长白山阔叶红松林不同演替阶段冠层光谱特征及其与气温的关系

  目的  通过遥感数据分析长白山阔叶红松林不同演替阶段冠层光谱变化特征,为揭示长白山群落内部种间变化以及植被生产力对气候因子的响应机制提供理论依据。  方法  通过Google Earth Engine平台提取1984—2019年长白山原始阔叶红松林与次生白桦林Landsat和Sentinel多年冠层光谱数据并计算植被绿度参数,分析二者冠层光谱特征季节变化、植被绿度的季节与年际变化,计算植被年际绿度变化与同期月均温的Pearson相关系数。  结果  （1）原始林与次生林冠层可见光反射率在非生长季较高,生长季下降,而近红外光变化趋势则与此相反。在生长旺盛季节（5—10月底）原始林与次生林可见光波段冠层反射率相近,近红外波段差异明显,次生林冠层反射率更高。二者都具有明显的“红谷”、 “绿峰”、 “蓝谷”和“红边”现象,原始林冠层光谱反射率年变化幅度小于次生林。（2）原始林与次生林的绿度表现为相同的变化趋势,即春季展叶期间增长、秋季落叶期衰减。非生长季,原始林植被指数变化较为稳定且大于次生林,次生林林下透光度高。生长季,次生林增强植被指数（EVI）和哨兵二号红边位置（S2REP）均大于原始林,植被冠层生理活动更为旺盛,不同的卫星影像数据表现一致,且次生林的EVI峰值比原始林出现得略早。（3）1985—2019年的35年期间,长白山气温呈上升趋势,植被绿度也随之变化,即:二者EVI在增加,且夏季（生长季）增长幅度大于其他季节,春、秋季的年际差异较大。（4）与原始林相比,次生林EVI年际变化受春季气温影响较大,在生长季初期,二者的EVI与气温呈显著正相关;在整个生长季期间,当气温增加达到一定阈值后,EVI增长显著。  结论  长时间的连续冠层光谱变化监测与分析,可有效反映原始林与次生林植被物候变化差异。气温上升可能是引起长白山阔叶红松林绿度变化的重要因素之一。      

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于无人机多时相植被指数的冬小麦产量估测

通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测。结果表明,随着冬小麦的生长,多个植被指数与产量的相关性不断增强,灌浆末期相关系数达到0.7,植被指数与产量的线性回归决定系数也达到最大。多时相植被指数反映了冬小麦生长的变化特征,进一步提高了冬小麦产量估测精度,采用开花期和灌浆初期的多时相植被指数进行估产比采用单个生育期的植被指数估测产量的精度高,采用偏最小二乘回归模型的估测精度R²提高约0.021,支持向量机回归模型R²提高约0.015,随机森林回归模型R²提高约0.051。采用灌浆末期的多时相植被指数,3种模型均有较高的估测精度,偏最小二乘回归模型估测精度最高时的R²、RMSE分别为0.459、1 822.746 kg/hm²,支持向量机回归模型估测精度最高时的R²、RMSE分别为0.540、1 676.520 kg/hm²,随机森林回归模型估测精度最高时的R²、RMSE分别为0.560、1 633.896 kg/hm²,本文数据集训练的随机森林回归模型估测精度最高,且稳定性更好。     

草地放牧强度遥感解译方法——以和静县高寒草原为例

为研究高寒草原放牧强度,以新疆和静县高寒草原草地为研究对象,利用2013年7—8月野外草地地上生物量采集数据和2013年遥感数据源MDOIS13Q1的归一化植被指数(NDVI),建立了高寒草原草地地上生物量和植被指数(NDVI)的遥感反演模型;并通过分析近10年(2008—2017年)监测点每年NDVI的旬变化特征,解译高寒草原草地的放牧起止时间,通过分析归类各样点NDVI变化特征,并以ΣNDVI值划分放牧强度。结果表明:1)本研究中建立的高寒草原草地地上生物量遥感反演模型,以模型y=523.21NDVI2-82.8NDVI+55.84(R2=0.732 9,P0.000 1)精度最优;2)通过NDVI变化曲线的突变点确定了高寒草原夏季放牧开始时间为6月9—26日,结束时间为8月28日—9月14日,该结果与实际放牧时间基本吻合。3)通过分析NDVI生长季累积总量(ΣNDVI)、生长季NDVI波动下降频数和幅度确定放牧强度,构建了高寒草原草地放牧强度分级标准,与实地判断的放牧强度相比,精度验证达到89.47%,并据此制作了研究区放牧强度等级图。本研究结果可为利用多时相遥感影像快速确定草地放牧强度和放牧管理提供参考。     

基于MODIS数据的黄河三角洲地表温度研究

指出了地表温度作为地表能量平衡中的异常重要的参数之一,它在地表与大气相互作用过程当中发挥着非常重要的作用,在地表能量平衡的研究也扮演着重要角色,特别在气象、水文、地质、生态等众多领域有着非常广泛的应用需要。对现有的地表温度反演的4种算法进行比较,最终确定选择劈窗算法。根据劈窗算法的需要,对 M ODIS数据波段选取,反演出黄河三角洲地区地表温度,并且利用实测的地表温度进行反演结果精度分析。     

基于遥感的冬小麦长势等级与气象因子相关性分析

利用遥感数据,以陕西、甘肃两省为例,探讨了冬小麦不同生育期内不同等级的长势状况及其与气温、降水、日照等气象因子的相关性。将冬小麦的生长发育过程分为7个不同的生育期,借助植被指数NDVI,利用GIS空间分析方法,分析了不同生育期内作物生长发育动态变化状况;探讨了2011—2012年不同生长发育期内,不同等级的冬小麦长势状况与同生育期、前一生育期及生育期内累计温度、降水、日照时数等气象因子的相关性。结果表明,2011—2012年,陕西、甘肃两省冬小麦长势在空间上呈现越冬前较好,越冬期略变差,之后恢复变好的状况,但同时存在时空分布差异。相关分析结果表明,就平均来说,无论冬小麦长势状况如何,冬小麦长势和累计降水之间的相关性都大于同期和前一生育期的相关性,显示了降水在冬小麦整个生育期内的重要性;温度对冬小麦的影响根据冬小麦长势等级的不同而不同;日照方面,不论冬小麦长势等级如何,各种不同等级的长势都和累计日照时数相关关系最大。研究同时表明,长势好和长势差的冬小麦对降水较为敏感,而温度在整体上对长势正常的冬小麦影响较大。     

模拟多光谱卫星传感器数据的冬小麦白粉病遥感监测

为了解利用遥感技术快速大范围监测小麦白粉病病害情况的可行性,以Landsat5TM波段响应函数为基础,将地面实测冠层高光谱数据模拟为TM多光谱数据,从而分析卫星传感器多光谱波段对病害的响应情况,并构建多光谱指数(PMSI)估测白粉病严重度。在此基础上,采用2010年星-地配套数据对PMSI估测精度进行验证。结果表明,PMSI能够较准确地反映冬小麦白粉病发生的程度,获得较理想的病情严重度反演精度(r2=0.475,RMSE=0.129)。因此采用多光谱卫星遥感影像在小麦大面积种植区域进行病害监测具有应用潜力。     

Multi-Temporal Detection of Rice Phenological Stages Using Canopy Spectrum

Information on rice phenology is essential for yield estimation and crop management. To test the ability of remote sensing in detecting multiple phenological stages, paddy rice canopy spectrum was measured by a hand-held radiometer. Normalized difference vegetation index(NDVI) was calculated from spectrum, and the slope of NDVI was obtained as its difference. We evaluated the response of NDVI and its slope to rice growth with a comparison of two late-season rice cultivars. The results showed that NDVI and its slope curves had distinct variation corresponding to rice development and they could be used as cultivar-independent phenological indicators. The dates of flooding and transplanting, tillering, panicle development, heading and flowering, maturity, harvest stages, and even field management practices, could be deduced from these indicators. ‘NDVI ≤ 0' could be used as a single threshold for the detection of flooding and transplanting. The largest spike in the curve of the NDVI slope indicated the duration of tillering stage. The next spike corresponded to panicle development. The heading and flowering stage was characterized by the maximum NDVI and the change of NDVI slope from positive to negative. At the maturity stage, NDVI decreased continuously, and its slope fluctuated just below zero. When rice grains were completely mature and ready for harvest, NDVI decline was accelerated. At harvest, NDVI slope reached its minimum value. The distinction between heading and maturity stages was obscure, most likely due to NDVI saturation at high biomass. The study might provide references for paddy rice phenology determination through remote sensing images.     

陕西关中地区NDVI的时空变化特征及其驱动力分析

随着全球气候变化与城市化进程加速,城市生态建设受到越来越多的关注。为揭示多因素变化背景下关中地区的植被变化规律,基于MOD13A1遥感影像,运用定性与定量相结合的方法研究了陕西关中2005—2020年归一化植被指数(NDVI)的时空演变特征及其驱动力,结果表明：(1)16年间,陕西关中的NDVI值以每年0.004 9的速率波动上升,2020年最高,达到0.68;(2)陕西关中南部NDVI值水平明显优于北部,西南部NDVI值表现最好,均处于0.7以上;(3)陕西关中植被改善区面积占总面积的52.28%,植被退化区面积占28.73%;(4)影响陕西关中NDVI分布的主要地理、气候、人为因子分别为地貌类型、降水、土地利用。     

基于Sentinel-2A的棉花种植面积提取及产量预测

及时、准确预测棉花产量在棉田经营管理、农业决策制定等方面具有重要的价值和意义。为了提高棉花产量预测精度并确定估产的最佳生育时期,该研究利用谷歌地球引擎（Google Earth Engine,GEE）获取2020年Sentinel-2A的3个时间段影像,采用随机森林（Radom Forest, RF）、支持向量机（Support Vector Machine, SVM）、决策树（Classification and Regression Tree, CART）进行棉花种植区域提取,利用顺序向前选择（Sequential Forward Selection, SFS）和偏最小二乘算法（Partial Least Squares Regression, PLSR）确定棉花产量预测最佳生育时期,最终形成莫索湾垦区棉花产量预测分布图。结果表明,1）RF分类效果最佳,农田与非农田分类总体精度为0.94,Kappa 系数为0.89;棉田与非棉田分类总体精度为0.92,Kappa 系数为0.83。2）红边波段（B6）在3个生育时期中与产量相关性较好,相关系数随着生育时期的递进而增加,分别为0.37、0.47、0.53。3）基于PLSR构建的产量预测模型中,铃期预测效果最佳（决定系数R2=0.62,均方根误差RMSE=625.5 kg/hm2,相对误差RE=8.87%）,优于吐絮期（R2=0.51,RMSE=789.45 kg/hm2,RE=11.06%）和花期（R2=0.48,RMSE=686.4 kg/hm2,RE=9.86%）,铃期为棉花产量预测的最佳生育时期。该研究利用GEE和Sentinel-2A影像数据,为新疆莫索湾垦区棉花种植面积提取及产量预测提供一种新的思路,可为合理水肥配置、精准种植、农作物生长过程监测提供数据支撑。