日光诱导叶绿素荧光反演及其在植被环境胁迫监测中的研究进展

日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)作为光合作用的直接探针,能对植物的生理状态作出快速、灵敏的响应,与传统监测方法相比具备早期监测植被环境胁迫的能力,弥补了当前植被遥感监测的不足.因此,SIF在植被环境胁迫监测中具有良好的应用前景.然而,有很多因素会对SIF产生影响,使得SIF对植被环境胁迫监测的应用变得更为复杂.本文首先介绍了SIF的来源和反演方法,对比分析了各种反演方法的优缺点,剖析了SIF的影响因素,总结了目前SIF在植被环境胁迫监测中的应用研究,在此基础上指出目前SIF在植被环境胁迫监测应用领域中的不足,最终提出今后可以从SIF的影响因素、反演过程及SIF与植被环境胁迫之间的机制关系等方面开展进一步的研究,旨在为陆地生态系统碳循环及植被胁迫监测等提供理论支持.     

景谷县森林蓄积量遥感估测及其动态变化分析

以云南省景谷县为研究区,基于Landsat5和Landsat8遥感数据,利用2012年和2017年两期全国森林资源连续清查实地调查数据,建立多元逐步回归和随机森林模型对景谷县森林蓄积量进行遥感估测对比研究。结果显示:综合建模精度来看,随机森林法在相同样地数量条件下具有更好的估测效果;从估测结果与林地保护利用规划和林地变更数据结果相比较,随机森林法估测值接近真实值,估测精度较高。     

基于遥感数据的大尺度区域水田空间格局及生态服务价值变化分析

受经济和气候驱动，长江经济带水田空间格局发生了显著变化，影响区域粮食安全与生态安全。本研究基于1990-2015年土地利用遥感监测数据，利用GIS的空间分析功能，探究长江经济带水田空间格局动态变化特征，采用当量因子法计算生态系统服务价值（ESV），分析了水田变化的综合影响。结果表明：1）1990-2015年长江经济带水田规模持续缩减，共减少了17390km²，减幅呈增长态势具有显著地域差异，长江中上游与下游的水田减幅相差约为9.56%。其中下游减幅较大，水田占区域比例随之降低，中上游恰好相反。2）由于经济建设及水产养殖的发展，水田主要转化为建设用地和水系，水田主要由水系、旱地和湿地等转化而来。长江三角洲城市群、长江中游及成渝城市群的水田变化最为剧烈，建设用地侵占水田扩张的现象分布广泛，水田转为水系主要在两湖平原局部地区。3）水田与其他生态系统的转化对ESV是正影响，水田转为水系对此贡献最大，其转化规模决定了不同时期ESV净增量的大小，水系转化为水田损失的价值最多，建设用地侵占水田次之。不同市域的水田变化情况不一致，因此ESV增减情况具有明显差异。4）生态系统服务中水文调节、水资源供给增强的同时，食物生产、气体调节受到严重损害，与水资源规模扩大和水田资源大量流失有直接关系。研究结果有助于揭示长江流域水田的时空变化过程及其对各项生态系统服务的影响，可为区域土地利用规划、农业政策与生态可持续发展提供理论支持。     

基于改进最大值法合成NDVI的夏玉米物候期遥感监测

利用遥感技术监测农作物物候期,能够及时有效地评估作物生长趋势、提高农情信息化管理水平。本研究利用2016年MODIS 8天合成数据,提出改进的最大值合成法,结合S-G滤波和Logistic函数拟合重构夏玉米生长曲线,最后利用曲率法提取夏玉米的拔节期和成熟期,利用动态阈值法提取夏玉米的出苗期和抽雄期。结果表明:采用本文提取的夏玉米物候期与实测物候期相比,平均误差为2.76 d,其中在抽雄期的绝对误差为1.06 d,运用改进的最大值合成提取作物NDVI时序数据可有效去除连续云雾对植被指数的影响,提高监测作物物候期的准确性,为精准农业提供技术支撑。     

基于极化分解和集成学习的PolSAR影像分类

为实现Pol SAR数据极化信息的充分利用,以进一步改善分类效果,该研究提出了一种基于极化分解和集成学习的Pol SAR影像分类方法。该方法首先利用多种极化分解方法从Pol SAR影像中提取极化参数;将提取的极化参数组合成一幅多通道影像;然后对多通道影像进行分割和特征提取,分别提取出各目标极化分解方法所对应的特征;并进行特征选择和分类,得到各目标极化分解方法的分类结果;最后利用集成学习技术对各分类结果进行集成。该研究以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地覆被分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了92.49%和0.90。此外,该研究还将提出方法与其他基于多种极化分解的分类方法进行比较,对比方法的总体精度和Kappa系数分别为90.74%和0.88,比提出方法分别低1.75%和0.02,对比结果进一步证明了提出方法的优越性。     

1992—2015年呼伦贝尔草原区不同草地类型分布时空变化遥感分析

【背景】 呼伦贝尔草原作为我国温性草原的重要组成部分,其独特的地理位置、典型的生态及气候特点、代表性的生产方式决定其在草原畜牧业生产中的重要地位,同时也是我国北方的绿色生态屏障,发挥着生态缓冲区功能。草地作为重要的陆地生态系统之一,在农牧业生产、生态及环境保护、气候变化等方面具有重要的意义。【目的】 明确不同草地类型的空间分布及变化规律,为草地研究及管理提供依据。【方法】 以呼伦贝尔草原区不同草地及地物类型为研究对象,以1992年、2015年遥感影像为数据源,采用支持向量机、面对对象分类法获得研究区地物类型空间分布数据,以地统计方法分析时空变化特征,结合植物-生境学分类法划分地带性草地类型潜在分布、社会统计数据、地物类型转化过程分析气候变化、人类活动对草地类型分布的影响。【结果】 研究区耕地、林地、沙地碱地、人工表面4种地物类型面积增加,草地、水体面积减少。草地作为研究区最大的覆盖类型,1992年、2015年分布面积为7 601 258 hm²、7 148 085 hm²,减少幅度5.96%。研究区分布典型草原、草甸草原、低地草甸、山地草甸及沼泽,前3种草地类型分布面积较大,共占研究区总面积70%以上,后2种草地类型分布面积相对较少,占2%左右。除典型草原面积增加外,其他草地类型面积减少,典型草原面积增加283 790 hm²,增加幅度7.12%;草甸草原减少面积最大,减少563 439 hm²,减小幅度28.72%。研究区水分状况相对较湿润的草地类型向相对干旱的类型转换占据主导地位,1992—2015年转移面积466 687 hm²,水分状况相对较干的草地类型向相对湿润的类型转移面积212 330 hm²。【结论】 呼伦贝尔草原区不同草地及地物类型空间分布变化较为剧烈,气候变化的影响具有趋势性、长期性、难恢复性,人类活动的影响具有破碎性、可逆性、易恢复性。     

基于GF-1影像的沿淮地区冬季耕地撂荒遥感调查应用

耕地作为一种稀缺资源对国家和农民来说都具有极其重要的意义,但随着市场经济的深入和农村经济的发展,农村耕地撂荒现象时有发生,撂荒耕地必然导致土地资源浪费,影响到中国粮食安全和农民增收,也不利于农村经济社会稳定发展。沿淮地区是安徽省乃至全国重要的商品粮生产基地,但近年来冬季撂荒情况日益严重。该文拟选取安徽省霍邱县,利用2015、2016、2017三年冬小麦生长期内的GF-1卫星16 m多光谱影像,提取霍邱县冬季作物种植的空间分布和面积,通过多年数据对比,来分析霍邱县近年冬季耕地撂荒情况。结果显示:2015、2016、2017三个年度冬小麦种植面积分别为937.72,821.79,608.91km~2。参照2015年度冬小麦种植情况,2016年度冬季撂荒面积115.93 km~2、占比12.36%,2017年度冬季撂荒面积328.81 km~2、占比35.06%。结合实地调研分析,霍邱县近年来冬季撂荒面积不断增大的的主要原因有农田排灌等水利设施不足、稻茬麦效益低、外出务工等。而2017年度撂荒面积明显增加的直接原因是冬小麦播种期间,出现连续阴雨异常天气,低洼地区田间积水严重,致使冬小麦无法播种,被动撂荒。该文的研究可以为沿淮地区冬季撂荒遥感调查提供技术参考。     

基于遥感监测的农业洪涝灾害评估方法研究

以安徽省安庆市望江县为例,采用改进后的归一化水体指数法进行灾前与灾后的水体信息提取。将提取到的水体信息作差值得到洪水淹没信息,将其与农业用地分布图、行政区划图叠加。结果表明,GIS空间分析技术可直观地展示不同乡镇区域在洪涝方面的农业用地受灾程度,为安庆市望江县农业的可持续发展和防灾减灾政策的制定提供科学依据。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

农作物长势遥感监测需求、系统框架及业务应用

【目的】农作物长势是农业生产管理的重要依据,也是农情遥感监测业务的重要组成部分。【方法】在当前农作物长势遥感监测研究及业务状况扼要回顾基础上,文章从农作物长势遥感监测需求、系统框架等方面进行了系统总结,并以全球冬小麦长势遥感监测应用为例进行了说明。【结果】农作物长势遥感监测需求可以归纳为服务对象、作物类型、空间范围、地面尺度、监测周期等5个方面,系统框架至少包括数据层、方法层、结果层和服务层4个层次。【结论】针对农作物长势遥感监测技术研究及业务应用的现状,研究提出了以下3个观点:(1)农作物长势遥感监测业务方案是成熟的,但是关键技术研究有待加强;(2)农作物长势概念的深入解析,将有利提高长势遥感监测的业务化能力与精度;(3)针对全球、国家、省级以及县级尺度农作物长势遥感监测,采用不同空间分辨率遥感数据开展监测业务,是今后较长一个时期内农作物长势遥感监测的客观现状。上述研究结果给农作物长势遥感监测业务的建设提供了依据,也明确地指明了系统的服务目标。