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。     

基于实测高光谱和电磁感应数据的区域土壤盐渍化遥感监测研究

以新疆渭干河—库车河三角洲绿洲为例,利用实测得到的不同盐渍化程度的盐渍土高光谱数据和电磁感应数据(EM38)协同构建土壤高光谱盐分指数遥感监测模型,将该模型通过尺度效应转换用于校正传统的Landsat-TM多光谱遥感影像的土壤盐分光谱指数,用校正过的TM影像进行区域土壤盐分的反演,并利用实测土壤盐分数据对反演结果进行分析与验证。结果表明：将高光谱和电磁感应数据与多光谱遥感技术相结合进行区域土壤盐渍化信息的提取,其精度和反演效果(R2=0.799 3,p<0.01)明显优于传统多光谱遥感方法中单纯利用土壤盐分指数所建立的监测模型(R2=0.587 4,p<0.01),为今后更好地实现土壤盐渍化的高精度遥感动态监测研究提供了科学依据。     

盐碱地利用障碍因子高光谱遥感反演研究

选取陕北拌沙改良盐碱地为研究对象,对盐碱地利用障碍因子进行高光谱遥感反演研究。通过实测研究区域的作物长势,采集土壤样品和土壤高光谱数据,并实验测定土壤理化性质分析盐碱地利用的障碍因子,研究盐碱地利用障碍因子的高光谱特征,建立其遥感定量反演模型,并进行精度检验。研究结果表明：土壤盐分含量是制约改良盐碱地利用的主要障碍因子,毛管孔隙度与土壤盐分含量具有良好相关性,也可以作为障碍因子之一;利用土壤的高光谱数据对土壤全盐含量及毛管孔隙度进行遥感定量反演具有良好的精度(回归分析决定系数R2分别为0.938和0.973);检验样点精度检验结果表明,盐分含量及毛管孔隙度的实测值与预测值均具有良好的相关性(k均接近于1,R2分别为0.840 4和0.796 5),反演精度较高。通过高光谱数据对盐碱地改良利用的障碍因子进行遥感定量反演,对于指导盐碱地的整治改良和利用具有重要的推动作用。     

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。     

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。     

基于离散萤火虫算法的近红外波长优选方法研究

近红外光谱数据量大,需要进行压缩,以降低建立光谱校正模型的计算复杂度,提高模型精度和稳健性。为此,提出了一种基于离散萤火虫算法(discrete firefly algorithm)的近红外光谱波长变量筛选方法。首先采用蒙特卡罗方法剔除异常值,并应用Kennard-Stone法进行校正样本的选择。对通用萤火虫算法进行离散化处理,改进了吸引度的自适应公式,在移动公式中增加了牵引权重,以适应离散化处理的影响和优化算法,并在离散萤火虫算法中加入精英保留策略,加快算法的收敛速度。实验中找到DFA算法中的各项参数中的最佳值。通过离散萤火虫算法优选波长变量,建立发酵液中丁二酸含量的近红外光谱偏最小二乘回归(partial least squares regression)校正模型。与标准遗传算法(genetic algorithm)优选波长方法进行了比较。结果显示,基于离散萤火虫算法的波长优选方法所建立的PLS校正模型,其校正集的相关系数(R2_c)为0.986,RMSEC为0.409,预测集的相关系数(R2_p)为0.969,RMSEP为0.458,模型稳健性和精度都要优于全光谱建模以及遗传算法波长优选方法。显示了DFA在近红外光谱数据筛选方面的优越性。     

基于定量遥感反演的内陆水体藻类监测

叶绿素作为衡量湖泊富营养化的重要指标,利用遥感技术对其进行实时动态监测具有重要意义。以太湖为例,通过对水体实测光谱和水质采样数据的分析,建立了光谱反射率比值与叶绿素a浓度的回归模型。结果显示,700 nm附近波段与625 nm附近波段所构建的比值模型R2最高,710 nm以后波段与其他可见光波段所构建的比值模型的R2会随可见光波长的增大而逐渐下降。在高光谱遥感估算模型的基础上,应用同步MODIS卫星遥感数据进行了太湖叶绿素a浓度的空间分布反演,并基于MODIS绿度指数建立了太湖藻华水体信息提取模型,从叶绿素a浓度估算和藻华信息提取两个方面实现了太湖藻类空间分布特征的定量反演,为太湖等大型内陆水体藻类的实时定量遥感监测提供了新的研究思路。     

雪粒径高光谱遥感估算模型研究

雪粒径是影响全球/局地能量收支和表征积雪水热状态的重要参数,大面积监测和估算雪粒径的分布及大小对于全球/局地气候变化和水资源管理具有重要意义。目前遥感技术已成为大面积监测和估算雪粒径的重要手段。针对雪粒径的遥感监测与估算,该研究采用辐射传输模型模拟雪面可见光-近红外波段的光谱曲线,经过分析光谱曲线并结合一阶微分和累计差异值选取对雪粒径敏感的波段和积雪指数,建立单变量雪粒径高光谱遥感估算模型,并用地面实测数据进行验证,结果表明,单波长1 030 nm,1 260 nm和归一化差值积雪指数(460和1 030 nm)构建的估算模型预测精度较高,雪粒径估算值与实测值的相关斜率分别为1.37,0.61和0.62 ,R2分别为0.82,0.86和0.93,RMSE分别为55.65,50.83和35.91 μm,可用于雪粒径的估算研究。研究成果为雪粒径的高光谱遥感反演提供科学依据。     

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。     

ASTER与Landsat ETM+植被指数的交互比较

在中尺度对地观测系统中,Landsat和ASTER数据无疑是使用得最多的遥感影像数据,但是长期以来二者植被指数之间的定量关系并不清楚.因此,利用三对同日过空的Landsat ETM+和ASTER影像来考察二者植被指数(NDVI、SAVI)之间的定最关系,重点查明二者之间的差异.通过将ETM+与ASTER影像的多光谱波段...     

基于多源卫星多光谱遥感数据的过火面积估算研究

露天生物质燃烧是重要的大气污染物排放源,导致空气质量恶化并引起气候变化。卫星遥感数据能够提供大尺度、多时相的监测信息,然而燃烧火点监测和火烧迹地监测两种方式都存在着局限性。以美国东南部地区为研究区域,通过结合卫星遥感获取的高分辨率燃烧面积数据及多时相的燃烧火点数据,建立时空匹配模型估算露天生物质燃烧过火面积。通过分析植被燃烧前后的光谱变化特征,基于高分辨率的Landsat-5 TM4波段(0.84 μm)与7波段(2.22 μm)数据, 利用差分归一化燃烧比(dNBR: the differential normalized burn ratio)提取燃烧面积数据;而燃烧火点数据则通过分析燃烧植被的热红外光谱特征利用MODIS 4与11 μm波段数据提取。结果显示,该地区燃烧面积与燃烧火点数量之间相关系数达0.63,并且二者之间的比例关系随植被类型而发生变化,林地、草地、灌木、耕地和沼泽五种植被类型对应的像元燃烧面积分别为0.69,1.27,0.86,0.72和0.94 km2。通过与美国火灾中心(national interagency fire center, NIFC)地面调查数据比对,模型估算的美国东南部过火面积数据较为精确,而同期的MODIS燃烧面积产品(MCD45)及燃烧源清单产品(global fire emissions database, GFED)遗漏了该区域大量的小面积燃烧事件。因此,本研究建立的过火面积估算模型能够提供更为精确的排放源参数信息,有利于区域空气质量模式准确地模拟露天生物质燃烧排放状况。     

MODIS植被指数监测农业干旱的适宜性评价

MODIS传感器提供的短波红外光谱波段为农业干旱遥感监测带来了新的机遇,因为它对植被水分十分敏感。本文选择中国东北松嫩平原为研究区,旱田为农业干旱的监测目标。基于2001—2010年的8天合成MODIS产品（MOD09A1）,分别计算了四种基于可见光和近红外光谱的植被绿度指数和四种基于近红外和短波红外光谱的植被水分指数,并以多尺度标准化降水指标(SPI)为判别植被指数农业干旱敏感性的标准,利用一种气象站点与象元配对关联的方法计算了不同植被指数与多尺度SPI的皮尔逊相关系数。研究表明,在农业干旱监测敏感性方面,MODIS植被水分指数（NDII6和NDII7）明显好于植被绿度指数。其中NDII7的表现最为出色,研究证实了MODIS短波红外光谱在监测农业干旱方面的潜力,为今后相关研究提供了新的见解。     

基于光谱分析与角度斜率指数的植被含水量研究

植被含水量是植被生长状态的重要指示因子,是农业、生态和水文等研究中的重要参数,其诊断对于监测自然植被群落的干旱状况、预报森林火灾等都具有重要意义。通过对植被光谱反射率与植被含水量的相关性分析,发现植被波谱不同波段的光谱反射率与植被含水量的相关性差异很大,其中可见光红光波段(620～700 nm)、近红外波段(800～1 350, 1 600～1 950, 2 200～2 400 nm)的光谱反射率与植被含水量具有较好的相关性,选取了660,850,1 630和2 200 nm的光谱反射率作为RED,NIR,SWIR1和SWIR2的波段值来建立角度斜率指数;分析了植被含水量与角度斜率指数的关系,将角度斜率指数(SANI,SASI,ANIR)作为反演植被含水量的参量,建立植被含水量与角度斜率指数之间线性回归模型。通过对近红外角度指数ANIR改进,提出了近红外角度归一化指数NANI(near infrared angle normalized index)与近红外角度斜率指数NASI(near infrared angle slope index),建立植被含水量与NANI和NASI之间线性回归模型,结果显示：NANI与Palacios-Orueta等提出的角度斜率指数(SANI,SASI,ANIR)相比有一定的优势,模型可决系数R2从原最高0.791提高到0.853,RMSE也从原最小0.047降低到0.039。确定了NANI为反演植被含水量的最佳角度斜率指数,并建立了植被含水量反演模型。该研究主要创新点：在前人研究成果基础上,通过对原角度斜率指数的改进,提出了NANI和NASI角度斜率指数,使其在植被含水量反演上具有更高的精度。     

雪-土混合像元微观/宏观尺度光谱混合机制差异分析

为探索微观和宏观尺度下混合像元光谱混合机制的差异,在人工设置试验环境下,以人工制作雪-土混合像元表征微观尺度混合像元,固定全波段光谱仪探头距离,完成不同面积比的雪-土混合像元和雪、土端元反射光谱的采集,并对采集得到的光谱数据进行全波段反射光谱、350～2 500 nm归一化反射光谱和剔除噪声后350～1 815 nm再归一化反射光谱数据定性定量分析。同时,分析同期MODIS和环境与灾害监测卫星B星(HJ-1B CCD/IRS)影像中可见光、近红外和短波红外通道反射率相关性及MODIS影像中雪-土混合像元光谱与端元光谱的关系。结果表明;(1)微观尺度时,全波范围内混合像元反射光谱与端元光谱存在非线性关系,分波段范围内存在线性关系;(2)宏观尺度时,可见光范围内,CCD 1,2,3通道与MODIS 3,4,1通道相关系数在0.76～0.89间;短波红外范围内,IRS通道2与MODIS通道6相关系数为0.35。(3)MODIS影像中雪-土混合像元光谱与端元光谱关系为混合像元与雪端元光谱间正线性相关,与裸土端元光谱负线性相关。     

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。     

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。     

基于HJ-1-CCD数据的地表反射率反演与验证

环境一号卫星OCD相机(HJ-1-CCD)30m的空间分辨率在地物识别中具有潜在优势,然而由于缺少短波红外通道,利用暗像元法反演地表反射率较为困难.基于北京与珠三角地区的地物光谱试验,获得暗像元的植被指数与红、蓝波段反射率比值,构建基于辐射传输模型的大气校正算法.为了验证算法精度,将北京地区卫星反演值与实测的草坪、水体...