基于CHRIS/PROBA的植被叶面积指数估算模型研究

选用江西省余干县多角度高光谱遥感数据CHRIS/PROBA,提取了5种植被指数(VI),即归一化植被指数(NDVI)、垂直植被指数(PVI)、调整土壤植被指数(MSAVI)、比值植被指数(RVI)、大气阻抗植被指数(ARVI),与地面实测的植被叶面积指数进行了回归分析,建立300个LAI-VI关系模型。结果表明:在所有的模型中,从5个角度来看,0°提取叶面积指数效果最好,R2=0.591,RMSE=0.650;-55°提取叶面积指数效果最差,R2=0.551,RMSE=0.821;从植被类型来看,针阔林最好,其次为阔叶林、灌木、针叶林和草地;从植被模型种类来看,指数模型好于一次回归模型;从植被指数来看,PVI最好,其次为MSAVI、NDVI、RVI、ARVI。在LAI-VI关系建模过程中,基于多角度高光谱遥感数据提取植被指数,有利于充分挖掘遥感影像信息,能够提高LAI估算精度。     

基于热暗点植被指数的马尾松林叶面积指数反演分析

为了减少单一角度卫星遥感与传统植被指数在LAI反演过程中的误差，提升马尾松林LAI反演精度，以福建省龙岩市长汀县河田镇马尾松林为研究对象，获取多角度无人机影像和马尾松林LAI实测数据。根据研究区不同波段热暗点指数、植被指数与实测LAI的相关关系，优化热暗点植被指数构建马尾松林LAI反演模型。结果表明，基于红光波段反射率计算的热暗点比值指数HDRI-r（R²=0.398）是研究区马尾松林LAI反演的重要辅助参数；将HDRI-r引入表征研究区冠层结构的传统植被指数NDVI、GNDVI、RVI、MSAVI、NRI、SIPI、VARI，构建的热暗点植被指数NHDRI与实测马尾松林LAI相关性最高，R²为0.406 5；引入热暗点信息的植被指数（NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI）与实测LAI的拟合R²均>0.37，相较于对应的传统植被指数，R²分别提高了82%、333%、295%、161%、1 409%、380%、192%，热暗点信息与传统植被指数的结合能够缓解植被冠层光饱和现象，有效提高马尾松林LAI反演精度；研究区马尾松林LAI范围为0.11~4.28 m²/m²，总体水平偏低，与当地马尾松林以枝叶稀疏、矮小的“老头松”为主的实际情况相符。     

不同生育期冬小麦叶面积指数高光谱遥感估算模型

基于地面实测的冬小麦的生理生态参数数据和冠层光谱数据,分析返青期、拔节期、抽穗期、开花期冬小麦叶面积指数与原始光谱及其一阶微分的相关性,并构建基于等效TM数据的植被指数,建立不同生育时期的冬小麦叶面积指数(LAI)的高光谱遥感估算模型。结果表明:(1)返青期、拔节期、抽穗期的冬小麦LAI与原始光谱相关性较好,在400~720 nm波长范围内呈负相关,在720~900 nm之间呈正相关,开花期的冬小麦LAI与冠层光谱相关性较差;(2)返青期、拔节期冬小麦LAI与光谱一阶微分显著相关,分别在480~540 nm、550~580 nm形成波峰、波谷,在670~760 nm范围内形成"平台",相关系数达到0.8以上,但抽穗期、开花期LAI与光谱一阶微分的相关性较差;(3)在等效植被指数与返青期、拔节期和抽穗期LAI建立的回归模型中,分别使用m SRI、RVI与MSAVI2建立的幂函数模型或指数模型最佳,最优模型分别为y=0.053e4.962x,y=0.409x0.828,y=18.687x3.061,对应的r2分别为0.589、0.648、0.694,开花期不适宜使用等效植被指数建立遥感监测模型。     

基于便携式作物生长监测仪的水稻生长指标光谱监测研究

为验证作物生长监测仪无损监测水稻各项长势指标的准确性,并建立基于CGMD302作物生长监测光谱仪的水稻叶面积指数、生物量、氮积累量的监测模型。本研究通过实施5个氮素水平的水稻田间实验,采用甬优538和浙优18 2个水稻品种,利用仪器监测水稻冠层从分蘖期至灌浆期归一化植被指数(NDVI)和比值植被指数(RVI),同步测定水稻叶面积指数、生物量和氮积累量3个农学参数,分析水稻叶面积指数、生物量、氮积累量随移栽后天数的动态变化,分别建立了叶面积指数、生物量、氮积累量与作物生长监测仪所测得光谱参数之间的预测模型。结果发现,水稻叶面积指数、干物重和氮积累量随施氮水平的增加而增大,随移栽后天数的增加逐渐变大。甬优538和浙优18在各个生育时期NDVI、RVI与叶面积指数、生物量、氮积累量的R²值均在0.7以上,具有极显著的相关性。构建的全生育期NDVI、RVI与叶面积指数、生物量和氮积累量呈指数函数关系,R²值均在0.75以上。因此,本研究所采用的作物生长监测仪器可用于准确地获取水稻冠层的NDVI和RVI,实时有效地反映和监测水稻的生长状况。     

基于PROSAIL模型的山地草原叶面积指数高光谱反演

【目的】 研究基于PROSAIL模型监测天然草地的动态变化,掌握草地的质量与数量。【方法】 研究使用地物光谱仪连续3年在天山北坡中段的2个山地草原样区采集光谱数据和配套数据,基于PROSAIL模型进行冠层LAI的高光谱反演,重点研究应用不同代价函数、植被种类变化对反演精度的影响。【结果】 多数代价函数反演LAI的决定系数(R²)在0.54~0.55,均方根误差(RMSE)在0.23~0.25,归一化均方根误差(NRMSE)在17~19。在9个来自不同统计类型的代价函数中,常用的RMSE代价函数的反演精度相对不高。将获取的427个样方数据依据种类数分成组,然后用PROSAIL进行LAI反演。种类数越多,RMSE在增大,R²在减少,反演精度越差。但精度的下降幅度不是均匀的,种类数≤2的组和种类数≤3的组之间精度差异最大。【结论】 在利用物理模型反演天然草地的叶面积指数时,不同代价函数获得的反演精度差别比较大;随着植被种类数量的增多,反演的精度是下降的。     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

基于新型植被指数的冬小麦LAI高光谱反演

【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。     

基于波段组合优化光谱指数的冬小麦LAI估算

叶面积指数（LAI）是表示植被利用光能状况和冠层结构的一个综合指数,与作物产量密切相关。高光谱遥感数据具有连续、高光谱分辨率等特点,为估算农作物生理生化参数和冠层结构参数提供了重要手段。为挖掘高光谱数据估算LAI的最优波段组合以及提高估算精度,以冬小麦作为研究对象,野外实测不同生长阶段（起身、拔节、开花阶段）的冠层高光谱数据,并对其进行不同数学变换处理,包括原始光谱、一阶导数光谱和连续统去除。利用3种不同预处理的冠层高光谱数据构建30种常用植被指数和4种优化光谱指数,比较常用植被指数与优化光谱指数对冬小麦LAI的响应,建立估算冬小麦LAI的单变量和多变量回归模型,对其进行精度验证,并筛选出最优估算模型。结果表明,随着生育期的推进,可见光波段范围内,冬小麦冠层光谱反射率较低、吸收较强,LAI对连续统去除光谱的影响较大,呈负相关;近红外波段范围内不同生育期间的差异较大,随着LAI的增大,冠层光谱的红边位置出现了“红移”现象;基于一阶导数的优化植被指数（NDSI和RSI）与LAI相关系数达到0.8;从估算模型来看,基于一阶导数的RSI_{（627 nm, 774 nm）}单变...     

基于全局敏感性分析与机器学习的冬小麦叶面积指数估算

在小麦叶面积指数(leaf area index,LAI)的估算过程中,光谱变量与机器学习算法(MLs)相结合的方法具有较好的性能,但由于输入参数过多会导致数据冗余,使得计算效率降低。为了提高LAI估算的精度和MLs的计算效率,本研究提出了全局敏感性分析(global sensitivity analysis,GSA)与MLs相结合的方法(简称GSA-MLs)。首先,基于PROSAIL模拟数据集,利用GSA量化植被生长参数对Sentinel-2光谱变量的影响;此外利用4种变量筛选策略对所有光谱变量进行排序,并选择最优变量作为MLs的输入参数。然后,通过偏最小二乘回归(partial least square regression,PLSR)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)3种MLs对小麦叶面积指数(LAI)进行估算。结果表明:红边植被指数主要受叶绿素含量的影响,而短波红外相关的植被指数主要受等效水厚度的影响,所有光谱变量均会受到参数之间的交互作用。SLAI-SInteraction筛选得到的30个光谱变量在估算小麦LAI表现最佳(R²=0.94,RMSE=0.38)。并且在模型反演过程中运行时间缩短了54.13%。本研究提出了全局敏感性分析与机器学习相结合的方法,该方法提高了机器学习法估算LAI精度以及应用过程中的计算效率和机理性,该方法有较好的适用性。     

棉花高光谱植被指数与LAI和地上鲜生物量的相关关系研究

通过测试棉花关键生育阶段350～2 500 nm波段的冠层高光谱数据,用近红外波段760～850 nm及红光波段650～670 nm的2个范围内的波段,组成了高光谱归一化植被指数(NDVI)和800和670 nm两个波段组成修改型二次土壤调节植被指数(MSAVI2),分别与棉花叶面积指数(LAI)和地上鲜生物量进行相关分析,结果表明,棉花NDVI和MSAVI2与LAI和地上鲜生物量两个参数均以幂指数相关关系为最佳(RNDVI-LAI=0.729 1·,RMSAVI2-LAI=0.743 6·,n=81;RNDVI-鲜生物量=0.742 6·,RMSAVI2-鲜生物量=0.791 1·,n=59), MSAVI2与LAI和地上鲜生物量的相关性均高于NDVI与LAI和地上鲜生物量的相关性,说明MSAVI2较NDVI能更好的消除土壤背景对反射光谱造成的影响,能较精确的提取反映棉花生长状况的叶面积指数和生物量信息.     

高CO2浓度下冬小麦的高光谱特征及其与叶面积指数和SPAD值的反演

以冬小麦为研究对象,利用开顶式气室试验,开展以环境CO2浓度为对照(CK)和比CK处理的CO2浓度高200μmol·mol-1(T)处理的试验,测定冬小麦主要生育期冠层光谱反射率、叶面积指数(LAI)和SPAD值,分析LAI、SPAD值与原始光谱反射率、光谱特征参数的相关性,并探究最优回归反演模型.结果表明,高CO2浓...     

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R²均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。     

基于CART决策树的自然保护区植被类型分布研究

目的针对保护区监测需求，充分发挥GF-1 WFV影像的宽幅特点和面向对象、机器学习算法在遥感影像分类中的优势，提高保护区植被类型遥感监测的精度，为保护区管理决策提供依据。方法以甘肃省白水江国家级自然保护区为研究区，主要数据源包括GF-1 WFV多光谱数据、Landsat-8 OLI遥感数据、DEM数据、野外调查数据等。首先，对GF-1 WFV数据进行多尺度分割，将研究区划分为诸多区域性的分割对象；然后，以分割对象为基本单元，研究光谱特征、几何特征、纹理特征不同组合情况下，基于CART决策树分类的结果；最后，利用训练样本建立基于TTA的精度检验，并基于混淆矩阵对分类结果进行分析。结果在多尺度分割过程中，形状因子、紧致度分别设置为0.2和0.5时地物边界显示较好；当形状因子和紧致度固定时，研究区最佳分割尺度为40。精度检验结果表明，基于CART决策树的保护区植被类型分类结果整体精度均在83%以上，Kappa系数在0.80以上，优于最邻近分类法和支持向量机分类算法，其中基于光谱特征、几何特征、纹理特征的CART决策树分类结果精度最高，总体精度为85.18%，Kappa系数为0.832 2，优于光谱特征分类、光谱特征结合几何特征分类的方法。结论基于CART决策树算法和面向对象方法的GF-1遥感影像分类方法适用于保护区植被类型分布研究，可有效辅助保护区监测工作。      

Canopy Equivalent Water Thickness Estimation of Cotton Based on Hyperspectral Index

【Objective】 The objective of the experiments is to develop a key method for fast and nondestructive monitoring canopy equivalent water thickness (CEWT) in cotton (Lumian 54) and to further improve the estimation accuracy of CEWT in cotton monitored by remote sensing technology. 【Method】 Through setting irrigation gradient treatment in different growth period, canopy spectral reflectance and canopy equivalent water thickness and other information were measured simultaneously. Firstly, we comprehensively analyzed the correlation between CEWT and various spectral parameters, including original spectral reflectance, first derivative spectral reflectance, all-band combined spectral index and existing spectral index. Then, we determined the optimal spectral indices of bud stage, flowering and bolls stage, and full growth period. Finally, we constructed a hyperspectral monitoring model of cotton CEWT by linear regression. 【Result】 The canopy equivalent water thickness and the original spectral reflectance show continuous sensitive bands in the near infrared band (NIR) of 780-1130 nm and the short wave infrared band (SWIR) of 1 450-1 830 nm and 1 950-2 450 nm, the sensitivity of the first derivative spectrum to CEWT was enhanced in NIR band than that of the original spectrum, but was weaker in SWIR band than that of the original spectrum. The correlation between the spectral index constructed by the original spectral reflectance and CEWT is stronger than that of the first derivative spectrum, and the ratio spectral index (RSI) is more suitable for the monitoring of CEWT than the normalized difference spectral index (NDSI). During the whole growth period, the inversion accuracy of CEWT by (R₁₁₃₅-5R₁₄₉₄)/R₂₀₀₃ was the best (R ²=0.7878, RRMSE=0.1803). In the bud stage, RSI_b(1130,1996) has the best estimation effect on CEWT (R ²=0.7258, RRMSE=0.1444). RSI_a (904,1952) was the optimal spectral index (R ²=0.7853, RRMSE=0.2454) for estimating CEWT at the flowering and bolls stage.【Conclusion】The new hyperspectral indexes proposed in this study in different growth stages can be used for quantitative monitoring of canopy equivalent water thickness in cotton. The results of this study can provide reference for the application of hyperspectral technology in monitoring water content of cotton canopy, and provide technical basis for precision irrigation of cotton.     

对水稻微分光谱和植被指数的探讨

通过不同供氮水平的田间试验，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的作用。结果表明：由微分光谱所得的红边位置、红边斜率与盖度、叶面积指数及供氮水平之间有一定的相关性；水稻多光谱植被指数RVI、NDVI与叶面积指数LAI及其地上部生物量之间有极显著相关性；高光谱植被指数及其变量与植被盖度、供氮水平之间存在相关性。这些表明，用微分光谱技术与植被指数方法监测水稻的田间供氮水平和长势似乎是可行的。     

Comparative analysis of GF-1,HJ-1,and Landsat-8 data for estimating the leaf area index of winter wheat

Using simultaneously collected remote sensing data and field measurements,this study firstly assessed the consistency and applicability of China high-resolution earth observation system satellite 1(GF-1) wide field of view(WFV) camera,environment and disaster monitoring and forecasting satellite(HJ-1) charge coupled device(CCD),and Landsat-8 operational land imager(OLI) data for estimating the leaf area index(LAI) of winter wheat via reflectance and vegetation indices(VIs). The accuracies of these LAI estimates were then assessed through comparison with an empirical model and the PROSAIL radiative transfer model. The effects of radiation calibration,spectral response functions,and spatial resolution on discrepancies in the LAI estimates between the different sensors were also analyzed. The results yielded the following observations:(1) The correlation between reflectance from different sensors is relative good,with the adjusted coefficients of determination(R2) between 0.375 to 0.818. The differences in reflectance are ranging from 0.002 to 0.054. The correlation between VIs from different sensors is high with the R2 between 0.729 and 0.933. The differences in the VIs are ranging from 0.07 to 0.156. These results show the three sensors' images can all be used for cross calibration of the reflectance and VIs.(2) The four VIs from the three sensors are all demonstrated to be highly correlated with LAI(R2 between 0.703 and 0.849). The linear models associated with the 2-band enhanced vegetation index(EVI2),which feature the highest R2(higher than 0.746) and the lowest root mean square errors(RMSE)(less than 0.21),were selected to estimate the winter wheat LAI. The accuracy of the estimated LAI from Landsat-8 was the highest,with the relative errors(RE) of 2.18% and an RMSE of 0.13,while the HJ-1 was the lowest,with the RE of 2.43% and the RMSE of 0.15.(3) The inversion errors in the different sensors' LAI estimates using the PROSAIL model are small. The accuracy of the GF-1 is the highest with the RE of 3.44%,and the RMSE of 0.22,whereas that of the HJ-1 is the lowest with the RE of 4.95%,and the RMSE of 0.26.(4) The effects of the spectral response function and radiation calibration for the different sensors are small and can be ignored,but the effects of spatial resolution are significant and must be taken into consideration in practical applications.