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%。     

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。     

北京地区冬小麦冠层光谱数据与叶面积指数统计关系研究

以北京地区冬小麦为研究对象,利用TM传感器的光谱响应函数处理地面测量获得的冬小麦冠层光谱数据,得到对应于TM传感 器红光波段和近红外波段的反射率,进而计算出冬小麦冠层的归一化植被指数NDVI。建立了LAI与NDVI之间的不同经验关 系模型,对实验结果进行分析后得出,LAI与NDVI之间具有高度的指数相关性。     

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.     

叶面积指数遥感估算的三种回归模型分析北大核心CSCD

针对叶面积指数(LAI)估算方法的适用性和提高估算精度的问题,该文基于Landsat-7ETM+遥感影像,以都江堰市青城山地区为研究对象,利用LAI-2000对样地LAI进行观测采集,建立如归一化植被指数等4种常见植被指数的单植被指数线性、非线性回归模型和多植被指数组合的偏最小二乘回归模型,比较分析了不同植被指数和不同模型估算LAI的精度。实验结果表明,偏最小二乘回归法能有效解决因变量较多时权重系数难确定的问题,是估算LAI的一种有效方法。     

高光谱反演水稻叶面积指数的主成分分析法

为了通过水稻冠层反射光谱来提取水稻叶面积指数信息，尝试利用辐射传输模型PROSPECT+SAIL来模拟水稻冠层反射光谱， 比较了各植被指数中叶面积指数(LAI)和叶绿素浓度的相关性。在观察光谱曲线后发现，红边位置光谱可以较好地区分LAI和叶绿素 浓度二者引起光谱变化的差异。由此提出对700 nm~750 nm区间内的反射光谱做主成分变换，并利用第2主成分与LAI建立反演模型( 即主成分分析法)，取得了较好效果，表明在植被指数趋近于饱和以至于无法区分二者相关性时，主成分分析法可以作为一种简单 而有效提取水稻叶面积指数信息的补充手段。     

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。     

黑河流域叶面积指数的遥感估算

研究利用Landsat7ETM⁺遥感数据获取黑河流域植被叶面积指数(LAI)空间分布的可行性。该研究是基于黑河流域分布式水文模型的一个重要输入项———LAI空间分布数据的需要而产生的。文章在详尽的野外观测数据基础上,分别探究实测LAI与同时相ETM⁺3、4、5、7波段反射率及相关植被指数(SR、NDVI、ARVI、RSR、SAV I、PVI、GESAVI)的相关关系,率定最佳的LAI遥感反演及其空间分布方案。研究发现,针对特定的自然条件,将研究区分为植被覆盖度小的稀疏立地和覆盖度大的密集立地,分别采用土壤调节植被指数(SAVI)和大气阻抗植被指数(ARVI)进行2种林地的LAI估算最为可靠,在此基础上,提出黑河地区LAI估算及其空间分布的遥感制图方案。     

水稻叶面积指数的高光谱遥感估算模型

通过不同氮素营养水平的水稻田间试验 ,采用单变量线性与非线性拟合模型和逐步回归分析 ,用1 999年试验数据为训练样本 ,建立水稻LAI的高光谱遥感估算模型 ,用 2 0 0 0年试验数据作为测试样本数据 ,对其精度进行评价和验证。结果表明 ,高光谱变量与LAI之间的拟合分析中 ,蓝边内一阶微分的总和与红边内一阶微分的总和的比值和归一化差植被指数是最佳的变量     

非监督分类的冬小麦种植信息提取模型

为了解决在区域冬小麦种植信息遥感提取过程中监督学习算法存在的需要地面样本数据支持、流程复杂、人为干扰因素多及自动化程度低等问题,本文以非监督分类为核心,结合多尺度技术,提出了一种新的非监督分类冬小麦种植信息提取模型。选取河北省辛集市为典型试验区,以2014年高分一号数据为数据源,对本文提出的模型进行实例验证。试验结果表明：该模型的Kappa系数为0.88,整体精度为94.00%;对于研究区内的冬小麦,在无需训练样本、人为干扰因素少等条件下,该模型具有与监督分类相似的提取精度,能够满足冬小麦种植信息地面遥感监测的需求。     

用NOAA气象卫星AVHRR的定量资料计算冬小麦种植面积的两种方法

本文提出了用NOAA气象卫星AVHRR的定量资料计算冬小麦种植面积的方法,即绿度指数法和单通道法。绿度指数法是根据冬小麦在特定生育期内绿度值基本上保持为常数的特点,用几块巳知样地的种植面积,推算整体种植面积;单通道法是只使用AVHRR第二通道的反照率来计算冬小麦种植面积。这两种方法的优点在于不需考虑大气削弱的订正处理问题,从而使计算得以简化。     

Effects of water and heat on growth of winter wheat in the North China Plain

The North China Plain (NCP) was selected as the study area and the effects of water and heat were analysed to determine the dominant factor affecting winter wheat growth. The mean, minimum and maximum temperatures, precipitation and soil moisture data were selected to analyse the correlations between the leaf area index (the growth indicator) and these factors using long time series half-monthly data (2–5 months) (from 1982 to 2010). The results showed that temperature was the main factor affecting the growth of winter wheat in the NCP. The growth of winter wheat had weak correlations with precipitation and soil moisture and the influence of water on winter wheat growth was smaller than the influence of heat. In the northern part of the NCP, mainly including the north-west region of Shandong Province and the southern region of Hebei Province, irrigation was necessary in late February and early March.     

Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data

A sufficient number of satellite acquisitions in a growing season are essential for deriving agronomic indicators, such as green leaf area index (GLAI), to be assimilated into crop models for crop productivity estimation. However, for most high resolution orbital optical satellites, it is often difficult to obtain images frequently due to their long revisit cycles and unfavorable weather conditions. Data fusion algorithms, such as the Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) and the Enhanced STARFM (ESTARFM), have been developed to generate synthetic data with high spatial and temporal resolution to address this issue. In this study, we evaluated the approach of assimilating GLAI into the Simple Algorithm for Yield Estimation model (SAFY) for winter wheat biomass estimation. GLAI was estimated using the two-band Enhanced Vegetation Index (EVI2) derived from data acquired by the Operational Land Imager (OLI) onboard the Landsat-8 and a fusion dataset generated by blending the Moderate-Resolution Imaging Spectroradiometer (MODIS) data and the OLI data using the STARFM and ESTARFM models. The fusion dataset had the temporal resolution of the MODIS data and the spatial resolution of the OLI data. Key parameters of the SAFY model were optimised through assimilation of the estimated GLAI into the crop model using the Shuffled Complex Evolution-University of Arizona (SCE-UA) algorithm. A good agreement was achieved between the estimated and field measured biomass by assimilating the GLAI derived from the OLI data (GLAI_L) alone (R² = 0.77 and RMSE = 231 g m⁻²). Assimilation of GLAI derived from the fusion dataset (GLAI_F) resulted in a R² of 0.71 and RMSE of 193 g m⁻² while assimilating the combination of GLAI_L and GLAI_F led to further improvements (R² = 0.76 and RMSE = 176 g m⁻²). Our results demonstrated the potential of using the fusion algorithms to improve crop growth monitoring and crop productivity estimation when the number of high resolution remote sensing data acquisitions is limited.     

受蚜虫危害与干旱胁迫的冬小麦高光谱判别

从高光谱遥感角度判别冬小麦旱害和蚜虫危害,可进一步提高遥感监测灾害的准确性.在麦长管蚜的自然危害下,通过控制其生育期水分条件形成的不同程度的干旱胁迫,监测了灌浆末期冬小麦冠层反射率对蚜虫危害和干旱胁迫的反应;并经一阶微分数据变换,筛选出识别蚜虫虫害和干旱胁迫响应最敏感的光谱波段.实验结果表明:受蚜虫危害和干旱胁迫后,灌浆末期冬小麦在近红外波段的光谱特征变化比在可见光波段的显著,可见光和近红外波段是识别蚜虫危害和干旱胁迫最敏感的谱段.经一阶微分数据变换发现,自然降水处理(灌水量相当于需水量的＜40％)下的冬小麦光谱曲线的“红边”斜率最小;受蚜虫危害以及灌水量分别相当于需水量的＞70％,60％～ 70％,50％～ 60％和40％～ 50％水分处理下的“红边”斜率依次变大;受蚜虫危害冬小麦光谱曲线的“红边”位置波长最短(698 nm),其他不同水分处理结果随着干旱胁迫的加重向波长短的方向发生“蓝移”.因此,“红边”参数也可以作为判别冬小麦蚜虫危害和干旱胁迫的重要参数.     

叶面积指数遥感尺度效应与尺度纠正

由于地表空间异质性的普遍存在,遥感反演模型的非线性必然会导致不同分辨率观测的遥感结果不一致,从而产生遥感产品尺度效应。本文研究了遥感产品尺度效应概念、模拟方法和定量计算模型,并利用锡林浩特草原研究区的实测数据,对尺度效应模型和方法进行了定量计算与验证分析。首先,基于不同升尺度方法与多尺度遥感成像机理之间的机理联系,通过“先反演再平均”与“先平均再反演”之间的差异,可计算“高”分辨率与“低”分辨率之间的遥感产品尺度差异。其次,分别以红光、近红外两波段反射率和归一化植被指数(NDVI)为自变量,对叶面积指数(LAI)非线性遥感模型进行泰勒展开,研究了模型非线性、遥感数据空间异质性对LAI遥感产品尺度差异的影响,发现高阶项可忽略,利用二阶导数项和遥感数据方差项可定量计算遥感产品尺度差异,经过二阶导数项纠正后的尺度差异相对偏差从5.6%分别降低到0.78%和1.45%。最后,分析了LAI遥感产品尺度效应的特征规律,得出以下结论:随着植被覆盖的增大,同等遥感空间异质性的LAI遥感产品尺度差异越大,且红光波段比近红外波段的尺度差异敏感性高近2个数量级;对于绝大部分陆地植被区域,存在“低分辨率低估”尺度效应,且遥感产品尺度差异的主导要素为LAI模型非线性,NDVI变量自身非线性对尺度效应贡献占23.5%;对于湿地类植被与水体混合情形,NDVI变量非线性的贡献为主导贡献,出现“低分辨率高估”尺度效应,必须利用红光、近红外两波段的二阶导数项非线性尺度差异,才能解释这一类型的LAI遥感产品尺度效应。本文建立了具有一定普适意义的遥感产品尺度效应定量模拟与尺度纠正方法,对推动定量遥感的尺度问题研究有一定参考价值。     

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。     

Retrieval of wheat leaf area index from AWiFS multispectral data using canopy radiative transfer simulation

Accurate representation of leaf area index (LAI) from high resolution satellite observations is obligatory for various modelling exercises and predicting the precise farm productivity. Present study compared the two retrieval approach based on canopy radiative transfer (CRT) method and empirical method using four vegetation indices (VI) (e.g. NDVI, NDWI, RVI and GNDVI) to estimate the wheat LAI. Reflectance observations available at very high (56 m) spatial resolution from Advanced Wide-Field Sensor (AWiFS) sensor onboard Indian Remote Sensing (IRS) P6, Resourcesat-1 satellite was used in this study. This study was performed over two different wheat growing regions, situated in different agro-climatic settings/environments: Trans-Gangetic Plain Region (TGPR) and Central Plateau and Hill Region (CPHR). Forward simulation of canopy reflectances in four AWiFS bands viz. green (0.52–0.59 μm), red (0.62–0.68 μm), NIR (0.77–0.86 μm) and SWIR (1.55–1.70 μm) were carried out to generate the look up table (LUT) using CRT model PROSAIL from all combinations of canopy intrinsic variables. An inversion technique based on minimization of cost function was used to retrieve LAI from LUT and observed AWiFS surface reflectances. Two consecutive wheat growing seasons (November 2005–March 2006 and November 2006–March 2007) datasets were used in this study. The empirical models were developed from first season data and second growing season data used for validation. Among all the models, LAI-NDVI empirical model showed the least RMSE (root mean square error) of 0.54 and 0.51 in both agro-climatic regions respectively. The comparison of PROSAIL retrieved LAI with in situ measurements of 2006–2007 over the two agro-climatic regions produced substantially less RMSE of 0.34 and 0.41 having more R² of 0.91 and 0.95 for TGPR and CPHR respectively in comparison to empirical models. Moreover, CRT retrieved LAI had less value of errors in all the LAI classes contrary to empirical estimates. The PROSAIL based retrieval has potential for operational implementation to determine the regional crop LAI and can be extendible to other regions after rigorous validation exercise.     

基于SPOT5遥感影像的城市森林叶面积指数反演

本文以上海城市森林为研究对象,采用地面实验与遥感技术相结合方法,开展SPOT5遥感影像在估测城市森林LAI中的应用研究。结果表明,地面实测LAI与三种植被指数均具有很好的线性回归关系,相关系数(r)均大于0.6,其中MSAVI的相关系数最高(r=0.66),其次为MCARI(r=0.64)和NDVI(r=0.62)。说明ND-VI仍受到背景等因素不同程度的影响,而植被指数MSAVI和MCARI,由于能进一步消除土壤背景和叶绿素的影响,对叶面积指数比较敏感,能更好地与叶面积指数建立关系,能更好地用于城市森林叶面积指数的遥感反演。本研究可为快速定量评估城市森林的结构和功能提供依据。