小麦叶面积指数的高光谱反演

以高光谱遥感技术实现了小麦叶面积指数(leaf area index,LAI)的反演.对18种高光谱指数进行了比较分析,筛选出了可敏感反映小麦LAI的高光谱指数OSAVI,并以地面光谱数据为样本建立了小麦LAI的反演模型.分析表明,指数OSAVI所建立的反演模型校正集与预测集R2分别达0.823与0.818,在各指数中反演精度最高.利用反演模型逐象元对OMIS影像进行解算,实现小麦LAI的空间量化表达,并将反演结果与地面实测值进行回归拟合,发现两组数据的拟合模型R2达0.756,RMSE为0.500,具有较高的相似度.结果表明:以高光谱指数进行小麦LAI的反演是可行的,且OSAVI为优选指数.     

PROSAIL冠层光谱模型遥感反演区域叶面积指数

大面积区域作物叶面积指数遥感反演,对指导作物管理具有非常重要的意义,验证和发展基于物理叶面积指数遥感反演可避免基于经验模型的缺点。以北京地区青云店、魏善庄和高丽营为研究区,采用MODIS和ASTER两类不同空间分辨率遥感数据,探讨PROSAIL物理模型反演冬小麦叶面积指数的可行性,尤其在不同空间分辨率遥感数据上的稳定性,并与经验模型进行了对比分析。 与经验模型相比,物理模型模拟LAI值更具真实性;用线性组分加权的方法,对小尺度物理模型反演LAI进行尺度扩展并与基于大尺度遥感数据的LAI物理反演结果相对比,相差不大,说明LAI物理反演方法在空间尺度上的稳定性。     

基于高光谱数据和模型反演植被叶面积指数的进展

植被叶面积指数(Leaf Area Index , LAI)是陆面过程中影响陆-气交换的重要参数,也是表征植被冠层结构最基本的参量之一。准确而快速地获取LAI是植被-气候相互作用、植被生态和农作物估产研究不可缺少的工作。本文首先针对LAI和高光谱遥感进行概述,然后从不同平台高光谱传感器数据和不同反演方法两个角度总结了国内外近些年来高光谱遥感LAI的研究进展,最后分析了高光谱遥感反演LAI的未来发展方向。     

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。     

遥感反演时间序列叶面积指数的集合卡尔曼平滑算法

基于MODIS LAI产品数据集(MOD15A2)构建经验性的LAI动态模型,以LAI作为连接参数,将LAI动态模型与植被辐射传输模型MCRM2相耦合,提出了将耦合模型与时间序列MODIS反射率观测数据集(MOD09A1)同化进行LAI反演的方案.将集合卡尔曼平滑(EnKS)方法引入到LAI同化反演中,为更好地评价该算...     

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。     

GF-6 WFV光谱植被指数模型的叶面积指数反演

农业是国家经济发展的基础支柱,同时也是社会发展的基础产业。我国农业遥感技术的进步和发展,大量遥感卫星发射升空,如高分1号、 2号和6号等,为我国农情监测、作物长势、农业产业结构调整提供了重要技术支撑。农业遥感成为农业科技创新和精准农业的重要手段。叶面积指数(LAI)是一种可用来衡量植被冠层生理与生化的关键指标,不仅可以用来评估植被冠层表面的最初能量交换情况,提供相应的结构定量数据,还能反映植被冠层的光谱能量信息。同时,在陆地气候变化情况下,叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。此外,研究发现植被冠层受人为活动和气候变化的直接或间接影响时,叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。因此,针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、稳定性较弱的问题。基于GF-6 WFV遥感影像以栾城县为试验区,通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数,采用R²和RMSE进行模型评价,同时利用未参与建模的实测叶面积指数和MODIS LAI产...     

洪涝胁迫的水稻叶面积指数变化及其光谱响应研究

通过水稻淹水实验模拟洪涝胁迫状态,分析不同生育期、不同洪涝胁迫强度下的水稻叶面积指数变化及其冠层高光谱响应规律,建立洪涝胁迫下水稻叶面积指数(LAI)的估测模型。结果表明,分蘖期、拔节期、抽穗期水稻LAI均随淹水深度的增加而降低;水稻冠层680~760 nm光谱的一阶微分具有“双峰”现象,主峰位于724~737 nm,701和718 nm有次峰出现,并随淹水深度的增加出现“三峰”;冠层红边位置在各个生育期出现“蓝移”,红边幅值、红边面积在分蘖期、拔节期、灌浆期均呈现“蓝移”,在抽穗期出现“红移”;生育前期水稻LAI与光谱特征参量存在显著相关,生育后期相关性不显著;最后以D_λ737/D_λ718光谱参量建立了水稻生育前期的LAI估测模型。表明在洪涝胁迫下,水稻LAI的变化幅度直接反映胁迫强度的大小,估测模型LAI=3.138(D_λ737/D_λ718)-0.806可用于估测洪涝胁迫不同强度下的水稻叶面积指数。     

基于支持向量机的水稻叶面积指数高光谱估算模型研究

为了研究支持向量机(SVM)对于作物农学参数高光谱估算的能力,通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻在不同生长期的冠层高光谱反射率(350～2 500 nm)。依据Ladsat-5的TM传感器波段宽度,将高光谱反射率转换为10种不同的植被指数。利用所有样本的植被指数和水稻叶面积指数(LAI),通过不同统计模型的模拟分析,依据模型的R2选取了三种相关性较高的统计关系(包括NDVI_green的指数关系、TCARI/OSAVI的乘幂关系和RVI₂的乘幂关系)。对这三种关系,通过具有不同核函数的SVM模型和相应统计模型对LAI进行估算。结果表明：所有的SVM模型都具有较低的均方根误差值,估算精度都高于相应的统计模型;基于TCARI/OSAVI的POLY核SVM具有最高的估算精度,其RMSE比相应的统计模型降低近11个百分点。因此,SVM方法用于水稻LAI高光谱估算具有良好的学习能力和鲁棒性。     

联合MODIS与MISR遥感数据估算叶面积指数

多光谱传感器MODIS与多角度传感器MISR同时搭载在美国EOS观测计划的Terra卫星上,不同的观测方式使得两个传感器的数据组合后形成互补的多光谱多角度观测数据集,为地表参数的遥感估算提供了更多的对地观测信息.该文通过研究组合MODIS与MISR两种观测数据估算陆地表面植被覆盖区域叶面积指数的方法,发展了在物理模型反演的框架内引入基于伴随模型和信赖域优化的反演模式,改进了叶面积指数的遥感估算效果,提高了模型反演的运算速度.对试验区反演结果的验证说明融合两种数据源可以提高叶而积指数的估算精度.基于伴随模型和信赖域优化的地表参数反演方法,为应用于大范围遥感图像数据的模型反演提供了一种有效的途径.     

基于Sentinel-2卫星数据的水稻叶片叶绿素含量反演研究

叶绿素含量是评价农作物健康状况、生产能力和环境胁迫的重要指标,实时、快速、准确获取农作物叶片叶绿素含量对监测农作物生长状况具有重要意义.遥感是获取区域和全球农作物叶片叶绿素含量的有效途径,但已有的作物叶片叶绿素含量遥感反演研究未充分考虑下垫面背景的干扰,影响了反演精度.为此,以Sentinel-2遥感卫星影像为数据源,...     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

无人机高光谱波段选择的叶面积指数反演

叶面积指数(LAI)是评价作物长势和作物产量的重要参数.为有效利用高光谱信息,优选出最佳波段进而构建新型双波段指数来提高LAI估测精度,以冬小麦为研究对象,获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据,开展冬小麦LAI反演研究.首先采用连续投影算法(SPA)、最佳指数法(OIF)以及逐波段组合法(E)分别进行无...     

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。     

最小二乘支持向量机方法对冬小麦叶面积指数反演的普适性研究

冬小麦叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一,高光谱遥感技术为大面积、快速监测植被LAI提供了有效途径。在探讨利用最小二乘支持向量机(least squares support vector machines, LS-SVM)方法和高光谱数据对不同条件下冬小麦LAI的估算能力。在用主成分分析法(principal component analysis, PCA)对PHI航空数据降维的基础上,利用实测LAI数据和高光谱反射率数据,构建LS-SVM模型,采用独立变量法,分别估算不同株型品种、不同生育时期、不同氮素和水分处理条件下的冬小麦LAI,并与传统NDVI模型反演结果对比。结果显示,每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。NDVI模型对不同株型品种、不同氮素和水分条件下冬小麦LAI估算精度不稳定,LS-SVM则表现出较好的稳定性。表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。