农作物遥感估产最佳时相的选择研究——以中国主要粮食作物为例

最佳时相遥感图象的选择是农作物遥感估产的关键环节之一,它必须兼顾作物识别和单产模拟对遥感时相选择的要求,综合考虑多方面的影响因素,根据农作物遥感估产中各项工作的具体要求,以提高遥感图象中目标作物信息及其与作物单产关系的显著程度为主要目的,分析了农作物遥感估产最佳时间的选择依据,认为它主要包括作物光谱的种间差异、作物物候的种间差异、太阳高度角的变化,作物产量形成的关键期、作物面积泽收获面积的代表性以     

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。     

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。     

复杂地形草地植被碳储量遥感估算研究进展

草地生态系统是我国最大的陆地生态系统，其植被碳储量的准确评估对维护国家生态安全和指导畜牧发展有重要作用。植被生物量和草地面积是草地植被碳储量估算的关键，随着遥感技术的发展，两者估算精度和效率显著提高，先后发展出多种草地生物量遥感估算模型和土地覆被产品，并已在平坦地区取的较好估算结果。然而，复杂地形区迥异于平地的几何形态和水热分布所产生的不均一的生态系统结构和功能，给草地生物量和草地面积的遥感估算带来诸多困难，影响对草地植被碳储量的准确判定。本文在回顾国内外草地植被碳储量遥感估算方法与所需关键参数的基础上，对遥感估算复杂地形草地植被碳储量过程中所面临“遥感影像地形效应的去除和尺度选择”、“植被指数与地形指标的选取”、“过程模型植被生长参数的率定”、“草地面积估算”以及“气象数据与复杂地形上微气候的匹配”等问题进行了总结并提出相应的解决思路，以期为草地植被碳储量遥感估算模型的合理构建以及估算精度的提高提供参考。     

叶冠尺度野鸭湖湿地植物群落含水量的高光谱估算模型

利用高光谱遥感技术定量估测野鸭湖湿地植被含水量,对于监测和诊断野鸭湖湿地植被的生理状况及生长趋势具有重要意义,也能够为高光谱遥感影像在野鸭湖湿地植被含水量诊断中的实际应用提供理论依据和技术支持.采用Field Spec 3野外高光谱辐射仪,获取了野鸭湖典型湿地植被冠层和叶片的光谱,并测定了对应的含水量.以上述实测数据为基础,首先以芦苇为例初步探明了不同含水量水平下典型湿地植被冠层和叶片光谱反射率的响应模式,然后采用相关性及单变量线性与非线性拟合分析技术,从冠层和叶片两种层次,对不同尺度下的含水量与“三边”参数及高光谱植被指数进行了分析拟合,并采用交叉检验中的3K-CV方法对估算模型进行了测试和检验,确立了不同尺度下野鸭湖湿地植被含水量的定量监测模型.结果表明:(1)随着含水量水平的增加,芦苇冠层与叶片光谱在可见光波段(350-760 nm)和红外波段(760-2500 nm)的反射率均呈逐渐降低趋势.(2)不同尺度含水量与选取的光谱特征参数整体上相关性较强,与“三边”参数基本上都呈极显著相关,相关系数最大达到0.906;与高光谱指数全部呈极显著相关,相关系数最小为0.455,最大达到0.919,并通过选取不同尺度上相关性最佳的光谱特征参数,分别基于“三边”参数和高光谱植被指数构建了不同尺度下的含水量估算模型.其中,冠层尺度下,黄边面积(SDy)与SRWI( Simple Ratio Water Index)的估算效果最好,估算模型分别为y=-9.462x2 -2.671x+0.608和y=0.219e1.010x;叶片尺度下,红边面积(SDr)与WI( Water Index)的估算效果最好,估算模型分别为y=0.562x+0.376和y=2.028x2 -0.476x-1.009.通过3K-CV的交叉验证,不同尺度下的含水量估算模型均取得了较为理想的预测精度,预测精度的最小值为94.92％,最大值为97.06％,表明估测模型具有较高的可靠性与普适性.(3)高光谱植被指数与含水量拟合方程的拟合度相对高于“三边”参数与之建立方程的拟合度,说明多波段组合的光谱特征参数更适合含水量的判别.     

天然草地植被覆盖度的高光谱遥感估算模型

利用ASD FieldSpec Pro FR^TM光谱仪,对内蒙古自治区锡林郭勒盟的天然草地进行高光谱遥感地面观测,并计算天然草地植被覆盖度;选择25个高光谱特征变量与天然草地植被覆盖度进行相关性分析.结果表明,共有17个变量通过极显著性检验,尤以红边波长范围内一阶微分波段值总和(SDr)的相关系数0.781为最高在此基础上将观测数据分成两组:一组观测数据作为训练样本(n=49),运用单变量线性、非线性和逐步回归方法,建立植被覆盖度高光谱遥感估算模型;另一组观测数据作为检验样本(n=32),进行精度检验分析结果显示,采用逐步回归分析方法,运用冠层原始反射率数据估算草地植被覆盖度的效果并不理想;而以红边波长范围内一阶微分波段值的总和(SDr)为变量的线性回归方程是最佳估算模型,模型标准差为10.4%,估算精度为83.99%.     

秋茄类胡萝卜素含量高光谱反演

类胡萝卜素(Car)作为植物主要色素,对诊断植被生理状态有重要作用。于2013年4月和7月采集闽江口秋茄(Kandelia candel)叶片,室内测定其叶片正面和背面反射光谱,同时测定其Car含量\[单位面积(μg·cm-2)和单位质量(mg·g-1)\]。选取常见Car含量估算的光谱参数,同时分析确定最佳比值植被指数(SR),基于回归分析,建立秋茄叶片Car含量估算与验证模型。结果表明,叶片光谱反射率表现为叶片背面大于正面(350~2350 nm);基于叶面背面光谱计算的SR与叶片Car含量(μg·cm-2)的相关系数优于其他组合,相关系数较高的区域分布在520~540 nm与1000~1100 nm波段组合,700~720 nm与800~1100 nm波段组合;基于背面光谱计算的大部分光谱参数与Car含量(μg·cm-2)的相关系数要高于基于正面光谱计算的。因此,以叶片背面光谱作为Car含量估算的光谱数据,以单位面积Car含量为估算量纲建立反演模型。本研究表明,光谱指数LCI、DD、NDVI(770,713)、NDVI(773,562)、SR(723,770)和SR(1000,700)均可实现Car含量的反演,估算与检验模型的R2均0.65,RMSE均1.52;并且新构建的SR(1000,700)估算精度最好,模型和检验R2分别为0.77和0.87,模型和检验RMSE分别为1.08和1.11。这些预味着基于高光谱遥感对闽江河口湿地秋茄Car含量进行估算是可行的。     

基于大气辐射校正的广州市植被覆盖度遥感估算

植被覆盖度是描述生态系统的基本参数,也是进行生态系统健康与安全评价的重要生态参数.基于1990、1995、2000和2005年4个时相的TM遥感数据源,以广州市为研究区域,运用减少大气辐射影响的植被指数计算模型,通过非监督分类及图像空间模型运算,修正了大气辐射校正参数,建立了植被覆盖度与校正植被指数的模型,估算了不同时期内广州市的植被覆盖度.结果显示,广州市植被覆盖度在1990—2000年的10年内持续下降,从2000年开始呈上升趋势,符合广州市的经济发展与环境建设实际.所建立的模型适合于区域植被覆盖度动态变化研究,且在植被覆盖度的动态变化特征研究方面有较大优势,其结果适于进行城市生态环境质量与动态评价.     

太阳辐射对稻田甲烷排放的影响

太阳辐射减弱是气候变化的主要特征之一,而太阳辐射减弱对稻田甲烷(CH4)排放的影响尚不明确,且缺少高光谱遥感用于估算稻田CH4排放的研究.通过田间模拟试验,研究了不同遮阴强度对稻田CH4排放和水稻冠层光谱特征的影响,并基于冠层高光谱数据估算了CH4排放通量.采用单因子试验设计,遮阴强度设3个水平,即对照(不遮阴,CK)、轻度遮阴(S1,单层遮阴,遮阴率为60%)和重度遮阴(S2,双层遮阴,遮阴率为84%).结果表明:与对照相比,遮阴明显降低了稻田CH4排放,但重度遮阴下CH4排放高于轻度遮阴;近红外波段水稻冠层反射率表现为CK>S2>S1;水稻冠层光谱反射率(699~1349 nm)与CH4排放通量呈极显著正相关,最高相关系数达0.64,6种植被指数与CH4排放通量也呈极显著相关,其中比值植被指数(RVI)与CH4排放通量的相关系数最大,达0.84;建立了以RVI、归一化植被指数(NDVI)和507 nm原始反射率(ρ507)为参数估算CH4排放通量的逐步回归模型,决定系数R2分别为0.86和0.85,利用该模型可为开展区域稻田温室气体排放的遥感监测提供试验依据.     

基于遥感与模型耦合的冬小麦生长预测

遥感的空间性、实时性与作物生长模型的过程性、机理性优势互补,将两者有效耦合已成为提高作物生长监测预测能力的重要手段之一。提出了一种基于地空遥感信息与生长模型耦合的冬小麦预测方法,该方法基于初始化/参数化策略,以不同生育时期的小麦叶面积指数(LAI)和叶片氮积累量(LNA)为信息融合点将地面光谱数据(ASD)及HJ-1 A/B CCD、Landsat-5 TM数据与冬小麦生长模型(WheatGrow)耦合,反演得到区域尺度生长模型运行时难以准确获取的部分管理措施参数(播种期、播种量和施氮量),在此基础上实现了对冬小麦生长的有效预测。实例分析结果表明,LNA较LAI对模型更敏感,以之作为耦合点的反演效果较好。另外,抽穗期是遥感信息与生长模型耦合的最佳时机,对播种期、播种量和施氮量反演的RMSE值分别达到5.32 d、14.81 kg/hm²、14.11 kg/hm²。生长模型与遥感耦合后的模拟结果很好地描述了冬小麦长势和生产力指标的时空分布状况,长势指标的模拟相对误差小于0.25,籽粒产量模拟的相对误差小于0.1。因此研究结果可为区域尺度冬小麦生长的监测预测提供重要理论依据。     

An algorithm for early rice area mapping from satellite remote sensing data in southwestern Guangdong in China based on feature optimization and random Forest

Estimating of rice areas using images obtained from satellite remote sensing is important for guiding operators. The object of this study was the Sentinel-2A/B image data of the rice planting demonstration regions in southwestern Guangdong, China. We designed an algorithm for early rice area mapping based on feature optimization and random forest (RF). For modeling, we selected 35 common remote sensing features and applied out-of-bag (OOB) to construct 7 feature combinations. The results showed that the overall accuracy (OA) and Kappa coefficient of the RF with the best combination were 91.23% and 87.55%, respectively. Compared with support vector machine (SVM) and back propagation neural network (BPNN), the model result of RF was also the best among the three. Additionally, the maximum error of the rice area was less than 16% when the model was transferred to other regions in Guangdong. The feature optimization and RF-based algorithm proposed in this study can effectively map the early rice region. It can be applied to estimate rice area based on satellite remote sensing image data and reveal the ecological status of rice cultivation in southwestern Guangdong.     

普洱季风常绿阔叶林乔木物种多样性高分辨率遥感估测

季风常绿阔叶林是我国南亚热带典型的地带性植被,也是云南省普洱地区重要森林类型。季风常绿阔叶林乔木物种多样性遥感估测对研究区域尺度生物多样性格局及其规律具有重要作用。根据光谱异质性假说和环境异质性假说,首先使用1m空间分辨率的机载高光谱数据和激光雷达数据提取了光谱多样性特征和垂直结构特征。然后利用基于随机森林算法的递归特征消除方法选择对研究区森林乔木物种多样性指数具有较好解释能力的遥感特征,并对Shannon-Winner物种多样性指数进行建模、制图。研究结果表明：（1）基于机载LiDAR数据提取的垂直结构特征和机载高光谱数据提取的光谱多样性特征均对研究区森林乔木物种多样性具有较好的解释能力,随机森林模型估测结果分别为R²=0.48,RMSE=0.46和R²=0.5,RMSE=0.45;两种数据源融合可以进一步提高遥感数据的森林乔木物种多样性估测精度,随机森林估测模型R²和RMSE分别为0.69和0.37。（2）机载激光雷达数据对研究区针阔混交林乔木物种多样性的估测能力优于机载高光谱数据。（3）机器学习方法有助于从高维遥感数据特征中选择适合于森林乔木物种多样性建模的少量特征。该研究在云南普洱开展对季风常绿阔叶林的遥感估测研究,可为森林生物多样性调查提供补充手段,有助于森林生物多样性大尺度、长期动态监测。     

A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation: A case study of the US Corn Belt at the county level

Understanding large‐scale crop growth and its responses to climate change are critical for yield estimation and prediction, especially under the increased frequency of extreme climate and weather events. County‐level corn phenology varies spatially and interannually across the Corn Belt in the United States, where precipitation and heat stress presents a temporal pattern among growth phases (GPs) and vary interannually. In this study, we developed a long short‐term memory (LSTM) model that integrates heterogeneous crop phenology, meteorology, and remote sensing data to estimate county‐level corn yields. By conflating heterogeneous phenology‐based remote sensing and meteorological indices, the LSTM model accounted for 76% of yield variations across the Corn Belt, improved from 39% of yield variations explained by phenology‐based meteorological indices alone. The LSTM model outperformed least absolute shrinkage and selection operator (LASSO) regression and random forest (RF) approaches for end‐of‐the‐season yield estimation, as a result of its recurrent neural network structure that can incorporate cumulative and nonlinear relationships between corn yield and environmental factors. The results showed that the period from silking to dough was most critical for crop yield estimation. The LSTM model presented a robust yield estimation under extreme weather events in 2012, which reduced the root‐mean‐square error to 1.47 Mg/ha from 1.93 Mg/ha for LASSO and 2.43 Mg/ha for RF. The LSTM model has the capability to learn general patterns from high‐dimensional (spectral, spatial, and temporal) input features to achieve a robust county‐level crop yield estimation. This deep learning approach holds great promise for better understanding the global condition of crop growth based on publicly available remote sensing and meteorological data.     

基于MODIS-EVI数据和Symlet11小波识别东北地区水稻主要物候期

作物物候信号能够反映温度和降水等变化对植被生长的影响,是进行农作物动态分析和田间管理的重要依据。基于2008年EOS-MODIS多时相卫星遥感数据,研究了我国东北地区水稻的主要物候期的识别方法。首先提取研究区24个农业气象观测站所在位置的MODIS-EVI(Enhanced Vegetation Index,增强型植被指数)指数的时间序列;同时利用小波滤波消除时间序列上的噪音,小波滤波选用函数包含Daubechies(7-20),Coiflet(3-5)和Symlet(7-15)共26种类型。然后根据水稻移栽期、抽穗期和成熟期在EVI时间序列上的表现特征来识别水稻主要物候期。最后与东北地区24个站点水稻物候观测资料对比并分析误差。结果表明,Symlet11小波滤波的效果最好,其移栽期识别结果的误差绝大部分在±16 d,抽穗期和成熟期识别结果的误差在±8 d。表明通过此方法可以较好地识别东北水稻主要物候期,并可进一步应用到整个东北地区水稻的物候空间分布和时间变化特征研究上。     

基于多源遥感数据的荒漠植被覆盖度估测

以塔里木河下游为靶区,根据地面调查和不同分辨率的多源遥感数据,逐级建立荒漠植被覆盖度遥感估测模型,并对不同模型、不同估测方法的估测精度进行比较.结果表明: 随着遥感数据空间分辨率的提高,植被覆盖度遥感估测模型精度增加;基于高分辨率、中高分辨率及中低分辨率遥感数据建立的植被覆盖度模型的估测精度分别为89.5%、87.0%和84.6%;遥感模型法的估测精度高于植被指数法.不同分辨率遥感数据估测荒漠植被覆盖度的精度变化规律,实现了荒漠植被覆盖度估测的高、中、低分辨率遥感数据参数及尺度的定量转换,可为研究区生态恢复遥感综合监测方案的制定和实施提供直接依据.     

基于遥感信息的作物模型重新初始化/参数化方法研究初探

作物模型与遥感信息的结合有助于利用遥感监测的大范围植被信息解决作物模型区域应用时模型初始状态和参数值难以确定的问题。该文借助叶面积指数(LAI)将经过华北冬小麦(Triticum aestivium)适应性调整的WOFOST模型与经参数调整检验的SAIL-PROSPECT模型相嵌套,利用嵌套模型模拟作物冠层的土壤调整植被指数(SAVI),在代表点上借助FSEOPT优化程序使模拟SAVI_s与MODIS遥感数据合成SAVI_m的差异达到最小,从而对WOFOST模型重新初始化。结果表明,借助于遥感信息,出苗期的重新初始化使模拟成熟期与按实际出苗期模拟的结果相差在2天以内,模拟的LAI和总干重的误差比按实际出苗期模拟结果的误差降低3~8个百分点;返青期生物量的重新初始化使模拟LAI和地上总干重在关键发育时刻的误差降至16%以内,模拟LAI和贮存器官重在整个生育期内都更加接近实测值;对返青期生物量的动态调整显示返青到抽穗期间较少次数的遥感数据即能有效地提高作物模型的模拟效果。与国外同类研究相比,该文在作物模型本地化、重新初始化变量和优化比较对象的选择上都有所不同,而利用遥感数据动态调整作物模型初始状态或参数值更具有新意。该文对区域尺度上利用遥感信息优化作物模型的研究具有基础性、探讨性意义。     

Biomass estimation using satellite remote sensing data—An investigation on possible approaches for natural forest

Vegetation type and its biomass are considered important components affecting biosphere-atmosphere interactions. The measurements of biomass per unit area and productivity have been set as one of the goals for International Geosphere-Biosphere Programme (IGBP). Ground assessment of biomass, however, has been found insufficient to present spatial extent of the biomass. The present study suggests approaches for using satellite remote sensing data for regional biomass mapping in Madhav National Park (MP). The stratified random sampling in the homogeneous vegetation strata mapped using satellite remote sensing has been effectively utilized to extrapolate the sample point biomass observations in the first approach. In the second approach attempt has been to develop empirical models with satellite measured spectral response and biomass. The results indicate that there is significant relationships with spectral responses. These relationships have seasonal dependency in varying phonological conditions. The relationships are strongest in visible bands and middle infrared bands. However, spectral biomass models developed using middle infrared bands would be more reliable as compared to the visible bands as the later spectral regions are less sensitive to atmospheric changes It was observed that brightness and wetness parameters show very strong relationship with the biomass values. Multiple regression equations using brightness and wetness isolates have been used to predict biomass values. The model used has correlation coefficient of 0.77. Per cent error between observed and predicted biomass was 10.5%. The biomass estimated for the entire national park using stratified and spectral response modelling approaches were compared and showed similarity with the difference of only 4.69%. The results indicate that satellite remote sensing data provide capability of biomass estimation     

水稻氮素营养高光谱遥感诊断模型

对水稻氮素含量与原始光谱反射率、一阶微分光谱以及高光谱特征参数间的相关性进行了分析,并构建和验证了以遥感参数为自变量的水稻氮素营养诊断模型.结果表明：氮素含量在水稻各器官中总的变化趋势为茎<鞘<穗<叶;各器官在可见光波段的光谱反射能力为叶<穗<鞘<茎,在近红外波段则与此相反.以波长796.7 nm处的光谱反射率和738.4 nm处的一阶微分光谱反射率为自变量的线性模型和指数模型的决定系数（R²）分别为0.7996和0.8606,二者均能较好地诊断水稻氮素营养,但最适合诊断水稻氮素含量的拟合模型是以植被指数的归一化变量（SD_r-SD_b）/（SD_r+SD_b）为自变量构建的水稻氮素营养高光谱遥感诊断模型［y=365871+639323（SD_r-SD_b）/（SD_r+SD_b）,R₂＝0.8755,RMSE＝0.2372,相对误差＝11.36％］,该模型可定量诊断水稻氮素营养.