荒漠化地区土壤含水量的遥感定量反演

基于奈曼旗科尔沁沙地TM数据建立了反射率经验模型,据此计算了TM数据的地表反射率,同时通过光学植被盖度模型排除了植被干扰,建立了土壤含水量与地表反射率的回归模型,并以此模型反演出了研究区土壤含水量,最后对TM遥感数据反演的土壤含水量结果进行了精度检验.结果表明：遥感定量反演的理论精度达到81.81％,实际精度达到92.17％,说明荒漠化地区土壤含水量数据的遥感定量反演具有较高的科学性.     

基于地面遥感信息与气温的夏玉米土壤水分估算方法

土壤水分是土壤-植被-大气连续体的一个重要组分,是决定陆地生态系统水分状况的关键因子,也是作物的水分供应库.为了估算站点尺度不同深度的土壤水分,基于下垫面能量平衡方程和水分亏缺指数,提出了基于地面遥感信息(归一化植被指数和下垫面温度)和气温估算土壤相对湿度方法.利用2014年中国气象局固城生态与农业气象试验站夏玉米水分控制试验资料验证的结果表明: 该方法可以有效估算不同深度的土壤相对湿度,陆地生态系统的潜在干旱程度即实际蒸散与潜在蒸散之比与不同深度土壤湿度呈显著的线性关系.其中,0～10 cm土层的土壤水分估算精度最高,决定系数达0.90;0～20 cm到0～50 cm土层土壤水分估算的平均相对误差均在15%以内,相对均方根误差均在20%以内.研究结果可为作物的干旱监测与灌溉管理提供参考.     

土壤水分遥感监测研究进展

土壤水分是陆地表面参数化的一个关键变量。土壤水分含量随时空的转换而变化,在地-气界面间物质、能量交换中起着重要的作用,是农作物生长发育的基本条件和农作物产量预报的重要参数。遥感技术具有大面积同步观测,时效性、经济性强的特点,为大面积动态监测土壤水分提供了可能。总结了近年来国内外遥感监测土壤水分理论、方法的发展和应用,介绍了目前几种比较成熟和广泛应用的土壤水分遥感监测方法与模型,对比分析了各种监测方法的优缺点,指出了土壤水分遥感监测方法存在的不足,指明了今后发展的方向,展望了土壤水分遥感监测方法的发展趋势。     

宁夏东部荒漠草原灌丛引入下土壤水分空间异质性

结合地理信息系统(GIS),运用经典统计学和地统计学方法对宁夏东部荒漠草原人工灌丛引入下0～200 cm土层土壤水分空间异质性进行研究.结果表明: 0～200 cm土层土壤含水量为0.6%～19.0%,均值为4.4%,土壤水分含量较低,变异系数为49.5%～86.3%,属于中等变异.不同土层半变异函数的最佳理论模型分别为:0～60、80～120 cm各层土壤水分符合球状模型,60～80 cm符合指数模型,120～200 cm符合高斯模型.不同土层土壤含水量均呈不同程度的空间相关,0～40、60～80、120～200 cm各层土壤水分的块金系数C₀/(C₀+C)为26.1%～49.9%,为中等程度空间相关;40～60、80～100、100～120 cm各层土壤含水量的块金系数为15.5%～22.1%,具强烈空间相关.0～200 cm不同土层土壤水分含量变程不同,0～20 和 20～40 cm土层变程较大,为37.10～45.18 km,40～200 cm各层土壤含水量的变程较小,为3.58～8.66 km.荒漠草原人工灌丛引入过程中加速土壤水分利用和深层水分消耗,导致土壤水分的空间异质性和破碎化程度加强,且对深层次土壤水分作用更强.     

黄土高原六道沟流域不同土地利用方式下土壤水力特性及其对土壤水分的影响

采用地统计学中交互相关系数方法,对黄土高原六道沟流域农田、荒草地、林地、苜蓿地4种土地类型土壤剖面水力特性及其对水分分布的影响进行了分析.结果表明：研究区农田与荒草地的土壤特性相似,苜蓿地与林地相似;相同吸力条件下,土壤水分以农田最大、林地最小,而饱和导水率则相反;除土壤水分消耗期的林地和苜蓿地土壤水分随土层深度增加呈上升趋势外,其他时期各土地利用方式下土壤水分均随土层深度的增加而降低.土壤剖面饱和导水率与土壤含水量之间的影响程度依土壤水分条件而异：水分补偿期,剖面土壤饱和导水率对滞后其空间距离0～40 cm土层内的土壤含水量具有显著影响,而土壤水分含量对饱和导水率的影响范围为0～50 cm;水分稳定期,饱和导水率与土壤含水量的相互影响范围均在0～60 cm;水分补偿期和稳定期,二者之间为正相关;土壤水分消耗期,农田和荒草地饱和导水率与水分含量呈正相关,饱和导水率对土壤水分含量的影响范围在滞后其空间范围0～80 cm土层内,而土壤水分含量对饱和导水率的影响范围在0～60 cm内,林地和苜蓿地则呈负相关,相互影响范围均在0～60 cm土层内.     

间作经济作物对黄土丘陵区旱作红枣土壤水分的调控效应

研究行间种植经济作物饲料油菜和黄花菜对黄土丘陵区旱作红枣林地土壤水分的调控效应.结果表明： 饲料油菜和黄花菜处理0～180 cm土层土壤含水量较无作物对照分别提高6.2%和10.1%;枣树生育期内土壤水分变化主要集中在0～60 cm土层,饲料油菜和黄花菜处理均明显增加了0～60 cm土层土壤含水量,保证枣树生育期内正常生长;持续干旱条件下,各处理土壤水分消耗主要在0～60 cm土层,其中0～20 cm土层土壤含水量与次降雨后干旱天数存在显著指数负相关,雨后18 d干旱期饲料油菜和黄花菜处理0～60 cm土层土壤水分含量均高于对照.该间作系统显著改善了红枣林土壤水分环境,是黄土丘陵区克服季节性干旱的有效措施.     

小流域土层厚度对土壤水分时空格局的影响

以丹江口库区五龙池小流域为研究区,通过定点观测,探讨了土层厚度对土壤水分时空格局的影响.结果表明：土壤含水量在降雨后立即升高,随后逐渐降低,空间异质性则相反.不同土层厚度剖面含水量差异显著.其中,0～20 cm厚度的土壤剖面含水量较低,与降雨有相似的变化趋势,季节变异大;中等厚度（20～40 cm）的土壤水分受降雨特征影响,剖面含水量居中,季节变异中等;较大厚度（>40 cm)的土壤的剖面含水量较高,季节变异小.土壤水分的剖面格局是降雨、蒸发蒸腾和渗漏综合作用的结果,半湿润期呈增长型,湿润期呈波动型,干旱期包括增长型和波动型.土壤剖面含水量与土层厚度呈显著正相关,相关系数在0.630～0.855.土层厚度与表层（0～15 cm）土壤水分相关不显著,但与中下层（20～55 cm）土壤水分显著相关.     

洛川苹果园土壤水分变化特征

全面掌握洛川果园的土壤水分环境特征,不仅可为苹果的园址选择、砧穗组合和改进土壤水分管理措施提供理论依据,而且对我国苹果产区果园提质增效具有借鉴价值.采用定点土壤水分连续监测法,对洛川苹果园的总体土壤水分环境以及不同生长年限、不同立地类型和乔、矮化果园的土壤水分分异特征进行分析.结果表明： 苹果树根际区 (0～200 cm)土壤水分普遍亏欠,且0～60 cm土层的水分亏欠小于60～200 cm土层;生长季0～60 cm土层贮水量与降水量的变化一致,土壤相对含水量大多<60%,季节性旱象严重;果园剖面土壤含水量变异系数随土壤深度加深而递减;随果园生长年限的增大,土壤剖面贮水量下降;在栽培密度一致的条件下,矮化果园5 m土层土壤含水量均高于乔化果园,而栽培密度大的矮化果园的土壤贮水量低于栽培密度小的乔化果园;塬地成龄果园的土壤水分含量最高,川地次之,台地相对较低.密度对果园土壤水分含量有很大影响,在栽培密度一致的条件下,采用矮化栽培能减少土壤水分消耗,显著提高果园土壤含水量;挖株降低栽培密度是维持苹果园土壤水分平衡、实现可持续发展的有效途径.     

基于液泡膜质子泵的硝态氮再利用研究进展

全面掌握洛川果园的土壤水分环境特征,不仅可为苹果的园址选择、砧穗组合和改进土壤水分管理措施提供理论依据,而且对我国苹果产区果园提质增效具有借鉴价值.采用定点土壤水分连续监测法,对洛川苹果园的总体土壤水分环境以及不同生长年限、不同立地类型和乔、矮化果园的土壤水分分异特征进行分析.结果表明： 苹果树根际区 (0～200 cm)土壤水分普遍亏欠,且0～60 cm土层的水分亏欠小于60～200 cm土层;生长季0～60 cm土层贮水量与降水量的变化一致,土壤相对含水量大多<60%,季节性旱象严重;果园剖面土壤含水量变异系数随土壤深度加深而递减;随果园生长年限的增大,土壤剖面贮水量下降;在栽培密度一致的条件下,矮化果园5 m土层土壤含水量均高于乔化果园,而栽培密度大的矮化果园的土壤贮水量低于栽培密度小的乔化果园;塬地成龄果园的土壤水分含量最高,川地次之,台地相对较低.密度对果园土壤水分含量有很大影响,在栽培密度一致的条件下,采用矮化栽培能减少土壤水分消耗,显著提高果园土壤含水量;挖株降低栽培密度是维持苹果园土壤水分平衡、实现可持续发展的有效途径.     

阿勒泰地区雪灾遥感监测模型与评价方法

利用我国新疆阿勒泰地区1996～1997年两次雪灾期间的NOAA卫星数据及地面气象台站观测资料,建立了积雪深度遥感反演模型;利用线性混合光谱分解原理,研究了基于像元的积雪覆盖率及积雪空间分类算法;提出评价积雪对草地畜牧业危害程度的两种基于格网数据结构的定量化指数.结果表明,通过积雪深度反演模型和线性混合光谱分解方法可计算基于像元的积雪深度和覆盖率,提高积雪分类的精度.建立的基于格网单元的积雪危害指数模型可系统地表达积雪区的雪情、草情、畜情和气象因子的空间分布状况,综合反映积雪对草地畜牧业的危害程度.     

阿克苏河流域土壤湿度反演与监测研究

以新疆阿克苏河流域为研究区,以GF-1 WFV和Landsat8 OLI两种高分辨率遥感影像为数据源,结合102个不同深度层的土壤湿度实测数据,选择垂直干旱指数(PDI)、改进型垂直干旱指数(MPDI)和植被调整垂直干旱指数(VAPDI),对土壤湿度指数反演的效果进行比较和验证。结果表明,两种数据源下的PDI、MPDI、VAPDI与土壤湿度实测含水量的决定系数较高,尤其是0—10 cm的相关性最强,平均决定系数达到0.68,说明基于光学遥感影像近红外和红光波段反射率构建的反演指数对近地表层土壤湿度信息更敏感,但对地下较深层次的土壤湿度反演精度略低;MPDI和VAPDI能够在一定程度上克服混合像元对土壤湿度光谱信息的影响,反演的精度要比PDI高,尤其是高植被覆盖度区,采用垂直植被指数(PVI)修正的VAPDI反演精度最佳;基于两种遥感数据源的土壤湿度空间异质性基本一致,但空间分辨率较高的GF-1 WFV模拟的土壤湿度空间分异更加精细和明显。研究结果可为"一带一路"背景下干旱半干旱地区大范围和动态监测土壤湿度、开展定量节水灌溉等提供理论基础和实践参考。     

蝗虫生境监测方法研究进展

蝗虫是一种能对农业生产带来毁灭性打击的害虫。预测、监测蝗虫的发生、发展对于防治蝗虫、减轻蝗灾具有重要意义。在分析蝗虫的发生和消长与其生存环境的关系基础上,概述了以往蝗虫发生、发展预测、监测的主要方法。然后,从监测蝗虫生境采用的指标、卫星数据、算法等方面进一步阐述了运用现代遥感、地理信息系统技术监测蝗虫生境、预测蝗虫发生、发展的理论基础和最新进展;最后,结合现代对地观测技术、网络、快速计算和模拟等技术的发展探讨了蝗虫生境监测的发展方向。     

延安北部丘陵沟壑区退耕还林(草)成效的遥感监测

将延安北部丘陵沟壑区的吴起、志丹、安塞、子长、延川、延长和宝塔等7县区做为一个整体,利用GIS综合解译分析SPOTVGT、NOAA/AVHRR、EOS/MODIS、TM和DEM数据,揭示该区域退耕还林(草)生态建设工程所取得的实效。1998-2009年NOAA/AVHRR和EOS/MODIS遥感监测表明,该区域在遥感影像图上凸现,在其北部和西部形成一条明显的与行政区边界相吻合的分界线,表明退耕还林后植被覆盖状况正在逐年改善,而且植被恢复情况明显好于其北部和西部。1999-2007年SPOTVGTNDVI演变表明,该区域NDVI正处于快速上升阶段,线性趋势值为0.0078,与其南部次生林区的NDVI差值在明显减小,与北部粮食种植区的NDVI差值在逐渐加大。退耕前后的TM影像解译结果对比分析说明,延安北部近年来退耕还林(草)的成绩是显著的,生态环境有了明显的改善。与1997年相比,到2007年延安北部有68.37%耕地不再耕种,而大于35°的坡耕地91.45%实现了退耕,25-35°的坡耕地有74.70%退耕,绝大部分高坡度耕地实现了退耕,而较低坡度的坡耕地退耕幅度也很大,达到了50%-70%。退出的耕地主要变为草地、林地和果园。TM影像解译结果表明,林草覆盖度增加非常显著,达到65.3%,增加24.3%,以草的面积增加最为明显。低植被覆盖度的土地面积在大幅度减少,植被覆盖度小于10%的面积减少了83.42%;中植被覆盖度面积在显著增加,到2007年,植被覆盖度在30%-50%的面积最大,占总面积的47.2%,将近一半;高植被覆盖度面积也明显增加,由1997年的6%增加到2007年22%。TM影像与DEM数据叠加分析表明,土壤侵蚀强度总体上降低,强度、极强度和剧烈等级土壤侵蚀的土地面积减少50%以上,但极强度和剧烈的高等级土壤侵蚀面积仍占2007年国土总面积的13.3%,土壤侵蚀状况仍然严重。植被以灌木和草为主,乔木面积较低,森林覆盖率只有22.4%,因此需要继续加强治理。     

基于多源遥感数据的大豆叶面积指数估测精度对比

近年来遥感技术的革新促使遥感源越来越丰富.为分析多源遥感数据的叶面积指数(LAI)估测精度,本文以大豆为研究对象,利用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合地面实测LAI构建经验回归模型,比较3类遥感数据(地面高光谱数据、无人机多光谱影像以及高分一号WFV影像)对大豆LAI的估测能力,并从传感器几何位置和光谱响应特性以及像元空间分辨率三方面分析讨论了3类遥感数据的LAI反演差异.结果表明： 地面高光谱数据模型和无人机多光谱数据模型都可以准确预测大豆LAI(在α=0.01显著水平下,R²均>0.69,RMSE均<0.40);地面高光谱RVI对数模型的LAI预测能力优于无人机多光谱NDVI线性模型,但两者差异不大(E_A相差0.3%,R²相差0.04,RMSE相差0.006);高分一号WFV数据模型对研究区内大豆LAI的预测效果不理想(R²<0.30,RMSE>0.70).针对星、机、地三类遥感信息源,地面高光谱数据在反演LAI方面较传统多光谱数据有优势但不突出;16 m空间分辨率的高分一号WFV影像无法满足田块尺度作物长势监测的需求;在保证获得高精度大豆LAI预测值和高工作效率的前提条件下,基于无人机遥感的农情信息获取技术不失为一种最佳试验方案.在当今可用遥感信息源越来越多的情况下,农业无人机遥感信息可成为指导田块精细尺度作物管理的重要依据,为精准农业研究提供更科学准确的信息.     

北京海淀区植被覆盖的遥感动态研究

 植被覆盖度fg人(植被的垂直投影面积与单位面积之比)是一个十分重要的生态气候参数。为了有效地从遥感资料中提取植被覆盖度,发展了一套计算区域植被覆盖度的亚象元分解模型法。运用该方法对北京市海淀区1975、1991和1997年的植被覆盖度进行了计算,并在此基础上,求得研究区不同植被覆盖等级的变化转移矩阵,分析了海淀区22年来植被覆盖等级变化的空间过程和变化趋势。     

基于Landsat TM的热带精细地物信息提取的模型与方法——以海南岛为例

应用遥感技术进行精细地物信息提取是研究生态系统结构、过程和功能的重要手段之一。由于热带地区生态系统复杂,为精细地物信息提取带来很大的不确定性,极易产生"同物异谱"、"同谱异物"的现象。研究以地处热带地区的海南岛精细地物遥感信息提取为例,在综合分析典型地物光谱特征、空间分布、斑块形状等基础上,构建和优化了水陆指数WLI(Water and Land differing Index)、乔灌草指数GSI(Grass and Shrub differing Index)、旱地-沙地指数SSI(Field and Sand differing Index),并结合新型通用植被指数VIUPD(Vegetation Index of the Universal Pattern Decomposition Method)及DEM(Digital Elevation Model)等多源数据,提出基于决策树的面向对象遥感信息提取方法。该方法首先确定要提取的对象,明确对象类别与对象隶属关系,然后逐层逐项的提取天然林、橡胶林、浆纸林等地物信息。结果表明,综合提取的精度达88%,相比传统的监督分类方法精度(66%)提高22个百分点,精度明显提高。     

土壤水分遥感反演研究进展

土壤水分精确反演对于理解和解决农业生产、生态规划以及水资源管理中的科学与实际问题至关重要。目前,大量的反演算法被广泛用于土壤水分估算,全球土壤水分遥感反演产品不断发布,反演算法与产品数据集的应用前景亟待系统梳理。基于不同谱段遥感探测技术中的土壤水分反演方法存在各自的特点、优势和局限性。除反演方法研究外,土壤水分遥感反演研究热点可被归纳为遥感土壤水分产品评估、在相关领域的应用、数据同化3个方面。大量研究表明土壤水分遥感反演产品在生态、水文、干旱等研究中表现出巨大的潜力,且在部分研究中已经得到应用。但目前土壤水分的遥感观测与应用需求仍存在一定的差距,因此最后对土壤水分遥感反演在探测的精度和准确度两个方面及其解决方案进行了总结与展望。     

面向生态系统评估的多源数据融合体系

基于生态系统服务功能的生态系统评估是识别生态环境问题、开展生态系统恢复和生物多样性保护、建立生态补偿机制的重要基础，也是保障国家生态安全、推进生态文明建设的重要环节。生态系统评估涉及生态系统多个方面，需要多要素、多类型、多尺度的生态系统观测数据作为支撑。地面观测数据和遥感数据是生态系统评估的两大数据源，但是其在使用时常存在观测标准不一、观测要素不全面、时间连续性不足、尺度不匹配等问题，给生态系统评估增加了极大的不确定性。如何融合不同尺度的观测数据量化生态系统服务功能是实现生态系统准确评估的关键。为此，从观测尺度出发，阐述了地面观测数据、近地面遥感数据、机载遥感数据和卫星遥感数据的特点及其在问题，并综述了这几类数据源进行融合的常用方法，并以生产力、固碳能力、生物多样性几个关键生态参数为例介绍了“基于多源数据融合的生态系统评估技术及其应用研究”项目的多源数据融合体系。最后，总结面向生态系统评估的多源数据融合体系，并指出了该研究的未来发展方向。     

Exploring the influence of soil types underneath the canopy in winter wheat leaf area index remote estimating

Aims Remote sensing is an effective and nondestructive way to retrieve leaf area index (LAI) from plot, regional and global range. Soil background is one of the confounding factors limiting remotely estimating LAI. And soil type contains a large proportion of soil background information, which can influence the optical properties of vegetation canopy and soil. However, our knowledge on the effects stemmed from soil types underneath the canopy on LAI remote estimating have been in shortage. Thus, this study aims to explore the influences of soil types underneath the canopy on winter wheat LAI remote estimating. Methods We analyzed the sensitivity variation of eight spectral indices, named normalized difference vegetation index (NDVI), modified soil-adjusted vegetation index (MSAVI), modified chlorophyll absorption ratio index 2 (MCARI₂), red edge inflection point (REIP), red edge amplitude (Dr), red edge area (SDr), red edge symmetry (RES), normalized difference spectral index (NDSI), to LAI in different soil types, and then we identified some spectral intervals or parameters that were insensitive to soil type variations underneath the canopy. We also compared the accuracy of two commonly used regression models, partial least squares regression (PLSR) and random forest regression (RFR), in estimating LAI for different soil types. We also explored the problems arising from applying the regression model developed in single soil type area to complex soil types area in retrieving LAI. Important findings This paper demonstrates the effects of soil types underneath the canopy on LAI retrieving. 1) The sensitivity of spectral indices to LAI is significantly different due to the soil type variation, but REIP has the least effects from soil type variation among the eight spectral indices. Meanwhile, the band selection algorithm of lambda-by-lambda not only chooses the most sensitive spectral interval for LAI, but also provides a feasible way to construct the spectral index that exhibits strong resistances to the effects of soil types underneath the canopy. 2) The accuracy of LAI estimation by regression models differs under soil type considered or not. So we suggest that in small scale researches, especially in a field scale, the ability of regression models in explaining variables is the priority consideration, while the PLSR is superior to RFR in this respect. Under the premise of unknown priori knowledge of land surfaces, the RFR is more suitable for retrieving LAI than PLSR, but land surface priori knowledge is still necessary. These findings provide the theoretical basis and methods for developing remotely sensing estimating LAI models adapted to various land surfaces. Further analysis is needed in applying the findings in more crop types, cultivars and growth stages.