基于航空高光谱反演的黑土地质量综合评价研究

土地质量评价能够为黑土地资源的保护和可持续开发利用提供重要参考依据。航空高光谱技术凭借光谱分辨率高、数据覆盖面广、时效性强等优势，在黑土地质量指标调查中已初步显示出应用价值，为了进一步发挥高光谱技术在黑土地质量评价中的作用，提出一种基于航空高光谱的黑土地质量综合评价方法。以黑龙江省海伦地区为例，在裸土期和农作物生长期分别获取CASI/SASI航空高光谱数据，地面同步开展样品采集，通过实验室分析获取养分指标、环境指标和农作物长势指标三大类共15项指标数据。利用偏最小二乘法反演各项评价指标的含量，利用层次分析法建立综合评价模型，并以实际地块为评价单元获得研究区黑土地质量综合评价结果。反演结果表明，有机质的建模精度最高，R2达到0.813，养分和农作物指标的建模精度均超过了0.7，重金属元素的建模精度均超过了0.6，总体上获得了较好的反演效果。评价结果显示研究区地块等级均在二等及以上，其中一等（优质）地块面积占全区的38.38%，二等（良好）地块面积占全区的61.62%，整体土壤质量较高。评价结果与地面验证结果一致率达到97.60%，表明了评价结果的可靠性。研究成果能够为田块尺度的黑土地质量快速评价提供技术支撑。     

膜下滴灌棉田Dobson介电模型参数修改及水盐含量反演

新疆土壤盐渍化严重，亟需防治土壤盐渍化继续蔓延，水盐含量能直观表述盐渍化程度，所以反演土壤水盐含量对于土壤盐渍化的防治具有重要意义。以新疆典型的膜下滴灌棉田土壤为例，利用探地雷达250 MHz和1 000 MHz两个频率天线，通过共中心点法获取波速后转换为视在介电常数，结合野外实测数据，修正胡庆荣盐渍土介电模型参数，以修正后的胡庆荣盐渍土介电模型反演膜下滴灌棉田表层土（0~30 cm）的水盐含量，最终验证反演结果的适用性。结果表明：①通过修正胡庆荣介电模型中的参数，使该模型可以适用于膜下滴灌棉田土壤水盐含量的反演。参数A修正后的取值在0.74左右，参数ξ修正后的取值在0.14左右。②1 000 MHz频率天线反演的含水量优于250 MHz频率，且反演值与实际值具有较好的线性拟合关系，R²=0.948，RMSE为2.67 cm³/cm³。③探地雷达250 MHz和1 000 MHz频率天线的组合能够有效反演膜下滴灌棉田表层土的含盐量，反演值与实测值拟合程度较高，R²=0.835，RMSE为1.43 g/kg。探地雷达技术结合参数修正后的胡庆荣介电模型不仅提高了水盐含量的调查效率，还有利于绘制中尺度棉田土壤水盐含量分布图，为防治土壤盐渍化提供了理论数据支持。     

基于无人机图像混合像元分解模型提高小麦基本苗数的反演精度

及时、精确地获取小麦基本苗数在田块内部的空间差异信息，有利于实施精准变量追施氮肥，实现化肥减量增效。传统的无人机农业遥感仅关注植被与土壤2类特征而忽略混合像元的影响，导致小麦基本苗数反演精度差、可靠性低。为解决上述问题，该研究利用大疆Mini 无人机获取麦田图像，基于不变目标法完成图像的相对辐射标定，并利用像元纯净指数提取植被端元与土壤端元。根据端元光谱特性建立混合像元的线性分解模型，求解混合像元中植被组分的丰度，基于像元统计法计算植被覆盖度，进而建立植被覆盖度与小麦基本苗数地面真值的线性回归模型。该研究方法获得的模型，决定系数R2为0.87，均方根误差为1.97株/m2。而基于传统植被指数法分别利用可见光波段差分植被指数、绿红差分指数、绿红比值指数获取的相应植被覆盖度与小麦基本苗数地面真值的线性回归模型决定系数R2及均方根误差分别为0.79、0.56、0.47及6.06、7.04、4.43株/m2。由此可知，基于混合像元分解模型定量反演小麦基本苗数的方法具有较高的精度，研究成果可为小麦精准减量追施氮肥作业提供数据支持。     

低温胁迫下冬小麦叶片叶绿素含量的高光谱估算

利用一次寒潮降温过程，以苗期12个品种的冬小麦为研究对象，测定其低温逆境下叶片光谱反射率和SPAD(Soil and Plant Analyzer Development，SPAD)值。以2020年12月28日（最高/最低温为15℃/3℃）的观测值为胁迫前数据，12月31日（最高/最低温为1℃/−9℃）的观测值为低温胁迫后数据，分析低温胁迫前后小麦叶片原始光谱和SPAD值的变化规律。在多种光谱参数中，采用相关分析方法遴选出5个与SPAD值密切相关的特征变量，分别建立低温胁迫前、后以原始光谱数据、一阶光谱导数和三种植被指数为自变量的小麦叶片叶绿素含量反演模型，并进行交互验证，筛选出低温胁迫后小麦叶绿素含量的最优反演模型。结果表明：（1）与胁迫前相比，低温胁迫后小麦叶片SPAD整体呈上升趋势，光谱反射率在叶绿素吸收较好的可见光区域有所降低，叶片表现出受冻特征；（2）构建的低温胁迫前后两种混合模型，交互验证后精度较低，表明常温下小麦叶绿素含量估算模型并不适用于遭受低温胁迫后的小麦叶绿素估算，需单独建立低温胁迫后的估算模型；（3）利用光谱数据构建冬小麦低温胁迫下叶绿素含量反演混合模型中，以一阶光谱导数在694nm处建立的模型估算效果最优，拟合度（R2）为0.694，均方根误差（RMSE）为3.191，说明利用小麦叶片光谱特征波段建立低温胁迫下叶片叶绿素含量反演模型的方法是可行的。研究结果可为多品种冬小麦叶片叶绿素含量无损监测提供参考。     

High-resolution leaf area index inversion based on the Kernel Ridge Regression algorithm and PROSAIL model北大核心CSCD

Accurate estimation of leaf area index（LAI）plays an important role in ecological，environmental and climate change research. Large-scale LAI estimates can be obtained from satellite remote sensing technology，but they rely on a large amount of ground-measured data with and they have low spatial resolution，which often does not meet the needs of high-precision and large-scale research. In this study，using surface reflectance data with a spatial resolution of 30 m，we tested an inversion method combining the Kernel Ridge Regression（KRR）algorithm and the PROSAIL physical model to invert LAI without a large number of ground measured data. First，the sensitivity analysis was performed on the input parameters of the PROSAIL model to determine the input parameters and generate the simulated data sets. Then，the KRR model inversion between the simulated reflectance and LAI was established. For comparison，we linked two other models，the Multilayer Perceptron（MLP）algorithm and the Random Forest Regression（RFR）algorithm，with the PROSAIL model，to perform high spatial resolution LAI inversion. Finally，we used ground measured data to compare the outputs and performance of the three inversion models. We found that the LAI inversion accuracy of the KRR-PROSAIL model was the highest with an R2 of 0. 8089 and root-mean-square error（RMSE）of 0. 2492. The inversion accuracies of the PROSAIL model linked with MLP and RFR were inferior with R2 values of 0. 7726 and 0. 7118，respectively and RMSE values of 0. 2781 and 0. 2432，respectively. Based on this study we recommend the combination of the Kernel Ridge Regression algorithm and PROSAIL models to invert satellite data to LAI for improved accuracy and high spatial resolution of the inverted LAI data. This methodology provides a method for rapid and accurate inversion of regional high-precision LAI information. © 2022 Editorial Office of Acta Prataculturae Sinica. All rights reserved.     

基于Sentinel-2卫星遥感影像的巢湖及南淝河叶绿素a浓度反演

叶绿素a是反映水生态环境污染状况的重要指标。定量反演叶绿素a浓度有助于及时监测水体营养状态变化，对富营养化水体治理具有重要意义。以巢湖及南淝河支流下游为研究区域，利用Sentinel-2卫星遥感数据源，构建其叶绿素a浓度反演模型，探究叶绿素a浓度的时空变化规律。结果显示，构建的深度神经网络（DNN）模型反演精度较高（R2=0.96，MRE=31.62%，RMSE=24.4 μg/L）。通过减少训练样本量对DNN模型精度的影响分析，发现训练样本较少时，模型仍具有较高的精度；根据其精度的敏感模型训练样本个数，将训练集按组等分，模型呈现较好的稳定性并具有一定的适用性。分析表明，研究区叶绿素a浓度在时间上呈现夏秋季上升、春冬季下降的规律，在空间上呈现湖区西高东低、局部近岸区分布较高的特点。     

浅析茶室建筑与室外热环境的研究——以田螺山茶室为例

建筑室内外热环境品质直接影响人们的活动，茶室建筑在提供文娱场所的同时，对室外热环境也有一定的要求。本文以田螺山茶室为例，通过遥感手段快速获取夏季、冬季的茶室及周边地温，对茶室室外热环境进行分析，并总结不同季节茶室室外下垫面要素对热环境的影响。通过目视解译，本文从地温特征的角度识别水体、草地对茶室室外热环境的影响，结论为：水体在夏季、冬季均有明显的冷岛效应，对茶室室外地温降温明显，而草地受季节因素影响，夏季对茶室室外地地面降温效果弱于冬季。     

基于敏感变量筛选的多光谱植被含水率反演模型研究

植被含水率是农田生态系统敏感性的重要表征，为提高近地遥感植被含水率反演效率和精度，基于无人机多光谱影像数据，提取苜蓿、玉米2种植被覆盖的光谱反射率，在此基础上引入红边波段计算改进光谱指数。将5种光谱反射率及25个光谱指数利用变量投影重要性(Variable importance in projection, VIP)分析、灰色关联度(Gray relational analysis, GRA)分析与皮尔逊(Person)相关性分析进行筛选，并建立基于反向神经网络(Back-propagation neural network, BPNN)、偏最小二乘法(Partial least squares regression, PLSR)、支持向量回归(Support vector regression, SVR)和随机森林(Random forest, RF)4种机器学习模型，以确定不同作物覆盖下的最佳植被含水率反演模型。结果表明，3种筛选算法中VIP和GRA的模型精度明显优于Person相关性分析，且反演结果波动较小；在4种机器学习算法中，SVR算法在非线性问题中相较于BPNN、PLSR、...     

基于PSO-BPNN和多目标优化的混凝土坝参数反演

基于监测数据的混凝土坝参数反演能够为评估大坝安全性态提供重要信息。传统的参数反演方法通常采用加权求和法以简化基于多种类型监测数据构建的多个目标函数，并结合单目标优化算法求解。由于权值的确定具有主观性以及单目标优化算法在实际应用中存在局限性，可能导致反演结果出现较大偏差。因此，考虑多种类型的监测数据以构建不同的目标函数，结合NSGA-Ⅱ算法搜寻Pareto最优解集，提出了一种基于PSO-BPNN模型和多目标优化的混凝土坝参数反演方法。研究成果依托于GD重力坝工程，并与传统参数反演方法进行了对比分析。应用表明，该方法对于混凝土坝参数反演更为合理和准确。     

基于MCD19-A2数据和GWR模型的2011－2020年中国大气PM2.5质量浓度反演

为探究MODIS高时空分辨率气溶胶产品数据在长时间序列下对于反演中国陆地PM_2.5质量浓度的适用性和准确性。该研究基于MCD19-A2数据研究2011-2020年中国陆地气溶胶光学厚度(aerosol optical depth,AOD)的时空分布特征，以降水、风速等8个气象要素为辅助变量建立反演PM_2.5的地理加权回归模型(geographically weighted regression,GWR)并分析中国陆地PM_2.5的空间分布。结果表明：1)2011-2020年中国陆地气溶胶时空分布基本符合“西低东高、逐年下降”的规律且10 a间AOD值存在较大季节差异，春季(0.294)>夏季(0.262)>冬季(0.223)>秋季(0.194)。2)利用方差膨胀系数(variance expansion coefficient,VIF)对变量进行多重共线性检验，建立并分析2011-2020年GWR模型，发现建模集决定系数均大于0.760，验证集决定系数均大于0.740，且均方根误差均小于7.070μg/m...