基于Sentinel-2A数据的东北森林植物多样性监测方法研究

植物多样性监测是开展生物多样性评估, 制定生物多样性保护政策的基础。传统的森林植物多样性监测以实地调查为主, 难以快速获取森林植物多样性的空间分布及其动态变化信息。遥感技术的发展为评估区域尺度森林植物多样性提供了重要工具。该研究选取凉水、丰林和珲春3个国家级自然保护区, 利用Sentinel-2A卫星影像和野外实测数据, 探讨了基于像元和聚类的光谱多样性直接估算方法, 以及基于随机森林回归的森林植物多样性反演方法。研究结果表明: (1)在像元尺度, 基于凸包面积计算的光谱多样性指数对Shannon-Wiener多样性指数的估算精度(R² = 0.74)优于基于变异系数的方法(R² = 0.60); (2)基于像元的光谱多样性估算方法对Shannon-Wiener多样性指数的估算精度优于聚类分析方法(R² = 0.59); (3)基于6个特征变量, 利用随机森林回归算法对Shannon-Wiener多样性指数的估算精度最高(R² = 0.79); (4)上述方法均不能精确估算Simpson多样性指数和物种丰富度。研究发现基于Sentinel-2A卫星影像能较好地反演Shannon-Wiener多样性指数, 为下一步能在大尺度上进行森林植物多样性估算提供了参考和依据。     

基于无人机的冬小麦拔节期表层土壤有机质含量遥感反演

快速监测大面积分布的盐渍化麦田土壤有机质含量,可为推进盐渍土改良和促进碳循环研究提供数据支撑。通过野外采样与获取无人机遥感影像,分别基于裸土和植被情况,采用多元线性回归(MLR)、偏最小二乘回归(PLSR)和支持向量机回归(SVR)3种方法,建立区域有机质含量遥感模型,并进行检验和对比,确定最优的土壤有机质含量反演模型;最后基于最优模型进行研究区表层土壤有机质的反演,并与插值结果进行比较。结果表明: 经5×5的中值滤波处理后的光谱与土壤表层有机质对应最优;3种模型中,SVR模型的预测精度最高,PLSR次之,MLR效果最差。对比两种变量的建模效果,基于植被的SVR建模效果最好,其建模决定系数(R²)、均方根误差(RMSE)分别为0.89、0.20,验证R²、RMSE分别为0.82、0.24;基于裸土的建模效果不理想,最优的也是SVR模型,其建模R²、RMSE分别为0.63、0.26,验证R²、RMSE分别为0.61、0.25。根据最优模型反演得到该区域有机质含量为17.51～22.53 g·kg^-1,平均值为19.51 g·kg^-1,与实地调查结果较为一致;插值结果与反演结果相比,精度受到限制。综上,基于无人机多光谱可以对盐渍土冬小麦拔节期土壤有机质含量进行快速、大范围精准估测。     

基于高光谱和数字图像特征指数的受渍冬小麦SPAD估算

为了探索基于高光谱和数字图像技术的受渍冬小麦SPAD最优监测方法,本研究基于排灌可控的微区试验,通过分析常用的15个高光谱特征指数和14个数字图像特征指数与受渍冬小麦叶绿素相对含量(SPAD)的相关关系,构建了基于最优监测特征指数的BP神经网络模型,对受渍冬小麦的SPAD进行估算。结果表明: 与正常小麦相比,短期渍水(≤7 d)对冬小麦的SPAD值和高光谱反射率影响不明显,当渍水时间大于12 d时,SPAD值随着渍水时间的增加急剧降低,在生长后期接近于0;基于数字图像特征指数(绿红差值植被指数、超红指数、红光标准化值和超绿指数)的冬小麦SPAD估算结果,与基于相对应的高光谱波段的估算结果基本一致,估算模型实测值与预测值的R²最高达到0.86,均方根误差(RMSE)为3.98;与基于数字图像特征指数相比,基于类胡萝卜素反射指数、黄边幅值、归一化植被指数和结构不敏感指数4个高光谱特征指数的冬小麦SPAD估算模型的实测值与预测值的R²最高达到0.97,RMSE低至1.95。可见,基于高光谱和数字图像技术均可以进行受渍冬小麦SPAD估算,且基于高光谱特征指数的BP神经网络模型的估算结果较好。     

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。     

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。     

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%.     

基于无人机遥感监测滩涂湿地入侵种互花米草植被覆盖度

为了实现对沿海滩涂湿地资源与生态环境的有效管理与利用,需要对区域内的入侵种互花米草进行高精度的监测与分析.本文以福建三沙湾为试验区,以低空无人机获取的可见光和多光谱影像为数据源,对互花米草植被覆盖度进行监测与分析,通过NDVI指数模型获取了多光谱影像的植被覆盖度信息,以可见光影像为参考进行了精度检验.结果表明: 影像区互花米草植被覆盖度以40%～60%和60%～80%的中高和高等级覆盖度为主.NDVI模型估算值与真实值之间的均方根误差RMSE为0.06,决定系数R²为0.92,两者具有较好的一致性.     

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。     

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.     

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。     

基于作物生长监测诊断仪的双季稻叶片氮含量和氮积累量监测

为了验证作物生长监测诊断仪(CGMD)监测双季稻氮素营养指标的准确性和适用性,构建基于CGMD的双季稻叶片氮含量(LNC)和氮积累量(LNA)的监测模型。选用8个不同早、晚稻品种,设置4个不同施氮水平,利用CGMD采集冠层差值植被指数(DVI)、归一化植被指数(NDVI)和比值植被指数(RVI),同步利用ASD FH2高光谱仪采集冠层光谱反射率,并计算DVI、NDVI和RVI;通过比较CGMD和ASD FH2采集的冠层植被指数变化特征,验证CGMD的测量精度,构建基于CGMD的LNC和LNA监测模型,并利用独立试验数据对模型进行检验。结果表明: 早、晚稻LNC、LNA、DVI、NDVI和RVI随施氮水平的增加而增大,随生育进程的推进呈先升后降的趋势;CGMD与ASD FH2采集的DVI、NDVI和RVI间拟合的决定系数(R²)分别为0.9350、0.9436和0.9433,表明CGMD的测量精度较高,可替代ASD FH2采集冠层植被指数。基于CGMD的3个冠层植被指数相比,NDVI_CGMD与LNC的相关性最高,RVI_CGMD与LNA的相关性最高;基于NDVI_CGMD的指数模型可较准确地预测LNC,模型R²为0.8581～0.9318,模型检验的均方根误差(RMSE)、相对均方根误差(RRMSE)和相关系数(r)分别为0.1%～0.2%、4.0%～8.5%和0.9041～0.9854;基于RVI_CGMD的幂函数模型可较准确地预测LNA,模型R²为0.8684～0.9577,模型检验的RMSE、RRMSE和r分别为0.37～0.89 g·m^-2、6.7%～20.4%和0.9191～0.9851。与化学分析方法相比,利用CGMD可便捷准确地获取早、晚稻的LNC和LNA,在双季稻丰产高效栽培和氮肥精确管理中具有应用价值。     

江西双季稻氮素监测诊断模型的建立与应用

建立基于光谱仪的江西双季稻氮素监测诊断模型,可指导氮肥精确施用,达到双季稻丰产、提质、增效的目的。本研究开展了不同早、晚稻品种与氮素水平的小区试验,采用GreenSeeker光谱仪和作物生长监测诊断仪(CGMD)于分蘖期和拔节期测定了早、晚稻冠层光谱植被指数和植株氮积累量,建立了双季稻植株氮积累量光谱监测模型,并采用独立的田间试验数据对模型进行检验。利用双季稻丰产栽培经验及建立的氮素光谱诊断模型,对双季稻分蘖肥和穗肥施氮量进行定量推荐。结果表明: 双季稻氮肥施用关键期(分蘖期和拔节期)基于两种光谱仪的光谱植被指数与植株氮积累量均呈显著正相关,分蘖期和拔节期的模型预测效果比生长前期模型好。基于GreenSeeker光谱仪的归一化差值植被指数(NDVI_(780,660))的指数方程可较好地预测植株氮积累量,模型决定系数(R²)为0.92～0.94,模型检验的均方根误差(RMSE)、相对均方根误差(RRMSE)和相关系数(r)分别为3.09～5.96 kg·hm^-2、5.8%～18.5%和0.92～0.98;基于CGMD光谱仪的差值植被指数(DVI_(810,720))的线性方程可较好地预测植株氮积累量,R²为0.90～0.93,模型检验的RMSE、RRMSE和r分别为3.71～6.33 kg·hm^-2、11.7%～14.3%和0.93～0.96。基于CGMD光谱仪的模型推荐的施氮量高于基于GreenSeeker光谱仪的模型推荐的施氮量;模型生成的精确施氮方案较传统农户方案减少施氮量5.5 kg·hm^-2,氮肥农学利用率提高0.8%,纯收益提高128元·hm^-2。用双季稻氮素光谱诊断方法指导施肥能在增产的同时,降低成本,增加纯收益,对科学指导双季稻生产具有重要意义。     

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.     

基于减量精细采样法估算小麦叶片氮积累量的最佳归一化光谱指数

基于6个小麦品种、5个施氮水平、4年田间试验条件下不同生育时期的小麦叶片高光谱反射率和相应的氮含量及生物量,采用减量精细采样法,系统构建了350～2500 nm范围内所有两两波段组成的归一化光谱指数［NDSI（i, j）］,综合分析了小麦叶片氮积累量(LNA, g N·m^-2)与NDSI（i, j）的定量关系,确定了估算叶片氮积累量的新高光谱特征波段和光谱指数,进而建立了小麦叶片氮积累量监测模型.结果表明：估算小麦叶片氮积累量的敏感波段主要存在于可见光区和近红外区,最佳特征波段组合为720 nm和860 nm;基于NDSI(860,720)的叶片氮积累量监测模型为LNA=26.34×［NDSI(860,720)］^1.887（R²=0.900,SE=1.327）.利用独立试验资料的检验结果表明,基于NDSI(860,720)建立的回归模型对小麦叶片氮积累量的估测精度为0.823,RMSE为0.991 g N·m^-2,模型预测值与观察值之间的符合度较高.可利用新的归一化高光谱参数NDSI(860,720)来估算小麦叶片氮积累量.