玉米叶面积指数的CHRIS/PROBA数据反演分析

叶面积指数(LAI)是衡量植被生态状况和估算作物产量的一个重要指标。LAI的反演是定量遥感研究的重要内容。传统的经验统计反演方法基于单一观测角度的遥感数据进行,忽略了地物反射率的方向性。若在反演中加入多观测角度的信息,则有可能提升LAI反演的精度。以2008年甘肃省张掖市玉米实验区为研究区,利用欧空局的CHRIS/PROBA多角度高光谱数据对比分析了传统植被指数NDVI、RVI、EVI的变化规律及其反演玉米叶面积指数LAI的精度,并根据NDVI随观测角度的变化规律,构造出新型多角度归一化植被指数MNDVI,分别对实测叶面积指数进行线性回归并利用实测数据对估算LAI进行精度验证,结果表明：新型MNDVI指数相比于传统NDVI、RVI、EVI对LAI的反演精度有了显著提升,估算模型决定系数R²达到0.716,精度验证均方根误差为0.127,平均减小了33.3%。     

基于HJ-1A CCD1数据的台湾相思树叶面积指数反演

基于HJ-1A CCD1环境卫星数据,以福建沿海地区普遍分布的台湾相思树为研究对象,利用回归分析法(NDVI、OSAVI、EVI、HJVI)和PROSAIL辐射传输模型,构建台湾相思树LAI反演模型。同时,利用同步野外地面实测数据,将模型估算LAI值与实测LAI值进行对比。结果表明：(1)相比归一化植被指数NDVI、优化土壤调节指数OSAVI和增强型植被指数EVI 3种常用植被指数,引入修正大气、土壤背景影响的蓝、绿波段的环境植被指数HJVI来反演相思树LAI具有更高的精度(R²=0.7344,RMSE=0.1421);(2)本研究所选4种植被指数构建的最优反演模型均为非线性模型,其中,环境植被指数HJVI反演LAI最优模型为幂函数模型,表明相思树LAI与植被指数之间呈非线性变化;(3)PROSAIL辐射传输模型法比回归分析法反演相思树LAI的精度有较大提高(R²=0.7903,RMSE=0.1303),可见PROSAIL模型法构建反演模型能更好地反演相思树LAI。     

基于TAVI的山区毛竹林LAI反演分析

本文采用地形调节植被指数（TAVI）,以RapidEye高分辨率多光谱遥感影像为数据源,对福建省永安市毛竹林山区进行了叶面积指数（LAI）地面实测、遥感建模及反演分析。通过TAVI与归一化植被指数（NDVI）、比值植被指数（RVI）的对比研究,结果表明：（1）毛竹林实测LAI与TAVI、NDVI和RVI线性回归的决定系数（R²）分别为0.6085、0.3156和0.4092,最佳非线性回归的R²分别提高到0.6624、0.5280和0.6497。LAI与NDVI或RVI非线性（U曲线）模型可以很好地解释LAI-VI的散点分布规律,但难以解决LAI-VI间因地形影响导致的“同物异谱”和“异物同谱”问题,因此,在山区大面积推广应用需慎重。（2）通过实测LAI的验证表明,LAI-TAVI回归模型可有效避免因地形影响导致的“同物异谱”和“异物同谱”问题。TAVI具有良好的削减地形影响作用,可用于山区植被LAI的遥感反演。     

同化叶面积指数和蒸散发双变量的冬小麦产量估测方法

同化遥感信息到作物生长过程模拟模型,是估测区域作物产量的重要方法之一。同化变量的选取对同化结果精度至关重要。本文在标定WOFOST作物模型参数的基础上,优化了WOFOST模型的默认灌溉参数。利用ET和LAI作为同化变量,分别构建了时间序列趋势信息的代价函数和四维变分代价函数;采用SCE-UA算法最小化代价函数, 重新初始化WOFOST模型初始参数——作物初始干物质重、作物35 ℃生命期和灌溉量。最后利用MODIS LAI产品（MCD15A3）、MODIS ET产品（MOD16A2）,同化到作物模型估测产量,并对比分析了水分胁迫模式下同化单变量（ET或LAI）和同化双变量（ET和LAI）的估产精度。结果表明：同化双变量ET和LAI的策略,优于同化单变量LAI或ET,双变量策略的冬小麦产量估测精度为R²=0.432,RMSE=721 kg/hm²;单独同化高精度LAI对提高估产精度具有重要作用,其冬小麦产量估测精度为R²=0.408,RMSE=925 kg/hm²;单独同化ET的趋势信息改善了WOFOST模型模拟水分平衡的参数,但是,产量估测精度（R²=0.013,RMSE=1134 kg/hm²）与模型模拟估测产量精度（R²=0.006,RMSE=1210 kg/hm²）相比改善效果有限。本研究为其他区域的遥感数据与作物模型的双变量数据同化的作物产量估测研究提供了参考价值。     

基于GF-3和Landsat 8遥感数据的土壤水分反演研究

基于我国首颗全极化雷达卫星高分三号（GF-3）和Landsat8数据,研究浓密植被覆盖地表土壤水分反演方法。为了提高浓密植被覆盖地表土壤水分反演精度,首先利用PROSAIL模型、实测植被参数及Landsat8光学数据分析了8种植被指数与植被冠层含水量的相关性,从中优选出归一化差异水指数（NDWI₅）用于反演植被冠层含水量,并通过分析植被含水量和植被冠层含水量的关系,构建植被含水量模型;然后结合植被含水量反演模型和简化MIMICS模型校正了植被对雷达后向散射系数的影响,最后基于AIEM建立裸土后向散射系数模拟数据集,发展一种主动微波和光学数据协同反演浓密植被覆盖地表土壤水分模型,并以山东省禹城市为研究区,实现了玉米覆盖下HH、VV和HH+VV 3种模式土壤水分反演。实验结果表明： ① NDWI₅为最佳植被指数,对于去除植被影响有较好效果;② 基于此方法,利用GF-3和Landsat8卫星数据反演得到的土壤水分具有较高的精度;③ 相比HH和VV两种极化模式,HH+VV双通道模式对土壤水分反演结果更好,决定系数（R2）为0.4037,均方根误差（RMSE）为0.0667 m ³m ^-3。     

基于Landsat TM和ENVISAT ASAR数据的鄱阳湖湿地植被生物量的反演

作为湿地生态系统的重要组成部分,湿地生物量是衡量生态系统健康状况的关键指标。由于光学遥感对植被垂直分布探测的局限,使得植被指数反映生物量变化的灵敏度下降。利用C波段SAR反演生物量时,对于低中等生物量,含水量高的湿地地表的后向散射对总雷达后向散射的影响会在雷达图像上出现类似光学遥感中"异物同谱"的现象。本文用光学遥感中NDVI、RVI和DVI三种植被指数对生物量变化的敏感性,利用改进的MIM-ICS模型,对湿地植被各散射分量进行模拟分析,建立符合湿地植被类型的各散射分量模拟数据库,以LandsatTM和Envisat ASAR交替极化数据为基础,选择植被指数DVI=0.45为阈值,将湿地植被分割为低叶片密度植被区和高叶片密度植被区,分别应用统计回归模型和半经验微波散射模型,对两个区域植被生物量进行反演。最后,得到整个鄱阳湖湿地生物量为2.1×10⁹kg。研究表明,对于生物量动态范围较大的地区,采用光学和雷达遥感相结合可以有效地提高湿地植被生物量反演的精度,克服光学遥感探测植被垂直分布能力有限和雷达遥感受背景影响大的不足。     

基于神经网络模型的干旱区绿洲土壤盐渍化评价分析

土壤盐渍化严重制约了农业可持续发展和生态安全,土壤盐渍化的精确评价分析,对土壤盐渍化的改善和治理具有重要的意义。本文以新疆焉耆盆地为研究对象,Landsat8 OLI遥感影像和实测采样数据相结合,提取地下水埋深（GD）、盐分指数（SI）、地表蒸散量（SET）和改进型温度植被干旱指数（MTVDI）建立了土壤盐渍化评价模型。结果表明：①结合野外实测土壤盐分数据,对BP神经网络模型进行训练。最终以最优的4-4-1结构的3层BP神经网模型对研究区土壤盐渍化进行了预测（R²=0.864,RMSE=0.569）。相比传统多元线性回归模型（R²=0.741,RMSE=0.767）,神经网络模型对土壤盐渍化的预测精度更高;②土壤盐渍化分布与GD、SI、SET和MTVDI等存在较强的关联性,不同等级的土壤盐渍化是不同影响因素不同程度上组合而引起的结果,盐渍化土地主要分布在地下水位较低以及土地开垦之后没有利用的荒地区域;③整个研究区大部分区域受到不同程度的盐渍化影响,耕地退化为盐渍地导致该区域土壤盐渍化以及土壤次生盐渍化进一步加剧。     

一种基于图论重构MODIS EVI时间序列数据集的新方法

MODIS的增强型植被指数（EVI）时间序列数据早已广泛应用于植被观测、生态环境和全球气象变化等研究领域,但即使EVI时间序列数据已经经过严格的预处理,其中仍然存在着一些噪声。因此,本文开发了一种简单有效的方法来重构EVI时间序列数据,减少EVI时间序列数据中的噪声,尤其是一些由大气云层和冰雪覆盖产生的噪声。新方法的理论来源于图论,利用拉普拉斯矩阵的关系对EVI中选定的邻域窗口的像元权重进行赋值,得到中心像元的拟合。新方法已应用于2016—2018年的MODIS MOD13A1产品,并与S-G滤波法、谐波函数法、双逻辑斯蒂拟合法和非对称高斯函数法进行了比较。结果表明,在荒漠、草原和林地中,新方法留一验证测试的绝对差值最小,相较于其他方法效果较优;在拟合不同植被类型的EVI时间序列数据时,图论邻点方法呈现出更好的细节拟合曲线;其在5类植被类型中的RMSE值分别为200.59、46.58、63.48、165.47和40.95,在5种方法中均为最小值,在获取高保真和高质量的EVI时间序列数据方面优势更明显有效。本文的方法研究可以给植被遥感时序数据的去噪和生态环境的研究提供有益借鉴。     

基于SEVI的复杂地形山区植被FPAR遥感反演与地形效应评估

植物吸收性光合有效辐射分量（FPAR）的遥感反演是生态环境领域的核心研究内容之一,但在复杂地形山区,其估算精度严重受到地形效应的影响（包括本影与落影）。本文利用能够消除地形阴影影响的阴影消除植被指数（SEVI）对山区遥感影像进行FPAR反演,并分别与基于不同影像预处理程度计算的归一化植被指数（NDVI）、比值型植被指数（RVI）反演的FPAR做对比分析,以评估复杂山区反演FPAR存在的地形效应。结果表明：在不做地形校正的情况下,基于NDVI与RVI反演FPAR会使得本影及落影区域的值远小于非阴影区域的值,它们的相对误差均大于70%;基于C校正后的NDVI与RVI反演FPAR可以较好地校正本影区域,相对误差降至约6.974%,但落影处的校正效果不明显,相对误差约为48.133 %;而基于SEVI反演FPAR无需DEM数据的支持,可以达到经FLAASH+C组合校正后NDVI与RVI反演FPAR相似的结果,且能改善落影区域的地形校正效果,相对误差降至约2.730%。     

基于广义回归神经网络的京津冀地区土壤湿度遥感逐日估算研究

土壤湿度是地表水热交换过程和水文循环中的一个关键组成部分,获取高时空分辨率的土壤湿度数据一直是当前研究的热点。SMAP（Soil Moisture Passive and Active）主被动微波土壤湿度产品的精度高,但存在着空间分辨率低和时间分辨率缺失的问题,这限制了其在区域尺度上的应用,为解决这一问题得到更高时空分辨率的土壤湿度产品,本文利用广义回归神经网络模型（GRNN）模拟了MODIS地表温度、反射率、植被指数光学/热红外遥感数据以及高程、坡度、坡向、经纬度数据与SMAP土壤湿度的关系,从而将京津冀地区SMAP L2土壤湿度产品的时间分辨率由不连续（4~20 d）提升至1 d,空间分辨率由3 km提升至1 km,并扩展其在京津冀地区的空间覆盖范围。研究发现:① GRNN模型总体验证结果表明土壤湿度估算值与SMAP原始值的相关性较高（r=0.7392）,均方根误差（RMSE）为0.0757 cm3/cm3;② 不同季节典型日期的GRNN模型估算结果精度相差较大,春季处的相关性相比其他季节最低,精度相对较高（r_春=0.6152,RMSE_春=0.0653cm3/cm3）,秋季和夏季土壤湿度估算精度较为接近（r_夏=0.6957,r_秋=0.7053,RMSE_夏=0.0754cm3/cm3,RMSE_秋=0.0694cm3/cm3）,冬季的估算精度最高（r_冬=0.8214,RMSE_冬=0.0367cm3/cm3）;③ 2016年京津冀夏秋季节的土壤湿度较其他季节要显著提高,空间分布上坝上高原区域较低,而沿海地区的土壤湿度明显较高。本研究对京津冀地区的生态水文、气候预测以及干旱监测等应用领域具有重要价值。     

STUDY ON THE INTERACTION BETWEEN NDVI PROFILE AND THE GROWING STATUS OF CROPS

Daily and ten-day Normalized Difference Vegetation Index(NDVI) of crops were retrieved from meteorological statellite NOAA AVHRR images ,The temporal variations of the NDVI were analyzed during the whole growing season,and thus the principle of the interaction between NDIV profile and the growing status of crops was discussed,As a case in point,the relationship between integral NDVI and winter wheat yield of Henan Province in 1999 had been analyzed.By putting integral NDVI values of 60 sample counties into the winter wheat yield-integral NDVI coordination,scattering map was plotted. It demonstrated that integral NDVI had a close relation with winter wheat yield.These relation could be described with linear,cubic polynomial ,and exponential regression,and the cubic polynomial regression was the best way,In general ,NDVI reflects growing status of green vegetation ,so crop monitoring and crop yield estimation could be realized by using remote sensing technique on the basis of time serial NDVI data together with agriculture calendars.     

叶面积指数遥感反演研究进展与展望

叶面积指数表征叶片的疏密程度和冠层结构特征,体现植被光合、呼吸和蒸腾作用等生物物理过程的能力,是描述土壤-植被-大气之间物质和能量交换的关键参数。目前多种卫星传感器观测生成了多个区域和全球的叶面积指数标准产品。本文综述了基于光学遥感数据的叶面积指数反演进展:首先,介绍了叶面积指数的定义和在生态系统模拟中的作用;然后,阐述了基于光学遥感反演叶面积指数的基本原理;在此基础上,论述了基于植被指数经验关系和基于物理模型的两种主要遥感反演算法,讨论了2种算法的优点和存在的问题,并总结了现有的主要全球数据产品及其特点,论述了产品检验的方法和需要注意的问题;最后,总结了当前叶面积指数反演中存在的问题,并展望了其发展趋势和研究方向。     

线性光谱混合模型的ASTER影像植被应用分析

本文利用线性光谱模型分解混合像元方法。从ASTER多光谱遥感数据提取福州地区植被覆盖丰度的定量信息,与归一化差值植被指数进行了回归分析,结果相关系数高达95％;通过对植被景观格局分析,表明研究区以中等丰度植被占据主要地位,生态系统较为稳定。     

水土流失区马尾松林植被提取的土壤调节指数分析

为实现水土流失区植被遥感信息的准确提取,本文采用2007年ALOS 10 m多光谱影像,利用土壤调节植被指数SAVI和MSAVI,对福建长汀水土流失区马尾松林不同植被覆盖密度的3个实验区进行植被提取,并选用不同的土壤调节因子（L=0.25,0.5,0.75,1）做实验,将结果和以NDVI植被指数提取的结果进行对比,分析了提取效果及受土壤噪音的影响程度。实验表明,SAVI指数能提高水土流失区的植被提取精度。在中、低植被覆盖区,其提取的总精度比NDVI高出2%~7%,Kappa系数高出7%~18%;而土壤调节因子L的取值对植被信息的提取也呈现出一定的规律性,即：随着L从0向1递增,SAVI提取稀疏植被的能力上升而探测阴坡植被的能力下降。总体来看,对于低植被覆盖和中等植被覆盖地区,可分别用SAVI（L取0.75）和SAVI（L取0.5）来提取植被信息,对于高植被覆盖区,仍可直接用NDVI进行植被信息提取;研究发现MSAVI在植被信息提取中并不具有特别的优势。     

真实和有效叶面积指数及聚集指数的尺度效应

尺度效应是地球科学和定量遥感中的重要研究课题,目前的许多研究大多集中在估算尺度效应带来的误差,而对一些关键的植被结构参数是否存在尺度效应及其尺度转换方法尚存在诸多不同见解。本文针对真实和有效叶面积指数（Leaf Area Index, LAI和Effective LAI, LAI_e）以及聚集指数（Clumping Index, CI）3个植被关键结构参数,从基本概念和获取方法上分析参数的尺度效应及其尺度转换方法。从定义上看,LAI并不存在尺度效应,而LAI_e和CI则存在尺度效应,其中CI的尺度效应由LAIe引入（CI=LAI_e/LAI）。在野外实测中,LAI破坏测量法没有尺度效应,但由孔隙率模型获取3个参数的方法均具有尺度效应。异速生长方程和遥感反演方法的尺度效应取决于方法本身的线性或非线性特征。目前全球主要的LAI、LAI_e和CI遥感产品都基于非线性模型获取,其反演过程具有尺度效应。像元尺度的LAI本身并不具有尺度效应,而像元尺度的LAI_e和CI虽然具有尺度效应,但在实践中常常被忽略。因此,实际工作中应注意区分参数概念本身、野外测量、遥感反演方法以及遥感产品等所展示的不同尺度效应。