基于多源遥感数据和EC-LUE模型的冬小麦产量估算

【目的】 及时、准确、无损地估算冬小麦产量有助于粮食生产管理和粮食安全。【方法】 文章使用Sentinel-2 的红光波段和短波红外数据及MOD09Q1数据，使用ESTARFM融合方法，生成冬小麦生长期（3~6月）内8 d的NDVI高空间分辨率时间序列数据。结合MERRA-2气象同化数据，使用EC-LUE模型进行农作物总初级生产力（GPP）的模拟估算，并使用收割指数方法将之转化为冬小麦产量，将估算结果与美国农业部门公布的县级产量数据进行比较验证。【结果】 实验表明，Sentinel-2与MOD09Q1融合 NDVI具有良好的融合精度，相关系数在0.60~0.87之间。基于融合NDVI 估算的GPP相比MOD17A2H具有更好的空间细节和纹理。2017—2020年估算产量平均绝对误差MAE为8.41 bu/acre，平均相对误差为18.4%，均方根RMSE为9.7 bu/acre。【结论】 基准影像数量及其与预测日期的时间差会影响融合的精度，总体上能用于后续GPP模拟；EC-LUE模型较好地模拟了农作物的GPP水平和产量，在土地覆盖类型复杂的区域，可以提供更好的GPP空间变异信息，具有可移植性；基于收割指数方法将生长期内累计的GPP能转换为产量信息，能满足在作物收割之前的产量估算需求。     

基于全极化Radarsat-2数据的水稻生物量估算模型

依据苏州东桥试验区水稻生长期观测数据,采用多时相水稻拔节到抽穗期全极化Radarsat-2数据,分别分析了不同极化HH、VV、CROSS、比值HH/VV的雷达后向散射系数时域变化特征与生物量的相关关系,构建水云模型、二次多项式模型和指数模型反演水稻生物量。反演结果表明:HH、CROSS水云模型都有不错的反演效果,相关系数分别为0.910、0.902,而HH水云模型反演生物量尤佳,均方根误差为0.190。指数模型普遍优于二次多项式模型,HH/VV指数模型效果出众,相关系数为0.929,均方根误差为0.164。通过比较分析不同极化的水云模型、二次多项式模型和指数模型,HH水云模型与HH/VV指数模型反演水稻生物量精度相对较高。     

基于无人机多光谱遥感和机器学习算法的南疆棉花生物量估算

为探究不同生育期内植被指数对南疆棉花地上部生物量的估算潜力，利用无人机测取试验地塔河二号棉花3个生育期(蕾期、花铃期、吐絮期)多光谱影像数据，同时进行棉花植株生物量(地上部分干质量)的数据采集，对不同生育时期的棉花光谱及地上部生物量变化特征进行分析，选取Pearson相关系数法筛选出的单一植被指数和多种植被指数组合构建基于偏最小二乘法(PLSR)、支持向量机(SVM)和随机森林(RF)3种机器学习算法的反演模型，通过决定系数(R²)和均方根误差(RMSE)对反演效果进行评定。结果表明，地上生物量在蕾期至吐絮期内持续增大，多光谱近红外波段反射率在蕾期至吐絮期内先升高后降低，花铃期的模型估算效果最佳，R²均≥0.68,RMSE均≤0.53;NDVI、RVI和GNDVI这3种植被指数与棉花地上部生物量的相关性最高，相关系数均≥0.765,呈极显著相关关系(P<0.01);以植被指数组合(NDVI-RVI)为变量的支持向量机回归模型的建模效果最优。本研究探究了不同植被指数组合和不同机器学习算法建模的估算效果，证明了植被指数融合的方法在棉花不同生...     

基于环境卫星数据的黄河湿地植被生物量反演研究

回归模型拟合植被指数与生物量的定量关系是植被生物量反演的重要研究方法之一.研究在此基础上,基于环境卫星遥感数据和同步野外实地采样数据,以郑州黄河湿地自然保护区为试验区,比较MLRM(多元线性回归模型)与SCRM(一元曲线回归模型)反演植被生物量的能力,并估算研究区植被生物量,生成研究区生物量分布图.结果表明,文中所建立的MLRM在研究区具有较好的反演精度和预测能力.其模型显著性检验为极显著,相关系数为0.9791,模型拟合精度达到29.8 g/m2,其模型预测结果系统误差为49.9g/m2,均方根误差为67.2 g/m2,预测决定系数为0.8742,比传统的一元回归模型具有更高的精度和可靠性.估算研究区域2010年8月湿生植被生物量约为6.849199 t/hm2,相对误差为4.73％.     

地表温度的多源遥感数据时空融合模型构建

为解决传统的遥感数据融合模型在高异质性地表区域的融合精度不高的问题,本研究在考虑地表温度的前提下构建了一种新的多源遥感数据时空融合模型。首先,为消除反演得到的可见光与红外信息出现不对等的影响,将地表测温空间尺度为综合多地表参数的数据尺度模型。然后利用低尺度低空间分辨率的转换残差模拟地表温度。由于地表温度特征复杂,构建BP神经网络,并根据实际情况调整网络结构与初始参数值。然后融合光学遥感数据与SAR数据,根据高、低空间的分辨率影像计算、反演遥感地表参数,最后将尺度转换模型应用于预测时间相位的参数融合过程中。仿真实验结果表明:上述设计的模型的融合精度要比传统模型略高,证明该模型实现了设计初衷。     

基于PROSAIL模型的水稻叶片生物量反演

为解决水稻叶片生物量反演模型普遍存在的泛用性与机理性较差的问题,利用无人机高光谱遥感平台获取水稻冠层400～1 000 nm的高光谱反射率信息,对PROSAIL模型进行参数敏感性分析,根据分析结果利用连续投影法提取敏感波段,在此基础上,结合PROSAIL作物辐射传输模型与水稻高光谱数据,运用秃鹰算法（BES）对PROSAIl模型的生物量参数进行数值优化,从而快速、精准实现水稻关键生育期的叶片生物量反演。结果显示：运用改进Sobol方法对水稻叶片生物量进行全局敏感性分析,敏感区间为700～1 000 nm。对敏感区间内光谱利用连续投影法提取了750、788、898、940、962、999 nm等6个水稻叶片生物量特征波长。结合PROSAIL模型与BES优化算法,构建了PROSAIL-BES数值优化方法。以水稻特征波段光谱反射率为模型输入,通过PROSAIL-BES数值优化方法对PROSAIL模型参数进行校正,叶片生物量反演结果 R2为0.694,RMSE为0.002。结果表明,与传统机器学习模型的反演结果对比,PROSAIL-BES数值优化方法具有更好的反演精度,在水稻生物量反演领域具有...     

4种遥感数据时空融合模型生成高分辨率归一化植被指数的对比分析

  目的  针对时空融合方法在遥感植被状况调查及动态变化监测中的应用,比对时空自适应反射率融合模型(STARFM)、增强型时空自适应反射率融合模型(ESTARFM)、回归拟合空间滤波和残差补偿模型(Fit-FC)和规则集回归树融合模型(RPRTM)等4种时空融合模型对归一化植被指数(NDVI)的融合效果。  方法  以三江源地区2块具有差异性地表特征的区域为研究样地,采用上述4种时空融合方法,融合空间分辨率30 m的Landsat 8影像和250 m时间步长16 d的MODIS NDVI数据,生成步长为16 d的30 m空间分辨率的NDVI数据。基于Landsat NDVI影像通过定性的目视判别和定量的统计分析来评价不同融合模型结果的空间特征模拟效果,并以真实的MODIS NDVI时间动态为参考,分析了不同融合方法对地表植被动态特征的拟合效果。  结果  ①关于空间特征的捕捉,在地表覆盖状况较复杂的区域,RPRTM融合效果最佳(R2=0.82);而对于输入影像差异较大的区域,ESTARFM融合效果最佳(R2=0.95)。②关于时间动态的捕捉,RPRTM针对不同的植被型均取得了最佳效果(R2为0.97~0.99)。③相对于模型输入数据的时空可比性,地表异质性对STARFM和ESTARFM融合效果的影响更大。  结论  4种时空融合模型能有效用于生成高时空分辨率的NDVI数据,不同模型其融合效果各有不同,RPRTM在复杂地表区域与模拟植被生长动态变化中均有较好表现。图4表1参38     

不同遥感数据融合方法在南方水稻面积监测中的应用研究

在南方水稻遥感监测中,单一传感器影像数据已不能满足监测精度的要求,需要将高空间分辨率全色影像与中高空间分辨率多光谱影像进行融合,得到新的高空间分辨率多光谱影像,有利于改善影像识别与分类精度.该文利用江苏省金湖地区HJ-1A卫星30m分辨率多波段影像与ALOS卫星2.5m分辨率全色影像进行水稻监测,采用4种融合方法(Brovey变换、IHS变换、高通滤波和小波变换)对2种影像进行融合处理.随后对各种融合影像结果进行了目视定性和融合评价指标定量说明与评价,结果表明小波变换在空间与光谱信息上具有最佳的融合效果.进一步利用小波变换的融合影像进行水稻识别与面积提取,统计表明融合影像相比HJ-1A多光谱影像,水稻面积估测精度从79.26%提高到91.65%.因此,利用多源遥感数据融合的方法对南方水稻面积进行监测,可显著提高其监测精度.     

荒漠化地区植被因子的定量反演方法

采用国产高光谱分辨率成像光谱仪(OMIS-Ⅰ)系统数据对荒漠化评价的植被因子(植被盖度、生物量)进行了定量反演。通过建立以像元为单位的定量化遥感信息模型,获得荒漠化地区植被因子的分布图。结果表明,用高光谱数据定量反演荒漠化地区植被生物量和盖度是比较可靠的。当反演区域内灌木和草地同时存在时,多项式模型的精度要明显高于线性模型;当植被类型单一时,模型即为较高精度的线性模型。植被因子的定量反演与植被类型有关。     

资源三号遥感卫星影像的生物量反演研究

研究了北京市森林生物量遥感估测模型的构建和合理性判断。建立森林生物量模型所需的各种数据,包括2012年的资源三号卫星影像数据和实测样地调查数据。采用9格法提取的遥感影像信息,其中影像的纹理因子作为建模因子之一,与光谱因子、地形因子一起与实地样地数据建立生物量模型,进行生物量反演,通过精度分析,分别建立整个北京市针叶林和阔叶林的森林生物量反演模型,其相关系数分别为0.82、0.71,拟合估测精度分别为76.75%、80.02%,为提高林业调查的效率与精度提供一种方法。     

一种基于MODIS·TM影像融合技术提高水稻种植分布提取精度的方法

综合考虑湄公河三角洲地区高质量TM影像难以获得、影像单一以及MODIS时间序列数据影像的空间分辨率无法满足监测需要的问题,提出一种基于影像对象的MODIS与TM数据融合模型(IOBFM)。根据2009年12月9日和2010年7月5日湄公河三角洲中部地区Landsat7 TM影像数据,融合MODIS时序数据提取裸地纯象元点中的水稻点,并与单纯运用MODIS影像的提取结果的精度进行比较。结果表明,用IOBFM模型的水稻象元提取精度比MODIS提取精度高出9.7个百分点,MODIS与TM数据融合可提高提取地区植被分布的精度。     

基于时空关联性的温室环境多传感器数据融合

为满足温室环境测控系统中传感器数据需具有鲁棒性的要求,提出一种基于时空关联性的温室环境多传感器数据融合算法。利用时间预测算法对环境数据的时间相关性进行预测,利用同质和异质传感器的特点对环境参数进行空间相似性预测。利用改进型支持度函数算法对基于时空关联性的预测值进行数据融合,并对数据融合的效果进行验证。结果表明,时间相关性、空间相似性预测算法的预测效果较好,且以时空预测值为输入变量时,改进型支持度函数的数据融合算法能够有效地将环境数据预处理的时空关联性预测值赋予动态的加权值,并且其数据融合结果优于平均值算法、传统支持度函数算法,数据融合产生的最优估计值更能真实地反映温室环境的变化,具有可靠性和准确性。     

不同土地利用方式下有机质含量的高光谱反演

【目的】在三峡库区王家沟小流域,研究不同土地利用方式对SOM含量反演精度的影响。【方法】利用来自园地、旱地、水田3种土地利用类型土壤样本的有机质含量及高光谱数据,构建了不同土地利用方式下的土壤有机质含量反演模型。【结果】不同土地利用方式下的土壤有机质反演模型精度并不相同:水田土壤有机质含量反演模型精度最高(总相关系数为0.838,标定集和验证集的相关系数分别为0.865和0.776);旱地有机质含量反演精度居中,总相关系数为0.781;园地土壤标定集和验证集中土壤有机质预测值和实测值之间也具有显著的相关性,但其精度最低(总相关系数为0.700)。混合来自园地和旱地两种土地利用方式的土壤样本建立的紫色土土壤有机质含量反演模型精度(总相关系数为0.528)低于单一土地利用方式的土壤有机质含量反演精度。【结论】与土壤类型相比,有机质含量的反演精度对土地利用方式更为敏感。考虑土地利用方式的影响,有助于提高土壤有机质含量反演精度。     

水稻农学理化参量无人机遥感反演研究现状与展望

近几年，无人机遥感技术在水稻理化参量反演上得到了广泛应用，并逐渐发展成为水稻田块尺度遥感信息获取的主要途径之一。深入分析基于无人机遥感的水稻农学理化参量（指在农业领域中可确定某种物理、化学性质的参量）反演研究现状及存在问题，有利于更好地把握水稻无人机遥感未来发展趋势。综述无人机遥感技术在反演生化组分含量、结构参量、生产力等方面的研究现状，其中生化组分含量的反演研究主要集中在氮素和叶绿素方向且目前仍然以数据驱动的方法为主，例如用于反演氮素的窄波段植被指数NDRE，通过对极限学习机与偏最小二乘回归耦合对水稻叶绿素含量的反演等，而基于物理模型的反演方法较少；结构参量的反演研究主要包括叶面积指数、生物量等，方法有用于反演叶面积指数的辐射传输机理模型PROSAIL，用于反演生物量的基于冠层光谱特征的优化高斯过程回归方法；生产力的遥感重点在水稻的产量估算、病害和倒伏检测，方法有用于水稻估算的利用RGB影像使用K-Means与核相关滤波算法融合。对无人机遥感平台、设备、方法进行了总结，梳理近10年水稻农学理化参量无人机遥感反演的研究进展和成果。最后综合国内外的研究现状进行水稻无人机定量遥感讨论分析与...     

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。     

结合不同辅助信息的耕地土壤有机质空间插值方法研究

耕地土壤有机质与耕地质量息息相关,其空间分布受人为因素和自然因素的双重影响。为提高空间插值模型预测精度,以福建省漳州市华安县为例,采用结合坡度、海拔高度、土地利用辅助信息的空间插值技术,探究最适合该区域的空间插值模型。结果表明:华安县耕地土壤有机质平均含量23.5 g/kg,属中等水平,变异系数为30.8%,属中等性变异,块金系数为55.1%,表明人为因素和自然因素对土壤有机质的空间变异的影响作用相当。结合土地利用类型的克里金插值模型精度最高,结合海拔高度的空间插值次之,结合辅助信息的空间插值与普通克里金插值相比,预测值和实测值的相关系数明显提升,均方根误差有不同程度的下降。     

徐州市GF-1卫星气溶胶光学厚度反演与空间特征分析

目前,基于国内外发射的各种卫星传感器观测数据的陆地气溶胶光学厚度（AOD）反演方法与应用研究已相对成熟。然而,针对我国国产高空间分辨率（如高分一号）卫星数据的城市小区域尺度的反演与应用则相对较少。因此,选择使用深蓝算法对我国重要的工业型城市——徐州市进行国产GF-1 WFV数据AOD反演与空间特征分析,并利用地基AERONET同期数据进行反演结果验证。研究结果显示,2015—2017年6期的徐州市AOD整体空间格局稳定,均以人口聚集的城区呈高值分布为特征,不随季节变化,说明该地区空气污染源极可能以城市人为排放为主;与AERONET站点同期数据的相关性分析与时序分析结果表明,基于GF-1 WFV高空间分辨率卫星数据的徐州市AOD反演结果质量良好。建议今后在大数据支撑下,应充分利用时空数据融合及机器学习等先进技术手段,弥补受云覆盖影响下单时间窗口GF-1卫星数据AOD反演的缺陷,以期达到国产高分卫星的更高时间、更高空间分辨率以及实时监测与预测的更高业务目标。     

基于Sentinel-2多光谱数据的枸杞叶面积指数反演

叶面积指数(LAI)是重要的植被生物理化参数,基于物理、经验模型的LAI估算效率和精度有限。为评价机器学习算法在LAI遥感估算中的适用性,本文以宁夏枸杞种植基地为研究区,基于Sentinel-2多光谱数据,结合实测LAI,分析了波段反射率、植被指数与LAI的相关性,并将80组数据随机分成60组训练集和20组测试集,构建3种数据输入模式。将数据进行多次训练,采用决定系数R2和均方根误差(RMSE)作为模型评价指标。结果表明,实测LAI值与波段反射率,植被指数均在(P0.01)水平下极显著相关,且相关系数均高于0.6。训练集中GPR算法均表现出了较强的预测能力,且以波段反射率为输入模式有最好的预测能力,LAI预测值与实测值R2为0.803、0.689和0.699,高于其它算法,RMSE为0.402、0.453和0.441,低于其它算法;测试集中,3种输入模式R2为0.743、0.617和0.638,RMSE为0.451、0.505和0.491,以波段反射率为输入模式反演精度最高。     

新疆北部地区积雪信息遥感反演研究

针对不同区域归一化雪被指数值(NDSI)上下浮动的问题,提出以对积雪响应敏感的NDSI和归一化植被指数(NDVI)为特征向量构建特征空间,建立基于MODIS数据的积雪丰度反演模型——NN模型。以高分辨率的Landsat TM数据对反演结果进行精度检验,NN模型反演积雪丰度值与获取自Landsat TM数据的NDSI值的相关系数R2为0.827。结果表明,通过建立NDSI—NDVI特征空间构建积雪丰度反演模型是可行的,且精度较高。因此,该方法对于了解干旱区积雪情况、评估其对新疆农业生产发展的影响具有一定现实意义。     

结合不同辅助信息的耕地土壤有机质空间插值方法研究

耕地土壤有机质与耕地质量息息相关,其空间分布受人为因素和自然因素的双重影响.为提高空间插值模型预测精度,以福建省漳州市华安县为例,采用结合坡度、海拔高度、土地利用辅助信息的空间插值技术,探究最适合该区域的空间插值模型.结果表明:华安县耕地土壤有机质平均含量23.5 g/kg,属中等水平,变异系数为30.8％,属中等性变异,块金系数为55.1％,表明人为因素和自然因素对土壤有机质的空间变异的影响作用相当.结合土地利用类型的克里金插值模型精度最高,结合海拔高度的空间插值次之,结合辅助信息的空间插值与普通克里金插值相比,预测值和实测值的相关系数明显提升,均方根误差有不同程度的下降.