基于数据同化的哈佛森林地区水、碳通量模拟

模型模拟和站点观测是陆地生态系统水、碳循环研究最主要的两种手段,但各有优势和不足,若二者相互结合,则能更准确地反映生态系统水、碳通量的动态变化.数据同化为模型与观测结合提供了一条有效的途径.本文采用哈佛森林环境监测站相关数据,利用集合卡曼滤波同化算法,将实测叶面积指数(LAI)和遥感LAI同化进入Biome BGC模型中,对该地区水、碳通量进行模拟.结果表明：与未同化模拟相比,将1998、1999和2006年实测LAI数据同化后,模型模拟碳通量(NEE)与通量观测NEE的决定系数(R²)平均提升8.4%;蒸散发(ET)的R²平均提升10.6%;NEE的绝对误差和(SAE)和均方根误差(RMSE)平均下降17.7%和21.2%,ET的SAE和RMSE平均下降26.8%和28.3%.将2000-2004年MODIS LAI 产品与模型同化后,NEE、ET模拟值与观测值间的R²分别提升7.8%和4.7%;NEE的SAE和 RMSE分别下降21.9%和26.3%,ET的SAE和 RMSE分别下降24.5%和25.5%.无论实测LAI还是遥感观测LAI,同化进入模型都能不同程度地提高水碳通量的模拟精度.     

基于无人机高清数码影像和高光谱遥感数据反演大豆典型生育期氮平衡指数

氮平衡指数(NBI)是反映作物长势的重要指标之一.通过测量NBI可以快速监测作物氮肥盈亏状况,为农业生产和管理提供精准信息.本文以无人机高清数码影像和高光谱遥感数据,以及地面实测大豆NBI数据为基础,分析大豆从开花期到成熟期,原始光谱和红外、近红外波段的导数光谱与NBI的相关性,筛选敏感波段并计算植被指数.采用经验模型法构建NBI反演模型,通过分析验证模型的决定系数(R^2)和均方根误差(RMSE),得出最佳反演模型.结果表明:大豆NBI与导数光谱反射率的相关性好于与原始光谱反射率的相关性;本文筛选的14个植被指数中,除了导数光谱光化学植被指数与大豆NBI呈不显著相关外,其余13个植被指数与大豆NBI呈极显著相关;利用13个植被指数构建NBI反演模型,并分析模型反演精度,结果显示,利用导数光谱差值植被指数构建NBI反演模型的精度最高,R^2和RMSE分别为0.771和3.077,利用该模型生成大豆典型生育期NBI分布图,能够反映大豆的长势状况.通过多载荷无人机获取的高清数码影像和高光谱遥感数据进行NBI估算,能够实时、动态、非破坏性、快速有效地监测大豆氮素营养状况,可为大豆氮肥精确管理提供简便实用的方法.     

基于小波分析的大豆叶面积高光谱反演

实测了不同水肥耦合、经营制度及有效营养面积条件下的大豆(Glycinemax)冠层高光谱反射率与叶面积指数(LAI),并对光谱反射率、微分光谱与LAI的关系进行了分析;采用比值植被指数(RVI)与归一化植被指数(NDVI)建立了大豆LAI反演模型;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对大豆LAI进行估算。结果表明:大豆LAI与光谱反射率在可见光波段呈负相关;在近红外波段呈正相关;微分光谱在红边处与大豆LAI密切相关(R2=0.92);RVI与NDVI可以提高大豆LAI的估算精度(R2分别达0.79、0.84);各植被指数各有优缺点,应根据需要进行选择;小波能量系数回归模型可以进一步提高大豆叶面积的估算水平,以一个特定小波能量系数作为自变量的回归模型,大豆LAI回归确定系数R2高达0.884;以4个和6个小波能量系数建立LAI回归分析模型(R2分别达0.92、0.93),2个模型LAI预测值与大豆LAI实测值线性回归确定性系数R2分别为0.90、0.92。比较可知,小波分析可以对高光谱进行特征变量提取,进而反演大豆生理参数,并且反演的LAI精度较光谱反射率、微分光谱及植被指数都有明显提高,小波分析在植被生理参数的高光谱提取方面有着广阔的应用前景。     

基于MODIS时间序列反射率数据的雷竹林LAI反演

本文以雷竹林为研究对象,基于MODIS地表反射率数据构建了归一化植被指数(NDVI)、比值植被指数(SR)、Gitelson绿色植被指数(GI)、增强型植被指数(EVI)和土壤调整植被指数(SAVI)5种植被指数,并将其与MODIS 7个波段原始反射率数据作为遥感变量,采用逐步回归和相关分析两种方法进行变量筛选,结合LAI实测数据构建了逐步回归和BP神经网络两种模型,对雷竹林生态系统观测站点2014年1月-2017年3月LAI时间系列数据进行反演,并将反演结果与同时期MOD15A2 LAI产品进行对比分析.结果表明: SR为唯一入选逐步回归模型的变量;b₁、b₂、b₃和b₇以及5种植被指数与LAI之间的相关性均达到显著水平,可作为BP神经网络模型的输入变量.使用BP神经网络反演得到的LAI与实测LAI之间的相关性显著,R²为0.71,RMSE为0.34,RMSE_r为13.6%,其R²比逐步回归模型提高了10.9%,RMSE降低了5.6%,RMSE_r降低了12.3%,与MODIS LAI相比,其R²提高了54.5%,RMSE降低了79.3%,RMSE_r降低了79.1%.结合MODIS时间序列反射率和BP神经网络模型能够精确地反演雷竹林LAI,为实现基于遥感技术快速监测区域雷竹林LAI提供可行的方法.     

平稳小波变换在冬小麦SPAD高光谱监测中的应用

在2010与2011年度冬小麦生长季通过大田小区试验,利用ASD便携式野外光谱仪和SPAD 502叶绿素计实测冬小麦冠层的高光谱反射率与SPAD值.分析不同SPAD值下的冬小麦冠层光谱特征,建立了基于归一化植被指数（NDVI）与比值植被指数（RVI）、小波能量系数的不同生育期冬小麦SPAD估算模型.结果表明： 随着SPAD值的增大,“绿峰”与“红谷”特征愈加明显.在冬小麦返青期、拔节期、抽穗期、灌浆期NDVI估算SPAD的效果较好,估算模型的R²分别为0.7957、0.8096、0.7557、0.5033.小波能量系数回归模型可以提高冬小麦SPAD的估算精度,在返青期、拔节期、抽穗期、灌浆期以高频、低频小波能量系数为自变量的冬小麦SPAD估算模型的R²分别达到0.9168、0.9154、0.8802、0.9087.     

高光谱与拟合多光谱植被指数反演武夷山亚高山草甸LAI的对比研究

植被叶面积指数(Leaf Area Index, LAI)是重要的生态学参数, 被广泛用于指示植被密度、生物量、碳、氮物质循环以及气候变化对生态系统的影响, 也作为生态过程模型的重要输入参数。地面实测高光谱遥感数据能以更高的空间分辨率及更高的光谱分辨率监测植物的光谱特征, 为精准反演LAI提供了基础。本项研究以武夷山国家公园黄岗山顶的亚高山草甸为研究对象, 通过建立多种高光谱植被指数和拟合多光谱植被指数反演叶面积指数的统计模型, 并比较高光谱与多光谱对叶面积指数反演的效果, 阐明用于反演高覆盖率亚高山草甸的最适高光谱和拟合多光谱植被指数。结果表明: 高光谱新植被指数(NVI)对于反演LAI有最好的效果, R2 = 0.85, P < 0.01; 依据高光谱NVI拟合而成的多光谱NVI反演结果次之, R2 = 0.82, P < 0.01。几种常用比值植被指数NDVI、MSR、RVI和GNDVI在高光谱和拟合多光谱反演结果中相差不大, 表现较好, R2都在0.65以上。通过对比高光谱和拟合Sentinel-2A和Landsat-8两种多光谱卫星波段的反演结果发现, 光谱响应函数中具有更窄波段范围的近红外、红、绿、蓝波段构成的植被指数可以得到更好的反演结果, 而固定波段的高光谱植被指数未必在每种植被指数中都具有最好的反演效果。同时, 发现当某种植被指数反演LAI的线性回归方程的斜率越大, 说明这种植被指数越有可能随LAI的增大而出现饱和现象, 相反的, 斜率越小则说明该种植被指数没有出现饱和现象。此外, 在研究区内使用高光谱和拟合多光谱波段植被指数法反演LAI, NDVI都获得了较好的效果, 存在很好的线性关系, 之前的很多研究和判断都认为NDVI不适用于反演高覆盖植被的LAI, 这个发现是具有意义的, 表明高覆盖植被的叶面积指数在一定范围内是能够被NDVI(应用最广泛的植被指数)较好的反演, 进一步扩展了NDVI反演LAI的适用性和可能性。     

华南地区亚热带树木叶面积指数的高光谱反演研究

为构建树种叶面积指数的估算模型,以NDVI、RVI、FREP、CIGreen、CIRed-edge、MSAVI2为高光谱特征变量,通过统计分析,确定反演树种叶面积指数的最佳光谱特征变量,构建华南农业大学校园内50种亚热带树木的叶片反射率和叶面积指数(LAI)模型。结果表明,6种高光谱特征变量与树种叶面积指数间都具有极显著相关性,其中红边位置反射率(FREP)和比值植被指数(RVI)与LAI的拟合方程的R2都大于0.8,决定系数分别为0.820和0.811。经过精度验证,FREP估算的均方根误差(RMSE)只有0.13,该回归模型为估测亚热带典型树种的叶片LAI最佳模型。从高光谱遥感的角度结合亚热带植被的群落结构特点来看,建立的红边位置光谱反射率与叶面积指数的回归模型普遍具有较高的拟合度,所以利用高光谱特征变量反演亚热带树木叶片的叶面积指数等植被参数的应用前景较好。     

基于影像纹理特征的川西南山地常绿阔叶林有效叶面积指数的空间分析

遥感是获取叶面积指数（LAI）信息的最有吸引力的选择之一,但目前基于遥感数据的叶面积指数估测精度有限.本文以川西南山地常绿阔叶林为研究对象,基于地面调查的83个20 m×20 m样地和SPOT5数据,运用灰度共生矩阵法提取影像单波段、简单波段比图和主成分图的纹理信息,以不同图像处理方式的纹理参数作为辅助变量进行地统计分析估算有效LAI（LAIe）.结果表明： LAIe与不同方式处理图像的纹理参数存在不同程度的相关性,其中,与B₁波段、B₁/B₄和PC₁的均质性呈极显著相关关系.与以归一化植被指数（NDVI）为辅助变量相比,以纹理参数B₁波段、B₁/B₄和PC₁的均质性作为辅助变量估测LAIe的精度均有所提高,分别提高5.3%、11.0%、14.5%,还能在一定程度上降低统计误差.以NDVI、PC₁均质性作为辅助变量的LAIe空间地统计估测模型最优（R²＝0.840,RMSE=0.212）.本研究结果为合理地选择除植被指数外的其他辅助变量估测区域LAI的空间分布提供了一种新的思路和方法.     

俄罗斯大果沙棘人工林生物量遥感评估与分析

以2011年的Landsat TM为主要遥感数据,借助于RS和GIS技术完成对俄罗斯大果沙棘人工林生物量进行估侧。结果表明：植被指数和生物量的一元线性回归分析模型中,比值植被指数（RVI）和归一化植被指数（NDVI）与俄罗斯大果沙棘具有较高的相关性,相关系数（R²）分别为0.908 6和0.868 5;基于植被指数和生物量的多元线性回归分析模型中,相关系数（R²）为0.909,经过模型检验,多元回归遥感植被指数模型的精度要高于一元遥感植被指数的精度,但是基于遥感指数模型预测生物量值比理论生物量值偏高。     

上海市近地面CO2浓度及其与下垫面特征的定量关系

城市化所带来的土地利用变化和化石燃料燃烧对全球碳循环和气候变化产生了深远影响.明确城市区域CO₂浓度的空间变化特征,对于认识和控制温室气体排放、减少人类活动对全球气候变化的影响具有重要意义.本研究以高强度人类扰动和快速城市化背景下的上海市为研究对象,于2014年春季利用近红外气体分析仪Li 840A开展近地面CO2浓度样带监测,结合遥感数据获取的城市下垫面特征信息,在明确上海市近地面CO₂浓度空间分布格局的基础上,进一步定量分析其对城市下垫面特征的响应机制.结果表明： 上海市近地面CO₂浓度为(443.4±22.0) μmol·mol^-1,城市中心CO₂浓度比郊区平均高12.5%(52.5 μmol·mol^-1).近地面CO₂浓度空间异质性显著,呈现西北高、西南次之、东南低的趋势,总体表现为随着下垫面城市化水平的降低而降低. 城市下垫面植被覆盖率(C_Veg)是城市近地面CO₂浓度的重要指示因子,两者呈现负相关;不透水层覆盖率(C_ISA)次之,两者呈正相关.CO₂浓度（C_CO2）与C_ISA及C_Veg的相关性(R²)在缓冲距离为5 km时同时达到峰值,三者之间的定量关系可通过建立逐步回归方程表征：C_CO2=0.32C_ISA-0.89C_Veg+445.13 (R²=0.66, P<0.01).
     

基于挺水植物高光谱信息的再生水总氮含量估测——以北京市门城湖湿地公园为例

高光谱信息是探测植物体内氮素含量状况的重要手段,而植物体中的氮素与水体含氮量息息相关.本研究区为以再生水为主要补给水水源的北京门城湖湿地公园,通过获取区内典型的再生水氮净化挺水植物芦苇和香蒲叶片的高光谱数据,并在室内测定对应样点的水体总氮含量指标, 探讨基于典型湿地挺水植物高光谱数据对水体总氮进行遥感探测的可行性.采用4种高光谱参数(光谱指数、归一化差值指数、“三边”参数及吸收特征参数)分别建立一元线性模型、逐步多元回归模型和偏最小二乘模型,根据决定系数(R²)和均方根误差(RMSE)进行模型精度检验.结果表明: 逐步多元回归和偏最小二乘模型的预测精度高于一元线性模型. 3种模型对芦苇的拟合效果均优于香蒲.偏最小二乘模型对芦苇的拟合效果最优(R²=0.854,RMSE=0.647).500～700 nm是反映水氮含量的最佳波段范围,绿峰与红谷反射率的比值与水体总氮含量具有较强的相关性,尤其是吸收特征参数能够较好地预测水体总氮含量.     

林地叶面积指数遥感估算方法适用分析

叶面积指数是与森林冠层能量和CO2交换密切相关的一个重要植被结构参数,为了探讨估算林地叶面积指数LAI的遥感适用方法和提高精度的途径,利用TRAC仪器测定北京城区森林样地的LAI,从Landsat TM遥感图像计算NDVI、SR、RSR、SAVI植被指数,分别建立估算LAI的单植被指数统计模型、多植被指数组合的改进BP神经网络,获取最有效描述LAI与植被指数非线性关系的方法并应用到TM图像估算北京城区LAI。结果表明,单植被指数非线性统计模型估算LAI的精度高于线性统计模型;多植被指数组合神经网络中,以NDVI、RSR、SAVI组合估算LAI的精度最高,估算值与观测值线性回归方程的R2最高,为0.827,而RMSE最低,为0.189,神经网络解决了多植被指数组合统计模型非线性回归方程的系数较多、较难确定的问题,可较为有效的应用于遥感图像林地LAI的估算。     

烟草叶面积指数的高光谱估算模型

叶面积指数(1eaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义。为了探索不同高光谱模型监测烟草叶面积指数LAI的精度,在烟草伸根期,旺长期和成熟期采用ASD Fieldspec HH光谱仪测定了不同水氮条件下烟草冠层的高光谱反射率和叶面积指数数据。选用四个常用的植被指数RVI (ratio vegetation index)、NDVI (normalized difference vegetation index)、MTVI2（Modified second triangular vegetation index）、MSAVI（Modified Soil-adjusted vegetation index）和PCA (principal component analysis)、neural network (NN)三种方法对烟草LAI进行了估算,比较分析了三种方法的估算结果。研究结果表明,植被指数法,主成分分析,神经网络方法LAI都取得了较为理想的结果,其中植被指数法可以较为精确反演烟草LAI,验证模型确定性系数在0.76～0.85之间,主成分分析方法和神经网络方法精度较高,分别为0.938和0.889。主成分分析方法验证模型的稳定性更好,其验证模型的RMSE为0.172,低于四个植被指数和神经网络。MTVI2和MSAVI能较好地去除土壤、大气等条件影响,反演精度高于RVI和NDVI。与基于植被指数建立的模型相比,主成分分析和神经网络可以更好的提高LAI的反演精度。     

不同耕作方式对复播大豆光合特性、干物质生产及经济效益的影响

013-2014年设置复播大豆田间试验,调查滴灌条件下麦后不同耕作方式复播大豆的生理指标及主要农艺性状,以探究适合北疆滴灌条件下麦后复播大豆的高产耕作方式.结果表明： 麦后实施不同土壤耕作方式复播大豆,在测定期间的群体叶面积指数(LAI)、叶绿素含量(SPAD)、叶片净光合速率(P_n)、蒸腾速率(T_r)和气孔导度(g_s)均表现出翻耕覆膜(TP)>
翻耕(T)>旋耕(RT)>免耕(NT),而胞间CO₂浓度(C_i)呈现相反的结果.其中, TP处理两年LAI、SPAD、P_n、T_r、g_s的均值分别比NT处理高55.0%、9.1%、41.8%、37.5%和56.4%,而C_i下降22.1%,且均达显著差异水平,说明TP处理增强了大豆的光合效率,提高叶片同化CO₂的能力,这是其较NT处理大豆增产的主要光合生理机制.TP处理显著提高了植株干物质积累量,其单株荚数、单株粒数、百粒重分别较NT处理提高50.3%、48.1%、11.8%,增产达20.8%,差异显著.因此,本试验条件下,北疆麦后复播大豆宜采用翻耕后地膜覆盖结合膜下滴灌技术的耕作方式.     

基于PROSAIL模型的水稻田缨帽三角-叶面积指数模型及其应用

缨帽三角(tasseled cap triangle,TCT)-叶面积指数(leaf area index,LAI)等值线模型是一种反映植被叶面积指数等值线在红光(Red)-近红外(NIR)波段反射率组成的光谱空间中分布规律的模型,在此基础上建立LAI遥感反演模型比常用的统计关系模型更加精确.本文利用水稻田实测数据,验证了PROSAIL模型对水稻冠层反射率模拟的适用性,并对模型的输入参数进行率定,最终确定了PROSAIL模型模拟水稻冠层反射率的输入参数的取值范围.在此基础上构建了水稻田TCT-LAI等值线模型,建立了LAI遥感反演所需的查找表,将其分别用于Landsat 8和WorldView 3数据进行水稻田LAI反演.结果表明: 利用基于TCT-LAI等值线模型建立查找表反演的LAI与实测LAI具有良好的线性相关关系,R²=0.76,RMSE=0.47;与Landsat 8的LAI反演结果相比,WorldView 3反演的LAI值域范围更大,数据分布更离散.将Landsat 8、WorldView 3反射率数据重采样至1 km后进行LAI反演, MODIS LAI 产品的反演结果存在明显低估现象.