基于近地多光谱和OLI影像的黄河三角洲冬小麦种植区盐分估算及遥感反演——以山东省垦利县和无棣县为例

黄河三角洲是我国重要的后备土地资源区,而土壤盐渍化对该区的农业生产影响巨大,因此,及时获取该区农作物种植区土壤盐分含量及其分布具有重要意义。论文利用ADC便携式多光谱相机和EC110便携式盐分计,采集该区近地多光谱相片和土壤表层含盐量数据,结合两期遥感影像提取黄河三角洲冬小麦种植区面积分布,构建基于近地多光谱植被指数的土壤含盐量估算模型,进而将模型拟合反演到黄河三角洲OLI影像,得到黄河三角洲冬小麦种植区土壤盐分含量空间分布图,对麦区土壤盐分状况进行了分析。结果显示,土壤含盐量最佳估算模型为以SAVI为因变量的线性模型(Y=-0.754x+0.870,n=80),估测R~2为0.747,精度达到81.44%;研究区冬小麦分布由西南部内陆至东北部沿海呈明显递减的空间趋势;麦田土壤盐分含量主要集中在1.5~3.0 g/kg之间,占种植总面积的76.90%,而含盐大于3.0 g/kg的麦田占14.09%,宜采取针对性栽培管理措施。该研究探索了基于近地多光谱数据和OLI影像的土壤含盐量估算方法,为黄河三角洲麦田管理和土壤盐分含量估算提供了快速有效的技术手段。     

基于多光谱遥感影像的富川县表层土壤有机质含量反演

土壤有机质是影响土壤光谱特性的一个重要因素。本文以富川县为研究区,探索分析土壤有机质与LandsatTM影像光谱DN值之间的回归关系。结果表明土壤有机质与波段3、5、7呈极显著负相关,与波段4呈极显著正相关,与波段比值(b5-b7)/b7的回归方程决定系数为0. 631,且回归方程和回归系数经统计检验为极显著,表明回归方程较为合理。通过建立土壤有机质和光谱反射率之间的关联性可以估测有机质含量,为农业土壤施肥及生产管理提供参考。     

基于无人机多光谱影像和OPT-MPP算法的水质参数反演

无人机多光谱遥感可用于监测多个水质参数,如悬浮物、浊度、总磷和叶绿素等,建立稳定和准确的水质参数反演模型是开展这一工作的前提.matching pixel-by-pixel(MPP)算法是一种针对无人机影像高分辨率特点的反演算法,但其存在运算量过大和过拟合的问题,基于此,提出optimize-MPP(OPT-MPP)算法,以克服运算量过大和过拟合的问题.本研究以浙江省杭州市青山湖作为研究区域,采集45个样本,分别构建悬浮物浓度(SS)与浊度(TU)的OPT-MPP算法反演模型.结果表明,最佳悬浮物反演模型的决定系数R²达到0.787 0,综合误差为0.130 8;最佳浊度反演模型的决定系数R²达到0.804 3,综合误差为0.150 3.最后利用分别建立的两个参数的最优模型,实现青山湖各实验区域的水质参数空间分布信息的反演.     

GF-5高光谱遥感影像的土壤有机质含量反演估算研究

本文基于高光谱遥感影像对土壤有机质含量进行反演估算,以哈尔滨与兴安盟交界处的平原地表土壤为试验对象.首先,基于辐射和几何校正等预处理的高分五号（GF-5）高光谱遥感影像,依据五点采样法采集影像覆盖范围的地表土壤样本共100组,在实验室内进行理化分析等一系列处理获取样本土壤有机质含量数据.然后,运用偏最小二乘法建立高光谱影像土壤沙化指数、土壤退化指数、归一化亮度指数和土壤盐分指数反演土壤有机质含量的估算模型.比较基于原始反射率数据、一节微分反射率数据和4种土壤指数构建的反演模型的预测精度,通过65%的建模样本和35%的预测样本验证表明,反演模型中基于土壤指数建立的反演模型的预测验证精度最高,预测集验证中ρ为0.816,RMSE为1.7287.并将该反演模型运用到高光谱影像的土壤有机质含量的反演估算,实际测量的SOM与影像反演SOM含量变化趋势一致,相关性达到80.023%以上,验证了模型的反演估算精度.     

基于无人机多光谱影像的小微水域水质要素反演

总磷(TP)、悬浮物浓度(SS)、浊度(TUB)3种水质参数可以直接通过遥感反演得到,常用于评价区域水环境的污染状况.以浙江农林大学东湖为研究对像,使用无人机携带多光谱传感器(Mica Sense Red Edge)获取多光谱影像,进而提取16个光谱参数,分别构建东湖水域TP、SS、TUB的反演模型.结果表明:光谱参数V5(NIR 0.770～0.890μm)与TP、SS相关性显著(r分别为0.470、-0.537,p0.05),V4(0.670～0.760μm)与TUB相关性显著(r=0.486,p0.05).在建立的TP反演模型中,指数函数模型精度最高,决定系数R~2为0.7829;在建立的SS、TUB反演模型中,多项式函数模型精度最高,决定系数R~2分别为0.7503、0.7334.经检验,TP、SS、TUB模型估测值与实测值线性拟合曲线的决定系数R~2分别为0.7374、0.8978、0.6726,满足水质要素反演的精度要求.最后利用建立的模型,结合多光谱影像数据,建立了东湖水域各参数的空间分布图,实现了水质参数的可视化,可为小微水域的污染防治提供技术支撑.     

多源遥感数据支持下的县域尺度生态效率测算及稳健性检验——以长江中游城市群为例

生态效率是评价区域生态文明水平的重要依据,也是地理学与经济学开展资源环境综合研究的常用指标和变量,县域尺度生态效率测度的研究匮乏,制约了上述问题在县域层面上开展。在长江经济带生态优先和绿色发展国家战略下,以长江中游城市群为研究区域,依托多源遥感数据构建县域尺度生态效率测算指标体系,应用非合意产出超效率EBM模型测算2000-2015年县域生态效率,利用GIS空间分析工具揭示其时空分异规律和空间关联特征。并设计稳健性检验方案,对县域尺度生态效率测度路径科学性及稳健性进行检验。结果表明：（1）各年份长株潭城市群和环鄱阳湖城市群所辖县域的生态效率均优于武汉城市圈所辖县域;（2）研究期内生态效率维持高位区域包括武汉市辖区等12个县市,生态效率持续低值区域包括瑞昌市等7个县市;（3）县域生态效率H-H集聚区由衡阳市、株洲市及其周边至2015年成片消失,L-L集聚区则按照顺时针走向,逐步形成围绕武汉市的闭合环形区域;（4）基于市域生态效率排名对比的稳健性检验表明,县域生态效率测度路径和结果具有较高可信度。     

基于多智能体和土地转换模型的耕地撂荒模拟研究——以陕西省米脂县为例

多模型耦合已经成为国内外模拟LUCC有效途径之一。论文通过如下步骤阐明宏观耕地撂荒格局和微观主体行为间的互动机理。首先,将微观主体间的相互作用纳入其决策,构建有限理性多智能体决策模型（Multi-Agent System,MAS）;其次,通过SNNS平台的训练学习以及与历史数据对比分析,验证土地转换模型（Land Transformation Model,LTM）模拟研究区宏观撂荒格局的有效性;最后,依据多模型耦合机理,耦合MAS模型与LTM模型,形成耕地撂荒模拟模型（Cropland Abandonment Simulation Model,CASM）,并基于研究区耕地撂荒的实际数据,探讨模型的合理性和可行性。结果表明：与2013年历史土地利用数据对比,CASM模型的PCM（Percent Correct Metric）系数为71%,比单独利用LTM模型的模拟精度提高3%,不仅表明CASM能够较好地模拟分析米脂县耕地撂荒空间格局分布,而且可有效揭示宏观耕地撂荒格局的微观驱动机理;同时,文章指出未来研究中要考虑政策和市场的影响,进一步完善不同层次主体决策对撂荒的影响,以此来提高模型对现实耕地撂荒的解释力。     

基于Sentinel-2 MSI影像的河湖系统水体悬浮物空间分异遥感监测:以安徽省升金湖与连接长江段为例

开展河湖系统悬浮物监测对掌握水体泥沙运移规律、制定水环境治理措施具有重要意义.以安徽省升金湖与连接长江段水体为研究区,根据实测光谱模拟Sentinel-2 MSI影像波段反射率,结合同步水体悬浮物实测数据建立反演模型;而后根据2017～2019年28景MSI影像水体悬浮物反演结果,分析河湖系统水体悬浮物浓度的变化规律,并探究水位变化对其空间分异的影响.结果表明:①根据MSI影像第六波段与第三波段的比值建立的二次多项式模型具有较高的反演精度(R²=0.863,RMSE=22.211 mg·L^-1),适用于高浊度水体悬浮物反演;②在空间上,升金湖入湖口附近、上中湖区西北部和下湖悬浮物浓度相对较高,除夏季外升金湖悬浮物浓度均高于其连接长江段;在时间上,升金湖悬浮物浓度在夏季相对较低,在其他季节较高,而与其连接的长江水体呈现相反的年内变化规律;③闸控影响下河湖连通性改变造成的水位变化,是影响升金湖-长江悬浮物空间分异的关键因素.在平水期与枯水期,升金湖对长江悬浮物浓度变化具有一定的贡献度,而在丰水期,升金湖与长江悬浮物浓度变化之间的相关性不明显.     

基于CBDI的农户耕地撂荒行为模型构建及模拟研究——以陕西省米脂县冯阳坬村为例

目前,建立于复杂性科学基础上的多智能体模型（MAS）已成为模拟研究土地利用变化的重要方法。论文在MAS理论之上,构建一个基于Category-Belief-Desire-Intention（CBDI）决策结构的MAS模型,结合NetLogo软件平台,模拟分析农户Agent土地利用行为,并将结果与Belief-Desire-Intention（BDI）模型进行比较。论文以陕西省米脂县冯阳坬村为例进行研究,分析结果表明：1）通过对基于CBDI的MAS模型验证（模型精度为87.19%）,相比于传统的BDI决策模型精度有所提高;2）NetLogo平台能够展示农户决策的过程,直观地显示MAS模型的模拟结果;3）不同类型农户耕地撂荒的主要原因有所不同,该村种植户撂荒的主要因素为地理环境认知的差异和其他类农户的影响。有待进一步解决的问题：1）不同类Agent相互影响及其量化;2）高精度基础数据的获取和梯田DEM的引入。