基于光谱时间序列拟合的中国南方水稻遥感识别方法研究

多云多雾现象是农作物遥感分类经常遇到的问题,影响分类精度。为解决此类问题,本文提出一种基于时间序列GF-1号遥感影像识别水稻方法。利用多时相时间序列的GF-1号遥感影像提取中稻、晚稻的近红外波段（NIR）反射率、红光（R）波段反射率、归一化植被指数（NDVI）特征;拟合光谱和植被指数时间序列特征曲线;分析多时相影像离散近红外波段 、红光波段、NDVI值落在拟合中稻、晚稻近红外波段、红光波段、NDVI时间序列曲线两侧的敏感性区域的比例,该区域也可以视为水稻作物识别特征的目标特征区域,只有达到一定的比例才能视为某类水稻作物。在此情形下,需要综合3种情况进行集中投票决定其最终分类结果。研究表明：该方法可以在多云雾地区对中稻和晚稻精确识别,中稻和晚稻用户精度可达95.97%和95.95%,总体精度为95.76%,kappa系数为0.9335。实验结果表明了NIR、R、NDVI时间序列曲线拟合的有效性,以及拟合曲线目标特征区域设置的合理性。     

卫星影像数据构建山地植被指数与应用分析

 本研究以Landsat影像为数据源,在分析复杂地形山地植被在阳坡和阴坡反射率差异特征的基础上,提出一种归一化差值山地植被指数NDMVI (Normalized Difference Mountain Vegetation Index)。该指数模型无需辅助数据(如DEM)的支持,通过同时降低近红外波段(TM4)和红光波段(TM3)反射率的方法来消除或抑制地形的影响,具有较强的可操作性。研究表明:NDMVI与太阳入射角余弦值(cos i)的相关性相当小,对地形起伏变化表现不敏感,可有效消除或抑制地形的影响;比NDVI值动态变化范围更宽,对地物有更强的遥感识别能力;该模型抑制地形影响的效果比用C校正模型的效果更佳,不会出现过度校正的问题。     

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。     

利用物候差异与面向对象决策树提取油菜种植面积

及时、准确地获取农作物种植信息,对于农业生产管理和国家粮食安全有重要意义。目前越来越多的免费卫星数据可以用于作物分类及生理参数反演。Sentinel-2卫星于2015年6月发射,提供了13个光谱波段,具有较高的时间分辨率、空间分辨率和光谱分辨率,为不同作物特征区分以及大范围作物种植面积快速提取业务化运行的精度与效率提高带来了契机。随着Sentinel-2数据的免费下载,这就为大面积生产下一代区域或者国家尺度的高分辨率（10~30 m）农情遥感产品提供了可能。物候信息包含了作物随着季节不断变化的特征,利用如NDVI等时间序列植被指数找出不同作物的特征进而开展作物分类得到了广泛应用。本文以油菜为主要研究对象,以长江中下游地区的江汉平原为实验区,基于作物物候差异与面向对象决策树的方法,对Sentinel-2卫星影像用于油菜种植区提取的效果进行了评估与分析。首先利用作物不同生长时期各波段光谱信息以及归一化植被指数等信息的差异分析并找出油菜种植区提取的最佳时相,然后对影像进行多尺度分割,根据对象特征建立决策树逐一去除非植被、林地等干扰类型,进而提取出油菜种植区域。通过分析发现,基于Sentinel-2影像的图像分割可以有效生成不同作物类型的对象;油菜开花期的特征是其区分于其他作物的关键因素,利用该特征可以有效消除分类时其他地物类型对油菜的影响,提高作物分类信息提取的精度和效率。研究表明：在区分油菜的决策树分类特征信息中,贡献最大的是归一化植被指数（NDVI）,近红外波段（NIR）和亮度（Brightness）信息。用162个油菜验证样本点计算混淆矩阵,油菜种植面积提取的总体分类精度为98%以上,Kappa系数为0.95。说明结合物候信息利用Sentinel-2数据进行大范围作物种植面积提取具有巨大潜力,可以提高大范围油菜种植区域快速提取的精度和效率。     

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。     

干旱区植被覆盖度提取模型的建立

本文通过分析遥感提取植被覆盖度的经验模型法、植被指数法和混合像元分解法,归纳了它们各自的优势、精度和存在的问题,指出了影响应用较广泛的植被指数转换法精度是全植被覆盖像元的选取。在此基础上提出了植被指数转换法的改进模型一利用高分辨率卫星图像的最大NDVI值作为均一像元的NDVI值替换中等分辨率卫星图像的NDVI值,建立植被覆盖度提取模型,从而通过中等分辨率卫星图像获取大范围植被覆盖度的方法。经实践检验,该方法简单、实用,适合于利用中等分辨率卫星图像进行大范围宏观监测。     

地形复杂山区常用植被指数的地形校正对比

植被指数能反映地表植被生长、覆盖等情况,常作为反演植物生物物理参量的有效参数。然而,在地形复杂的山区,由于地形效应的影响,导致一些植被指数适用性受限。基于以上现状,本文以贵州省江口县为研究区,采用4种地形校正模型（Teillet-回归模型、Minnaert模型、C模型、SCS+C模型）对常用植被指数（SR、MSR、NDVI、SAVI、MSAVI、EVI）进行地形校正,以评价不同坡度条件下植被指数地形校正效果。结果表明：地形校正对缓解波段比形式的植被指数（SR、MSR、NDVI）地形效应的作用有限,而对非波段比形式的植被指数（SAVI、MSAVI、EVI）效果较好。另外,随着坡度增加,地形效应显著,地形校正效果也更明显：坡度较小时,波段比形式的植被指数无需进行地形校正,而建议非波段比形式的植被指数进行地形校正;坡度较大时,建议2类植被指数都进行地形校正,但非波段比形式的植被指数可能会发生过度校正现象。此外,地形校正后非波段比形式的植被指数与森林地上生物量线性回归模型的精度明显提高。因此,建议在地形复杂山区利用非波段比形式的植被指数进行定量反演时,先进行地形校正。     

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。     

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。     

Evaluation of spectral scale effects in estimation of vegetation leaf area index using spectral indices methods

Spectral index methodology has been widely used in Leaf Area Index (LAI) retrieval at different spatial scales. There are differences in the spectral response of different remote sensors and thus spectral scale effect generated during the use of spectral indices to retrieve LAI. In this study, PROSPECT, leaf optical properties model and Scattering by Arbitrarily Inclined Layers (SAIL) model, were used to simulate canopy spectral reflectance with a bandwidth of 5 nm and a Gaussian spectral response function was employed to simulate the spectral data at six bandwidths ranging from 10 to 35 nm. Additionally, for bandwidths from 5 to 35 nm, the correlation between the spectral index and LAI, and the sensitivities of the spectral index to changes in LAI and bandwidth were analyzed. Finally, the reflectance data at six bandwidths ranging from 40 to 65 nm were used to verify the spectral scale effect generated during the use of the spectral index to retrieve LAI. Results indicate that Vegetation Index of the Universal Pattern Decomposition (VIUPD) had the highest accuracy during LAI retrieval. Followed by Normalized Difference Vegetation Index (NDVI), Modified Simple Ratio Indices (MSRI) and Triangle Vegetation Index (TVI), although the coefficient of determination R ² was higher than 0.96, the retrieved LAI values were less than the actual value and thus lacked validity. Other spectral indices were significantly affected by the spectral scale effect with poor retrieval results. In this study, VIUPD, which exhibited a relatively good correlation and sensitivity to LAI, was less affected by the spectral scale effect and had a relatively good retrieval capability. This conclusion supports a purported feature independent of the sensor of this model and also confirms the great potential of VIUPD for retrieval of physicochemical parameters of vegetation using multi-source remote sensing data.     

西南地区近21年来NDVI变化特征分析

利用美国国家航天航空局（NASA）归一化植被指数（GIMMS NDVI）资料,初步分析了近21年（1982~2002）来西南地区植被变化特征。结果发现：21年来西南地区植被覆盖状况较好,总体呈增加趋势,同时也存在较明显的季节和区域差异：春季西南大部分地区植被呈较明显的增加趋势。夏季全区NDVI以显著的减小趋势为主,尤以90年代中期以后更为明显。秋季NDVI与夏季类似同样表现为减少趋势,并且范围有所增加。冬季ND-VI以增加为主,存在明显的东西反向特征,东部以减少为主,西部则以增加为主。     

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。     

路域植被等效水厚度估算模型研究

植被等效水厚度对路域生态环境的监测评估具有重要意义。本研究以湖南醴潭高速一段为研究对象,以地面实测光谱和等效水厚度以及PRO4SAIL模拟光谱和模拟等效水厚度为数据源,利用PRO4SAIL冠层模型模拟光谱与地面实测光谱建立12种常用水分指数,引入随机森林算法对水分指数与等效水厚度进行重要性分析,得到12种水分指数的重要性排序;利用调整R ²确定建立等效水厚度估算模型中输入水分指数的最佳个数;在优选水分指数基础上,以PRO4SAIL模拟光谱计算得到水分指数和等效水厚度为训练集,分别构建随机森林耦合偏最小二乘（RF-PLS）、随机森林耦合支持向量机（RF-SVM）和随机森林耦合遗传算法优化支持向量机（RF-GA-SVM）等效水估算模型,并用地面实测等效水厚度对估算模型进行精度验证与分析。结果表明：RF-SVM估算模型中输入重要性前9的水分指数（NDWI、NMDI、SRWI、SR、NDII、WI、DWI、MSI、SAVI）时,调整R ²最高,验证集决定系数为0.8877;RF-PLS和RF-GA-SVM估算模型中输入重要性前4的水分指数（NDWI、NMDI、SRWI、SR）时,调整R ²最高,验证集决定系数分别为0.8053、0.8952,其中RF-GA-SVM模型估算等效水厚度效果最佳,其精度满足路域植被等效水厚度监测要求。本文研究成果为等效水厚度估算提供一种有效且精确的方法,同时为发展基于高光谱遥感的路域环境监测提供重要支撑。     

线性光谱混合模型的ASTER影像植被应用分析

本文利用线性光谱模型分解混合像元方法。从ASTER多光谱遥感数据提取福州地区植被覆盖丰度的定量信息,与归一化差值植被指数进行了回归分析,结果相关系数高达95％;通过对植被景观格局分析,表明研究区以中等丰度植被占据主要地位,生态系统较为稳定。     

Response of Vegetation in the Qinghai-Tibet Plateau to Global Warming

Using satellite-observed Normalized Difference Vegetation Index (NDVI) dada and station-observed surface air temperature anomalies for the Northern Hemisphere (NH), we analyze the spatio-temporal characteristics of vege- tation variations in the Qinghai-Tibet Plateau and their correlations with global warming from 1982 to 2002. It is found that the late spring and early summer (May-June) are the months with the strongest responses of vegetation to global warming. Based on the Rotated Empirical Orthogonal Function (REOF) method, the study shows that the first REOF spatial pattern of average NDVI for May-June reveals the northern and southern zones with great inter-annual variations of vegetation, the northern zone from the eastern Kunlun Mountains to the southwestern Qilian Mountain and southern zone from the northern edge of the Himalayas eastward to the Hengduan Mountains. The vegetation, especially grassland, in the two zones increases significantly with global warming, with a correlation coefficient of 0.71 between the first REOF of May-June vegetation and the April-May surface air temperature anomaly in the NH during 1982-2002. A long-term increasing trend in May-June vegetation for the plateau region as a whole is also attributed mainly to global warming although there are considerable regional differences. The areas with low NDVI (grassland and shrubland) usually respond more evidently to global warming, especially since the 1990s, than those with moderate or high NDVI values.