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.     

基于叶面积指数反演的区域冬小麦单产遥感估测

利用定量遥感技术反演的叶面积指数（LAI）在中国北方黄淮海地区典型县市进行冬小麦单产预测研究.为提高数据质量和减少估产误差,利用Savitzky-Golay滤波技术降低云对NDVI数据的影响及数据缺失;通过冬小麦实测LAI进行时序内插,模拟得到实测点每日冬小麦LAI,继而获得实测点主要生育时期平均LAI;在此基础上,建立了冬小麦主要生育时期平均LAI与作物单产关系模型,改变目前利用生育时期内某一时间点LAI代替整个生育时期LAI的方法;在模型择优基础上,得到最佳遥感估产关键期--开花期LAI与单产统计模型;最后,利用MODIS-NDVI经验模型反演得到的开花期平均LAI进行2008年冬小麦单产预测.结果表明：与地面实测的冬小麦单产相比,研究区估产平均相对误差为1.21%,RMSE达到257.33 kg·hm^-2,可以满足大范围估产的要求.利用上述方法可以在研究区冬小麦收获前20～30 d进行准确的单产估计.     

基于集合卡尔曼滤波的南雄烟草LAI数据同化研究

叶面积指数(LAI)是表征烟草生长健康状态的重要指标之一,获取准确的LAI数据是监测烟草生长走势的重要步骤。以广东省南雄地区为试验区开展了集合卡尔曼滤波同化方法在烟草LAI的应用研究。通过野外实测得到南雄烟草生长期内的高光谱数据,并计算每个生长期的归一化植被指数(NDVI),依据NDVI值获得LAI测量数据;通过积温数据和实测LAI数据构建了符合南雄地区烟草LAI变化规律的LOGISTIC模型;并以LAI为研究变量,利用集合卡尔曼滤波数据同化技术融合NDVI数据计算得到的LAI和简化LOGSITIC模型拟合得到的LAI这两种不同的数据信息,获取实验区烟草生长期时间序列上的连续LAI数据。最后,进一步对比了数据同化方法、NDVI计算LAI方法和LOGISTIC模型拟合这3种方法获取烟草LAI的效果。结果显示:数据同化方法、NDVI计算LAI方法和LOGISTIC模型拟合3种方法均可一定程度上表征烟草LAI的变化状态,其中数据同化方法拟合效果最优。实验发现NDVI计算LAI方法在烟草生长前后期LAI值出现偏大或偏小的异常情况;LOGISTIC模型拟合则不能有效的描述烟草LAI的突发性变化;同化方法综合作物生长模型和遥感监测的优势,能够动态调节参数得到LAI优化结果,同化后LAI结果和真实值吻合,变化曲线更符合烟草的实际生长状况。     

高光谱与拟合多光谱植被指数反演武夷山亚高山草甸LAI的对比研究

植被叶面积指数(LeafAreaIndex,LAI)是重要的生态学参数,被广泛用于指示植被密度、生物量、碳、氮物质循环以及气候变化对生态系统的影响,也作为生态过程模型的重要输入参数。地面实测高光谱遥感数据能以更高的空间分辨率及更高的光谱分辨率监测植物的光谱特征,为精准反演LAI提供了基础。本项研究以武夷山国家公园黄岗山顶的亚高山草甸为研究对象,通过建立多种高光谱植被指数和拟合多光谱植被指数反演叶面积指数的统计模型,并比较高光谱与多光谱对叶面积指数反演的效果,阐明用于反演高覆盖率亚高山草甸的最适高光谱和拟合多光谱植被指数。结果表明:高光谱新植被指数(NVI)对于反演LAI有最好的效果, R²=0.85, P <0.01;依据高光谱NVI拟合而成的多光谱NVI反演结果次之, R²=0.82, P <0.01。几种常用比值植被指数NDVI、MSR、RVI和GNDVI在高光谱和拟合多光谱反演结果中相差不大,表现较好,R²都在0.65以上。通过对比高光谱和拟合Sentinel-2A和Landsat-8两种多光谱卫星波段...     

基于多角度植被指数的马尾松林LAI反演方法

CHRIS/PROBA是目前具有最高空间分辨率（17 m×17 m）的星载多角度高光谱数据,该款数据在反演植被垂直结构参数,如树高、叶面积指数（leaf area index,LAI）等方面具有重要的应用前景。基于四尺度几何光学模型得到马尾松（Pinus massoniana Lamb.）冠层的归一化差分植被指数（normalized difference vegetation index,NDVI）各向异性分布规律,利用CHRIS红光特征波段和近红外特征波段构建一种新型多角度植被指数（normalized hotspot-dark-spot difference vegetation index,NHDVI）,并将其应用于CHRIS数据对马尾松林的LAI遥感估算上。结果显示：（1）相比归一化差分植被指数（NDVI）与土壤调节植被指数（soil adjusted vegetation index,SAVI）而言,NHDVI能很好地融合光谱信息与角度信息,与地面实测LAI的决定系数达到0.7278;（2）利用NHDVI-LAI统计回归模型方法来反演LAI值,将得到的LAI值与地面实测值进行相关性分析,结果拟合优度达到0.8272,均方根误差RMSE为0.1232。与传统植被指数相比,包含角度信息的多角度植被指数对LAI的反演在精度上有较大提升,同时比基于辐射传输模型的反演方法更简易、实用。     

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.     

基于小波分析的大豆叶面积高光谱反演

实测了不同水肥耦合、经营制度及有效营养面积条件下的大豆(Glycinemax)冠层高光谱反射率与叶面积指数(LAI),并对光谱反射率、微分光谱与LAI的关系进行了分析;采用比值植被指数(RVI)与归一化植被指数(NDVI)建立了大豆LAI反演模型;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对大豆LAI进行估算。结果表明:大豆LAI与光谱反射率在可见光波段呈负相关;在近红外波段呈正相关;微分光谱在红边处与大豆LAI密切相关(R2=0.92);RVI与NDVI可以提高大豆LAI的估算精度(R2分别达0.79、0.84);各植被指数各有优缺点,应根据需要进行选择;小波能量系数回归模型可以进一步提高大豆叶面积的估算水平,以一个特定小波能量系数作为自变量的回归模型,大豆LAI回归确定系数R2高达0.884;以4个和6个小波能量系数建立LAI回归分析模型(R2分别达0.92、0.93),2个模型LAI预测值与大豆LAI实测值线性回归确定性系数R2分别为0.90、0.92。比较可知,小波分析可以对高光谱进行特征变量提取,进而反演大豆生理参数,并且反演的LAI精度较光谱反射率、微分光谱及植被指数都有明显提高,小波分析在植被生理参数的高光谱提取方面有着广阔的应用前景。     

基于PROSAIL模型的水稻田缨帽三角-叶面积指数模型及其应用

缨帽三角(tasseled cap triangle,TCT)-叶面积指数(leaf area index,LAI)等值线模型是一种反映植被叶面积指数等值线在红光(Red)-近红外(NIR)波段反射率组成的光谱空间中分布规律的模型,在此基础上建立LAI遥感反演模型比常用的统计关系模型更加精确.本文利用水稻田实测数据,验证了PROSAIL模型对水稻冠层反射率模拟的适用性,并对模型的输入参数进行率定,最终确定了PROSAIL模型模拟水稻冠层反射率的输入参数的取值范围.在此基础上构建了水稻田TCT-LAI等值线模型,建立了LAI遥感反演所需的查找表,将其分别用于Landsat 8和WorldView 3数据进行水稻田LAI反演.结果表明: 利用基于TCT-LAI等值线模型建立查找表反演的LAI与实测LAI具有良好的线性相关关系,R²=0.76,RMSE=0.47;与Landsat 8的LAI反演结果相比,WorldView 3反演的LAI值域范围更大,数据分布更离散.将Landsat 8、WorldView 3反射率数据重采样至1 km后进行LAI反演, MODIS LAI 产品的反演结果存在明显低估现象.     

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.     

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。     

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。     

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。     

基于多元统计方法的冬小麦叶面积指数光谱估测

叶面积指数(LAI)是评价作物生长状况的指标之一,利用光谱技术实现冬小麦LAI的快速、准确监测具有重要的意义。本文以连续两年的氮素运筹试验为基础,通过测定各生育时期的冠层光谱和LAI,并利用多元统计分析方法(偏最小二乘法,PLS;逐步多元线性回归,SMLR)提取氮素运筹条件下LAI特征波段和构建LAI估测模型。结果表明,光谱波段765、775、1060 nm进入到LAI的预测模型中,结合PLS中VIP参数和B-系数证实,以上波段与冬小麦LAI具有重要的关系;基于PLS-SMLR方法构建的预测模型R~2=0.699,RMSE=1.447,RE=0.275,经验证模型仍然具有较好的表现(R~2=0.689,RMSE=1.323,RE=0.285)。表明利用PLS-SMLR提取特征波段、建模的方法是可行的,可为作物LAI的快速诊断监测提供一定的理论依据。     

多源多角度遥感数据反演森林叶面积指数方法

利用北京1号和Landsat多源数据组合成4个角度多波段数据集, 在考虑森林三维垂直分布特点的基础上, 结合INFORM几何光学与辐射传输混合模型, 通过聚类+神经元网络方式, 建立相应的多源多角度LAI反演模型。最后利用实地LAI测量数据和MODIS LAI产品, 对不同角度组合和噪声水平下的LAI反演结果进行验证。结果表明: 在保证数据质量的条件下, 通过增加角度可以提高森林的LAI反演精度, 最终R²=0.713, RMSE=0.957, 比单个角度的反演精度平均提高约20%。     

植被叶片及冠层层次含水量估算模型的建立

利用LOPEX'93数据库中7个鲜叶片含水量(Cw)和光谱反射率实测数据,基于光谱指数法,在叶片层次,用47个随机样本建立Cw与不同光谱指数的统计模型,并用另外20个样本验证.结果表明,Cw的两种表征形式相对含水量FMC和等价水深EWT在提取叶片Cw时差异较大,EWT与各光谱指数的相关性较FMC高,但FMC对叶片Cw的反演精度高于EWT.而反演精度更高的是基于最优子集回归建立的光谱指数线性模型.Ratio₉₇₅是叶片层次提取Cw的普适光谱指数.冠层层次,利用PROSPECT+SAILH耦合模型,模拟在不同叶面积指数LAI和Cw下的冠层光谱.为了剔除背景影响,更好地提取冠层Cw,提出用近红外和短波红外波段反射率构造土壤可调节水分指数(SAWI),该指数与其他光谱指数的比值能明显地剔除土壤背景影响,更准确地提取冠层Cw.Ratio₉₇₅的改进型光谱指数(Ratio₉₇₅-0.9)/(SAWI+0.2)能用来提取叶面积指数LAI从0.3到8.0,Cw从0.0001cm到0.07cm的冠层Cw,研究表明精度较高.     

基于分类知识利用神经网络反演叶面积指数

叶面积指数（LAI,Leaf Area Index）是陆面过程中一个十分重要的输入参数,其遥感反演方法研究一直是国内外遥感应用研究的热点问题。基于统计的遥感反演方法由于缺乏物理基础,其可靠性和普适性差。基于物理的冠层反射模型的LAI反演方法克服了上述弊端,但是由于反演过程是病态的,模型反演结果一般不唯一。神经网络算法的介入可在一定程度上改善这一问题,但是模型反演的病态问题至今仍无法很好地解决。在PROSAIL模型敏感性分析的基础上提出了一种基于影像分类的神经网络反演方法,引进了土壤反射指数用于替代原模型中难以确定的土壤背景反射参数,分别针对不同植被类型建立各自的神经网络,对经过大气纠正后的Landsat ETM＋影像进行了模拟实验并同野外实测LAI数据进行比较。结果表明,对于LAI小于3的植被区该方法的反演精度比较可靠,而LAI大于3的植被区,反演的LAI偏小,原因归结为密植被的冠层反射在LAI大于3以后趋于饱和而无法敏感地表征LAI的变化所导致的。     

多源多角度遥感数据反演森林叶面积指数方法

利用北京1号和Landsat多源数据组合成4个角度多波段数据集,在考虑森林三维垂直分布特点的基础上,结合INFORM几何光学与辐射传输混合模型,通过聚类＋神经元网络方式,建立相应的多源多角度LAI反演模型。最后利用实地LAI测量数据和MODISLAI产品,对不同角度组合和噪声水平下的LAI反演结果进行验证。结果表明：在保证数据质量的条件下,通过增加角度可以提高森林的LAI反演精度,最终R2=0.713,RMSE=0.957,比单个角度的反演精度平均提高约20%。     

三江平原湿地植被叶面积指数遥感估算模型

利用中巴资源卫星CBERS-02影像提取的归一化植被指数(NDVI)和同期野外实测的叶面积指数(LAI)数据,分析了三江平原洪河自然保护区草甸、沼泽植被、灌丛和岛状林4种湿地植被及样本总体的NDVI与LAI之间的相关关系,建立了NDVI与不同湿地植被类型叶面积指数间的线性和非线性回归模型,并制作完成洪河自然保护区LAI空间分布图.结果表明,整个研究区样本总体的LAI估算效果不太理想,其NDVI与LAI的相关性仅为0.523;将研究区分为草甸、沼泽、灌丛和岛状林4种湿地植被类型,NDVI与各植被型LAI的相关性和估算效果均有很大程度的提高,所建立的LAI遥感反演模型以三次曲线回归方程拟合精度最高,R2分别达到0.723、0.588、0.837、0.720.以上结果表明,结合地面实测数据并基于遥感植被分类的基础上,CBERS-02遥感影像可用于较大区域内湿地植被生理参数的反演研究.     

基于PROSAIL辐射传输模型的毛竹林叶面积旨数遥感反演

采用PROSAIL辐射传输模型建立毛竹林叶面积指数(LAI)-冠层反射率查找表,并结合Landsat TM卫星遥感数据,实现了毛竹林LAI的定量反演.结果表明:PROSAIL模型各输入参数的敏感性由高到低依次为LAI＞叶绿素含量(Cab)＞叶片结构参数(N)＞平均叶倾角(ALA)＞等效水厚度(Cw)＞干物质含量(Cm),并以LAI、Cab两个主要敏感因子用于构建毛竹林LAI-冠层反射率查找表;基于PROSAIL模型的毛竹林LAI遥感反演结果与实测LAI具有很好的一致性,二者相关系数为0.90,均方根误差和相关的均方根误差也较小,分别为0.58和13.0％,但也存在反演LAI平均值高于实际值的问题.     

基于PROSAIL辐射传输模型的毛竹林叶面积指数遥感反演

采用PROSAIL辐射传输模型建立毛竹林叶面积指数(LAI) 冠层反射率查找表,并结合Landsat TM卫星遥感数据,实现了毛竹林LAI的定量反演.结果表明： PROSAIL模型各输入参数的敏感性由高到低依次为LAI>叶绿素含量(C_ab)>叶片结构参数(N)>平均叶倾角(ALA)>等效水厚度(C_w)>干物质含量(C_m),并以LAI、C_ab两个主要敏感因子用于构建毛竹林LAI 冠层反射率查找表;基于PROSAIL模型的毛竹林LAI遥感反演结果与实测LAI具有很好的一致性,二者相关系数为0.90,均方根误差和相关的均方根误差也较小,分别为0.58和13.0%,但也存在反演LAI平均值高于实际值的问题.