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     

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.     

耕层土壤有机质高光谱间接估测模型

针对光学遥感技术只能获取表层土壤光谱信息而无法直接估测耕层土壤有机质含量的问题,探索建立基于表层土壤高光谱信息的耕层土壤有机质间接估测模型。以山东省济南市章丘区采集的76个表层、耕层土壤样本数据为基础,首先分析原始光谱反射率的光谱特征;然后利用反射率的一阶微分、平方根的一阶微分和对数倒数的一阶微分等方法对原始光谱反射率进行变换,并根据极大相关性原则选取估测因子;最后根据表层土壤有机质含量与耕层有机质含量间的内在关系,建立耕层土壤有机质含量的间接估测模型。结果表明,以557、1 621、2 107和2 316 nm波段对数倒数的一阶微分变换值和864 nm波段反射率平方根倒数一阶微分的变换值为估测因子,使用二次函数关系模型对耕层土壤有机质含量间接估测的精度最高,其决定系数R~2为0.784,平均相对误差为10.7%。研究表明,利用表层土壤高光谱信息间接估测耕层有机质含量可行有效。     

高光谱土壤有机质估测模型对比研究

应用高光谱技术探讨土壤有机质含量定量估测方法,对发展精细农业具有重要意义。本文利用陕西省横山县的实测数据,采用对数的一阶微分变换方法对土样的高光谱数据进行处理,分别采用线性回归分析法、BP神经网络法、模糊识别法建立高光谱土壤有机质含量估测模型,并对比分析其精度,确定最优的光谱反演模型。实验结果表明:模糊识别模型的决定系数达到0.973,RMSE为0.0468%;比线性模型和BP神经网络模型精度都高。研究表明,土壤有机质光谱反演不仅要重视机理研究,同时要加强光谱反演建模方法创新。     

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     

高光谱数据与水稻指数及叶绿素密度的相关分析

分析了北京大屯科技站不稻叶面积指数（ＬＡ）、叶绿素密度（ＣＨ．Ｄ）与高光谱分辨率遥感数据在整个生育期内的变化过程。利用微分技术处理不稻群体反射光谱以减少土壤等低频背景光谱噪音的影响。通过单相关分析和逐步回归方法研究不稻ＬＡＩ、ＣＨ．Ｄ分别与光谱反射率、反射率的一阶微分光谱的相关关系,并建立预测回归方程。结果表明,微分技术能够改善数据与ＬＡＩ、ＣＨ．Ｄ的相关性,ＣＨ．Ｄ与光谱数据的相关明显优于同ＬＡ     

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。     

高光谱数据与水稻叶面积指数及叶绿素密度的相关分析

分析了北京大屯科技站水稻叶面积指数（LAI）、叶绿素密度（CH.D）与高光谱分辨率遥感数据在整个生育期内的变化过程。利用微分技术处理水稻群体反射光谱以减少土壤等低频背景光谱噪音的影响。通过单相关分析和逐步回归方法研究水稻LAI、CH.D分别与光谱反射率、反射率的一阶微分光谱的相关关系,并建立预测回归方程。结果表明,微分技术能够改善光谱数据与LAI、CH.D的相关性,CH.D与光谱数据的相关明显优于同LAI的。     

基于高光谱数据和RBF神经网络方法的草地叶面积指数反演

基于中国农业科学院在呼伦贝尔草原实测的120组草地冠层光谱反射率及相应的叶面积指数(LAI)数据,在进行主成分分析(PCA)实现降维处理的基础上,利用径向基函数(radial basis function,RBF)神经网络方法对草地LAI进行了高光谱反演研究.PCA结果表明,前9个主成分的累积贡献率达到了99.782％,能包含原光谱数据的绝大部分信息.将120组LAI及相应的9个主成分样本数据随机分为校正集数据(90组)和预测集数据(30组),分别用于神经网络模型的建立和LAI的预测.所构建的神经网络模型的模拟结果表明,RBF神经网络模型对校正集样本的模拟准确率达到100％(RMSE =0.009 6,R2 =0.999);预测集样本的实测LAI和模拟LAI之间的均方误差和决定系数分别为0.218 6和0.839,取得了较好的模拟效果,有效提高了传统的多元线性回归方程(RMSE =0.416 5,R2=0.570)的计算精度.     

不同传感器的模拟植被指数对水稻叶面积指数的估测精度和敏感性分析

本研究利用水稻冠层高光谱数据,模拟NOAA-AVHRR,Terra-MODIS和Landsat-TM的可见光波段反射率数据,计算各传感器的多种植被指数(NDVI,RVI,EVI,GNDVI,GRVI和Red-edge RVI),比较植被指数模型对水稻LAI的估测精度,分析不同植被指数对LAI变化的敏感性.相对于红波段植被指数,红边比值植被指数(Red-edge RVI)和绿波段指数GRVI与LAI有更好的线性相关关系,而GNDVI和LAI呈现更好的对数相关关系.MODIS的Red-edge RVI指数不仅模型拟合的精度最高,还有独立数据验证的估测精度也最高,而且它的验证精度较拟合精度下降幅度最小;其次是绿波段构建的GNDVI和GRVI植被指数的估测精度,再次是NDVI和EVI的估测精度,而RVI的估测精度最差.敏感性分析发现,13个植被指数对水稻LAI的估测能力都随着LAI的增加而下降,但归一化类植被指数和比值类植被指数对LAI变化反应的差异明显,归一化类植被指数在LAI较低时(LAI<1.5)对LAI变化的反应开始非常敏感,但迅速下降,而比值类植被指数在LAI较低时,明显小于归一化类植被指数,之后随着LAI的增大(LAI>1.5)比值类植被指数对LAI的变化敏感性,则明显高于归一化类植被指数.Red-edge RVI和绿波段指数GRVI和LAI不仅表现了很好的线性相关关系,而且在LAI大于2.9左右保持较高的敏感性.     

植被冠层光谱和叶片光谱的尺度转换

叶片光谱是估算植被生化参数的重要依据。然而,遥感影像获取的光谱为像元及冠层光谱,因此,在进行植被生化参数的遥感定量估算时,需将冠层光谱转化到叶片尺度。根据几何光学模型原理,推导出植被冠层光谱和叶片光谱的尺度转换函数,将冠层光谱转换到叶片尺度。首先,采用叶片光谱模拟模型PROSPECT模拟出叶片水平的光谱;其次,在几何光学模型4-scale模型中,通过改变叶片光谱和叶面积指数（leaf area index,LAI）,模拟出不同叶片特征下的冠层光谱。最后,通过LAI建立两个查找表,一个是传感器观测到树冠光照面和背景光照面概率的查找表,另一个是多次散射因子M的查找表,从而实现冠层光谱和叶片光谱的转化。结果表明,利用4-scale模型能实现冠层光谱与叶片光谱的尺度转换,此方法有很好的适用性。     

Vegetation图像植被指数与实测水稻叶面积指数的关系

水稻的叶面积指数 (LAI)是水稻生长的一项重要参数 ,与水稻的生物量与产量直接相关。利用 1999年在江苏省江宁县实测的水稻叶面积指数与同期Vegetation/SPOT的植被指数作了对比分析 ,结果发现同期的LAI与植被指数表现相近的变化特征 ,两者具有良好的相关关系。     

引黄灌区水稻红边特征及SPAD高光谱预测模型

叶绿素含量是评估水稻长势和产量的重要参数。为了实现快速而准确的叶绿素含量估测,以宁夏引黄灌区宁粳43号水稻为试验对象,通过不同的氮素水平试验,测定了水稻在拔节期、抽穗期和乳熟期的冠层高光谱反射率和叶片绿色度土壤、作物分析仪器开发（soil and plant analyzer development,SPAD）值,分析了水稻不同时期冠层光谱的红边变化特征,并建立了SPAD的估测模型。结果表明,水稻叶片SPAD值随供氮水平的增加而增加,随生育期的变化表现为至抽穗期达到最高,而后逐渐降低。冠层光谱反射率随供氮水平的提高在可见光波段降低,在近红外波段增加。冠层光谱的红边位置、红边幅值和红边面积从拔节期到抽穗期呈现出“红移”,至乳熟期呈“蓝移”现象,三个红边参数均随氮素水平的提高而增加。水稻拔节期是以红边面积为变量建立的模型对SPAD预测能力较好,而抽穗期和乳熟期则是以红边位置为参数建立的模型精度较高,与南方稻田叶绿素估算模型有所差异。利用高光谱技术对水稻SPAD值进行定量反演,可为西北地区水稻长势遥感监测提供理论依据。     

基于冠层反射光谱的水稻产量预测模型

基于地面实测的水稻冠层反射光谱,计算了常用的8个植被指数,并在产量形成生理特征的基础上,系统分析了水稻籽粒产量及其构成因素与各植被指数之间的关系。结果表明,通过单一生育时期或某个生育阶段的光谱植被指数来直接估测产量精度较低。发现叶面积氮指数(叶片氮百分含量与叶面积指数的乘积)的变化趋势很好地反映了产量的形成过程,且与光谱植被指数极显著正相关,基于此建立了水稻的光谱植被指数-累积叶面积氮指数-产量估测模型(VICLANIYieldModel)。并将其与LAD-产量模型、多生育期复合估产模型进行了比较,表明本模型预测精度最高。     

利用IDL与VC++联合构建森林叶面积指数反演系统

以CHRIS多角度数据为数据源,采用IDL语言,运用控件和类技术实现系统框架,设计模型对象管理器组织模型对象,设计数据的各项处理技术,完成叶面积指数(LAI)物理模型的参数反演与经验模型反演技术,实现近真实森林三维场景的显示.结果表明,利用IDL处理多角度遥感数据是一种可行的技术方案,并实现森林叶面积指数信息自动化提取与浏览.     

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。     

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。     

利用双变量同化与PCA-Copula法的冬小麦单产估测

为了进一步提高冬小麦产量估测的精度,基于集合卡尔曼滤波算法和粒子滤波（particle filter, PF）算法,对CERES–Wheat模型模拟的冬小麦主要生育期条件植被温度指数（vegetation temperature condition index,VTCI）、叶面积指数（leaf area index, LAI）和中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer, MODIS）数据反演的VTCI、LAI进行同化,利用主成分分析与Copula函数结合的方法构建单变量和双变量的综合长势监测指标,建立冬小麦单产估测模型,并通过对比分析选择最优模型,对2017—2020年关中平原的冬小麦单产进行估测。结果表明,单点尺度的同化VTCI、同化LAI均能综合反映MODIS观测值和模型模拟值的变化特征,且PF算法具有更好的同化效果;区域尺度下利用PF算法得到的同化VTCI和LAI所构建的双变量估产模型精度最高,与未同化VTCI和LAI构建的估产模型精度相比,研究区各县（区）的冬小麦估测单产与实际单产的均方根误差降低了56.25 kg/hm²,平均相对误差降低了1.51%,表明该模型能有效提高产量估测的精度,应用该模型进行大范围的冬小麦产量估测具有较好的适用性。     

基于被动微波遥感技术的玉米冠层叶面积指数反演

基于玉米冠层结构参数实测数据和Matrix-Doubling(MD)模型构建了玉米出苗期至抽穗期的冠层多波段、双极化微波辐射特性模拟数据库;通过对模拟数据的回归分析得到了玉米冠层在各波段的微波发射率及其与透过率之间的经验关系,并将经验关系应用于0阶微波辐射传输模型;结合土壤发射率模型构建了玉米冠层覆盖地表的微波辐射亮温参数化计算模型,并基于该参数化模型、利用玉米样地微波亮温观测试验数据,采用迭代方法进行了玉米叶面积指数(LAI)的反演.研究表明,LAI反演值与实测值的相关系数r＞0.9,说明多波段被动微波遥感数据在植被冠层LAI反演方面具有较大的应用潜力.