基于GF-2卫星数据的孕穗期小麦叶面积指数反演——以河北省廊坊市为例

叶面积指数(leaf area index,LAI)是评价植被长势和预测产量的重要农业生理生态参数。高分2号(GF-2)卫星数据具有高空间分辨率特点,能反映更多细节信息,针对该数据特点的LAI反演方法具有较高的研究价值。以河北省廊坊市万庄镇为研究区,对孕穗期小麦采用了回归模型和神经网络算法反演LAI;采用4种植被指数与实测LAI值构建回归模型,同时重点探讨了PROSAIL模型结合神经网络方法进行LAI反演。研究结果表明,在回归模型中,归一化植被指数(normalized difference vegetation index,NDVI)的二项式模型估算LAI可以获得最高精度,采用实测数据验证的决定系数(R2)和均方根误差(root mean square error,RMSE)分别为0.719 3和0.393 6;与回归模型相比,神经网络反演LAI方法更显著提高了精度,R2和RMSE分别达到0.900 8和0.273 2。基于GF-2卫星数据,在研究区小麦孕穗期,神经网络反演LAI具有较强可行性和适用性,可为高空间分辨率卫星影像的LAI反演提供参考。     

河南漯河郾城区冬小麦LAI反演结果真实性检验

为对比不同真实性检验方法对高分一号(GF-1)/WFV冬小麦叶面积指数(leaf area index,LAI)反演结果的验证效果,以河南省漯河市郾城区为研究区,分别采用单点测量值验证、多点采样尺度上推验证以及引入高空间分辨率影像验证3种方法对基于GF-1/WFV影像的冬小麦LAI反演结果进行了真实性检验。研究结果表明,3种验证方法得到的均方根误差(root mean square error,RMSE)分别为0. 57,0. 80和0. 46,相关系数分别为0. 885,0. 508和0. 867。由于基于多点采样尺度上推方法对采样点数量及其位置要求较高,因此在本研究采样点较少的情况下精度较低,效果欠佳;另外2种方法精度相对较高,适用性较强,但其中引入高空间分辨率影像验证方法精度更高,更适用于GF-1/WFV影像LAI反演的真实性检验。     

典型植被指数识别火烧迹地潜力分析

植被指数法是利用卫星遥感影像识别火烧迹地的常用方法之一。植被因受火的干扰会形成火烧迹地,其光谱特征易与裸地、水体、道路、阴影和耕地等地物光谱混淆,使用遥感影像采用合适的植被指数提高过火区遥感监测精度仍是亟待解决的问题。以四川省2014年和内蒙古自治区2017年发生的4次森林火灾形成的火烧迹地作为研究区,利用高分一号16 m宽幅(GF-1 WFV)数据和Landsat8数据的波谱特性,选取归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)、全球环境监测植被指数(global environment monitoring index,GEMI)、过火区识别指数(burned area index,BAI)和归一化火烧指数(normalized burn ration,NBR)等5种典型植被指数,通过构建不同植被指数的分离指数M来定量评价这些植被指数识别火烧迹地的潜力。研究结果表明,基于近红外—短波红外波段的NBR和基于可见光—近红外波段的BAI对过火区的分离性较好,NDVI的分离性次之,EVI和GEMI的分离效果较差;基于GF-1 WFV和Landsat8数据采用BAI和NBR指数对内蒙古鄂伦春自治旗火烧迹地进行了识别(其中GF-1 WFV数据只用于BAI识别),并利用高分二号(GF-2)数据进行了精度验证,两者火烧迹地识别总体精度均大于87%,Kappa系数均大于0. 7。     

三峡库区森林叶面积指数多模型遥感估算

叶面积指数(leaf area index,LAI)是定量研究森林生态系统能量交换的一个重要结构参数。本文利用野外观测LAI,以及Landsat TM计算的7种常用植被指数和5个自定义植被指数,通过筛选建立了不同森林类型的LAI估算模型,其中,针叶林采用多元逐步回归模型,阔叶林与混交林采用主成分分析模型,最终通过多个模型估算三峡库区区域尺度森林LAI。利用样地实测LAI数据进行精度验证,针叶林、阔叶林和混交林的均方根误差分别为0. 829 4,1. 111 5和1. 790 9,判定系数R2均达到了0. 77以上。研究结果将为森林生态系统和碳循环研究提供基础数据。     

基于三维随机辐射传输模型的高分一号中国叶面积指数产品算法

叶面积指数LAI (Leaf Area Index)是研究植被生态系统结构和功能的核心参数之一，遥感是获取大范围动态LAI的一个主要技术手段。目前国际上没有高分辨率的LAI标准化产品。本文基于三维随机辐射传输（3D-SRT）模型查找表算法研究了适用于国产高分辨率卫星高分一号宽幅相机（GF-1 WFV）的叶面积指数反演算法。模型中单次散射反照率和不确定性等参数与波段设置和波段稳定性相关。算法在全国范围内选取不同植被类型的均质样点，统计地表反射率的差异特征，调整全国6种植被类型各波段的单次散射反照率、不确定性等算法参数，进而构造适用于GF-1 WFV传感器的查找表以进行LAI的反演。研究中使用新疆维吾尔自治区石河子地区、内蒙古自治区四道桥包含农作物、森林等共359组实测地面数据开展LAI验证。验证结果表明，和调整参数前的反演结果相比，优化后的算法均方根误差RMSE可由算法优化前的1.209下降至0.804，决定系数R2由0.659提高至0.883，反演成功率RI可由25.3%提高至73.8%，算法精度和稳定性较高，更适用于GF-1叶面积指数的反演。将其应用于GF-1卫星影像上，生产了201...     

GF-6影像下的南方路域针叶植被LAI反演研究

为了更好应用国产高分辨率遥感影像监测评价南方路域植被环境,研究南方路域针叶植被叶面积指数遥感反演.该文以长益高速研究区域的高分六号影像(GF-6)为基础,提出了可适用于针叶叶片的LIBERTY+ SAIL耦合模型并结合多元线性回归、局部加权回归反演路域植被针叶LAI的方法.研究中以耦合模型模拟的冠层光谱反射率、GF-6影像和野外实测生化参数为数据源,通过相关性分析,将与LAI相关性较高的SAVI、RVI和EVI 3种植被指数作为反演因子,结合组合模型反演LAI并评定模型的反演精度.结果 表明,耦合模型对南方路域针叶植被LAI的估算精度整体较高,对比分析两种叶面积指数的组合预测模型,耦合模型结合局部加权回归组合反演LAI具有优越性,可更好地反演路域植被针叶LAI.     

基于GF-1 WFV和Landsat-8 OLI提取植被信息方法比较研究

针对GF-1 WFV和Landsat-8 OLI两种传感器的参数特点,选取归一化植被指数(NDVI)、增强型植被指数(EVI)、大气阻抗植被指数(ARVI)、土壤调整植被指数(SAVI)和修正的土壤调整植被指数(MSAVI)5种植被指数,采用同一时期的两种传感器数据对四川省茂县进行植被信息提取,并结合像元二分模型估算植被覆盖度,计算分析两种数据源下不同植被指数的差异性。结果表明:GF-1数据提取的NDVI植被效果最好,其中2013年分类总精度为94.55%,Kappa系数为0.88;2015年分类总精度为90.47%,Kappa系数为0.85。对于Landsat-8数据提取的SAVI的结果最佳,其中2013年分类总精度为94.38%,Kappa系数为0.86;2015年分类总精度为95.83%,Kappa系数为0.88。根据统计指标分析表明:在高原山区地形环境下,利用植被指数估算植被覆盖度,GF-1卫星采用NDVI、Landsat-8卫星采用SAVI比较合适,且GF-1数据的估算精度要高于Landsat-8数据。     

基于CASI数据的黑河绿洲区叶面积指数反演

叶面积指数(leaf area index,LAI)作为植被冠层的重要参数,对作物长势监测及产量估算具有重要意义。本研究以黑河流域张掖绿洲试验区为例,基于机载航空高光谱遥感影像(compact airborne spectrographic imager,CASI)数据,利用物理模型与统计模型对研究区的LAI进行估测反演。首先,利用归一化植被指数(normalized difference vegetation index,NDVI)与相应实测LAI数据建立最佳线性回归模型;然后,基于混合像元分解模型和多次散射植被冠层模型构建物理模型;最后,以线性回归模型为参比修正多次散射植被冠层模型,构建半经验LAI反演模型,并比较上述模型拟合效果。研究结果表明,半经验模型为绿洲区LAI反演最优模型,模型估算精度R2达到0.89,精度提高较显著。研究对提升作物LAI的估算精度有一定意义,并将进一步推动精细农业定量遥感理论的研究与应用。     

利用交叉验证的小麦LAI反演模型研究

叶面积指数(leave area index,LAI)是表征植被冠层结构和生长状况的关键参数,采用遥感技术进行LAI反演是遥感反演领域的热点和难点之一。利用小麦关键生育期的高光谱数据,计算其一阶和二阶导数,并构建植被指数(RVI,NDVI,EVI,DVI和MSAVI)及三边变量参数等高光谱变量;将上述参数与小麦LAI数据进行相关性分析,并利用交叉验证法进行多种回归分析,确定反演小麦LAI的敏感参数,选择反演模型;最后使用敏感参数构建所有样本的小麦LAI反演模型,并比较其拟合效果。研究结果表明:经过交叉验证的反演建模,其拟合结果的均方根误差(RMSE)整体上较未经交叉验证反演建模结果的RMSE小;在用敏感参数构建的回归模型中,RVI立方回归模型是用遥感数据反演小麦LAI的最优模型。     

极限学习机辅助下路域植被叶面积指数的反演

路域植被叶面积指数(LAI)的获取对于路域植被长势和健康状况的监测具有重要意义。本文以GF-1影像和地面同步实测数据为基础,利用极限学习机(ELM)对湖南省醴潭高速路域植被LAI进行了建模反演。试验结果表明,与传统经验回归模型、SVM模型相比,ELM反演精度更高,RMSE为0.501,预测精度为86.26%。该研究可为路域植被健康评估提供参考。     

高分二号异轨立体数据的森林高度提取

森林植被碳储量的空间分布格局及其动态变化是陆地生态系统碳收支核算的基础。作为森林地上生物量的重要指示因子,森林高度的精确估算是提高森林植被碳储量估算精度的关键。现有研究已证明,由专业星载摄影测量系统获取的立体观测数据可用于森林高度提取,但光学遥感数据最大的问题是受云雨等天气因素的影响严重。区域森林地上生物量产品的生产需要充分挖掘潜在数据源。国产高分二号卫星(GF-2)虽然不是为获取立体观测数据而设计的专业星载摄影测量系统,但其获取的图像空间分辨率可达0.8 m,且具备±35°的的侧摆能力,在重复观测区域可构成异轨立体观测。本文以分别获取于2015年6月20日和2016年7月19的GF-2数据作为立体像对,其标称轨道侧摆角分别为0.00118°和20.4984°,以激光雷达数据获取的林下地形(DEM)和森林高度(CHM)为参考,对利用GF-2立体观测数据进行森林高度提取进行了研究。通过对立体处理得到的摄影测量点云的栅格化得到DSM,以激光雷达数据提供的DEM作为林下地形,得到了GF-2的CHM。结果表明GF-2提取的CHM与激光雷达CHM空间分布格局较为一致,两者之间存在明显的相关性,像素对像素的线性相关性(R2)达到0.51,均方根误差(RMSE)为3.6 m。研究结果表明,在林下地形已知的情况下,GF-2立体观测数据可用于森林高度估算。     

光学遥感植被指数与SAR遥感参数的相关性及其主要影响因素研究

建立合成孔径雷达(synthetic aperture Radar,SAR)数据和光学植被指数的定量关系有助于融合这两种数据源,提高山区森林遥感的时序监测能力。为此,以内蒙古大兴安岭根河林区为例,首先分析了归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)、绿度植被指数(greenness vegetation index,GVI)和归一化水分指数(normalized difference water index,NDWI)与C波段雷达数据的相关性,接着对比了不同森林干扰下NDVI,NDWI与X,C,L波段雷达数据的相关性差异。结果表明:①极化比(polarization ratio,PR)和干涉相干系数与各植被指数呈显著负相关,PR与NDVI,EVI,GVI线性趋势好(R~2=0. 40～0. 49),VH的干涉相干系数与各植被指数线性趋势好(R~2=0. 43～0. 51);②地表类型会影响VH与NDVI线性回归结果,在植被密集的灌草、火烧迹地和森林内线性趋势好(R~2=0. 64～0. 76);③不同森林干扰下相关性存在差异:在火烧迹地内NDVI与X波段HH和C波段PR呈显著负相关,NDWI与C波段VH呈显著正相关;在未受干扰林地内NDVI和NDWI与C波段PR呈显著正相关;在采伐迹地内L波段PR与NDVI呈显著负相关,L波段VV和VH的PR与NDWI呈显著负相关。     

GF-6WFV黄边波段在森林扰动监测中的应用潜力研究

为了探讨国产高分六号卫星多光谱宽视场成像仪(WFV)八波段数据在森林扰动研究中的应用潜力,本文基于北京市西山林场2018年10月-12月期间的4期高分六号卫星WFV数据,经数据标准化处理后,比较4波段和7波段黄边归一化植被指数(YNDVI)与标准NDVI在森林扰动信息提取方面的差异。研究结果表明在初秋至初冬的时间序列内,植被的季节性变化明显,GF-6 WFV的近红外波段对于森林扰动监测作用最大;基于近红外和黄边波段建立的YNDVI比近红外和红波段的NDVI更能有效反映森林扰动信息。因此,GF-6WFV传感器的新增波段在森林资源监测、病虫害监测、森林火灾预警等多个方面具有巨大应用潜力。     

基于集成学习和多时相遥感影像的枸杞种植区分类

利用遥感技术对柴达木盆地枸杞种植区进行精准提取对当地政府开展市场管理与调控具有重要意义.以典型枸杞种植区诺木洪农场为例,选取Landsat8 OLI和GF-1 WFV影像构建作物生长期内时序NDVI/EVI数据,并采用4种新颖的集成学习分类器(LightGBM,GBDT,XGBoost,RF)和2种应用广泛的机器学习分...     

高分六号宽幅多光谱数据人工林类型分类

高分六号(GF-6)卫星于2018年成功发射,2019-03正式投入使用。由于GF-6宽幅相机的WFV(Wide Field of View)影像较GF-1的同类影像新增2个红边波段,将会提高对农业、林业、草原等资源监测能力。为了分析GF-6的WFV影像在人工林分类方面的能力,促进高分数据在林业领域的应用,本文选取广西高峰林场为研究区,以最新的GF-6 WFV影像为数据源,结合地面实测类型数据,进行广西南宁高峰林场的桉树,杉木等人工林类型提取。主要运用随机森林(random forests)的分层分类法:首先计算6种植被指数,并利用随机森林法进行植被指数的特征优选,然后确定4种波段组合数据集的分类方案,4种数据集分别为(1)无红边的前4个波段,(2)有红边的8个波段,(3) 8个波段加上未优化的植被指数特征组合,(4) 8个波段加上优化的植被指数特征组合。再进行WFV影像4种数据集的随机森林分类,随机森林采用分类回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。最后比较4个方案的分类结果并进行精度验证。结果表明:方案2比方案1精度提高了4.99%,Kappa系数提高了0.058。说明包含红边的8波段数据比4个波段数据精度有大幅提升。方案4的8波段加上优化植被指数特征组合的分类精度最高,达到了85.38%,比方案2包含红边波段组和方案1无红边波段组的精度分别提高了3.98%,8.97%,Kappa系数分别提高了0.046,0.104。说明WFV影像加入红边波段比无红边波段精度明显增高。由结果可知,红边指数的引入,增强了植被信息,能够较准确地反映人工林类型特征差异,明显提升了人工林的分类精度。本研究方法可以有效改善广西人工林类型信息提取效果,为GF-6影像质量的评价及其在林业应用潜力提供科学参考依据。     

塞罕坝地区高空间分辨率叶面积指数时序估算与变化检测

叶面积指数LAI (Leaf Area Index)是调节植被冠层生理过程的最重要的生物物理变量之一,高空间分辨率时间序列LAI对于植被生长检测、地表过程模拟与区域和全球变化研究至关重要,但是由于数据缺失和反演方法限制,目前还没有时空连续的高分辨率LAI数据产品。本研究提出了一种生成时间连续的高空间分辨率LAI数据的算法,首先对MODIS LAI产品滤波平滑,生成时间序列LAI的上包络曲线,根据上包络曲线提供的变化信息构建LAI动态模型。然后利用地面实测的LAI数据与Landsat反射率数据构建LAI反演的BP (Back Propagation)神经网络模型。将反演得到的高分辨率LAI数据作为LAI观测数据,利用集合卡尔曼滤波EnKF (Ensemble Kalman Filter)方法实时更新动态模型,生成时间连续的30 m空间分辨率LAI数据集。基于该算法生成了塞罕坝地区2000年—2018年长时间序列LAI数据集,利用Prophet深度学习模型进行模拟和预测,根据预测和原始LAI差异,利用支持向量机SVM (Support Vector Machine)方法检测植被干扰状况。结果表明:EnKF算法能够生成时空连续的高空间分辨率LAI数据,估算结果与地面测量值一致性较高,R~2为0.9498,RMSE为0.1577,在区域尺度上与Landsat LAI参考值较为吻合,R~2高于0.87,RMSE低于0.61。Prophet与SVM模型检测到研究区2009年,2010年,2013年,2014年,2015年植被受干扰较为严重,主要由于年降水量偏少和林区作业砍伐造成,检测结果与当地降水量与砍伐数据吻合。本文提出的算法可用于大范围高时空LAI数据反演和植被变化检测,对塞罕坝乃至全国林区规划管理具有重要的参考价值。     

GLIBERTY-DSAIL耦合模型反演南方混交林植被LAI

针对南方丘陵地区针叶-阔叶混交林植被叶面积指数（leaf area index，LAI）反演精度低且研究较少的问题，本文提出了一种GLIBERTY-DSAIL耦合模型组合多元线性回归反演LAI的方法。本研究以GLIBERTY-DSAIL模型模拟光谱和植被实测高光谱为数据源，通过相关性分析，选取与LAI相关性高的植被指数作为反演因子，构建多元线性回归模型定量反演植被LAI并进行精度评定。结果表明：与LAI显著相关的RVI、DVI、GNDVI、MSAVI这4种植被指数作为反演因子，结合本文提出的组合模型反演LAI，模型预测决定系数R²为0.708 6，均方根误差RMSE为0.302 1，精度整体较高。该组合方法可较好地用于反演针叶-阔叶混交林植被LAI，为南方地区混交林LAI的研究提供新思路。     

基于环境星CCD数据的冬小麦叶面积指数遥感监测模型研究

以山东禹城为研究区,利用我国自主研发的环境星数据,计算了4种植被指数,即归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)及增强型植被指数(EVI);结合同步观测数据,将植被指数与实测叶面积指数(LAI)进行回归分析,比较各种植被指数模型对冬小麦LAI的估测精度。结果表明,4种植被指数与LAI均具有较高的相关性,其中,比值植被指数(RVI)对LAI反演精度最高,即LAI=2.967 lnRVI-1.201是估算冬小麦LAI的最优模型。使用2009年5月冬小麦LAI观测数据对模型进行验证,平均相对误差为19%。     

面向对象与卷积神经网络模型的GF-6 WFV影像作物分类

GF-6 WFV影像是中国首颗带有红边波段的中高分辨率8波段多光谱卫星的遥感影像,对于其影像及红边波段对作物分类影响的研究利用亟待展开。本文结合面向对象和深度学习提出一种适用于GF-6 WFV红边波段的卷积神经网络(RE-CNN)遥感影像作物分类方法。首先采用多尺度分割和ESP工具选择最佳分割参数完成影像分割,通过面向对象的CART决策树消除椒盐现象的同时提取植被区域,并转化为卷积神经网络的输入数据,最后基于Python和Numpy库构建的卷积神经网络模型(RE-CNN)用于影像作物分类及精度验证。有无红边波段的两组分类实验结果表明:在红边波段组,卷积神经网络(RE-CNN)作物分类识别取得了较好的效果,总体精度高达94.38%,相比无红边波段组分类精度提高了2.83%,验证了GF-6 WFV红边波段对作物分类的有效性。为GF-6 WFV红边波段影像用于作物的分类研究提供技术参考和借鉴价值。     

光学与微波植被指数协同反演农作物叶面积指数的可行性分析

光学遥感是目前反演植被叶面积指数LAI（Leaf Area Index）的主要手段,但是当叶面积指数较大时存在光学遥感信息饱和、反演精度显著降低的问题。叶面积指数和平均叶倾角对光学、微波波段范围内反射和散射特性都有重要影响,主要表现在植被结构参数的变化可以引起冠层孔隙率和消光截面大小的改变。本文以典型农作物玉米为例,通过构建统一的PROSAIL和MIMICS模型输入参数,生成一套玉米全生长期光学二向反射率和全极化微波后向散射系数模拟库和冠层参数库。通过对模拟数据与LAI敏感性和相关性分析得出：（1）光学植被指数MNDVI_{(800 nm,2000 nm)},在LAI为0—3时敏感,基于MNDVI与LAI的回归模型可以估算LAI变化 0.4的情况,RMSE是0.33,R²是0.958。（2）微波植被指数SAR_{SRVI(1.4 GHz HH,9.6 GHz HV)},在LAI为3—6时敏感,基于SAR_SRVI与LAI的回归模型可以估算LAI变化1的情况,RMSE为0.22,R²是0.9839。研究表明,采用分段敏感的植被指数,协同光学和微波遥感反演玉米全生长期叶面积指数是可行的。