被指数。(3)所建立的两种模型中,基于光谱一阶导数建立的PLSR和BP神经网络模型R2分别为0.80和0.81,稳定性基本相同且都较好;两种模型RMSE都是0.55,RPD分别为2.01和1.41,说明PLSR模型的预测精度比BP神经网络模型高。从模型的验证效果来看,PLSR模型在估算春小麦叶片含水量方面有一定的优势,为高光谱定量反演春小麦叶片含水量提供一定的参考。     

基于光谱分析的草地叶绿素含量估测植被指数

对现有叶绿素遥感估测研究方法进行比较,确定植被指数法是其中最实用、普适性最强的研究方法。近年来,草地退化问题日益严峻,需要进一步从光谱分析、植物生化参数估测的角度加以研究,因而亟需建立一种用于反演草地植被叶绿素含量的植被指数。首先对四川省松潘草原和内蒙古自治区贡格尔草原的草地实测反射率光谱曲线及其一阶微分曲线进行分析,通过这两种光谱与叶绿素含量的相关性分析,找到红边区域（red-edge position, REP）与草地叶绿素含量之间的规律,即叶绿素含量越高,反射率一阶微分曲线的红边拐点（red-edge inflection point, REIP）取值越高,由此构建草地叶绿素含量估测植被指数（grassland chlorophyll index, GCI）,选取最适宜反演的波段,最后采用卫星高光谱影像计算GCI,将计算结果与野外试验观测的叶绿素含量数据进行精度分析验证。结果证明,对于草地叶绿素含量来说,GCI比其他叶绿素指数的敏感性更强,具有较高的草地叶绿素含量估测精度。GCI是第一个针对草地叶绿素含量估测而被提出的植被指数,其对遥感反演草地叶绿素含量具有广泛应用潜力。同时这种基于光谱分析的草原植被叶绿素含量估测方法为其他的草原植被生化参数估测、草原植被生长状况评价以及草地生态环境变化大面积监测提供了新的研究思路。     

大豆不同水氮胁迫响应规律的高光谱分析

大豆胁迫的快速无损检测对提高大豆品质和产量至关重要,近年来,通过高光谱技术进行植物胁迫的检测得到广泛应用,但针对大豆水氮胁迫的应用研究鲜有报道。针对开花结荚期大豆设置了4种水分和5种氮素水平进行胁迫实验,获取高光谱、叶绿素含量和净光合速率生理信息数据,并通过光谱数据计算了15个光谱植被指数,最终选取了5种植被指数,分别为归一化差异植被指数NDVI、比值植被指数RVI、绿色归一化差异植被指数GNDVI、改进红边归一化指数mNDVI705和叶绿素指数LCI以指示水氮胁迫对大豆的影响。同时通过建立单叶叶绿素含量和净光合速率反演模型进行大豆生理信息的预测,采用相关分析法提取敏感波段,所提取的敏感波段分别为520～622和485～664 nm;采用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数(FD)、二阶导数(SD)和Savitzky-Golay平滑(S-G)预处理方法,同时采用主成分分析(PCR)和偏最小二乘(PLS)2种建模方法,将其按一定关系组合成多种方法,以相关系数为模型评价指标,寻找出最优预处理与建模方法的组合。结果表明:未受胁迫和受胁迫大豆的高光谱曲线具有整体变化趋势一致但光谱反射率值不同的特征,未受胁迫大豆的反射率在500～700 nm波段具有最低值,在760～900 nm波段具有最高值;随着水氮胁迫程度的增加, 500～700 nm波段的反射率逐渐增加。不同水分和氮素水平对植被指数的影响不同,但变化规律一致, 5种植被指数均表现为未受胁迫大豆大于受胁迫大豆,且随着水氮胁迫程度的增加,植被指数值逐渐减小。建立反演模型所用最优方法组合为MSC+FD+S-G+PLS和SNV+SD+S-G+PLS,校正集相关系数分别为0.960 6和0.992 7,预测集相关系数分别为0.972 0和0.970 8,表明所建模型的精度较高,可对受胁迫和未受胁迫大豆单叶叶绿素含量和净光合速率生理信息进行精准预测,为大面积种植时检测其生理信息提供技术支持。     

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。     

宁夏盐池荒漠植物光谱特征分析及光谱识别

宁夏盐池县荒漠草地属于中温带干旱气候,由于过度利用出现不同程度的退化,退化指示种比重增大,造成不同荒漠草地群落组成差异也很大,如何区别不同荒漠草地植物,并据此对退化指示种进行动态监测是了解荒漠草地退化程度的关键。目前随机森林（RF）、支持向量机（SVM）与K-邻近（KNN）分类模型被广泛应用于森林植物和农作物的遥感分类,并取得了较好的分类识别效果,但针对草地尤其是荒漠草地植物的分类识别研究较少。因此使用ASD地物光谱仪于7月在宁夏盐池二步坑、冯记沟、高沙窝、麻黄山不同荒漠草地采集了32种植物作样本获得442条光谱进行光谱特征分析。筛选出7个植被指数：归一化植被指数705（NDVI₇₀₅）、绿通道植被指数（GNDVI）、光化学植被指数（PRI）、土壤调节植被指数（OSAVI）、可视化气压阻抗指数（VARI）、植被衰减指数（PSRI）和归一化水指数（NDWI）作为随机森林模型（RF）、支持向量机（SVM）模型、K-邻近（KNN）模型的原始变量,对32种荒漠草地植物进行分类识别,并通过分类模型精度的比较筛选较优模型。结果表明：(1）不同植物光谱反射率均符合绿色植物特征,但各植物原始光谱不同波段之间存在明显差异,植物原始光谱水分吸收波段差异明显,且有红边蓝移现象;(2）RF,SVM和KNN三个分类模型对32种植物的分类精度分别达到了0.98,0.94和0.98,识别效果较好,但3种分类模型均对白莲蒿与北芸香、虫实与甘草发生了误判;(3）随机森林模型重要性指标中NDWI与PRI为区分荒漠草地植物的关键指标,说明荒漠植物冠层水分与类胡萝卜素含量是影响荒漠草地植物光谱分类的重要因素。试验利用随机森林模型（RF）、支持向量机（SVM）与K-邻近（KNN）分类方法,建立了主要植物的分类模型。