季节性淹水湿地表层土壤有机碳含量遥感预测及空间分布特征

为探讨鄱阳湖季节性淹水湿地土壤有机碳的空间分布特征及遥感方法在土壤有机碳估算中的适用性,依托江西鄱阳湖国家级自然保护区,选择蚌湖、常湖池和泗洲头湿地为研究区域,基于野外实测土壤有机碳含量数据和同期的Landsat8 OLT遥感影像,采用遥感图像处理和GIS技术提取影像中遥感特征因子,构建遥感参数与土壤有机碳的一元线性、一元曲线和多元逐步线性回归模型,通过对比分析选择最优遥感估算模型,预测鄱阳湖季节性淹水湿地表层（0~20 cm）土壤有机碳含量。结果表明,提取了影像中33个遥感特征因子,包括7个波段的反射率值（b₁~b₇）、4个植被指数（NDVI、SR、SAVI、EVI）、第一主成分特征（PCA1）、单波段纹理特征的均值（MEAN）、熵（ENT）和相关性（COR）,其中纹理特征是研究区土壤有机碳含量预测的重要遥感因子,其与土壤有机碳含量构建的多元逐步线性回归模型拟合效果最优,模型决定系数R²=0.772,平均相对误差45.53%,均方根误差2.417。遥感反演发现,研究区预测表层土壤有机碳含量主要集中在0~20 g/kg,土壤有机碳含量平均值约为10.75 g/kg。     

基于连续投影算法的博斯腾湖西岸湖滨绿洲土壤有机碳含量的高光谱估算

以博斯腾湖西岸湖滨绿洲为研究区,利用实测的土壤有机碳含量与高光谱数据,应用连续投影算法(successive projection algorithm, SPA)从全波段光谱数据中筛选特征变量,并分别采用全波段和特征波段构建偏最小二乘回归(partial least square regression, PLSR)与支持向量机(support vector machine, SVM)模型来估算土壤有机碳含量。结果表明:1)土壤有机碳质量分数变化范围为0.75～48.13 g/kg,平均值为13.31 g/kg,呈中等变异性,变异系数为63.19%。2)土壤有机碳含量与原始光谱反射率表现为负相关性[-0.62相关系数(r)-0.07];经SG平滑结合标准化正态变换后进行一阶微分(Savitzky-Golay-standard normal variate-first derivative, SG-SNV-1st Der)预处理后,通过极显著性检验(P0.01)的波段数达到414个,主要集中在487～575、725～998和1 464～1 514 nm处,其中在788、800与1 768 nm波长处的相关性最高,r均大于0.80。3)光谱经SG-SNV-1st Der预处理后,用SPA构建的PLSR模型验证集的决定系数(R~2)=0.79,均方根误差(root mean square error, RMSE)=3.58 g/kg,残余预测误差(residual prediction deviation, RPD)=1.99,四分位数间距性能比(ratio of performance to interquartile distance, RPIQ)=2.23;而运用SPA结合SVM构建的模型验证集R~2=0.81,RMSE=3.16 g/kg,RPD=2.25,RPIQ=2.53。说明运用SPA结合SVM构建的模型能较好地估算研究区土壤有机碳含量。     

基于表层土壤光谱的耕层土壤有机质间接估测

为解决遥感技术在监测耕层土壤有机质方面的应用问题,利用表层土壤光谱对耕层土壤有机质含量进行估测。以山东省济南市章丘区的表层、耕层各76个土壤样本为研究对象,首先对表层光谱数据进行小波变换去噪、剔除异常样本等处理,然后对处理后的光谱反射率进行一阶微分等10种数学变换,在对数倒数一阶微分和对数一阶微分变换后的反射率数据中选取43个与土壤有机质含量相关系数较高的波段,通过主成分分析以累计贡献率大于90%的标准选取5个主成分作为反演因子,利用BP神经网络(BPNN)、支持向量机回归(SVR)和多元线性回归(MLR)方法建立耕层土壤有机质含量间接估测模型。结果表明,耕层土壤与表层土壤有机质含量之间决定系数R~2达到0.839,显著性P0.01,存在着较强的相关性BPN估测模型的精度最优,决定系数R~2为0.845,平均相对误差为7.642%,RMSE分别为1.622g·kg~(-1)。研究表明,利用表层土壤光谱信息间接估测耕层有机质含量是可行有效的,为耕层土壤有机质的估测问题提供了一种新思路。     

基于高光谱植被指数对棉花叶绿素含量的估算

为了研究不同水氮组合条件下叶片叶绿素含量与光谱反射率之间的相关性,从而进一步估算叶绿素含量,利用ASD Field Spec Pro Fr型光谱仪室外测量棉花叶片的光谱反射率,同时采收棉花叶片获得叶绿素含量值。计算光谱一阶微分、原始光谱反射率组成的植被指数,以及对"三边参数"与叶片叶绿素含量进行相关性分析,结果表明:"三边参数"中的红边内最大一阶微分值(D_r)与棉花叶绿素含量有很好的相关性,其决定系数r~2为0.530 5**,估测模型决定系数r~2为0.856 3**,均方根误差RMSE为0.366;植被指数中Bm SR705:(DR750-DR445)/(DR705-DR445)与棉花叶绿素含量有很好地相关性(r~2=0.696 3**),估测模型决定系数r2为0.815 7**,均方根误差RMSE为0.278。因此利用特定的植被指数和"红边参数"能够很好地预测叶绿素含量,从而为高光谱数据预测棉花叶片叶绿素含量提供理论基础。     

应用局部样本最优K值KNN模型估测森林蓄积量

为了探究KNN算法(K-最近邻法)的优化方法及Landsat8 OLI在森林蓄积量估测中的应用潜力。以陕西省留坝县为研究区,采用Landsat8 OLI为遥感数据源并结合同时期的森林资源调查数据,构建多元线性回归(MLR)、K-最近邻(KNN)、随机森林(RF)、距离加权K-最近邻(DW-KNN)和局部样本最优K值KNN(LSO-KNN)模型进行森林蓄积量的遥感估测。随机抽取总样本的2/3用于训练模型,1/3用于模型的检验,并以决定系数(R²)、均方根误差(R_MSE)和相对均方根误差(R_RMSE)作为精度的检验指标对模型进行评价。结果表明：(1)在构建的5种森林蓄积量反演模型中,4种机器学习模型均高于MLR模型;(2)基于局部样本最佳K值构建的LSO-KNN模型估测结果最佳,其决定系数为0.72,均方根误差为39.58 m³/hm²,相对均方根误差为28.68%,均方根误差比MLR、KNN、RF和DW-KNN模型分别降低了30.89%、27.24%、24.23%和18.14%,...     

基于PLS算法与遥感影像的区域小麦实际单产估测

为进一步提高遥感估产精度,显示国产影像在农业估产中的应用效果,该研究以2010—2013年HJ-1A/1B影像为遥感数据,分析了卫星遥感变量与小麦实际单产的定量关系,运用偏最小二乘回归算法构建及验证了以实际单产为目标的多变量遥感估产模型。研究表明:实际单产与所选用的大多数遥感变量间关系密切,且多数遥感变量两两间具有严重的多重相关关系;实际单产偏最小二乘回归模型的最佳主成分为5,且植被衰减指数、绿色归一化植被指数、调整土壤亮度的植被指数、比值植被指数和归一化植被指数为实际单产遥感估测的敏感变量;建模集和验证集实际单产估测模型的决定系数分别为0.74和0.70,均方根误差分别为754.05、748.20 kg/hm2,相对误差分别为11.5%和8.88%,且估测精度比线性回归算法分别提高20%以上和40%以上,比主成分分析算法分别提高18%以上和30%以上,说明偏最小二乘回归算法模型估测区域实际单产的效果要明显好于线性回归和主成分分析算法,该模型应用结果与小麦实际单产区域分布情况相符合,为提高区域小麦实际单产的遥感估测精度提供了一种途径。     

基于GF-1土壤有机质含量估测的研究

【目的】本试验利用GF-1遥感影像估测土壤有机质含量。【方法】该文对扶余市耕作区土壤进行采样,在实验室化验土壤样品的有机质含量,分析GF-1各波段反射率及其变换形式与土壤有机质含量的相关性,确定有机质的敏感波段,建立土壤有机质含量的单波段与多波段估测模型,旨在通过比较估测模型的精度和稳定性,确定研究区土壤有机质含量的最优估测模型。【结果】F-1各波段反射率与有机质含量均呈显著负相关,且在第3波段达到最大值,其相关系数为-0.805,均方根误差为0.362;将反射率进行幂、指数变换以后可以有效提高与有机质含量的相关性,相关系数分别提高至-0.886和-0.872,均方根误差下降至0.283和0.342;利用前3个波段反射率指数变换建立起的多元估测模型,模型判定系数R~2达到0.851,检验样本的均方根误差降低至0.172,表明此模型的估测精度较高、稳定性较好。【结论】GF-1遥感影像可以作为估测土壤有机质含量的遥感数据源,并为使用GF-1遥感影像估测土壤成分等方面的研究提供参考。     

基于组合模型的玛纳斯河流域农田土壤盐分反演

盐渍化是影响土壤质量和作物生长的重要因素之一，利用遥感技术大面积获取土壤盐分信息具有重大意义。以新疆玛纳斯河流域农田为研究对象，将偏最小二乘回归模型(PLSR)和BP神经网络模型(BPNN)相结合，构建组合模型来反演土壤盐渍化状况。结果表明，与土壤盐分相关性较高且具有代表性的遥感指数为归-化植被指数(NDVI)、比值植被指数(RVI)和土壤调整植被指数(SAVI)，其相关性系数分别为-0.746、-0.663和-0.733。单项预测模型中偏最小二乘回归模型的预测精度最高，其决定系数(R²)为0.759，均方根误差(RMSE)为3.159。组合模型R²为0.797,RMSE为3.611，其验证精度较单项预测模型有所提高，较PLSR模型提高了0.038，较BPNN提高了0.094。组合模型可更准确地预测出玛纳斯河流域农田土壤盐分空间分布状况。玛纳斯河流域农田土壤盐渍化以轻度和中度盐渍化为主，所占比例达到35.34%和25.66%，与实测结果一致。组合模型较单项模型可以获得更准确的土壤盐分空间分布状况，为新疆玛纳斯河流域农田土壤盐渍化治理和土地资源...     

基于Hyperion植被指数的干旱地区稀疏植被覆盖度估测

受稀疏植被与明亮土壤背景影响,干旱地区植被覆盖精确遥感估测难度较大。以Hyperion影像为数据源,选取甘肃省民勤绿洲-荒漠过渡带为研究区,系统比较了利用不同类型高光谱及多光谱植被指数估测干旱地区稀疏植被覆盖度的能力,以期确定干旱地区稀疏植被覆盖度估测的最佳植被指数。不同植被指数估测稀疏植被覆盖度的能力利用线性回归R2及留一交叉验证的均方根误差进行比较,结果表明:高光谱植被指数估测稀疏植被覆盖度的能力显著优于相应的多光谱植被指数,抗大气植被指数(ARVI)及抗土壤和大气植被指数(SARVI)表现明显优于归一化植被指数(NDVI)与土壤调节植被指数(SAVI),其中以基于833.3nm/640.5nm波段组合的ARVI表现最佳,R2可达0.7294,均方根误差(RMSE)仅为5.5488。     

不同类型土壤的光谱特征及其有机质含量预测

 【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。     

马尾松林地土壤有机碳遥感估测

采用卡萨生物圈(CASA)模型的遥感间接估算法对长汀县河田镇马尾松林地土壤有机碳进行模型构建。结果表明:结合多种植被指数构建的综合植被指数(ICV),缓解了归一化植被指数(INDV)在植被净第一性生产力(NPP)反演的饱和现象及高估现象,拟合精度比归一化植被指数提高了17.4%,说明综合植被指数在研究区土壤有机碳(SOC)的估算上有更高的契合度;运用综合植被指数构建的随机森林回归模型,对土壤有机碳预测综合精度(R^2=0.597 2,RMSE=1.76,RM=94.85%)比其他回归模型高,适用于研究区SOC的估算。     

基于栅格尺度的景谷县思茅松林土壤碳库空间格局模拟与估测

采用来自于中国科学院科学数据库提供的SRTM数据和美国陆地卫星7号(即Landsat-7)遥感数据,结合直接估算和间接估算的优点,以30 m的栅格为地面单元,模拟和表达地面立地条件和森林分布的连续变化,实现土壤碳库的精细化估测。利用SPSS对导出的数据进行处理,分析地表土壤有机碳含量与年均温、年平均降水量、NDVI、坡度、坡向、坡位及DEM数字高程之间的统计关系,拟合出土壤有机碳的估算模型,并以此来进行思茅松土壤有机碳储量的统计计算。     

毛竹林分冠层叶面积指数高光谱估测

叶面积指数(leaf area index,LAI)是体现林分冠层结构的一项重要参数,其准确估测对于精准林业的实施具有重要意义。为了快速、无损地监测毛竹林LAI,采用ISI921VF-256野外地物光谱辐射计和LAI-2200冠层分析仪获取福建省西北部毛竹林分冠层光谱反射率和LAI值,通过敏感波段的选取,新建了8类植被指数,分析了LAI值与对应植被指数的相关性,进而利用随机森林回归、支持向量回归和反向传播神经网络法构建了毛竹林分冠层LAI高光谱估测模型,以决定系数(R2)、均方根误差(ERMS)、平均绝对误差(EMA)和估测值与实测值的回归线斜率为指标评价并比较了模型预测精度。结果表明:新建的NDVI_(674)、NDVI_(687)、GNDVI_(563)、GRVI_(563)、RVI_(674)、RVI_(687)、DVI_(674)、DVI_(687)八类植被指数与LAI均呈极显著相关(P<0.01)。建立的RFR模型中,决定系数R2达到0.732 3,分别比SVR模型和BP模型提高了0.106 6和0.247 0;其EMA为0.406 2,分别比SVR模型和BP模型减少了0.044 8和0.481 1;其ERMS为0.646 3,略高于SVR模型,但远小于BP模型;其实测值与估测值的回归线斜率接近1,优于SVR模型和BP模型的回归线斜率。RFR模型对毛竹林分冠层LAI的高光谱估测效果优于SVR模型和BP模型,可用于大区域范围毛竹林冠LAI的高光谱估测。     

基于SPOT5和PCA的柞树林地上碳储量的估测模型

以北京市延庆县柞树林为研究对象,利用森林资源二类调查数据和2004年SPOT5遥感影像,选取SPOT5数据的4个单波段,提取差值植被指数(DVI)、比值植被指数(RVI)、归一化植被指数(NDVI)等3种植被指数以及海拔、坡度、坡向和郁闭度共11个遥感及样地因子,提取这11个因子的主成分,建立基于主成分分析的多元线性回归模型估测碳储量。结果表明:模型经方差分析以及相关性检验,达到显著相关水平,相关系数R=0.829,可用于柞树林地上部分碳储量估测。对30个独立样地进行配对样本t检验,结果达到显著相关水平,相关系数R=0.850,地上部分碳储量估算值为27.19 t·hm-2,模型估测精度可达到92.73%。     

基于Landsat 8的深圳市森林碳储量遥感反演研究

以2014年Landsat 8遥感影像为数据源,研究了深圳市森林碳储量遥感反演模型的构建及其空间分布情况,对城市生态系统碳循环研究具有重要意义。采用分层随机抽样的方式布设168个样地,结合外业样地数据,从遥感影像中提取31个植被指数作为自变量,分别构建了多元线性回归模型、Logistic回归模型和Radical Basis Function(RBF)径向基函数神经网络模型,进而估算该地区的森林碳储量并比较分析。结果表明,RBF神经网络模型的估算精度最高,决定系数最大且均方根误差最小,分别为0.829t·hm~(-2)和9.131t·hm~(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.523t·hm~(-2)和11.821t·hm~(-2);多元线性回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.438t·hm~(-2)和12.870t·hm~(-2)。可见,RBF神经网络模型能更好地模拟森林碳储量与各个因子之间的关系。研究区森林碳储量的空间分布特点表现为东南沿海部分碳储量大,中西部城市经济开发区碳储量小,与实际森林分布基本一致。     

基于高光谱的小麦冠层叶绿素(SPAD值)估测模型

选择山东省泰安市山东农业大学试验田为研究区,分别采用ASD FieldSpec 3光谱仪和SPAD-502叶绿素仪测量小麦冠层的近地高光谱反射率和SPAD值,通过分析小麦冠层光谱特征,进行光谱反射率及其一阶导数与SPAD值的相关分析,筛选敏感波段,进而分别构建基于敏感波段和植被指数的小麦冠层SPAD值估测模型,并优选确定最佳模型。结果表明,光谱反射率经一阶导数变换能更好突出光谱特征,用来筛选敏感波段,将6个敏感波段分别建立单波段及多波段组合估测模型,进而优选出最佳估测模型为R′_(871),R_(1 349),R_(725),R′_(1 995)多元线性回归模型,决定系数R~2=0.668;基于4种植被指数构建的小麦叶绿素最佳估测模型为NDVI的二次模型,方程为y=61.978 x~2-34.426 x+54.089,决定系数R~2为0.845。基于植被指数的估测模型可较好实现小麦冠层叶绿素信息的无损和快速获取,为小麦生产的实时监测提供了有效手段。     

基于TM遥感影像丰宁县森林地上生物量估测研究

利用TM遥感数据以及同期获得的野外调查样地数据,研究了河北省丰宁满族自治县森林地上生物量的遥感估测技术。提取TM遥感影像6个波段反射率及DVI、NDVI、PVI、RVI、VI3、SLAVI和SAVI 7个植被指数,分析了森林样地地上生物量与各个因子间的关系,得出相关系数较小（均小于0.400）;因此采用Stepwise逐步回归法,建立了多元回归模型。结果表明,ρ2、ρ3、ρ4、ρ54波段反射率和有效叶面积植被指数（SLAVI）结合建立的多元回归模型,可用于森林生物量的遥感估测,估测的R2值达0.730,留一交叉验证均方根误差RMSE最小,达33.712。利用2008年的全覆盖TM影像,结合丰宁遥感分类图像,获得了丰宁县2008年森林地上生物量分布图,森林植被总生物量为1.805×107t。     

基于数码相机的玉米冠层SPAD遥感估算

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。     

基于无人机多光谱影像的云南松林蓄积量估测模型

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息,在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源,探索森林蓄积量的遥感估测模型,以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象,利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等,计算各特征变量的标准地均值;筛选与云南松林蓄积量相关性显著的特征变量,采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型,以决定系数(R²)、平均绝对误差(E_MA)、均方根误差(E₍RMS()、平均相对误差(E_MR)评价模型精度。【结果】(1) 3种模型中,随机森林的精度最高(R²=0.89,E_MA=4.69m³·hm^-2, E_RMS=5.45m³·hm^-2, E_MR     

应用最大信息系数和支持向量机估测森林蓄积量

为了探究Landsat8 OLI影像和支持向量机算法在林分蓄积量估测中的潜力,以湖南省株洲市为研究区,以Landsat8 OLI卫星影像为遥感数据源,并结合同时期的湖南省森林资源二类调查数据,提取单波段特征、植被指数和纹理特征等遥感因子作为候选变量;利用最大信息系数对遥感变量进行筛选,并构建基于多项式核的PK-SVR模型、基于径向基核的RK-SVR模型、基于拉普拉斯核的LK-SVR模型和基于Sigmoid核的SK-SVR模型;以决定系数、相对均方根误差作为预测模型的评价指标,并与传统的线性回归模型进行对比,同时对研究区的森林蓄积量进行反演,得到株洲市森林蓄积量空间分布图。结果表明：支持向量机（SVR）模型的预测结果明显优于多元线性回归模型,RK-SVR模型的预测效果最好,其决定系数为0.61、均方根误差为69.26 m³/hm^-2、相对均方根误差为31.2%。