用LAI监测植被信息分析飞蝗生境

东亚飞蝗自20世纪80年代以来在我国再度猖獗危害。本文选择国家一类蝗区河北省黄骅市为实验区,用植被冠层孔隙度反演了该地区不同植被的LAI。从光学模型建立机理及数量分析的角度,分析和对比了四种由植被冠层孔隙度反演LAI的算法。结果表明,在四种估算方法中LAI-2000算法最适用于研究区植被LAI的估算。为了验证分析结果,用实测的植被盖度与四种算法反演的LAI进行了拟合。发现LAI与植被盖度之间呈明显的正相关关系,且LAI-2000算法最能反映研究区的植被特征。在此基础上,建立了LAI与飞蝗发生面积的关系模型,发现两者之间呈负线性相关,即随着LAI的减小,飞蝗的发生面积呈线性增大。研究结果为实时、快速、大面积监测蝗虫种群动态奠定了基础,并为合理、经济地防治蝗灾提供了科学依据。     

基于物理模型训练神经网络的作物叶面积指数遥感反演研究

叶面积指数(LAI)是估算作物生长的关键参数。基于物理模型的LAI反演,被认为是当前最为可靠的方法,但其反演复杂。本文提出了将物理模型和神经网络相结合,从地表反射率反演叶面积指数的算法,利用MOD IS地表反射率和4-scale模型反演作物LAI。(1)利用4-scale模型模拟不同LAI与地表反射率的关系,生成训练数据;(2)利用模型模拟的LAI训练神经网络;(3)以MOD IS地表反射率输入训练后的神经网络,反演LAI。估算的LAI与其他LAI产品进行了比较,结果表明,估算的作物LAI和MOD IS及CYCLOPES LAI产品空间和时间分布一致,均方根误差分别为0.4994和0.6558。以2004年衡水的作物LAI地面观测数据进行了直接验证,估算的LAI与研究区地表植被分布一致,但是,三种卫星LAI产品都小于地表测量,故需针对华北平原浓密作物设计模型参数化方案。     

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。     

基于几何光学模型的人工林叶面积指数遥感反演

 MODIS等全球叶面积指数(LAI)产品空间分辨率偏低(250m~7km),不能满足高空间分辨率遥感应用的需求。为获取大区域高空间分辨率LAI,有必要对物理模型用于高空间分辨率遥感影像LAI反演的可行性进行探讨。本文基于4-scale模型LAI反演算法,以甘肃省张掖为研究区,利用TM 影像实现研究区人工林LAI反演。反演算法考虑了反射率入射-观测角度对LAI与植被指数关系的影响和植被冠层尺度的集聚程度。利用地面实测LAI数据对反演结果进行验证与分析,并与NDVI经验模型进行对比,同时分析LAI反演结果对波段反射率敏感性。结果表明: 4-scale模型LAI反演结果与实测LAI一致性良好(R²=0.67,RMSE=0.50),且优于NDVI经验模型(R²=0.59,RMSE=0.67);当LAI大于2时,4-scale模型LAI反演算法误差小于NDVI经验模型,能有效避免植被指数的饱和现象;红光波段反射率减小时,引起4-scale模型LAI反演结果的变化幅度比其增大时更高,且影响程度大于近红外波段反射率。研究表明,4-scale 模型LAI反演算法可用于TM数据反演人工林LAI,模型应用普适性较强。     

基于微波数据与光学数据集成的机器学习技术在作物产量估算中的应用

各类光学植被指数已成功地应用于各种植被监测与作物产量估算中,但这些指数易受大气状况的影响。由星载微波辐射计得到的植被光学厚度数据（VOD）与植被密度、含水量密切相关,数据可全天候获得,在农业遥感监测中呈现着巨大的潜力。作为来自不同传感器的遥感数据,微波遥感数据与光学遥感数据可以提供不同波长范围内的植被信息。为了更准确地进行作物产量估算,本研究提出将微波遥感数据与光学遥感数据共同应用于冬小麦单产估算中。研究选择L波段微波辐射计SMAP卫星的VOD数据与MODIS的标准归一化植被指数NDVI、增强型植被指数EVI、叶面积指数LAI、光合有效辐射分量FPAR数据作为研究变量,分别使用BP神经网络、GA-BP神经网络和PSO-BP神经网络建立冬小麦产量估算模型。结果表明： 3种神经网络回归模型的P值均小于0.001,通过了显著性检验。GA-BP神经网络回归模型的估算值与真实值在3种神经网络回归模型中表现了最高的相关性（R=0.755）与最低的均方根误差（RMSE=529.145 kg/hm²）,平均绝对误差(MAE=425.168 kg/hm²)和平均相对误差（MRE=6.530%）。为了分析多源遥感数据的结合在作物产量估算中的优势,研究同时构建了仅使用NDVI和LAI,使用NDVI、EVI、LAI、FPAR等光学数据进行冬小麦产量估算的3种GA-BP神经网络回归模型作为对比。结果表明,使用微波遥感数据与光学遥感数建立的GA-BP神经网络回归模型较上述3种作为对比的GA-BP神经网络回归模型的相关系数R值分别提高了0.163,0.229与0.056,均方根误差RMSE分别降低了122.334、158.462和46.923 kg/hm²,使用多源遥感数据的组合可以很好地提高作物产量估算的准确性。     

基于随机森林算法的草原地上生物量遥感估算方法研究

草原是我国面积最大的陆地生态系统,生物量是反映生态系统质量和功能的关键指标,准确地掌握草原生物量对草原资源合理利用、生态修复、畜牧业高质量发展都具有重要的意义和作用。本研究以内蒙古锡林郭勒盟为研究区,利用高分一号遥感卫星影像,结合216个野外样本数据,采用随机森林算法（Random Forest,RF）对草原地上生物量（Aboveground Biomass,AGB）遥感估算进行了适用性分析与应用。在运用随机森林算法的过程中,进行了K-折交叉验证、多元共线性诊断、偏效应等一系列分析,完成了随机森林模型的构建,同时,将建模结果与其它模型进行了对比,最终实现了锡林郭勒盟草原AGB的反演估算。结果表明：① 随机森林算法能够较好地规避生物量建模中自变量多元共线性的问题;② 随机森林模型在草原AGB估算中较其它模型具有更好的适用性,模型精度达85%,RMSE为202.13 kg/hm²;③ 应用构建的随机森林算法估算了研究区2017年草原AGB,从结果来看,其空间分布上呈现为自东向西逐渐递减的趋势;从草地类型上看,山地草甸类AGB单产最高,温性草原类总产量最高。研究结果将对草原生态系统监测评估和草原宏观管理具有一定的参考价值。     

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LTDR AVHRR和MODIS观测的全球长时间序列叶面积指数遥感反演

叶面积指数是描述土壤-植被-大气之间物质和能量交换的关键参数,获取大区域长时间序列叶面积指数有助于研究气候变化条件下植被的响应及反馈。本文利用MODIS观测和经过重新处理的地表长时间数据集（Land Long Term Data Record）LTDR AVHRR数据,生成了全球1981-2012年叶面积指数数据。算法通过建立二者之间像元级关系,利用高质量MODIS观测约束历史AVHRR数据的反演,这有助于减小2种存在显著差别传感器反演结果的不一致性,也有助于提高AVHRR反演质量。首先算法利用高质量MODIS地表反射率反演2000-2012年叶面积指数,然后利用多年每8 d的LTDR AVHRR地表反射率数据计算简单比植被指数（Simple Ratio,SR）,利用SR平均值和MODIS LAI平均值建立像元级AVHRR SR-MODIS LAI关系。在此基础上,实现1981-1999年AVHRR LAI反演,最终得到全球1981-2012年叶面积指数数据。本算法反演的AVHRR和MODIS LAI与全球植被的空间分布吻合,能表征主要生物群系类型的季节变化特征,2个数据集一致性较好,并且与NASA MODIS LAI标准产品（MOD15A2）的空间分布和季节变化曲线吻合较好。     

基于SVR的旱区稀疏植被覆盖下土壤水分遥感反演

中国西北半干旱区降水稀少、蒸散强烈,土壤水分作为重要的生态因子,影响着土壤-大气界面的能量平衡。支持向量回归模型具有估算精度高、可处理非线性问题、泛化能力强等优点,近年来被应用于土壤水分反演研究中,但已有模型极少考虑地表粗糙度因素的影响,导致反演精度受到一定限制。因此,本文以内蒙古乌审旗为研究区,采用水云模型去除地表稀疏植被覆盖的影响,提取全极化Radarsat-2 SAR影像裸土后向散射系数（ {\sigma }_{\mathrm{soil}}^0 ）,并利用AIEM模型和Oh模型建立后向散射系数数据库,采用LUT法模拟地表有效粗糙度参数,构建基于支持向量回归的土壤水分反演模型,并系统地对比分析了不同极化方式的后向散射系数作为数据源的土壤水分反演结果。研究结果表明：不考虑粗糙度参数的单数据源作为模型参数时,同极化数据反演结果比交叉极化具有更高的反演精度;当模型参数为考虑粗糙度的多源数据时,不同极化数据的反演精度均有所提高,其中数据源为 {\sigma }_{\mathit{vv}}^0 和粗糙度参数时,反演结果最好（R ²=0.917,MAE=3.980%,RMSE=5.187%）。研究结果可为旱区稀疏植被覆盖地表土壤水分的遥感监测提供技术支持。     

基于改进线性光谱分离模型的植被覆盖度反演

线性光谱分离技术可以有效地提取像元水平上植被或其他端元(影像中的地物)的相对百分比,但是目前该技术在多光谱宽波段影像数据应用中,由于波段数量、波段宽度等的限制,估算精度离定量研究的水平仍有一定差距。鉴于此,本文提出了一种改进的线性光谱分离方法,该方法在对影像进行土地覆盖分类基础上进行分离,一方面同类土地覆盖类型内同种地物的光谱变异相对较小,更有利于端元选取;另一方面,分影像的地物种类数量明显少于整幅影像,更容易满足模型的适用条件,从而突破了波段数量限制,同时使地物光谱分离更具针对性,经过验证,该方法较传统分离方法相比植被覆盖度的反演精度可提高6.4%,用该方法实现了研究区的植被覆盖度的定量反演并对研究区植被覆盖度的空间结构进行了分析。     

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。     

融合植被遥感数据的北京市次日花粉浓度预测

中国国土绿化状况公报指出,2010—2020年中国许多城市的绿化面积增加、绿化质量提高,可随之而来的影响人体健康的致敏性花粉风险也逐渐提高。本文利用遥感手段获得北京市乔木和草地生长区域平均植被叶面积指数（LAI）时间序列作为植被物候信息,并将其作为花粉浓度预测因子之一,结合日气象数据,使用具有外部输入的非线性自回归神经网络模型（NARXnet）,进行北京市次日花粉浓度的预测。结果显示：① 通过逐步回归计算,对于春季数据,日均气温3日平滑,积温,叶面积指数（LAI）和叶面积指数一阶导为次日花粉浓度预测的关键变量;对于秋季数据,日均气温、平均风速、最低日气温、日均气温3日平滑、积温和叶面积指数（LAI）为次日花粉浓度预测的关键变量;② 加入遥感物候信息可显著地提高NARXnet模型的春秋时段的花粉浓度的预测精度。使用本文提出的结合叶面积指数的NARX模型后,预测模型的总体精度为71%。由此,本研究认为在原有气象因子的基础上,辅之以用遥感技术手段获取的大面积植被物候信息,如叶面积指数动态,可作为预测次日花粉浓度的一种有效手段。     

森林生物量遥感估算与应用分析

遥感图像光谱信息具有良好的综合性和现势性,利用遥感信息和GIS技术进行森林生物量估算及碳过程的研究已经成为一种全新的手段。本文对森林生物量遥感估算方法及其应用进行了深入分析,总结了利用遥感信息进行森林生物量估算的四种主要方法:遥感信息参数与生物量拟合关系的方法、遥感数据与过程模型融合的方法、基准样地法(KNN方法)以及人工神经网络模型方法,并在此基础上分析了当前该领域研究的不足,以及今后利用遥感方法进行森林生物量估算的主要发展方向。     

利用高光谱数据进行植被生化成分反演方法研究

高光谱数据包含着丰富光谱信息,能够定量地分析物质成分^[1]。由高光谱数据,可以运用多元逐步线性回归方法反演植被生化组分含量,从而达到监测植被生长状况的目的^[2]。本文具体介绍了多元逐步线性回归方法,及其在氮、木质素和纤维素含量估算中的应用。     

林下植被遥感反演研究进展

林下植被在森林生态系统碳、水和营养元素的累积和循环方面有着重要作用与科学意义。多角度、高光谱和激光雷达遥感系统凭借对森林分层结构的敏感性,成为量化林下植被的重要手段。本文综述了森林林下植被的遥感反演研究进展：首先讨论了林下植被的定义,其次对当前林下植被的遥感反演现状作了深入分析,总结了多角度、高光谱和激光雷达遥感观测的森林背景的反射率、林下植被的叶面积指数、高度和覆盖度的遥感反演原理和方法。基于不同卫星观测角度下森林冠层和森林背景对总反射的贡献差异,林下反射率可通过多个角度的观测数据进行反演。此外,借助激光雷达穿透冠层直接观测林下植被的优势,总结了激光点云数据和回波波形信息反演林下植被的覆盖度和高度的方法,以及今后使用遥感技术反演的难点和获取林下植被信息的主要发展方向。     

森林过火区植被遥感参数的变化与恢复特征分析

遥感技术可以快速、准确地监测森林火灾火烧迹地的植被遥感参数变化,分析植被对火灾的响应与恢复特征,为防灾减灾决策提供科学依据。本文首先基于森林火灾前后的Landsat5 TM数据,利用差分归一化燃烧指数（the Differential Normalized Burn Ratio,dNBR）来提取2009年澳大利亚维多利亚州火烧迹地的范围,计算过火区面积及火烧强度;其次基于时间序列的全球地表特征参量（Global Land Surface Satellite,GLASS）产品中的叶面积指数（Leaf Area Index,LAI）、吸收光合有效辐射比例（Fraction of Absorbed Photosynthetically Active Radiation,FAPAR）数据,利用距平分析法对比不同火烧强度过火区植被与未过火区植被受森林火灾的影响状况与植被恢复特征。结果表明,森林火灾发生后,LAI、FAPAR值迅速降低,火烧强度越大,LAI、FAPAR下降程度越大,高火烧强度过火区的LAI、FAPAR最大降幅分别为中火烧强度、低火烧强度过火区的1.2、1.3倍;随时间推移,LAI、FAPAR值逐渐上升,在2-3年内恢复至未过火区水平。LAI、FAPAR恢复至未过火区平均水平的时间与森林火灾规模、火烧强度密切相关：维多利亚州森林火灾过火区域中大过火斑块、高火烧强度林地的植被遥感参数恢复时间相比小过火斑块、低火烧强度林地滞后1-2年。植被遥感参数LAI、FAPAR能很好地反映过火区植被的受损状况及恢复过程。     

基于TM数据的黄河三角洲地区植被覆盖度提取

以TM遥感影像为数据源,利用ENVI软件,基于像元二分模型,用归一化植被指数(NDVI)定量提取1992年、2000年和2004年黄河三角洲的植被覆盖度,获取了植被覆盖度分级图。并对该地区的植被覆盖情况做了分析。结果表明:提取三时相植被覆盖度与实际情况基本相符,说明利用基于像元二分模型的植被指数法近似估算植被覆盖度的可行性。     

一种基于归一化扰动模型的积雪和植被覆盖度反演方法

积雪和植被的覆盖范围对于研究气候变化和水资源平衡、生态环境状况具有重要的意义,但它们的光谱曲线具有较强的时空变异性,难以获取精确的覆盖度产品。针对线性混合像元分解算法在积雪和植被覆盖度反演中噪声和光谱变异带来的误差,本文提出了一种基于归一化扰动模型的积雪和植被覆盖度反演方法,并选用了3个不同的区域（单独的积雪覆盖区、单独的植被覆盖区、积雪和植被混合的覆盖区）来验证所提出框架的可行性。研究结果表明：① 该方法单独反演积雪覆盖度的均方根误差为0.172,单独植被覆盖度反演均方根误差为0.223,积雪和植被覆盖度混合反演的均方根误差分别为0.185和0.249,3种方案均有较高的精度;② 对影像与端元组进行归一化后,降低了光谱异质性,在此方法下的扰动混合模型可以有效地减弱MODIS影像光谱变化和噪声带来的误差;③ 针对MODIS影像,该框架获取的积雪覆盖度相对于植被覆盖度具有更高的精度。今后将进一步发展类似的积雪覆盖度与雪粒径协同反演算法。