基于地面成像光谱数据特征的湿地典型植被类型识别研究——以东洞庭湖核心区湿地为例

利用SOC710VP成像光谱仪在湖南省东洞庭湖区域湿地保护核心区获取了典型挺水植物芦苇、湿生植物苔草、泥蒿和栽培植物青菜的成像光谱数据,采用光谱微分技术的一阶导数分析方法和包络线去除方法分析了几种植被类型成像光谱曲线波段特性,提取成像光谱数据"双边"参数和吸收特征,并利用Fisher线性判别函数进行湿地植被类型识别,总分类精度达到87.39%,Kappa系数达到0.831 6。苔草分类后的精度最高,达到92.55%,青菜地的识别精度为92.31%,芦苇居中,识别精度达到86.11%,泥蒿的识别精度为80.65%。结果表明,地面采集的成像光谱数据进行分析得到的植被光谱特征变量具有较好的普适性和可靠性,可以为湿地植被类型的识别提供良好的科学依据。     

鄱阳湖几种常见湿地植物光谱特征的初步研究

以鄱阳湖南矶山自然保护区湿地为实验区,使用FieldSpec3便携式地物波谱仪对2010年11月的苔草、芦苇、南荻、虉草等7种鄱阳湖典型湿地植物的反射光谱数据进行采集和处理,并对不同湿地植物的光谱特征、光谱差异进行了分析;在此基础上运用二阶导数方法得到识别典型湿地植被的7个最佳波段:685.8 nm,692.4 nm,698.6 nm,704.3 nm,737.5 nm,746.2 nm,957.1 nm。通过验证,植被类型分类精度和样点验证精度分别为85.7%和91.5%。     

不同端元模型下湿地植被覆盖度的提取方法——以北京市野鸭湖湿地自然保护区为例

植被覆盖度作为反映湿地植物生长状况的重要生态学参数,在评估和检测湿地生态环境方面起着关键的作用.以华北内陆典型的淡水湿地——北京市野鸭湖湿地自然保护区为研究对象,中等分辨率的Landsat TM影像为数据源,基于线性光谱混合模型(LSMM)对研究区的植被覆盖度进行了估算.针对湿地植被类型丰富、土地利用类型多样化的特点,利用归一化植被指数(NDVI)在反映植物生长状况、覆盖程度以及区分地表覆盖类型方面的优势,通过对原始Landsat TM影像增加NDVI数据维对影像进行维度扩展,克服了传统研究中通常从Landsat TM影像上提取3-4种端元的局限,经最小噪声分离变换(MNF变换)、纯像元指数(PPI)计算以及人机交互端元选取等一系列运算,构建以陆生植物、水生植物、高反射率地物、低反射率地物、裸露土壤为组分的五端元模型来反映研究区的地物组成;同时,以原始Landsat TM影像为基础,构建植物、高反射率地物、低反射率地物、裸露土壤为组分的四端元模型.针对两种端元模型,采用全约束下的LSMM算法进行混合像元分解以获取研究区的植被覆盖度,其次辅以研究区的纯水体信息对其进行优化.精度检验采用相同时期的高分辨率WorldView-2多光谱影像来进行.研究表明:虽然四端元模型与五端元模型对植被覆盖度的估算结果在空间上具有基本一致的分布趋势,但是前者的估算结果在数值上要普遍低于后者,在研究区的水体及其附近,四端元模型难以体现水生植物的植被覆盖信息;另外,五端元模型的估算结果与检验数据的相关系数R达到0.9023,均方根误差(RMSE)为0.0939,明显优于四端元模型的R=0.8671和RMSE=0.1711.这反映了通过对影像进行维度扩展的方法来改进端元提取的数量是可行的,而由此构建的五端元模型可以更充分的反映研究区地物之间的光谱差异,从而获得更好的估算精度.     

不同品种水稻叶片的高光谱特征及其色素、含水率分析

研究了7个供试水稻品种孕穗期叶片色素以及含水率与高光谱特征参数之间的关系.在绿峰反射、红谷吸收以及水分吸收处,不同供试水稻品种高光谱波段反射率有显著差异.利用相关的分析方法,以(R6,40-R670)/R670、(R800-R680)/(R800+R800)、1/R510-1/R550、Dr、Sr、Rg6个光谱参数构建水稻叶片色素模型;同时,分析1 450 nm处水稻叶片含水率与吸收深度及吸收面积的相关性.研究表明,不同品种水稻含水率与光谱吸收差异在一定程度上反映出水稻品种间抗虫性差异.水稻叶片色素、含水率的高光谱特征在较大尺度上对田间水稻品种分类、健康诊断和品种抗性鉴定上有重大意义.     

宁夏引黄灌区水稻冠层高光谱特征研究

以不同施氮量试验小区为依托,对各生育期水稻(Oryza sativa L.)冠层光谱反射率及一阶微分光谱进行分析。结果表明,水稻冠层光谱随生育期的变化规律与其生长发育变化特征相对应;不同施氮条件下水稻冠层光谱反射率随施氮量增加在可见光波段降低、近红外波段升高,其中550~600 nm和800~900nm处差异明显,是诊断氮素的特征波段;红边位置(λr)和红边斜率(Dr)在孕穗期前均随着氮素水平的提高而增加,齐穗期后λr出现蓝移现象,Dr减小;将特征波长的比值指数、λr和Dr与叶片氮积累量进行相关性分析,结果显示,800 nm和550 nm的反射率之比(R800 nm/R550 nm)与叶片氮积累量的相关性较好,其相关系数为0.864,λr和Dr与叶片氮积累量的相关系数分别为0.814、0.908。说明合适的光谱变量可以诊断水稻氮素状况,进而为合理施肥提供参考。     

曹妃甸湿地典型植被光谱特征差异性分析

运用高光谱遥感技术分析地物特有的光谱特征可以有效地对地物进行识别。以河北省唐山市曹妃甸湿地为研究对象,使用SR2500便携式地物光谱仪测定了2种典型湿地植被——翅碱蓬[Suaeda salsa (L.) Pall.]和芦苇[Phragmites australis(Cav.)Trin.ex Steud.]的光谱特征,并对2种湿地植被的原始反射率光谱曲线和经过包络线去除法变换后的反射率光谱曲线进行研究。结果显示:由于包络线去除法的限制,在340~380 nm和716~1 020 nm波段范围内,分析芦苇原始光谱曲线更容易区分植被所处的生长期,在340~595 nm和710~920 nm波段范围内,分析翅碱蓬的原始光谱曲线更有利于区分所处的生长期,且2种植被生长旺盛期的反射率均高于生长末期。在508、550、678 nm处利用包络线去除法能够更好地区分芦苇不同生长阶段,在638、678 nm处利用包络线去除法能更好地区分翅碱蓬不同生长阶段。芦苇在绿光波段550 nm处出现明显的反射峰,而翅碱蓬在红光波段638 nm处出现明显的反射峰,这使得2种植被经过包络线去除处理后更好区分。在753~1 020 nm波段范围内,分析原始光谱曲线更适于区分芦苇和翅碱蓬,且芦苇的反射率高于翅碱蓬。     

基于高光谱特征参数的樟树叶绿素含量的估算模型研究

叶绿素在植物的生理生态过程中非常重要,而高光谱遥感的快速发展使得定量估算植被叶绿素含量成为可能.采用美国ASD公司生产的野外光谱辐射仪测量樟树幼林的叶片光谱,对观测叶片进行了同步叶绿素含量的测定.利用基于光谱位置变量的分析方法,分析樟树叶片光谱与叶绿素含量之间的关系.结果表明:樟树幼林叶绿素含量与Db,Rg,Rg/Ro,(Rg-Ro)/(Rg+Ro)之间的相关程度很高,相关系数达到极显著检验水平;通过建立特征参数与叶绿素含量之间的估算模型,并进行精度检验,得出了叶绿素含量估算的高光谱模型为y=exp[1.356+(-361.973)Db].说明利用高光谱遥感数据可以估测樟树幼林的叶绿素含量.     

几种典型荒漠植物冠层光谱特征比较研究

选取古尔班通古特沙漠南缘柽柳、梭梭和乌兰布和沙漠东北缘霸王、四合木、白刺、油蒿、红砂等7种荒漠植物为对象,通过获取各植物的冠层光谱反射率,采用光谱学分析法,提取光谱吸收特征参数,确定荒漠植物识别的最佳波段。结果表明,各荒漠植物的波谷波长位置接近,吸收波段特征有一定的相似性。具体看,梭梭和柽柳的波谱吸收特征更相近,其他5种植物更相近。应用二阶导数方法,在350~1 350 nm建立了5个具有植物生化意义的谱带,并得到典型荒漠植被识别的12个最佳波段。研究成果不仅可以为荒漠植被遥感识别和分类提供参考,也为荒漠植被生态监测提供一定科学依据。     

海南橡胶园砖红壤光谱反射特征分析

[目的]了解海南橡胶园砖红壤的光谱反射特性,为海南胶园土壤分类提供光谱特征的分类指标.[方法]采用ASD Field Spec3高光谱仪采集土壤光谱反射率,对土壤样品进行室内分析,并在此基础上利用经典统计学方法对海南胶园砖红壤光谱反射特性进行分析.[结果]海南橡胶园不同母质发育的砖红壤反射率光谱曲线走势相似,除加来农场只在1900 nm附近出现微弱水分吸收谷外,其余在1400、1900和2200nm附近光谱曲线均出现明显的吸收谷.但不同土壤类型,光谱反射率强度不同且一些特征吸收带出现的位置和表现的相对强度也不同;胶园土壤中有机质和铁离子的含量共同影响着同种母质发育的不同土壤类型的光谱特征,海南土壤中普遍富含铁而有机质含量少,一般铁对光谱的贡献要大于有机质;不同母质发育的砖红壤光谱特征有很大差异,玄武岩发育成的砖红壤光谱特征最特别,反射率始终最小,且只在1900nm附近出现微弱水分吸收谷,土壤类型最易鉴别;通过对光谱聚类分析对橡胶园砖红壤进行简单的分类,结果显示所得分类土壤之间光谱反射率存在显著差异(P＜0.05).[结论]不同类型土壤的反射光谱曲线存在一定的规律性,且随着土壤母质、土壤中的有机质含量及铁离子含量的不同而表现一定的光谱特征差异,因此土壤反射光谱可作为土壤分类的一个指标.     

基于中分辨率遥感影像的湿地土壤水分提取方法

利用中分辨率的TM遥感影像反演湿地土壤水分,探寻湿地土壤水分和非湿地土壤水分提取的不同之处,对湿地监测具有重要意义。建立地表温度(Ts)与归一化植被指数(NDVI)之间的二维特征空间,用IDL编程在特征空间内提取对应的特征点,拟合温度植被干旱指数(TVDI)法需要的干湿边方程,能快速反演出野鸭湖湿地的土壤水分情况。反演结果与实测值的相关系数为0.860,呈极显著相关,均方根误差为0.104 2,平均绝对误差为0.084 5。结果证明利用温度植被干旱指数(TVDI)法进行野鸭湖湿地这样的小尺度范围的反演土壤水分含量,方法可行,且中分辨率影像的土壤水分反演精度高于低分辨率影像的反演精度。     

应用光谱反射测定的植物、土壤及混合光谱特性

以野外采集的土壤与活体植物叶片为研究对象,采用美国生产的SVC HR-1024便携式地物光谱仪,测定了纯土壤、纯植物叶片以及不同植物叶片盖度下的土壤光谱反射率,并对混合光谱特性进行了分析研究,建立了植物叶片盖度光谱估算模型。结果表明:(1)随着植物叶片盖度的增加,土壤光谱曲线逐渐呈现"五谷四峰"的特征,但始终不会高于植被光谱曲线;(2)植物叶片盖度与原始高光谱组成的差值、比值和归一化值3种形式的指数存在着良好的相关性,差值指数的显著性最为明显,组合较好的波段为410~710 nm与700~1400 nm,能反映相关系数最大的波段为690 nm和450 nm;(3)通过一元线性回归法、多元线性逐步回归法和偏最小二乘回归法预测植物叶片盖度可知:光谱特征参数与植物叶片盖度之间具有相关性,其中光化学指数与植被衰减指数的相关系数较大,模型拟合度较高,R^2均达到0.8以上;3种光谱特征参数(植被指数、红边参数、光谱吸收特征参数)中,植被指数与植物叶片盖度建立的模型最稳定、精度最高,可以有效地估算植物叶片盖度3种方法中,多元线性逐步回归法最适宜建立植物叶片盖度预测模型。     

滇中典型乔木植被高光谱特征

针对滇中乔木植被光谱研究较少问题,运用高光谱遥感技术提取分析植被的特征波段,补充滇中乔木光谱,以期能为遥感识别分类植被、监测乔木长势,以及植被反演等提供科学依据。利用SOC710VP地物光谱仪,对滇中的侧柏(Platycladus orientalis)、樟木(Cinnamomum longepaniculatum)、柳杉(Cryptomeria fortunei)3种植被进行反射光谱测定,分析3种植被的叶片光谱特征差异,使用光谱一阶导数和连续统去除处理其原始光谱。原始反射率曲线表明,400~420 nm柳杉的曲线呈下降趋势,区别于樟木和侧柏;侧柏、樟木、柳杉的反射率在700~760 nm存在显著差异。红边波段光谱一阶导数凸显了3种乔木植被特有的波峰波谷特征,侧柏的峰谷特征尤其突出,识别度更大。连续统去除变换能够突出3种乔木植被在可见光波段的吸收和反射特征差异,樟木和柳杉的连续统去除值在440~760、950~1 000 nm存在较大差异。通过比较3种植被的原始光谱特性和反射率,可以从一定程度上把3种植被区分开。光谱一阶导数和连续统去除变换可以突出3种植被原始光谱特征之外的特征,增加识别分类3种植被的特征波段,区分识别3种植被的效果更显著。     

基于高光谱植被指数的西北玉米不同时期叶绿素含量估测

以陕西省扶风县马席村、巨良农场和杨凌区揉谷乡种植的大田玉米为试验材料,分别测定玉米抽雄期、灌浆期和乳熟期的冠层光谱反射率和叶片叶绿素含量,分析冠层各光谱植被指数与叶片叶绿素含量之间的相关关系,建立玉米叶绿素含量估测模型。结果表明,以单变量光谱植被指数估算叶绿素含量,抽雄期的最佳模型由修正叶绿素吸收反射率指数(Modified chlorophyll absorption reflectivity index,MCARI)建立,灌浆期最佳模型由垂直植被指数(Perpendicular vegetation index,PVI)建立,乳熟期最佳模型由植被衰老反射率指数(Plant senescence reflectance index,PSRI)建立。随着玉米生长期的推进,叶片衰老,用PSRI所建立的模型来监测玉米叶绿素含量的效果较好,可为高光谱遥感在玉米长势监测提供理论依据和技术支持。     

Hyperspectral image analysis for water stress detection of apple trees

Plant stress significantly reduces plant productivity. Automated on-the-go mapping of plant stress would allow for a timely intervention and mitigation of the problem before critical thresholds were exceeded, thereby maximizing productivity. The spectral signature of plant leaves was analyzed by a hyperspectral camera to identify the onset and intensity of plant water stress. Five different levels of water treatment were created in young apple trees (cv. ‘Buckeye Gala’) in a greenhouse. The trees were periodically monitored with a hyperspectral camera along with an active-illuminated spectral vegetation sensor and a digital color camera. Individual spectral images over a 385-1000 nm wavelength range were extracted at a specific wavelength to estimate reflectance and generate spectral profiles for the five different water treatment levels. Various spectral indices were calculated and correlated to stress levels. The highest correlation was found with Red Edge NDVI at 705 and 750 nm in narrowband indices and NDVI at 680 and 800 nm in broadband indices. The experimental results indicated that intelligent optical sensors could deliver decision support for plant stress detection and management.     

Common Spectral Bands and Optimum Vegetation Indices for Monitoring Leaf Nitrogen Accumulation in Rice andWheat

Real-time monitoring of nitrogen status in rice and wheat plant is of significant importance for nitrogen diagnosis, fertilization recommendation, and productivity prediction. With 11 field experiments involving different cultivars, nitrogen rates, and water regimes, time-course measurements were taken of canopy hyperspectral reflectance between 350-2 500 nm and leaf nitrogen accumulation (LNA) in rice and wheat. A new spectral analysis method through the consideration of characteristics of canopy components and plant growth status varied with phenological growth stages was designed to explore the common central bands in rice and wheat. Comprehensive analyses were made on the quantitative relationships of LNA to soil adjusted vegetation index (SAVI) and ratio vegetation index (RVI) composed of any two bands between 350-2 500 nm in rice and wheat. The results showed that the ranges of indicative spectral reflectance were largely located in 770-913 and 729-742 nm in both rice and wheat. The optimum spectral vegetation index for estimating LNA was SAVI (R822,R738) during the early-mid period (from jointing to booting), and it was RVI (R822,R738) during the mid-late period (from heading to filling) with the common central bands of 822 and 738 nm in rice and wheat. Comparison of the present spectral vegetation indices with previously reported vegetation indices gave a satisfactory performance in estimating LNA. It is concluded that the spectral bands of 822 and 738 nm can be used as common reflectance indicators for monitoring leaf nitrogen accumulation in rice and wheat.     

Hyperspectral Estimation of Corn Fraction of Photosynthetically Active Radiation

Fraction of absorbed photosynthetically active radiation （FPAR） is one of the important variables in many vegetation productivity and biomass estimation models. Therefore, it is significant to retrieve FPAR accurately for the improvement of model precision. On the basis of the field experiment, this article analyzed the correlations between corn canopy FPAR and spectral reflectance, and reflectance derivative. Discussion about the mechanism of FPAR estimation with different empirical models is based upon corn canopy reflectance, reflectance derivative, NDVI （normalized difference vegetation index） and RVI （ratio vegetation index）. The reflectance of visible bands showed much better correlations with FPAR than near-infrared bands. The correlation between FPAR and reflectance derivative varied more frequently and greatly than that between FPAR and reflectance, and with preferable correlation only around 520, 570, 670, 805, 950, and 1 010 nm. Reflectance and reflectance derivative both had intimate correlation with FPAR at some typical single band, with the maximum R^2 of 0.791 and 0.882, respectively. In a word, reflectance derivative and vegetation index were much effective in the estimation of corn FPAR than reflectance, and the stepwise regression of multibands with reflectance derivative showed the best regression with R^2 of 0.944. Reflectance at 375 and 950 nm with absorption characteristics caused by water showed prodigious potential for FPAR precisely estimating model establishment. On the whole, vegetation index and reflectance derivative had good relationships with FPAR, and could be used for FAPR estimation. It would be effective for choosing right bands and excavating the hyperspectral data to improve FPAR estimating precision.     

砂姜黑土土壤有机碳高光谱特征与定量估算模型的研究

有机碳作为衡量土壤肥力的重要指标,其定量化快速监测成为精确农业研究的热点。以安徽淮北平原区宿州市采集的砂姜黑土为研究对象,进行室内理化分析、预处理与室外光谱测量等一系列工作,在土壤原始光谱反射率的基础上,采用去包络线和波段深度提取突出吸收特征,剖析土壤光谱响应特征。基于原始光谱和8种变换形式,分析不同变换光谱形式与有机碳含量的相关性,结合有机碳光谱响应特征分析和光谱特征参量挑选,确定诊断土壤有机碳含量的最佳敏感波段,利用逐步回归方法建立了土壤有机碳高光谱的预测模型。结果表明,550~750nm波段范围是典型砂姜黑土有机碳的主要光谱响应区域。去包络线和波段深度处理突出了土壤有机碳光谱吸收特征,随着有机碳含量的降低,吸收值呈现下降趋势。在不同光谱转换形式中,归一化比值指数(R/R_(M(450-750)))的转换形式与土壤有机碳相关性最强,最敏感波段分别出现在451 nm和644 nm处,相关系数分别达0.80和–0.90。相关性最好的波段范围主要集中在600~700 nm波段附近。基于相关分析与逐步回归分析方法,确定了606、637和644 nm波段处的归一化比值指数为诊断土壤有机碳含量的最佳敏感波段,基于最佳敏感波段的归一化比值指数(R_(606)/R_(M(450-750)),R_(637)/R_(M(450-750))和R_(644)/R_(M(450-750)))建立的高光谱预测土壤有机碳模型具有良好的预测效果,模型的决定系数(R~2)为0.81,均方根误差(RMSE)为0.14,展现了较好的稳定性和预测精度。