遥感技术在漫湾库区周边植被覆盖宏观监测中的应用研究

在对云南澜沧江中下游地区进行梯级电站群开发利用中 ,针对大型水利、水电工程建设 ,超前关注并及时开展有关陆地表层环境要素的山地植被演变动态及环境效应 ,是关系地方社会经济可持续发展与人类生存环境的紧迫问题。选取澜沧江上已建成的第一座大型水电站——漫湾电站为案例 ,通过对该电站库区及周边遥感图像的技术处理 ,获得对库区周边山地植被覆盖状况的宏观、快速监测。解决了常规方法在澜沧江梯级电站群峡谷山区植被覆盖调查中客观存在的困难 ,弥补目前在该区开展的有关大坝安全研究中 ,对周边库区周边地表环境生态安全研究上的不足 ,为澜沧江上已建、在建和拟建的其它多个大型水利水电工程生态环境监测提供案例研究。     

大尺度耕地变化监测的遥感抽样方法研究

以探索大尺度的农业资源变化监测方法为目的，简述了我国农业资源监测方法的研究过程，并通过遥感技术和统计抽样理论的有机结合，提出了一种监测我国农业资源变化的有效方法。利用置信度和精确度的关系以及总不确定度的理论，对该方法的有效性进行了讨论与评定。通过与国外相关方法的比较后，认为该方法不仅能够促进遥感技术的产业化应用，同时也开拓了常规抽样技术的应用空间。     

土壤光学遥感研究进展

土壤是一个时空连续的变异体,传统土壤参数测定与监测方法难以揭示土壤的时空间异质性规律;土壤光学遥感可以实现土壤主要参数的快速、宏观测定。本文综合评述了土壤不同理化参数(有机质、土壤水分、矿物组成、土壤质地、土壤结皮)在光学波段的光谱特征与遥感反演,光学遥感在土壤分类与制图方面的应用;分析了土壤线的各种影响因素(外部因素及相关土壤理化参数),以及土壤线对植被指数定量监测植被状况的重要性;归纳了土壤光学遥感存在问题与发展趋势。     

Urban forest in Jinan City: Distribution,classification and ecological significance

Urban forest mainly refers to urban green space and suburban forest. Urban forest is quite significant in reducing negative effects of civilization and preserving the ecological balance of city ecological system. This paper applied remote sensing method in the study of urban forest in Jinan City. Results show that there are various kinds of greenbelts in Jinan City, including public greenbelt, residential greenbelt, greenbelt attached to branches, protective greenbelt in production, landscape forest and road greenbelt. The urban greenbelt area is limited, the layout is irrational, and development of the scenery forest is slow.     

1982~2001年间中国干旱发生时空特征的遥感分析

利用1982～2001年NOAA-AVHRR旬合成的光谱植被指数和NOAA-AVHRR第4和第5通道亮温计算的陆地表面温度资料,利用水分亏缺指数（WDI）作为干旱评价指标,分析了全国近20 a干旱时空分布特征,并对近20 a来各月份发生干旱的频率进行了分析.提取全国雨量观测站点的水分亏缺指数和20 a干旱发生频次,分析了它们与降水量的关系.研究结果表明：（1）我国地域辽阔,气候类型多样,干旱发生具有明显的时空差异.四川盆地属于冬春旱型;西北为常年干旱型;黄淮海平原为春夏旱型;西南青藏区为常年湿润型;华南为冬春旱型;（2）在年降水量少于500mm时,20 a平均降水量与20a平均水分亏缺指数和20a总干旱发生频次都呈明显线性关系,但在年均降水大于500mm时,水分亏缺指数及干旱发生频次与降水量关系都不显著,表明WDI可以很好地评价干旱胁迫的程度,但并不适宜评价湿润程度.     

光谱信息与作物生长模型数据同化中的时间尺度优化

光谱信息与作物生长模型同化的效率提升是同化方法区域应用研究的一个重要方面。该文通过设置不同步长的光谱观测值同化时相,开展针对光谱信息与作物生长模型WOFOST(world food studies)同化的时间尺度优化研究,以提高同化效率。基于长春地区水稻生长周期,该文设置了4个等距时间尺度(步长分别为5,10,20和30 d)和一个关键时相时间尺度(同化时相对应水稻生长关键时期),在不同时间尺度下利用光谱信息计算的修正叶绿素吸收比值指数MCARI1(modified chlorophyll absorption ratio index)同化WOFOST模型,通过比较不同时间尺度下的同化精度和效率,优化同化时间尺度。结果表明:随着同化时间尺度增大,同化效率逐渐提高,而同化精度逐渐降低。在平衡精度和效率的前提下,选择步长介于10~20 d的时间尺度或关键时相尺度作为光谱信息与作物生长模型的同化时间尺度是合理的。该文提出的优化同化时间尺度方法为提高光谱信息与作物生长模型同化的区域应用效果提供了参考。     

基于Landsat TM图像棉花面积提取中线状地物的扣除方法研究

在新疆棉花遥感监测中，发现各种线状地物对TM影像图中的棉花面积提取精度产生影响，直接对图像进行处理和分类这种影响难以消除。经实际调查，新疆某一农场的各种线状地物占到总耕地面积的12．8％。为提高作物面积提取精度，完善农业部全国棉花遥感监测运行系统，进行了线状地物扣除方法的试验研究。阐述了试验研究方法的理论依据、技术路线与实施过程。并经验证可消除绝大部分线状地物对作物面积提取精度产生的影响。     

内蒙古多伦县土地利用动态遥感监测应用研究

在内蒙古多伦县土地利用现状的两轮调查中,利用多时相卫星图象(TM)数据,根据多伦地区各类地物的波谱特征,采用了假彩色合成及比值假彩色合成等遥感图象处理方法,建立了土地利用动态监测解译标志。在地理信息系统技术的支持下,对多伦地区土地利用的空间分布和面积进行了详细解译和测算,制作成动态遥感监测图,为多伦县地方政府提供了真实可靠的各类土地利用现状数据,为土地合理利用及沙化治理提出了相应对策。     

基于无人机多光谱影像的槟榔黄化病遥感监测

黄化病是一种严重危害槟榔生长的病害,迫切需要及时、准确地监测其侵染的严重度差异和空间分布。低空无人机遥感可有效解决槟榔种植区由于多云雨天气而造成光学卫星影像获取不足,提高槟榔黄化病监测的实时性。该文利用大疆精灵Phantom 4 Pro V2.0四旋翼无人机搭载MicaSense RedEdge-M多光谱相机获取5波段多光谱影像,基于最小冗余最大相关算法(Minimum Redundancy Maximum Relevance,m RMR)从15个潜在的植被指数中优选比值植被指数(Ratio VegetationIndex,RVI)、改进的简单比值指数(ModifiedSimpleRatioIndex,MSR)和花青素反射指数(Anthocyanin Reflectance Index,ARI)作为敏感特征,分别利用后向传播神经网络(Back Propagation Neural Network, BPNN)、随机森林(Random Forest, RF)和支持向量机(Support Vector Machine, SVM)分类算法,构建了槟榔黄化病严重度监测模型。结果表明,BPNN模型总体精度达到91.7%,分别比RF模型和SVM模型提高6.7%和10.0%,且Kappa系数为0.875,为所有模型中最高,漏分、错分误差也最小,健康,轻度和重度分别为11.1%、15.8%,13.6%、9.5%和0、0。研究结果证明了无人机多光谱遥感影像监测槟榔黄化病的可行性,同时也可为其他热带作物病害监测提供案例研究。     

无人机多光谱遥感反演各生育期玉米根域土壤含水率

为准确及时地获取植被覆盖条件下农田土壤水分信息,该文以不同水分处理的大田玉米为研究对象,利用无人机遥感平台对夏玉米进行多期遥感监测,并同步采集玉米根域不同深度土壤含水率(Soil Water Content,SWC)。基于2018年夏玉米拔节期、抽雄-吐丝期和乳熟-成熟期的无人机多光谱遥感影像数据集,通过支持向量机(Support Vector Machine,SVM)分类剔除土壤背景,提取玉米冠层光谱反射率并计算10种植被指数(VegetationIndex,VI),然后利用全子集筛选(FullSubsetSelection)法对不同波段和植被指数进行不同深度土壤含水率的敏感性分析,并分别采用岭回归(Ridge Regression,RR)和极限学习机(ExtremeLearningMachine,ELM)2种方法构建全子集筛选后0～20、20～45和45～60cm不同深度下的土壤含水率定量估算模型。结果表明:基于贝叶斯信息准则(BayesianInformationCriterion,BIC)的全子集筛选法可以有效筛选最优光谱子集,筛选变量基本都通过了显著性检验,自变量个数较少;在同一生育期、同一深度条件下,ELM模型效果均优于RR模型;玉米在拔节期、抽雄-吐丝期的最佳监测深度为0～20cm,在乳熟-成熟期的最佳监测深度为20～45cm;乳熟-成熟期的20～45cm深度下的ELM反演模型效果最优,其建模集和验证集的决定系数Rc2和Rv2分别为0.825和0.750,均方根误差RMSEc和RMSEv分别为1.00%和1.32%,标准均方根误差NRMSEc和NRMSEv分别为10.85%和13.55%。利用全子集筛选法与机器学习相结合的方法可以提高土壤含水率的反演精度和鲁棒性,本研究为快速、准确地监测农田土壤墒情、实施精准灌溉提供了一种新的途径。