基于WorldView 2影像杉木叶面积指数与植被指数相关性研究

为了探究基于高分辨率遥感影像杉木叶面积指数与植被指数的相关性,以湖南省攸县黄丰桥国有林场为研究对象,采用地面实验与遥感技术相结合的方法,利用WorldView 2遥感数据提取NDVI、SAVI、SARVI、RVI、MSAVI、ARVI等6种植被指数,通过LAI-2000测量的杉木叶面积指数(LAI)建立相关关系,开展WorldView 2遥感影像在估测杉木叶面积指数中的应用研究,分析植被指数对杉木LAI的影响.对不同植被指数分别进行线性模型、二次曲线模型、指数曲线模型和对数曲线模型的LAI反演.结果表明:除DVI与LAI相关性稍低一点外,其他植被指数与LAI都有很高的相关性,高于中低分辨率遥感影像提取的植被指数与LAI的相关性,土壤调节植被指数(SAVI)与LAI的相关性与土壤影响因子L无关.在线型模型中,RVI与ARVI更适合于杉木LAI建立一元线性回归模型,相关系数R分别为0.931、0.895,判定系数R2分别为0.866、0.800,均达到较好的拟合效果.在非线性模型中,反演模型最好的是二次曲线模型,其次是指数模型,最差的是对数模型.拟合效果较好的是NDVI、SAVI和RVI;拟合效果最差的是DVI;最好的拟合模型,其R2高达0.884.杉木LAI具有较佳拟合效果的非线型模型是NDVI和SAVI的二次曲线模型.     

基于冠层反射光谱的玉米LAI和地上干物重估测研究

以cropscan多光谱辐射仪测定了玉米品种郑单958和浚单20的冠层光谱反射率,并对其相应的叶面积指数(LAI)和地上干物质量进行了同步测定。将由近红外波段和可见光红波段组成的不同的归一化植被指数(NDVI)和比值植被指数(RVI)分别与叶面积指数、地上干物质量进行回归分析,结果表明,NDVI与叶面积指数的相关性优于RVI与叶面积指数的相关性,且以NDVI(R950,R650)和叶面积指数的幂函数回归结果最优;RVI与地上干物质量的二项式回归效果显著,估算模型为:Y=-0.722 4(R800/R650)2 1.631 6(R800/R650) 271.49,R2=0.793 5。     

棉花高光谱植被指数与LAI和地上鲜生物量的相关分析

通过测试棉花关键生育阶段350-2500nm波段的冠层高光谱数据,用近红外波段760-850nm及红光波段650-670nm的2个范围内的波段,组成了高光谱归一化植被指数（NDVI）及800和670nm2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=0.7346＊＊,RMSAVI2-LAI=0.7436＊＊,n=81;RNDVI-鲜生物量=0.7426＊＊,RMSAVI2-鲜生物量=0.7934＊＊,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更好的消除土壤背景等对反射光谱造成的影响,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。     

偏最小二乘回归在Hyperion影像叶面积指数繁衍中的应用

叶面积指数(Leaf Area Index,LAI)是一个重要的森林结构参数指标,遥感技术被认为是区域LAI反演的有效手段。现有遥感反演模型多以单变量的曲线估计及线性回归模型为主,模型的通用性、建模精度以及植被指数的选择上需要更进一步的探讨。论文以攸县黄丰桥林场为研究区,Hyperion影像为数据源,提取归一化植被指数(NDVI)、比值植被指数(RVI)等13个因子,利用LAI-2000冠层分析仪开展130个样地(60 m×60 m)的叶面积指数测量,选用变量投影重要性(VIP)指标、变量解释能力及变量权重作为变量筛选的依据,采用偏最小二乘回归分析方法建立植被指数与实测样地的回归模型,开展叶面积指数反演并制图。研究结果表明：偏最小二乘回归分析在LAI反演中取得了较好的预测效果,其中以6个植被因子建立的回归模型预测精度最高,预测值与实测值的决定系数R2为0.91;LAI与植被指数之间具有良好的线性关系,其中RVI与LAI的相关性最大;残差分析表明,反演模型的自变量个数选取以4~6个为宜。     

玉米和大豆光合有效辐射吸收比例与植被指数和叶面积指数的关系

基于东北典型黑土区的玉米和大豆的实测光谱反射率、光合有效辐射及叶面积数据,选取常用的9种植被指数,并根据光谱曲线特征和植被指数结构建立了两种新的植被指数,对其估算玉米和大豆冠层FPAR效果进行了对比分析。结果表明,各植被指数与冠层光合有效辐射吸收比例(FPAR)的关系因植被类型而异。以近、短波红外波段较以可见光、近红外波段计算植被指数的估算效果好。NDVI、RVI在可见光、近红外波段计算的植被指数中估算FPAR效果较好,玉米估算模型R²分别为0.81和0.82,大豆估算模型R2均为0.81;NDSI、RSI在近、短波红外波段计算的植被指数中较好,玉米估算模型R2均为0.86,大豆估算模型R2均为0.84,优于NDVI和RVI。试验表明,利用近、短波红外波段估算FPAR是可行的;冠层含水量较土壤背景对FPAR影响更大;玉米和大豆冠层FPAR与叶面积指数(LAI)呈较好的对数关系,估算模型R²分别为0.75和0.70;但用植被指数估算FPAR效果要优于用叶面积指数。     

基于植被指数的夏玉米不同生育期叶绿素含量遥感估算

叶绿素含量是间接判断玉米营养状况的重要农学参数,估算叶绿素含量对农作物长势监测有重要意义。笔者利用ASD便携式地物光谱仪和SPAD-502叶绿素仪实测了夏玉米关键生育期冠层光谱反射率及叶片叶绿素相对含量,对3种植被指数与叶绿素相对含量进行了相关性分析,建立了基于归一化植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)的叶绿素估算模型,并进行精度检验,从中选出最佳拟合模型。研究结果表明：拔节期RVI、抽穗期和灌浆期NDVI以及蜡熟期DVI的均方根差(RMSE)和相对误差(RE)均最低,RMSE分别为5.688、5.323、2.751、4.111,RE分别为9.84%、8.56%、3.75%、7.15%,故为各个时期的最佳模型。因此得到了NDVI、RVI和DVI3种植被指数在不同生育期的最佳模型,对指导夏玉米种植与田间管理具有重要的指导意义。     

基于遥感信息与水稻模型相结合对镇江地区水稻种植面积与产量的估测

为了实现遥感信息与作物模型相结合对镇江地区的水稻种植面积与产量的估测,以便于可以直接利用遥感信息与模型对该地区的水稻生长进行监测,将遥感资料与水稻生产模型(ORYZA2000)相结合,建立遥感数值模拟模型,进行由点及面的区域水稻种植面积及产量的估测。利用遥感数据（8天合成的MODIS和环境小卫星数据）,计算归一化植被指数(NDVI)和增强植被指数(EVI),结合试验区实测的叶面积指数(LAI),建立植被指数与LAI之间的关系,通过模型模拟出的LAI计算出植被指数的浮动值,结合相对应的多时相的遥感数据识别镇江市的水稻,由此可以预报镇江市的水稻种植面积及产量。研究结果表明,模型对水稻生长发育期内的生物量和LAI的模拟较好,水稻LAI与遥感资料计算出的植被指数EVI的幂函数拟合性较好,可以应用这种相关模式识别水稻,并结合ORYZA2000模型提高区域范围的水稻估测精度,同时也体现了遥感信息与作物模型相结合可以很好的监测区域内水稻的生长情况,取得较好的模拟效果。     

棉花叶面积指数和地上干物质积累量的高光谱估算模型研究

 用ASD FieldSpec光谱仪实测棉花冠层不同生育时期的高光谱数据,同期获取棉花叶面积指数(LAI)和地上干物质积累量(Above-ground Dry Matter Accumulation,ADMA)。分析棉花冠层反射光谱与棉花LAI、地上部干物质积累量（ADMA）的相关关系,分析结果表明,反射光谱数据与棉花LAI、ADMA的相关系数的最高值分别发生在783 nm（r=0.6394^**）和766 nm处(r=0.6287^**);对反射光谱数据进行统计分析,建立了基于比值植被指数(RVI)和归一化植被指数(NDVI)的5种函数形式的棉花LAI、ADMA估测模型。经检验,基于RVI的估测模型具有较高的精度;对一阶微分光谱数据与棉花LAI和ADMA的逐步回归相关分析表明,敏感波段分别发生在736 nm（r=0.6769^**）和742 nm处(r=0.6847^**)。由736 nm、742 nm波段处的微分数值建立的LAI和ADMA线性回归估测模型,R值均达到了1%极显著的检验水平,说明一阶微分光谱敏感波段的数值,对棉花LAI和ADMA具有一定的估算能力。     

基于MODIS的植被指数模型及其在草地生态系统中的应用

为了明确MODIS植被指数模型的类型以及MODIS数据在大尺度上的可用性,笔者在分析MODIS数据优势的基础上,综述了MODIS植被指数、植被指数模型以及MODIS植被指数模型在草地生态系统中的应用。MODIS数据可以直接提取NDVI和EVI 2类植被指数,还可以间接计算MSAVI和RVI等多种植被指数;利用MODIS植被指数可以建立线性回归模型和非线性的多种曲线模型,它们可以用在草地生态系统的净初级生产力估算、草地退化监测等方面。MODIS植被指数还可以在草地面积提取、草地碳储量估算等方面进一步的应用。     

玉米和大豆LAI高光谱遥感估算模型研究

以ASD FieldSpec光谱仪实测了不同生长季的大田玉米、大豆的冠层高光谱与作物的叶面积指数LAI。采用单变量线性与非线性拟合和逐步回归分析的方式,建立了玉米、大豆LAI高光谱遥感估算模型,并对模型的估算结果进行了初步分析。分析结果表明,绿光波段反射峰区、红光波段以及近红外区的单波段反射率与作物的LAI有较强的相关性,而其他波段的反射率与作物的LAI的相关性相对较弱;以高光谱的窄波段构造的NDVI和RVI与作物的LAI的相关程度高,回归模型的预测水平高;而以多波段逐步回归方式构造的统计模型的预测效果最好。     

基于冠层反射光谱的夏玉米叶片氮积累量估测

为实现夏玉米冠层氮素状况的实时无损监测,于2009—2010年连续2个生长季,通过不同玉米品种和施氮水平下的田间试验,研究夏玉米叶片氮积累量与冠层反射光谱的相关关系,提出叶片氮积累量的敏感光谱参数,并建立叶片氮积累量的定量估算模型。结果表明,夏玉米叶片氮积累量随施氮水平的提高而增加;可见光波段的460~670 nm和近红外区的780~1100 nm是监测玉米叶片氮积累量变化差异的敏感波段;归一化植被指数(NDVI)、优化的简单比值指数(MSR)、优化土壤调节植被指数(OSAVI)、修正土壤调整植被指数(MSAVI)和土壤调整植被指数(SAVI)与叶片氮积累量相关性较好。利用不同年际独立试验数据对监测模型进行检验,以OSAVI为自变量构建的叶片氮积累量监测模型效果最优,相关系数(r)为0.6745,均方根差(RMSE)为1.2368。利用本研究确立的玉米叶片氮积累量与冠层反射光谱的定量关系,可用来定量估测叶片氮积累量的变化状况。     

利用高光谱技术估测大豆育种材料的叶面积指数

叶面积指数(LAI)是反映田间作物长势及产量潜力的重要参数,规模化育种要求及时、快速、无损地获取大量育种材料的田间生长信息。本研究利用52份大豆品种(系)的2年田间试验,在盛花期(R2)、盛荚期(R4)及鼓粒初期(R5)测定大豆冠层反射光谱,同步测定大豆LAI和地上部生物量(ABM)。结果表明,不同生育期LAI与冠层光谱在可见光波段(426~710 nm)均表现显著负相关(P0.05),在近红外波段(748~1331 nm)均表现为显著正相关(P0.05)。根据文献已报道的植被指数与LAI的线性相关性分析,NDVI和RVI类型的植被指数能够较好地指示大豆LAI,进而在全光谱250~2500 nm范围内涵盖上述两种类型的植被指数,经对建立的大豆LAI线性与非线性模型综合评价,遴选出不同生育期敏感植被指数的最优估测模型。其中,R2期RVI(825,586)所建模型(y=0.03x1.83)、R4期RVI(763,606)所建模型(y=0.38e0.14x)及R5期RVI(744,580)所建模型(y=0.06x1.79)的预测表现最好,决定系数(R2)分别为0.677、0.639和0.664,相对标准误(RRMSE)均小于20%;模型验证的决定系数(R2*)分别为0.643、0.612和0.634,均根方误差(RRMSE*)约20%。进而发现针对LAI和ABM的RVI共性核心波段组合为R2期的825 nm和586 nm、R4期的763 nm和606 nm以及R5期的744 nm和580 nm。本研究结果可望为大豆规模化育种中获取大量不设重复试验材料的田间长势信息提供快速无损预测的技术支持。     

Estimation of Leaf Area Index of Beta vulgaris L. Based on Optical Remote Sensing Data

Remote sensing and vegetation indices can be used to characterize the canopy of crops with a non‐destructive method on a large scale. Leaf area formation of sugar beet in early summer is the most important variable for crop growth models. This study aimed at estimating whether differences in leaf area development of sugar beet resulting from different agronomic practices can be determined with remote sensing. The relationship between the normalized difference vegetation index (NDVI) and leaf area index (LAI) during the season and yield of the storage root in autumn was studied in six field trials in 2001 and nine field trials in 2002. The vegetation index NDVI gave a good impression of differences in leaf development of sugar beet in early summer. LAI increased with increasing NDVI up to an NDVI of 0.65. Above that the NDVI did not respond as distinctly to treatments as the LAI. An exponential function was developed to calculate sugar beet LAI from NDVI, so that remote sensing data can be used as input variable for crop growth models. The yield of the storage root in autumn did not show any relationship to LAI or NDVI during the season, regardless of whether it was measured in June or September. Therefore, it seems to be necessary to combine NDVI data with crop growth models to forecast a potential sugar beet yield in autumn. For this purpose the formula presented is a valuable tool.