基于Sentinel2A影像的干旱区土壤盐渍化监测研究

以渭干河—库车河三角洲绿洲为例,在5种盐分光谱指数(NDSI、SI、SI1、SI2、SAVI)基础上,选择Sentinel2A多光谱影像中的3个红边波段和近红外窄波段进行扩展,提出了新的基于红边和近红外窄波段的光谱指数,用偏最小二乘回归(PLSR)方法构建土壤电导率遥感反演模型。结果表明：相对传统光谱指数,引入红边1波段(B₅)和近红外窄波段(B_8a)的光谱指数与土壤电导率相关性显著提高;基于Sentinel2A影像的PLSR的土壤电导率信息建模效果较好(R²=0.77),模型准确、可靠。盐分反演结果表明研究区土壤盐分含量整体较高,盐渍化影响范围广泛。自绿洲内部向外围由非盐渍化向轻度—中度—重度盐渍化过渡,绿洲西部、南部轻度盐渍土分布较多,绿洲东部、东南及西南方向有重度盐渍土及极重度盐渍土分布,盐渍化程度较高。     

基于机载多光谱的冬小麦返青期土壤墒情反演

准确快速得获取冬小麦地块的土壤墒情,可为高效利用水资源、实现精准灌溉提供参考。为此,特在江苏省张家港市获取返青期冬小麦种植区的无人机多光谱遥感数据,并同步测定2个深度（10 cm和20 cm）的土壤墒情,通过遥感图像提取光谱反射率,计算归一化植被指数（NDVI）、增强型植被指数（EVI）和垂直干旱指数（PDI）,进行共线性分析后,分别运用逐步回归法、岭回归法和偏最小二乘法,构建针对不同深度土壤墒情的反演模型,并基于最佳反演模型绘制试验区不同深度土壤的墒情反演图。结果表明,用逐步回归法构建的模型在10、20 cm深度土壤墒情反演中的决定系数分别达到了0.885、0.782,建模精度最优,且针对10 cm深度土壤墒情的反演效果优于20 cm。研究结果可为冬小麦返青期土壤墒情监测方法的选择提供参考。     

多时相Sentinel-2影像在浙西北茶园信息提取中的应用

利用Sentinel-2遥感影像研究一种快速、准确提取茶园空间分布的新方法,可为茶园经济林资源及其动态变化的快速检测提供新的手段。以浙江省西北部为研究区,根据实地调查选取6类典型植被,基于4个季节的Sentinel多光谱影像分析不同植被物候及光谱特征。茶园在5月经历修剪后与其他植被区别较大,根据红边与短波红外波段构建归一化茶园指数（NDTI）。基于新指数建立决策树模型提取茶园,通过谷歌地球对结果进行验证。结果显示:归一化茶园指数可以最大限度扩大茶园与其他植被之间的差距。基于该指数提取茶园的总精度达93.83%,Kappa系数为0.917,成功实现了浙西北茶园信息的提取,证明了使用红边波段提取茶园的潜力。     

山东省春季土壤墒情遥感监测模型构建

以EOS-MODIS数据与土壤湿度地面观测数据为基础,采用植被供水指数法构建山东省春季土壤墒情监测模型,并以野外同步遥感监测场实测数据对模型精度进行验证,精度达84.54%。应用该模型对2008年4月上旬的地表土壤墒情进行了监测,结果与实际情况吻合。该模型的建立为山东省业务化土壤墒情遥感监测奠定了基础。     

基于高光谱遥感的冬小麦叶水势估算模型

【目的】采用高光谱技术,建立快速、无损与准确获取冬小麦叶水势的估算模型,为小麦灌溉的精确管理提供科学依据。【方法】利用不同水分处理的大田试验,于小麦主要生育期同步测定冠层光谱反射率、叶水势、土壤水分等信息,并探讨高光谱植被指数与冬小麦叶水势之间的定量关系。通过相关性分析、回归分析等方法,基于不同水分处理,构建4种植被指数与冬小麦叶水势的估算模型。【结果】不同水分处理和不同生育期的冬小麦,其冠层光谱反射率具有显著的变化特征。在可见光波段,冬小麦冠层反射率随着水分含量的增加而逐渐降低,而在近红外波段,其冠层反射率则随着土壤水分含量的增加而升高。随着小麦生育期的推进,在近红外波段,抽穗期的冠层反射率比拔节期的高,在灌浆期之后,红波段(670 nm)、蓝波段(450 nm)的反射率上升加快;4种植被指数与叶水势显著相关(P0.05),相关系数|r|均在0.711以上,四者均可用于冬小麦叶片水势的定量监测。在充分供水条件下(70%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.75和0.771)均低于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.808和0.896),而在重度水分亏缺条件下(50%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.857和0.853)均高于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.711和0.792);所建模型对45个未知样的预测结果与实测值相似度较高,其回归模型R~2、验证模型MRE、RMSE的范围分别为0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70%FC水分处理下,基于EVI2(enhanced vegetation index)所得叶水势估算模型的R~2最高,为0.922,而在60%FC和50%FC水分处理下,由于考虑了土壤背景的影响,基于OSAVI所建模型的R~2最高,分别为0.922和0.856。【结论】4种植被指数均可用于冬小麦叶水势的定量监测。但是,在构建不同水分处理的叶水势估算模型时,应考虑土壤背景对冠层光谱的影响。研究结果可以为小麦精准灌溉管理提供技术依据,为星载数据的参数反演提供模型支持。     

秸秆覆盖条件下土壤水分运动的数值模拟

本文以等温模型为基础，给出了秸秆合覆盖条件下冬小麦田间层状土壤水分运动的数学模型，并与实测数据进行了比较，数值模拟结果和农田实测值吻合良好，因而本模型可有效地用于秸秆覆盖条件下土壤墒情的预报工作。     

基于Sentinel卫星及无人机多光谱的滨海冬小麦种植区土壤盐分反演研究——以黄三角垦利区为例

【目的】探究黄河三角洲麦田土壤盐分准确高效的遥感提取方法,掌握土壤盐渍化程度与分布。【方法】以垦利区为研究区,均匀布设冬小麦种植区样点77个,同时设置代表性试验区2个,网格布设样点99个,实测采集麦田土壤表层盐分数据及试验区无人机多光谱图像。筛选红、绿、红边、近红4个波段及SI、NDVI、DVI、RVI、GRVI 5个光谱指数中的敏感光谱参量,采用逐步回归、偏最小二乘法、BP神经网络及SVM支持向量机4种方法建立土壤盐分估测模型,使用波段比值均值法得到Sentinel-2A卫星影像相应波段的修正系数,进而将筛选的土壤盐分估测模型转换为基于卫星影像的反演模型,经麦区实测样点数据验证,得到最佳的麦区土壤盐分反演模型,实现试验区和研究区2个尺度的麦田土壤盐分反演。【结果】无人机4个波段及光谱指数NVDI、RVI、SI与土壤盐分含量相关性显著,4种建模方法的13个模型中,以NDVI、RVI、SI建立的4个指数模型的建模及验证R²均优于其他模型;对4个模型进行升尺度修正及验证,效果最佳的反演模型为偏最小二乘法光谱指数模型：Y=-9.4774×NDVI₁+0.4794×RVI₁+3.0747×SI₁+5.0604,验证R²为0.513,RMSE为1.379;利用该模型反演得到了试验区及整个研究区麦田土壤盐分等级分布图,结合实测插值及调查结果,证明反演模型及空间分布结果准确、可靠。【结论】本研究构建了卫星、无人机一体化的滨海麦区土壤盐分反演模型,对滨海盐渍区农作物的生产管理有积极参考价值。     

基于SIMPEL模型的土壤墒情预测研究(英文)

土壤墒情预报是农业生产中农田水分管理的前提和基础。土壤墒情的变化受多种气象因素的影响,为了提高农业产量,有效利用水分,在更小的时间和空间尺度上掌握土壤水分的动态变化规律显得尤为重要。该研究以德国奥斯纳布吕克地区田间试验资料为基础,使用德国SIMPEL模型按照水分平衡原理分层模拟了试验区冬小麦0～40cm土层的土壤水分含量变化情况。农田潜在蒸散量的计算采用德国DVWK标准方法Haude计算方法。土壤的田间持水量和凋萎系数采用德国常用的水文模型SPAW(Soil-Plant-Air-Water)按照土壤参数分层计算。SIMPEL模型模拟结果显示,土壤体积含水量实测数据与模拟数据的相关性在0.95,平均相对误差低于3.1%,说明模型能够相对准确的预测此地区根层的土壤水分含量。     

基于冠层光谱红边参数和植被指数的 冬小麦水分胁迫监测

基于冬小麦不同水分胁迫试验,采用便携式光谱仪测定冬小麦抽穗期、开花期和灌浆期受不同水分胁迫处理的冠层光谱反射率,分析不同水分处理下冬小麦冠层光谱特性,并对植被指数、红边参数与冠层叶片含水率和土壤含水率进行相关性分析,构建各生育期叶片含水率和土壤含水率的最佳监测模型,实现对冠层叶片含水率以及土壤含水率的监测评估。结果显示,在整个生育期,冬小麦的冠层光谱反射率在可见光范围呈现绿峰红谷,尤其在旺盛生长时期,随着水分胁迫程度加深,绿峰红谷逐渐变得不明显,红谷抬升幅度增大;相反,在近红外波段范围内水分胁迫主要使得反射率表现为明显下降;冬小麦红边参数随生长进程呈蓝移现象,灌浆期受胁迫程度越重的红边参数越低;植被指数(EVI、NDVI、SAVI、WI)在开花期之后具有不同程度的下降趋势,至灌浆期有大幅度减小,且随受胁迫程度加深植被指数下降幅度增大;植被指数和红边位置、红边面积在灌浆期与叶片含水率和土壤含水率有显著相关,其中植被水分指数WI、归一化植被指数NDVI和红边位置λ_(red)相关性较佳,其建立的叶片含水率和土壤含水率估算模型效果较好,决定系数r~2均大于0.84,平均相对误差(MRE)≤0.207。综合分析认为,冠层反射光谱特征和植被指数与冬小麦冠层叶片含水率和土壤含水率相关性良好,可利用高光谱遥感参数对冬小麦的水分状况进行快速、准确监测。     

基于新型植被指数的冬小麦LAI高光谱反演

【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。     

基于波段组合优化光谱指数的冬小麦LAI估算

叶面积指数（LAI）是表示植被利用光能状况和冠层结构的一个综合指数,与作物产量密切相关。高光谱遥感数据具有连续、高光谱分辨率等特点,为估算农作物生理生化参数和冠层结构参数提供了重要手段。为挖掘高光谱数据估算LAI的最优波段组合以及提高估算精度,以冬小麦作为研究对象,野外实测不同生长阶段（起身、拔节、开花阶段）的冠层高光谱数据,并对其进行不同数学变换处理,包括原始光谱、一阶导数光谱和连续统去除。利用3种不同预处理的冠层高光谱数据构建30种常用植被指数和4种优化光谱指数,比较常用植被指数与优化光谱指数对冬小麦LAI的响应,建立估算冬小麦LAI的单变量和多变量回归模型,对其进行精度验证,并筛选出最优估算模型。结果表明,随着生育期的推进,可见光波段范围内,冬小麦冠层光谱反射率较低、吸收较强,LAI对连续统去除光谱的影响较大,呈负相关;近红外波段范围内不同生育期间的差异较大,随着LAI的增大,冠层光谱的红边位置出现了“红移”现象;基于一阶导数的优化植被指数（NDSI和RSI）与LAI相关系数达到0.8;从估算模型来看,基于一阶导数的RSI_{（627 nm, 774 nm）}单变...     

基于TM遥感数据的土壤墒情监测方法研究——以河南省白沙灌区为例

土壤墒情的监测是水文学、气象学以及农业科学领域研究的主要内容之一.该研究以河南省白沙灌区为研究对象,研究光学与热红外遥感数据融合的农田土壤含水量遥感模型与方法,应用TM影像穗帽变换,获取湿度分量,同时结合TM第6波段反演的植被冠层温度信息,进行分析、建模和反演土壤墒情.结果表明,该方法反演的土壤含水量与实测结果相关性较好,具有较高的土壤墒情反演精度,为灌区合理灌溉和水资源高效利用提供了技术支持.     

基于随机森林算法的冬小麦叶片氮含量遥感估算研究

精确、快速估算冬小麦叶片氮含量,对冬小麦长势监测及田间管理指导具有重要的研究意义。为精确反演冬小麦叶片氮含量(leaf nitrogen content,LNC),本文利用遥感方法 ,依托不同氮处理水平对冬小麦的影响试验,基于获取的高光谱遥感数据和LNC地面实测数据,对比分析光谱指数与随机森林算法(random forest,RF)反演冬小麦叶片氮含量的精度和稳健性。结果表明,以敏感波段496 nm和604 nm为自变量,利用随机森林算法构建的LNC回归模型精度较光谱指数法有了大幅提高,模型的建模精度为R2=0.922,均方根误差为0.290;验证精度为R2=0.873,均方根误差为0.397,并且相对分析误差值为2.220,表明将敏感波段与随机森林算法组合构建的反演模型能较好地反演冬小麦叶片氮含量。     

阿克苏流域表层土壤湿度指数反演研究

【目的】为研究国产高分一号(GF-1)遥感影像在绿洲地区农情基础数据有效采集的可行性,对土壤湿度实施大范围区域监测。【方法】以新疆阿克苏流域为研究区,基于GF-1 WFV影像以及研究区63个土壤表层湿度的实测样点数据,对垂直干旱指数(PDI)和植被调整垂直干旱指数(VAPDI)的土壤湿度监测效果进行比较和验证。【结果】(1)PDI和VAPDI与土壤湿度实测值的决定系数分别为0.589和0.735,各模型满足监测精度要求;(2)在植被覆盖较高的阿克苏绿洲,VAPDI指数模型监测精度高于PDI;(3)从反演的土壤湿度空间分布格局来看,VAPDI对土壤湿度变化更敏感,更能反映出不同植被覆盖程度下土壤湿度的实际水平。【结论】基于GF-1 WFV影像进行流域尺度的土壤湿度监测具有可行性。相比PDI指数模型,VAPDI通过对遥感影像中混合像元进行不同程度的分解,监测精度更高。研究结果能为阿克苏流域表层土壤湿度数据快速有效地采集和动态监测提供理论支持和验证。     

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。     

冬小麦叶片氮含量遥感估算方法对比研究

精确、快速估算冬小麦叶片氮含量,对冬小麦长势监测及田间管理指导具有重要的研究意义。为精确反演冬小麦叶片氮含量（leaf nitrogen content , LNC）,该文利用遥感方法,依托不同氮处理水平冬小麦试验,基于获取的高光谱遥感数据和LNC地面实测数据,对比分析光谱指数与随机森林算法（random forest , RF）反演冬小麦叶片氮含量的精度和稳健性。结果表明,以敏感波段496 nm、604 nm为自变量,利用随机森林算法构建的LNC回归模型精度较光谱指数法有了大幅提高,模型的建模精度为R2=0.922,RMSE=0.290,验证精度为R2=0.873,RMSE=0.397,并且相对分析误差RPD值为2.22,表明将敏感波段与随机森林算法组合构建的反演模型能较好反演对冬小麦LNC。     

基于宽波段数据定量反演土壤有机质含量的研究

定量分析了北京顺义、通州区土壤高光谱反射特征,利用资源三号、高分一号、高分二号传感器的光谱响应函数,结合高光谱数据生成相应宽波段模拟数据;将土壤光谱数据、拟合宽波段数据分别与实测土壤有机质含量开展相关性分析,提取并筛选敏感波段,利用偏最小二乘法建立基于高光谱数据的土壤有机质含量预测模型;依据宽波段模拟数据和实测土壤有机质含量的相关性,提取并筛选敏感波段,建立土壤有机质含量预测模型。结果表明,在基于土壤高光谱数据建立的土壤有机质含量预测模型中,以对数的一阶微分为最优,其R和RMSE分别为0.697和0.195,偏最小二乘法得到的反演土壤有机质含量的模型是可靠的;在基于模拟宽波段构建的土壤有机质含量估测模型中,以高分一号的拟合精度最高,R和RMSE分别为0.334和0.240;受室外不可控因素的影响,模拟宽波段数据在估测北方地区土壤有机质含量方面仍需进一步研究。     

基于多角度高光谱遥感的冬小麦叶片含水率估算模型

准确的作物水分监测对于旱情评估具有重要意义。在分析研究区冬小麦多角度光谱特征后,利用不同水分处理下冬小麦实测叶片含水率和实测多角度光谱数据,基于植被光谱指数法,建立不同观测角度下冬小麦光谱植被指数、水分敏感波段光谱指数与叶片含水率之间的数学模型。结果显示,相对方位角与相对天顶角越小时,观测到的光谱指数与叶片含水率的相关关系越优;敏感波段组合构建的光谱指数中,1450nm波段分别与其他波段组合的NDSI、RSI指数与叶片含水率相关性在各观测角度条件下均较好,1 450 nm波段是冬小麦叶片含水率研究的最佳敏感波段;选取常见的4种植被指数(NDVI、EVI、WI和NDII)中WI和NDVI在各观测角度下与叶片含水率的相关性优于其他两种指数,决定系数R2均在0.83以上,P0.01呈极显著相关;综上建立的多角度光谱叶片含水率估算模型,平均相对误差MRE均小于0.154、均方根误差RMSE均小于0.098,拟合效果较好,尤其是光谱指数NDSI1160,1450、NDSI980,1450和植被指数NDVI、WI;基于以上4种指数建立的最优观测角度(0°,30°)模型,其中植被指数WI的估算效果最好,相关系数在各角度均达到5%的相关显著水平,MRE0.03,可作为最优观测角度反演研究的最优植被指数。     

基于热红外辐射特征的土壤水分含量估算模型研究

利用便携式傅里叶变换红外光谱辐射仪(102F),通过室内条件下对不同含水量的土壤样本进行发射率光谱测量,阐释土壤水分含量的热红外辐射特征,通过对获取的发射率光谱数据进行微分、差分以及标准比值化变换,建立基于热红外辐射特征的土壤水分含量估算模型。结果表明,在8.0～9.5μm波段随土壤含水量的增加,土壤热红外发射率不同程度地增加,而且发射率光谱曲线在8.0～9.5μm波段变得平直,reststrahlen吸收特征相对减弱;在11.0～14.0μm波段随土壤含水量的增加,土壤热红外发射率不同程度地减小,而且在12.7μm附近存在一个吸收谷,其吸收的深度大致随土壤水分的增加而增加。通过对发射率光谱数据的微分、差分以及标准化比值处理变换,运用统计单相关分析方法确定了诊断土壤水分含量的敏感波段为8.237μm,对敏感范围8.194～8.279μm输出均值进行标准化比值处理作为自变量,提出水分诊断指数的概念,建立了土壤水分含量和水分诊断指数的对数统计模型。     

基于不同旱情指数的石羊河流域春旱监测研究

【目的】 对石羊河流域的旱情进行监测,找出更能体现区域旱情变化趋势和适宜石羊河流域的监测指数,为业务化干旱监测打好基础,提供科学手段,也为该区农业生产和防灾减灾提供决策依据。【方法】 文章基于HJ-1A/B的CCD和IRS数据,针对2018年石羊河流域出现的一次较为严重的春旱,采用3种遥感旱情监测指数（TVDI、VSWI、VHI）进行监测,并结合实测土壤湿度进行相关性分析并建立模型。【结果】 3种指数均能反映出研究区域旱情的发生发展及变化过程。其中,3—4月VSWI指数与土壤湿度的相关性最高,相关系数分别为-0.85（P<0.001）和-0.89（P<0.001）;5月旱情缓解后,TVDI指数与土壤湿度的相关性高于VSWI和VHI指数,相关系数为-0.76（P<0.001）。将监测点划分为水浇地和旱地两种类型,TVDI指数适用于反演水浇地的土壤墒情;对于旱地类型,3种指数均可以用来反映旱地土壤墒情。建立土壤湿度与3种遥感指数的关系模型,3—4月VSWI指数建立的模型调整后的R²最高,分别为0.72和0.79,模型的平均绝对误差和均方根误差均低于10%。5月旱情得到缓解后,TVDI指数建立的模型调整后的R²在0.58以上,高于VSWI和VHI指数。【结论】 TVID指数更适用于墒情较好的区域进行土壤湿度的反演,VSWI指数则适合在干旱时期进行干旱监测和反演土壤湿度。