水文气候影响下黄河三角洲土壤盐分时空动态

近年来,黄河三角洲在水文气候和人类活动影响下的土壤盐渍化问题日益突出。本研究以东营市河口区、垦利区、东营区和利津县为研究区,选取1985—2018年间20期Landsat系列影像,利用数值回归校正法进行影像光谱一致性转换,在此基础上运用偏最小二乘回归法构建土壤盐分定量反演模型;根据最佳盐分预测模型反演的研究区土壤盐分含量数据,分析土壤盐分(SC)时空变化特征,并探讨水文气候因素的影响。结果表明: 选用10个敏感光谱指数构建的土壤盐分反演模型的预测精度较高,其建模决定系数(R²)、均方根误差(RMSE)为0.769、1.125,验证R²、RMSE和相对分析误差(RPD)分别为0.752、1.203、2.08。利用2016年土壤盐分数据进行反演精度检验,实测值与反演值的R²为0.7279。该模型对1985—2018年20期影像进行土壤盐分反演的结果异常值在10%以内。研究期间,区域平均盐分含量总体呈先上升后下降的趋势,最低的年份为1985年(3.14 g·kg^-1),最高的年份为1995年(5.86 g·kg^-1)。空间变化上,研究区重度盐渍土和盐土面积减少,轻、中度盐渍土面积显著增加(66.6%),盐渍土总面积呈扩大趋势。水文气候条件对土壤盐分的影响具有一定滞后性。气温对土壤盐分积累有促进作用,前半年和前1年的平均气温与含盐量均显著相关,R分别为0.507和0.538;土壤含盐量与区域降水量的相关性不显著,受前季黄河径流量的影响最大,R达-0.543。     

不同地形条件下植被盖度信息提取技术研究

为系统地研究特定区域的植被盖度信息提取技术, 在不同的地形条件下, 比较了目前流行的多种高光谱遥感植被盖度提取方法。结果表明: 最优高光谱归一化植被指数(NDVI₁)的建模和验证精度均高于其他两种归一化植被指数(NDVI), 直接采用NDVI建立的回归模型对研究区植被盖度的估测能力低于像元二分模型; 阴坡的最佳模型为基于一阶微分的偏最小二乘回归模型(PLSR模型), 其建模决定系数(R²)为0.810, 均方根误差(RMSE)为6.29, 验证R²为0.773, RMSE为8.85; 阳坡的最佳模型为基于二阶微分的PLSR模型, 其建模R²为0.823, RMSE为6.04, 验证R²为0.801, RMSE为7.35; 平原的最佳模型为全受限的线性光谱混合分解模型(FCLS), 其验证R²为0.852, RMSE为5.86。     

不同光谱类型对银川平原土壤含盐量反演精度的影响与校正

土壤盐渍化是导致土壤质量下降、耕地减产的重要因素之一。为准确快速评价银川平原土壤含盐量,本研究对野外高光谱数据和室内高光谱数据进行一阶微分(FDR)变换,逐步回归(SR)筛选特征波段,利用偏最小二乘回归(PLSR)与支持向量机(SVM)进行建模,明确适用于本地区土壤含盐量准确反演的光谱类型,并对较差光谱类型进行分段校正与全局校正,尝试提高土壤含盐量反演精度。结果表明: 基于野外光谱的土壤含盐量反演模型精度比室内光谱平均高58.9%;对室内光谱进行分段校正、全局校正后反演精度均有提高,其中,PLSR以分段校正精度更高,建模决定系数(R_c²)、验证决定系数(R_p²)和相对分析误差(RPD)分别为0.790、0.633和1.64,而SVM以全局校正精度更高,R_c²、R_p²和RPD分别为0.927、0.947和3.87;SVM模型的反演精度高于PLSR,其中,野外光谱建模效果最佳,室内全局校正光谱与室内分段校正光谱次之,室内光谱最差。因此,野外高光谱可实现对银川平原土壤表层含盐量的定量反演,经校正的室内光谱对土壤含盐量反演精度显著提升,均可为粮食安全与生态环境高质量发展提供保障。     

基于土壤异质背景的玉米秸秆覆盖度遥感反演

玉米秸秆覆盖还田是东北平原当前大力推广的一种保护性耕作方式。区域作物秸秆覆盖度(CRC)的遥感估算可大范围快速获取耕地秸秆覆盖还田信息,对于政府监测和推广秸秆覆盖还田工作有重要作用。本研究以吉林省梨树县为研究区,基于Sentinel-2A卫星影像,选取归一化耕作指数(NDTI)、归一化秸秆指数(NDRI)、简单耕作指数(STI)和归一化差值指数(NDI7)4种光谱指数,建立光谱指数与玉米秸秆覆盖度的线性回归模型,进行秸秆覆盖度反演。结果表明: 研究区土壤背景空间异质性较强,对光谱指数回归模型影响显著,采用土壤质地分类(分区)分别建立回归模型的方法可提高反演精度。土壤背景空间异质性会增大模型估算误差;4种光谱指数与玉米秸秆覆盖度均有较强相关性,其中,NDTI和STI模型表现更好;基于NDTI和STI的分区线性回归模型验证R²为0.84、RMSE为13.3%,优于不分区的模型(R²为0.75,RMSE为16.5%),有效提升了反演精度。     

基于神经网络的马尾松叶绿素含量高光谱估算模型

分析不同生长期的马尾松冠层反射光谱特征与相应叶绿素含量的相关关系.利用36个红边参数逐一筛选,最终确定7个与叶绿素含量相关性较高的红边参数作为光谱特征参数,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型;同样,筛选出4个植被指数作为光谱特征参数,同时,将对原始光谱进行主成分分析降维后的前4个主成分作为BP神经网络的输入变量,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型.结果表明: 将红边参数作为输入变量建立的逐步回归模型和BP神经网络模型的决定系数(R²)分别为0.5205、0.7253,均方根误差(RMSE)分别为0.1004、0.0848,相对误差分别为6.3%、5.7%.将植被指数作为输入变量建立的逐步回归模型和BP神经网络模型的R²分别为0.5392、0.7064,RMSE分别为0.0978、0.0871,相对误差分别为6.2%、6.0%.基于主成分分析的BP神经网络模型的预测效果最好,R²为0.7475,RMSE为0.0540,相对误差为4.8%.     

基于激光雷达数据的森林表层土壤有机质空间格局反演

森林土壤是陆地生态系统的主要碳库,其有机质含量是估算碳储量的基础数据,也是评价土壤碳汇功能的重要指标.利用2009年8月采集的凉水自然保护区激光雷达（LiDAR）数据和55块固定样地土壤有机质含量数据,结合偏最小二乘算法,反演森林表层土壤有机质的空间格局,提取并筛选出与土壤有机质分布相关的变量,分析并确定变量（强度、点数、高程、坡度和坡向）值与土壤有机质含量的相关关系,建立土壤有机质含量的预测模型并检验.结果表明： 研究区域表层土壤有机质含量与强度、点数和高程3变量呈极显著相关（r分别为0.765、0.423和0.475）;基于此3变量的预测模型对研究区域表层土壤有机质含量的预测结果可靠（精度83.3%,R²=0.725,RMSE=1.955）.研究区林缘和郁闭度较小林分的表层土壤有机质含量<100 g·kg^-1;大部分区域表层土壤有机质含量为100~150 g·kg^-1,少部分区域为150~318.4 g·kg^-1.     

基于Sentinel-2数据的草地植物功能多样性遥感反演及其与生产力的关系

生物多样性与生态系统功能的关系是当前生态学研究的焦点和难点。植物功能多样性是影响生态系统功能的重要指标, 开展植物功能多样性的研究对了解生物多样性与生态系统功能之间的关系有着重要意义。传统的草地植物功能多样性研究多以实地调查为主, 不仅费时费力, 而且由于受到时空的限制, 很难拓展到大尺度的研究中。遥感技术的发展为评估草地功能多样性提供了一种经济、有效的手段。该研究选取内蒙古自治区锡林郭勒盟乌拉盖管理区草甸草原为研究区, 利用Sentinel-2卫星影像和野外实测数据, 选取了波段及植被指数等46个特征变量, 探讨了逐步回归、偏最小二乘法(PLSR)和随机森林(RFR)等3种不同方法对草地植物功能丰富度(FRic)、功能均匀度(FEve)和功能离散度(FDiv)的反演精度, 并基于PLSR反演草地地上生物量, 进一步分析了研究区功能多样性与生产力的关系。研究结果表明: (1)波段B11、优化型土壤调节植被指数(OSAVI)、水波段指数(WBI)对FRic解释度最高; 波段B6、B10、B12、类胡萝卜素反射指数1 (CRI1)、双峰光学指数(D)、归一化差值指数45 (NDI45)等6个特征变量对FEve解释度最高; 波段B5、B9、B10、B11、加权差分植被指数(WDVI)、凸包面积等对FDiv解释度最高; (2)基于十折重复交叉验证, 利用逐步回归估算的FRic和FEve反演精度远高于其他两种回归方法, R²分别为0.52和0.44; 而利用PLSR方法估算的FDiv反演精度最高(R² = 0.61); (3)群落地上生物量反演精度为R² = 0.61; FRic与地上生产力的关系最好(R² = 0.40), 其次为FDiv (R² = 0.28)和FEve (R² = 0.27)。研究发现, 基于Sentinel-2卫星影像能较好地反演草地功能多样性和生产力, 为下一步能在大尺度上进行草地功能多样性估算及其与生产力关系研究提供了参考和依据。     

利用机载激光雷达技术估测东北林区典型针叶林的蓄积量

为了推广激光雷达技术在森林蓄积量估测计量方面的应用,本研究以东北林区云冷杉林、落叶松林、红松林和樟子松林4种典型针叶林为对象,基于机载激光雷达获取的点云数据提取特征变量,结合800块地面样地数据,采用逐步回归方法和偏最小二乘方法,建立4种针叶林的蓄积量模型。结果表明: 偏最小二乘法建立的模型精度优于逐步回归方法(ΔR²=0.05～0.15,ΔRRMSE=2.6%～4.2%);在参与建模的3类点云特征变量中,贡献最大的是点云高度变量(被选择26次),其他变量有一定的辅助作用(分别被选择12次和11次);使用偏最小二乘方法建立的林分蓄积量模型中,红松林(R²=0.79,RMSE=60.92,RRMSE=22.9%)和落叶松林(R²=0.76,RMSE=28.39,RRMSE=25.8%)的精度最高,云冷杉林(R²=0.81,RMSE=46.96,RRMSE=27.7%)次之,樟子松林(R²=0.50,RMSE=55.49,RRMSE=30.4%)的精度稍低。研究结果为东北林区4种典型针叶林蓄积量估测提供了一种有效的方法。     

杉木人工林土壤活性有机质变化特征

在中国科学院会同森林生态实验站对第一代、第二代杉木林和地带性阔叶林土壤活性有机质主要组分进行了研究.结果表明,土壤活性有机质各组分含量均为杉木林低于阔叶林,而第二代杉木林又低于第一代杉木.第一代杉木林活性有机质总量、微生物生物量碳、水溶性有机碳和碳水化合物含量分别为18.79 g·kg^-1、421.7 mg·kg^-1、22.2 mg·kg^-1和136.3 mg·kg^-1,上述活性有机质组分在第二代杉木林中的含量分别是第一代杉木林的73.6%、87.9%、66.3%和3.2%,地带性阔叶林则分别为22.31 g·kg^-1、800. mg·kg^-1、361.1 mg·kg^-1和220.1 mg·kg^-1.相关性分析结果表明,土壤活性有机质各组分之间具有不同程度的相关性,其中土壤微生物生物量碳与其它活性有机质组分的相关性相对较高.     

基于SVR算法的林地土壤氮含量高光谱测定

提出了一种利用高光谱技术进行杉木林土壤全氮测定的新方法。以FieldSpec®3地物光谱仪采集杉木林土壤148份, 随机分成校正集(100份)和检验集(48份)。以不同方法实现了土壤光谱的预处理, 并采用偏最小二乘回归算法(PLS)建立土壤氮含量估测模型对其进行比较分析, 发现小波除噪结合多元散射校正能最有效地消除原始光谱的噪声与背景信息, 此时PLS模型校正集与预测集R²分别为0.891与0.885。为进一步优化模型, 对经小波除噪结合多元散射校正处理后的光谱采用主成分分析法(PCA)降维, 以前4个主成份为输入变量, 采用小二乘支持向量机回归算法(LS-SVR)建立了土壤氮含量估测模型, 其校正集与预测集R²分别提高至0.921与0.917, 具有比PLS算法更高的精度。结果表明:以高光谱技术进行林地土壤氮含量快速监测是可行的, 其中小波去噪结合多元散射校正系光谱预处理的优选方法, 而LS-SVR则是建模的优选方法。     

宇宙射线中子法在农田土壤水分监测中的适用性

近年来,宇宙射线中子法(CRNS法)逐渐被应用到农田生态条件下的土壤水分监测领域,但其在田间应用时的空间代表性和测定精度还需进一步研究。本研究在华北平原冬小麦农田开展宇宙射线中子法应用效果的评价研究,采用超快速中子适应性(URANOS)模型计算CRNS法的空间权重,对CRNS法获得的土壤含水量与实测土壤含水量进行对比,以准确估算监测空间内的蓄水量。结果表明: 通过URANOS直接模拟得到的权重分布更符合理论值,测定半径在127~139 m。CRNS法估算的土壤含水量与实测土壤含水量的决定系数达到0.64,均方根误差达到0.05 cm³·cm^-3。CRNS法所得土壤含水量对探测区域内总体水分的变化响应灵敏,测定准确度有季节性变化规律。宇宙射线中子法是一种可用于冬小麦农田的连续、可靠的区域总体水分监测方法。     

基于地面观测光谱数据的冬小麦冠层叶片氮含量反演模型

冬小麦冠层叶片氮含量是反映其产量与品质的重要指标,构建高普适性、高精准性冬小麦冠层叶片氮含量高光谱反演模型对提高其监测效率具有重要意义。以不同地点、品种、年份、施氮水平、生育期的大田试验数据为基础,基于两波段光谱植被指数NDRE和550 nm光谱反射率组合构建一个三波段植被指数NEW-NDRE,并与11个传统冬小麦冠层叶片氮素光谱指数进行比较。结果表明: NEW-NDRE及传统植被指数中NDRE、NDDA、RI-1dB与冬小麦冠层叶片氮含量的相关性较好;其中,灌浆初期NEW-NDRE与冬小麦冠层叶片氮含量相关性最好,决定系数R²为0.9,均方根误差(RMSE)为0.4;经独立数据检验,以NEW-NDRE为变量建立的冬小麦冠层叶片氮含量反演模型的平均相对误差(RE)为9.3%,明显低于以NDRE、NDDA、RI-1dB为变量的模型RE。总体上,新构建的NEW-NDRE对冬小麦冠层叶片氮含量的模拟能力显著优于传统指数,减弱了试验条件的限制性,可为精准施肥提供新的技术支撑。     

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.     

3PG碳生产模型在长白山阔叶红松林总初级生产力估算中的应用

利用ChinaFLUX长白山站阔叶红松林的通量观测数据以及同期卫星遥感数据,对3PG模型中的植被光合模型(VPM)、光能利用率模型(EC-LUE)、陆地生态系统模型(TEM)、卡内基-埃姆斯-斯坦福方法模型(CASA)4种模型进行参数重组,通过对比通量观测值与估算值的均方根误差、决定系数及平均误差确定模型的最适合参数;并利用实测的通量观测数据对优化后的模型进行拟合度验证,以提高其估算长白山阔叶红松林总初级生产力(GPP)的准确性.结果表明: 采用温度、增强植被指数、地表水分指数分别表征原模型中的温度限制因子、光合有效辐射吸收比例、水分限制因子估算长白山阔叶红松林GPP时,结果最优,优化后模型的精度(R²=0.948,RMSE=0.035 mol·m^-2·month^-1)明显优于原模型(R²=0.854,RMSE=0.177 mol·m^-2·month^-1),且能够有效改善原模型生长季明显高估的现象;通过敏感性分析可知,温度是对GPP估算不确定性影响最大的参数,其次为增强型植被指数和光合有效辐射,地表水分指数最小,且变量间的交互作用对GPP估算不确定性也存在影响.     

气孔导度模型在北方农牧交错带的适用性评价——以马铃薯和油葵为例

基于北方农牧交错带主要作物马铃薯和油葵的叶片气孔导度、净光合速率和气象因子的平行观测数据,对常用气孔导度模型(Jarvis模型、Ball-Berry模型、Leuning模型和Medlyn模型)进行了适用性评价.结果表明:马铃薯的气孔导度与净光合速率呈现较强的线性关系,而油葵气孔导度与净光合速率的线性关系较弱.对于马铃薯气孔导度,Ball-Berry模型模拟效果最佳,Leuning模型和Medlyn模型次之,Jarvis模型模拟效果最差;各模型的模拟值与观测值的均方根误差(RMSE)分别为0.0331、0.0371、0.0456和0.0794 mol·m^-2·s^-1,归一化均方根误差(NRMSE)分别为26.8%、30.0%、36.9%和64.3%,拟合度(R²)分别为0.96、0.61、0.91和0.88.对于油葵的气孔导度,Jarvis模型模拟效果略好于Ball-Berry模型、Medlyn模型和Leuning模型,其RMSE分别为0.2221、0.2534、0.2547和0.2758 mol·m^-2·s^-1,NRMSE分别为40.3%、46.0%、46.2%和50.1%,R²分别为0.38、0.22、0.23和0.20.气象因子对气孔导度作用的通径分析表明,北方农牧交错带马铃薯和油葵气孔导度日变化主要受饱和水汽压差影响.模型评价结果表明用于油葵的气孔导度模型需要进一步改进.     

基于东北温带落叶阔叶林通量数据的BEPS 模型参数优化

控制其他参数为经验常数,利用迭代方法对主要光合作用参数最大羧化速率(V_{c max}) 及最大电子传递速率(J_max)进行不同数值组合,将得到的多组模拟结果的逐日总初级生产力(GPP)分别与东北帽儿山落叶阔叶林的通量观测数据进行比较,实现对小时步长BEPSHourly模型V_{c max}和J_max的参数优化.结果表明: 对于东北温带落叶阔叶林,当V_{c max}为41.1 μmol·m^-2·s^-1、J_max 为82.8 μmol·m^-2·s^-1时,模拟的2011年逐日GPP与观测数据比较的均方根误差(RMSE)最小,为1.10 g C·m^-2·d^-1,R²最高,为0.95.经过光合作用参数V_{c max}和J_max优化后,BEPSHourly模型能更好地模拟GPP的季节变化.