多植被指数组合的冬小麦遥感估产方法研究

为了提高大面积冬小麦农田产量快速估算的准确率,选取Landsat 8 OLI卫星遥感数据,计算归一化植被指数NDVI、比值植被指数RVI、绿度植被指数GVI、增强植被指数EVI,分别建立4种植被指数组合与地面冬小麦实测产量的回归方程或神经网络和SVM模型。结果表明:单植被指数的非线性回归方程估产精度高于线性回归方程,冬小麦实测产量与遥感植被指数表现为非线性关系;线性回归方程估产时多植被指数组合精度高于单植被指数,多植被指数组合可实现信息互补,提高遥感估产精度;建立多植被指数组合与实测产量的非线性遥感估产模型时,SVM模型的均方根误差RMSE为339.6kg·hm~(-2),决定系数R~2为0.7852,估产精度高于BP神经网络模型、RBF神经网络模型,可应用于冬小麦遥感估产的快速、准确实现。     

无人机遥感技术及其在环境保护领域中的应用

从传感器、遥感数据处理、数据传输等方面对无人机遥感(UAVRS)技术进行了综述,并对其在环境保护领域中的应用进行了阐述。     

北票市基于Landsat8遥感影像的归一化植被指数分析

归一化植被指数(NDVI)是反映植被长势和营养信息的重要参数之一,由近红外波段与红光波段的反射率值计算得到。Landsat8作为美国Landsat计划的第8颗卫星,遥感数据的准确性更高,时效性更新,采用美国地质勘探局(USGS)网站提供的Landsat8卫星遥感影像,利用ENVI软件计算2013年7月~2016年6月北票市NDVI,分析北票市3a的植被覆盖情况。结果表明:用遥感影像的时效性,通过计算NDVI可以有效监测区域内植被的覆盖情况,获取多年的遥感影像可以分析区域内植被覆盖规律,便于分析区域水土流失情况,制定水土保持计划与决策。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

基于TVDI和气象数据的陕西省春季旱情时空分析

陕西省居于中国腹地,受干旱影响严重,开展遥感旱情监测工作,认识旱情的时空特征具有重要的现实意义。利用MODIS产品MOD11A2和MOD13A2构建NDVI-Ts特征空间,获取陕西地区温度植被干旱指数(Temperature Vegetation Dryness Index,TVDI),在利用土壤湿度和气象指数验证了TVDI反映旱情有效性的基础上,以TVDI为干旱指标分析了2000—2015年陕西省春季(2—5月)旱情的时空变化特征。结果表明:(1)土壤相对湿度和降水量与TVDI均呈负相关,TVDI对降水量存在一定的滞后性;(2)近16年来,陕西省年年有旱,但春季旱情总体呈逐年减轻的趋势,年内2—5月旱情会逐渐加重;(3)空间上,近16年来陕西省春旱较为严重的地区主要分布在陕北北部以及关中东北部,而陕北南部、关中西南部及陕南地区旱情较轻。     

秦岭山地NPP遥感估算及其时空变化特征研究

基于2000~2013年的MODIS-NDVI数据和气象数据,利用CASA模型对秦岭山地植被净第一生产力(NPP)进行了模拟估算。结果表明:2000~2013年秦岭山地植被年均NPP为833.87 g C/(m~2·a);不同类型植被的NPP表现为栽培植被草丛草甸针叶林灌丛阔叶林;各季植被的NPP表现为夏季春季秋季冬季;秦岭山地植被NPP与当月气温及前1个月、2个月、3个月气温均呈显著正相关,但受当月气温的影响最大。     

近20年来长春市土地利用变化及其影响因素探讨

以长春市区为研究区域,利用Landsat遥感数据为主要数据源,选择1995、2001、2014年为研究时间,运用遥感技术,研究了近20年长春市土地利用类型的变化,进行了动态对比研究,并探讨了影响其变化的驱动力,最后根据研究成果,为长春市土地利用保护提出了对策建议。     

基于空间三角形法的艾比湖蒸散发时空变化及其驱动力研究

该研究利用MODIS与Landsat TM/OLI多源遥感资料获取的艾比湖地表温度和植被指数信息,进行陆面水热平衡过程研究,结合空间三角形法,根据水热平衡原理反演温度植被蒸散指数(TVETI),并选用MODIS蒸散发产品数据对反演结果进行线性回归分析与精度验证,结果表明:MODIS-TVETI与Landsat-TVETI都可以有效地反演陆面蒸散发;其中MODIS-TVETI最高相关性达到0.847、0.803、0.723,Landsat-TVETI达到0.837、0.818、0.717;发现2000—2014艾比湖15a蒸散发时空动态变化较大,空间差异显著,其中5月、6月、7月变化程度为:7月6月5月;通过分析,艾比湖蒸散发时空格局呈现由季节性温度升高,风速增大导致蒸散发面积增大的趋势,在此基础上分析了影响艾比湖蒸散发变化的驱动力因素,近年来随着温度升高,大风天气频繁,人口增加等因素,使艾比湖地区蒸散现象较为严重。可见,开展艾比湖蒸散发时空监测对于干旱区湿地生态有重要的理论与实际意义。     

遥感技术在农业干旱监测中的应用研究

干旱是一种发生在世界范围内的复杂的自然现象。遥感技术(RS)的迅速发展为人类有效地监测干旱灾害提供了一种全新的技术途径。该文概述了利用遥感监测干旱的研究背景,探讨了干旱的遥感监测方法及今后的发展方向。     

天水市近30年林地动态变化遥感监测研究

[目的]以甘肃省天水市为例,基于遥感影像变化监测技术,探讨黄土高原丘陵沟壑与小陇山-西秦岭山地交接过渡区域近30年来森林(林地)资源空间分布规律、时间变化趋势及变化影响因素。[方法]以1988—2015年5期夏季Landsat TM/OLI遥感影像为主要数据源,结合辅助数据和外业实地样本点,以光谱特征和指数特征为特征变量,分别利用随机森林(RF)和参数优化支持向量机(POSVM)分类器对土地覆盖类型进行分类,然后基于分类后比较法进行森林资源动态变化监测。[结果]分类结果表明,两种分类器的分类效果均较好,且随机森林分类器在分类精度、效率和稳定性方面明显优于参数优化支持向量机分类器。变化监测结果表明,近30年来森林资源总体变化趋势为林地面积先减少后增加。1990—1996年,林地面积减少0.74%;1996—2002年,林地面积减少2.74%;2002—2008年,林地面积增加1.06%;2008—2015年,林地面积增加8.89%。[结论]本研究采用的基于非参数分类器分类后比较法的变化监测技术是复杂地形地貌过渡区森林资源动态变化监测的一种有效途径,在分类结果分析统计的基础上,得出研究区森林资源变化的总体趋势:以2002年(2002年影像)为界,林地总体趋势为先减少后增加,2002年后林地面积增加显著。