基于实测光谱混合像元分解的苹果园地遥感提取技术

以山东省栖霞市为研究区,对苹果花期的TM影像进行混合像元分解,提取苹果园地信息.基于实测地物光谱端元,利用小波变换对线性分解模型进行改进,采用实测端元改进后线性分解模型、实测端元线性分解模型、TM影像端元线性分解模型分别提取研究区苹果园地信息,并以ALOS数据进行精度评价.结果表明:经过精确的大气及地形校正后,可以利用实测光谱端元进行混合像元分解,面积精度＞97％,对丰度图像的归一化植被指数(NDVI)值与ALOS数据的平均NDVI值进行回归分析,R2＞0.8;利用小波变换对线性分解模型进行改进,可在一定程度上提高分解精度.     

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.     

基于高光谱的苹果果期冠层光谱特征及其果量估测

苹果冠层光谱特征是苹果树遥感生理监测和生产管理的重要依据。对栖霞市苹果果期的冠层反射光谱进行实测,结合数码照相技术探明了苹果果期的反射光谱特性和敏感波段,并通过敏感波段与果树比指标建立回归模型,实现了对苹果冠层果量(果树比)的无损估测。结果表明:苹果树果期冠层光谱曲线总体表现为对蓝光和红光的吸收及对绿光的反射,在近红外750—1300nm之间表现为强烈的反射,且在1650nm和2200nm附近呈现两个反射峰。选择435、670、730、940、1140nm和1480nm等6个波段为苹果果期的敏感波段。利用这些波段分别构建了差值、比值及归一化植被指数,筛选了最佳光谱参数,进而构建了果量(果树比)估测模型,经筛选验证确定苹果果量的最佳估测模型为:y=0.0086[NDVI(940,730)]2-1.0934NDVI(940,730)+0.3209。模型为苹果果期果量的精确估测提供了比较快捷的方法途径。     

基于小波变换的土壤有机质含量高光谱估测

利用统计分析方法选取了土壤N、P、K元素含量近似而有机质含量差异较大的样本60个,通过高光谱探测分析获得样本反射率对数的一阶导数光谱,采用Bior 1.3函数进行多层离散小波分解,剔除低频近似信号和高频噪声信号,得到反映土壤理化参数的特征光谱曲线;采用相关分析筛选土壤有机质含量的显著相关波段,基于显著相关波段和特征光谱曲线分别构建土壤有机质含量高光谱多元回归估测模型;通过比较分析,确定了提取土壤有机质特征光谱的最佳小波分解尺度并构建了最佳预测模型.结果表明： 提取土壤有机质特征光谱的最佳小波分解层数是9层,其次是8层和10层;基于小波9层分解特征光谱曲线的有机质含量估测模型最佳,其决定系数（R²）为0.89,比基于显著相关波段构建模型的R²增加了0.31,比基于原始光谱所构建模型的R²增加了0.10.     

花期苹果树冠氮素营养状况的卫星遥感反演

以山东栖霞为研究区,基于TM和ALOS影像获取花期苹果树的冠层反演反射率,结合实测反射率,构建并筛选氮素敏感光谱指数,以敏感光谱指数为自变量,建立氮素反演模型,利用精度最高模型进行空间反演.结果表明： 光谱指数与氮素营养相关性为：冠层＞叶＞花,敏感指数构成以绿、红、近红外波段为主;反演模型精度为：支持向量机回归＞逐步回归＞单变量回归;基于不同影像的反演结果近似,叶N含量均以3～4等(27～33 g·kg^-1)为主,冠N指标均以2～4等(TM: 38～47 g·kg^-1; ALOS: 32～41 g·kg^-1)为主;基于不同影像的空间布局亦类似,研究区北部和南部的营养水平高于中部,叶N和冠N高等级区域位于西北部的苏家店镇和松山街道、东北部的臧家庄镇和亭口镇、南部的蛇窝泊镇等,与苹果生产重点镇布局一致.此研究为果树营养状况的宏观数据获取提供了可行方法,也可为其他类似遥感反演提供借鉴.     

山丘区苹果树花期冠层反射率的定量遥感反演

采用山东省栖霞市苹果树花期不同分辨率的TM和ALOS影像,充分考虑坡向系数和冠层花叶比,通过地形辐射校正获取地表反演反射率,再经混合像元分解获取苹果树冠层的反演反射率,将30个果园样方的反演结果与同时段实测反射率及表观反射率进行比较,分析反演效果和精度.结果表明:地形辐射校正有效减弱了地形和大气的影响,恢复了阴影处地物,地表反演反射率影像的解析力大幅提高;无论是TM还是ALOS影像,冠层反演反射率的绝对误差和相对误差均最小,所有波段的相对误差表现出一致性,且样方间变化趋势与实测值最一致,说明混合像元分解是必要的.反演方法应用于不同分辨率影像,表现出相似的反射率变化特点,高分辨率图像更具优势,但受波段限制,可与中分辨率影像结合使用.     

GF1-WFV与Landsat8-OLI对植被信息的提取差异研究

随着遥感技术的不断发展,中高分辨率影像逐渐在植被监测中发挥着重要的作用。为了明确高分辨率传感器在不同生态系统植被提取中的必要性,以内蒙古鄂伦春自治旗为研究对象,设置城市区域和森林区域两个应用靶区,以GF1-WFV和Landsat8-OLI两种传感器同期影像为对比数据集,探究不同分辨率下遥感植被信息提取差异。结果表明:①Landsat 8对比GF-1在城市区域和森林区域的植被指数高估、低估状态相反,城市区域GF-1的NDVI(Normalized Difference Vegetation Index,NDVI)和SAVI(Soil-Adjusted Vegetation Index,SAVI)均值比Landsat 8低5.69%和1.41%,在森林区域则高出0.77%和5.86%;②高分辨率影像避免了城市中绿化植被(GF-1植被占比71.30%和71.31%,Landsat 8为58.28%和58.30%)和森林中裸地、道路(GF-1植被占比94.97%和94.92%,Landsat 8为95.00%和94.99%)被漏提。③在分级面积上,Landsat 8相比GF-1数据在城市区域存在低覆盖度等级的6.67%和6.77%低估,在森林区域出现高覆盖度等级的12.11%和12.47%高估。研究结果反映了低绿化建成区和高密度林区更加需要使用高分影像作为植被监测工具。