不同叶面积指数遥感产品在呼伦贝尔草甸草原的应用对比

叶面积指数(leaf area index,LAI)是植被生理过程模拟的重要参数之一,对植被气候关系、全球气候变化研究等具有重要的意义。近年来LAI产品越来越多,这些产品的精度、区域适用性都不相同。为了选择适用于呼伦贝尔典型草甸草原的LAI产品,为以后在呼伦贝尔展开工作提供便利,该文以内蒙古呼伦贝尔草甸草原为研究区域,利用2013年6-8月6期地面试验数据,以HJ-1A/B CCD高分辨率影像为中间桥梁建立植被指数SR与LAI的统计模型,反演得到LAI参考图像,对研究区域内与地面试验同期的MODIS LAI和GLASS LAI、GEOV1 LAI产品分别进行了直接验证与交叉验证。结果显示,3个LAI产品均存在高估现象,以GLASS LAI最为显著约高估41%,其次是MODIS LAI约高估了32%。GEOV1 LAI产品准确性最高,RMSE=0.289 MAE=0.216。GLASS LAI与GEOV1 LAI产品的相关性最好(R2=0.6465)。通过对比全年LAI产品发现,3个产品具有良好的时序一致性。GLASS LAI呈现为平滑曲线,高估现象主要存在于LAI值较小时。MODIS LAI最不稳定性,波动性较大。GEOV1 LAI产品在第133天至第201天这段时间内LAI值比其他两个产品的LAI值小;在第202天后GEOV1 LAI值与GLASS LAI值相差无几,高于MODIS LAI。根据对比分析结果,GEOV1 LAI产品最适用于呼伦贝尔典型草甸草原。通过提取质量控制层数据,确定云覆盖不是影响LAI异常的原因。     

基于MODIS与TM时序插补的省域尺度玉米遥感估产

针对省域尺度作物估产中的TM影像时相不一致和覆盖能力不足的问题,以山东省2008年玉米产量为研究对象,在6景不同玉米物候期的TM影像和长时间序列的MODIS全覆盖影像的支持下,构建基于玉米生长过程的时序插补模型,将不同物候期的TM影像插补为玉米乳熟期的同期数据集,并通过地面实割实测样本数据,建立地面-TM、TM-MODIS的两阶段遥感估产模型,开展省域尺度玉米产量全覆盖遥感估测方法研究。结果表明,基于时序插补的省域尺度玉米遥感估产方法能充分发挥TM和MODIS影像的各自优势,有效地避免TM影像时相不同所造     

MODIS/FAPAR在呼伦贝尔草原区的精度验证与分析

验证MODIS/FAPAR产品在温性草原地区的精度,以提高NPP估算精度,为区域碳平衡监测及合理安排草地畜牧业生产提供服务。该文选取两块2 km×2 km温性草甸类草地设计和进行FAPAR实测试验。以分辨率为32 m的北 京-1号卫星遥感数据对样地进行异质性分析,然后进行尺度上推,利用地面实测数据对1km的MODIS/FAPAR草原地区产品进行验证。结果表明,在草地生长季,MODIS/FAPAR产品的草地FAPAR季节变化与实测FAPAR季节变化趋势基本一致,但总体要比实测FAPAR要高,针茅样地MODIS/FAPAR值比实测值要高约13.7%,羊草样地为18.7%。MODIS/FAPAR算法对于局部区域过于粗糙,对草地类型多样的中国来说,需更多的野外试验资料,以反演适合不同草地类型的FAPAR算法。     

联合Terra/Aqua MODIS多角度多光谱数据反演冬小麦叶面积指数

Terra与Aqua双星搭载的MODIS传感器可实现每日上下午分别对同一地点观测一次,并且由于卫星轨道漂移形成累积连续多天的多角度观测特点,加上多通道的光谱响应,极大地丰富了地表目标的观测信息,为LAI等地表参数的实时准确反演提供了可能。该文利用MODIS双星高质量的连续多天的多波段地表反射率数据,结合PROSAIL(PROSPECT+SAIL,properties spectra+scattering by arbitrarily inclined leaves)模型和查找表方法反演冬小麦LAI,并与MODIS LAI产品及野外采样点实测LAI对比,结果表明,联合双星高质量的多角度多波段数据能够较准确反演冬小麦LAI,其反演结果无论从空间分布还是时序变化特征来讲,较MODIS LAI产品更符合实际情况,也更接近地面实测值。该文的研究为充分利用MODIS数据的角度和光谱信息反演小麦等农作物的LAI提供了一定的借鉴。     

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机（unmanned aerial vehicle, UAV）机动灵活、操作简便，可以按需获取高空间分辨率影像，是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题，该研究以DJI S1000+无人机为平台，搭载法国Parrot Sequoia相机，获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像，采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数，所构建的植被指数包括归一化植被指数（normalized difference vegetation index，NDVI）、叶绿素指数（grassland chlorophyll index，GCI）、比值植被指数（ratio vegetation index，RVI）、归一化红边红指数（normalized difference rededge-red index，NDIrer）、归一化红边绿指数(normalized difference rededge-green index，NDIreg)和重归一化植被指数(renormalized difference vegetation index，RDVI)，通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析，以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数，以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现，在分辨率为0.6 m时，NDVI与地面实测LAI之间的决定系数R2为0.80，决定系数达到了最大，利用该分辨率下的NDVI反演得到的LAI验证精度R2达到了0.73；在分辨率为0.1 m时，NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70，决定系数达到了最大，利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说，不包含绿波段的植被指数的LAI反演精度较高，这说明绿波段对LAI的变化不敏感；② 对于玉米冠层叶绿素含量反演来说，包含红边波段的植被指数的反演精度较高，因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m，此时NDVI与实测LAI的决定系数达到最大；反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内，此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。     

中小区域尺度时间序列林地LAI快速估测方法

时间序列LAI对模拟大气与植被边界上的碳水交换过程至关重要,其已经成为众多区域尺度的碳水循环机理模型研究中重要的驱动数据。针对低空间分辨率MODIS LAI产品在中小区域尺度应用时表达LAI的空间异质性精度差问题,该研究提出了一种中小区域尺度时间序列林地LAI快速估测方法。该方法首先提取了林地MODIS LAI的归一化生长曲线,利用三次样条插值函数进行归一化LAI曲线的拟合,以此曲线模拟LAI的全年变化情况;其次基于传统遥感统计模型和TM遥感数据估测展叶完全时期的LAI,作为研究区域LAI的最大值并以此控制LAI生长曲线;最后将归一化LAI拟合函数与最大LAI相乘得到时间序列LAI数据集。试验结果表明:MODIS LAI产品对中小区域尺度较高空间分辨率LAI值的估测不够准确,但MODIS LAI归一化生长曲线与归一化的实际LAI生长变化情况保持较高的一致性,可以用来模拟LAI的全年变化情况;该研究提出的方法可简单、高效地为中小区域尺度的其他研究提供有效的时间序列林地LAI数据。     

基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较

近年来,中国遥感事业已取得长足进步,高分一号(GF-1)卫星首次实现了中国自主研发的高分辨率对地观测。为探讨国产GF-1卫星影像在农业遥感长势监测中的适应性,以许昌地区为研究对象,选取同期Landsat-8卫星影像,结合地面采样数据LAI,从传感器光谱响应特征、经验回归模型监测精度以及LAI空间一致性等3方面进行2类遥感数据的对比评价。结果表明,GF-1影像近红外、红、蓝波段光谱响应与Landsat-8有差异,与绿波段光谱响应非常吻合,各波段光谱反射率与Landsat-8影像同类光谱间均存在显著线性关系。通过各波段组合多种归一化植被指数,采用经验回归模型反演LAI发现,GF-1影像反演的最优模型为NDVI的指数模型,R2为0.848,Landsat-8影像反演的最优模型为蓝红组合的归一化植被指数(blue-red NDVI,BRNDVI)的指数模型,R2为0.687,2类影像反演LAI与地面实测值均呈现较为一致的线性关系。由许昌地区玉米LAI值空间分布可见,GF-1影像反演的玉米LAI值与Landsat-8影像反演值过渡趋势一致,在许昌西部种植结构复杂地区,GF-1影像以其空间分辨率优势更能凸显LAI分布差异。通过该文研究表明,GF-1卫星的高时间分辨率以及高空间分辨率特征能够代替传统中分辨率数据成为农业遥感长势监测中的重要数据源,该数据在农业遥感其他领域的应用是今后研究的重点。     

中低分辨率小波融合的玉米种植面积遥感估算

采用中分辨率与低分辨率数据相结合的遥感估算方法是获取大范围作物种植面积的主要趋势之一。在MODIS时序影像和TM影像支持下,采用小波变换融合方法获取30m分辨率的NDVI时间序列信息,构建主要秋季作物的NDVI标准生长曲线,以最小距离分类器进行分层分类,获得河南原阳县玉米种植面积总量信息和空间分布,并以野外实测地块样本进行精度评价。由于充分利用MODIS影像的时间序列优势和TM影像的空间分辨率优势,通过秋季作物之间的物候差异,有效地区分出各种秋季作物的空间分布,基于融合NDVI时间序列信息玉米种植面积遥感估算的位置和面积精度分别达到79%和89%,远高于常规的监督分类,为大范围玉米种植面积遥感估算提供了一种可行的方法。     

黄河三角洲典型生态脆弱区土壤退化遥感反演

黄河三角洲是典型的生态环境脆弱区,土壤质量不高,盐渍化状况普遍,快速准确掌握该区土壤退化状况,对退化土壤恢复重建、可持续利用具有重要意义。该研究选择黄河三角洲垦利县为研究区,以2008年实测数据为依据,通过建立土壤退化评价指标体系,以参评因素权重与隶属度值加权组合构建土壤退化综合指数,在GIS支持下对土壤退化进行了综合评价;采用与实测同时相的TM影像数据,结合不同程度退化土壤光谱特征、土壤退化综合指数与波段灰度值的相关性分析,筛选土壤退化敏感波段,进而构建土壤退化敏感光谱指数,并建立基于敏感光谱指数的土壤退化综合指数反演模型,最终筛选出拟合程度最高的指数模型作为研究区土壤退化的反演模型,对模型进行精度分析,并利用2008年遥感影像验证反演结果;将该反演模型应用于2011年和2013年的遥感影像,并对研究区2008-2013年的土壤退化状况及动态变化进行了分析。结果显示:基于土壤退化综合指数评价结果,研究区土壤退化程度从沿海到内陆呈现由高到低过渡的趋势;TM1、TM2、TM3波段为土壤退化敏感波段,基于此3个波段组合的土壤退化光谱指数构建的土壤退化遥感反演模型有较高的精度,R2为0.7182,其验证均方根误差、相对误差和决定系数分别为0.0241、3.66%和0.6724,反演结果与同年基于实测数据的综合评价结果相一致;研究区2008-2013年土壤退化状况总体变化不大,有逐渐改善趋势。     

不同时空分辨率遥感数据融合估算冬小麦叶面积指数

高时空分辨率叶面积指数(leaf area index,LAI)数据能反映作物的长势动态变化,为作物长势评估和产量预测提供有效的生长指标依据。该文综合利用混合像元线性分解与数据同化算法,以高空间分辨率SPOT-5数据反演的LAI修正高时间分辨率HJ-CCD数据反演的LAI序列,生成了覆盖冬小麦主要生育期的高空间分辨率LAI序列,并结合SPOT-5反演的LAI和实测LAI值分析了像元纯度、高空间分辨率遥感数据同化景数对融合效果的影响。结果表明,采用数据融合方法生成的LAI与检验LAI具有较高的一致性,但像元纯度对融合效果影响较大;基于2景SPOT-5影像能够提高LAI序列估测精度,且优于基于1景SPOT-5影像的融合效果。该研究结果可为冬小麦生长监测提供技术支撑。     

东北地区主要作物种植结构遥感提取及长势监测

以中国东北地区为研究区域,探讨基于遥感影像全覆盖的大尺度作物种植结构自动提取及长势遥感监测的技术方法。通过分析东北地区春玉米、春小麦、一季稻及大豆等主要作物时序光谱特征,确定不同作物种植结构遥感提取的阈值,建立基于MODIS NDVI数据的上述4种作物种植结构提取模型,获取2009年东北地区主要作物空间种植结构格局特征。其次,基于MODISNDVI数据,利用差值模型,通过与近5 a作物长势的平均状况进行对比,分析研究东北地区2009年4种作物的长势状况。结果显示,与多年平均统计数据比较,基于遥感提取的作物种植结构信息,总体精度达到了87%以上;不同作物长势在其整个生育期内在时间和空间分布上都有较大差异。研究表明,通过MODIS数据提取不同作物种植结构及进行大尺度作物长势监测的技术和方法是可行的,研究为中国农业遥感监测系统大尺度业务化运行的作物种植结构提取提供了有效方法。     

基于LAI时间序列重构数据的冬小麦物候监测

农作物物候信息对农作物长势监测和估产具有重要意义。该文以河北省中南部冬小麦为研究对象,以叶面积指数(LAI,leaf area index)为同化量,采用重采样粒子滤波算法同化WOFOST(world food studies)作物生长模型和遥感观测LAI,重构LAI时间序列数据,基于重构数据提取冬小麦返青期、抽穗期和成熟期等关键物候期。重构结果表明,重构的LAI具有良好的时间连续性和空间连续性,可减缓WOFOST作物模型LAI变化剧烈程度,峰值出现时间与遥感LAI曲线基本同步,且可一定程度上解决遥感观测LAI数值整体偏低和数据缺失的问题。物候期监测结果表明,在空间分布上与冬小麦实际生长状况基本相符,时间上也较为合理,但因在返青期存在LAI高初始值、成熟期存在LAI下限不确定性等问题致使在具体日期存在偏差。     

基于时间序列叶面积指数傅里叶变换的作物种植区域提取

为了获取不同农作物的空间分布信息,以华北平原黄河以北地区为研究区域,利用Savitzky-Golay滤波对2014—2016年的时间序列叶面积指数(leaf area index,LAI)进行重构,进而应用一阶差分法和重构LAI的傅里叶变换的谐波特征对研究区域主要农作物冬小麦、玉米和棉花种植区域进行识别和提取,并对不同作物的识别精度进行验证。结果表明,基于Savitzky-Golay滤波重构的LAI能够去除由云、大气等因素造成的LAI骤降的影响,重构LAI曲线平滑且符合作物的生长规律特征。研究区域2014—2016年作物识别的总体精度均大于80.00%,2015年达到87.08%,冬小麦-夏玉米、春玉米、棉花和单季夏玉米的识别精度分别为92.50%、80.00%、85.00%和82.50%,表明利用一阶差分法能够准确提取研究区域一年一季和一年两季作物种植区域。结合傅里叶变换方法和作物物候信息能够有效地识别不同作物的种植区域,进而获取研究区域主要农作物的分布信息。该研究可为研究区域主要作物的长势监测及产量估测预测提供参考。     

基于时间序列LAI和ET同化的冬小麦遥感估产方法比较

为了评估同化时间序列叶面积指数(leaf area index,LAI)和蒸散发(evapotranspiration,ET)产品对冬小麦产量估测的有效性和适用性,该文选择陕西省关中平原冬小麦为研究对象,以SWAP为作物生长动态模型,利用冬小麦关键生育期的遥感观测和SWAP模拟LAI、ET趋势变化信息构建代价函数,以SCE-UA作为优化算法最小化代价函数,重新初始化SWAP模型中的出苗日期和灌溉量2个参数。重点比较了基于向量夹角和一阶差分2种代价函数的冬小麦单产估测精度。结果表明,同化MODIS LAI和ET后,冬小麦产量的估测精度比未同化精度(r=0.57,RMSE=1 192 kg/hm2)有显著提高,并且基于向量夹角代价函数法同化策略的单产估测精度(r=0.75,RMSE=494 kg/hm2)高于一阶差分代价函数法(r=0.73,RMSE=667 kg/hm2)的估测精度。该方法为其他区域的水分胁迫模式下遥感与作物模型双变量数据同化提供了参考。     

利用MODIS-EVI时序数据对河南省土地覆盖进行分类

基于遥感的土地覆盖信息提取对农林业生产、环境监测具有直接的应用意义。该文选取河南省作为研究区域,利用2005年23个时相的MODIS EVI数据,结合农作物物候历、其他分类参考数据及河南省种植结构的相关文献,在对时序数据进行去云、平滑处理后,采用SVM（支持向量机）分类器,对河南省的土地覆盖进行分类。分类结果上,一方面参照2005年河南省农作物种植面积的统计数据得到面积精度,对大面积种植的农作物：小麦为81.47%、玉米94.87%、水稻82.43%;经济作物：油菜39.81%、大豆93.65%、棉花95.21%、花生74.27%;另一方面,参照2000年1：10万全国土地覆盖的分类数据,将2000年的对应数据和分类结果分别归并为：耕地、林地、草地、水体、建筑进行精度比较,结果表明总体识别精度为78.07%,Kappa系数为0.6556。从分类精度验证来看,表明MODIS植被指数时序数据及该文研究方法在农作物信息提取中的有效性。     

Validation and Correction of MOD15‐LAI using In Situ Rice LAI in Southern China

Abstract

MOD15 are one of the standard science products available from the moderate resolution imaging spectroradiometer (MODIS) instrument on the Earth‐observing system (EOS) Terra platform, launched in December 1999. An important requirement of MODIS science products is that they be rigorously validated. In this study, a site intensive MOD15‐LAI (leaf area index) product validation was conducted in southern China in 2003. Results showed that the differences between in situ rice LAI and MOD15‐LAI change in different rice growth. The differences are larger in booting stage, heading stage, and milking stage, but smaller in tiller stage and maturing stage. Otherwise, results indicate that the MODIS algorithm will underestimate LAI value by about 5–10% in total from 1‐km resolution data over the in situ rice LAI in southern China the mean and standard deviation deviated from MOD15‐LAI are smaller than those of in situ rice LAI. Last, according to different stages of rice growth, corrected models were established, and the corrected MOD15‐LAI matched well with in situ LAI.     

基于历史时序植被指数库的多源数据作物面积自动提取方法

针对目前作物提取工作中难以综合应用多源遥感数据进行自动分类的现状,该文以新疆博乐市为试验区,使用多年MODIS数据建立各类作物历史参考时序植被指数曲线库。对TM和环境星数据共同构成的当年时序数据通过植被指数转换、曲线相似性比较,并结合区分不同作物的关键时相,在长时期种植制度变化不大的区域,自动提取作物种植面积。结果表明:该方法使用多源(环境星+TM)中高分辨率遥感数据构建的时序植被指数提取作物的总体精度可达到90%以上;与传统的监督分类方法相比,省去了人工采集训练区的步骤,实现了作物种植面积的自动提取。