基于GF-1遥感数据的若尔盖高寒沼泽湿地地上生物量与土壤有机碳密度估算

随着我国遥感技术迅速的发展,国产系列卫星数据越来越多的应用到各个行业中。在湿地遥感监测方面,湿地生物量和碳储量的遥感估算研究是研究人员非常关注的研究问题,我国自主研制的高分（GF）系列卫星为湿地生态系统的资源监测提供新的途径和方法。提出了基于GF-1卫星的若尔盖高寒沼泽湿地地上生物量与土壤有机碳密度估算方法,通过选取GF-1遥感数据单波段信息,计算植被指数信息、纹理特征、地形特征等27个遥感因子,采用逐步回归法确定建模因子,构建了若尔盖湿地地上生物量和有机碳密度估算模型。研究结果表明：整个若尔盖湿地地上生物量为109.93万t,0~30 cm的土壤有机碳密度为18.99 kg/m²。经地面调查数据验证,地上生物量估算精度为86.44%,有机碳密度估算精度为81.56%;并且,地上生物量和土壤有机碳密度与研究区的湿地植被分布主要集中在中部和西北部范围的空间特征一致,模型估算出的研究结果具有较好的可靠性和合理性。     

山丹县草地地上生物量遥感估算模型

选择黑河流域草地植被的典型区域-山丹县作为研究区, 利用2003 年8 月野外实测50 个样方的草地地上生物量数据和同期的陆地卫星TM 影像数据, 分析了植被指数与草地地上生物量的相关关系, 进而建立基于遥感植被指数DV I 的草地地上生物量估算模型。结果表明: 在草地地上生物量和TM 影像植被指数之间关系微弱、直接利用TM 影像数据建立估算模型不可行的情况下,用地面实测的草地植被反射光谱数据对遥感影像数据进行校正, 能够弥补传统的“点-面”建模方法的不足, 获得比较理想的估算模型; 植被指数DVI 与草地地上生物量之间存在较好的相关性, 其估算模型为Y = 2477X - 77. 598 (R 2= 0. 7589) , 经实测数据验证, 总体精度达到80% 以上, 基本上能够满足中尺度的草地地上生物量估算。     

若尔盖高原区域碳收支参量多尺度遥感综合观测试验:科学目标与试验设计

介绍了若尔盖高原区域碳收支参量多尺度遥感综合观测试验的研究背景、科学目标、关键问题、观测方案、观测系统设置和后续观测计划.总体目标是,开展若尔盖高原区域湿地-草地生态系统碳收支参量多尺度遥感与地面同步观测试验,为人为干扰条件下湿地-草地生态系统碳收支变化过程研究积累基础数据;发展能够融合多源、多尺度遥感观测的碳收支相关参量反演模型,为实现卫星遥感对区域尺度碳收支研究提供方法和范例;建立区域尺度上的多尺度观测体系,通过多源遥感技术与生态过程模型的耦合,降低碳收支遥感监测及模拟的不确定性,更加综合地理解湿地-草地生态系统不同时空尺度上的碳收支过程;增强遥感技术在湿地生态研究的应用性,并最终为区域湿地保护提供重要依据.试验以人为干扰剧烈的若尔盖高原湿地-草地区域为试验区,以碳循环过程的关键参量为主要观测对象,利用卫星遥感、航空遥感、地基遥感、通量观测、生态观测等相关设备,开展航空、卫星和地面配合的大型综合观测试验,精细化观测若尔盖高原沼泽化草甸、湿草甸、草甸、草原等不同覆被类型的碳收支过程的各个分量.讨论了碳收支参量的多尺度观测与时空尺度扩展问题,展望了同步综合观测试验在陆地生态系统碳循环研究的应用前景.     

基于植被指数的若尔盖高原湿地光合有效辐射吸收比例估算研究

植被光合有效辐射吸收比例（FPAR）是湿地生态系统碳收支和气候变化的关键参量,直接反映湿地植被生长发育状况。基于植被指数的经验统计方法简单高效,被广泛运用于草原、森林及作物等植被FPAR的模拟,却较少用于湿地,缺乏不同植被指数对湿地FPAR估算适应性的系统研究。研究对比了14种常见的植被指数,选出最优植被指数用于反演若尔盖高原湿地生长季FPAR。结果表明：常见的植被指数中,MSAVI指数动态考虑了土壤信息,能较好地适应湿地植被FPAR的估算,误差和R²均优于其他植被指数。若尔盖高原湿地生长季FPAR取值在0.22—0.80之间,整体分布较为均匀,泥炭湿地、湿草甸及沼泽湿地平均FPAR分别为0.46、0.63和0.58;生长季期间若尔盖高原不同类型湿地FPAR随时间呈现先增加后降低趋势。     

基于植被指数融合的冬小麦生物量反演研究

作物群体生物量是形成产量的物质基础,遥感技术是高效、客观监测作物地上生物量的重要手段,对农业生产管理具有重要意义。以安徽省龙亢农场为研究区,通过PROSAIL模拟光谱分析了4个LAI相关的可见光-近红外植被指数、2个叶片干物质相关的短波红外植被指数和8个融合植被指数与冬小麦地上生物量的关系,并建立反演模型。模拟结果显示,干物质植被指数与作物生物量的相关性高于LAI相关的植被指数,两者融合的植被指数增强了常用植被指数冬小麦生物量的探测能力。利用实测冬小麦数据对生物量反演模型进行验证,结果显示：融合植被指数普遍提高了单一植被指数的地上生物量反演精度,其中MTVI2×NDMI精度最高（RMSE=606.8 kg/hm²）,并为作物地上生物量的高精度反演提供新的技术途径。     

基于Landsat 8 OLI遥感影像的天山北坡草地地上生物量估算

利用Landsat 8OLI遥感数据获得NDVI、RVI、DVI、EVI、GNDVI和SAVI等6种常用植被指数,同时结合研究区草地地面实测数据,再根据坡向将研究区划分为阴坡和阳坡两类,利用统计分析方法分别建立紫泥泉牧场阴坡和阳坡的草原生物量遥感估算模型,并进行生物量空间反演和验证。相关分析结果表明:所选植被指数与牧场生物量显著相关,依据坡向分类后数据与未分类数据相关性存在较大差异,其中NDVI相关性最高,EVI相关性最低;紫泥泉草场生物量最优反演模型为基于SAVI的二次多项式模型,精度达80%。利用该模型反演得到2015年紫泥泉牧场草原平均鲜草产草量为113g/m2,折合干草产草量41.85g/m2。研究表明:坡向是影响生物量分布变化的重要因素;利用遥感数据、地面实测生物量数据并结合研究区阴阳坡地形特征,提出的生物量估算模型精度较高,可为该牧区草原生物量合理估算和草地放牧管理提供科学依据。     

基于无人机与卫星遥感的草原地上生物量反演研究

草原生物量是评价草原生态系统功能的重要参数.为了快速、准确、有效地估算草原地上生物量,以呼伦贝尔草原为研究区,基于无人机多光谱影像和卫星遥感(Sentinel-2)影像,选择GNDVI、LCI、NDRE、NDVI、OSAVI、EVI等6个植被指数,结合实测地上生物量数据,建立植被指数回归模型,并采用留一法交叉验证进行精...     

基于SPOT5遥感影像丰宁县植被地上生物量估测研究

利用SPOT5遥感影像数据和同期获得的野外调查样地数据,基于按植被类型分类估测的方法,研究了河北省丰宁满族自治县植被地上生物量的遥感估测技术。研究结果显示,SPOT5影像的4个波段反射率和中红外植被指数(VI3)结合建立的多元回归模型,可用于森林生物量的遥感估测,估测的R2值达0.540,说明中红外波段信息提高森林生物量的估测精度有一定作用;通过分析样地生物量与多种植被指数的相关性发现,基于比值植被指数(RVI)的指数回归模型是灌丛生物量估测的最佳模型,估测的R2值达0.711,基于归一化植被指数(NDVI)的简单线性回归模型为估测草地生物量的最佳模型,R2值达0.790。利用2008年的全覆盖SPOT5影像,获得了丰宁县2008年植被地上生物量分布图,除农田植被外,全县地上生物总量为3.706×107 t,单位面积生物量平均为51.223t/hm2,其中,森林植被总生物量为3.578×107 t,灌丛植被总生物量为1.048×106 t,草地植被总生物量为2.277×105 t。     

区域森林生物量遥感信息模型构建研究

森林是陆地生态系统中最大的碳汇,在调节全球碳平衡、减缓大气CO²等方面具有不可替代的作用。森林生物量是陆地生态系统碳循环过程中最主要的参数,准确估算森林生物量及森林的变动引起的生物量变化受到科学家的普遍关注,并成为碳循环科学研究中的焦点。以生态敏感区滇西北香格里拉县为研究区,在野外森林样方调查数据的支持下,综合3S技术、地理学、生态学、气象学等相关知识,筛选了9个植被指数、2波段灰度值、生长季降水、生长季积温、生长季总辐射量、海拔、坡度、坡向、坡位和土壤有机质含量等多个因子,组合成遥感综合因子层、地理综合因子层与水、光、热共同构成变量,建立了区域森林生物量估算模型,并进行了检验,模型的R、R²、aR²及F统计量分别为0.809、0.655、0.661、101.436;样地实测值与模型估测值建立线性回归方程常数项(a)和回归系数(b)分别为0.09和1.021;用22个野外实测样点生物量数据对估算模型进行独立性检验,平均估算精度达到76.43%。说明模型的估算精度总体稳定,基本满足生物量估算精度要求,可用于该区域的森林生物量估算研究。     

洪河湿地植被地上生物量遥感反演研究

在对洪河湿地植被地上生物量实地采样调查的基础上,利用准同步的TM数据建立了洪河湿地地上生物量遥感反演模型。主要研究了洪河湿地植被地上生物量的空间分布情况,并结合研究区的DEM分析生物量空间分布特征和高程的相关关系。并分析了不同生物量范围内,生物量与高程之间相关性存在差异的原因。研究表明:多元回归模型与其他模型相比拟合精度最高,决定系数为0.813,是洪河湿地地上生物量估算的精度最优模型;经估算得到2007年洪河湿地地上生物量主要集中分布于600~1 200 g/m²之间,总生物量为2.4856×10⁸g,平均生物量为934.7105 g/m²。通过生物量与DEM的相关分析得到,在生物量值为0~600 g/m²的低生物量分布区域,生物量与高程之间存在较好的相关性,相关系数为0.79839;在生物量为600~1 200 g/m²和1 200 g/m²以上范围内,生物量与高程值之间相关性较弱。     

西南地区不同山地环境梯度叶面积指数遥感反演

叶面积指数(LAI)遥感估算是植被定量遥感研究的热点之一,监测植被LAI时空变化对于研究陆地生态系统碳循环及全球变化等具有非常重要的意义。在我国西南山区设置10个50km×50km的观测样区作为研究区,其中包括5个森林生态系统样区、3个农田生态系统样区和2个草地生态系统样区。分别获取不同优势植被类型LAI地面实测数据,结合同期获取的遥感数据,考虑地形因素影响,基于偏最小二乘原理分别构建各样区LAI遥感估算模型,并采用交叉验证的方式对模型精度进行评价。结果表明:考虑了海拔、坡度和坡向等地形因子的森林LAI遥感反演模型与未考虑地形变量的模型相比,其验证精度有所提高,R2由0.30~0.75提高至0.50~0.80,RMSE由0.52~0.93m2/m2降低至0.48~0.89m2/m2;所有样区优势植被类型LAI反演模型验证R2在0.40~0.80之间,RMSE在0.22~0.89m2/m2之间。发展的LAI遥感估算方法有助于认知山地植被LAI反演的地形效应问题,可为进一步的山地植被长势监测提供科学依据。     

Estimation the Biomass of Alpine Wetland Vegetation based on Multi-angle and Hyperspectral Data

Wetland vegetation biomass is a significant indicator of the health condition of wetland ecosystem,which directly mirrors the growth and productivity of vegetation communities.The estimation of vegetation biomass in alpine wetland contribute to understanding the causal feedback relations between alpine swamp ecosystem and global climate change.Longbaotan nature reserve in Sanjiangyuan area was taken as the research region.Taking advantage of hyper spectral dimension and multi\|angle stereoscopic structure information of CHRIS/PROBA,we analyzed the correlation between wetland vegetation biomass and some remote sensing factors,including spectral reflectivity,narrow band vegetation indices,red edge indices and principal component.The angular sensitivity of biomass was explored at the same time.The results showed that the biomass of vegetation on the alpine wetland was sensitive to satellite observation angle.The forward observation of the +36° degree image was significantly better than 0 and -36° degree images.Besides,the exponential model was the best regression model in the nonlinear models.Among them,REIP index of -36° degree was the fittest variable to biomass,which R2 was 0.599 and F value was 37.404 in dry biomass,and R2 was 0.685 and F value was 54.410 in fresh biomass.The maximum of dry biomass in Longbaotan area is 446.7 g/m2,and fresh biomass is 2 368.1 g/m2.     

Estimation of Grassland Aboveground Biomass Using Landsat 8 OLI Satellite Image in the Northern Hillside of Tianshan Mountain

The Landsat 8 OLI remote sensing data was used to obtain six kinds of commonly vegetation indices including NDVI,RVI,DVI,EVI,GNDVI and SAVI.Meanwhile,combining with the measured data of grassland in the research area,the research area was divided into two kinds of shady and sunny slope according to the slope.Then the biomass remote sensing estimation models of shady and sunny slope in Ziniquan Ranch were created by Statistical analysis method and biomass space inversion and verification was implemented.The results of correlation analysis showed that the selected vegetation indices were significantly correlated with pasture biomass and there was a significant difference between the correlation of the classified data and the non classified data by slope,in which NDVI was the highest and EVI was the lowest.The optimal inversion model of Ziniquan Ranch biomass was based on the two order polynomial model of SAVI with the accuracy 80%.By using this model reversion,the grassland average yield of Ziniquan Ranch in 2015 was 113 g/m²,which equaled to dry grass yield 41.85 g/m².The research shows that the slope direction is an important factor affecting the distribution of biomass.Using remote sensing data and ground measured biomass data and combining with the characteristics of the topography of shady and sunny slope of the research area,the biomass estimation model has higher accuracy,which could provide scientific basis for the reasonable estimation of grassland biomass and management of grassland grazing in the pastoral area.     

退牧还草工程项目遥感分析与效益评价——以四川省阿坝县为例

根据对卫星遥感影像的判读解译,探讨了利用3S技术（遥感（RS）、全球定位系统（GPS）、地理信息系统（GIS）技术）监测四川省阿坝县的退牧还草工程现状。通过陆地卫星TM遥感影像数据和同期野外调查数据,分析了植被指数与草地植被生物量之间的相关关系,建立了不同植被指数与草地生物量之间的一元线性回归模型和非线性回归模型。结果表明,利用遥感卫星的植被指数可以较好反映牧草植被群落变化和不同草原类型的牧草产草量差异。在全年放牧草地中,地上总生物量、植被总覆盖度、植被平均高度等指标均低于围栏内的草地。因此,利用“3S”技术可以对全县草原地上生物量进行遥感估测并对草原基况做出评价,客观反映退牧还草工程实施后效果。同时,为推动高空间分辨率卫星影像在我国草业和生态环境建设中的应用打下了坚实基础。     

基于宽波段和窄波段植被指数的草地LAI反演对比研究

叶面积指数是一个重要的植被生理生态参数,为探讨不同植被指数反演叶面积指数的可行性,基于同空间分辨率不同光谱分辨率的HJ\|1B CCD1和Hyperion遥感影像数据,以内蒙古自治区赤峰市克斯克腾旗贡格尔草原为研究对象,选取几种常见宽波段植被指数和高光谱窄波段植被指数并结合4种常用回归模型,比较分析了不同植被指数反演叶面积指数的精度。结果表明:对于全部植被指数而言,PVI、MSAVI等综合考虑了土壤、环境等因素的植被指数较传统植被指数NDVI、RVI反演草地LAI精度更高。通过对比发现,在反演草地LAI方面,窄波段植被指数比宽波段植被指数表现出明显的优势。其中,窄波段垂直植被指数PVI验证模型的确定性系数R²为0.65,均方根误差RMSE为0.15,说明实测LAI和模拟LAI值之间具有较好的变化一致性。最后基于Hyperion影像和窄波段垂直植被指数PVI的估算模型生成研究区叶面积指数空间分布图。     

生态系统模型模拟中国叶面积指数变化趋势及驱动因子的不确定性

为了厘清中国近30 a来植被生长趋势及其对不同环境变化的响应,使用了3套长时间序列遥感叶面积指数（Leaf area index, LAI）数据集以及8套生态系统模型,对LAI变化趋势从总量、空间分布以及不同植被类型进行了分析与归因。总量上,1982~2015年遥感观测的LAI趋势（9.8×10^-3m²/m²·a）高于生态系统模型模拟的趋势（4.2×10^-3m²/m²·a）,大气二氧化碳浓度上升是主要驱动因素（（3.5×10^-3m²/m²·a）;遥感观测到全国79.5%的区域LAI都呈现显著增长的趋势,而生态系统模型模拟LAI的增长面积占比为33.1%;除草地外,生态系统模型低估了其他植被类型的LAI变化趋势。模型对降雨变化的响应过于敏感以及对人为活动模拟能力不足是模型模拟中国LAI变化趋势不确定性的重要来源。本研究定量分析了近30 a中国各种植被变化情况及其驱动因子,并对模型低估中国植被生长进行了解释,为后续中国地区植被相关研究提供了参考。     

Hyperspectral remote sensing for estimating aboveground biomass and for exploring species richness patterns of grassland habitats

Dry grassland sites are amongst the most species-rich habitats of central Europe and it is necessary to design effective management schemes for monitoring of their biomass production. This study explored the potential of hyperspectral remote sensing for mapping aboveground biomass in grassland habitats along a dry-mesic gradient, independent of a specific type or phenological period. Statistical models were developed between biomass samples and spectral reflectance collected with a field spectroradiometer, and it was further investigated to what degree the calibrated biomass models could be scaled to Hyperion data. Furthermore, biomass prediction was used as a surrogate for productivity for grassland habitats and the relationship between biomass and plant species richness was explored. Grassland samples were collected at four time steps during the growing season to capture normally occurring variation due to canopy growth stage and management factors. The relationships were investigated between biomass and (1) existing broad- and narrowband vegetation indices, (2) narrowband normalized difference vegetation index (NDVI) type indices, and (3) multiple linear regression (MLR) with individual spectral bands. Best models were obtained from the MLR and narrowband NDVI-type indices. Spectral regions related to plant water content were identified as the best estimators of biomass. Models calibrated with narrowband NDVI indices were best for up-scaling the field-developed models to the Hyperion scene. Furthermore, promising results were obtained from linking biomass estimations from the Hyperion scene with plant species richness of grassland habitats. Overall, it is concluded that ratio-based NDVI-type indices are less prone to scaling errors and thus offer higher potential for mapping grassland biomass using hyperspectral data from space-borne sensors.