无人机多光谱数据反演叶面积指数方法研究

利用顾及敏感性分析的PROSAIL模型和植被指数模型,以青岛地区玉米作物为研究对象,对无人机多光谱影像的叶面积指数反演进行研究.反演结果显示顾及敏感性分析PROSAIL模型的R2为0.79,GNDVI植被指数反演结果的R2为0.82.实验表明利用无人机多光谱数据可进行玉米叶面积指数的反演,且效果较好.     

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.     

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。     

遗传算法在组分温度反演中的应用

介绍了遗传算法的主要内容和工作原理。在连续植被热辐射方向性模型的基础上,从热红外多角度遥感数据中,同时反演混合像元组分温度、土壤比辐射率以及叶面积指数。大量试验表明,利用遗传算法反演组分温度效果非常好。在宽松的先验知识条件下,该方法可以解决不确定性反演问题     

植物光谱效应在尾矿生态恢复评价中的应用

利用遥感数据计算植被指数，反演出叶绿素含量和物种数量，可以作为受污染地区生态恢复效果的评价指标，但是传统的宽波段遥感数据由于受非植被信息的影响，计算出的植被指数精度不高。本文采用高光谱遥感数据计算植被指数，进而反演叶绿素含量和物种数量，对云南个旧锡矿尾矿的生态恢复效果进行评价。与传统方法相比，高光谱数据能去除干扰信息的影响，提高计算精度。     

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。     

遥感辐射传输建模与反演研究进展

综述了地表二向反射特性和植被BRDF 模型、地表热辐射方向性机理与建模研究的国内外现状; 围绕遥感辐射传输建模研究的最新进展, 重点介绍了基于叶片正反面反射率不等现象的叶片波谱模型改进(EPROSPECT)及冠层辐射传输模型(SAILE)、行播作物二向性反射模型、冬小麦穗叶复合热红外辐射方向性模型、二向性反射特性计算机模拟模型(RGM)、热红外辐射方向性计算机模拟模型(TRGM); 选择典型地表参数介绍了定量遥感反演的最新研究进展, 包括植被指数方向性校正方法、叶面积指数遥感反演中的信息量度量及其不确定性分析、地表反照率遥感反演中的地形校正方法等, 在此基础上介绍了定量遥感反演软件系统(RSIS 1.0)。最后就地表参数多源遥感协同反演面临的关键科学问题和近期研究目标进行了展望。     

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。     

Estimation of vegetation LAI from hyperspectral reflectance data: Effects of soil type and plant architecture

The retrieval of canopy biophysical variables is known to be affected by confounding factors such as plant type and background reflectance. The effects of soil type and plant architecture on the retrieval of vegetation leaf area index (LAI) from hyperspectral data were assessed in this study. In situ measurements of LAI were related to reflectances in the red and near-infrared and also to five widely used spectral vegetation indices (VIs). The study confirmed that the spectral contrast between leaves and soil background determines the strength of the LAI–reflectance relationship. It was shown that within a given vegetation species, the optimum spectral regions for LAI estimation were similar across the investigated VIs, indicating that the various VIs are basically summarizing the same spectral information for a given vegetation species. Cross-validated results revealed that, narrow-band PVI was less influenced by soil background effects (0.15 ≤ RMSE_cv ≤ 0.56). The results suggest that, when using remote sensing VIs for LAI estimation, not only is the choice of VI of importance but also prior knowledge of plant architecture and soil background. Hence, some kind of landscape stratification is required before using hyperspectral imagery for large-scale mapping of vegetation biophysical variables.     

基于多源遥感数据的植被覆盖度反演方法比较研究

采用GF-1号、ZY-3号以及Landsat-8卫星数据,利用回归模型和像元二分模型,通过对建立的四类植被指数NDVI、MSAVI、MVI和RVI,结合野外调查数据,提出NSD的概念来评价模型及方法的精度。实测数据与各类遥感影像的4种植被指数间均存在着显著的相关关系;通过NSD精度验证,说明空间分辨率较低的遥感数据,在一定程度上提高了反演精度;在4类植被指数中,RVI与MSAVI对于三类数据反演精度较高,且MSAVI对于较低分辨率遥感数据可能具有更好的消除土壤背景影响的作用。     

PROSAIL模型模拟下的植被指数土壤调节能力比较与适用环境分析

为了消除土壤背景信息对植被指数的影响,近几十年发展了土壤调节植被指数系列(SAVI family)。在不同环境条件下,不同指数抗土壤影响的能力不同。在总结了以消除土壤影响为目的的植被指数建立过程的基础上,利用PROSAIL辐射传输模型模拟的两组数据集,比较分析了NDVI、SAVI、TSAVI、MSAVI、OSAVI和GESAVI在不同叶面积指数(LAI)对应不同土壤背景的情况下抗土壤干扰、表达植被信息的能力,指出了不同植被指数应用的最适环境条件。结合植被指数—信噪比图,将这6种植被指数分成3类:在中低LAI值下,若植被覆盖度均匀,OSAVI和TSAVI有较强的消除土壤影响、表达植被信息的能力;当区域LAI分布不均、植被类型混杂时,MSAVI在表达植被信息时具有较好的稳定性。根据每类植被指数的特征,利用MODIS-VI和MODIS-LAI产品初步验证了上述结论的有效性。     

基于波谱知识库的MODIS叶面积指数反演及验证

目前用物理模型反演叶面积指数普遍存在缺少先验知识的状况，如何获得准确的先验知识是遥感走向应用的一个关键环节。中国典型地物标准波谱数据库就是结合国家重大行业中的应用需求，研究制定地物波谱获取与分析的技术规范和数据标准，建立典型地物标准波谱数据库。从波谱数据库提取模型反演所需要的先验知识，实现了基于SAIL模型的MODIS数据（经过几何纠正与大气纠正）叶面积指数的反演。另外，基于TM数据，对MODIS混合像元进行了分解，用纯像元的叶面积指数与实测数据进行对比验证，同时，反演结果与NASA的LAI产品也进行了对比，结果表明基于波谱库的先验知识可以有效的提高叶面积指数的反演精度。     

光谱先验知识在植被结构遥感反演中的应用

针对绿色植被反射光谱的特点，指出植被反射光谱曲线的相对位置关系可以作为先验知识应用到对植被结构的反演中，提出了在绿光、红光和近红外波段重新构造光谱参数，并利用波段差值和比值描述光谱先验知识进而反演树冠结构参数的方法。经大量的模拟反演及统计分析表明，相对于各波段单独反演再对结构参数平均的方法，该方法的抗噪声能力 得到了明显的增强。对实测反射率数据的反演发现，引入光谱先验知识后的结果更为接近测量值。     

黑河流域遥感物候产品验证与分析

植被物候遥感产品对全球变化响应、农业生产管理、生态学的应用等多领域研究具有重要意义。但现有植被物候遥感产品还有较多问题,主要包括一方面使用不同参数的时间序列数据以及不同提取算法导致的产品结果差异较大,另一方面在地面验证中地面观测数据与遥感反演数据的物理含义不一致导致的验证方法的系统性误差。本文以黑河流域为研究区,对比验证基于EVI(Enhanced Vegetation Index)时间序列数据提取的MLCD(MODIS global land cover dynamics product)植被遥感物候产品和基于LAI(Leaf Area Index)时间序列数据提取的UMPM(product by universal multi-life-cycle phenology monitoring method)植被遥感物候产品的有效性及精度等。同时,通过验证分析进一步评估基于EVI和LAI时间序列提取的物候特征的差异及特点,探讨由于地面观测植被物候与遥感提取植被物候的物理意义的不一致问题导致的直接验证结果偏差。结果表明:UMPM产品有效性整体高于MLCD产品,但在以草地和灌木为主的稀疏植被区,由于LAI取值精度的原因,UMPM产品存在较多缺失数据,且时空稳定性较低;基于玉米地面观测数据表明,EVI对植被开始生长的信号比LAI更加敏感,更适合提取生长起点,但植被指数易饱和,峰值起点普遍提前,基于LAI提取的峰值起点更加合理。由于地面观测的物候期在后期更加关注果实生长,遥感观测仅关注叶片的生长,遥感定义的峰值终点和生长终点与玉米的乳熟期和成熟期差异较大。     

高分辨率影像的植被分类方法对比研究

高分辨率影像的纹理信息可解决用光谱分类面临的“同物异谱”和“同谱异物”问题,更精确地分辨地物的细微变化,但将纹理作为主要信息进行植被分类的研究较少。本文以南京市钟山景区为例,利用IKONOS影像数据的纹理信息进行植被分类,并将结果与用光谱信息、植被指数信息的分类结果比较。共使用了4个灰度共生矩阵纹理量：CON（对比）、COR（相关）、HOM（同质）和MCON（改进的对比）分析各类植被的纹理表征设阈值分割;用3个植被指数：NDVI（归一化指数）、MSAVI（改进的土壤调节指数）和SAVI（土壤调节指数）（L取0.5和5）选择发现SAVI5最能区分。对纹理和指数信息均设各类型的阈值进行分割提取;基于光谱信息分别用最小距离监督分类和ISODATA非监督分类。研究中先进行数据恢复,再分别用三种信息将试验区植被分为6类：草地、竹林、常绿针叶林、常绿阔叶林、混交林和园地,最后将三种方法4个结果进行比较。精度评价的结论是：纹理信息分类的精度最高,植被指数次之,光谱信息中的非监督分类最低,纹理反映地物光谱及差异信息,可作为最佳方法用于植被分类。     

遥感植被指数对多时相AVHRR数据主成分分析的影响

对中国全年36个旬NOAA－AVHRR的1km覆盖数据进行两步处理：分别采用比值植被指数RVI、归一化植被指数NDVI、土壤调整植被指数SAVI和修改型土壤调整植被指数MSAVI最大值合成方法从每3旬数据合成每月数据；对每一种处理后的原始数据计算四种植被指数，并对这16种数据进行了主成分变换，分析不同处理方式对主分量积累方差和各主分量所分映生物学规律的影响。     

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。