用多角度光谱信息反演冬小麦叶绿素含量垂直分布

由于作物叶片具有一定的叶位空间垂直结构(倒一叶、倒二叶、倒三叶、倒四叶、倒五叶等),且存在不同叶位叶绿素等生化组分垂直分布的特性,该研究提出利用遥感数据反演作物养分垂直分布,尤其是作物中、下层信息的方法。运用多角度光谱信息,通过不同角度条件下,反映的作物上层、中层、下层信息的差异等通过构建基于不同观测天顶角条件下的冠层叶绿素反演指数的组合值,形成上层叶绿素反演光谱指数、中层叶绿素反演光谱指数和下层叶绿素反演光谱指数来反演作物叶绿素的垂直分布,达到了极显著的水平。表明运用基于多角度光谱信息的光谱指数组合能够较好的反演作物叶绿素含量的垂直分布。对于生产上迫切需要对作物中、下层叶片氮素或叶绿素状况的监测来指导适时和适量施肥,保证获得既定的作物产量和品质目标,提高肥料利用率有重要意义。     

基于实测高光谱指数与HSI影像指数的土壤含水量监测

为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。     

利用无人机多光谱估算小麦叶面积指数和叶绿素含量

利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向,为了探究无人机多光谱反演小麦叶面积指数(Leaf Area Index,LAI)和叶绿素含量的模型估算潜力,该研究在3个飞行高度(30、60、120 m)采集多光谱影像,通过使用全波段差值光谱指数(Difference Spectral Index,DSI)、比值光谱指数(Ratio Spectral Index,RSI)、归一化光谱指数(Normalized Spectral Index,NDSI)和经验植被指数与地面实测数据进行相关性分析,获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数,以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络模型,分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD(Soil and Plant Analyzer Development)值的精度。结果表明:1)30 m高度下,绿-红比值光谱指数与小麦LAI的相关性最高,相关系数为0.84;60 m高度下,红-蓝比值光谱指数与小麦叶绿素含量的相关性最高,相关系数为0.68;2)在60 m高度下,经验植被指数与小麦LAI和叶绿素含量的相关性较好,最大相关系数分别为0.77和0.50;3)利用偏最小二乘回归反演小麦LAI的精度最高,决定系数为0.732,均方根误差为0.055;利用人工神经网络模型反演小麦叶绿素含量的精度最高,决定系数为0.804,均方根误差0.135。该研究成果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。     

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。     

用于微小型光谱仪的冬小麦抽穗期叶绿素含量诊断模型

采用基于微小型光谱学传感器构建的作物冠层反射光谱探测系统,在田间轻量便携式地测量冬小麦抽穗期冠层可见光-近红外反射光谱。首先对冠层反射光谱进行去噪预处理,对原始光谱先一阶微分运算后,采用Bior Nr.Nd双正交小波进行小波包分解和重构以达到数据平滑的目的。对样本点数据利用蒙特卡罗抽样方法进行分析,去除异常样本点值,然后基于Random frog特征变量选取算法进行叶绿素含量敏感波长筛选。分别对原始光谱和经预处理后的光谱数据所选取的敏感波长进行偏最小二乘回归(partial least squares regression,PLSR)建模,建模结果如下:基于原始光谱的敏感波长639、436、459、642、556、653、596、455 nm建立叶绿素含量诊断PLSR模型,建模精度Rc2为0.70,均方根误差为1.398 0,验证精度Rv2为0.10,均方根误差为2.381 0;经过预处理后,基于选取的特征波长719、572、562、605、795、527、705、514 nm建立叶绿素含量诊断PLSR模型,建模精度Rc2为0.69,均方根误差为1.364 8,验证精度Rv2为0.52,均方根误差为1.839 7,估测能力得到了提高。结果表明:基于微小型光谱学传感器构建的作物冠层反射光谱探测系统能够合理地预测冬小麦叶片中的叶绿素含量,可用于田间冬小麦抽穗期的作物营养诊断。     

基于无人机高光谱影像的马铃薯叶绿素含量估测

  【目的】  叶绿素含量高低反映植被的健康状况与光合能力。研究准确、有效地将冠层影像反演为叶绿素含量的技术参数,以便经济快速、实时地监测作物生长状况。  【方法】  田间试验于2018—2020年在内蒙古阴山北麓马铃薯主产区进行,设置氮肥梯度处理,在马铃薯块茎膨大期和淀粉积累期,测定试验地马铃薯植株SPAD值,通过线性关系将其转化成叶绿素含量。利用无人机为平台搭载S185成像光谱仪获取马铃薯试验区高光谱影像,并从中提取马铃薯冠层光谱反射率。将3年田间试验所获取的125个样本点数据按80%、20%的比例随机划分为训练集与验证集。用训练集数据建立了8个比率、归一化光谱指数,通过波段优化算法建立优化光谱指数和马铃薯关键生育期叶绿素含量的相关性与估测模型,并用验证集数据检验所建立模型的精度,最后利用所构建的估测模型制作马铃薯叶绿素含量分布图。  【结果】  根据训练集数据,马铃薯植株叶绿素含量分布范围在10.58～23.14 mg/g,平均叶绿素含量为19.80 mg/g,变异系数为14.9%;根据验证集数据,马铃薯植株叶绿素含量分布范围在12.80～23.73 mg/g,平均为19.59 mg/g,变异系数为17.0%。基于绿光波段建立的叶绿素光谱指数(CI_green)和归一化光谱指数550 (ND550)均与马铃薯叶绿素含量具有较好相关性(R2分别为0.48、0.61),但作物种类及生育时期的影响降低了估测的准确性。通过优化波段586、462 nm和586、498 nm计算的优化比率光谱指数(RSI)和优化归一化光谱指数(NDSI)能够明显提高模型准确性,具备良好的线性拟合效果,决定系数R2分别由0.48和0.61提高到0.82和0.83。经验证后,估测模型预测值与实测值接近1∶1线,决定系数R2分别为0.77和0.79,均方根误差RMSE较低。通过反演马铃薯叶绿素含量分布图可知,优化光谱指数(NDSI)模型反演效果较好,叶绿素含量分布范围为18～21 mg/g,与实测值相符合。  【结论】  本研究优化光谱指数RSI和NDSI最佳敏感波段分别为586、462和586、498 nm,此波段范围内RSI和NDSI与马铃薯关键生育期叶绿素含量相关性最优,通过波段优化算法重新构建的优化光谱指数预测模型可靠性及精度显著高于已有光谱指数,决定系数分别为0.82和0.83,且验证效果较好。应用两种光谱指数对研究区高光谱影像进行叶绿素反演估测,生成的田间马铃薯叶绿素含量分布图显示优化光谱指数NDSI估测效果最好,为光谱指数估测马铃薯关键生育期叶绿素含量提供了理论支持。     

基于小波特征和冬小麦生理参数的土壤水分高光谱模型优化

土壤水分是影响作物生长的关键因子,在精准灌溉中估算土壤含水率有重要意义,结合作物生理参数与叶片光谱特性,能够在一定程度上增强土壤含水率遥感监测模型的稳定性。为了提高土壤含水率遥感监测模型在冬小麦多种物候期的适用性以及迁移能力,该研究通过连续小波变换增强光谱对叶片不同生化生理指标的响应后,通过变量投影重要性分析方法对冬小麦叶片含水率、叶绿素、叶面积指数敏感的光谱特征进行特征筛选,结合偏最小二乘回归构建土壤含水率模型,并与土壤含水率所选特征建立的监测模型在独立年份数据与不同传感器之间进行比较。结果表明,土壤含水率变化显著改变了冬小麦叶绿素以及叶面积,进而影响了小麦冠层光谱,小尺度小波变换可以增强冬小麦冠层光谱和土壤含水率的相关性（相关系数由0.46提升至0.61）。综合基于地面非成像数据集和机载成像数据集进行的模型验证结果,基于叶绿素所选小波特征在2021年高光谱非成像数据集和2022年机载成像数据集构建的土壤含水率监测模型表现最优,其中基于1尺度叶绿素小波特征构建的模型效果最好,其在独立非成像数据集验证中决定系数为0.541,均方根误差为2.42%,在成像数据集验证中决定系数为0.687,均方根误差为1.92%。因此,通过冬小麦叶片叶绿素与连续小波变换选取的光谱特征进行土壤含水率监测的适用性更强,可以进一步提高土壤含水率监测模型的准确性及稳定性。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

利用日光诱导叶绿素荧光监测水稻叶片叶绿素含量

快速准确地监测作物叶片叶绿素含量对于研究作物光合作用、氮素营养以及胁迫状况至关重要。该研究基于不同品种、不同密度、不同氮素水平的水稻田间小区试验,分别获取冠层和单叶的辐亮度光谱、反射率光谱及生理生态指标等,计算日光诱导叶绿素荧光（Sun-Induced Chlorophyll Fluorescence,SIF）指数和植被指数,进一步基于线性回归和辐射传输模型2种方法来建立叶绿素含量监测模型,评估多个叶绿素监测模型的精度及适用性。结果表明,1）在冠层尺度,冠层761 nm处SIF强度（F761）与冠层叶绿素含量相关性最高,决定系数（Determination coefficient,R2）为0.72,略高于表现最好的红边叶绿素指数（Red edge Chlorophyll index,CIred edge）（R2=0.63）;2）在单叶尺度,归一化下行SIF指数（↓FY NDFI）与单叶叶绿素含量相关性最高,R2为0.77,比表现最好的上行荧光产量双峰比值指数（↑FY687/↑FY741）R2高出0.10,与表现最好的植被指数CIred edge效果相当（R2=0.81）;3）基于SCOPE（Soil Canopy Observation, Photochemistry and Energy fluxes ）模型反演水稻冠层叶绿素含量的验证R2为0.57,均方根误差（Root Mean Squared Error,RMSE）为56.54 μg·cm-2,效果差于PROSAIL模型（模型检验的R2为0.91,RMSE为22.59 μg·cm-2）;4）单叶Fluspect-B模型反演水稻单叶叶绿素含量的验证R2为0.55,均方根误差RMSE为19.45 μg·cm-2,效果差于PROCWT模型反演结果（R2为0.72,RMSE为6.42 μg·cm-2）。综上,SIF指数在监测冠层和单叶叶绿素含量时效果较好,基于SIF的辐射传输模型也可以用来反演水稻冠层和单叶的叶绿素含量。研究结果可为SIF监测作物叶绿素含量提供理论依据,并对未来利用SIF进行植物光合作用研究提供理论支持。     

压缩感知理论在地学空间数据重构中的应用进展

空间数据重构是根据离散、稀疏的点位数据构建介质属性完整空间分布的过程,地学领域中通常采用基于地质统计学的方法.压缩感知是21世纪信号处理领域的重大理论突破,地学领域的学者将其作为一种空间数据重构的新方法,在流体运动模型的静态参数反演和土力学性质重构中取得了良好效果.本文在简述压缩感知数学理论的基础上,阐述了基于该理论的...     

基于无人机高光谱遥感的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪(ASD Field Spec FR Pro 2500 spectroradiometer,ASD)和Cubert UHD185 Firefly成像光谱仪(Cuber UHD185 Firefly imaging spectrometer,UHD185)在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm(第3~96波段)的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明:12种参数中比值型光谱指数RSI(494,610)与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系(决定系数R2=0.737,参与建模的样本个数n=103),且lg(LAI)预测值和lg(LAI)实测值高度拟合性(R2=0.783,均方根误差RMSE=0.127,n=41,P0.001);该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

水稻微分光谱和植被指数的作用探讨

通过两年两个不同品种水稻在不同供氮水平下的田间试验，测定了水稻冠层在生长过程中不同时期的高光谱反射率及对应的叶绿素、类胡萝卜素含量，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的作用。结果表明：由微分光谱所得的红边位置、红边斜率与盖度和供氮水平之间有一定的相关性，与叶面积指数、地上生物量及冠层叶绿素、类胡萝卜素含量有显著相关；水稻多光谱植被指数RVI、NDVI与叶面积指数LAI及其地上部生物量之间有极显著相关性；高光谱植被指数及其变量与植被盖度、供氮水平、叶面积指数、地上生物量及叶绿素、类胡萝卜素含量之间存在相关性。这表明，用微分光谱技术与植被指数方法来监测水稻的色素含量和长势应该是可行的。     

基于WorldView-2影像的土壤含盐量反演模型

针对WorldView-2影像高空间分辨率评价其定量反演土壤含盐量的能力,以盐渍化现象较为明显的新疆克里雅河流域为研究对象,基于WorldView-2影像和实测高光谱数据,利用偏最小二乘回归(partial least squares regression,PLSR)和BP人工神经网络(back propagation artificial neural networks,BP ANN)方法建立定量反演该流域土壤含盐量模型并做出研究区高空间分辨率土壤含盐量分布图。结果表明:1)利用实测高光谱数据和影像数据分别建立的2种模型中BP神经网络模型预测精度都高于PLSR模型,其中基于影像数据建立的6:8:1结构的3层BP神经网络模型决定系数R2、均方根误差RMSE、相对分析误差RPD分别为0.851、0.979、2.337,模型的稳定性和预测能力都优于PLSR模型(R2、RMSE、RPD分别为0.814、1.139、2.007)。2)利用WorldView-2影像提高了土壤含盐量制图的空间分辨率,归一化植被指数NDVI和比例植被指数RVI较有效降低了植被覆盖与土壤水分对预测精度的影响。该文建立的考虑植被覆盖与土壤水分定量反演土壤含盐量的模型不需要复杂的参数,一定程度上满足了干旱、半干旱地区的盐渍化监测需求,可以促进WorldView-2等高空间分辨率卫星在盐渍化监测中的进一步应用。     

无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量

利用无人机平台搭载多光谱传感器在农业监测上已经有一些应用,但是利用无人机多光谱影像估算作物叶绿素含量的研究较少,特别是融合无人机多光谱影像光谱信息和纹理信息估算马铃薯叶绿素含量的研究更是罕见。基于此,该文利用2018年北京小汤山基地马铃薯各个典型生育期的无人机多光谱影像及实测的叶绿素含量数据,首先提取多光谱影像植被指数和纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,并开展基于调整R2和K折交叉验证的全子集分析估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的综合指标估算叶绿素含量。研究发现:1)多光谱植被指数和纹理特征估算叶绿素含量模型,K折交叉验证均优于调整R2;2)整个生育期,综合指标模型决定系数比植被指数模型、纹理特征模型均有提升,且标准均方根误差均降低。综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。该研究可为马铃薯生长营养监测提供一种可行的方法,对马铃薯的栽培种植管理具有指导意义。     

多粒度光谱特征的牧草粗蛋白含量高光谱遥感估算

快速准确地估算牧草粗蛋白(crude protein, CP)含量是开展草原牧草生长监测和管理的重要内容之一。高光谱数据是牧草CP含量监测的理想数据源,然而,现有牧草CP含量高光谱反演方法缺乏对光谱多粒度信息的有效利用。针对该问题,提出一种新的多粒度光谱特征提取方法 MGSS(multi-granularity spectral segmentation),以青海高原典型牧场为样区,对MGSS估算牧草CP含量的有效性进行验证。结果表明:1)在相同数量的自变量下,MGSS均能取得优于原始光谱的CP含量估测性能;2)MGSS最优估测模型的决定系数(coefficient of determination, R~2)、均方根误差(root mean squared error, RMSE)和平均相对误差(mean relative error, MRE)分别为0.937、1.906 g/m~2和8.82%,比原始光谱最优模型的R~2高0.06,RMSE和MRE分别低0.75 g/m~2和1.37个百分点。可知,MGSS实现了高光谱影像对牧草CP含量的高性能估算,相比原始光谱性能更优,验证了其有效性,可为牧草CP含量的准确估算提供新的技术手段。     

利用随机森林法协同SIF和反射率光谱监测小麦条锈病

小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大,为了提高小麦条锈病的遥感探测精度,该文利用随机森林(random forest,RF)等机器学习算法开展了协同冠层SIF和反射率微分光谱指数的小麦条锈病病情严重度的遥感探测研究。首先利用3FLD(three bands fraunhofer line discrimination)算法提取了冠层SIF数据,然后结合对小麦条锈病病情严重度敏感的11种反射率微分光谱指数分别基于RF和后向传播(back propagation,BP)神经网络算法构建了反射率微分光谱指数与冠层SIF协同的小麦条锈病病情严重度预测模型。研究结果表明:RF算法构建的小麦条锈病病情严重度预测模型优于BP神经网络算法,3个样本组中RF模型病情指数(disease index,DI)估测值与实测值间的决定系数R2平均为0.92,比BP神经网络模型(R2的平均值为0.83)提高了11%,均方根误差(root mean square error,RMSE)平均为0.08,比同组BP神经网络模型(RMSE的平均值为0.12)减少了33%,RF算法更适合于小麦条锈病病情严重度的遥感探测。在反射率微分光谱指数中加入冠层SIF数据后,RF模型和BP神经网络模型精度均有所改善,其中RF模型估测值与实测值间的平均R2提高了4%,平均RMSE减少了22%,BP神经网络模型估测值与实测值间的平均R2提高了14%,平均RMSE减少了28%,综合利用冠层SIF和反射率微分光谱指数能够改善小麦条锈病病情严重度的遥感探测精度。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供新的思路。     

基于反射光谱预处理的苹果叶片叶绿素含量预测

以苹果叶片叶绿素含量为研究对象,定量研究了光谱数据预处理方法对光谱特征提取及叶绿素含量预测模型的影响。首先,比较了苹果叶片原始反射率光谱、小波包去噪反射率光谱、反射率一阶差分光谱、先小波包去噪后一阶差分光谱、先一阶差分后小波包去噪光谱这5种光谱的波段间相关系数以及光谱与叶绿素含量间的相关系数,建立了叶绿素含量预测逐步回归模型并对建模结果进行了比较分析。结果表明单纯3层sym8小波包去噪可使光谱曲线平滑,但不会明显提高模型精度;一阶差分虽然放大了局部噪声,但是消除了基线漂移影响,可提高模型精度;先差分后小波包去噪比先小波包去噪后差分具有更高的峰值信号噪声比,更低的均方误差与最大误差,建模结果也显示出同样的结果。因此,先差分后小波包去噪算法可认为是一种有效的苹果叶片叶绿素含量预测光谱预处理方法。利用这一方法建立了苹果叶片叶绿素含量预测模型,获得了较高的预测精度。该研究可用于对苹果树营养状态的评价并指导按需施肥。     

粮食作物播种面积遥感监测研究进展

介绍了遥感监测粮食作物播种面积的理论和现实意义,回顾了国内外基于常规方法、线状框架采样、面积框架采样、光谱混合模型(spectral mixture model , SMA)等方法进行植被制图和进行粮食作物识别研究的现状和存在的问题, 并对基于波谱库的农作物播种面积监测提出了建议。     

Landsat 8和机器学习估算蒙古高原草地地上生物量

草地地上生物量（Above-Ground Biomass，AGB）是反映草地植被利用状况的重要参数，其精准监测对于草地科学管理与合理利用具有重要意义。近年来，遥感技术因其能快速、准确获取大尺度草地光谱信息，已经广泛应用于草地地上生物量的估算中。该研究以中国内蒙古呼伦贝尔市与其毗邻的蒙古国东方省草原区为研究区，利用Landsat 8数据计算的9种植被指数、气象数据和地面调查数据，比较分析6种机器学习算法构建的回归模型性能，重新构建优化的随机森林回归模型。结果表明，优化后的随机森林回归模型性能更稳定，预测值与实测值之间决定系数为0.801，均方根误差为43.709 g/m2，相对均方根误差为23.077。研究区域地上生物量呈中部较低，东西两侧较高的空间分布特征，最高可达357.2 g/m2，最低为33.0 g/m2，与该区域降水量与草地利用方式的空间异质性密切相关。该研究表明，基于Landsat 8数据结合气象数据构建的机器学习模型在草地生物量遥感反演中有较大潜力，地上生物量反演结果可以为草地资源合理利用与评价提供参考。