应用TM数据估算沿岸海水表层时绿素浓度模型研究

本研究以大亚湾为实验区，以陆地卫星ＴＭ数据为信息源，结合表层海水叶绿素浓度实测资料建立模型。在对叶绿素光谱特征及遥感估算叶绿素浓度机理研究基础上，选取了ＴＭＩ—ＴＭ４波段的７５种波段组合为子因素，以叶绿素浓度为母因素，利用灰色系统理论，分析各波段组合与叶绿素浓度之间的关联度。将关联度最大的５种波段组合分别建模，得到５个估算表层海水叶绿素浓度的反演模型。误差分析表明，各模型的最大相对误差在１９％以下，平均绝对相对误差在１１．２％以下，相对标准误差在６．７％以下，模型精度较高。研究表明：（ＴＭ３×ＴＭ４）是估算沿岸海水表层叶绿素浓度的最佳波段组合，采用（ＴＭ３×ＴＭ４）与ＴＭ１、ＴＭ２或ｌｎ（ＴＭ十ＴＭ２）、Ｉｎ（ＴＭ１×ＴＭ２）之比值并不能改善估算精度。     

线性回归模型估算水稻叶片叶绿素含量的适宜性分析

利用PROSPECT模型模拟水稻叶片叶绿素含量从20．0μg/cm^2变化到40．0μg／cm^2时的叶片光谱特性，利用FCR模型模拟叶面积指数(LAI)为1，2，…，7时，不同地面状态下，4个不同观测方向的水稻冠层反射率。利用LAI为1，3，5，7时的模拟值，采用多元逐步回归分析法，从不同观测方向建立叶片叶绿素含量与冠层反射率(见)及其变化式ln(1／Rλ)，R’λ的多元线性回归模型，并用复相关系数和均方根差评价拟合精度，认为ln(1／Rλ)以及从天顶方向的拟合效果最好。利用从天顶方向建立的回归模型，预测叶片叶绿素含量，认为将该回归模型应用于其它方向是不合适的，从天顶方向预测时，预测精度受地面状态的影响，但总的说来，预测精度呈现随LAI的增大而提高的趋势。     

利用太阳光度计测值估算北京上空水汽含量

基于CE318自动跟踪太阳光度计水汽通道（936nm）和一个窗区通道（870nm）的北京上空太阳直射辐射观测数据，利用修改的兰勒方法对大气柱水汽含量的估算方法，开展了太阳光度计的标定和北京上空水汽含量的计算等。利用探空观测结果对太阳光度计测量水汽量的标定显示，二者的线性相关性为0．986，定标不确定度为0．024g／cm^2。利用该方法对从2002至2004年观测的北京地区水汽含量进行了估算，结果表明在1，2，3，11，12月份，北京地区大气柱的水汽含量基本上小于0．5g／cm^2，三年中同月份水汽含量的平均值有较好的一致性。     

植被光合有效辐射吸收比率遥感研究进展

植被光合有效辐射吸收比率FPAR（Fraction of absorbed Photosynthetically Active Radiation）反映了植被冠层的光学特性，是表征植被光合作用水平和生长状态的重要参量，因此成为全球变化研究中多种过程模型的重要输入参数。随着定量遥感研究的深入和新型传感器的使用，从区域到全球尺度上的FPAR遥感估算方法不断提出，多样化的遥感FPAR产品越来越多地应用于碳循环、能量循环、生产力估算及作物估产等研究领域。本文梳理了遥感估算的植被光合有效辐射的相关概念和算法，并着重对过去十年间遥感估算FPAR的新进展进行了系统总结和探讨。研究表明，近年来FPAR遥感的研究工作一方面聚焦于对现有算法的改进与各类型产品的验证，更多的研究则侧重于FPAR概念体系的拓展，叶片、叶绿素水平的FPAR估算，直射光、散射光的FPAR建模等新方向逐渐成为研究热点。     

用分析模型方法反演水体叶绿素的浓度

水体叶绿素浓度是水质评价的一个重要指标。建立水体光学传输的分析模型，进而用分析模型反演水体叶绿素浓度，对于提高遥感反演水质参数的精度和实用性具有重要意义。作者于2004年6月初对太湖18个点位进行了同步水体波谱实测和水体取样分析。由这18个点位的实测数据，利用Gordon模型建立了R（0^-）的模拟模型，并进而用优化函数的方法反演水体叶绿素浓度。反演值与实测值的相关系数达到0．99，当叶绿素浓度高于30mg／m^3时，反演的相对误差小于20％。进而用该模型反演2005年7月太湖7个点位的叶绿素浓度，反演值与实测值的相关系数为0．94，其中，有6个点位的反演值相对误差小于60％。     

基于经验模型的Hyperion数据植被叶绿素含量反演

对于反演植被叶绿素含量而言,基于Hyperion等高光谱传感器数据、利用经验方法建模是一种快速准确的方法。利用多种植被的实测数据以及Hyperion模拟数据,分析植被反射率及其变化形式与叶绿素含量的相关性,并进一步针对红边参数、植被指数等分析植被反射率与叶绿素含量的关系,选取最准确的经验建模方法。经过对比,改进的简单比值指数(modified simple ratio,MSR)与叶绿素含量相关性最高,其回归模型能比较准确地反演出叶绿素含量。通过Hyperion图像、利用MSR指数与实测叶绿素含量得到回归模型,建立区域叶绿素含量分布图;并对张掖地区植被叶绿素含量进行了反演,反演结果具有较高精度,相对误差低于5%。     

联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演

红树林是世界上生产力最高、价值最高的湿地生态系统之一。冠层叶绿素含量CCC（Canopy Chlorophyll Content）作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标。本文利用珠海一号高光谱卫星（OHS）影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性。研究结果表明：（1）通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI_（12,17）、DSI_（12,18）和NDSI_（6,12）组合植被指数对红树林CCC反演精度的贡献率较高;（2）联合OHS数据和最优堆栈GBRT集成学习回归模型（Score=0.999,RMSE=0.963 μg/cm²）的训练精度优于最优RF机器学习回归模型（RMSE降低了7.531 μg/cm²）,明显优于最优Lasso线性回归模型（RMSE降低了19.383 μg/cm²）;（3）在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度（R²=0.761,RMSE=16.738 μg/cm²）高于Sentinel-2A影像（R²=0.615,RMSE=20.701 μg/cm²）;（4）联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法（R²=0.356,RMSE=49.419 μg/cm²）。研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC（R²均大于0.61）,而OHS数据的估算精度更高（R²大于0.75）;SNAP-SL2P算法不能有效反演红树林CCC（R²小于0.4）,且对红树林CCC数值存在系统性低估。     

辐射传输模型模拟与深度学习结合的高分一号卫星植被光合有效辐射吸收比例产品反演算法

植被光合有效辐射吸收比例FPAR (Fraction of absorbed Photosynthetically Active Radiation)是碳循环光能利用率模型中的关键参数之一。高分系列卫星的发射，为反演定量遥感产品提供了高时空分辨率的卫星遥感数据，基于高分数据的植被光合有效辐射吸收比例产品能够为生态系统碳循环的分析评估提供更加精细、精度更高的输入参数产品。本文发展了一种基于深度学习的光合有效辐射吸收比例反演方法。该方法利用SAIL(Scattering by Arbitrarily Inclined Leaves)模型模拟多种太阳入射角度、观测角度、大气条件下的植被冠层光合有效辐射吸收比例及冠层反射率，形成海量输入—输出模拟数据集，具有鲁棒性及更好的普适性；基于深度信念网络对数据集进行训练，得到高分一号（GF-1）卫星光合有效辐射吸收比例遥感反演模型。利用中国科学院怀来遥感综合试验站及黑河流域地表过程综合观测网FPAR地面站点连续观测数据对玉米作物、芦苇草地等下垫面反演的FPAR进行了对比验证，RMSE分别为0.15和0.17。本方法以辐射传输模型模拟的多维大气及地表输入...     

沿海滩涂大米草叶绿素含量的高光谱估算模型

以沿海滩涂大米草为研究对象,测试其叶片水平的反射光谱和叶绿素含量;基于反射光谱提取多变量和单变量参数,并分析其与叶绿素含量的相关性;应用线性回归和非线性模拟的方法构建大米草叶绿素含量的高光谱估算模型。结果表明:叶绿素a,b和(a+b)含量与487 nm的导数光谱相关系数最高,分别为-0.615,-0.572和-0.613;应用多元逐步线性回归构建的叶绿素a和(a+b)含量的高光谱估算模型精度最高,调整后的R2分别为0.449和0.407;应用二次函数法构建的叶绿素b含量的高光谱估算模型精度最高,调整后的R2为0.387。     

结合树龄信息的遥感森林生态系统生物量制图

森林生态系统是陆地生态系统中的重要组成部分，其中的地上生物量（AGB，Aboveground Biomass）在全球气候变化和碳循环研究中起着重要的作用。本文利用ETM^＋遥感影像，首先建立了实测叶面积指数（LAI，Leaf Area Index）与实测生物量数据的回归关系，基于遥感叶面积指数图像得到初步地上生物量空间分布图；同时在短波植被指数（SWVI，Short Wave Vegetation Index）与实测树龄之间建立了回归关系，在此基础上得到了树龄空间分布图。然后通过将植被指数（VI，Vegetation Index），LAI，树龄等变量针对不同的树种类型进行逐步回归，得到了较好的回归模型，并结合土地利用／土地覆盖估算了贵州省黎平县的地上生物量，绘制了其空间分布图。统计结果显示：总体森林生态系统的AGB与LAI和RSR（Reduced Simple Ratio）之间有一定的相关关系（R^2=0．895）；杉木林的AGB与LAI和归一化植被指数（NDVI，Normalized Difference Vegetation Index）之间有较强的相关性（R^2=0．93）；针叶树种的LAI与年龄是AGB较好的估算因子（R^2=0．937）；阔叶林的AGB与年龄有一定的相关性（R^2=0．792）；混交林的AGB与LAI和SR（Simple Ratio）有较强的相关性（R^2=0．931）。结果表明，将树龄和土地覆盖／土地利用类型的信息加入到地上生物量估算模型的建立中，是一种改善利用多光谱遥感估算精度的较好的方法。结合土地覆盖／土地利用类型的高分辨率的树龄空间分布图，可为森林生态系统的可持续发展和管理提供科学的论据。