基于多光谱影像的森林树种识别及其空间尺度响应

当前,不同空间分辨率卫星影像对森林类型识别结果中普遍存在的尺度效应,而且纹理参量对不同尺度下树种识别精度的影响仍缺乏广泛认知.本研究以中国东北旺业甸林场为研究区,采用观测时相同步、地理坐标匹配的GF-1 PMS、GF-2 PMS、GF-1 WFV,以及Landsat-8 OLI卫星传感器数据组成空间尺度观测序列(1、2、4、8、16、30 m),并结合支持向量机(SVM)模型,探讨了区域内5种优势树种遥感识别结果的尺度变化规律及其纹理特征参数的影响,同时检验了基于尺度上推转换影像的树种识别结果差异.结果表明: 影像空间分辨率对区域树种识别结果具有显著影响,其中,研究区森林树种识别的最佳影像分辨率为4 m,当分辨率降低至30 m时,树种识别结果最差.在1～8 m影像分辨率范围内,增加纹理信息能够显著提高不同优势树种的识别精度,使总分类精度提升了2.0%～3.6%,但纹理信息对16～30 m影像的识别结果没有显著影响.与真实尺度卫星影像相比,基于升尺度转换影像的树种识别结果及其尺度响应特征存在显著差异,表明在面向多个空间尺度的遥感观测和应用研究中,需要采用真实分辨率影像以确保结果的准确性.     

黑河流域叶面积指数（LAI）空间尺度转换

为有机地整合利用不同分辨率遥感数据获取的陆面过程以及其他相关的环境变量,尺度问题越来越受到人们的重视.选取黑河张掖绿洲区为实验研究区,利用ETM 影像反演的LAI通过升尺度转换到900m分辨率,对LAI尺度转换过程中引起的误差进行了定量分析,尝试提出一种新的基于NDVI像元分解的更有效的升尺度转换方法.研究发现非线性的升尺度算法引起的误差不超过 10.5%,且误差大小与地表异质性程度正相关,而地表异质性是导致LAI尺度转化误差的主要原因,严重时可能造成 45%的偏差,但纯像元LAI的计算不受尺度影响.提出的基于NDVI像元分解的LAI升尺度转换算法,分两步考虑了地表异质性问题,很好的实现了研究区30m空间精度 LAI向900m的尺度转换,该方法应用于干旱、半干旱的中国西北黑河流域NASA 发布的MODIS LAI产品校正,取得了良好效果.     

基于数字相机、ASTER和MODIS影像综合测量植被盖度

选择我国北方温带典型草原作为研究对象,基于Bottom-up方法,采用地表实测和多尺度遥感综合测量的方法,建立基于地表实测与多尺度遥感数据综合测量的两阶段植被盖度经验模型。此外,还将该模型与常用的亚像元分解模型相比较,结果表明:1)两阶段经验模型可以较好地实现将地面数据扩展到中尺度空间范围,从而完成数据空间尺度的转换,提高大区域草地植被盖度的测量精度;2)MODIS遥感影像数据,结合地面数据和ASTER遥感影像数据可以较好地在区域范围内对北方典型草原的植被盖度进行估测;3)目前常用的亚像元分解模型,应用于中空间分辨率的MODIS影像,估测北方温度典型草原植被盖度的精度不够理想。     

4-Scale几何光学模型冠层反射率模拟的空间尺度适用性

明确4-Scale模型模拟森林冠层反射率适用的空间尺度,有助于提高其应用于不同植被类型冠层反射率模拟时的精度,进而提升其开展叶面积指数、郁闭度和其他参数的反演精度。以黑龙江省尚志市帽儿山实验林场2块100 m×100 m森林样地(阔叶林与混交林各一块)为研究对象,分别分割为10、20、30、40和50 m空间尺度,使用4-Scale模型模拟森林冠层反射率,采用局部平均法、最邻近法、双线性内插法和立方卷积法对空间分辨率为10 m的Sentinel-2影像升尺度转换至其他尺度并评价,对比分析模拟冠层反射率和遥感像元反射率,明确混交林和阔叶林适合4-Scale模型高精度反演参数的空间尺度。结果表明：4-Scale模型整体低估了像元森林冠层反射率,混交林和阔叶林冠层反射率在20 m尺度的模拟效果均最差,红光波段和近红外波段的均方根误差(RMSE)和平均绝对偏差(MAE)均较大;>20 m尺度的模拟效果开始变好,混交林40 m、阔叶林30 m时模型的适用性最佳,红光波段和近红外波段下,模拟值与遥感像元反射率之差的均值和标准差最小,RMSE和MAE同样最小;10 m尺度混交林和阔叶林模拟结果...     

植被叶面积指数遥感反演的尺度效应及空间变异性

遥感作为宏观生态学研究中数据获取的一种便捷手段,有助于把握较大尺度内生态学现象的特征.应用遥感数据反演LAI时,由于像元的异质性,不同尺度遥感数据之间的转换是遥感发展的一个重要问题.以河北省黄骅市为研究区,在利用TM和MODIS遥感数据对芦苇LAI反演误差产生原因进行分析的基础上,利用半变异函数对像元空间异质性进行了定量描述.发现NDVI算法的非线性带给LAI尺度转换的误差很小,而LAI的空间异质性则是引起LAI尺度效应的根本原因.并且当像元内空间异质性很大时半变异函数的基台值比纯像元要大得多,空间自相关的程度是引起LAI尺度转换误差的主要原因;反之,像元内空间异质性不大时,随机误差是引起LAI尺度转换误差的主要原因.当像元为纯像元时,由像元异质性引起的反演误差基本可以忽略.此外,研究区芦苇的空间相关有效尺度约为360m,超过此距离空间相关性则不复存在.     

联合GF-6和Sentinel-2红边波段的森林地上生物量反演

光谱反射率能反映地物差异,是森林地上生物量（Aboveground Biomass,AGB）遥感反演的理论基础。红边波段处于近红外与红光波段交界处快速变化的区域,能对植被冠层结构和叶绿素含量的微小变化做出快速反应,对植被生长状况较敏感。研究以GF-6和Sentinel-2多光谱影像作为数据源,结合野外调查AGB数据,构建落叶松和樟子松AGB线性和非线性估测模型,通过比较模型精度选择最优模型进行森林AGB反演和空间分布制图。结果表明：GF-6和Sentinel-2影像红边波段反射率与落叶松、樟子松AGB均呈显著相关（P<0.05）,红边波段对AGB估测较敏感。多变量估测模型整体估测效果优于单变量模型,所有模型中多元线性回归模型取得了最优的决定系数（落叶松R²=0.66,樟子松R²=0.65）和最低的均方根误差（落叶松RMSE=31.45 t/hm²,樟子松RMSE=54.77 t/hm²）。相比单个数据源,联合GF-6和Sentinel-2影像构建的多元线性回归模型估测效果得到了显著提升,模型RMSE对于落叶松和樟子松AGB估测分别最大降低了22.9%和11.2%。增加红边波段进行AGB估测能显著提高模型估测精度,三组数据源分别加入红边波段信息后进行建模,模型RMSE得到了显著降低。GF-6拥有800 km观测幅宽和高效的重访周期,可以快速地提供大尺度时间序列数据,在森林地上生物量反演和动态监测方面有着很大潜力。     

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.     

基于地-空遥感耦合的冬小麦叶片氮积累量估算

利用不同冬小麦生态区同步的SPOT-5多光谱遥感影像、地面光谱数据和植株取样数据,提出一种基于波谱响应函数拟合和混合像元分解的纯净像元光谱提取方法,并对比分析了纯净像元光谱、模拟像元光谱和实测像元光谱与冬小麦叶片氮积累量（LNA）的定量关系.结果表明： 模拟像元光谱对叶片氮积累量的反演效果较好,纯净像元光谱反演效果次之,实测像元光谱最差;但基于模拟像元光谱的LNA监测模型不能直接外推至空间尺度.模型检验结果表明,基于纯净像元光谱的LNA监测模型在2个小麦生态区均具有较好的精度和稳定性,该方法综合利用了地-空遥感的优点,可以推广应用到其他不同空间分辨率和光谱分辨率的遥感数据,从而为区域性冬小麦氮素营养状况的遥感监测提供技术依据.     

多尺度遥感数据协同的干旱地区植被覆盖度提取

纯植被像元获取是植被覆盖信息遥感反演的必要环节。干旱地区植被分布零散稀疏,使用中、低分辨率遥感数据提取植被覆盖度时,难以获取纯植被像元,致使植被覆盖度提取精度较低。针对上述问题,本文提出一种基于多尺度遥感数据协同的干旱区植被覆盖度反演方法。该方法利用空间分辨率较高的Landsat-8 OLI数据确定纯植被像元,考虑到不同传感器之间的光谱差异,使用实测地物光谱数据进行光谱转换,代替中等分辨率MODIS数据的纯植被像元,应用于像元二分模型,选择典型的干旱区新疆阜康市为研究区,进行植被覆盖度反演实验,最后使用无人机航拍影像对反演结果进行精度验证。结果表明,植被覆盖度反演结果精度较高,与实测值间存在较高的相关性(R2=0.75),均方根误差较低(RMSE=0.10)。该方法能够有效提高干旱区植被覆盖度反演精度,可为利用中低分辨率数据研究干旱地区生态环境变化提供一种新思路。     

利用亚像元尺度信息改进区域冬小麦生长的模拟

为了探寻遥感观测面尺度与作物模型模拟点尺度不匹配问题的解决方案并改善区域作物生长模拟精度,以河南省鹤壁市为研究区,以冬小麦为研究对象,基于MODIS、Landsat 8遥感数据和Wheat SM作物生长模型,通过MODIS LAI过程线重建、亚像元尺度信息提取、集合卡尔曼滤波同化等方法,进行了冬小麦生长模拟的研究。结果表明:通过MODIS LAI过程线重建并提取亚像元尺度信息,冬小麦纯度在80%以上的遥感反演LAI与冬小麦两个关键生育期实测冠层LAI的均方根误差(RMSE)为0.69,以最近邻域法赋值到整个模拟区域,研究区2013—2017年模拟总产和实际总产相比的RMSE在未同化遥感反演的LAI信息时为6.73×108kg,同化未利用亚像元尺度信息调整的遥感估算LAI时,RMSE上升到8.24×108kg,同化利用亚像元尺度信息分区赋值的遥感LAI时,RMSE下降到3.48×108kg。利用亚像元尺度信息生成与作物模型时空尺度匹配的格点化LAI遥感产品,可提高作物生长模型区域化应用的精度。     

Comparison of the use of Landsat 8, Sentinel-2, and Gaofen-2 images for mapping soil pH in Dehui,northeastern China

Mapping the distribution and quantity of soil properties is important for black soil protection, management, and restoration in northeastern China. The objective of this study was to evaluate the effect of the spatial resolution on soil pH mapping using satellite images of the black soil region in northeastern China. A high spatial resolution Gaofen (GF)-2 high-definition image and multispectral images acquired by the Landsat 8 operational land imager and Sentinel-2 multi-spectral instrument were used to compare their performance in soil pH prediction. The spectral variables, including the original bands of the three satellite images and a variety of spectral indices derived from the original bands, were employed. Then, a machine learning model (quantile regression forest) was used to determine the relationships between the spectral variables and the measured soil pH, and prediction models were established to estimate the soil pH and to characterize the spatial pattern of the soil pH. The results revealed that the soil pH prediction model based on the GF-2 image had a slightly higher prediction accuracy than the models constructed using the Landsat 8 and Sentinel-2 images. The prediction models for Landsat 8, Sentinel-2, and GF-2 had root mean square errors of 0.34, 0.39, and 0.31, respectively. The use of remote sensing images with a high spatial resolution may not substantially increase the prediction accuracy of soil pH mapping compared with the results derived from medium-resolution images.     

基于高分辨率遥感影像的北亚热带森林生物量反演

以北亚热带湖北省太子山林场为研究对象,基于高空间分辨率GF-2与SPOT-6卫星影像,提取不同窗口大小下的纹理信息与光谱信息,利用随机森林回归算法,并结合野外实测106块样地的生物量数据,建立不同影像下的太子山林场森林生物量反演模型。结果显示：（1） GF-2和SPOT-6虽然空间分辨率有差异,但是从其不同波段反射率的相关系数（0.75、0.78、0.73、0.61）发现,两种影像的波段反射率具有较高的相关性,说明两者的辐射性能相近;（2）通过分析不同纹理特征对生物量模型的影响,发现均值和对比度纹理参数对生物量反演具有很好的效果。（3）高分辨率的遥感数据在生物量反演中具有较好的表现,且GF-2生物量模型精度（R²=0.88,RMSE=27.11 Mg/hm²）与SPOT-6生物量模型的精度（R²=0.89,RMSE=23.93 Mg/hm²）相近。（4）两种影像对不同森林类型的生物量预测值不存在显著差异,都适合对不同林分类型的生物量进行预测。     

基于遥感与模型耦合的冬小麦生长预测

遥感的空间性、实时性与作物生长模型的过程性、机理性优势互补,将两者有效耦合已成为提高作物生长监测预测能力的重要手段之一。提出了一种基于地空遥感信息与生长模型耦合的冬小麦预测方法,该方法基于初始化/参数化策略,以不同生育时期的小麦叶面积指数(LAI)和叶片氮积累量(LNA)为信息融合点将地面光谱数据(ASD)及HJ-1 A/B CCD、Landsat-5 TM数据与冬小麦生长模型(WheatGrow)耦合,反演得到区域尺度生长模型运行时难以准确获取的部分管理措施参数(播种期、播种量和施氮量),在此基础上实现了对冬小麦生长的有效预测。实例分析结果表明,LNA较LAI对模型更敏感,以之作为耦合点的反演效果较好。另外,抽穗期是遥感信息与生长模型耦合的最佳时机,对播种期、播种量和施氮量反演的RMSE值分别达到5.32 d、14.81 kg/hm²、14.11 kg/hm²。生长模型与遥感耦合后的模拟结果很好地描述了冬小麦长势和生产力指标的时空分布状况,长势指标的模拟相对误差小于0.25,籽粒产量模拟的相对误差小于0.1。因此研究结果可为区域尺度冬小麦生长的监测预测提供重要理论依据。     

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。     

Hierarchical Bayesian geostatistics for C stock prediction in disturbed plantation forest in Zimbabwe

We develop and present a novel Bayesian hierarchical geostatistical model for the prediction of plantation forest carbon stock (C stock) in the eastern highlands of Zimbabwe using multispectral Landsat-8 and Sentinel-2 remotely sensed data. Specifically, we adopt a Bayesian hierarchical methodology encompassing a model-based inferential framework making use of efficient Markov Chain Monte Carlo (MCMC) techniques for assessing model input parameters. Our proposed hierarchical modelling framework evaluates the influence of two but related covariate information sources in C stock prediction in order to build sustainable capacity on carbon reporting and monitoring. The perceived improvements in the spectral and spatial properties of Landsat-8 and Sentinel-2 data and their potential to predict C stock with shorter uncertainty bounds is tested in the developed hierarchical Bayesian models. We utilized the Mean Squared Shortest Distance (MSSD) as the objective function for optimization of sampling locations for equal area coverage. Specifically, we evaluated the models using four selected remotely sensed vegetation indices namely, the normalised difference vegetation index (NDVI), soil adjusted vegetation index (SAVI), enhanced vegetation index (EVI) and an additional distance to settlements anthropogenic variable that justifies from the history of the studied plantation forest in the eastern highlands of Zimbabwe. We evaluated two models making use of Landsat-8 and Sentinel-2 derived predictors using the Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Coverage (CVG) and Deviance Information Criteria (DIC). The Sentinel-2 based C stock model resulted in RMSE of 1.16 MgCha⁻¹, MAE of 1.11 MgCha⁻¹, CVG of 94.7% and a DIC of −554.7 whilst its Landsat-8 based C stock counterpart yielded a RMSE, MAE, CVG and DIC of 2.69 MgCha⁻¹, 1.77 MgCha⁻¹, 85.4% and 43.1 respectively. Although predictive models from both sensors show great improvement in predictive accuracy when modelling the spatial random effects, the Sentinel-2 based C stock predictive model substantially outperforms its Landsat-8 based C stock counterpart. The Sentinel-2 based C stock predictive hierarchical model therefore adequately addresses multiple sources of uncertainty inherent in the spatial prediction of C stock in disturbed plantation ecosystems. It is evident from the results of this study that carbon reporting and monitoring can always be improved by scouting for improved and easily accessible remote sensing data and allow forest practitioners to keep track of error across space in resource environments of interest.     

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。     

林地叶面积指数遥感估算方法适用分析

叶面积指数是与森林冠层能量和CO2交换密切相关的一个重要植被结构参数,为了探讨估算林地叶面积指数LAI的遥感适用方法和提高精度的途径,利用TRAC仪器测定北京城区森林样地的LAI,从Landsat TM遥感图像计算NDVI、SR、RSR、SAVI植被指数,分别建立估算LAI的单植被指数统计模型、多植被指数组合的改进BP神经网络,获取最有效描述LAI与植被指数非线性关系的方法并应用到TM图像估算北京城区LAI。结果表明,单植被指数非线性统计模型估算LAI的精度高于线性统计模型;多植被指数组合神经网络中,以NDVI、RSR、SAVI组合估算LAI的精度最高,估算值与观测值线性回归方程的R2最高,为0.827,而RMSE最低,为0.189,神经网络解决了多植被指数组合统计模型非线性回归方程的系数较多、较难确定的问题,可较为有效的应用于遥感图像林地LAI的估算。