基于Landsat 8数据的芜湖市地表温度反演

以空间分辨率100 m的Landsat 8 TIRS热红外传感器第10波段数据为基础,采用对大气透射率估算方程修正后的单窗算法,反演了芜湖市地表温度,并使用MODIS地温产品数据为标准对其进行精度评价。评价结果表明,修正后的算法所得到的反演结果具有较高的数据精度,能够更加准确细致地表示出地表温度空间分布的细节信息。     

基于ACRM模型与敏感波段的农作物LAI与LCC反演

【目的】面向现代农业生产和管理的数据需求，基于ACRM 冠层反射率模型，探索适 于冬小麦叶面积指数（LAI）和叶片叶绿素含量（LCC）反演的波段选择方案。【方法】文章 考虑高光谱数据降维和CR 模型模拟误差，选出覆盖蓝、绿、红与近红外的5 个波段（波段 选择方案B1），开展LAI 与LCC 同步反演。然后分别选择LAI 和LCC 的敏感波段，开展对 应参数的反演试验。【结果】（1）基于B1，能够在多数田块实现较为准确的LAI 与LCC 同 步反演（LAI 反演值与实测值间决定系数（R2）为0.860 4，均方根误差（RMSE）为0.963； LCC 反演的R2 为0.814 1，RMSE 为0.069）。（2）仅利用LAI 或LCC 敏感波段反演结果的R2 与RMSE 同时略有升高，但与基于B1 的反演结果相比，无明显差异。【结论】通过该研究与 利用相同数据的前期研究对比发现，旨在高光谱数据降维与限制CR 模型模拟误差的波段选 择，对LAI 反演精度改进作用较为显著。相较而言，仅选用单一目标参数（LAI 或LCC）的 敏感波段，对反演精度改进并不明显。由此，一方面证实了常规反演方法与面向对象反演法 不强调选用单一目标参数敏感波段的合理性；另一方面，并不否定多阶段目标决策（MSDT） 反演法以及一些相关研究提出的，仅采用单一目标参数敏感波段来开展反演的合理性。     

舟山近海域悬浮泥沙浓度遥感反演研究

[目的]采用卫星遥感方法反演舟山海域悬浮泥沙的分布,并进一步探索适合的反演模型,为以后舟山海域悬浮泥沙遥感研究提供参考依据。[方法]利用实测数据、遥感数据和实验室分析的方法,对舟山海域不同水体进行光谱分析,建立水体遥感反射率与悬浮泥沙浓度之间3种不同的反演模型。[结果]遥感参数反演模型的反演效果最好;对数反演模型次之,对数模型下TM4波段的相关系数最大,TM3波段的相关系数最小;线性反演模型最差,线性模型下TM2波段的相关系数最大,TM3波段的相关系数最小。[结论]在舟山海域采用遥感参数模型可以获得较高的反演精度。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI估算模型；最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。     

基于TM8卫星热红外数据地表温度反演及其应用

地表温度(LST)是农业旱灾监测模型和农作物估产模型的关键因子,在干旱遥感监测中有着广泛应用.针对TM 8卫星运行陆地成像仪(OLI)和热红外传感器(TIRS)数据波段特点,提出新的劈窗算法流程图,推导新的劈窗算法系数,对地表比辐射率和大气透过率这两个基本参数进行了分析.选取同一时刻珠三角区域的MODIS温度产品和气象站点观测值作为基准,对该算法进行精度分析.结果表明:LST散点图得出RMSE为0.3845;从LST差值直方图得出反演LST和产品LST误差范围主要集中在-0.6～0.6℃之间;对观测的气象站点值进行统计,产品站点温度均值、算法反演温度均值和站点观测温度均值分别为21.61、21.19、21.38℃,对高温区域的气象站点温度数据统计得出该算法的RMSD为0.742℃,误差小于1℃.从实例应用来看,该算法能快速有效地反演农业旱灾监测中所需要的LST参数,并获得较好的反演效果,能提高农业旱灾监测模型的反演精度.     

东莞市区热力场与植被覆盖关系动态分析

用2003年和2013年东莞市区Landsat TM卫星的热红外波段数据建模,定量反演地温,研究东莞市热力场与植被指数的动态变化。结果表明:(1)东莞市区绿岛区域分布集中,其他热力场类型分布相对分散;(2)2003年热力场以中绿岛为主,2013年以弱绿岛为主,热岛效应呈缓和趋势;(3)东莞市区的南部、东部、西部植被覆盖多,中部、北部植被覆盖少;(4)2013年东莞市区植被覆盖面积比2003年增加1.35%,10年来植被覆盖率增幅不大,2013年植被覆盖率44.70%,植被指数高的地区表现为绿岛区,植被指数可反映城市的热岛效应状况。     

基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究

【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现提供了一条新的地表温度反演途径。文章以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成3组。第1组适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第2组适合白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第3组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明,深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。3种类型的组合地表温度的平均反演误差都在1 K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255 K,相关系数是1。【结论】利用深度动态学习神经网络和辐射传输模型彻底解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。     

不同波长极化SAR数据水云模型森林生物量反演对比分析

【目的】水云模型(WCM)是一种采用SAR数据反演森林地上生物量(AGB)应用较为广泛的半经验模型,探索将不同波长、极化方式、极化信息等引入WCM,以期为提高森林AGB反演精度提供科学依据。【方法】本文以X、C、L、P波段多频极化SAR数据为数据源,首先将各波长各极化后向散射系数用于WCM进行森林AGB反演,对比其反演精度;接着采用极化分解分量构建地体散射比参数,并将其引入WCM发展为极化水云模型(PolWCM),同时对比分析其在X、C、L、P波段森林AGB的反演结果。【结果】(1)在X、C、L、P 4个波段中,除X波段外,将HV极化后向散射系数代入WCM进行森林AGB反演,精度均高于基于其他极化通道后向散射系数的反演结果;且长波长(L和P)的反演精度高于短波长(X和C)的反演精度。在L波段,将HV极化后向散射系数代入WCM进行森林AGB反演,R²和RMSE分别为0.46和18.00 t/hm²;P波段HV极化反演结果的R²和RMSE分别为0.43和21.18 t/hm²。(2)将极化信息以地体散射...     

棉花叶面积指数冠层反射率光谱响应及其反演

【目的】研究棉花冠层光谱对不同叶面积指数（LAI）的响应，建立棉花LAI光谱反演模型。【方法】利用2003～2004年采集的棉花光谱与LAI的246组数据，分析LAI与冠层反射率光谱和反射率一阶微分光谱间的定量关系。【结果】当LAI大于2.5后不同LAI棉花群体光谱反射率在可见光波段趋于饱和；LAI与可见光波段和短波红外波段（水分吸收带除外）光谱反射率呈显著负相关，与近红外波段高光谱反射率呈显著正相关；LAI与棉花反射率一阶微分光谱主要在蓝边（523～531 nm）、黄边（570～576 nm）、红边（700～755 nm）形成3个相关系数高台区，均达极显著水平，其中红边区的相关性最高。棉花红边位置固定，分别在718 nm和723 nm，且以 723 nm处对LAI更敏感。在反演棉花LAI的高光谱参数中VI (660、800)、VI (550、800)、VI (500、800)、VI (670、800)、Sdy (570～573 nm)、SDr (714～755 nm)、D723、Dr 估算LAI相对误差低于30%，RSME小于0.6，其中VI (600、800)、VI(550、800)两个参数估算水平最高，相对误差分别为21.7%与21.0%，RMSE分别为0.416与0.419；利用SDr与SDr/SDb分别对LAI大于1.0 与小于1.0 的棉花群体反演，能显著提高LAI的估算水平。【结论】应用高光谱分析方法能够提取棉花冠层特征光谱信息，构建LAI高光谱反演参数，建立估算模型，并且利用包含不同光谱参数的分段模型可以进一步提高LAI反演精度。     

基于最优模型的荒地土壤有机质含量空间反演

本研究采用Landsat OLI多光谱遥感影像数据,结合实测土壤有机质含量,利用原始影像反射率(A)、反射率一阶微分(A')、反射率二阶微分(A″)建立单波段和多波段回归模型,估算研究区土壤有机质含量,反演其空间格局。结果显示,经微分处理后的影像反射率,与土壤有机质含量相关系数增大。其中A'处理后的遥感影像反射率与土壤有机质含量的相关系数达到-0.850,比原始的提高了0.401,增强了有机质的光谱信息。多波段回归建模效果优于单波段建模。且A'的多波段回归模型预测精度最好,其建模集R~2为0.80,RMSE为3.66,预测集R~2为0.79,RMSE为3.65,RPD为1.96,表明该模型精度高,误差最小,预测效果最优,可以很好地估算该区域的土壤有机质含量。基于一阶微分的多波段回归模型:SOM=23.12-470.94B3-24.35B4-43.06B6,对研究区的SOM含量空间分布格局进行反演,发现反演结果与实际情况吻合,因此,利用多波段回归模型能很好反演研究区SOM含量空间分布格局,表达其不同有机质含量的土壤空间分布与其对应的空间位置,这为土壤有机质面状参数的获取提供了快速而有效的方法。