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。     

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。     

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。     

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。     

基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究

地上生物量是衡量草地长势及生态系统服务功能的重要参数,对于草地生态系统碳收支、资源可持续开发等研究具有重要意义。研究基于若尔盖高原典型样带的无人机可见光影像和地面实测样本,建立生物量与多种可见光植被指数的指数回归模型,对比不同植被指数模型的生物量估算精度的差异。结果表明:可见光植被指数能够有效区分草地和其他覆盖类型,生物量与植被指数具有较好的相关关系。但基于不同波段建立的植被指数对生物量的估算精度存在差异,其中利用红、绿波段建立的植被指数NGRDI模型对生物量具有最高的模拟精度(R~2=0.856)和预测精度(验证样本ABE=94g/m~2,RMSE=124g/m~2)。研究获取了高空间分辨率的草地地上生物量,相关成果可为若尔盖高原碳收支、卫星遥感产品真实性检验、生态模型、资源可持续利用等研究提供方法与数据支撑。     

基于Landsat 8 OLI的特征变量优化提取及森林生物量反演

基于江苏省常熟市虞山地区Landsat 8OLI影像和55块调查样地数据,利用多元逐步回归法建立森林生物量模型,并讨论了预测结果及其精确性。选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括18种植被指数)、纹理信息以及主成分分析、最小噪声分离变换等在内的53个特征变量。通过分析53个特征变量与森林地上、地下生物量的Pearson相关性,进行特征变量的优化提取。结果表明:所有样地无区分分析时,地上和地下生物量的模型精度均达到0.4以上,基于3种森林类型(针叶林、阔叶林和混交林)进行地上和地下生物量建模时精度有明显提高,达到0.67以上,地上生物量和地下生物量的估测结果均为混交林优于阔叶林,阔叶林优于针叶林。     

基于多角度高光谱数据的高寒沼泽湿地植被生物量估算

湿地植被生物量是湿地生态系统健康状况的重要指标,直接反映植被群落的生长状况和生产力高低。估测高寒沼泽湿地植被生物量有助于理解高寒沼泽生态系统与全球气候变化之间的反馈关系。以三江源隆宝滩自然保护区为研究对象,使用欧空局CHRIS/PROBA数据,利用高光谱光谱维信息和多角度立体结构信息,分析不同角度光谱反射率、窄波段植被指数、红边指数以及主成分分量与湿地植被地上干、鲜生物量的相关性,探讨生物量对角度的敏感性。结果表明:高寒沼泽湿地植被地上生物量对角度具有一定的敏感性,前向观测的+36°影像优于0°和-36°影像;-36°红边位点指数REIP对地上干生物量、鲜生物量的拟合效果最好,干生物量的R~2为0.599,F值为37.404;鲜生物量的R~2高达0.685,F值达54.410。研究区内最大地上生物量干重为446.7g/m~2,湿重为2 368.1g/m~2。     

植被指数纹理特征信息估测稀疏植被生物量

针对基于反射率及植被指数的统计模型在估测荒漠化地区稀疏植被生物量时往往无法满足要求的问题,该文以RapidEye多光谱影像为数据源,尝试通过植被指数与纹理信息相结合的方法对甘肃省民勤县绿洲边缘稀疏植被区的生物量进行估测。选取4种典型植被指数,按照不同参数分别提取植被指数的灰度共生矩阵纹理特征值。将植被指数与实测生物量数据进行线性回归,同时,将纹理特征与生物量构建多元逐步回归模型。比较了单一的光谱信息与纹理信息估测荒漠化地区生物量的能力。研究结果表明,利用植被指数的纹理特征估测生物量的能力较高于单一的植被指数。     

基于MODIS SWIR数据的干旱区草地地上生物量反演及时空变化研究

基于古浪县MODIS遥感资料和地面实测样方数据,筛选出干旱区草地地上生物量的敏感指数,构建了该区草地地上生物量反演模型,并对2000~2014年试验区草地产量的时空动态进行了分析。结果表明:基于NDTI指数的草地地上生物量反演模型预测精度较高,可用于大范围干旱区草地地上生物量的快速监测。2000~2014年古浪县生长季最大草地地上生物量空间分布差异明显,由南向北生物量逐渐降低。15a间温性草原化荒漠和温性荒漠地上生物量呈极显著增加趋势。各草地类型生物量峰值出现在7~8月份,不同草地类型间存在差异。研究结果可为干旱区草地资源和生态环境的动态监测和评价提供科学基础。     

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。     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index, LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detec-tion and Ranging, LiDAR） 和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest, RF） 回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m²,研究发现最高的点密度（420 points/m²）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获得的LAI反演精度（PLSR：R²=0.874,RMSE=0.317;RF：R²=0.942,RMSE=0.222）高于基于植被指数获得的LAI反演精度（PLSR： R²=0.741,RMSE=0.454;RF：R²=0.861,RMSE=0.338）,而使用组合变量构建预测模型的反演精度（PLSR：R²=0.885, RMSE=0.304;RF：R²=0.950,RMSE=0.203）优于使用单一变量建立的LAI预测模型,其中利用联合LiDAR变量和植被指数建立的随机森林回归模型为最优预测模型。因此,将两种数据源融合在提高植被LAI反演精度方面具有一定的潜力。     

基于TROPOMI叶绿素荧光遥感的冬小麦旱情监测

针对太阳诱导叶绿素荧光（Solar-Induced chlorophyll Fluorescence, SIF）可以有效指示陆表植被水分胁迫的特点,提出了归一化叶绿素荧光干旱指数（Normalized SIF Drought Index, NSDI）用于黄淮海地区冬小麦旱情监测。该方法首先基于哨兵-5p卫星（Sentinel-5p）对流层观测仪（Tropospheric Monitoring Instrument, TROPOMI）传感器反演得到的SIF原始产品集,通过0.1°等经纬步长栅格化处理为空间连续数据,然后基于时间序列分析进行了缺失值线性插补,再经过S-G滤波重建获得了高时空分辨率荧光数据集。以此数据集为基础,结合研究区冬小麦分布数据构建NSDI指数。通过选取典型旱情事件对比分析,NSDI指数与同期归一化植被指数（Normalized Difference Vegetation Index, NDVI）以及温度植被干旱指数（Temperature Vegetation Drought Index, TVDI）都有良好的相关性,其中与NDVI的R²为0.60,与TVDI的R²为0.41;NSDI指数与野外土壤水分调查结果也高度相关,其中河北样区R²为0.53,山东样区R²为0.54,整体R²为0.51;通过物联网监测数据分析显示,NSDI指数可以在优于2 d的滞后期内响应旱情的变化,其变化趋势与田间土壤水分保持高度相关。实验结果表明：NSDI指数可以在时空尺度上有效指示黄淮海地区冬小麦旱情。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像，利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元，并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型，依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子，分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度），开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量，然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时，采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后，对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483，RMSE为29.522 t/hm²；阔叶林：R²为0.470，RMSE为21.632 t/hm²；混交林：R²为0.351，RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319，RMSE为28.352 t/hm²；阔叶林：R²为0.353，RMSE为18.991t/hm²；混交林：R²为0.281，RMSE为26.637 t/hm²）略高，说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子,分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度）,开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483,RMSE为29.522 t/hm²;阔叶林：R²为0.470,RMSE为21.632 t/hm²;混交林：R²为0.351,RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319,RMSE为28.352 t/hm²;阔叶林：R²为0.353,RMSE为18.991t/hm²;混交林：R²为0.281,RMSE为26.637 t/hm²）略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于涡度数据的东北草地光能利用率模型构建与验证

草地作为地球上分布最广的植被类型,在陆地碳循环中发挥着重要作用.草地生产力是估算产草量的基础,准确模拟生产力对草原资源合理利用及生态保护具有重要意义.以东北草地生产力为研究核心,利用涡度相关通量观测数据、遥感数据和气象数据,构建和检验东北草地光能利用率模型.东北草地光能利用率模型以归一化物候植被指数(NDPI)代表光合...     

一种基于分段偏最小二乘模型的土壤重金属遥感反演方法

土壤中重金属由于其毒性而成为最有害的环境污染物之一,利用遥感进行土壤重金属检测和分布制图是目前最为高效的手段。采用哨兵二号（Sentinel-2）多光谱影像与实测样品光谱数据,对山西省铜矿峪铜矿尾矿库及其周边农田土壤的铜（Cu）含量进行估算,利用68个土壤样品的反射光谱,优选出适合土壤铜含量预测的波段,结合分段偏最小二乘法（Piecewise Partial Least Squares Regression,P-PLSR）,对土壤铜含量进行估算,将模型用于Sentinel-2影像获得了Cu含量的空间分布。通过P-PLSR对实测样品光谱建模反演Cu含量的决定系数（R²）为0.89,预测偏差比（RPD）为2.82;利用Sentinel-2多光谱影像获得了该区域Cu元素含量空间分布,其Cu含量的估算精度R²为0.74,RPD为1.73,Cu含量高值区空间分布与尾矿库关系密切。Sentinel-2多光谱数据具有高空间分辨率（10、20和60 m）、高时间分辨率和幅宽大（290 km）等优势,通过敏感波段选择并建立反演模型,可实现大范围土壤环境制图。     

基于不同分辨率遥感影像自动提取切沟的精度分析和转换模型

黄土高原地貌类型独特而复杂,切沟侵蚀是塑造该区地貌的主要动力之一。研究不同分辨率遥感影像提取切沟的适用性和自动提取方法,可为切沟侵蚀遥感监测和沟蚀防治等提供有效手段。以黄土高原南部山西吉县残塬沟壑区为研究区,使用面向对象分析方法和随机森林分类算法分别从0.5 m Google影像、2 m GF-1融合影像和8 m GF-1多光谱影像中自动提取切沟,分析提取精度,并构建转换模型,提高低分辨率遥感影像提取的切沟沟长、面积参数的精度。结果表明：①依据特征类别,特征变量对于切沟识别的重要性排序如下：光谱特征>纹理特征>几何特征。②0.5 m和2 m分辨率影像切沟分类精度较高,生产者精度和用户精度均达90%以上,8 m GF-1影像切沟分类的生产者精度和用户精度为85%左右。③0.5 m和2 m分辨率影像提取的切沟沟长和沟宽的百分误差分别为5%和13%左右;8 m分辨率影像提取的切沟沟长、面积和沟宽的平均百分误差为18.82%、27.62%和18.93%。④基于0.5 m分辨率Google影像提取的切沟形态特征参数,建立8 m分辨率GF-1影像提取的切沟沟长转换模型（L=1.22L'-0.28）和面积转换模型（A=1.44A'+31.56）,转换结果具有较高的精度。     

基于机载LiDAR点云数据森林郁闭度估测

郁闭度是反映森林数量和质量的重要参数,是森林调查的重要因子之一。以广西壮族自治区高峰林场试验区获取的机载LiDAR点云数据为基础,基于二维冠层高度模型（Canopy Height Model,CHM）和三维点云开展了森林郁闭度估测研究。使用实地调查的105块样地作为验证参考数据对郁闭度估测结果进行了精度评价,结果表明：基于二维CHM估测郁闭度与实测值之间的R²=0.388,RMSE=0.17;而基于三维点云估测郁闭度采用了2种方法：第一种方法采用归一化后2 m以上高度植被点云密度与归一化后所有点云密度比值估测郁闭度,估测结果与实测值之间的R²=0.467,RMSE=0.13。第二种方法采用归一化后2 m以上高度第一次回波植被点云密度与归一化后第一次回波所有点云密度比值估测郁闭度,估测结果与实测值之间的R²=0.478,RMSE=0.12;基于三维点云的2种方法估测林分郁闭度的精度皆优于基于二维CHM的方法,基于三维点云估测林分郁闭度方法中,第二种方法的精度优于第一种方法。     

基于背包激光雷达的单木材积估测方法研究

背包式激光雷达（Backpack Laser Scanning, BLS）在森林资源调查中具有很大的应用潜力,但在复杂地表情景下,单木材积和林分蓄积量提取精度存在较大不确定性。以广西高峰林场为研究区,利用随机森林方法,基于BLS点云数据对单木材积和样地蓄积量进行估测。首先,对BLS点云进行单木分割,提取单木胸径（DBH）、树高（H_tree）、冠幅直径（CD）、冠幅面积（CA）、冠幅体积（CV）、郁闭度（CC）、间隙率（GF）和叶面积指数（LAI）共8个特征参数,并计算56个分层高度指标（高度百分比、累积高度百分比、变异系数、冠层起伏率等）。然后,通过随机森林算法构建单木材积估测模型,并对比各种参数组合的预测精度。得到结果： ①仅用8个单木结构特征参数进行建模,估测精度为： R2=0.83、RMSE=0.097 m³; ②加入分层高度指标的模型估测精度有所提升： R2=0.87、RMSE=0.087 m³;③通过Boruta算法进行变量筛选,输入参数从64个减少至52个,估测精度差异不大： R²= 0.87、RMSE=0.087 m³;④样方蓄积量估测精度为： R²=0.97,RMSE=0.703 m³·ha^-1。结果表明,基于BLS点云建立随机森林单木材积估测模型可以较好地估测单木材积,样方蓄积量估测精度高。