内蒙古师范大学地理科学学院, 内蒙古 呼和浩特 010022 内蒙古自治区遥感与地理信息系统重点实验室, 内蒙古 呼和浩特 010022
植被的光谱反射曲线特征区别于土壤、 水等其他物质, 密切关系于本身的生理性状表现。 由于对冠层植被进行俯视与侧视时的入目效果不一致, 实际角度原因会导致传感器获得的覆盖度信息产生误差。 以内蒙古四子王旗荒漠草原植被为研究对象, 利用自主设计组装的野外在线多角度光谱仪, 开展草原植被多角度实时观测试验。 并结合归一化植被指数(NDVI)、 比值植被指数(RVI)、 优化型土壤调节植被指数(OSAVI)以及光化学植被指数(PRI)共4种指数进行多维的数据比较。 分析了不同传感器观测角度(SVA)和不同太阳高度角(SEA)下的草地生理性状光谱多样性三者间的关联特征。 研究发现, 传感器观测角越大, 不同波段冠层反射率的日内变化程度越弱, 表现出明显的观测角度差异性和角度敏感程度差异性, 当传感器观测角(SVA)在75°附近或垂直向下观测时, 植被的反射率日变化标准差较小。 在固定传感器观测角度的情况下, 植被的反射率与太阳高度角呈正相关关系。 同样, 不同植被指数的角度效应也存在差异, OSAVI指数在传感器观测角(SVA)为45°时表现最为敏感, 不同月份都出现了最低值这一特征, PRI指数的最大值均出现在传感器观测角(SVA)为60°位置以下。 同时发现, 针对不同的太阳高度角(SEA)并基于所观测植被所处的不同生长期而选择一定传感器观测角度更有利于获得有效且精确的数据。 野外在线多角度光谱仪观测结果旨在为卫星影像产品矫正、 植被遥感精准监测、 草原生物量的准确估算等方面提供科学数据支撑。
多角度遥感 植被指数 太阳高度角 Multi-angle remote sensing Vegetation index Sun elevation angle 光谱学与光谱分析
2023, 43(10): 3170
1 中国科学院东北地理与农业生态研究所, 吉林 长春 130102中国科学院大学, 北京 100049
2 中国科学院东北地理与农业生态研究所, 吉林 长春 130102
针对目前粮食产量定量评估模型泛化能力不足、 预测时间滞后以及早期估产时间窗口难以确定等问题, 以Sentinel-2遥感数据和实测玉米产量作为数据源, 开展县域尺度玉米估产及早期最优估产时间窗口确定研究。 基于玉米生长期内的时序影像数据集, 通过玉米产量实测数据与影像植被指数建立相关关系, 并采用MLRM(多元线性回归模型), GPR(高斯过程回归模型), LSTM(长短期记忆人工神经网络模型), 建立玉米时序估产模型。 实验结果表明, 基于LSTM在NDVI、 GNDVI、 以及GN(NDVI与GNDVI组合)这三种植被指数作为参数建立的时序估产模型中, 无论在估产精度, 模型可靠性、 产量异常值捕捉、 以及早期最优估产时间窗口确定等方面均优于基于GPR、 MLRM建立的时序估产模型。 同时基于LSTM时序估产模型, 采用截止到抽雄期的NDVI时序影像数据作为参数, 其结果的决定系数R2可达0.83、 均方根误差RMSE为0.26 t·ha-1、 相对分析误差RPD为3.52; GNDVI时序影像数据作为参数, 其结果的决定系数R2为0.79、 均方根误差RMSE为0.30 t·ha-1、 相对分析误差RPD为2.87; 以GN时序影像数据作为参数, 其结果决定系数R2为0.83、 均方根误差RMSE为0.27 t·ha-1、 相对分析误差RPD为3.05; 以NDVI作为LSTM模型参数的估产效果最优, 相较于玉米收获期可提前2个月就能预测当年的玉米产量, 对于县域尺度玉米产量预报具有一定的现实意义, 同时也为类似作物的估产研究提供相关参考。
产量预测 玉米生育期 植被指数 长短期记忆人工神经网络模型 Yield forcasting Maize growth-satges Vegetation Index Sentinel-2 Sentinel-2 LSTM 光谱学与光谱分析
2023, 43(8): 2627
东北大学资源与土木工程学院, 辽宁 沈阳 110819
我国煤炭资源多集中在干旱少雨的北方地区, 露天开采和运输等过程极易引起煤粉尘扩散和污染。 粉尘扩散后其中一部分在重力作用下沉降覆盖到周边的植被上, 导致植被降尘现象普遍。 在利用遥感手段进行植被监测时, 降尘效应会影响植被光谱的纯净性, 使遥感器所获取的信号为植被与降尘的混合光谱信号, 从而严重影响植被定量遥感精度。 为定量研究植被遥感中煤尘的滞尘效应, 开展了叶面滞尘光谱测量实验, 探究了光谱和植被指数的变化规律; 在此基础上, 利用含有红边波段的Sentinel-2A遥感影像, 在内蒙古霍林河露天矿区分别选择煤尘影响区与对照区两个区域进行植被指数对比, 用来验证地面光谱测量实验结果。 结果表明, 随着滞尘量(0~36 g·m-2)的增加, 叶面煤尘会使叶片的反射率整体逐渐降低, 叶片光谱波峰处(560, 720, 860, 1 680和2 220 nm)的反射率变化幅度明显高于波谷处(445, 681和1 940 nm); 随着滞尘量的增加, 归一化差异植被指数(NDVI)、 简单比值指数(SR705)和归一化差异指数(ND705)明显下降, 而中分辨率成像光谱仪陆地叶绿素指数(MTCI)、 改进型简单比值指数mSR705(modified simple ratio)和改进型归一化差异指数(mND705)基本保持不变, 表现出抗煤尘特性, 445 nm处反射率和681 nm处反射率对指数起到了重要作用。 利用霍林河露天煤矿区的Sentinel-2A遥感影像计算上述指数, 将煤尘影响区与对照区比较, MTCI、 mSR705和mND705等指数表现了抗煤尘特性, 验证了地面实验的结果。 该研究为煤尘污染区域的植被遥感奠定了一定基础, 对保证植被遥感反演精度具有积极意义。
煤尘 植被 光谱 植被指数 Coal dust Vegetation Spectrum Vegetation index 光谱学与光谱分析
2023, 43(6): 1947
1 西北农林科技大学, 黄土高原土壤侵蚀与旱地农业国家重点实验室, 陕西 杨凌 712100
2 贵州大学生命科学学院, 贵州 贵阳 550025
3 西北农林科技大学草业与草原学院, 陕西 杨凌 712100
4 绍妍
5 西北农林科技大学, 黄土高原土壤侵蚀与旱地农业国家重点实验室, 陕西 杨凌 712100中国科学院水利部水土保持研究所, 陕西 杨凌 712100
探讨草地群落光谱特征与养分含量的关系, 可为采用高光谱技术诊断草地群落营养状况, 对推进快速无损检测技术应用于草地施肥管理具有重要意义。 以黄土丘陵区典型草地群落, 白羊草(Bothriochloa ischaemum)群落为研究对象, 设置4个氮添加(0、 25、 50和100 kg N·ha-1·yr-1)和4个磷添加(0、 20、 40和80 kg P2O5·ha-1·yr-1)处理。 基于群落冠层光谱和群落氮磷养分含量测定, 结合红边区域内一阶导数处理, 在植被指数、 特征波段和红边参数组成的18个光谱特征参数中, 采用逐步回归方法(SWR)筛选出对白羊草群落氮磷含量及氮磷比敏感的光谱特征参数, 并建立反演模型对草地群落地上部分全氮含量和地上部分全磷含量及其比值进行估测。 结果表明: 白羊草群落氮磷含量随施氮量增加而增加, 氮磷比随施磷量增加而减少; 氮磷添加下光谱反射率在可见光波段与施肥量成反比, 近红外波段与施肥量成正比, 红边区域内一阶导数的“双峰现象”受氮磷添加影响显著; 一些对草地群落氮磷含量较敏感的光谱特征对氮磷含量及氮磷比估测起重要作用, 其中三波段光谱指数(TBSI), R910和红边幅值(AMP)对氮含量的估测模型有极大贡献(R2=0.87, F=18.8***), 而磷含量估测中差值植被指数(DVI), 修正红边简比率指数(mSR705), R430, R660和AMP对模型贡献明显(R2=0.91, F=20.51***), Slope725对氮磷比的估测模型贡献最大(R2=0.54, F=5.14***)。 该研究运用高光谱技术实现对白羊草群落养分含量的快速精准估测, 在氮磷含量及其比值与光谱特征参数存在显著相关性的基础上, 成功筛选出建立模型精度最高的参数组合, 为大面积监测氮磷添加后草地养分含量方法和参数选择奠定了基础。
一阶导数 红边参数 植被指数 逐步回归 氮磷添加 First derivative Red edge parameters Vegetation index Stepwise regression N and P addition 光谱学与光谱分析
2023, 43(5): 1612
1 中国气象局沈阳大气环境研究所, 辽宁 沈阳 110166 太原理工大学矿业工程学院测绘科学与技术系, 山西 太原 030024
2 太原理工大学矿业工程学院测绘科学与技术系, 山西 太原 030024
3 中国农业大学资源与环境学院, 北京 100193
4 中国气象局沈阳大气环境研究所, 辽宁 沈阳 110166
5 中国气象科学研究院, 北京 100081中国气象科学研究院与郑州大学生态气象联合实验室, 河南 郑州 450001
快速准确获取水稻种植分布对于制定区域农业生产政策、 保护区域农业稳定具有科学意义。 以风云系列为代表的卫星资料在农业遥感方面已得到了广泛使用, 但目前鲜有基于国产风云遥感数据反演水稻种植空间分布的研究。 为快速准确获取水稻种植分布, 挖掘风云遥感资料在反演水稻种植信息领域的数据价值, 以盘锦市作为实验区域, 开展基于FY-3 MERSI卫星资料的水稻种植空间分布反演。 利用5景2019年研究区域水稻生育期风云三号中分辨率MERSI(Medium Resolution Spectral Imager)光谱成像仪数据计算归一化植被指数(NDVI)、 归一化水体指数(NDWI)、 两者之间的差值(NDWI-NDVI)及比值植被指数(RVI), 对盘锦市水稻以及其他地物类型(建筑用地、 水体、 自然植被、 天然湿地和旱地)感兴趣区域进行植被指数时序分析, 利用NDVI、 NDWI、 RVI和NDWI-NDVI时间序列曲线确定最佳识别模式及其阈值, 发展水稻种植空间分布遥感反演算法。 首先根据水稻移栽期NDWI-NDVI>-0.14和抽穗期NDWI-NDVI<-0.4对水稻种植分布进行粗提取, 在此基础上依据水稻与其他地物类型NDVI、 NDWI和RVI曲线特征差异对其他地物类型进行掩膜, 得到2019年研究区域水稻种植空间分布。 基于实地调查数据对研究区域水稻种植空间分布反演结果开展验证评价, 总体精度为75%。 基于目视解译的水稻空间分布数据开展验证评价, 总体精度、 制图精度以及用户精度均达到了80%以上, Kappa值为0.61。 研究区域2019年水稻面积为116 618.75 hm2, 与2019年盘锦市统计年鉴公布数据基本一致。 研究表明, 基于风云三号卫星资料反演水稻种植空间分布能够满足区域农作物种植分布遥感监测的要求, FY-3 MERSI遥感数据在农作物种植空间分布提取中具有应用价值。 该研究丰富了农作物种植分布监测的遥感数据源, 对于深入风云卫星资料的实际应用具有重要科学意义。
遥感 水稻 植被指数 风云气象卫星 Remote sensing Paddy rice Vegetation indices FY meteorological satellite 光谱学与光谱分析
2023, 43(5): 1606
1 北京市农林科学院信息技术研究中心, 北京 100097 辽宁科技大学土木工程学院, 辽宁 鞍山 114051
2 北京市农林科学院信息技术研究中心, 北京 100097 农业部农业遥感机理与定量遥感重点实验室, 北京 100097
3 辽宁科技大学土木工程学院, 辽宁 鞍山 114051
具有极高营养价值且被誉为东方“橄榄油”的油茶树是我国南方地区重要经济林, 我国是世界上油茶树分布最广的国家。 提取油茶种植分布和面积对林业部门开展油茶的宏观管理和生产指导具有重要意义。 以地处亚热带地物复杂且多山地丘陵的湖南省常宁市为研究区, 该区域分布有大量农田和森林, 且部分植被季节变化较大, 对油茶的遥感提取带来了很大挑战。 提出了基于春夏秋三期的GF-2号高分辨率卫星影像, 综合植被指数、 纹理特征、 PCA主成分3种特征, 以及春夏、 春秋、 夏秋、 春夏秋四种不同时序组合和随机森林(RF)算法共构建了17种分类场景(S1—S17), 运用随机森林(RF)、 支持向量机(SVM)、 最大似然(MLC)三种不同分类算法开展油茶遥感提取实验, 筛选出最优特征组合、 最佳分类季节与最优时序组合、 最优分类方法。 结果表明: 仅基于光谱信息分类精度低, 纹理特征的加入可大幅提升精度, 而PCA对于精度的提升效果微弱; 通过比较不同季节单时期的分类结果发现油茶提取精度最高的季节为夏季, 夏季单时期影像在最优特征组合(S8)中油茶生产者精度(PA)为94.06%, 油茶用户精度(UA)为92.57%; 在分类场景S10—S17中实验发现, 采用时序信息要比单时期影像有明显的精度提升, 时序组合分类精度由高到低依次为: 春夏秋、 春夏、 春秋、 夏秋; 综合光谱、 纹理、 时序信息通过随机森林(RF)、 支持向量机(SVM)、 最大似然(MLC)进行油茶提取, 随机森林算法分类精度总体表现最好。 采用春夏秋多时相遥感植被指数、 纹理、 PCA的随机森林方法(S17)是分类精度最高的方案, 总体精度(OA)和Kappa系数分别为96.85%和0.961 0, 油茶生产者精度(PA)为98.31%, 油茶用户精度(UA)为94.33%; 采用春夏时相遥感植被指数、 纹理的随机森林方法(S10)为兼顾计算效率与精度的最优方案, 总体精度(OA)和Kappa系数分别为95.62%和0.9458, 油茶生产者精度(PA)为96.93%, 油茶用户精度(UA)为95.09%。 所提出的最佳油茶遥感提取方案能够为亚热带地区油茶及其他经济林的遥感监测提供参考。
油茶 遥感 时序 植被指数 纹理特征 Camellia oleifera Remote sensing Time sequence Vegetation index Texture features 光谱学与光谱分析
2023, 43(5): 1589
1 农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097国家农业信息化工程技术研究中心, 北京 100097辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
2 农业农村部农业遥感机理与定量遥感重点实验室,北京市农林科学院信息技术研究中心, 北京 100097 南京农业大学国家信息农业工程技术中心, 江苏 南京 210095 国家农业信息化工程技术研究中心, 北京 100097
3 农业农村部农业遥感机理与定量遥感重点实验室江苏 南京 210095 国家农业信息化工程技术研究中心, 北京 100097中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
4 农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097国家农业信息化工程技术研究中心,北京 100097
5 农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097国家农业信息化工程技术研究中心, 北京 100097
6 农业农村部农业遥感机理与定量遥感重点实验室江苏 南京 210095国家农业信息化工程技术研究中心, 北京 100097
7 辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
植株氮含量(PNC)是评价作物长势和营养状况的重要指标, 快速准确获取作物的PNC信息可为农田管理策略的制定与实施提供重要依据。 已有研究表明, 仅采用影像的光谱信息估算作物的PNC存在饱和现象, 该研究尝试采用植被指数(VIs)结合二维离散小波分解技术(DWT)提取的多个尺度的高频信息(HFI)构建一种光谱空间特征(VIs+HFI), 探究VIs、 HFI和VIs+HFI估算PNC的能力。 首先, 以无人机为遥感平台获取马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期和成熟期5个氮营养关键生育期的数码影像并实测各生育期的PNC数据。 其次, 基于预处理的无人机影像, 提取各生育期冠层的光谱信息构建VIs, 并采用DWT提取各生育期1~5尺度的HFI。 然后, 将各生育期提取的VIs和HFI与马铃薯PNC进行相关性分析, 分别筛选出相关系数绝对值较大的前7个VIs和前10个HFI。 为降低共线性对实验结果的影响, 根据KMO检验结果对筛选的HFI进行主成分分析(PCA)降维处理。 最后, 采用岭回归和极限学习机(ELM) 2种方法分别以VIs、 HFI主成分和VIs+HFI主成分为模型变量构建马铃薯各生育期的PNC估算模型, 并进行评估。 结果表明: (1)马铃薯各生育期, 1~5尺度的HFI对估算PNC均有贡献。 (2)以VIs+HFI为模型变量构建的马铃薯PNC估算模型的精度和稳定性高于单一VIs和HFI。 (3)马铃薯各生育期, 以岭回归方法构建的PNC估算模型优于ELM方法。 其中, 以VIs+HFI为模型变量构建的PNC估算模型效果最优, 5个生育期的建模R2分别为0.833、 0.764、 0.791、 0.664和0.435, RMSE分别为0.332%、 0.297%、 0.275%、 0.286%和0.396%; NRMSE分别为9.113%、 9.425%、 10.336%、 9.547%和15.166%, 该研究可为马铃薯氮营养状况的实时高效监测提供一种新的技术支撑。
无人机 马铃薯 植株氮含量 植被指数 高频信息 Unmanned aerial vehicle Potato Plantnitrogen content Vegetation indices High frequency information 光谱学与光谱分析
2023, 43(5): 1532
光学 精密工程
2023, 31(22): 3331
植被遥感监测已广泛应用于各个领域, 如农作物病虫害监测、 森林覆盖度监测、 植被生长状况监测等。 监测植物叶绿素含量变化对于了解植物长势、 监测植被病虫害乃至监测植被对全球气候变化反馈都有着重要的意义, 然而这些监测时常受到叶片镜面反射的干扰, 导致叶绿素含量反演精度降低。 旨在消除植物健康状况遥感监测中的镜面反射干扰, 搭建一套偏振多光谱成像系统, 提出一种镜面去除指数(SRRI), 并提出一种利用目标的漫反射和镜面反射的光谱和偏振特性来检测植物的融合算法, 植物的SRRI、 线偏振度(DoLP)和偏振角(AOP)均在融合框架内计算, 以消除植物镜面反射的干扰并提高植物健康状态检测精度。 此外, 基于SRRI、 DoLP和AOP的融合算法计算了一种偏振融合镜面去除指数(PFSRRI)。 对相对叶绿素含量(SPAD)、 比值植被指数(SR)、 归一化植被指数(NDVI)、 SRRISR、 SRRINDVI、 PFSRRISR和PFSRRINDVI进行了相关性分析, 以了解它们消除镜面反射干扰的能力。 结果表明, SR与SPAD (R2=0.012 8)、 NDVI与SPAD (R2=0.007 5)的相关性最差, 表明SR和NDVI对镜面反射的敏感性最高, SRRISR与SPAD (R2=0.818)、 SRRINDVI与SPAD(R2=0.889)有很好的相关性, 而PFSRRISR与SPAD(R2=0.955)、 PFSRRINDVI与SPAD(R2=0.948)的相关性最好, 从而突出了PFSRRI在消除镜面反射干扰并检测植物健康状态中的潜力。 PFSRRISR和PFSRRINDVI三维散点图显示了对植物不同健康程度具有良好的辨别能力, 具有较高的敏感性和特异性值, 通过曲面的颜色和趋势的变化可以很直观地看到植被健康状态的变化趋势和分类状况。 其中, PFSRRISR的镜面叶片和胁迫1级叶片的分类敏感性(Se)值为100%和特异性(Sp)值为100%, PFSRRINDVI的镜面叶片和胁迫1级叶片的分类敏感性(Se)值为98%和特异性(Sp)值为100%, 表明PFSRRISR和PFSRRINDVI在去除镜面干扰后的优秀的检测效果。 综上所述, 该方法能有效地消除镜面干扰, 提高植被健康状况检测精度。
遥感 镜面反射 图像融合 植被指数 植被健康监测 Remote sensing Specular reflection Image fusion Vegetation Index Vegetation health monitoring 光谱学与光谱分析
2023, 43(11): 3607