黄河源区高寒草地植被覆盖度反演模型精度评价

植被覆盖度是许多气候、水文、生态等模型的重要输入参数,其估算精度的提高对相应模型的改进及模拟精度的提高具有重要的现实意义。本研究以黄河源为研究区域,基于大量与卫星遥感像元空间尺度匹配的实测植被覆盖度数据,评估了回归模型法、像元分解法、神经网络算法三种常用植被覆盖度遥感估算方法的反演精度。结果表明:回归模型法中基于归一化植被指数(NDVI)的反演精度高于其他植被指数;像元二分法中,变量因子(L)的加入不能显著提高反演精度;反向传播(BP)神经网络算法应用植被指数替换卫星遥感反射率数据作为驱动数据,反演精度显著提高。因此,通过比较和优化可以提高植被覆盖度的反演精度,但每类反演方法的最高反演精度差异不显著。     

岸基多星多参数北斗GEO反射信号海面风速反演

开展北斗GEO卫星B3I信号岸基近岸海域海面风速反演研究.在GNSS反射信号相干时间和归一化时延波形面积两个观测量的基础上,本文提出了主成分分析和线性无偏最小方差的多星多参数海面风速反演方法.为了验证北斗GEO卫星B3I信号反演海面风速以及所提方法的有效性,在山东东营青东五验潮站开展了外场试验.试验结果表明反射信号的相干时间能够提供比波形面积更好的反演性能;多星多参数的反演结果比单星单参数的更好;线性无偏最小方差能够提供精度为1.15 m/s的最佳反演结果.      

利用GNSS信号地表穿透特性反演土壤湿度的思考

利用全球导航卫星系统干涉信号（GNSS-interferometric reflectometry, GNSS-IR）进行土壤地表湿度反演具有无需信号源、探测区域宽广等特点，受到了国内外研究机构的广泛关注. 为解决传统GNSS穿透模型结构复杂的问题，根据几何构型给出了GNSS-IR计算天线相位中心与地表实际反射面垂直距离的方法，通过仿真不同土壤湿度下的高度测量偏差，建立了与GNSS信号理论穿透土壤深度的线性关系，以及与土壤湿度的反比例关系. 考虑到卫星高度角的变化对高度反演的影响，采用修正的测高模型，并利用Lomb-Scargle谱分析的方法计算了高度测量偏差. 为减少地表植被对反演天线相位中心距离地表实际反射面垂直距离的影响，利用归一化植被指数对高度测量偏差进行了修正，同时建立了GNSS信号高度测量偏差与土壤湿度的一阶反比例模型，最后对该模型进行了验证. 结果表明，对于长时间大尺度变化土壤湿度的场景，利用GNSS信号地表穿透特性进行土壤湿度反演有着很好的效果.      

GNSS-R海冰遥感的模拟和试验验证

介绍了利用全球导航卫星的反射信号(GNSS-R, Global Navigation Satellite System reflected signals )进行海冰遥感的技术原理,通过对辐射传输模型的分析,得到GNSS反射信号的功率与海冰厚度关系的模拟.分析了2013年天津渤海湾海冰实地观测试验数据,试验中利用一个垂直向上的右旋圆极化天线负责接收直射信号,同时另一个45°朝向海面的左旋圆极化天线接收反射信号,将观测得到的反射信号信噪比和GNSS卫星的镜像点轨迹相结合,得到冰面和水面的反射信号空间分布,相对于直射信号只与卫星发射信号强度和天线增益相关,反射信号则比较复杂,除了卫星发射信号和天线增益,还受到反射面的影响,分析结果表明GNSS反射信号用于海冰观测具有较高的敏感性,可用于海冰密度的反演.     

雅鲁藏布江流域NDVI时空分布及与降水量的关系

对雅鲁藏布江流域归一化差值植被指数(normalized difference vegetation index,NDVI)时空变化特征分析的同时,把流域站点降水量点数据插值成与流域NDVI相一致的空间Grid数据,并对流域NDVI与降水量的关系进行了分析.考虑到降水量插值误差的存在,分析了流域站点NDVI与降水量的关系.结果表明,流域与流域站点NDVI与降水量均具有较强的季节性与时间上的一致性.其线性相关系数与对数相关系数都在0.7以上.     

青海MODIS可降水量数据校正研究

为了获取高精度且空间连续的水汽数据,利用无线电探空数据对地基GNSS探测反演的PWV数据和MODIS PWV数据进行精度验证和相关性分析;应用地基GNSS PWV数据对MODIS PWV数据进行校正,分别建立基于线性回归和BP神经网络的MODIS PWV数据校正模型,并对校正后的MODIS PWV数据进行效果评价。结果表明:GNSS PWV数据与探空数据的平均偏差为1～2 mm,而MODIS PWV数据与探空数据相比平均偏差为1～6 mm,需进行校正。两种方法构建的模型对MODIS PWV数据校正后精度都有所提高,平均相对误差减少了0. 89 mm,精度提高了27%,BP神经网络方法的校正效果更好。     

星载卫星导航反射信号与土壤湿度的时空相关性分析

近年来使用GNSS(global navigation satellite system)反射信号反演土壤湿度已成为研究热点,使用星载反射计数据反演土壤湿度是一种有潜力的新兴技术。以TDS-1(technology demonstrate satellite-1)卫星接收的数据为例,首先推导出反射信号功率Pr与土壤湿度Mv间的理论关系,然后将SMAP(soil moisture active passive)卫星获得的Mv作为标准值,在空间上选择两条轨迹的Pr与Mv进行皮尔森相关处理,得到两条轨迹上的相关系数分别为0. 55和0. 60。之后对Pr和Mv分别进行相应的平滑预处理去除噪声,得到相关系数都增加为0. 71,即Pr与土壤湿度强相关。取春夏秋冬四个季节的数据,计算Pr与Mv的相关系数为0. 78,二者也表现为强相关。实验结果表明:星载(GNSS-reflections,GNSS-R)接收机得到的Pr与Mv有很强的相关性,具有估计土壤湿度的潜力。     

基于GF-1号卫星WFV数据反演玉米叶面积指数

叶面积指数(Leaf Area Index, LAI)是描述作物生长状况的重要生理生态参数之一.该文以河南封丘县玉米为研究对象,利用中国高分辨率对地观测系统的首发星——高分一号(GF-1)WFV数据,计算4种常用的植被指数,包括归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(simple ratio,SR)、土壤调节植被指数(soil-adjusted vegetation index,SAVI) 和修正的土壤调节植被指数(modified soil-adjusted vegetation index,MSAVI).结合地面同步实测的玉米LAI数据,建立各植被指数与实测LAI的统计回归模型.结果表明：研究区玉米LAI和4种植被指数之间均有较强的相关性,其中,MSAVI-LAI的指数模型相关系数达到了0.842 6,LAI反演精度最高.使用独立的野外观测数据对模型进行验证,平均相对误差为4.85%,均方根误差(root mean square error, RMSE)仅为0.183,表明该文建立的LAI经验统计模型具有较高的精度,利用GF-1 WFV 影像可以快速、准确地监测河南封丘玉米LAI,GF-1影像用于LAI等地表参量遥感定量反演具有巨大的潜力.2014年8月中旬,封丘大部分地区玉米LAI大于4,玉米长势较好.该研究结果可为利用经验统计模型反演河南玉米LAI提供参考.     

利用GPS反射信号监测植被生物量研究

针对传统植被生物量测量时空间分辨率较低等问题,研究了一种基于GPS卫星SNR信噪比植被生物量反演方法。将SNR数据进行多项式拟合得到直射分量并剔除,提取出SNR中的反射分量并分析振幅特征。根据植被与裸土情况下的振幅之比计算归一化振幅,与实测降雨量与有效反射区内的NDVI数据进行了对比,分析植被生物量变化趋势。结果表明：归一化振幅与实测数据具有较强的相关性,利用该方法监测植被生物量变化是可行的。该方法为高时空分辨率监测植被生物量提供了一种新的思路。     

基于Landsat8影像的鄱阳湖钉螺与环境遥感指标关系研究

鄱阳湖洲滩是典型的湖沼型钉螺孳生地,钉螺分布具有典型的区域性,并与孳生地环境要素密切相关,为探究鄱阳湖洲滩钉螺与环境因子的关系,基于2015年10月螺情数据,结合同期(2015年10月11日)Landsat8遥感影像反演的归一化植被指数(NDVI)、地表湿度(TCW)、地表温度(LST)与鄱阳湖湖底地形(DEM),应用相关性分析和曲线回归分析法研究鄱阳湖湖区螺情与4个遥感环境指标的关系。结果表明:活螺平均密度与NDVI呈正相关,相关系数为0.665(P=0.001,P0.01)与DEM呈负相关,相关系数为-0.62(P=0.004,P0.01);有螺框出现率与NDVI相关系数为0.742(P=0,P0.01)与DEM相关系数为-0.632(P=0.003,P0.01);螺情指标与LST和TCW呈弱相关,且无统计学意义;NDVI指数与螺情指标拟合的二次多项式曲线模型具有统计学意义(R2=0.622,P=0,(P0.001)),能够对湖区洲滩钉螺分布进行预测。     

采用地表反射率模型的Landsat时序数据集重构

选择福州市区东部面积近300 km²的区域作为研究区,基于地表反射率模型,对2013-2016年研究区内所有的有效像元进行拟合,重构时序数据集,并通过原始影像与实测光谱对拟合结果进行评价.研究结果表明:拟合结果与原始影像在蓝、绿、红、近红外波段的相关系数均高于0.9,可见光波段均方根误差在0.01左右,近红外波段略高于0.02;拟合结果能清晰地表达不同类型植被的物候差异,与原始影像、实测归一化植被指数(NDVI)均保持较高的一致性;基于重构的数据集,可以保证选择相同时相的数据进行年度植被变化监测,进一步提高植被动态变化监测的准确性和实效性.     

基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演

针对太湖叶绿素a浓度反演大多采用低中分辨率遥感数据,缺少基于高分辨率遥感数据研究的现状,采用高分六号卫星遥感影像,运用波段比值模型、归一化差异叶绿素指数（NDCI）模型和三波段模型定量反演了太湖蓝藻的叶绿素a质量浓度,并采用2018年10月28日、2019年4月6日和2019年6月3日的高分六号卫星遥感影像对3种模型的反演精度进行了验证。结果表明,采用NDCI模型的平均相对误差、均方根误差和平均绝对误差最小,NDCI模型具有更好的精度和稳定性,更适合高分六号卫星遥感影像在太湖叶绿素a质量浓度反演方面的应用。     

玛多地区基于植被指数对土壤水分的反演

采用Landsat5影像数据对青海省果洛州玛多地区植被指数和地表温度进行提取,通过地面同步测定土壤水分含量,分析三者之间的相关关系。结果发现:归一化植被指数(NDVI)与土壤水分在植被盖度较低时,二者之间存在较为明显的负相关关系r=-0.655;地表温度与土壤水分呈负相关关系r=-0.932,3种关系模型中线型模型拟合效果最好R2=0.769 0;引入变量植被温度指数TVI并对其与土壤水分做相关分析,结果发现土壤水分与TVI之间的相关系数r=-0.906,二者之间存在明显的负相关关系,3种关系模型中,幂指数模型的决定系数最高R2=0.855 0,TVI与土壤水分的拟合效果较温度与土壤水分的好,因此利用植被指数对区域土壤水分的反演是可行的。     

内蒙古羊草草原返青期遥感识别方法研究

研究羊草返青期遥感识别方法对于模拟及预测内蒙古草原植被物候变化具有重要意义.为了有效识别内蒙古羊草草原的返青期,本研究基于250m分辨率的MODIS归一化差值植被指数(NDVI)时序数据,首先分别采用双高斯函数、多项式、S-G滤波3种拟合方法对原始NDVI时序数据进行重建,然后进一步分别采用最大斜率阈值法、动态阈值法及滑动平均法对重建的最优NDVI数据进行返青期识别,并利用33个样本点的返青期地面观测数据对遥感监测结果进行了地面验证.结果表明,"基于S-G滤波拟合的滑动平均法"是内蒙古羊草草原返青期的最佳遥感识别方法,可以此为基础开展内蒙古草原主要植被返青期的时空变化规律研究.     

基于高分六号数据的东海县植被覆盖度分析

为了对中国连云港市东海县地区植被进行植被覆盖度的研究及分析,本文以高分六号(GF-6)卫星数据为原始数据源，在归一化植被指数(NDVI)和像元二分模型分析方法的传统研究基础上，进一步通过不同置信度法来获取像元二分模型数据中所对应的纯土壤像元(Ssoil)值和纯植被像元(Sveg)值，从而对植被覆盖度进行遥感估测分析。结果表明：（1）植被覆盖度的估测结果对置信度的取值非常敏感，在选取置信度时，应结合数据源的卫星特征、影像特征、地域特征等合理选择，置信度应控制在2%-10%之间；（2）高分六号卫星影像能较好的估测出植被覆盖度，东海县植被覆盖等级主要呈西高东低的空间状态，这也为后续高分六号卫星在林业应用方面提供价值参考。     

采用改进神经网络PID控制的车辆悬架振动仿真研究

为了研究车辆悬架振动模型,创建了车辆悬架平面简图,并根据牛顿定律推导出车辆悬架振动微分方程式。引用BP神经网络PID控制器,对传统粒子群算法进行改进,将改进粒子群算法用于优化BP神经网络PID可知结构。通过MATLAB软件中对车辆悬架位移、速度和加速度进行仿真验证;同时,与BP神经网络PID控制器仿真结果进行比较和分析。结果表明,车辆悬架采用BP神经网络PID控制器,悬架行程、轮胎位移和车身加速度均方根值较大,车辆整体振动幅度较大;而采用改进BP神经网络PID控制器,悬架行程、轮胎位移和车身加速度均方根值较小,车辆整体振动幅度较小。采用改进神经网络PID控制车辆悬架,能够抑制路面噪声激励对车辆振动幅度的影响,提高车辆行驶的安全性。     

基于无人机与机器学习的黄河源高寒草地植被覆盖度反演技术

针对高原高寒地区大面积草地植被覆盖度调查与实验过程中地面测量效率低下,遥感数据质量不佳、数量源受限与反演结果不确定等问题,在黄河源地区利用低空无人机(unmanned aerial vehicle, UAV)遥感技术、统计建模与机器学习方法,开展基于可见光影像的高寒草地植被覆盖度反演与验证。结果表明:基于可见光构建的过绿指数与植被覆盖度的相关系数达0.676,比归一化差异指数高出近5.2%,具有较高的可靠性;利用过绿指数建立的高寒草地植被覆盖度统计模型中,对数模型和Gamma模型精度较高,但具有显著的地域差异性;直接利用低空无人机遥感波段值建立的机器学习模型精度显著优于各个统计模型,获得的均方根误差、估算精度、相对偏差和决定系数比统计模型中表现最优的对数模型分别提高2.68%、3.75%、7.35%和13.91%,且无需计算植被指数,在成本、效率和精度等方面具有较大的优势。