高分一号卫星影像特征及其在草地监测中的应用

为评价高分一号卫星数据的草地监测能力,在分析传感器波段设置、辐射分辨率和光谱响应系数等特征的基础上,以草地为研究对象,提取草地分布信息,计算不同植被指数,结合地面同步观测的草地光谱、地上生物量、覆盖度和叶面积指数等实测数据,通过R²和均方根误差筛选并建立最优估算模型。结果表明:波段设置与部分常用传感器保持了较好的一致性;空间分辨率的提高,增强了地物类型的识别能力,辐射分辨率的提高,增强了数据的层次性;光谱响应系数较好的涵盖了不同草地类型的光谱曲线特征;叶面积指数和生物量的最佳估算模型均为基于比值植被指数的三次多项式模型,覆盖度最佳估算模型为基于归一化植被指数的幂函数模型,并得到了较好的制图效果。     

不同机器学习算法在草原草地生物量估算上的适应性研究

准确估算草地地上生物量(Aboveground biomass，AGB)对于科学调整草畜关系、保护生态环境和实现草地资源的可持续发展具有重要意义。本文以锡林郭勒盟不同草地类型为研究对象，基于遥感数据、气象数据和数字高程模型数据，利用支持向量机(Support vector machines,SVM)、BP神经网络(BP neural networks,BP)和随机森林(Random forest,RF)三种机器学习算法建立AGB估算模型，评估三种机器学习算法模型估算AGB的潜力。精度验证结果表明，在研究区内不区分草地类型整体建立估算模型时RF算法的回归精度最高(R=0.88，RMSE=0.10，MSE=0.01，MAE=0.07)。SVM算法建立的模型在草甸草原和荒漠草原回归精度较高，而RF算法回归能力在典型草原具有相对优势。不同特征变量对估算AGB的贡献分析结果表明，植被覆盖度(Fractional vegetation cover,FVC)、归一化植被指数(Normalized difference vegetation Index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)和降水量(Precipitation,PRCP)四个变量对AGB估算结果的影响较大。本文研究结果为干旱/半干旱区草地地上生物量估算精度的提高和方法的选择提供科学建议。     

基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究

草地地上物生物量(AGB)是评价草地生产力的重要指标，精准反演天然草地的AGB，对草地长势监测和草畜平衡评估具有重要的意义。由于常用的遥感数据(如Landsat和MODIS等)受较低时间或空间分辨率引发的诸多问题的影响，因此探索具有更高时空分辨率及更多光谱波段的Sentinel-2卫星数据在县域尺度的草地植被监测状况具有极其重要的作用。利用Sentinel-2卫星遥感影像和青海门源县实测草地AGB数据，构建了基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)3种机器学习方法的草地生物量估算模型，研究了2019-2021年门源县天然草地生物量时空分布特征。结果表明：1)Sentinel-2卫星影像的3个原始波段(B2、B6、B11)和2种植被指数[反红边叶绿素指数(IRECI)和特定色素简单比值植被指数(PSSRa)]，是草地AGB敏感的特征变量。其中，红边波段(B5、B6、B7)对天然草地AGB遥感反演具有重要作用。2)基于RF算法的草地AGB估测模型是门源县天然草地生物量估测的最优模型(验证集R2为0.72,RMSE为622.616 kg·hm-2)，优于SVM模型(...     

基于HJ-1A卫星数据的高寒草地氮素评估-以青海省贵南县及玛沁县高寒草地为例

基于HJ-1A HSI卫星遥感资料,结合2014年青海省玛沁县、贵南县研究区高寒草地野外实测数据,建立了高寒草地氮素含量的估测模型,并对模型进行了精度评价,筛选出最优反演模型,分析了研究区高寒草地氮素的空间分布。结果表明,1)高寒草地HSI的原始光谱反射率、一阶导数光谱反射率及去包络线光谱反射率与地面实测氮素含量有一定的相关性,特别是吸收特征波段1(750.95~791.95 nm)和吸收特征波段3(889.03~921.30 nm)与氮素含量具有显著的相关性;2)基于吸收特征波段1构建的波段深度指数BD_767.99可以较好的估测研究区高寒草地氮素含量,利用此变量拟合的线性回归模型可以解释研究区高寒草地氮素含量变化的44%,模型估测精度可达81.6%;3)贵南研究区氮素含量的空间变异较大,整体而言,西北部和西南部地区氮素含量较高,东北部地区氮素含量较低;玛沁研究区氮素含量的空间变异较小,草地氮素含量水平整体较低。     

天山北坡草地盖度高光谱遥感估算

以天山北坡乌鲁木齐县甘沟乡为研究区,利用美国SVC HR-768便携式光谱仪采集25块样方的高光谱数据,并测定对应样方中草地盖度,分析草地盖度与原始光谱、一阶微分光谱和高光谱特征变量之间的相关关系;采用回归统计的方法,基于高光谱位置变量、高光谱面积变量和高光谱植被指数变量构建草地盖度的估测模型,并进行模型精度评价。结果表明,研究区草地盖度与植被冠层光谱反射率相关性较强的波段范围为354-704、1 420-1 481和1 904-2 512nm;基于一阶微分光谱和高光谱植被指数构建的估测模型能更好地反演草地盖度。通过模型检验,确定基于560nm的光谱一阶微分模型y=-384.153x+72.096可作为草地盖度的最优估测模型,模型均方根误差为7.344%,估算精度为90.343%。     

基于小型无人机与MODIS数据的草地植被覆盖度研究——以甘南州为例

以甘南州为研究区,采用Canon数码相机和小型无人机搭载相机在不同大小样方上获取草地植被覆盖度数码照片,结合2015年5月-10月的Terra/MODIS植被指数产品MOD13Q1,分析了增强型植被指数(EVI)和归一化植被指数(NDVI)与草地植被覆盖度之间的相关性,建立了研究区草地植被覆盖度的回归模型,并对模型进行了精度评价,筛选出甘南州草地植被覆盖度最优遥感反演模型,并对草地生长季时期覆盖度时空上的动态特征进行分析。结果表明,1)利用小型无人机搭载相机获取草地大样方植被数码照片的方法能用于地面草地覆盖度数据的获取;2)与NDVI相比,用EVI估算草地覆盖度更优,因此确定基于EVI构建的对数模型为甘南州草地植被覆盖度最优反演模型,模型精度可达88.00%;3)研究区2015年生长季草地植被覆盖度除了低平地草甸在8月达到最大值外,其它草地类型均在7月达到最大值;4)甘南州以中高植被覆盖度为主,主要分布在玛曲、碌曲、夏河以及合作四县市。整体而言,中西部和西南部区域草地覆盖度高于东部。通过精确草地植被覆盖度模型的建立,不仅有利于及时准确的了解草地植被覆盖度的时空分布状况和季节性动态变化,也有利于维护甘南州草地生态系统的持续稳定发展。     

高寒牧草叶面积的冬季衰减过程与估算

本研究利用2020年8月—2021年4月天然草地野外逐月叶面积指数(Leaf area index, LAI)的封育观测试验，探究自然条件下高寒牧草叶面积冬季变化特征，结果表明：当年8月至次年4月，LAI总体呈现先降后稳的变化特征，且大致以11月为界，分为8—11月的衰减阶段与12月—次年4月的稳定维持两个阶段。而衰减阶段又可区分为8—10月的快速下降时期与10—11月的缓慢下降时段，其中，降幅度最大的9—10月，LAI降幅可达29.5%。青藏高原地区冬季牧草的这种阶段衰减变化特征，明显有异于我国北方地区。基于LAI冬季衰减过程，构建了三次多项式估算方程(R²=0.99,P<0.001),并据此提出了冬季LAI逐月衰减变化查找表。进一步，在不同植被指数LAI估算能力对比基础上，建立了EVI和GF卫星的高寒牧草LAI遥感估算模型，实现了时空变化特征的遥感反演与估算。     

河西干旱区植被覆盖度时空格局分析

以河西地区草地植被为研究对象,基于长时间序列的MODIS和野外实测数据,探讨了现有的3种植被覆盖度反演模型在研究区的适用性,并以此为基础分析了2001–2015年河西地区草地植被覆盖度时空分布特征。研究结果表明,基于TVI的经验模型能够在大范围内较好地估算植被覆盖度;河西地区草地生长季植被最大覆盖度空间分布差异明显,植被覆盖度由东南向西北逐渐降低;2001–2015年间研究区植被覆盖度总体上呈现出极显著增加的趋势(P 0.01),但在空间分布上存在一定的异质性;植被恢复的区域主要集中在中、西部地区;退化草地零星分布在马鬃山北部、石羊河流域西部以及祁连山东段地区。     

石羊河流域草地覆盖与其生态服务功能变化

草地生态系统容易受到环境变化影响,研究草地覆盖及其生态服务功能变化具有较重要的意义。本研究以石羊河流域为研究区,基于遥感数据和InVEST模型,定量估算了2000年以来草地覆盖变化以及产水量、土壤保持、固碳等服务功能,并探讨了草地覆盖变化对生态系统服务的影响。结果表明,2000–2015年间,石羊河流域草地覆盖面积明显减小;草地产水量呈先减少后增加趋势,土壤保持与固碳服务呈减少趋势;除草地覆盖与流域中游产水量无显著相关关系(P 0.05),与下游土壤保持呈显著(P0.001)负相关关系外,与其余不同尺度不同生态系统服务间均呈显著(P0.001)正相关关系;石羊河流域上游草地植被显著减小,引起草地生态系统服务能力下降;改善上游的草地生态系统质量对于提高全流域草地生态系统服务具有重要意义。     

无人机RGB影像在高寒草地狼毒入侵监测及盖度估算中的应用

有毒植物入侵对草地生态系统和生物多样性的影响日益严重,无人机遥感为毒草防治提供了快速高效的监测方法。以青藏高原危害最严重的有毒植物狼毒为研究对象,探讨基于无人机影像的高精度狼毒遥感识别及盖度估算方法。在盛花期获取典型狼毒入侵草甸的无人机RGB正射影像,结合植被指数、色彩变换和纹理滤波方法提取狼毒识别特征,通过ReliefF-VIF/Pearson二次降维筛选出6项最优特征,基于RF、SVM和ANN三种机器学习算法构建狼毒识别模型。结果表明,与原始RGB波段相比,优选特征使狼毒识别精度有效提高4%～7%。三种分类方法的分类总精度和狼毒分类精度均大于81%,基于优选特征的RF和SVM模型的分类总精度和狼毒分类精度达到91%以上,狼毒识别效果最佳。随着统计单元的增大,利用无人机RGB影像分类结果估算狼毒盖度的精度明显下降但稳定性逐渐增加,斑块尺度50～60 cm是狼毒盖度估算的最优尺度。     

基于机器学习的青藏高原天然草地盖度时空变化特征研究

草地盖度是评价草地生长状况的重要指标,构建高精度的盖度估测模型是开展天然草地动态监测的关键。本文利用2003—2018年实测数据和地形、土壤等55个指标,建立了4种草地盖度遥感估测模型,通过比较得到研究区草地盖度遥感估测最优模型,并分析了2001—2019年研究区草地盖度时空动态变化。结果表明：由最小绝对压缩变量筛选方法选出10个有较高重要性的变量。其中,比值植被指数与草地植被盖度间的相关性优于其他单因素模型与草地植被盖度间的相关性。在3种机器学习模型中,随机森林优于人工神经网络与支持向量机模型,其R²和均方根误差分别为0.68和12.75%。机器学习方法构建的草地盖度模型优于单因素模型,其R²可提高0.09~0.16,RMSE降低1.52%~2.81%;2001—2019年,研究区草地盖度整体上呈现出自西向东、自北向南增加的趋势,呈增加趋势的面积占比为55.4%,呈减少趋势的面积占比为44.6%。     

黄河源区高寒草甸群落高度遥感模拟与评价

草层高度是反映草地生长状况的重要指标之一,与草地地上生物量的监测及载畜力的评估具有紧密联系。目前,对我国天然草地群落高度的监测尚缺乏精确的遥感方法。本研究以黄河源区高寒草甸为研究区,分别基于MODIS植被指数、冠层高度模型以及草地冠层高光谱反射率,构建了高寒草甸草地群落高度的估算模型,并对模型精度进行了评价。结果表明,1)12种MODIS植被指数中,NDVI对草层高度的变化最为敏感,其4种回归模型的R~2均较低,介于0.203~0.241,NDVI指数模型(y=0.789e~(3.186x),R~2=0.241)的拟合效果最好,但反演误差较大(RMSE=4.2cm,CVRMSE=45.7%);2)冠层高度模型在黄河源地区高寒草甸试验区的反演精度较低(RMSE=5.8cm,CVRMSE=62.1%),实际应用误差较大;3)高寒草甸群落高度与519.4-583.17nm波段之间的冠层光谱反射率存在显著负相关关系(P0.05),基于光谱位置变量R′510.59的线性模型(y=~(-1)56.375x+20.384)相对最优(R~2=0.489,RMSE=3.5cm),较适合反演高寒草甸群落的草层高度。     

机器学习在土壤盐渍化遥感中应用的文献计量分析

近年来，随着机器学习算法的发展，国内外专家学者致力于利用机器学习模型展开土壤盐渍化遥感相关研究，并取得了丰硕成果。本文利用文献计量可视化软件CiteSpace，对近十年来基于机器学习的土壤盐渍化遥感建模研究进行分析，确定了研究主题和热点，从机器学习算法、建模特征变量以及模型评价等方面评述研究进展，并针对当前研究热点对目前研究的局限性与发展趋势进行讨论。主要结论：1)机器学习算法在土壤盐渍化遥感建模中发挥着至关重要的作用，主要研究主题有机器学习算法及其精度研究、建模特征变量选择研究、遥感数据源选择对模型的影响研究、土壤盐渍化研究区域选择和基于机器学习的土壤盐渍化数字制图应用研究。2)目前的研究热点为辅助变量作为特征变量在模型构建中的应用、实测光谱数据与多源遥感光谱数据结合以及最佳机器学习算法选择。3)以2018年为节点，研究进展分为起步阶段和高速发展阶段，目前仍存在需要解决的挑战以提高模型的准确性。未来的研究方向应集中在云平台和机器学习在土壤盐碱化大范围、长期监测中的应用。     

基于Landsat 8 OLI和MODIS数据的高寒草地盖度升尺度效应研究——以夏河县桑科草原试验区为例

基于Landsat 8OLI和MODIS卫星遥感资料,结合2013-2014年甘南州夏河县桑科草原试验区野外实测盖度数据,对草地盖度敏感的OLI波段及其组合指数进行了筛选,构建并确立了试验区基于MODIS植被指数的草地盖度反演模型,探讨了不同空间升尺度方式对草地盖度的空间效应。结果表明,1)OLI比值植被指数r(Band7/Band5)对草地盖度的响应最敏感,基于该指数的草地盖度最优反演模型为yoli=-270.064xoli+115.987(R2=0.833,P0.001);2)基于MODIS MEVI和Landsat 8OLI比值植被指数r(30m)反演的盖度重采样数据(250m)的对数模型为最优草地盖度评估模型(R~2=0.795,P0.001),其决定系数较MODIS MEVI与基于农业多光谱照相机(agricultural digital camera,ADC)的盖度数据建立的回归模型高(R~2=0.706),绝对误差和相对误差较低;3)基于OLI和MODIS植被指数的3种草地盖度回归模型(方法1~3)精度均优于直接使用MODIS植被指数建立的回归模型(方法4);方法3利用OLI比值指数r反演盖度(30m),将其升尺度至250m,再反演盖度构建的对数模型的精度最高(R~2=0.795),其次依次为方法2构建的模型(R2=0.760)、方法1构建的模型(R~2=0.730)和方法4构建的模型(R2=0.706)。     

基于3S技术的甘南草地覆盖度动态变化研究

以像元二分法模型为基础,构建了基于改进归一化植被指数(NDVI)的植被覆盖度定量估算模型,并利用MODIS卫星遥感数据,基于3S技术(GIS,RS,GPS)空间分析功能,分级计算得到了甘南2002,2004,2006,2008年的草地植被覆盖度,分析了甘南2002-2008年植被覆盖度变化的空间动态演变过程和趋势。结果表明,2002-2008年,甘南植被覆盖度质量总体呈下降趋势,一级盖度植被的退化比较严重,草地植被的演变情况主要由优等植被覆盖(一、二级)向低等植被覆盖(四、五级)演变。研究结果揭示了甘南州草地退化状况日趋严重的事实,为相关研究和政府草地管理提供了有效依据。     

基于MODIS的南方草地NPP遥感估算与应用

草地NPP遥感模型的构建是实现大面积草地NPP估算的有效途径之一。以MODIS-NDVI数据为基础,以南方草山草坡为研究对象,结合野外实测数据,分析了草地NPP与NDVI之间的关系,同时构建了以NDVI为自变量以及水热条件为调节因子的南方草地NPP遥感估算模型,并通过不同年份独立的实测数据对模型进行了验证。结果表明,南方草地NPP与NDVI之间存在5种相关类型,均达到了极显著水平。NPP的模拟值和实测值之间具有很好的相关性和一致性,5种草地类型R²分别为0.902 2,0.826 6,0.871 2,0.887 7和0.875 5,均达到了极显著水平,均方根误差(RMSE)和相对均方根差(RRMSE)均较小。表明模型的模拟结果比较可靠,为南方草地NPP估算及草地资源管理提供了一种有效的方法。     

基于ADC和MODIS遥感数据的高寒草地地上生物量监测研究——以黄河源区为例

利用2015-2016年8月采集的黄河源区草地生物量数据和MODIS卫星遥感资料,结合农业多光谱相机(agricultural digital camera,ADC)获取的植被指数数据,比较分析3种_(ADC)植被指数(NDVI_(ADC)、SAVI_(ADC)和GNDVI_(ADC))与野外实测草地地上生物量(above-ground biomass,AGB)数据的相关性,筛选出适合构建草地AGB反演模型的_(ADC)植被指数;结合MODIS NDVI(记作NDVIMOD)构建草地地上生物量反演模型,采用留一法交叉验证方法评价各模型精度,确立适宜模拟研究区草地AGB的最优模型;并利用NDVI_(ADC)校正NDVI_(MOD),获得高分辨率、高精度的草地AGB遥感监测改进模型。结果表明,1)基于_(ADC)获取的3种植被指数中,NDVI_(ADC)与高寒草地地上生物量关系最为密切,其次为SAVI_(ADC),拟合效果最差的是GNDVI_(ADC);2)基于NDVI_(ADC)建立的草地AGB监测模型的精度(RMSEP介于383.55~393.18kg DW/hm2;r范围为0.65~0.66)远高于NDVI_(MOD)的模型精度(RMSEP介于421.08~427.00kg DW/hm~2;r范围为0.55~0.58),NDVI_(ADC)反演得到的草地AGB更接近于黄河源区草地实际生物量,且相较于NDVI_(ADC),NDVI_(MOD)的样本值整体偏高;3)在NDVI_(ADC)构建的4类模型中,线性和乘幂模型模拟研究区草地AGB的能力较好,但线性模型精度更高(y=3248.93×NDVI_(ADC)-305.59,RMSEP=383.55kg DW/hm~2,r=0.66),该模型为黄河源区草地生物量的估测提供了一个新型且易操作的方法;4)NDVI_(ADC)与NDVIMOD相关性较高,利用NDVI_(ADC)校正NDVI_(MOD)可以改进草地AGB遥感反演模型,优化模型为y=2455.54×NDVI_(MOD)-301.69。该模型可在大尺度范围内估测黄河源区的草地生物量,且模型精度接近于地表测量法的监测精度。     

基于植被指数的三江源高寒草地植物分类与识别方法研究

随着生态健康检测与保护工作的实践以及研究问题的深入，传统的植物分类手段不能完全满足当前研究的需要。因此为研究快速分类识别草地植物的方法，本研究利用ASD (Analytical spectral devices)地物光谱仪，采集了三江源地区高寒草地常见的阿尔泰葶苈(Draba altaica)、高山风毛菊(Saussurea japonica)和车前状垂头菊(Cremanthodium ellisii)等36种植物的原始光谱数据，并选择了比值植被指数等16种高光谱植被指数，基于支持向量机(Support vector machines，SVM)等3种机器学习算法，构建高寒草地植物光谱分类识别模型。研究结果表明：高寒草地植物的原始光谱均符合绿色植物特征，但由于植物形态特征不同光谱差异主要集中在可见光波段；基于植被指数结合3种算法构建的分类模型，精度依次为随机森林(Random forest,RF)(99.4%)>SVM (93.2%)>K邻近算法KNN (88.0%)，且模型的预测结果都出现了误判情况；相比SVM与KNN，RF为基于植被指数构建模型的最佳算法，同时能对所构建模型参数进行重要性分析，其中RGI和SAVI为提高RF分类模型精度的两个重要参数。     

复合植被指数在稀疏高寒草原植被盖度遥感反演中的应用

基于Landsat 8遥感影像数据,以西藏日喀则经南木林到申扎县的一条样带高寒草原作为研究对象,选择较为常用的归一化植被指数(normalized difference vegetation index,NDVI)、土壤调整植被指数(soil adjusted vegetation index,SAVI)、修改型土壤调整植被指数(modified soil adjusted vegetation index,MSAVI)以及对半干旱区低覆盖植被信息较为敏感的转换型土壤调整植被指数(transformational soil adjusted vegetation index,TSAVI),结合地表反射率改进运算的FCD模型(forest canopy density mapping model)裸土(bare soil index,BI)和阴影指数(shadow index,SI)构建适合低植被覆盖区域的复合植被指数(vegetation bare shadow index,VBSI);基于各植被指数构建像元二分模型,定量反演高寒草原植被盖度;并利用网格法实测的植被盖度分析反演精度。研究结果表明,8种植被指数所构建的像元二分模型对高寒草原植被盖度的反演精度以VBSI(TSAVI)最高,反演精度为85.66%;并证明了基于野外采集的土壤光谱曲线获取的TSAVI所构建的像元二分模型对高寒草原植被盖度信息的提取具有一定的实用性;改进运算的FCD模型裸土和阴影指数能较好地削弱土壤和阴影对植被信息的影响,所构建的复合植被指数对提取稀疏高寒草原植被盖度信息具有重要的实际意义。     

基于XGBoost算法的草甸地上生物量的高光谱遥感反演

准确、高效获取草甸地上生物量信息,对牧区农牧业生产、草地资源管理、牧草可持续利用具有重要意义。本研究基于实地采集的牧草冠层光谱反射率及同期获取的地上生物量数据,运用互信息法分别分析了微分光谱、优化植被指数与草甸地上生物量的相关性,进一步构建了极限梯度提升（XGBoost）算法与不同阶光谱植被指数数据集的草甸地上生物量模拟估算模型,并与多元线性回归（MLR）和随机森林（RF）算法建立的模型进行对比。结果表明：对光谱反射率进行一阶、二阶微分与光谱植被指数变换协同应用,有助于提高冠层光谱与地上生物量的相关性;基于原始光谱植被指数与XGBoost算法构建的草甸地上生物量模拟估算模型效果最佳,均方根误差（RMSE）为140.26 g·m^-2,平均绝对误差（MAE）为97.20 g·m^-2,Nash效率系数（NSE）为0.81,一致性指数（d）为0.94,其次为基于RF算法构建的模型,MLR算法构建的模型精度较差。研究认为XGBoost算法可适用于草甸地上生物量模拟估算模型的建立,为快速准确的牧草高光谱遥感监测提供了技术和方法,为区域性草地高精度大面积生产力估算奠定了基础。