基于物候相机归一化植被指数估算高寒草地植物地上生物量的季节动态

准确评估地上生物量对优化草地资源管理和理解草地碳、水和能量平衡具有重要意义。该文通过近地遥感归一化植被指数(NDVI)构建最优经验模型, 对青藏高原高寒草地地上生物量进行估算。该文利用2018-2019年5-9月野外实测的地上生物量和植物冠层光谱仪(RapidSCAN)测定的NDVI_RS数据, 构建了生长季不同时期地上生物量的估算模型; 并结合2018年NetCam物候相机测定的NDVI_Cam时间序列数据, 实现地上生物量季节动态的模拟。主要结果: (1) NDVI_Cam、NDVI_RS与地上生物量具有相似的单峰型季节变化格局, 但NDVI峰值出现的时间(7月)较地上生物量(8月)更早; (2)基于NDVI的生物量估算最优经验模型在5、7和9月是幂函数, 在6和8月是二次多项式, 估算精度为0.29-0.77; (3)基于NDVI_Cam时间序列数据, 生长季不同时期建模(R² = 0.91)较单一时期(9月)建模(R² = 0.49)对地上生物量季节动态的估算更为准确。这些结果表明, 近地遥感是估算高寒草地植物地上生物量的有效手段, 开展季节性植物生长调查将有助于准确评估草地资源。     

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。     

Forest species diversity mapping based on clustering algorithm

该研究基于机载激光雷达(LiDAR)和高光谱数据, 从森林物种叶片的生理化学源头探寻生化特征与光谱特征的内在关联, 探讨生化多样性、光谱多样性与物种多样性之间的响应机制, 选择最优植被指数并结合最优结构参数, 通过聚类方法构建森林物种多样性遥感估算模型, 在古田山自然保护区开展森林乔木物种多样性监测。研究结果表明: (1)从16种叶片生化组分中, 筛选出叶绿素a、叶绿素b、类胡萝卜素、叶片含水量、比叶面积、纤维素、木质素、氮、磷和碳可通过偏最小二乘法用叶片光谱有效模拟(R² = 0.60-0.79, p < 0.01), 并选择有效的植被指数: 转换型吸收反射指数/优化型土壤调整指数(TCARI/OSAVI)、类胡萝卜素反射指数(CRI)、水波段指数(WBI)、比值植被指数(RVI)、生理反射指数(PRI)和冠层叶绿素浓度指数(CCCI)表征相应的最优生化组分; (2)基于机载LiDAR数据利用结合形态学冠层控制的分水岭算法获得高精度单木分离结果(R ² = 0.77, RMSE = 16.48), 同时采用逐步回归方法从常用的森林结构参数中选取树高和偏度作为最优结构参数(R ² = 0.32, p < 0.01); (3)基于6个最优植被指数和2个最优结构参数, 以20 m × 20 m为窗口通过自适应模糊C均值方法进行聚类, 实现了研究区森林乔木物种丰富度(Richness, R ²= 0.56, RMSE = 1.81)和多样性指数Shannon-Wiener (R ² = 0.83, RMSE = 0.22)与Simpson (R ² = 0.85, RMSE = 0.09)的成图。该研究在冠层尺度上获取了与物种多样性相关的生化、光谱和结构参数, 将单木个体作为最小单元, 利用聚类算法直接估算物种类别差异, 无需判定具体的树种属性, 是利用遥感数据进行区域尺度森林物种多样性监测与成图的实践, 可为亚热带地区常绿阔叶林的物种多样性监测提供借鉴。     

利用聚类算法监测森林乔木物种多样性

该研究基于机载激光雷达(LiDAR)和高光谱数据, 从森林物种叶片的生理化学源头探寻生化特征与光谱特征的内在关联, 探讨生化多样性、光谱多样性与物种多样性之间的响应机制, 选择最优植被指数并结合最优结构参数, 通过聚类方法构建森林物种多样性遥感估算模型, 在古田山自然保护区开展森林乔木物种多样性监测。研究结果表明: (1)从16种叶片生化组分中, 筛选出叶绿素a、叶绿素b、类胡萝卜素、叶片含水量、比叶面积、纤维素、木质素、氮、磷和碳可通过偏最小二乘法用叶片光谱有效模拟(R² = 0.60-0.79, p < 0.01), 并选择有效的植被指数: 转换型吸收反射指数/优化型土壤调整指数(TCARI/OSAVI)、类胡萝卜素反射指数(CRI)、水波段指数(WBI)、比值植被指数(RVI)、生理反射指数(PRI)和冠层叶绿素浓度指数(CCCI)表征相应的最优生化组分; (2)基于机载LiDAR数据利用结合形态学冠层控制的分水岭算法获得高精度单木分离结果(R ² = 0.77, RMSE = 16.48), 同时采用逐步回归方法从常用的森林结构参数中选取树高和偏度作为最优结构参数(R ² = 0.32, p < 0.01); (3)基于6个最优植被指数和2个最优结构参数, 以20 m × 20 m为窗口通过自适应模糊C均值方法进行聚类, 实现了研究区森林乔木物种丰富度(Richness, R ²= 0.56, RMSE = 1.81)和多样性指数Shannon-Wiener (R ² = 0.83, RMSE = 0.22)与Simpson (R ² = 0.85, RMSE = 0.09)的成图。该研究在冠层尺度上获取了与物种多样性相关的生化、光谱和结构参数, 将单木个体作为最小单元, 利用聚类算法直接估算物种类别差异, 无需判定具体的树种属性, 是利用遥感数据进行区域尺度森林物种多样性监测与成图的实践, 可为亚热带地区常绿阔叶林的物种多样性监测提供借鉴。     

Analysis of vegetation index changes and driving forces in inland arid areas based on random forest model: a case study of the middle part of northern slope of the north Tianshan Mountains

全球变化背景下的干旱区植被变化受气候变化和人类活动双重影响。定量评价植被变化特征及其驱动机制, 对监测干旱区区域生态环境变化, 促进区域可持续发展有重要意义。由于复杂多样的人类活动难以量化, 有关这方面的研究多局限于植被对气候变化的响应, 而对人类活动影响考虑不足, 导致关于这方面的认识存在较大的偏差和不确定性。该文首先提出与土地利用相关的人类活动量化表征方法; 然后运用多元线性回归模型和随机森林模型中的较优模型, 分析气候变化和具体的人类活动对北天山北坡中段归一化植被指数(NDVI)的影响。主要结果: (1) 2000-2015年期间北天山北坡中段年NDVI总体呈增加趋势; 基于随机森林构建的NDVI与气候因子和人类活动的模型拟合精度明显优于多元线性回归模型, 其决定系数(R²)至少提高了24%; (2)研究期内与耕地有关的人类活动对北天山北坡中段NDVI分布及时空变化的影响呈增加的特征, 在2000-2015年期间人类活动对NDVI变化的贡献率为0.59, 超过了气候因子。该项研究为气候变化和人类活动对植被的影响研究提供了新思路, 也为干旱区生态环境保护和恢复提供了科学依据。     

不同参考温度取值对三温模型反演植被蒸腾精度的影响

参考温度的参数化过程一直是三温模型反演蒸散发及其蒸发、蒸腾组分的关键和难点。该研究基于典型城市草坪的波文比与热红外观测数据, 对三温模型植被蒸腾子模型中涉及的输入变量进行敏感性分析和误差分析, 确定对三温模型反演植被蒸腾精度最为关键的变量, 而后量化和对比输入变量参数化方法对三温模型计算草坪蒸腾的影响, 由此确定最佳的参考温度取值。结果表明: 1)参考叶片温度选择为整个纸片温度的最大值时反演效果最好(R² = 0.91, 均方根误差(RMSE) = 0.078 mm·h^-1); 2)采用植被冠层温度的最大值为参考温度时, 直接假定了植被最高温度冠层蒸腾为0 (实际存在一定的蒸腾速率), 所以容易低估实际蒸腾量, 造成三温模型反演精度略低于取值参考叶片温度最大值的方法, 但反演效果仍然较好(R² = 0.87, RMSE = 0.080 mm·h^-1)。因此, 考虑到参考叶片设置的局限性, 如果在实际应用中无法或者没有实际测量参考叶片温度时, 使用植被最大温度为参考温度也可达到较好的反演效果。     

内蒙古植被降水利用效率的时空格局及其驱动因素

植被降水利用效率(precipitation-use efficiency, PUE)是评价干旱、半干旱地区植被生产力对降水量时空动态响应特征的重要指标。该研究利用光能利用率CASA (Carnegie-Ames-Stanford Approach)模型估算了2001-2010年内蒙古地区植被净初级生产力(net primary productivity, NPP), 结合降水量的空间插值数据, 分析了近10年内蒙古地区植被PUE的空间分布、主要植被类型的PUE,及其时空格局的驱动因素。结果表明: 2001-2010年内蒙古地区所有植被的平均PUE为0.94 g C·m^-2·mm^-1, 且在105-120° E地带性规律明显,PUE上升速率为每10° 0.55 g C·m^-2·mm^-1。各植被类型间PUE差别较大, 其中灌丛PUE最高, 荒漠PUE最低。在不同的降水量区域, 植被PUE的空间分布与气候因子的关系有较大差别, 0-75 mm降水量区间内, PUE随降水量、气温的升高显著下降(R² = 0.226, p < 0.05); 175-300 mm降水量区间内, 植被 PUE的空间变化与降水量和气温呈极显著相关关系(R² = 0.878, p < 0.001), 且随降水量的增加显著上升( R² = 0.94, p < 0.001), 变化速率约为每100 mm降水0.57 g C·m ^-2·mm^-1; 在降水量大于475 mm的区域, 植被PUE的空间分布与降水量、气温的相关性显著(R² = 0.19, p < 0.05), 且随着气温的上升、降水量的下降而增加, 其中气温的贡献是降水量的8.61倍。在不同的降水量区域, 植被 PUE的年际波动与气候因子的关系也有较大差别, 对于年降水量0-220 mm的地区, PUE的年际波动与降水量呈正相关性、与气温呈负相关性; 在年降水量为220-310 mm的地区, PUE的年际波动主要受降水量的控制, 受气温影响较小; 在年降水量>310 mm的地区,PUE的年际波动与降水量、气温均呈正相关关系, 但在降水量越高的地区, PUE的年际波动与降水量的相关性越弱, 与气温的相关性越强。植被覆盖度与PUE的空间分布极显著相关(R² = 0.73, p < 0.001), 且与 PUE的年际波动也存在线性相关关系(R² = 0.11, p < 0.001); 叶面积指数( LAI)与PUE的年际波动呈线性相关关系(R² = 0.42, p < 0.001), 而当 LAI < 3.15时, PUE的空间分布随LAI增加而呈线性增加。     

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。     

利用高光谱参数反演水稻叶片类胡萝卜素含量

为了探讨快速、准确预测水稻(Oryza sativa)叶片类胡萝卜素(Car)含量的敏感光谱波段和光谱指数, 通过实施涉及不同年份、不同生态点、不同施氮水平和不同品种类型的4个田间试验, 于主要生育期同步测定了水稻顶部4张叶片的光谱反射率及Car含量, 系统分析了350-2 500 nm范围内任意两波段组合而成的比值(SR (λ1, λ2))、归一化(ND (λ1, λ2))及已报道的对Car敏感的光谱指数与水稻叶片Car含量间的定量关系。结果表明, 不同Car含量水平下水稻叶片光谱反射率存在着明显变化, 以绿光及红边波段对水稻叶片Car含量变化最为敏感。723 nm附近的波段与近红外波段的比值组合以及713 nm附近的波段与近红外波段的归一化组合可以较好地预测水稻叶片Car含量, 以SR (723, 770)和ND (770, 713)表现最好, 线性拟合R²分别达到0.897和0.898。基于独立的试验资料的检验表明, 预测值和实测值的拟合R²分别为0.856和0.858, 均方根差RMSE均为0.072, 平均相对误差RE分别为11.9%和12.0%, 表明SR (723,770)和ND (770, 713)可有效地估算水稻上部叶片的Car含量。     

星载大光斑LiDAR与HJ-1A高光谱数据联合估测区域森林地上生物量

以吉林省汪清林业局经营区为研究区,利用HJ-1A/HSI高光谱数据和ICESat-GLAS波形数据,估测区域森林地上生物量。从平滑后的GLAS波形数据中提取波形长度W和地形坡度参数TS,建立GLAS森林最大树高估测模型;从GLAS波形数据中提取能量参数I(植被回波能量Ev和回波总能量E之比),建立GLAS森林郁闭度估测模型;利用GLAS估测的森林最大树高和森林郁闭度联合建立森林地上生物量模型。由于GLAS呈离散条带状分布,无法实现区域估测,因此研究将GLAS波形数据与HJ-1A/HSI高光谱数据联合,基于支持向量回归机算法实现森林地上生物量区域估测,得到研究区森林地上生物量分布图。研究结果显示,基于W和TS建立的GLAS森林最大树高估测模型的adj.R~2=0.78,RMSE=2.51m,模型验证的adj.R~2=0.85,RMSE=1.67m。地形坡度参数TS能够有效的降低地形坡度的影响;当林下植被高度为2m时,得到的基于参数I建立的GLAS森林郁闭度估测模型效果最好,模型的adj.R~2=0.64,RMSE=0.13,模型验证的adj.R~2=0.65,RMSE=0.12。利用森林最大树高和森林郁闭度建立的森林地上生物量模型的adj.R~2=0.62,RMSE=10.88 t/hm~2,模型验证的adj.R~2=0.60,RMSE=11.52 t/hm~2。基于支持向量回归机算法,利用HJ-1A/HSI和GLAS数据建立的森林地上生物量SVR模型,生成了森林地上生物量分布图,利用野外数据对得到的分布图进行验证,验证结果显示森林地上生物量估测值与实测值存在很强的线性关系(adj.R~2=0.62,RMSE=11.11 t/hm~2),能够满足林业应用的需要。因此联合ICESat-GLAS波形数据与HJ-1A高光谱数据,能够提高区域森林地上生物量的估测精度。     

基于多端元光谱混合分析方法的大兴安岭火后植被盖度恢复研究

火干扰是北方针叶林结构、功能及动态的主要调节因子之一。研究火后植被恢复对理解火干扰和生态系统的交互作用具有重要意义。火烧迹地通常由植被与基质混合组成,在中低分辨率（ > 10 m）遥感影像中表现为混合像元,因此研究亚像元尺度上植被的恢复是精确量化植被恢复的关键。本研究以2000年大兴安岭呼中自然保护区中8700 hm²火烧迹地为研究区,以两期（2014年6月1日和2010年6月22日）中分辨率Landsat ETM+影像（30 m）为基础数据,比较多端元光谱混合分析（Multiple Endmember Spectral Mixture Analysis,MESMA）和归一化植被指数（Normalized Difference Vegetation Index,NDVI）获得的植被盖度,以高分辨率（2 m）WorldView-2影像（2014年7月1日）为验证数据,对两种方法计算的植被盖度精度进行比较。结果表明,MESMA方法获得的植被盖度（R²=0.691）与传统的NDVI获得的植被盖度（R²=0.700）精度无统计差异,中烈度下获得的植被覆盖精度高于低、高火烧烈度。为验证同一端元能否运用到不同时相的Landsat影像中,本研究将从2014年影像中获取的最佳端元运用到2010年影像中获得植被盖度图,结果表明2014年与2010年得到的RMSE（均方根误差）均值分别为0.0015和0.0065,说明最佳端元可用于不同时相的影像分解。本研究表明MESMA方法可有效监测北方针叶林中火后植被盖度恢复,并可运用于时间序列遥感影像监测植被恢复动态。     

基于HJ1B和ALOS/PALSAR数据的森林地上生物量遥感估算

森林地上生物量的精确估算能够减小碳储量估算的不确定性。为了探寻一种有效地提高森林生物量估算精度的方法,探讨了基于遥感物理模型和经验统计模型估算山地森林地上生物量的方法。首先,基于Li-Strahler几何光学模型和多元前向模式(MFM)进行模型模拟,结合查找表算法(LUT)从多光谱图像HJ1B估算贺兰山研究区的森林地上生物量。其次,采用统计方法建立了2种回归模型:(1)多光谱图像HJ1B进行混合像元分解(SMA),并与雷达图像ALOS/PALSAR进行图像融合建立生物量回归模型;(2)雷达图像ALOS/PALSAR后向散射系数和实测生物量建立了生物量回归模型。用实测数据对3种算法估算结果进行精度验证。研究结果表明:采用几何光学模型和MFM算法估算的森林地上生物量精度最好(决定系数R2=0.61,均方根误差RMSE=8.33 t/hm2,P0.001),其估算地上生物量与实测值一致性较好,估算生物量精度略优于SMA估算的精度(R2=0.60,RMSE=9.417 t/hm2);ALOS/PALSAR多元回归估算的精度最差(R2=0.39,RMSE=14.89 t/hm2)。由此可见,采用几何光学模型和混合像元分解SMA适合估算森林地上生物量,利用这2种方法进行森林地上生物量遥感监测研究具有一定的应用潜力。     

Effects of Subsetting by Parent Materials on Prediction of Soil Organic Matter Content in a Hilly Area Using Vis–NIR Spectroscopy

Assessment and monitoring of soil organic matter (SOM) quality are important for understanding SOM dynamics and developing management practices that will enhance and maintain the productivity of agricultural soils. Visible and near-infrared (Vis–NIR) diffuse reflectance spectroscopy (350–2500 nm) has received increasing attention over the recent decades as a promising technique for SOM analysis. While heterogeneity of sample sets is one critical factor that complicates the prediction of soil properties from Vis–NIR spectra, a spectral library representing the local soil diversity needs to be constructed. The study area, covering a surface of 927 km² and located in Yujiang County of Jiangsu Province, is characterized by a hilly area with different soil parent materials (e.g., red sandstone, shale, Quaternary red clay, and river alluvium). In total, 232 topsoil (0–20 cm) samples were collected for SOM analysis and scanned with a Vis–NIR spectrometer in the laboratory. Reflectance data were related to surface SOM content by means of a partial least square regression (PLSR) method and several data pre-processing techniques, such as first and second derivatives with a smoothing filter. The performance of the PLSR model was tested under different combinations of calibration/validation sets (global and local calibrations stratified according to parent materials). The results showed that the models based on the global calibrations can only make approximate predictions for SOM content (RMSE (root mean squared error) = 4.23–4.69 g kg⁻¹; R² (coefficient of determination) = 0.80–0.84; RPD (ratio of standard deviation to RMSE) = 2.19–2.44; RPIQ (ratio of performance to inter-quartile distance) = 2.88–3.08). Under the local calibrations, the individual PLSR models for each parent material improved SOM predictions (RMSE = 2.55–3.49 g kg⁻¹; R² = 0.87–0.93; RPD = 2.67–3.12; RPIQ = 3.15–4.02). Among the four different parent materials, the largest R² and the smallest RMSE were observed for the shale soils, which had the lowest coefficient of variation (CV) values for clay (18.95%), free iron oxides (15.93%), and pH (1.04%). This demonstrates the importance of a practical subsetting strategy for the continued improvement of SOM prediction with Vis–NIR spectroscopy.     

Estimation of leaf area index and canopy openness in broad-leaved forest using an airborne laser scanner in comparison with high-resolution near-infrared digital photography

We estimated leaf area index (LAI) and canopy openness of broad-leaved forest using discrete return and small-footprint airborne laser scanner (ALS) data. We tested four ALS variables, including two newly proposed ones, using three echo types (first, last, and only) and three classes (ground, vegetation, and upper vegetation), and compared the accuracy by means of correlation and regression analysis with seven conventional vegetation indices derived from simultaneously acquired high-resolution near-infrared digital photographs. Among the ALS variables, the ratio of the “only-and-ground” pulse to “only” pulse (OGF) was the best estimator of both LAI (adjusted R ² = 0.797) and canopy openness (adjusted R ² = 0.832), followed by the ratio of the pulses that reached the ground to projected lasers (GF). Among the vegetation indices, the normalized differential vegetation index (NDVI) was the best estimator of both LAI (adjusted R ² = 0.791) and canopy openness (adjusted R ² = 0.764). Resampling analysis on ALS data to examine whether the estimation of LAI and canopy openness was possible with lower point densities revealed that GF maintained a high adjusted R ² until a fairly low density of about 0.226 points/m², while OGF performed marginally when the point density was reduced to about 1 point/m², the standard density of high-density products on the market as of February 2008. Consequently, the ALS variables proposed in the present study, GF and OGF, seemed to have great potential to estimate LAI and canopy openness of broad-leaved forest, with accuracy comparable to NDVI, from high-resolution near-infrared imagery.     

Sentinel-2 Satellite Imagery Application to Monitor Soil Salinity and Calcium Carbonate Contents in Agricultural Fields

The estuary tides affect groundwater dynamics; these areas are susceptible to waterlogging and salinity issues. A study was conducted on two fields with a total area of 60 hectares under a center pivot irrigation system that works with solar energy and belong to a commercial farm located in Northern Sudan. To monitor soil salinity and calcium carbonate in the area and stop future degradation of soil resources, easy, non-intrusive, and practical procedures are required. The objective of this study was to use remote sensing-determined Sentinel-2 satellite imagery using various soil indices to develop prediction models for the estimation of soil electrical conductivity (EC) and soil calcium carbonate (CaCO₃). Geo-referenced soil samples were collected from 72 locations and analyzed in the laboratory for soil EC and CaCO₃. The electrical conductivity of the soil saturation paste extract was represented by average values in soil dataset samples from two fields collected from the topsoil layer (0 to 15 cm) characteristic of the local salinity gradient. The various soil indices, used in this study, were calculated from the Sentinel-2 satellite imagery. The prediction was determined using the root mean square error (RMSE) and cross validation was done using coefficient of determination. The results of regression analysis showed linear relationships with significant correlation between the EC analyzed in laboratory and the salinity index-2 “SI2” (Model-1: R² = 0.59, p = 0.00019 and root mean square error (RMSE = 1.32%) and the bare soil index “BSI” (Model-2: R² = 0.63, p = 0.00012 and RMSE = 6.42%). Model-1 demonstrated the best model for predicting soil EC, and validation R² and RMSE values of 0.48% and 1.32%, respectively. The regression analysis results for soil CaCO₃ determination showed linear relationships with data obtained in laboratory and the bare soil index “BSI” (Model- 3: R² = 0. 45, p = 0.00021 and RMSE = 1.29%) and the bare soil index “BSI” & Normalized difference salinity index “NDSI” (Model-4: R² = 0.53, p = 0.00015 and RMSE = 1.55%). The validation confirmed the Model-3 results for prediction of soil CaCO₃ with R² and RMSE values of 0.478% and 1.29%, respectively. Future soil monitoring programs might consider the use of remote sensing data for assessing soil salinity and CaCO₃ using soil indices results generated from satellite image (i.e., Sentinel-2).     

Vegetal cover estimated by digital photographs related to biomass in a grassland site in northern Mexico

A regression model was used to determine the relationship between aerial herbaceous biomass and vegetation coverage estimated by digital images. Four samplings (n=36 each date) of vegetation cover and herbaceous biomass were performed during the growing season in 2011 in a grassland dominated by Bouteloua gracilis in La Cieneguilla, Municipality of Villa Hidalgo, Durango. Average production of dry biomass was 37.36 ± 9.66 g/m², and mean vegetation cover 30.02%. Dry biomass data were tested for normality using the test of Kolmogorov Smirnov, finding a lack of fit. The data were subjected to a logarithmic transformation and the model Ln(y) = 1.637926 + 0.08501X - 0.000586X² with an adjusted R² = 0.89 was found. In order to validate this model, another five samplings were carried out in 2013 at the same site during summer and autumn, using the same sampling size for each date as in 2011. Data collected in 2013 were analyzed with the model Ln (y) = β₀ + β₁X + β₂X². A comparison of regression coefficients was carried out between the 2011 and 2013 models with t (180+144-9-11-2=302, p<0.05) = 1.967. The results indicated that it is possible to use the 2011 regression model to estimate herbaceous aerial biomass from vegetation cover measurements with aerial photographs in La Cieneguilla site during summer and fall.     

华南地区亚热带树木叶面积指数的高光谱反演研究

为构建树种叶面积指数的估算模型,以NDVI、RVI、FREP、CIGreen、CIRed-edge、MSAVI2为高光谱特征变量,通过统计分析,确定反演树种叶面积指数的最佳光谱特征变量,构建华南农业大学校园内50种亚热带树木的叶片反射率和叶面积指数(LAI)模型。结果表明,6种高光谱特征变量与树种叶面积指数间都具有极显著相关性,其中红边位置反射率(FREP)和比值植被指数(RVI)与LAI的拟合方程的R2都大于0.8,决定系数分别为0.820和0.811。经过精度验证,FREP估算的均方根误差(RMSE)只有0.13,该回归模型为估测亚热带典型树种的叶片LAI最佳模型。从高光谱遥感的角度结合亚热带植被的群落结构特点来看,建立的红边位置光谱反射率与叶面积指数的回归模型普遍具有较高的拟合度,所以利用高光谱特征变量反演亚热带树木叶片的叶面积指数等植被参数的应用前景较好。     

滇西北森林郁闭度估测模型——基于全球生态系统动力学调查多波束激光雷达数据

探究全球生态系统动力学调查(GEDI)多波束激光雷达数据估测区域森林郁闭度(FCC)的潜力,对于评估森林生态系统状态和林分环境具有重要作用。选取滇西北典型生态脆弱区香格里拉为研究区,以GEDI波形数据为信息源,提取46245个有林地光斑参数,使用经验贝叶斯克里金法(EBK)获取光斑参数在研究区未知空间的连续分布,结合54块实测样地数据,采用支持向量机的递归特征消除法(SVM-RFE)、随机森林(RF)和Pearson分析分别优选特征变量,基于贝叶斯优化(BO)随机森林回归模型(BO-RFR)、贝叶斯优化梯度回归模型(BO-GBRT)和偏最小二乘法(PLSR)研建森林郁闭度最佳估测模型。结果表明:(1)EBK法预测精度高,估测结果可靠,R²:0.20-0.92,RMSE:0.004-2812.912,MAE:0.003-1996.258,MRE:0.007-4.423;(2)基于不同特征优选方法筛选的特征变量和数量略有差异,SVM-RFE 法优选出6个参数(cover、pai、sensitivity、rv_a1、rv_a4、rg_a4)的平均交叉验证精度达0.84,RF法以贡献度5%为阈值筛选出5个参数(cover、pai、pgap_theta_error、modis_treecover、modis_nonvegetated),Pearson法以相关性大于0.3且在0.01水平显著优选出5个参数(cover、pai、rv_a5、rg_a5、pgap_theta_error);(3)不同特征变量优选方法筛选的建模参数研建估测模型精度差异性较大,以SVM-RFE和RF方法优选参数构建估测模型的精度更佳,SVM-RFE方法优选参数研建估测模型精度变化相对稳定,以 RF方法中的BO-GBRT模型为最佳FCC估测模型(R²=0.85、RMSE=0.069,P=86.5%);(4)采用BO-GBRT模型估测研究区森林郁闭度和空间制图,与GEDI pai参数预测的FCC具有较高空间相关性达0.53,FCC均值分别为0.58、0.61,主要分布在0.4-0.7,分别占比65.45%、51.79%。研究区森林郁闭度主要处于中度郁闭,北部区域主要为高度郁闭区,与研究区植被覆盖度的空间分布具有一致性,说明使用GEDI数据估测森林郁闭度的方法具有可行性、结果具有可靠性。研究为使用GEDI数据高效、及时、低成本估测大空间尺度的森林水平结构参数的相关研究奠定了基础。