微波与光学遥感协同反演旱区地表土壤水分研究

土壤水分是水文循环中的关键因素,尤其对旱区的生态环境具有十分重要的意义。微波遥感是反演土壤水分的有效手段,而植被是影响土壤水分反演精度的重要因素。因此,对土壤水分的反演需要考虑植被的影响。本文以内蒙古乌审旗为研究区,利用Radarsat-2雷达数据与TM光学数据,对旱区稀疏植被覆盖地表土壤水分反演进行研究。利用TM数据,分别选取NDVI和NDWI指数对植被含水量进行反演,通过水云模型消除植被层对土壤后向散射系数的影响;在此基础上,根据研究区地表植被特性,提出一种基于AIEM 模型的反演土壤水分的改进算法,反演了不同粗糙度参数、不同极化（VV极化和HH极化）条件下的研究区土壤水分。反演结果与野外实测数据的对比结果表明,本文提出的基于地表植被特性的土壤水分改进算法,具有更好的适应性;土壤水分反演模式\begin{array}{c}M{v}_{\mathit{\sigma vv}\left(1\right)}^{\mathit{lh}}\end{array}（VV极化方式下采用NDVI去除植被影响的反演模式）更适合于旱区考虑稀疏植被覆盖影响的地表土壤水分的反演。     

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RS和GIS的松花江流域植被覆盖动态变化研究

利用遥感和地理信息系统技术对1989,1995年的Landsat TM数据和2002年Landsat ETM＋三期遥感数据进行处理,反演和计算松花江流域的归一化植被指数（NDVI）,在此基础上,获取研究区域植被覆盖度。在ArcGIS9.2软件空间分析模块的支持下,对研究区域三期植被覆盖影像进行叠加分析,以流域尺度和栅格尺度分析植被覆盖变化的时间和空间特性,获取研究区域植被覆盖度空间格局分布特征,为该区域植被覆盖度的自动化监测提供很好的技术支持。     

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。     

S波段雷达数据反演土壤水分的模拟分析和验证

中国自主研制的环境减灾卫星星座（HJ）中包含多颗光学和雷达小卫星,这些小卫星计划于2007年底陆续升空。其中,载有S波段合成孔径雷达（SAR）的HJ-1C星,预计于2008年发射,该卫星设置有S波段（3.2GHz）,采用VV极化方式,入射角变化范围是25°～47°。本文根据该雷达卫星的系统参数,利用AIEM模型的模拟数据反演土壤水分的变化。首先,对传统单极化SAR数据反演土壤水分的方法（基于简单散射模型）在S波段的适用性进行了分析（共检验了四个波段数据,分别是Ku波段、C波段、S波段和L波段）,结果表明该方法可应用于S波段,且应用效果比C波段好;然后,对以往研究中该方法可采用的不同水分参数形式进行了比较分析,结果表明,以垂直极化幅度作为土壤水分参数效果最好;最后,利用模拟数据对该方法进行验证,结果在两次数据入射角差为5°时,近80%数据的误差在5%以内。     

基于遥感指数的南京市城市热岛时空演变分析

以南京市为研究区域,基于Landsat系列影像,采用单窗算法反演南京市2000—2017年的地表温度.通过地表温度均值标准差法划分城市热岛等级,分析南京市城市热岛时空演变特征,并基于归一化植被指数(NDVI)和归一化建筑指数(NDBI),分析南京市城市热岛和植被覆盖及不透水面的关系.研究结果表明,南京市2000—2017年城市热岛现象明显且有逐渐增长趋势;南京市城市热岛与植被覆盖、城市不透水面表现出较强的空间一致性;南京市城市热岛与植被覆盖和不透水面分别呈现负相关和正相关关系.研究为南京市城市环境管理与城市合理规划提供了一定的理论依据与参考.     

阴影消除植被指数(SEVI)去除地形本影和落影干扰的性能评估与应用

地形校正是崎岖山区遥感图像预处理的关键步骤。为了评估基于DEM数据的经验校正模型、山地辐射传输模型和波段组合优化计算模型在去除地形阴影效应方面的性能,并将其应用于福州市植被覆盖监测,本文采用C模型（和SCS+C模型）、6S+C模型和阴影消除植被指数（SEVI）进行评估、比较。采用1999年和2014年两期Landsat 5 TM卫星数据和相关的 30 m ASTER GDEM V2高程数据,分别计算了C校正（和SCS+C校正）和6S+C校正后的归一化植被指数（NDVI）和比值植被指数（RVI）以及基于表观反射率数据的SEVI。通过目视比较、光谱特征比较以及太阳入射角余弦值（cos i）与植被指数的线性回归分析,可以看出C模型和SCS+C模型对本影具有较好的校正效果,但对落影的校正效果欠佳。NDVI和RVI的本影与邻近无阴影阳坡的相对误差分别从71.64%、52.57%降至4.80%、6.43%（C模型）和0.50%、9.94%（SCS + C模型）,而落影与邻近无阴影阳坡的相对误差分别从62.01%、47.57%降至31.05%、24.40%（C模型）和33.42%、16.01%（SCS + C模型）。在NDVI的落影校正效果上,6S+C模型比C模型和SCS+C模型有一定的提升,本影与邻近无阴影阳坡之间的相对误差为8.63%,落影与邻近无阴影阳坡之间的相对误差为14.27%。而SEVI在消除本影和落影方面整体效果更好,本影和落影与邻近无阴影阳坡的相对误差分别为9.86%和10.53%。最后,基于SEVI对福州市1999-2014年的植被覆盖变化进行了监测。监测结果表明： ① 1999-2014年植被覆盖增加了893.61 km ²,植被增加区域主要分布在海拔250~1250 m范围内;② SEVI均值在坡度40°附近达到峰值。     

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。     

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。     

基于静风期污染物的PM2.5排放清单空间精细化方法

有利气象条件之后的静风期,极大降低了PM_2.5跨区域传输的影响,能够揭示本地源的排放状况。本文尝试性引入了静风期污染物分布揭示本地源排放特征的概念,提出了一种基于遥感数据的PM_2.5排放清单空间精细化方法：首先,利用 MODIS MCD19A2反演的ChinaHighPM_2.5数据,构建高时空分辨率PM_2.5数据融合方法;然后,构建唐山市有利气象条件之后的静风期污染物遴选方法（合理风向和风速：有利气象条件为东风,地面10 m高度风速大于3 m/s,其他风向,持续的较大风力5~10 m/s;静风期风速小于1.5~2.0 m/s）;其次,基于遴选的静风期PM_2.5数据分配MEIC清单中的PM_2.5总排放量,同时对比传统插值方法：基于GDP、人口密度、路网、土地利用类型数据,实现清单各污染源PM_2.5的1 km×1 km空间分配;最后,利用WRF-CMAQ模拟数据和地面台站实测数据进行真实性检验。研究结果表明：① PM_2.5数据填补融合方法能够有效提高PM_2.5监测数据的时空分辨率,且与地面监测值显著相关（R²=0.94,RMSE=4.64 µg/m³,NMB=2%,NME=7%）;② 引入有利气象条件后的静风期概念,提出了静风期污染物的遴选方法,有效降低了PM_2.5跨区域传输的影响,更好地反映了本地源排放的空间分布特征;③ WRF-CMAQ模拟方法的精度验证结果表明,该方法较传统面积插值法NME降低7%,NMB降低10%,RMSE降低1.54 µg/m³,R²提高11%。该方法为排放清单的空间精细化提供了新的研究思路。     

结合DSM的机载LiDAR单木树高提取研究

机载LiDAR在提取地形坡度较大区域的冠层高度模型（CHM）时易产生畸变,降低单木树高的提取精度,为此提出一种CHM与数字表面模型（DSM）相结合的树高估算方法。首先基于预处理后的点云生成的CHM,利用局部最大值算法和标记控制分水岭分割算法进行分割,得到单木树冠轮廓多边形;然后结合DSM,采用固定窗口的局部最大值算法探测树顶点并提取其高程,继而与使用狄洛尼三角网和高程内插得到的地面点相减获取树高;最后,以广西兴安县富江村附近地形起伏较大的针叶林为试验区,测试3种不同坡度下,在CHM、CHM结合DSM获得的树高与实测树高分别进行精度分析。结果表明,当树木分别位于平均坡度为32°、27°和15°的试验区时,CHM中提取的树高与实测数据拟合的R²分别为0.84、0.85和0.87,RMSE为1.48、1.41和1.58 m,结合DSM后R²为0.92、0.91和0.93,RMSE为0.93、1.02和1.16 m;在地形坡度较大的区域,本文方法可以有效提高单木树高的估算精度。     

新疆沙漠地区地表宽波段比辐射率遥感估算

地表比辐射率是估算地表温度以及地表长波辐射的一个重要参数,为了解决遥感影像反演地表比辐射率在裸地的精度不足问题,本文在新疆沙漠地区利用2类数据：① 傅里叶变换热红外光谱仪（FTIR）数据,在2013年、2014年秋天沿2条穿越塔克拉玛干沙漠的沙漠公路测量得到25个点的地表比辐射率数据;② 与FTIR数据同时期的MODIS温度/比辐射率数据MOD11A1、MOD11B1和反射率数据MOD09GA以及反照率数据MCD3A3,利用这2类数据为数据源,估算新疆沙漠地表比辐射率。首先,重新估算了基于MODIS宽波段比辐射率（BroadBand Emissivity, BBE）方程的系数和基于GLASS（Global L And Surface Satellite）BBE方程的系数,由此获得了GLASS BBE和MODIS BBE的修正方程。其次,将修正前后的GLASS BBE与FTIR和MODIS BBE作对比,发现其精度显著提高：① 与FTIR数据对比,修正前后的GLASS BBE方程的决定系数R²值从0.42增加到0.95,均方根误差（RMSE）和偏差（Bias）分别减少了1和3个数量级;② 与MODIS BBE方程数据对比,修正前后的GLASS BBE的R²值从0.69增加到0.91,RMSE和Bias分别减少了1和2个数量级。因此,修正后的基于GLASS和MODIS的BBE方程,极大地提高了遥感影像对裸地尤其是沙漠地区地表比辐射率的反演精度。使用修正后的GLASS BBE方程反演出新疆3个沙漠地区的BBE分布特征。结果表明,塔克拉玛干沙漠由于土地类型较为单一,其BBE值主要为0.88~0.92,而古尔班通古特沙漠以及库姆塔格沙漠受到地形、植被等的影响,BBE值稍微偏高,分别为0.89~0.95和0.89~0.94,沙漠周边稀疏植被区及其边缘地区的值范围为0.95~1.00。本文基于GLASS和MODIS的适用于新疆沙漠的BBE方程,为陆面过程的研究与模拟提供了支持。     

基于卷积神经网络的ICESat-2光子点云去噪分类

ICESat-2（Ice, Cloud, and land Elevation Satellite-2）是美国NASA（National Aeronautics and Space Administration）在2018年发射的激光测高卫星,其上搭载的激光测高系统ATLAS（Advanced Topographic Laser Altimeter System）采用微脉冲多波束光子计数激光雷达系统,因其低能耗、高探测灵敏度、高重复频率的特性极大改善了沿轨采样密度,但也使获取的数据中包含大量的噪声,如何有效实现光子点云去噪分类成为后续应用的关键,也是当前研究的热点和难点,为此本文提出一种基于卷积神经网络的光子点云去噪和分类算法。首先将光子点云按照沿轨和高程方向划分格网,去除明显的噪声光子,并将每个粗信号光子点栅格化为影像;然后基于少量样本构建的卷积神经网络分类模型实现光子点云精去噪和分类;最后利用机载激光雷达数据进行验证,并与ATL08产品的去噪分类结果进行对比。结果表明,对于裸地和森林区域,卷积神经网络算法均能有效去除噪声光子,特别对于森林区域,可同时实现去噪和分类;其中,裸地区域地表计算的R²和RMSE分别为1.0和0.72 m,森林区域地表和树冠计算的R²分别为1.0和0.70, RMSE分别为1.11 m和4.99 m。本文利用深度学习算法实现光子点云去噪分类,在裸地和森林区域均取得了较好的结果,为后续光子点云数据处理提供了参考。     

Evaluation of Wind Retrieval from Co-Polarization Gaofen-3 SAR Imagery Around China Seas

Gaofen-3(GF-3) is the first Chinese space-borne satellite to carry the C-band multi-polarization synthetic aperture radar(SAR). Marine applications, i.e., winds and waves retrieved from GF-3 SAR images, have been operational since January 2017. In this study, we have collected more than 1000 quad-polarization(vertical-vertical(VV); horizontal-horizontal(HH); vertical-horizontal(VH); horizontal-vertical(HV)) GF-3 SAR images, which were acquired around the China Seas from September 2016 to September 2017. Wind streaks were visible in these images in co-polarization(VV and HH) channel. Geophysical model functions(GMFs), including the CMOD5N together with polarization ratio(PR) model and C-SARMOD, were used to retrieve winds from the collected co-polarization GF-3 SAR images. Wind directions were directly obtained from GF-3 SAR images. Then, the SAR-derived wind speeds were compared with the measurements at a 0.25? grid from the Advanced Scatterometer on board the Metop-A/B and microwave radiometer WindSAT. Based on the analysis, empirical corrections are proposed to improve the performance of the two GMFs. Results of this study show that the standard deviation of wind speed is 1.63 m s~(-1) with a 0.19 m s~(-1) bias and 1.71 m s~(-1) with a 0.26 m s~(-1) bias for VV-and HH-polarization GF-3 SAR, respectively. Our work not only systematically evaluates wind retrieval by using the two advanced GMFs and PR models but also proposes empirical corrections to improve the accuracy of wind retrievals from GF-3 SAR images around the China Seas and thus enhance the accuracy of near real-time operational SAR-derived wind products.     

ESTARFM算法在长江中下游平原地区的适用性研究

时空融合技术是目前解决单一遥感数据源难以同步获取高时空分辨率数据的有效途径。然而,如何设置参数使模型融合效果最佳,如何设置在植被监测中广泛应用的植被指数的融合步骤,进而获得最佳的植被指数时序数据,目前仍不明晰。本文以长江中下游平原地区的典型县域—南昌县为例,基于Landsat和MODIS多时相数据对当前主流时空融合模型—ESTARFM （Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）进行参数敏感性分析,并系统地对比分析了2组融合实验RI（先融合波段反射率后计算植被指数）和IR（先计算植被指数后直接融合）的融合效果。结果表明： ① ESTARFM算法中参数的敏感性在波段反射率、植被指数融合中表现出相似的特征,随着滑动窗口与相似像元数量的增大,融合误差整体呈现出先减小后趋于稳定或增大的趋势;在ESTARFM算法应用中,存在着最佳参数设置范围;② 相较于RI组,IR组模拟结果精度更高（R²_RI-NDVI=0.866,R²_IR-NDVI=0.953,R²_RI-EVI =0.814,R²_IR-EVI =0.930）,且能够较好地削弱“斑块”现象,更好地表征出细小地物和纹理特征。研究结果为遥感数据时空融合模型在地块破碎、种植制度多变的复杂环境中的应用提供借鉴和参考。     

全球36 km格网土壤水分逐日估算

土壤水分是陆面生态系统和能量循环的核心变量之一,利用微波遥感技术获得的土壤水分产品的时间分辨率一般是2-3 d,因此精确地获得具有较高时间分辨率的土壤水分成了人们关注的焦点。本文尝试将SMAP (the Soil Moisture Passive and Active）土壤水分和MODIS光学数据相结合,利用广义回归神经网络进行全球36 km土壤水分的估算,提升SMAP土壤水分的时间分辨率。结果显示,广义回归神经网络估算土壤水分与SMAP保持了高相关性(r = 0.7528),但其却保留了较高的误差 (rmse = 0.0914 m³/m³)。尽管如此,估算的土壤水分能够很好地保持SMAP土壤水分的整体空间变化,并且提升了土壤水分的时间分辨率（1 d）。此处,本文研究了SMAP土壤水分与MODIS光学数据之间的关系,这对今后利用机器学习进行SMAP土壤水分降尺度研究提供了重要的参考价值。