基于冠层反射光谱的水稻产量预测模型

基于地面实测的水稻冠层反射光谱,计算了常用的8个植被指数,并在产量形成生理特征的基础上,系统分析了水稻籽粒产量及其构成因素与各植被指数之间的关系。结果表明,通过单一生育时期或某个生育阶段的光谱植被指数来直接估测产量精度较低。发现叶面积氮指数(叶片氮百分含量与叶面积指数的乘积)的变化趋势很好地反映了产量的形成过程,且与光谱植被指数极显著正相关,基于此建立了水稻的光谱植被指数-累积叶面积氮指数-产量估测模型(VICLANIYieldModel)。并将其与LAD-产量模型、多生育期复合估产模型进行了比较,表明本模型预测精度最高。     

冬小麦叶面积指数的高光谱估算模型研究

本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。     

引黄灌区水稻叶面积指数的高光谱估测模型

水稻叶面积指数（leaf area index,LAI）是评价其长势的重要农学参数,高光谱遥感能够实现叶面积指数的快速无损监测。为了寻找反演水稻LAI的最优植被指数,扩展水稻LAI高光谱估测模型的普适性,选取宁夏引黄灌区水稻为研究对象,通过设置不同氮素处理,借助相关分析、回归分析等方法研究高光谱植被指数与水稻LAI之间的定量关系,并通过确立的最优波段组合,构建4种植被指数与水稻LAI的高光谱反演模型。结果表明,水稻LAI在抽穗末期达到最大值,并随氮素水平的增加而增加;水稻冠层原始光谱反射率在400~722 nm和1 990~2 090 nm波段与LAI达到极显著负相关水平,在近红外区域760~1 315 nm与LAI呈极显著正相关。模型检验结果表明,以比值植被指数RVI（_850,750）为变量建立的水稻LAI估测模型最佳,研究结果可为水稻LAI的高光谱估测提供地域参考。     

小麦生物量和真实叶面积指数的高光谱遥感估算模型

利用大田小麦的参数数据和冠层光谱数据,基于光谱一阶微分技术和光谱响应函数,构建等效MODIS植被指数,建立小麦生物量(本文指总干生物量,下同)和真实叶面积指数的高光谱遥感估算模型.结果表明:①小麦生物量与冠层光谱在552 nm,721 nm处呈现最显著相关关系,叶面积指数与冠层光谱的相关性在400～1100 nm范围内较显著;②红边位置与生物量的关系最为显著,相关系数R为0.818;③6种等效MODIS植被指数中,增强型植被指数对生物量最为敏感;④红边位置估算小麦总生物量的指数模型最优,决定系数R2为0.829;⑤增强型植被指数与小麦叶面积指数的指数模型拟合度最强,决定系数R2为0.94.利用实测光谱模拟MODIS等效反射率构建植被指数反演小麦参数的方法,可为利用卫星数据进行大面积、无破坏和及时获取地面植被信息研究提供重要手段.     

高光谱吸收特征参数反演草地光合有效辐射吸收率

在植被光合有效辐射吸收率(FAPAR)遥感估算中被广泛采用的植被指数法,其估算精度往往受到"红波段吸收峰"峰值点光谱反射率易饱和特征的影响。考虑到高光谱吸收特征参数能较好地诠释地物光谱吸收特征的细节信息,基于微分法与包络线去除法研发"高光谱曲线特征吸收峰自动识别法"识别对FAPAR敏感的特征吸收峰,再结合连续统去除法以及光谱吸收指数(SAI)提取FAPAR的高光谱吸收特征参数,构建估算天然草地冠层水平FAPAR的高光谱吸收特征参数模型。结果表明:(1)天然草地冠层FAPAR与高光谱吸收特征参数具有很好的相关性,其中,"红波段吸收峰"SAI对FAPAR变化最为敏感,在植被覆盖度较高时,其饱和性相比"红波段吸收峰"峰值点反射率与归一化植被(NDVI)值有较大的提升。(2)以"红波段吸收峰"SAI为变量的对数方程为FAPAR的最佳估算模型,在植被覆盖度处于中与高时,其FAPAR预测精度比NDVI模型有不同程度的提高。研究采用的高光谱吸收特征参数一定程度上弥补了部分植被指数因饱和问题在估算FAPAR时的不足,可作为植被FAPAR反演的新参数,适用于中、高覆盖度的天然草地FAPAR监测。     

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。     

高光谱和LiDAR联合反演森林生物量研究

估算森林地上生物量(AGB)对于全球实现碳中和目标至关重要。本文以美国缅因州Howland森林为研究区域,借助地面实测样地数据,对比分析协同不同数据源(高光谱和LiDAR)和机器学习算法(随机森林、支持向量机、梯度提升决策树和K最邻近回归)的研究,以改善Howland森林的生物量估计精度。结果表明,采用LiDAR和高光谱植被指数变量模型的最佳精度分别为0.874和0.868,协同高光谱和LiDAR变量并采用梯度提升决策树回归模型的精度为0.927,即多源遥感数据要优于单一数据源。高光谱和LiDAR数据的协同使用对于提高类似于Howland地区或更广泛区域的生物量估计的准确性,具有普遍的适用性与一定的应用前景。     

苹果树叶片全氮含量高光谱估算模型研究

采用Field-Spec Pro便携式光谱仪,测定了不同苹果品种叶片的光谱反射率及对应的全氮含量,采用相关性及单变量线性与非线性拟合分析技术,对全氮含量与原始光谱反射率、一阶微分光谱、高光谱参数之间的关系进行了分析。研究确立叶片全氮含量的定量监测模型,以期为遥感技术在苹果氮素营养诊断中的实际应用提供理论依据。结果表明:全氮含量与原始光谱在715nm处具有最大负相关系数(r=?0.817),并且基于此波长所构建的对数关系估算模型明显优于线性模型;光谱反射率一阶微分值在723nm处具有最大正相关系数(r=0.87),并且基于此波长所构建的线性和非线性模型的拟合效果接近;对于所选取的3类高光谱特征变量,全氮含量除了与黄边位置及由红边位置和黄边面积所构建的比值植被指数和归一化植被指数的相关性较弱外,与其余变量均呈极显著相关,说明这些变量对苹果叶片全氮含量进行估算具有可行性。对所建立的各类方程进行检验,最终筛选确定在723nm处的光谱反射率一阶微分值所构建的指数模型作为苹果叶片全氮含量的预测模型最为理想。     

利用不同植被指数估算植被覆盖度的比较研究

选用蔬菜地和草地2种植被类型,利用ASD光谱仪实测二者在不同覆盖度下的光谱响应,分析了归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、修正植被指数(MVI)、修改型土壤调节植被指数(MSAVI)以及全球环境监测植被指数(GEMI)等6种植被指数所用的最佳波段及其组合,进而研究了利用像元二分模型估算植被覆盖度时的不同植被指数的表现.结果表明,与蔬菜地植被指数相关系数较高的波段组合为620 ～ 740 nm谱段和780 ～ 900 nm谱段内波段的组合,与草地植被指数相关系数较高的波段组合为620 ～750 nm谱段和760 ～900 nm谱段内波段的组合,相关系数均达0.8以上;在高光谱数据构建的植被指数和模拟卫星数据构建的植被指数中,用DVI和MSAVI估算植被覆盖度,平均总体精度分别达到83.7％和79.5％,与其他4种植被指数相比,这2种指数更适合于利用像元二分模型进行植被覆盖度的估算.     

大米草室内叶片光谱特征参数与叶绿素浓度关系研究

本文通过分析大米草叶片反射光谱特征,并提取红边位置、红边斜率和红边面积三个红边参数以及叶面叶绿素指数(LCI)、水分指数(WI)、三角植被指数(TVI)、结构相关色素指数(SIPI)四个高光谱植被指数,利用线性、对数、倒数、二次函数和三次函数曲线模拟算法得到大米草叶片叶绿素a浓度的高光谱估算模型。研究结果表明:叶绿素a浓度与红边斜率和红边面积在0.01水平上显著负相关,与LCI、WI和TVI在0.01水平上显著正相关。基于红边斜率、红边面积、TVI三个参数,选用倒数法构建叶绿素a浓度的估算模型精度明显高于其他算法。基于LCI和WI参数,应用三次函数法构建的叶绿素a浓度的高光谱检测模型精度明显高于其他算法。比较R2和模型估算误差,利用WI水分指数应用三次函数构建叶绿素a浓度的高光谱检测模型精度在所有模型中最高。因此,利用叶片光谱技术可以较高精度地估算叶绿素a浓度。