野鸭湖典型湿地植物光谱特征

遥感技术已成为湿地植被识别和分类的重要手段,而深入研究地面植物群落光谱特征对于利用遥感影像的湿地植被分类具有指导意义。以典型淡水湿地——野鸭湖湿地为实验区,测定其典型湿地植物群落的反射光谱,并重采样以模拟OMIS机载成像光谱仪红-近红外的50个波段。在此基础上应用二阶导数的方法得到湿地植物识别的9个最佳波段:515.3,553.1,626.5,687.5,733.9,810.6,821.1,833.0,966.8nm。这些波段可以很好的识别湿地植物类型:沉水植物在810.6,821.1,833.0nm存在独特的吸收/反射特征,与其他湿地植物类型相区别。浮水、挺水、湿生、中生植物相比,浮水植物在515.3nm的吸收特征和553.1nm的反射特征较为突出;浮水、湿生、中生植物在687.5nm的吸收特征与挺水植物相比更为显著,但挺水植物在733.9nm的反射特征尤为明显;湿生植物在626.5nm的吸收特征比浮水、挺水、中生植物更加显著;中生植物缺少在626.5nm的吸收特征,但在966.8nm的吸收特征最为明显。研究成果不仅可以为野鸭湖湿地植被的高光谱遥感数据处理及湿地植被制图提供一定的科学依据,而且可以为淡水湿地植被的遥感识别和分类提供一定的参考、借鉴。     

不同端元模型下湿地植被覆盖度的提取方法——以北京市野鸭湖湿地自然保护区为例

植被覆盖度作为反映湿地植物生长状况的重要生态学参数,在评估和检测湿地生态环境方面起着关键的作用.以华北内陆典型的淡水湿地——北京市野鸭湖湿地自然保护区为研究对象,中等分辨率的Landsat TM影像为数据源,基于线性光谱混合模型(LSMM)对研究区的植被覆盖度进行了估算.针对湿地植被类型丰富、土地利用类型多样化的特点,利用归一化植被指数(NDVI)在反映植物生长状况、覆盖程度以及区分地表覆盖类型方面的优势,通过对原始Landsat TM影像增加NDVI数据维对影像进行维度扩展,克服了传统研究中通常从Landsat TM影像上提取3-4种端元的局限,经最小噪声分离变换(MNF变换)、纯像元指数(PPI)计算以及人机交互端元选取等一系列运算,构建以陆生植物、水生植物、高反射率地物、低反射率地物、裸露土壤为组分的五端元模型来反映研究区的地物组成;同时,以原始Landsat TM影像为基础,构建植物、高反射率地物、低反射率地物、裸露土壤为组分的四端元模型.针对两种端元模型,采用全约束下的LSMM算法进行混合像元分解以获取研究区的植被覆盖度,其次辅以研究区的纯水体信息对其进行优化.精度检验采用相同时期的高分辨率WorldView-2多光谱影像来进行.研究表明:虽然四端元模型与五端元模型对植被覆盖度的估算结果在空间上具有基本一致的分布趋势,但是前者的估算结果在数值上要普遍低于后者,在研究区的水体及其附近,四端元模型难以体现水生植物的植被覆盖信息;另外,五端元模型的估算结果与检验数据的相关系数R达到0.9023,均方根误差(RMSE)为0.0939,明显优于四端元模型的R=0.8671和RMSE=0.1711.这反映了通过对影像进行维度扩展的方法来改进端元提取的数量是可行的,而由此构建的五端元模型可以更充分的反映研究区地物之间的光谱差异,从而获得更好的估算精度.     

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.     

盐城滨海湿地优势植物碳氮磷生态化学计量高光谱反演

滨海湿地是海陆交界的生态过渡带,是自然界生物多样性最丰富的生态系统之一。湿地植物作为湿地生态系统重要的组成部分,研究其碳、氮、磷生态化学计量特征是了解植物生长状况与适应策略的有效途径。以江苏盐城滨海湿地为研究区,采集互花米草(Spartina alterifora)、芦苇(Phragmites australis)、白茅(Imperata cylindrica)、柽柳(Tamarix chinensis)、盐地碱蓬(Suaeda salsa)共5种优势湿地植物样本及冠层高光谱数据,对植物的碳、氮、磷生态化学计量特征进行高光谱反演研究。结果表示白茅、柽柳与芦苇的最佳反演模型为随机森林(RF)模型,对互花米草反演效果最好的是偏最小二乘(PLSR)模型,而对盐地碱蓬反演精度最高的是BP神经网络(BPNN)模型。研究表明利用高光谱数据可以实现湿地植物碳、氮、磷生态化学计量特征的准确反演,不同模型对于不同湿地植物的反演存在差异,RF模型的反演稳定性最强,是反演湿地植物生态化学计量特征的较优模型。     

基于光谱指数的植物叶片叶绿素含量的估算模型

叶绿素是光合作用能力和植被发育阶段的指示器,是监测湿地植被生长健康状况的重要指标之一;高光谱遥感技术可以为植物叶绿素含量的定量化诊断提供简便有效、非破坏性的数据采集和处理方法。为保证被探测叶片面积相同,消除背景反射、叶片表面弯曲造成的光谱波动及叶片内部变异造成的影响,研究采用Field Spec 3光谱仪加载手持叶夹式叶片光谱探测器,测定野鸭湖湿地典型植物的叶片高光谱反射率数据,同时通过分光光度计室内测定相应叶片的叶绿素含量。采用相关性及单变量线性拟合分析技术,建立二者的关系模型,包括叶绿素含量与"三边"参数的相关模型以及比值光谱指数(SR)模型和归一化差值光谱指数(ND)模型,并采用交叉检验中的3K-CV方法对估算模型进行模型精度检验。结果表明:植物叶片叶绿素含量与"三边"参数大多都呈极显著相关,相关系数最大达到0.867;计算光谱反射率组成的比值(SR)和归一化(ND)光谱指数与叶绿素含量的决定系数,总体相关性比较高,较好的波段组合均为550—700nm与700—1400nm以及550—700nm与1600—1900nm,与叶绿素含量相关性最好的指数分别是SR(565nm,740nm)和ND(565nm,735nm)。并通过选取相关性最佳的光谱特征参数,分别基于"三边"参数和ND模型指数构建了植物叶片叶绿素含量的估算模型。其中,基于红边位置(WP_r)光谱特征参数和ND(565nm,735nm)光谱指数建立的叶绿素含量估算模型,取得了较好的测试效果,检验拟合方程的决定系数(R2)都达到0.8以上,估算模型分别为y=0.113x-78.74,y=5.5762x+4.4828。通过3K-CV方法进行测试和检验,植物叶绿素含量估算模型均取得了较为理想的预测精度,预测精度的分别为93.9%及90.7%。高光谱遥感技术对植被进行微弱光谱差异的定量分析,在植被遥感研究与应用中表现出强大优势,为植物叶绿素含量诊断中的实际应用提供了重要的理论依据和技术支持。     

基于无人机影像与面向对象-深度学习的滨海湿地植物物种分类

明确滨海湿地植物物种类型及其分布状况是实现滨海湿地精细化生物多样性监测的基础,对于滨海湿地的保护管理与生态可持续发展均具有重要意义。本研究以无人机可见光遥感影像为基础数据源,在定量分析最优分割尺度与最优分类特征组合的基础上,应用面向对象-U-net深度学习方法对闽江河口湿地植物物种类型进行分类,并与K最近邻、决策树、随机森林和贝叶斯分类方法进行精度对比分析,以期为滨海湿地植物物种遥感精细分类与生物多样性保护管理提供方法借鉴与科学参考。研究结果表明,利用面向对象-U-net深度学习方法提取不同滨海湿地植物物种类型的分类精度可达95.67%,总体精度较其他分类方法提高6.67%–13.67%, Kappa系数提高0.12–0.31,且分类整体性好。此外,实现植物物种光谱特征、形状特征、纹理特征与高度特征的最优特征选择对于有效提高湿地植物物种信息分类精度具有重要作用,应用最优分割尺度实现影像分割可提高整体分类效率。     

基于湿地植物光谱的水体总氮估测

利用再生水补充城市湿地是目前湿地恢复与重建的主要方向,然而再水中高浓度的氮、磷含量极易导致水体富营养化。遥感技术已成为富营养化监测的重要手段,但对于植被覆盖水域的富营养化直接探测存在一定的局限性。以北京市典型再生水补水湿地奥林匹克公园南园湿地为研究区,利用湿地植物光谱进行水体富营养化主控因子总氮的遥感探测。测定芦苇(Phragmites australis)和香蒲(Typha angustifolia)的叶片光谱及水体总氮含量,在对数据进行预处理的基础上建立二者的关系模型,包括单变量模型(比值光谱指数(SR)模型和归一化差值光谱指数(ND)模型),与多变量模型(逐步多元线性回归(SMLR)模型和偏最小二乘回归(PLSR)模型),并利用交叉验证决定系数(R2cv)和均方根误差(RMSEcv)进行模型精度检验。结果表明,不同回归模型相比,多变量回归模型精度较高;多变量回归模型中,PLSR模型精度较高,R2cv可达0.72,RMSEcv仅为0.24,是建立湿地植物光谱与水体总氮含量关系的最优模型。不同湿地植物类型相比,利用芦苇反射光谱建立的各种预测模型的精度都高于香蒲。其他环境因子(总磷)也是影响TN含量与湿地植物反射光谱关系的重要因素。研究成果可以弥补现有水体富营养化遥感探测的不足,并为再生水利用的城市湿地水质监测与管理提供有力的科学依据。     

采用广义加法模型整合数字高程模型和遥感数据进行植被分布预测

为了采用广义加法模型整合数字高程模型和遥感数据进行植被分布的预测, 并探索耦合环境变量和遥感数据作为预测变量是否能够有效地提高植被分布预测的精度, 选择海拔、坡度、至黄河最近距离、至海岸线最近距离, 以及从SPOT5遥感影像中提取的光谱变量作为预测变量, 采用广义加法模型整合环境变量和光谱变量, 建立植被分布预测模型。研究设置3种建模情景(以环境变量作为预测变量, 以光谱变量作为预测变量, 综合使用环境变量与光谱变量作为预测变量)对黄河三角洲的优势植被类型的分布进行了预测, 并对预测结果采用偏差分析、受试者工作特征曲线和野外采样点对比等3种方法进行了验证。结果表明: (1)基于广义加法模型的植被分布预测方法具有一定的实用性, 可以较为准确地预测植被的分布; 盖度较高的植被类型预测精度较高, 盖度较低的植被类型预测精度较低, 植物群落结构的特点是出现这些差异的主要原因; 综合使用环境变量和光谱变量作为预测变量的模型, 预测精度高于单独以环境变量或者光谱变量作为预测变量的模型。(2)环境变量、光谱变量大多被选入模型, 二者均对植被分布预测有重要的作用; 同一预测变量在不同植被类型的预测模型中的贡献不同, 这与植被的光谱、环境特征差异有关; 同一预测变量在不同的建模情景下对模型的贡献不同, 环境变量与光谱变量的耦合效应可能是导致预测变量对模型的贡献出现变化的原因。     

基于最佳波段判别的湿地植物叶片全氮反演研究

利用高光谱遥感技术定量估测湿地植被叶片全氮含量,对于监测和诊断湿地植被的生理状况及生长趋势具有重要意义。但叶片氮素遥感诊断研究多存在反演模型过拟合、入选波段与生化参量间因果关系不明确和入选变量间"多重共线性"等局限。以芦苇(Phragmites australis)和香蒲(Typha angustifolia)叶片全氮含量作为研究对象,通过谱带分区,分区最佳波段选取和偏最小二乘回归相结合的方法构建芦苇和香蒲叶片全氮含量反演模型,并利用交叉验证决定系数(R2cv)和均方根误差(RMSEcv)对模型精度进行检验,尝试克服传统反演方法中的不足。结果表明,不同湿地植物类型相比,利用芦苇反射光谱建立的预测模型精度都高于香蒲。不同回归模型相比,一阶导数光谱-偏最小二乘回归模型(FDS-PLSR)精度远高于原始光谱-偏最小二乘回归模型(OS-PLSR)。芦苇最佳模型交叉验证决定系数(R2cv)达到了0.84,方根误差(RMSEcv)为0.10,香蒲最佳模型交叉验证的决定系数(R2cv)达到了0.66,方根误差(RMSEcv)为0.13,是构建湿地植物芦苇和香蒲光谱与叶片全氮含量关系的最佳模型。在不降低湿地植物叶片氮含量反演精度的基础上,有效地避免了传统地物高光谱模型反演中的局限性,是无损害遥感探测方面的有益尝试。     

生态网络视角下武汉市湿地生态格局分析

城市湿地是城市发展的重要生态保障。快速城市化进程导致湿地景观破碎化,威胁湿地生态系统安全。生态网络通过廊道连接重要生境斑块,基于生态网络分析城市湿地生态格局,不仅可了解湿地的空间分布情况,还可反映湿地系统的结构与连通性特征。以武汉市为研究区,利用形态学空间格局分析(Morphological Spatial Pattern Analysis, MSPA)方法识别湿地源地,结合地表景观类型、地形坡度及人类活动强度因素构建综合阻力面,采用最小累积阻力模型(Minimum Cumulative Resistance, MCR)提取生态廊道构建湿地生态网络,最后对网络进行重要性分级。分析网络的结构及区域特征,结果表明:武汉市湿地规模较大,但破碎化严重且空间分布不均;网络空间结构不完备但景观结构良好,重要廊道多位于城市边缘斑块间且集中分布在南部地区;各区域湿地格局特征不同,江夏区及汉南区湿地资源丰富且斑块质量高,廊道分布多且景观结构较好但重要性不高,黄陂区及东西湖区湿地总量少且形态破碎,区内廊道少、重要性低且景观结构有待改善,新洲区湿地规模小,廊道分布较少且景观结构不完善,但湿地及廊道重要性均较高。研究结果将为武汉市湿地保护与建设工作提供科学依据。     

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.     

基于中分辨率TM数据的湿地水生植被提取

利用湿地水生植被生长旺盛、光谱反射较强、光谱信息比较丰富的8月份中分辨率Landsat TM和ETM+多光谱遥感影像,采用面向对象的分类方法,进行野鸭湖湿地水生植被的提取。研究表明:在提取过程中,通过对原始影像进行主成分变换和穗帽变换,将主要信息与噪声分离,不仅减小了数据冗余和波段间的相关性,而且增大了影像上湿地水生植被与其他地物类型光谱和空间信息的差异性,并结合野外水生植被光谱特征分析,选择归一化植被指数NDVI与归一化水体指数NDWI辅助分类,构建特征波段或波段组合,然后,确定适当的隶属度函数和阈值范围,构建分类决策树,完成湿地水生植被的自动分类,提高了影像分割与面向对象分类的精度,取得了较为理想的湿地水生植被提取结果。2002年和2008年两景影像的总体分类精度分别达到86.5%和85.44%,表明中分辨率TM影像可以满足湿地水生植被提取的需要,又因为其具有较高的波谱分辨率、极为丰富的信息量、相对较低的价格、长时间序列,可以作为近20a湿地水生植被提取和动态变化监测的主要数据源。     

冠层水平互花米草叶片光合色素含量的高光谱遥感估算模型

以闽江河口鳝鱼滩湿地互花米草(Spartina alterniflora)的实测冠层高光谱反射率和叶片光合色素含量(LPPC)为数据源,在分析LPPC与原始光谱反射率、一阶导数光谱反射率、22种已报道光谱指数和14种新构建的植被指数相关性的基础上,利用直线回归、指数回归、对数回归以及乘幂回归方法,系统地比较了36种植被指数在估算互花米草LPPC中的表现。研究表明:(1)一阶导数光谱反射率组合的植被指数用于估算互花米草的LPPC优于原始光谱反射率;(2)红边区域一阶导数光谱是估测互花米草LPPC的最佳波段;(3)对于单一色素含量的估算,叶绿素a(Chla)的最佳估算指数为FDNDVI[723,703];叶绿素b(Chlb)的最佳估算指数为FDRVI[723,525];类胡萝卜素(Cars)的最佳估算指数为FDNDVI[723,703];(4)对于使用统一参量同时估算Chla、Chlb、Cars,由FDRVI[723,703]建立的对数估算模型效果最佳。研究成果可为湿地植物生化参量反演提供参考,也可为闽江河口湿地入侵种互花米草的动态监测和生态评估管理提供有力的科学依据。     

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.     

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%.     

基于高光谱的苹果花磷素含量监测模型

在室内条件下,利用ASD FieldSpec 3地物光谱仪,测定了盛花期苹果花的高光谱反射率,在分析苹果花原始光谱反射率及其一阶导数特征的基础上,分析了高光谱反射率与磷素含量间的相关关系,确定其敏感波段,构建了特征光谱参数,并建立了苹果花磷素含量的监测模型.结果表明：苹果花磷素含量与350～370 nm、670～1385 nm、1620～1760 nm波段的原始光谱反射率以及波段500～520 nm光谱反射率的一阶导数呈极显著正相关,与波段670～730 nm一阶导数呈极显著负相关;光谱参数DVI(936,676)、DVI(977,676)、NDVI(936,676)、NDVI(977,676)与苹果花磷素含量的相关性较好,其相关系数均达到0.77以上,由此建立了以4种光谱参数为自变量的磷素含量监测模型,其中,以NDVI(936,676)为自变量构建的监测模型具有最大的决定系数（R²=0.9385）、最小的均方根误差（RMSE=0.6883）和最小的相对误差（RE=7.6%）,预测精度达到92.4%,为最佳监测模型.     

不同水氮条件下水稻冠层反射光谱与植株含水率的定量关系

研究了不同土壤水氮条件下水稻 (Oryzasativa) 冠层光谱反射特征和植株水分状况的量化关系。结果表明, 水稻冠层近红外光谱反射率随土壤含水量的降低而降低, 短波红外光谱反射率随土壤含水量的降低而升高。相同土壤水分条件下, 高氮水稻的冠层含水率高于低氮水稻的冠层含水率 ;同一水分条件下, 高氮处理的可见光区和短波红外波段光谱反射率低于低氮处理, 近红外波段光谱反射率高于低氮处理。发现拔节后比值植被指数 (R810 /R460 ) 与水稻叶片含水率和植株含水率呈极显著的线性相关, 模型的检验误差 (RootmeansquareError, RMSE) 分别为 0.93和 1.5 0。表明比值植被指数R810 /R460 可以较好地监测不同生育期水稻叶片和植株含水率。