基于HJ-1B影像的内蒙古草地叶面积指数反演

针对HJ-1B星CCD数据,以内蒙古草地为研究对象,应用植被指数模型、PROSAIL模型以及热暗点指数模型对研究区草地进行叶面积指数定量估算研究,同时利用LAI-2000获取的实测数据进行反演结果检验。结果显示:复合型植被指数统计模型的R2=0.7,物理模型为0.67;而传统植被指数模型R2仅为0.61。实验表明热暗点植被指数模型比传统植被指数模型更适于进行内蒙古草地LAI定量反演。     

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.     

利用辐射传输模型和随机森林回归反演LAI

针对辐射传输模型与查找表结合反演叶面积指数的方法存在反演工作量大且反演速度缓慢的问题,提出利用辐射传输模型和随机森林组合模型对路域植被叶面积指数进行估算的方法。该模型定义一种辐射传输模型和随机森林回归模型结合反演叶面积指数的方法。以研究区实测高光谱数据和模拟光谱数据为数据源,在相关性分析和敏感性分析的基础上,选取适宜作为反演因子的植被指数,而后进行随机森林算法回归,反演得到预测叶面积指数。结果表明:基于辐射传输模型和随机森林算法反演的路域植被叶面积指数与实测结果一致,准确及时的反映路域植被叶面积指数信息,可以较好地应用在路域环境植被参数反演中。     

基于主成分分析的植被指数与叶面积指数相关性研究

综合分析了玉米叶面积指数与几种常见光谱植被指数相关性,确定主成分分析方法在反演叶面积指数中的作用。首先,借助MATLAB编程软件,以植被指数与玉米叶面积指数相关性最高为原则,选出遥感影像上各种植被指数,其波段组合为NDVI(752.4/701.5),RVI(752.4/701.5),MSR(752.4/701.5),SAVI(823.7/701.5),MSAVI(823.7/701.5),然后,对这5种植被指数进行主成分分析,建立LAI-VI多元逐步回归模型,并对模型精度进行验证,总体估测精度为96.237%。经实验验证,利用主成分分析方法在反演植被叶面积指数时能够起到较好的效果,具有广泛的应用前景。     

多光谱多角度遥感数据综合反演叶面积指数方法研究

叶面积指数是陆地生态系统的一个十分重要的结构参数。用遥感数据求取叶面积指数可以利用光谱的信息,比如通过植被指数来拟合一个经验关系,但很多植被指数明显受土壤背景的影响,对于有明显行结构的农作物,土壤的影响很难消除,植被指数的方法误差较大。多角度遥感包含了大量的地面目标的立体结构信息,具备求解植被特征参数的潜力,但通常多角度遥感反演对光谱信息的利用不足。与以往的反演方法相区别,该文利用行播作物二向反射模型,将多角度与多光谱数据结合进行行播作物LAI反演实验,并对反演算法进行了详细的敏感性分析实验,结果表明采用多角度、多光谱遥感数据相结合的方法可以有效反演行播作物的叶面积指数。     

植被叶面积指数估算的红边指数建模分析

针对在路域环境监测中,如何精确估算叶面积指数问题,该文提出以长韶娄高速路域为研究区,筛选出4种常用植被指数和4种红边指数两类指数,分别构建了经验模型和机器学习的反演模型,利用Sentinel-2影像数据和同步的LAI-2000地面实测数据完成路域植被叶面积指数反演。结果表明,红边波段参与运算的植被指数与植被叶面积指数敏感性是显著相关,红边指数在反演精度上更优。由此可知,相较于常见植被指数,红边指数增强了其与叶面积指数的敏感性,提高了叶面积指数估算模型精度。     

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。     

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。     

基于多角度遥感的植被指数与叶面积指数的线性关系研究

以辐射传输方程PROSAIL为基础,模拟不同观测天顶角和不同叶面积指数(LAI)下的植被冠层光谱。利用模拟的冠层光谱构建3种常用的植被指数,并分析不同观测天顶角下叶面积指数变化对3种植被指数的影响。结果表明,MSR能较好解决由于LAI变化而引起的饱和现象。观测天顶角为-30°时,3种植被指数与叶面积指数的线性关系较30°和0°时好。     

基于地面试验的植被覆盖率估算模型及其影响因素研究

以植被覆盖率的遥感反演为研究主线,以玉米作物为例,在基于地面试验获得作物光谱、叶面积指数和多角度覆盖率的基础上,对目前普遍采用的两种基于植被指数的植被覆盖率估算模型进行了精度比较,同时对植被覆盖率反演的影响因子(叶面积指数、植被空间分布和观测角度)进行了分析.由此得到:估算植被覆盖率的最优植被指数为归一化植被指数;叶面积指数对植被指数与植被覆盖率间关系的影响随植被的生长不断增大;植被空间分布对垂直覆盖率的估算影响很小.对于多角度覆盖率有这样的规律,即在4种空间分布下,以0°观测天顶角(VZA)为中心,在相反方位角上随VZA的增加,覆盖率值基本呈对称分布;在玉米刚出苗时,覆盖率随VZA的增加而增加,当VZA=0°时达到最小值,而随着玉米的进一步生长,4种分布条件下覆盖率随VZA的增加反而降低,在VZA=0°时达到最大值.     

Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models

Statistical and physical models have seldom been compared in studying grasslands. In this paper, both modeling approaches are investigated for mapping leaf area index (LAI) in a Mediterranean grassland (Majella National Park, Italy) using HyMap airborne hyperspectral images. We compared inversion of the PROSAIL radiative transfer model with narrow band vegetation indices (NDVI-like and SAVI2-like) and partial least squares regression (PLS). To assess the performance of the investigated models, the normalized RMSE (nRMSE) and R² between in situ measurements of leaf area index and estimated parameter values are reported. The results of the study demonstrate that LAI can be estimated through PROSAIL inversion with accuracies comparable to those of statistical approaches (R² = 0.89, nRMSE = 0.22). The accuracy of the radiative transfer model inversion was further increased by using only a spectral subset of the data (R² = 0.91, nRMSE = 0.18). For the feature selection wavebands not well simulated by PROSAIL were sequentially discarded until all bands fulfilled the imposed accuracy requirements.     

随机森林回归模型用于土壤重金属含量多光谱遥感反演

本文以陕西省柞水县大西沟矿区为研究区域,通过实地采集土壤样本,结合在Landsat 8多光谱遥感影像上提取的辐射亮度值和光谱衍生指数,以及从ASTER GDEM提取的3种地形因素,通过相关性分析确定了建模因子,并以K折交叉验证法建立了砷、铜、铅3种重金属元素的随机森林回归模型。试验结果表明,所建立模型的预测精度优于多元线性回归模型和CART模型,可见随机森林回归模型适用于在小样本情况下的矿区重金属含量反演。经现场调查,空间反演结果与实际情况较符合,证明了基于多光谱遥感的随机森林回归模型在矿区土壤重金属反演中的准确性。     

九寨沟核心景区多源遥感数据地质灾害解译初探

点云密度是激光雷达（light detection and ranging,LiDAR）技术的重要参数,对森林遥感反演指数的提取有重要影响。以1 600 m×1 450 m大小的无人机（unmanned aerial vehicle,UAV）LiDAR数据为实验数据,采用分级随机抽稀法对实验数据进行抽稀,获取不同密度的点云数据集,利用不同密度数据集提取郁闭度、间隙率、叶面积指数、点云高度和密度分位数等森林遥感反演指数,并与原始数据提取的森林遥感反演指数进行差值比较。（1）当点云密度较小时,提取的郁闭度略微偏低,而间隙率略微增加,点云密度对郁闭度、间隙率的影响极小。（2）当点云密度较大时,对叶面积指数的影响不大,但当点云密度较小时,对叶面积指数的影响较大,个别区域可能出现叶面积指数突变。（3）当点云密度较大时,点云密度对高度、密度分位数的影响不明显,但当点云密度降至3.6点/m²时,可能会出现个别区域密度、高度密度分位数突变的情况。点云密度对森林遥感反演指数有重要影响,合适的点云密度有利于更准确地描述森林结构形态,过小的点云密度影响森林遥感反演指数的提取。

     

茅尾海入海河口池塘养殖污染状况遥感调查

针对广西茅尾海入海河口池塘养殖污染问题,本文利用无人机多光谱遥感影像和实测水质数据,建立了反映水体营养状态的叶绿素a (Chl-a)、化学需氧量(COD)、悬浮物(SS)、总氮(TN)、总磷(TP)5种水质参数,反演光谱特征及遥感反演模型,并利用湖泊综合营养指数法对水体富营养化状态进行评价。研究结果表明:①Chl-a与蓝、近红外波段相关性显著,COD与红、红边波段相关性显著,SS与红边波段相关性显著,TN与近红外波段相关性显著,TP与蓝、绿波段相关性显著;②在建立的几种水质参数反演模型中,二次多项式函数反演模型综合效果最佳;③池塘养殖区水体富营养指数多集中在60～80,属于中度和重度富营养化程度,且近岸水体富营养化程度大多低于远岸。     

Inversion of PROSAIL Model for Retrieval of Plant Biophysical Parameters

The current development of satellite technology particularly in the sensors like POLDER and MISR, has emphasized more on directional reflectance measurements (i.e. spectral reflectance of the target measured from different view zenith and azimuth angles) of the earth surface features mainly the vegetation for retrieval of biophysical parameters at regional scale using radiative transfer models. This approach being physical process based and uses directional reflectance measurement has been found to better and more reliable compared to the conventional statistical approach used till date and takes care of anisotropic nature (i.e. reflectance from the target is different if measured from different view angles) of the target. Keeping this in view a field experiment was conducted in mustard crop to evaluate the radiative transfer model for biophysical parameter retrieval through its inversion with the objectives set as (i) to relate canopy biophysical parameters and geometry to its bidirectional reflectance, (ii) to evaluate a canopy reflectance model to best represent the radiative transfer within the canopy for its inversion and (iii) to retrieve crop biophysical parameters through inversion of the model. Two varieties of the mustard crop (Brassica juncea L) were grown with two nitrogen treatments. The bidirectional reflectance data obtained at 5 nm interval for a range of 400–1100 nm were integrated to IRS LISS–II sensor’s four band values using Newton Cotes Integration technique. Biophysical parameters like leaf area index, leaf chlorophyll content, leaf length, plant height and average leaf inclination angle, biomass etc were estimated synchronizing with the bi-directional reflectance measurements. Radiative transfer model PROSAIL model was validated and its inversion was done to retrieve LAI and ALA. Look Up Table (LUT) of Bidirectional reflectance distribution function (BRDF) was prepared simulating through PROSAIL model varying only LAI (0.2 interval from 1.2 to 5.4 ) and ALA (5° interval from 40° to 55°) parameters and inversion was done using a merit function and numerical optimization technique given by Press et al. (1986). The derived LAI and ALA values from inversion were well matched with observed one with RMSE 0.521 and 5.57, respectively.     

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。     

Non-destructive estimation of potato leaf chlorophyll from canopy hyperspectral reflectance using the inverted PROSAIL model

Optimizing nitrogen (N) fertilization in crop production by in-season measurements of crop N status may improve fertilizer N use efficiency. Hyperspectral measurements may be used to assess crop N status by estimating leaf chlorophyll content. This study evaluated the ability of the PROSAIL canopy-level reflectance model to predict leaf chlorophyll content. Trials were conducted with two potato cultivars under different N fertility rates (0–300 kg N ha⁻¹). Canopy reflectance, leaf area index (LAI) and leaf chlorophyll and N contents were measured. The PROSAIL model was able to predict leaf chlorophyll content with reasonable accuracy later in the growing season. The low estimation accuracy earlier in the growing season could be due to model sensitivity to non-homogenous canopy architecture and soil background interference before full canopy closure. Canopy chlorophyll content (leaf chlorophyll content × LAI) was predicted less accurately than leaf chlrophyll content due to the low estimation accuracy of LAI for values higher than 4.5.     

泸定Ms 6.8地震诱发滑坡应急评价研究

2022-09-05,四川省甘孜州泸定县发生Ms 6.8地震。地震在山区诱发了大量的地质灾害,造成了严重的人员伤亡。快速准确地获取地震诱发地质灾害的空间分布范围对震后应急决策和救援抢险至关重要。基于全球同震滑坡数据库与深度学习算法,构建了地震诱发滑坡空间分布概率近实时预测模型,在震后2 h内获取了泸定地震诱发地质灾害的预测结果。通过震后无人机与卫星遥感影像,采用机器学习与深度学习算法实现了震后大范围地质灾害的智能识别,共解译地震诱发滑坡3 633处,总面积13.78 km2。利用遥感解译的泸定地震滑坡数据,对地震诱发地质灾害预测模型进行了优化,获得了震区范围更广、准确性更高的同震滑坡预测结果。结果表明,同震滑坡预测模型能够快速获取震后地质灾害的空间分布情况,填补震后遥感影像获取前的空窗期,为灾后应急救援提供支撑;基于无人机与卫星遥感影像的智能识别技术是快速获取大范围地质灾害信息的有效手段。所取得的研究成果在泸定地震震后应急救援工作中发挥了重要作用。