全天候区域地表蒸散发反演——以黑河流域为例

【目的】蒸散发是生物圈、岩石圈、水圈、冰雪圈和大气圈中水分循环和能量传输的重要控制因素。为克服区域尺度方法的主观性和站点尺度方法难以反映气象因子空间异质性的局限,文章以中国境内黑河流域为研究区域,使用2012年6月1日至9月15日的MODIS数据与CLDAS格网气象数据探索区域尺度全天候蒸散发遥感反演。【方法】该文利用逐像元地表温度—植被指数特征空间方法和Penman-Monteith公式分别估算晴空像元和有云像元的地表蒸散发,实现了区域尺度全天候蒸散发遥感反演。在分析研究区CLDAS气象数据的精度基础之上,利用MODIS数据反演的短波辐射来替代CLDAS气象数据中的短波辐射,作为全天候地表蒸散发的输入参数。最后,利用黑河流域4个不同站点实测的地表蒸散发数据对反演值进行验证。【结果】利用MODIS短波辐射代替CLDAS气象数据中的短波辐射,能够显著提高蒸散发的反演精度,4个站点反演值与实测值之间的平均均方根误差为76.3 W/m2。【结论】利用MODIS数据和CLDAS数据可以获得区域尺度的全天候蒸散发。在缺乏短波辐射数据或短波辐射数据精度较低的情况下,利用MODIS数据反演得到的短波辐射作为蒸散发模型的参数输入,能较大地提高蒸散发的反演精度。     

基于光学和微波遥感数据的森林蓄积量估测模型研究

【目的】探讨综合光学遥感和微波遥感的多源数据森林蓄积量反演方法。【方法】以L波段ALOS PALSAR全极化数据和Landsat TM为数据源,结合地面调查样地数据,通过ALOS PALSAR提取不同极化状态的后向散射系数和极化比值等极化特征因子,Landsat TM数据提取光学遥感因子,以多元线性回归构建森林蓄积量模型。【结果】光学遥感反演方法、微波遥感反演方法、综合光学遥感和微波遥感的多源数据反演方法均可以实现森林蓄积量估测,其中,基于多源数据协同的反演模型为最优模型,决定系数R~2为0.674,模型检验均方根误差RMSE为13.38 m~3/hm~2。【结论】要比使用一种数据源的反演方法具有明显的优势,有效实现了森林蓄积量估测。     

多层离散各向异性辐射传输模型在玉米叶面积指数垂直分布反演中的应用

为更准确地监测玉米叶面积指数(leaf area index, LAI)垂直分布,以多层离散各向异性辐射传输(discrete anisotropic radiative transfer, DART)模型构建的模拟数据集为基础,提出一种条件约束的LAI垂直分布反演方法。首先,基于3层垂直分布场景,评价DART模型对玉米冠层反射率和光合有效辐射(photosynthetically active radiation, PAR)的模拟效果,并构建相应的模拟数据集。其次,基于模拟数据集构建LAI和PAR单参数反演模型。最后,以单参数反演模型为先验知识,通过求解约束化问题实现基于高光谱植被指数的玉米冠层LAI垂直分布反演。结果表明:相较于单参数反演模型,约束优化条件下的反演模型精度更高。玉米上层LAI反演结果的决定系数(R2)提高0.022,均方根误差(root-mean-square error, RMSE)降低0.016 m~2/m~2,归一化均方根误差(normalized root-mean-square error, NRMSE)降低1.3%;玉米中层LAI反演结果的R2提高0.08,RMSE降低0.219 m~2/m~2,NRMSE降低10.1%;玉米下层LAI反演结果的R2提高0.069,RMSE降低0.041 m~2/m~2,NRMSE降低4.6%。说明利用条件约束优化的方法进行玉米冠层LAI的垂直分布反演,能有效提高反演精度。     

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。     

四种常用的太阳诱导植被叶绿素荧光 反演方法对比分析研究

【目的】太阳诱导叶绿素荧光(SIF)是一种新型的植被参数,可用于监测植物光合作用状态和评估总初级生产力。利用模拟数据对比分析常用SIF反演方法的精度,为野外测量仪器SIF反演方法的选择提供理论基础。【方法】选择SCOPE模型模拟了不同生化理化参数下的模拟数据,并以该数据为基础生成不同光谱分辨率(SR)和不同信噪比(SNR)下的模拟数据集。选择4种常用SIF反演方法进行SIF反演:夫琅禾费暗线法(FLD),3FLD、iFLD和光谱拟合法(SFM)。【结果】基于模拟数据的反演结果表明SFM和i FLD方法能够获得更准确的SIF,其均方根误差(RMSE)分别为0.1142 W/m~2/μm/sr和0.1114 W/m~2/μm/sr;3FLD法亦能取得较准确的SIF结果,其RMSE为0.2014 W/m~2/μm/sr;而FLD法的精度较差,其RMSE大于0.5 W/m~2/μm/sr。在高SR和SNR条件下,SFM和iFLD法明显优于3FLD和FLD法,但随着SR和SNR的降低,4种反演方法的精度也随之降低,其中iFLD法受SNR影响最为明显。【结论】利用SFM和iFLD方法能够得到更准确的SIF反演结果,且随着仪器SR和SNR的提高其反演精度也随着提高,但iFLD方法易受SNR的影响。因此,对于光谱分辨率优于1 nm的测量仪器应优先选择SFM方法来反演SIF。     

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CBERS-02B数据的森林三维绿量测算

【目的】以北京市密云县为研究对象,提出基于CBERS-02B数据的三维绿量测算方法。【方法】利用皮尔森相关系数分析地面样地三维绿量和遥感特征的相关性,并在密云县植被覆盖分类的基础上,分林型(阔叶林和针叶林)建立三维绿量测算模型。利用模型进行密云县森林植被三维绿量的反演,测算密云县三维绿量总量并分析其三维绿量的分布特征。【结果】建立了密云县阔叶林、针叶林三维绿量模型,其决定系数R2分别为0.724和0.735,总体精度为80.38%,单位面积均方根误差RMSE为1.41m3/m2,密云县三维绿量为523 561.516万m3,单位面积绿量为2.35m3/m2。【结论】基于CBERS-02B数据的森林三维绿量测算方法可行。     

多源遥感数据结合的橡胶林有效叶面积指数升尺度估测

【目的】针对传统森林叶面积指数监测的小尺度、对植被具有破坏性以及低效率。【方法】以机载LiDAR数据和Landsat 8 OLI数据为主要信息源,使用LiDAR点云基于Beer-Lambert定理反演得到点云条带区橡胶林有效叶面积指数,并用样地实测叶面积指数对其进行差异性检验。其次,以LiDAR点云得到有效叶面积指数作为训练样本结合Landsat 8 OLI数据,分别使用偏最小二乘回归模型和BP神经网络模型对有效叶面积指数进行升尺度光学遥感估测。【结果】1)LiDAR点云反演得到的有效叶面积指数与样地实测的叶面积指数之间极显著相关且差异不显著,相关系数为0.82。2)研究所建立的遥感估测模型中,BP神经网络回归模型的估测结果优于偏最小二乘回归模型,其决定系数R2为0.54,均方根误差RMSE为1.23,相对均方根误差rRMSE为47.68%。【结论】在森林参数获取和林业调查中,机载激光雷达数据与光学遥感数据的结合可有效提高工作效率、降低调查成本、效弥补人工调查的不足。     

华南地区土壤全钾含量高光谱反演模型研究

【目的】为更快速准确地估算土壤全钾含量。【方法】本文以土壤高光谱数据和实验室分析所得的土壤全钾含量数据为数据源,研究土壤光谱与土壤全钾含量的关系。在土壤原始光谱预处理的基础上,对其进行光谱平滑、一阶微分、二阶微分和倒数对数等光谱变换处理,筛选出与对土壤全钾含量相关性最高的光谱指标,最终建立模型预测土壤全钾含量。【结果】基于一阶微分变换的光谱变量是估算土壤全钾含量的最佳光谱指标,其构建的土壤全钾高光谱反演模型(y=2E+06x~2+11328x+16.372)效果最佳,决定系数R~2为0.64,均方根误差RMSE为4.850 g/kg。【结论】利用该模型快速估算广东省土壤全钾含量是可行的。     

土壤热导率影响因素及模型评估研究

【目的】通过对预测模型的评估,综合考虑各方面因素,使各模型在适用条件范围内扬长避短、发挥优势,简洁、快速、精确地获取土壤热导率的预测值,以实现复杂程度上的定量化研究。【方法】对前人提出的16种土壤热导率模型的优势和劣势及应用条件、影响因素进行分析总结,将其中14种模型的预测数据与从文献中收集的实测数据进行比较,通过线性回归分析与均方根误差分析,实现模型评估。【结果】含水率和石英含量对土壤热导率有很大影响,石英的热导率约为7.9 W·m~(-1)·K~(-1),是所有土壤矿物中最高的,在湿润状态下的土壤热导率远高于干燥状态下的;常温下,Wiener的模型回归系数为0.133和2.208,模型决定系数为0.393和0.820,与其他模型相比偏差明显;而Geo-Mean模型显示出最低回归系数0.668,最高均方根误差0.598,模型的预测值与实测值偏差显著;Zhang等的模型、Chen的模型和Haigh的模型回归系数分别为0.994、0.919和0.891,均方根误差为0.280、0.315和0.394,表现出相对较高的预测精度;Lu等模型的回归系数为0.850,决定系数为0.976,土壤热导率的预测精度一般,而基于Lu等模型改进的苏李君等模型显示最高回归系数(0.997)和决定系数(0.980),表现出最优的性能。【结论】在需要考虑土壤类型的情况下,推荐使用苏李君等的模型,该模型能够更加详细描述土壤物理基本参数对土壤热导率的影响。