基于高光谱遥感的小麦叶干重和叶面积指数监测

生物量和叶面积指数(LAI)是描述作物长势的重要参数, 叶干重和LAI的实时动态监测对小麦(Triticum aestivum)生长诊断和管理调控具有重要意义。为分析多种高光谱参数估算小麦叶干重和LAI的效果, 建立小麦叶干重和LAI的定量监测模型, 该研究连续3年采用不同小麦品种进行不同施氮水平的大田试验, 于小麦不同生育期采集田间冠层高光谱数据并测定叶片叶干重和LAI。试验结果显示, 小麦叶干重和LAI随施氮水平的提高而增加, 随生育进程呈单峰动态变化模式。小麦叶干重和LAI与光谱反射率间相关性较好的区域主要位于红光波段(590~710 nm, r<-0.60)和近红外波段(745~1 130 nm, r>0.69)。对于不同试验条件下的叶干重和LAI, 可以使用统一的光谱参数进行定量反演, 其中基于RVI (810, 560)、FD755、GM1、SARVI (MSS)和TC3等光谱参数的方程拟合效果较好。经不同年际独立试验数据的检验表明, 以参数RVI (810, 560)、GM1、SARVI (MSS)、PSSRb、(R_750-800/R_695-740) -1、VOG2和MSR705为变量建立的叶干重和LAI监测模型均给出较好的检验结果。因此, 利用关键特征光谱参数可以有效地评价小麦叶片生长状况, 尤其是光谱参数RVI (810, 560)、GM1和SARVI (MSS)可以对不同条件下小麦叶干重和LAI进行准确可靠的监测。     

基于机载高光谱影像的植被冠层叶绿素反演

利用黑龙江省伊春市带领区凉水国家级自然保护区机载高光谱数据,提取了红边面积、三角形植被指数、归一化植被指数等15个光谱参数,结合坡度、坡向、海拔、郁闭度和植被总盖度5个地理参数,并利用叶绿素计SPAD-502对研究区植被冠层叶绿素相对含量进行同步测量,分析了叶片光谱反射率、反射率的一阶导数及其他变形分别与SPAD值的相关性,采用基于核变换的偏最小二乘原理建立了叶绿素相对含量的估测模型,用该模型对研究区植被冠层叶绿素相对含量进行定量估算.结果表明:当分段数为3、提取的主成分数为10时,所建模型的效果较好,模型决定系数达到0.855,平均绝对百分误差为9.6％,预测精度为89.7％.     

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。     

基于高光谱遥感的小麦叶片氮积累量

作物氮素状况是评价长势、提高产量和改善品质的重要指标,因此叶片氮积累量的实时无损估测对作物生产的氮素管理具有重要意义.以多个小麦品种在不同施氮水平下的连续3a大田试验为基础,研究了小麦叶片氮积累量与冠层高光谱参数的定量关系.结果表明,冠层叶片氮积累量随着施氮水平的提高而增加,光谱反射率在不同叶片氮积累量水平下发生相应的变化.叶片氮积累量的敏感波段主要存在于近红外平台和可见光区,其中,"红边"区域表现最为显著.通过微分等技术构造多种植被指数,对高光谱参数和叶片氮积累量间进行相关回归分析,SDr/SDb、FD742和AVHRR-GVI 3个参数与叶片氮积累量关系最密切,方程拟合决定系数R2分别为0.9163、0.9097和0.9142,估计标准误差SE分别为1.165、1.079和1.077.经不同年际独立数据的检验表明,利用光谱参数FD742建立的模型对叶片氮积累量的估测精度为0.8449,预测的RMSE为0.984;红边位置REPIG对叶片氮积累量的估测精度和预测的RMSE分别为0.8394和1.014,表明预测值与观察值之间符合精度高,比较而言,FD742为自变量建立的模型可以更好地评估不同条件下叶片氮素积累状况.     

无人机高光谱影像与冠层树种多样性监测

冠层树种多样性是自然森林生态系统功能和服务的重要基础。及时掌握冠层多样性的现状及变化趋势, 是探讨诸多重要生态学问题的前提, 更是制定合理生物多样性保护策略的基础。但受制于传统的多样性信息采集方法, 区域尺度的高精度冠层多样性监测发展较为缓慢; 许多在气候变化和人类干扰下的生物多样性分布信息得不到及时更新。近年来基于无人机的冠层高光谱影像收集与分析技术的发展, 使得冠层多样性监测迎来了新的发展契机。本文从森林冠层高光谱影像出发, 介绍了与多样性监测相关的无人机航拍和基于深度学习的图像处理技术, 并结合已有文献, 探讨了无人机高光谱应用于森林冠层树种多样性监测的研究现状、可行性、优势及缺陷等。我们认为冠层高光谱影像为多样性监测提供了不可或缺且丰富的原始信息; 而无人机与高光谱相机的结合, 使得区域化高频率(如每周)、高精度(如分米乃至厘米级)的冠层多样性信息自动化收集成为可能。然而高光谱影像数据量大、数据维度高与数据结构非线性的特点为影像处理带来了挑战, 而深度学习技术的飞跃, 使得从冠层高光谱影像中提取个体及物种信息达到了极高精度。恰当地使用这些技术将大大提升冠层树种多样性的自动化监测水平, 由此也将帮助我们在当前剧变环境下及时掌握森林冠层多样性的现状与变化, 为生物多样性研究与保护提供可靠的数据支撑。     

基于因子分析的苜蓿叶片叶绿素高光谱反演研究

因子分析是一种能够将具有错综复杂关系的变量归结为少数几个综合因子的多变量统计分析方法,在降低数据维数的同时又可以保存足够的信息,这为处理信息量丰富但冗余较大的高光谱数据提供了一种有效方法。本文利用2010年9月23日采集的16个样点的苜蓿叶片反射率及叶绿素含量数据,采用因子分析方法,分别提取苜蓿叶片反射率光谱400～900nm,以及可见光400nm～760nm和近红外760～900nm光谱区的公共因子,分析因子载荷分布、载荷总量对公共因子与叶绿素含量相关性的影响。利用逐步回归法建立基于公共因子的叶片叶绿素反演模型,并将反演模型与光谱指数建立的模型进行对比。研究表明,1）公共因子与叶片叶绿素的相关性,在更大程度上是与该因子在各个波段上载荷分布有关,而不是总载荷量;2）对波谱进行分区建立的反演模型略优于全区因子分析建立的反演模型;3）与常用于叶片叶绿素含量反演的光谱指数CARI、MCARI、mND680、mND705、mSR705、TVI、DmSR、BGI、BRI相比,因子分析建立的叶绿素反演模型精度更高。     

小麦叶片色素含量的高光谱监测

连续两年采用不同小麦品种在不同施氮水平下进行大田试验,建立了小麦叶片色素含量的光谱定量监测模型.结果表明,叶片色素含量随着施氮水平的增加而提高,品种间存在差异,叶绿素(Chl) a+b相对含量随生育时期的变化较Chl b和类胡萝卜素(Car)更为明显.群体叶片色素含量的敏感波段主要存在于可见光区,其中,红边区域表现显著.红边位置参数REP_LE和REP_IG与叶绿素关系较为密切,REP_LE的表现较好.以REP_LE为变量对Chl a、Chl b和Chl a+b进行方程拟合,决定系数R²分别为0.835、0.841和0.840;对Car含量进行方程拟合,其R²显著下降,且光谱参数间差异较小.经独立数据的检验表明,红边位置的估算结果较好,以REP_IG为变量对Chl b进行预测,模型测试的R²和RE分别为0.632和18.2%;以REP_LE为变量对Chl a、Chl a+b和Car含量进行预测,R²分别为0.805、0.744和0.588,RE分别为9.0%、9.7%和14.6%.表明红边位置与叶片色素含量关系密切且表现稳定,利用REP_LE可以对小麦叶片Chl a和Chl a+b含量进行可靠的监测.     

水稻上部叶片叶绿素含量的高光谱估算模型

叶片叶绿素 (Chl) 状况是评价植株光合效率和营养胁迫的重要指标,实时无损监测Chl状况对作物生长诊断及氮素管理具有重要意义.以不同生态点、不同年份、不同施氮水平、不同类型水稻品种的4个田间试验为基础,于主要生育期同步测定了水稻主茎顶部4张叶片的高光谱反射率及Chl含量,并计算了350～2500 nm范围内任意两波段组合而成的比值(SR[λ1,λ2])和归一化(ND[λ1,λ2])光谱指数以及已报道的对Chl敏感的光谱指数,进一步系统分析了叶片Chl含量与上述光谱指数之间的定量关系.结果表明,红边波段的比值和归一化光谱指数可以较好地预测水稻上部4叶的Chl含量(R~2>0.9),但对于不同Chl指标其最佳组合波段有所差异.估算叶绿素a (Chla)、叶绿素总量(Chla+b)和叶绿素b (Chlb)的最佳比值光谱指数分别为SR(724,709)、SR(728,709)和SR(749,745),方程拟合决定系数R~2分别是0.947、0.946、0.905;最佳归一化光谱指数分别为ND(780,709)、ND(780,712)和ND(749,745),R~2分别是0.944、0.943、0.905.引入445 nm波段反射率对上述光谱指数进行修正,可以降低叶片表面反射差异的影响,提高模型的应用范围.利用不同年份独立的试验资料对所建模型进行了检验,结果表明,修正型比值光谱指数 mSR(724,709)、mSR(728,709) 和 mSR(749,745),以及修正型归一化光谱指数mND(780,709)、mND(780,712) 和 mND(749,745) 预测 Chla、Chla+b 和 Chlb 的效果更好,其测试的RMSE分别为 0.169、0.192、0.052、0.159、0.176、0.052,RE分别为8.18%、7.74%、13.01%、8.26%、7.59%、12.96%,均较修正前降低,说明修正后的光谱指数普适性更好.     

黄土高原不同种植密度下春小麦冠层和叶片高光谱反射特征

2006年4-8月,通过大田试验,测定了7个密度梯度下3个品种的春小麦冠层、叶片在不同生育期的高光谱反射率.结果表明:孕穗期,不同密度的春小麦冠层和叶片光谱差异明显,波形相似,其冠层光谱反射率在可见光区随密度增大降低,在近红外区反射率随密度增加升高;乳熟期,不同种植密度春小麦冠层光谱在可见光区的差异比近红外区小;不同密度的叶片光谱在可见光区和近红外区的变化在不同生育期表现出一致性,但随密度变化的规律性不明显;不同生育期的冠层光谱表现为乳熟期的反射率高于孕穗期;叶片光谱表现为乳熟期较孕穗期在近红外光区反射率大大降低;不同品种春小麦的冠层和叶片光谱存在一定差异;孕穗期,不同品种的冠层光谱在可见光区差异较小,差别主要表现在短波红外和近红外区;成熟期,不同品种冠层光谱的差异小;不同品种叶片光谱在近红外区的差异显著;春小麦红边存在双峰现象,从孕穗期到乳熟期,红边位置蓝移,红边幅值降低,红边面积减小;红边幅值的变化可用于估产,红边位置的变动可指示生育阶段.     

一种估测小麦冠层氮含量的新高光谱指数

提出了一种估测小麦冠层氮含量的新高光谱指数--微分归一化氮指数(FD-NDNI)。以FieldSpec Pro FR地物光谱仪采集拔节后至孕穗前小麦的冠层光谱190份,随机抽取142份作为训练集,其余48份作为预测集。将光谱以小波阈值去噪法去噪后,利用其525、570 与730 nm处的一阶导数值,采用差值、比值以及归一化的方法构建了12种光谱指数以实现小麦冠层氮含量的估测,并与mNDVI705、mSR以及NDVI705等22种常用指数进行了比较分析。发现指数FD-NDNI对小麦冠层氮含量的估测结果最佳,其估测模型(指数形式)校正集决定系数(C-R²)与预测集决定系数(P-R²)分别达0.818与0.811,优于mNDVI705等常用指数。进一步分析表明,在各指数中,FD-NDNI对叶面积系数最不敏感,可最有效地避免冠层郁闭度等因素对氮含量估测的影响。为优化结果,采用最小二乘支持向量回归算法(LS-SVR)对模型进行了改进,当模型惩罚系数C与RBF核函数参数g取得最优解6.4与1.6时,其C-R²与P-R²分别提高至0.846与0.838,具有比指数模型更高的精度。结果表明:FD-NDNI是小麦冠层氮含量估测的优选指数,LS-SVR为建模的优选算法。     

平稳小波变换在冬小麦SPAD高光谱监测中的应用

在2010与2011年度冬小麦生长季通过大田小区试验,利用ASD便携式野外光谱仪和SPAD 502叶绿素计实测冬小麦冠层的高光谱反射率与SPAD值.分析不同SPAD值下的冬小麦冠层光谱特征,建立了基于归一化植被指数（NDVI）与比值植被指数（RVI）、小波能量系数的不同生育期冬小麦SPAD估算模型.结果表明： 随着SPAD值的增大,“绿峰”与“红谷”特征愈加明显.在冬小麦返青期、拔节期、抽穗期、灌浆期NDVI估算SPAD的效果较好,估算模型的R²分别为0.7957、0.8096、0.7557、0.5033.小波能量系数回归模型可以提高冬小麦SPAD的估算精度,在返青期、拔节期、抽穗期、灌浆期以高频、低频小波能量系数为自变量的冬小麦SPAD估算模型的R²分别达到0.9168、0.9154、0.8802、0.9087.     

不同林分郁闭度与遥感数据的相关性

林分郁闭度与遥感数据的相关性分析是郁闭度遥感估算的基础,郁闭度遥感是林业遥感的重要方向。以四川省石棉县为例,就不同林分探讨了其郁闭度与陆地资源卫星专题制图仪LANDSAT Thematic Mapper(TM,包括其波段1至7,分别表示为TM1、TM2、TM3、TM4、TM5、TM6和TM7)数据之间的相关性及其受地形校正的影响。建立了地形数据库和基于1994年调查数据的森林资源数据库;对1994年6月26日成像的LANDSAT TM数据进行了几何校正,并与森林资源数据库配准;分别利用Lambert Cosine Correction(LCC)模型和Sun Canopy Sensor(SCS)模型对TM数据进行地形校正,生成TM-LCC和TM-SCS数据;将TM、TM-LCC和TM-SCS各波段数据分别与森林资源数据叠加统计,得到各小班TM、TM-LCC和TM-SCS各波段数据的均值和标准差,并将其添入数据库中,选取标准差较小的小班共1194个作为样本。按优势树种将样本层化为8个林分层,分别计算其郁闭度与TM、TM-LCC和TM-SCS各波段数据间的相关系数,并分析其在不同林分不同波段上的差异及其受地形校正的影响。研究表明:铁杉、冷杉和云杉等林分郁闭度与TM部分波段数据的相关性在0.01的水平上均为显著;而桦木、栎类、桤木、软阔类和云南松等林分郁闭度与TM数据的相关性在0.05的水平上均不显著;TM的LCC校正提高了冷杉、铁杉和软阔等林分郁闭度与TM4和TM5的相关性,TM的LCC校正还提高了软阔类林分郁闭度与TM7的相关性,TM的SCS校正提高了冷杉林分郁闭度与TM4和TM5的相关性,且在0.01的水平上均为显著。TM的LCC和SCS校正未能明显提高桦木、栎类、桤木、云南松和云杉等林分郁闭度与TM数据的相关性。该研究对林分郁闭度遥感具有一定的科学意义和应用价值。     

Differentiating aquatic plant communities in a eutrophic river using hyperspectral and multispectral remote sensing

1. This study evaluates the efficacy of remote sensing technology to monitor species composition, areal extent and density of aquatic plants (macrophytes and filamentous algae) in impoundments where their presence may violate water‐quality standards. 2. Multispectral satellite (IKONOS) images and more than 500 in situ hyperspectral samples were acquired to map aquatic plant distributions. By analyzing field measurements, we created a library of hyperspectral signatures for a variety of aquatic plant species, associations and densities. We also used three vegetation indices. Normalized Difference Vegetation Index (NDVI), near‐infrared (NIR)‐Green Angle Index (NGAI) and normalized water absorption depth (D_H)_, at wavelengths 554, 680, 820 and 977 nm to differentiate among aquatic plant species composition, areal density and thickness in cases where hyperspectral analysis yielded potentially ambiguous interpretations. 3. We compared the NDVI derived from IKONOS imagery with the in situ, hyperspectral‐derived NDVI. The IKONOS‐based images were also compared to data obtained through routine visual observations. Our results confirmed that aquatic species composition alters spectral signatures and affects the accuracy of remote sensing of aquatic plant density. The results also demonstrated that the NGAI has apparent advantages in estimating density over the NDVI and the D_H. 4. In the feature space of the three indices, 3D scatter plot analysis revealed that hyperspectral data can differentiate several aquatic plant associations. High‐resolution multispectral imagery provided useful information to distinguish among biophysical aquatic plant characteristics. Classification analysis indicated that using satellite imagery to assess Lemna coverage yielded an overall agreement of 79% with visual observations and >90% agreement for the densest aquatic plant coverages. 5. Interpretation of biophysical parameters derived from high‐resolution satellite or airborne imagery should prove to be a valuable approach for assessing the effectiveness of management practices for controlling aquatic plant growth in inland waters, as well as for routine monitoring of aquatic plants in lakes and suitable lentic environments.     

乌梁素海湿地芦苇最大羧化速率的高光谱遥感

湿地植被生产力和固碳潜力的研究是全球碳循环和全球变化的热点研究问题。湿地植被的光合能力能够指示其生长的健康状态。最大羧化速率是重要的植被光合参数之一,对精确模拟湿地植被光合作用和气体交换模型中的固碳过程具有重要的作用。以内蒙古乌梁素海湖泊湿地为研究区,进行了芦苇叶片光合参数和光谱的测量。芦苇叶片最大羧化速率(V_(cmax))数值是基于Farquhar光合作用模型,从光合测量获取的A-C_i曲线计算并校正到25℃得到的。分别基于bootstrap PLSR模型、单波段和高光谱植被指数(包括简单比值指数SR和归一化差值指数ND),构建湿地芦苇叶片最大羧化速率(V_(cmax))估算模型。基于高光谱遥感图像HJ-1A HSI,采用ND高光谱指数中具有较高V_(cmax)估算精度的入选波段702和756 nm,获取研究区湿地芦苇最大羧化速率空间分布图。研究结果表明,湿地植被光谱特征和高光谱植被指数,可用于估算湿地芦苇V_(cmax),其中最高精度产生于基于bootstrap PLSR模型的建模方法(R~2=0.87,RMSECV=3.90,RPD=2.72),ND高光谱指数的V_(cmax)估算精度高于SR高光谱指数的估算精度;从获取的V_(cmax)空间分布图上提取估算值,其与测量值对比,存在较好的相关性(R~2=0.80,RMSE=4.74)。     

Monitoring leaf photosynthesis with canopy spectral reflectance in rice

Non-destructive and rapid method for assessment of leaf photosynthetic characteristics is needed to support photosynthesis modelling and growth monitoring in crop plants. We determined the quantitative relationships between leaf photosynthetic characteristics and canopy spectral reflectance under different water supply and nitrogen application rates. The responses of reflectance at red radiation (wavelength 680 nm) to different water contents and nitrogen rates were parallel to those of leaf net photosynthetic rate (P _N). The relationships of reflectance at 680 nm and ratio index of R(810,680) (near infrared/red, NIR/R) to P _N of different leaf positions and leaf layers in rice indicated that the top two full leaves were the best leaf positions for quantitative monitoring of leaf P _N with remote sensing technique, and the ratio index R(810,680) was the best ratio index for evaluating leaf photosynthetic characteristics in rice. Testing of the models with independent data sets indicated that R(810,680) could well estimate P _N of top two leaves and canopy leaf photosynthetic potential in rice, with the root mean square error of 0.25, 0.16, and 4.38, respectively. Hence R(810,680) can be used to monitor leaf photosynthetic characteristics at different growth stages of rice under diverse growing conditions.