扬花期冬小麦冠层叶绿素含量高光谱遥感反演

通过分析扬花期冬小麦冠层光谱反射率与叶绿素含量的相关性,选取491、577、698和780 nm作为特征波段,利用其构建了归一化植被指数、差值植被指数、比值植被指数、三角形植被指数和增强型植被指数,分析光谱指数与叶绿素含量之间的相关性,并基于PROSPECT模型模拟的不同叶绿素含量(5～80μg·cm~(-2))下的5 nm叶片光谱反射率数据,分析评价光谱指数对叶绿素含量变化的敏感性;再将五种光谱指数与叶绿素含量进行回归分析,构建叶绿素含量反演模型;最后利用验证数据对光谱指数反演模型进行真实性检验.结果表明,选取的五种光谱指数与叶绿素含量均具有显著相关性,其中SRI和EVI反演效果较好,决定系数R2分别为0.73和0.74,且预测值和实测值具有较好的拟合效果,其余指数反演效果较差.SRI对叶绿素含量具有较好的相关性和敏感性,表明其在全生育期冬小麦叶绿素含量反演中更具潜力.本研究可为其他农作物叶绿素含量反演提供研究思路和参考借鉴.     

基于高光谱遥感的植被生物量反演方法研究

高光谱遥感技术能够为反演植被生物量提供快速无损的数据采集与分析处理方法.基于高光谱遥感在植被生物量反演中的研究成果和进展,对其反演方法进行研究:阐述高光谱遥感反演植被生物量的原理;探讨高光谱遥感反演植被生物量的估算模型;分析比较不同估算模型的特点.结论表明,利用高光谱遥感分析植被的光谱特性进而估测植被生物量是一种精度较高且应用广泛的方法.     

应用高光谱植被指数反演冬小麦叶绿素的光谱指标敏感性研究

高光谱植被指数反演叶绿素含量的精度除与模型有关外,光谱指标中心波长、波段宽度、信噪比等的差异也会带来一定的影响。本研究基于实测光谱数据,结合波段模拟、噪音分析等方法,研究不同的光谱指标对植被指数反演叶绿素含量的影响,分析用于反演的光谱指标的敏感性,结果表明：(1)最佳中心波长的位置与适用于高低覆盖的植被指数类型有关,反演精度在一定范围内并不随着波段宽度的增加而提高;(2)不同植被指数抗噪声能力有一定的差异,其中DVI、NDVI和SAVI等抗噪能力比较强,MCARI和TCARI抗噪能力比较弱;(3)联合反演模型反演结果为R2=0.7415,RMSE=0.4026,优于MTCI的反演结果,通过模拟HJ1A-HSI,Hyperion等数据,研究出联合反演模型在不同高光谱传感器下有一定的适用性。     

高光谱数据湿地植被类型信息提取

以美国Sacramento-San Joaquin三角洲为研究区,利用高光谱和高空间分辨率遥感影像HyMap数据,在光谱特征分析和实测数据的基础上,构造特征指数,建立决策树分类模型对湿地植被进行分类。研究结果表明,湿地植被在近红外波段(0.75~1.3μm)上有明显的光谱特征差异,根据这些差异,可以构造合适的特征指数,实现湿地植被在物种水平上的识别。     

基于高光谱的法国梧桐和毛白杨叶片叶绿素含量反演模型研究

利用ASD便携式野外光谱仪和SPAD-502叶绿素计,实测了落叶阔叶树法国梧桐(Platanus orientalis L)和毛白杨(Populus tomentosa Carr)叶片的高光谱反射率与叶片绿度,并对原始光谱反射率及一阶导数光谱与叶片绿度进行了相关分析;采用导数光谱数据敏感波段建立了叶绿素含量估算模型,法国梧桐和毛白杨模型的确定性系数R2分别为0.7791和0.6858;采用相关系数较大的波段作为BP和RBF人工神经网络模型的输入变量,分别进行了叶绿素含量的估算,结果表明,BP和RBF神经网络模型预测效果均良好,在预测精度上,RBF略优于BP神经网络模型.     

应用高光谱植被指数反演冬小麦叶绿素含量的光谱指标敏感性研究

高光谱植被指数反演叶绿素含量的精度除与模型有关外,光谱指标中心波长、波段宽度、信噪比等的差异也会带来一定的影响。研究基于实测光谱数据,结合波段模拟、噪音分析等方法,研究不同的光谱指标对植被指数反演叶绿素含量的影响,分析用于反演的光谱指标的敏感性,结果表明:1最佳中心波长的位置与适用于高低覆盖的植被指数类型有关,反演精度在一定范围内并不随着波段宽度的增加而提高;2不同植被指数抗噪声能力有一定的差异,其中DVI(difference vegetation index),NDVI(normalized difference vegetation index)等抗噪能力比较强,MCARI(modified chlorophyll absorption ratio index)和TCARI(transformed chlorophyll absorption ratio index)抗噪能力比较弱;3联合反演模型反演结果为R~2=0.741 5,RMSE=0.402 6,优于MTCI(MERIS terrestrial chlorophyll index)的反演结果,通过模拟HJ1A-HSI,Hyperion等数据,研究出联合反演模型在不同高光谱传感器下有一定的适用性。     

基于数据挖掘和高光谱数据的湿地植被精细分类

以大丰市沿海滩涂湿地区域为研究区,以机载高光谱影像为主要数据源,冠层高度模型(canopy height model,CHM)数据为辅助数据,采用数据挖掘的方法对高光谱数据进行特征规则提取,实现了湿地植被的精细分类.结果表明:3种湿地植被分类结果的总体精度为90.3%,说明数据挖掘技术在处理高维数据时不仅可以提取重要程度较高的数据,而且可以减少数据量,提高数据处理效率与分类精度;与传统的支持向量机分类法(SVM)分类结果进行对比,基于数据挖掘的湿地植被精细分类总体精度比SVM分类方法高10.8%,表明数据挖掘方法在湿地植被高光谱遥感分类问题上具有较大优势.     

大豆叶片水平叶绿素含量的高光谱反射率反演模型研究

利用便携式光谱仪和分光光度计法分别测得大豆生长期内叶片的高光谱数据及相应的叶绿素质量分数w,利用多元统计分析和红边参数反演提取与叶片水平的w(叶绿素)相关性较高的敏感波段和光谱形式,及特征光谱位置,并以此为基础推演得到一个基于神经网络算法的叶绿素含量反演模型,结合了3种方法的优点,具有较高的反演精度.     

由冠层孔隙度反演植被叶面积指数的算法比较

植被的叶面积指数（LAI）是植被最重要的生态参数之一,也是估算多种植被冠层功能过程的关键参数迄今已提出的LAI的获取方法可归纳为直接测定和间接估算两大类．本文以河北省黄骅市为研究区,从遥感光学模型建立机理及数量分析的角度,对由植被冠层孔隙度反演植被LAI的4种间接估算方法进行了试验和比较．研究结果表明,LAI与植被盖度之间呈明显的正相关关系,即随着LAI的增大,植被盖度也在增大．在这4种估算方法中,LAI-2000算法最适用于研究区植被LAI的估算．     

基于PHI高光谱影像的植被光谱特征应用研究

探讨了植被冠层的光谱反射特征和诊断性光谱吸收特征。从连续统去除的光谱吸收特征中获得了波段深度、连续统去除后微分反射比、波段深度比和归一化波段深度指数等光谱特征变量。应用染有病害的多时相小麦PHI（Pushbroom hyperspectral imager）航空高光谱影像数据，分析了小麦病害对小麦光谱的影响及其光谱特征；运用微分光谱特征分析了监测小麦病害的可能性。     

基于高光谱分形分析的烟草冠层生长状况监测

植被高光谱反射曲线包含着植被生长状况的众多信息。本文通过使用野外光谱仪进行野外测量,得到烟草冠层不同生育期以及不同健康状况的反射光谱曲线。并在分析光谱特征参数如红边位置、红边面积、绿峰反射高度的基础上,利用分形理论对反射光谱曲线进行分形测量并用分形维数定量反映其健康状况。结果表明：（1）分形维数随着烟草的生长发育呈现先升高后降低的趋势,这与3个光谱参数的变化基本吻合;（2）分形维数与红边位置、红边面积、绿峰反射高度均成正相关关系,其相关系数分别为0.77、0.91和0.88;（3）病害烟草冠层光谱曲线的分形维数明显小于健康烟草冠层。因此,分形维数能够作为一个新的综合参数来客观反映烟草冠层所处的健康状况,为烟草生长状况监测提供科学依据。     

武汉东湖叶绿素a和悬浮物浓度的高光谱遥感反演模型研究

本文以武汉东湖为实验区,以主要水质遥感监测指标叶绿素a和悬浮物为主要研究对象,利用水体光谱数据和同步观测的水质参数浓度数据,研究了东湖叶绿素a和悬浮物定量遥感反演特征波段与波段组合,在此基础上构建了经验模型。     

天山北坡野苹果混生植被花期冠层光谱特征研究

研究野苹果花期冠层反射率光谱特征,为提取野苹果的分布提供依据,以西天山国家级自然保护区为研究区,利用Field Spec3便携式地物波谱仪,对小檗、野苹果、野山楂、野杏的花期进行地面冠层光谱数据采集及分析.通过移动平均法对光谱数据进行平滑降噪,分析4种植物反射率特征;对可见光波段内进行差值分析和一阶导,得出4种植物可见光范围内的特征波段;最后对660~760 nm反射率做一阶导,探究4种植物的红边参数特征.结果表明:野杏先着花后展叶,因此花期冠层反射率光谱无明显绿峰;不同树种反射率光谱在可见光波段差异明显;4种植物的红边位置野杏野山楂小檗野苹果.植物花期光谱特征明显,有利于对植物信息进行遥感提取.     

基于高光谱指数的林农复合系统小麦冠层氮含量估算研究

以杨树-小麦间作系统为研究对象,采用Field Spec Pro FR2500地物光谱仪采集的小麦叶层光谱180份,选取基于单作麦田冠层氮含量估测模型中精度较高的9个指数用于估测林农复合系统中小麦冠层氮的含量,探讨不同水平枯落物覆盖量、林分密度、施肥量条件下小麦叶层氮含量的光谱特征。随机选取116份样本作为训练集基以9个指数分别建立估测模型,其余48份样本作为预测集对估测模型进行适应性检验。结果表明:FDNDNI、SDr-SDb两种指数的P-R2与C-R2达到了0.839、0.777与0.844、0.758,此系统预测杨麦间作系统中小麦叶片冠层的氮含量的精度较高,其余7个指数预测精度不理想。以9个指数所建立的估测模型的精度均低于其对单作麦田氮含量的估测精度。     

红边光谱谐波分析的神经网络法叶绿素含量反演研究

叶绿素含量测定对于了解作物生长状况具有重要意义。为实时、快速、准确获取叶绿素含量,研究了玉米叶片叶绿素含量的BP神经网络(BPNN)法高光谱反演模型;而BPNN输入因子的选择是建立反演模型的关键。已有研究证明作物红边光谱与叶绿素含量有较强的相关性,为避免红边参数提取的不确定性,提高建模精度与效率,运用红边光谱的频率域谐波分析(HA)技术获得谐波余项、振幅和相位等能量谱特征分量(ESCC);并选择具有强相关性的10个ESCC进行主成分分析后,取前4位主分量作为BPNN的输入因子,进而进一步强化其相关性来构建叶绿素含量反演模型。同时,分别用遗传算法(GA)和小波基(wavelet-based)函数优化BPNN结构,建立GA-BPNN、WNN反演模型。实验通过比较BPNN、GA-BPNN、WNN模型和常规的多元线性回归(MLR)模型的玉米叶片叶绿素含量反演结果,得出非线性的BPNN模型要明显优于线性的MLR模型;而在神经网络模型中,GA-BPNN优化模型的反演精度最高。     

结合地形测绘数据的机载LiDAR草原植被冠层高度反演方法研究

草地冠层高度(grassland canopy height)是草地群落垂直结构组成、植被生长演变定量评估的核心指标之一,属于草地生态安全监测的关键参数.常规光学遥感获取地表植被覆盖存在群落三维结构信息缺失的问题,考虑到天然草地植被自然生长过程存在空间离散随机分布特征,发展了一种结合地形测绘数据的无人机激光雷达(air...     

植被高光谱遥感分类方法研究

结合具体的OMISI高光谱遥感数据,对各种常用植被高光谱遥感分类方法进行分类训练,通过比较分类性能,得到各种方法在植被高光谱分类中的若干应用规律和分类过程中选择最优分类方法的一些技巧。在此基础上,提出将传统分类方法与基于光谱特征匹配的分类方法相结合对高光谱图像进行分类的方法。     

冬小麦典型多参量冠层高光谱反演的光谱指标敏感性研究

高光谱遥感反演作物参量多集中在单一参量研究上,缺乏多参量综合反演研究。因此,面向多参量反演,需要对传感器参数的有效设置,以及同一指标对不同参量的适宜程度进行综合研究。以冬小麦为例,通过实测冠层光谱反射率和LAI、叶绿素、氮素含量数据,分析了中心波长、波段宽度、信噪比等指标的变化对各参量定量模型的影响,及光谱指标对LAI、叶绿素和氮素定量模型反演的敏感性和有效性,以及对冬小麦典型参量高光谱遥感反演的光谱指标进行了综合性分析。结果表明:反演冬小麦LAI的最佳植被指数为DVI(R~2=0.457,RMSE=0.614%),对应的最佳指标为:中心波长为768 nm和732 nm,波段宽度在5 nm以内,信噪比大于70 d B;反演冬小麦叶绿素的最佳植被指数为MSR(R2=0.554,RMSE=0.548%),对应的最佳指标为:中心波长为768 nm和736 nm,波段宽度在5 nm以内,信噪比大于70 d B;反演冬小麦氮素的最佳植被指数为NDVI_(g_b)(R~2=0.733,RMSE=0.600%),对应的最佳指标为:中心波长为500 nm和454 nm,波段宽度为5 nm以内,信噪比大于70d B。植被指数SAVI在一定波段范围内可同时反演LAI、叶绿素和氮素;MSAVI、DVI、RDVI和NDVI均可在一定波段范围内同时反演LAI和叶绿素含量,而反演LAI和氮素含量的适宜波段以及反演叶绿素和氮素的适宜波段存在差异。利用高光谱植被指数可实现作物参量的有效反演,且作物参量的定量反演对不同的光谱指标,即中心波长、波段宽度和信噪比具有较强的敏感性。     

基于Hyperion高光谱遥感影像的植被覆盖度提取研究

基于Hyperion高光谱影像,对提取植被覆盖度的传统像元二分法进行了改进,提出通过地物分类来提高植被覆盖度提取精度的算法.该算法先对研究区进行分类,在较高分类精度的基础上,结合不同地物的NDVI频率累积图和实际情况得到各类地物的植被覆盖度,最后得到研究区域的整体植被覆盖度.结果表明,经支持向量机分类的总体精度为83.2%,Kappa系数为0.710;相同NDVI值,林地的植被覆盖度农田的植被覆盖度草地的植被覆盖度,实验结果与实际基本相符;改进的像元二分算法改善了传统像元二分法中存在的水体、裸地非植被覆盖区得到非0的植被覆盖度和高植被覆盖地区检测灵敏度下降等问题,丰富了传统像元二分法的细节信息,得到更符合实际的植被覆盖度.     

基于支持向量机的土壤有机质高光谱反演

为寻找一种土壤有机质快速检测技术,探究了土壤有机质含量对光谱反射率曲线的影响,分析了土壤有机质与光谱曲线间的相关性关系,采用多元逐步回归和支持向量机建立土壤有机质含量高光谱预测模型。研究结果表明:研究区土壤有机质含量对光谱曲线影响较小;光谱平滑和变换技术可以有效提高光谱特征波段与土壤有机质的相关性关系,二阶微分变换的效果最好,相关系数为-0.83;通过决定系数和均方根误差对不同模型的预测效果进行评价,其中基于二阶微分的支持向量机模型的反演效果最优R~2=0.89,RMSE为1.73。研究结果揭示了研究区土壤有机质与光谱反射率间的相关性关系,可以为实现土壤有机质快速检测和实时动态监测提供技术支持和参考。