典型喀斯特山区的森林蓄积量遥感估算

[目的] 通过森林蓄积量的遥感监测了解喀斯特地区森林生态系统的健康状况和生态功能,为该地区碳汇监测与评估以及森林管理与决策提供理论依据。 [方法] 本研究选取典型喀斯特山区为研究对象,基于Sentinel-2A影像和样地调查数据,结合随机森林(RF)、K近邻回归(KNN)和BP神经网络3种机器学习模型,在山地坡度条件约束下开展森林蓄积量反演研究。 [结果] ①单波段反射率、植被指数和纹理特征等遥感因子在不同地形约束条件下的表现不同,建立模型的最优子集均不同,不同立地条件下建立蓄积量估测模型均有差异。 ②在喀斯特山区森林蓄积量估算中,RF相比KNN和BP模型鲁棒性和适应性最强。在缓坡、斜坡、陡坡立地条件下,RF模型精度分别达到80.1%,79.0%,80.5%。 [结论] 喀斯特山区空间异质性强,不同坡度立地条件下参与蓄积量遥感估测的建模自变量因子均不相同。坡度的划分可以细化复杂场景遥感估算模型,提高蓄积量遥感估算精度。     

基于野外VIS-NIR光谱的土壤盐分主要离子预测

为明确干旱区土壤盐分主要离子的特征光谱,建立精度高和稳定性好的盐渍土预测模型,以新疆阜康市为研究区域,采用网格法采集55个土壤样本,利用实测VIS-NIR光谱,选择多元线性回归(MLR)、支持向量机(SVM)、随机森林(RF)法构建土壤盐分主要离子含量反演模型,而后对反演精度进行检验。结果显示:(1)在0.01显著水平下,土壤盐分与Na⁺、Cl^–、Ca²⁺含量均呈显著相关,相关系数分别为0.978、0.814、0.645;(2)综合光谱响应和相关性分析确定土壤盐分主要离子的特征波段为459、537、1 381、1 386 nm,显著特征波段为459、537 nm;(3)3种模型拟合效果从高到低依次为RF>MLR>SVM,采用RF所建模型盐分主要离子(Na⁺、Cl^–、Ca²⁺)R²最高,RMSE最小,RPD最大,分别为2.11、2.03、1.80,为最优预测模型。通过选取土壤主要离子显著特征波段,进而采用RF法构建其估测模型...     

基于Worldview-2影像的玉米倒伏面积估算

为应用高分辨率遥感影像准确调查玉米倒伏面积,该文使用2012年9月14日获取的Worldview-2多光谱影像研究灌浆期倒伏玉米的光谱、纹理特征及其最优的面积估算方法。通过对影像进行大气校正后得到正常玉米和倒伏玉米的反射率,结果显示玉米倒伏后8个波段的反射率均升高,其中红边、近红外1和近红外2等3个波段的上升数值超过0.1。通过对反射率数据进行滤波得到正常、倒伏玉米的均值纹理特征,统计结果显示各波段纹理特征有差异,其中绿色、红边、近红外1及近红外2等4波段的均值纹理特征数值差距更明显。比较使用不同波段数量、特征及分类方法的倒伏面积估算值,结果表明基于最大似然分类法使用红边、近红外1和近红外2等3波段光谱反射率的倒伏面积估算方法最优,其最小误差为2.2%,最大误差为8.9%,平均误差为4.7%。该研究结果为应用高分辨率多光谱遥感数据调查玉米倒伏面积提供了相关依据。     

基于多时相GF-6遥感影像的水稻种植面积提取

为获取高精度水稻种植面积提取方法和分析红边信息在作物识别能力上的优越性,该研究选取辽宁省盘锦市为研究区域,利用2020年水稻关键物候期的多时相高分6号宽幅相机（GF-6 WFV）遥感影像,构建归一化植被指数（Normalized Difference Vegetation Index,NDVI）、归一化水体指数（Normalized Difference Water Index,NDWI）、比值植被指数（Ratio Vegetation Index,RVI）和归一化差异红边1指数（Normalized Difference Red-Edge 1 Index,NDRE1）,根据各地物类型进行时序分析,在获得水稻面积粗提取结果的基础上对其他地类进行掩膜,准确提取水稻种植面积。对2020年盘锦市水稻提取结果进行精度分析,结果表明,基于实测数据进行精度验证的总体精度为94.44%,基于目视解译数据进行精度验证的总体精度和Kappa系数分别为95.60%和0.91。根据目视解译数据对有无红边波段参与的水稻提取结果进行对比分析可知,红边波段的引入使总体分类精度、水稻制图精度和Kappa系数分别提高了3.20个百分点、6.00个百分点和0.06。该研究证明红边波段可以有效降低作物的错分、漏分情况,对水稻精准估产和丰富农作物遥感监测方法具有重要作用,显示出国产红边卫星数据在作物分类、面积提取方面具有巨大应用潜力。     

基于高光谱参数建立苗期高温条件下草莓叶片叶绿素含量估算模型

以“红颜”草莓（Fragaria×ananassa Duch“Benihope”）为试材,于2021年9−11月在人工气候室进行苗期（9～12片真叶,叶长≥5cm）动态高温环境控制实验,日最高温度以32℃为起点,设置日最高气温/日最低气温分别为32℃/22℃、35℃/25℃、38℃/28℃和41℃/31℃共4个水平,持续时间分别为2d、5d、8d和11d,以28℃/18℃为对照（CK）。试验期间空气相对湿度60%～70%,光周期12h/12h（6：00−18：00）,光照强度800μmolm⁻²s⁻¹。测定不同处理下叶片叶绿素含量及高光谱反射率,对原始光谱进行变换,从而细化光谱特征信息。在相关分析的基础上,建立原始和一阶敏感波段植被指数,进而筛选出表征叶绿素含量的光谱特征参数,以期构建叶绿素含量最佳估算模型。结果表明：（1）随着温度的升高和高温持续时间的延长,草莓叶片叶绿素a、叶绿素b和总叶绿素（a+b）含量呈下降趋势。（2）草莓叶片原始光谱在可见光区域均存在绿峰和红谷,除绿峰和红谷外各处理间差异不明显,高温条件下的近红外区域反射率与CK相比出现不同程度的上升。与原始光谱相比,一阶导数光谱曲线震荡更剧烈,且能够显著突出红边参数特征,各处理的红边位置λ_r稳定在716nm,红边幅值D_r与红边面积S_r差异显著;而在连续统去除光谱中各处理的绿峰（550nm附近）和红谷（675nm附近）被完全突显出来。（3）在光谱反射率与叶绿素含量相关性分析的基础上,选取原始光谱与一阶导数光谱在可见光和近红外波段相关性最强的R₇₄₇、R₈₀₀和R'₇₁₆、R'₉₀₆为敏感波段组合,构建植被指数。（4）PVI、MSAVI、TSAVI、TSAVI'、DVI'、MSAVI'、PVI'、SAVI'、D_r和S_r指数与叶绿素含量相关性达极显著水平,可作为表征设施草莓叶片叶绿素含量对苗期高温胁迫响应的高光谱特征参数。其中以TSAVI、DVI'和PVI'植被指数建立的逐步回归模型为叶绿素含量最佳估算模型,其决定系数（R²）为0.843,均方根误差（RMSE）为0.379,相对误差（RE）为12.65%。     

多光谱遥感结合随机森林算法反演耕作土壤有机质含量

土壤有机质（Soil Organic Matter,SOM）遥感反演一般以单期影像作为输入量,为研究多时相影像遥感结合随机森林提高SOM遥感反演精度的可能性,该研究以黑龙江省农垦总局胜利农场耕地范围为研究区,以Sentinel-2A和Landsat 8影像作为数据源,获取两期裸土遥感影像,构建光谱指数,以随机森林算法筛选波段和光谱指数作为输入量,构建SOM反演模型。结果表明：1）两期影像的SOM反射光谱响应波段包括二者共有的中心波长：约560、660、850 nm,以及Sentinel-2A特有的中心波长740 nm 4个波段;2）基于单期影像最佳波段和光谱指数,Sentinel-2A影像SOM最优反演模型R2为0.913,均方根误差为0.860 g/kg,精度高于Landsat 8影像反演模型;3）单期影像最佳波段引入光谱指数,相比以最佳波段作为输入量,使SOM最优反演模型的均方根误差分别提高了28.867%和8.722%;4）引入时相信息,基于单期和两期影像波段和光谱指数,SOM最优反演模型精度由高到低为两期影像（R2为0.938,均方根误差1.329 g/kg）、Sentinel-2A影像（R2为0.935,均方根误差为1.944 g/kg）、Landsat 8影像（R2为0.922,均方根误差2.022 g/kg）,两期影像SOM最优反演模型的稳定性和精度略高于单期影像。研究结果证明了Sentinel-2A影像数据以及多时相裸土影像反演SOM的优势。     

倒伏水稻特征分析及其多光谱遥感提取方法研究

倒伏水稻的识别对灾后农业生产管理、灾害保险、补贴等工作有重要意义。为应用高分辨率遥感影像准确提取倒伏水稻面积,本文利用2019年9月27日获取的哨兵2号多光谱遥感影像,研究黑龙江省同江市倒伏水稻的光谱、纹理特征,并基于光谱与纹理特征建立倒伏水稻的遥感提取模型。研究结果表明水稻倒伏后可见光-近红外-短波红外等8个波段的反射率均升高,其中短波红外、红光和红边1等3个波段的反射率上升大于0.06。倒伏水稻的典型植被指数中,归一化植被指数、比值植被指数、增强植被指数和红边位置指数均降低,但差值植被指数升高。倒伏与正常水稻在红光、红边1和短波红外等3个波段的均值纹理数值差距明显,红光波段的纹理均值差异最大。利用归一化植被指数、地表水分指数、比值植被指数和差值植被指数以及红光波段的纹理均值构建决策树分类模型,监测结果表明农场内倒伏水稻分布较散,其西部和南部水稻受灾面积较大,北部受灾面积较小,中部偏北和东部基本未倒伏。将本文模型所提取的结果与实测面积对比,正常与倒伏水稻的面积识别误差分别为3.33%和2.23%。利用随机验证样本与模型验证结果进行混淆矩阵分析,倒伏水稻的用户精度和制图精度均为92.0%,Kappa系数为0.93。该方法能够适用于大区域倒伏水稻提取,可为高分辨率多光谱遥感数据调查水稻倒伏面积提供相关依据。     

基于RF和连续小波变换的露天煤矿土壤锌含量高光谱遥感反演

露天煤矿周边存在潜在重金属污染隐患,快速获取土壤重金属空间分布是土壤污染评价、土地复垦与修复的前提。传统调查方法费时费力且易造成对环境的二次污染,高光谱遥感为土壤重金属反演提供了新的视角。该研究以某露天煤矿土壤锌（Zn）含量为研究对象,采集了111个原位表层（0～20 cm）土壤样品及反射光谱;对样品反射光谱进行Savitsky-Golay（SG）平滑、连续统去除（Continuum Removal,CR）和连续小波变换（Continuous Wavelet Transform,CWT）以降噪和增强;利用Boruta算法确定特征波段;采用偏最小二乘回归（Partial Least Squares Regression,PLSR）和随机森林（Random Forest,RF）构建土壤Zn含量反演模型,使用留一交叉验证评估反演模型精度以确定最优反演模型;基于最优反演模型,利用空间插值方法绘制土壤Zn含量空间分布图。结果表明：1）CWT可有效降低光谱噪声,增强光谱响应。2）Boruta算法能消除光谱信息冗余,并能有效提取特征波段;特征波段的数目随CWT分解尺度和光谱测量条件变化。3）RF估算土壤Zn含量性能优于PLSR,且RF结合CWT具有较好的土壤Zn反演能力;最优野外原位光谱反演模型精度（建模集R2=0.92,验证集R2=0.54）低于实验室光谱反演模型（建模集R2=0.95,验证集R2=0.72）。4） 土壤Zn空间分布表现出显著的异质性,呈现高值集中于研究区西南部和东北部的特征。研究结果可为利用高光谱遥感开展露天矿区土壤重金属反演提供借鉴,为其他类似区域土壤污染评价、土地复垦与整治、土壤修复提供前提与依据。     

基于实测高光谱和Landsat 8 OLI影像的土壤盐化和碱化程度反演研究

针对宁夏银北地区土壤盐碱化定量监测的需要,利用实测土壤高光谱和Landsat 8 OLI多光谱影像数据采用多项式、多元线性回归等方法进行土壤含盐量和pH值反演研究,并对影像光谱反演模型进行校正,以提高遥感定量反演精度。结果表明:(1)基于实测光谱的土壤含盐量反演精度均高于基于OLI影像反演精度;基于实测光谱敏感波段反射率反演精度高于实测盐分指数反演精度,其中实测光谱经平滑后敏感波段建立的模型效果最佳(R²=0.695)。(2)基于实测光谱平滑后敏感波段建立的pH值反演模型精度最高且最稳定(R²=0.545),基于OLI影像光谱反演精度低于实测光谱,但也通过了显著性检验和精度验证。(3)经实测光谱模型校正后的Landsat 8 OLI影像光谱的土壤含盐量反演模型R²从0.347提高到0.623。研究结果可以为准确、快速地定量监测当地土壤盐分含量、pH值的变化提供科学依据和技术手段。     

结合ZY-1 02D光谱与纹理特征的干旱区植被类型遥感分类

高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法（Generalized Normal Distribution Optimization,GNDO）的特征优选结果在质量和稳定性方面相较传统优化算法具有优势,但目前还未应用于高光谱波段选取研究。为探索结合ZY-1 02D光谱与纹理特征进行干旱区植被类型遥感分类的可行性,验证GNDO方法应用于高光谱波段选取的有效性,同时探讨不同数量训练像元条件下,各特征选取方法的选择结果差异和对植被类型分类精度的影响,该研究以青海省都兰县宗加镇为例,在随机选取各分类类别不同数量训练像元（30、50、100、150、200）基础上,分别利用遗传算法（Genetic Algorithm,GA）、粒子群优化算法（Particle Swarm Optimization,PSO）、灰狼优化算法（Grey Wolf Optimization,GWO）以及GNDO算法进行高光谱波段选取并对比结果,同时利用灰度共生矩阵（Gray-Level Co-occurrence Matrix,GLCM）方法提取纹理特征,将提取的光谱特征和纹理特征组合成30组分类数据集,利用随机森林（Random Forest,RF）方法完成植被类型自动分类,对比不同分类数据集的分类精度。结果显示：蓝波段（400～450 nm）、红边波段（700～750 nm）和红波段（600～650 nm）对区分植被类型最敏感;基于光谱特征的分类数据集中,使用200个训练像元和GNDO方法进行特征优选获取的分类数据集（GNDO200）获得了最高的总体分类精度（80.44%）;随着训练像元的增加,各分类数据集总体分类精度整体均呈上升趋势,不同的特征选择方法的分类精度对训练像元数量表现出不同的依赖程度;图像纹理特征的加入,明显提升了植被分类精度,将使用200个训练像元和GWO方法进行波段优选的结果与纹理特征结合的分类数据集（GWO200+TEX）获得了最高的总体分类精度（82.86%）。该研究验证了ZY1-02D国产高光谱卫星数据光谱纹理特征结合进行干旱区植被类型划分的潜力,证实了GNDO方法对高光谱波段选取的有效性,为高光谱植被类型制图中光谱、纹理特征选取提供了一种思路。     

基于特征优选的北疆典型区域非农化遥感监测

该研究旨在准确把握耕地“非农化”的时空格局,为制定合理的土地利用和耕地保护政策提供重要依据。随着特征提取技术和分类算法的进步,利用遥感影像进行大规模耕地动态监测变得更加准确和高效。该研究选用Sentinel-2卫星影像,探讨了不同算法和特征变量在耕地非农化监测中的优势。研究首先提取了4类特征共计31个指标,并通过主成分分析(principipal component analysis, PCA)和相关系数矩阵进行特征优选,获得了12个关键指标,并设计了5种特征组合方案。随后,采用7种基础算法执行影像分类,并通过“单阶段”和“二阶段”两种分类策略,提取耕地“非农化”信息。研究结果表明,有效选择多种特征变量和算法对于提高监测精度至关重要。在所有测试的模型中,采用Softmax构建的二阶段模型精度最高,最优特征组合为光谱特征+光谱指数特征+纹理特征,特征变量维度减少至12个。总体精度、平均用户精度、平均生产者精度和Kappa系数分别达到94.92%、95.16%、93.15%和0.88。对比2020年和2022年研究区数据,发现耕地转变为非农化用地的面积为146.153 km2,而非农化用地转变为耕地的面积为123.074 km2,导致耕地净减少23.079 km2。综上所述,该研究提出的耕地“非农化”监测方法可以为相关的地物信息提取和耕地资源保护与可持续利用等研究提供技术支持和方法参考。     

基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一,对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性,该研究收集新疆艾比湖湿地78个典型样点,其中选取54个样本作为训练集,24个样本作为独立验证集。基于Sientinel-2多光谱传感器(Multi-Spectral Instrument,MSI)、数字高程模型(Digital Elevation Model,DEM)数据提取3类指数(红边光谱指数、植被指数和地形指数),经过极端梯度提升(Extreme Gradient Boosting,XGBoost)算法筛选有效特征变量,构建了关于土壤电导率(Electrical Conductivity,EC)的随机森林(Random Forest,RF)、极限学习机(Extra Learning Machine,ELM)和偏最小二乘回归(Partial Least Squares Regression,PLSR)预测模型,并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明:优选的红边光谱指数基本能够预测EC的空间变化;红边光谱指数与植被指数组合建模效果总体上优于...     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

基于特征优选随机森林算法的农耕区土地利用分类

为了提高农耕区土地利用分类精度,该文采用较高空间分辨率和丰富光谱信息的Sentinel-2数据生成光谱特征、无红边波段的植被指数、红边指数和纹理特征4种基本特征变量,并对以上特征变量优选后进行特征重要性排序,进而构建7种特征组合方案,基于随机森林算法和支持向量机对农耕区土地利用信息进行提取并对比验证分类精度。研究结果表明:通过特征优选的随机森林算法进行土地利用信息提取效果最佳,总体精度达到88.24%,Kappa系数为0.84,精度优于相同特征变量下的支持向量机分类方法。该方法能够有效提高农耕区土地利用分类精度,可为土地资源监测、管理提供技术支持和理论参考。     

北京九龙山自然保护区典型林分枯落物水文效应研究

在北京九龙山自然保护区内选取有代表性的4种林分类型,测定各林分枯落物的蓄积量,采用室内浸泡法对其水文效应进行研究,旨在为该区森林植被枯落物生态水文功能评价提供一定的参考。结果表明:（1）4种林分枯落物层蓄积量大小依次为:黄栌油松混交林（29.65 t/hm²） > 黄栌纯林（22.78 t/hm²） > 黄栌侧柏混交林（16.87 t/hm²） > 侧柏纯林（12.17 t/hm²）;（2）同一浸水时间下黄栌油松混交林的枯落物持水量最大,黄栌纯林、黄栌侧柏混交林次之,侧柏纯林最小,枯落物层的持水量与浸泡时间为对数函数关系,持水量历时过程呈现出迅速吸水、缓慢吸水、逐渐饱和、饱和4个阶段;（3）4种林分枯落物层的吸水速率与浸水时间为幂函数关系,其过程可分为迅速下降、缓慢下降、趋于稳定的3个阶段。     

基于无人机图像参数对滴灌条件下玉米氮素营养的动态诊断

于2018和2019年在宁夏平吉堡农场进行滴灌水肥一体化氮肥梯度试验，以天赐19为试验材料，设6个氮素水平，即 0 （N0）、90（N1）、180（N2）、270（N3）、360（N4）和450（N5）kg·hm⁻²，在玉米拔节期（V6）、小喇叭口期（V10）、大喇叭口期（V12）、吐丝期（R1）和乳熟期（R3）利用无人机搭载数码相机获取玉米冠层图像，利用Matlab编写代码开发的数字图像识别系统提取玉米冠层图像红光值R、绿光值G、蓝光值B，研究基于此计算的10个冠层图像参数指标与氮素营养指标间的相关性，筛选出稳定性好且敏感度高的图像色彩参数，构建玉米氮素营养诊断指标与图像参数间关系模型并进行验证，以探究利用无人机图像进行宁夏引黄灌区滴灌玉米拔节-乳熟期氮素营养动态估测的可行性。结果表明：冠层图像参数指标绿光与红光比值(G/R)、绿光标准化值（NGI）、红绿蓝植被指数(RGBVI)与植株氮含量和叶片氮含量相关性高且变异系数小，可作为氮素营养诊断的潜在最佳色彩参数；将最佳色彩参数与植株氮含量和叶片氮含量分别进行回归模型构建，幂函数模型可以更好地预估玉米氮素营养状况；利用2019年相同氮素试验进行模型验证，发现NGI与植株氮浓度和叶片氮浓度实测值与估测值的R2分别为0.738和0.689，检验指标RMSE为2.594和3.014，nRMSE为13.125%和13.347%，预测精度和准确性高于G/R和RGBVI。故选择NGI作为滴灌玉米拔节−乳熟期氮素营养动态诊断的最优参数，参数NGI与植株氮浓度的关系模型（N_P=4.967×106NGI^14.26）R²为0.707，与叶片氮浓度的关系模型（N_L=1.707×106NGI^12.88）R²为0.654。说明应用无人机图像技术可以较好地对宁夏引黄灌区玉米拔节−乳熟期氮素营养状况进行动态估测，构建的氮素营养诊断模型可为宁夏引黄灌区滴灌玉米氮肥精准配施提供理论依据。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数（leaf are index, LAI）的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证（LOOCV, leave-one-out cross validation）和交叉验证对模型精度进行了检验。结果表明：1）对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差（RMSE, root mean square error, RMSE=0.378）;2）对于各类植被指数,花蕾期（20170616）和花铃期（20170802）时增强植被指数（EVI, enhanced vegetation index,）表现最佳（RMSE分别为0.352和0.367）,开花期（20180623）时校正土壤调节植被指数（MSAVI2, modified soil adjusted vegetation index 2,）估算精度最高（RMSE=0.323）;3）单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的（inverted red-edge chlorophyll index）全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

不同水分处理对烟草叶片高光谱及红边特征的影响

采用ASD Fieldspec HH光谱仪, 测定了不同水分处理下两个烟草品种叶片的光谱特性, 分析其红边特征参数的变化规律及其与烟叶生理指标的相关性。结果表明: 不同水分处理之间的烟草叶片光谱反射率差异明显, 但两个品种的变化规律一致。烟草伸根期和旺长期, 近红外光区的光谱反射率随土壤水分的增加而升高, 成熟期则呈相反趋势, 且光谱反射率在旺长期达到最高值。不同水分处理下烟草叶片一阶微分光谱趋势总体一致, 但红边一阶导数光谱差异显著。红边位置随土壤水分减少向长波方向移动, 发生“红移”现象。红边幅值和红边面积在伸根期和旺长期均随土壤含水量的增加而发生“红移”现象, 成熟期则发生“蓝移”现象。烟草叶片的红边位置同其生理指标的相关性要优于其他参数, 同叶绿素a含量、叶绿素b含量、类胡萝卜素含量、叶绿素总量、叶片鲜重、叶片干重、叶面积和叶片含水率均呈极显著相关关系; 红边幅值和红边面积与叶绿素a含量、叶绿素b含量、类胡萝卜素含量、叶绿素总量和叶片含水率之间均呈极显著性正相关, 红边面积同叶片干重呈极显著性负相关关系。     

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,mRMR）从15个潜在的植被指数中优选比值植被指数（Ratio Vegetation Index,RVI）、改进的简单比值指数（Modified Simple Ratio Index,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。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。