1 南京农业大学国家信息农业工程技术中心, 江苏 南京 210095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
2 河南农业大学信息与管理科学学院, 河南 郑州 450002
3 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
马铃薯是继水稻、 小麦、 玉米之后的一种重要的粮食作物, 其优化种植和生产对于保障粮食安全具有重要的意义。 作物的地面生物量(AGB)被广泛认为与作物的生长状态密切相关, 常常被直接用来参与作物产量预测和健康状态参数评估。 现有的研究表明, 遥感植被指数在中高作物覆盖度时会丧失对作物参数的敏感性, 即“饱和现象”, 这制约了作物生长中后期AGB的准确监测。 采用了一个新型垂直生长作物AGB估算模型(VGC-AGB)结合高光谱遥感开展马铃薯多生长阶段的AGB估算研究。 针对多生长时期遥感光谱指数开展作物生物量监测中存在的“饱和问题”, VGC-AGB定义了叶片干物质含量(Cm)和垂直器官干物质含量(Csm)2个参数, 分别描述马铃薯叶片和茎的平均干物质含量, 并通过叶面积指数(LAI)×Cm计算叶片的地上生物量(AGBl), 通过种植密度(Cd)、 马铃薯株高(Ch)和Csm的乘积, 即Cd×Ch×Csm计算垂直器官的地上生物量(AGBv)。 基于国家精准农业研究示范基地2019年马铃薯田间实验, 分别获取了马铃薯4个关键生长时期的地面ASD高光谱数据、 实测株高、 AGB和LAI数据等, 并利用高光谱反射率数据构建了高光谱特征参数, 分别对比了(1)高光谱特征参数+株高, (2)地面测量参数+VGC-AGB模型和(3)高光谱特征参数+VGC-AGB模型的3种马铃薯AGB估算模型的性能。 结果表明, 与传统的高光谱遥感植被指数+株高的AGB估算方法相比, 新型VGC-AGB模型结合高光谱遥感数据可以提供更高性能的马铃薯AGBl、 AGBv和总AGB估算结果, 该方法可为马铃薯AGB的快速无损监测提供技术支撑。
VGC-AGB模型 高光谱遥感 马铃薯 地面生物量 VGC-AGB model Hyperspectral remote sensing Potato Aboveground biomass (AGB) 光谱学与光谱分析
2023, 43(9): 2876
1 广西壮族自治区自然资源遥感院, 广西 南宁 530023
2 北部湾大学资源与环境学院, 北部湾海洋发展研究中心, 广西 钦州 535000北部湾大学, 广西北部湾海洋环境变化与灾害研究重点实验室, 海洋地理信息资源开发利用重点实验室, 广西 钦州 535000
3 北部湾大学资源与环境学院, 北部湾海洋发展研究中心, 广西 钦州 535000
红树林生态系统是地球上生产力最高的生态系统之一, 它也是海岸带“蓝碳”生态系统的重要组成部分。 地上生物量作为红树林蓝碳的重要组成部分, 如何准确快速地获取红树林地上生物量已成为红树林生态系统研究的热门问题。 分析北部湾茅尾海红树林地上生物量(AGB)空间分布格局及其量级, 可为该区域红树林生态环境保护及“南红北柳”生态修复提供科学依据。 资源一号数据作为我国自主研发的民用国产高光谱卫星, 其高光谱数据为红树林地上生物量的研究提供了新的机遇。 机器学习算法因其高性能、 高效率的优势被越来越多的应用于红树林相关研究, 目前已经成为获取红树林参数信息的重要手段。 高光谱数据在红树林地上生物量的反演精度如何? 国产高光谱卫星数据和机器学习算法在红树林地上生物量的估算中能否应用? 这些问题仍需进一步验证。 基于国产资源一号02D高光谱数据, 采用极端梯度提升(XGBoost)、 随机森林回归(RFR)以及K近邻回归(KNNR)三种不同的机器学习算法对茅尾海的红树林地上生物量进行估算, 在此基础上对比了不同的机器学习算法的性能。 结果显示: (1)无瓣海桑红树林地上生物量的平均值最高（90.93 Mg·ha-1）, 桐花树次之（52.63 Mg·ha-1）, 而秋茄最小（20.27 Mg·ha-1）。 (2)采用XGBoost、 RF以及KNN三种机器学习算法进行红树林地上生物量和红树林光谱变量建模后发现, 基于对数倒数1阶变换的XGBoost模型精度最高, 为最佳的机器学习模型。 其模型在测试阶段R2=0.751 5, RMSE=27.494 8 Mg·ha-2。 (3)基于资源一号02D高光谱数据, 采用XGBoost算法反演茅尾海的红树林地上生物量介于4.58~208.35 Mg·ha-2之间, 平均值为88.98 Mg·hm-2, 地上生物量在空间上呈现出中部低, 两边高的空间分布格局。 总之, 该研究论证了国产高光谱卫星数据和XGBoost机器学习算法的组合在红树林生物量的估算方面具有良好的应用前景, 可为茅尾海红树林的生态修复和保护提供科学依据和技术支撑。
高光谱数据 资源一号02D 机器学习 红树林地上生物量 遥感反演 北部湾茅尾海 Domestic hyperspectral data ZY-1-02D Satellite Machine learning Mangrove aboveground biomass Remote sensing inversion Maowei Sea in Beibu Gulf 光谱学与光谱分析
2023, 43(12): 3906
1 太原理工大学测绘科学与技术系, 山西 太原 030024
2 北京师范大学遥感科学国家重点实验室, 北京 100875
草地绿色生物量是监测草地生态系统的重要指标。 高效高精度估算草地绿色生物量对草地生态系统具有重要意义。 遥感技术因方便快捷、 成本较低等优势, 已被广泛应用于生物量估算, 而传统光学遥感技术易受云层、 气候条件等因素影响, 不适用于高密度植被区。 因此, 受外界环境影响较小且具有一定穿透性的合成孔径雷达技术在生物量估算中得到了推广; 但当前SAR技术多用于估算森林生物量与作物生物量, 鲜有估算草地绿色生物量的研究。 故选取内蒙古草原为研究区, 基于Sentinel-1A SLC影像提取后向散射系数、 纹理特征、 极化分解量共11种雷达指数, 并根据已有雷达植被指数(σ0和σ′0)引入2种雷达植被指数(σ１和σ′１), 结合草地绿色生物量实测数据分别对15种雷达指数进行建模分析。 结果表明纹理特征中的均值、 后向散射系数σＶＨ为估算草地绿色生物量最佳雷达指数, 其估算模型R2分别为0.54和0.60, RMSE分别为47.3和44.3 g·m-2, 此外, 雷达植被指数σ0和σ1估算草地绿色生物量也可获得较高精度, 其估算模型R2分别为0.53和0.42, RMSE分别为47.6和53.0 g·m-2。 研究证明SAR技术在高效高精度草地绿色生物量估算中具有较强应用潜力, 但在误差消除方面仍需改进。
草地绿色生物量 纹理特征 雷达指数 Grassland green biomass SAR SAR Texture characteristics Radar vegetation index
中国空间技术研究院遥感卫星总体部，北京 100094
森林生物量探测是评估森林生态系统固碳能力的基础，对研究陆地生态系统碳循环具有重要意义，遥感技术的发展为快速准确地获取森林生物量提供了有效途径。首先，介绍了国内外森林生物量遥感卫星的发展情况，讨论了光学遥感、激光雷达和微波雷达数据在森林生物量估算上的适用性，并总结了现存问题。然后，提出了我国新一代森林生物量遥感卫星的需求和任务，并针对高精度定量化遥感测量森林生物量过程中的技术难点，给出了任务分析过程和载荷配置方案，该方案可实现多载荷同平台观测和三维大气气溶胶探测。最后，对森林生物量遥感卫星后续发展情况进行了展望。
遥感 碳中和 森林生物量 遥感卫星 光学学报
2022, 42(17): 1728001
1 中国科学院合肥物质科学研究院 安徽光学精密机械研究所，中国科学院环境光学与技术重点实验室，合肥 230031
2 中国科学技术大学，合肥 230026
3 安徽省环境光学监测技术重点实验室，合肥 230031
4 安徽大学，合肥 230039
藻类光合荧光参数易于测量，对外来胁迫响应灵敏，是水质生物毒性测量的重要指标。以蛋白核小球藻为受试生物，研究了DCMU胁迫下（1 h和3 h），作为毒性测试终点的光合荧光参数与初始生物量的关系。结果表明：光合荧光参数可分为两类，第一类为Fv/Fm、Yield、α、rP、σPSⅡ和τes，只表征光合系统信息；第二类参数为Ek、F0、Fm、Fv以及JVPⅡ，其数值受生物量影响，包含生物量信息；当初始生物量发生变化时，只表征光合系统信息的第一类参数在毒性测试过程中更稳定。参数Fv/Fm、Yield、α、rP、σPSⅡ、τes、F0、Fm以及Fv与DCMU能建立良好的剂量效应关系，根据EC50、EC20和相关系数R2，给出了光合荧光参数作为毒性测试终点时，藻类初始叶绿素浓度的最佳范围：对参数Fv/Fm、Yield、α、rP、σPSⅡ、τes，建议范围为10~2 000 μg·L-1；对于参数F0、Fm与Fv，建议范围为200~1 000 μg·L-1。该结果可为基于光合荧光参数的生物毒性快速检测方法的建立提供重要依据。
生物光学 初始生物量 光合荧光参数 DCMU 毒性检测 Bio-optics Initial biomass Photosynthetic fluorescence parameters Diuron Toxicity detection 
1 农业部农业遥感机理与定量遥感重点实验室，北京农业信息技术研究中心，北京 100097
2 University of New South Wales,Sydney NSW 2052,Australia
3 南京农业大学国家信息农业工程技术中心,江苏 南京 210095
4 山东科技大学测绘科学与工程学院,山东 青岛 266590
5 国家农业信息化工程技术研究中心,北京 100097
地上生物量(AGB)的精准监测是农田生产管理的重要环节, 因此快速准确地估算AGB, 对于精准农业的发展十分重要。 传统上, 获取AGB的方法是采用破坏性取样法, 这使得大面积、 长期的测量变得困难。 无人机高光谱遥感因具有机动性强、 光谱分辨率高和图谱合一的优势, 成为当前估算大面积作物AGB最有效的技术手段。 该研究通过无人机平台搭载成像高光谱传感器分别获取马铃薯块茎形成期、 块茎增长期、 淀粉积累期的冠层高光谱影像以及利用烘干称重法获取相应生育期实测AGB数据。 然后, 采用相关性分析法(CAM)、 随机蛙跳算法(RFM)和高斯过程回归波长分析工具(GPR-BAT)分别筛选冠层原始光谱(COS)和一阶导数光谱(FDS)的敏感波长, 结合偏最小二乘回归(PLSR)和高斯过程回归(GPR)构建各生育期的AGB估算模型, 并对比不同模型的估测效果。 结果显示: (1)基于同种方法分别筛选COS和FDS的特征波长, 结合2种回归技术估算AGB的效果均从块茎形成期到淀粉积累期由好变差。 (2)基于FDS分别通过3种方法筛选的特征波长, 通过同种回归技术构建的模型效果要优于基于COS的相应效果。 (3)基于COS和FDS使用CAM, RFM和GPR-BAT方法筛选的特征波长个数在块茎形成期分别为28, 12, 6个和12, 23, 10个, 在块茎增长期分别为32, 8, 2个和18, 28, 4个, 在淀粉积累期分别为30, 15, 3个和21, 33, 5个。 (4)各生育期基于COS和FDS通过3种方法筛选的敏感波长估算AGB效果由高到低依次均为GPR-BAT, RFM和CAM。 (5)各生育期基于FDS通过GPR-BAT方法筛选的敏感波长, 结合PLSR建立的模型精度更高、 稳定性更强, R2分别为0.67, 0.73和0.65, NRMSE分别为16.63%, 15.84%和20.81%。 研究表明利用无人机高光谱成像技术可以准确地估算AGB, 这为实现马铃薯作物长势动态监测, 提供科学指导和参考。
马铃薯 无人机 成像高光谱 随机蛙跳 高斯过程回归 地上生物量 Potato UAV Imaging hyperspectral Random frog Gaussian process regression Above-ground biomass 光谱学与光谱分析
2021, 41(9): 2657
1 农业部农业遥感机理与定量遥感重点实验室，北京农业信息技术研究中心，北京 100097
2 山东科技大学测绘科学与工程学院，山东 青岛 266590
3 南京农业大学国家信息农业工程技术中心，江苏 南京 210095
4 国家农业信息化工程技术研究中心，北京 100097
地上生物量(AGB)是评估作物生长发育和指导田间农业生产管理的重要指标。 因此, 高效精准地获取作物AGB信息, 可以及时准确地估算产量, 对于保障粮食供应和贸易提供有力依据。 传统获取AGB的方法是采用破坏性取样法, 这使得大面积、 长期的测量变为困难。 然而, 随着精准农业的快速发展, 无人机遥感技术被认为是估算大面积作物AGB最有效的技术方式。 通过无人机平台搭载多光谱传感器获取马铃薯块茎形成期、 块茎增长期和淀粉积累期的多光谱影像, 地面实测株高和AGB以及地面控制点(GCP)的空间位置信息。 首先, 基于SFM(structure from motion, SFM)技术利用无人机影像数据结合GCP的三维坐标生成试验田的DSM(digital surface model, DSM), 通过DSM提取出马铃薯各生育期的株高(Hdsm); 然后, 选取原始4个单波段植被指数、 9个多波段组合的植被指数、 红边波段的高频信息(HFI)和提取的Hdsm分别与AGB作相关性分析; 最后基于单波段植被指数(x1)、 多波段组合的植被指数(x2)、 植被指数结合Hdsm(x3)、 植被指数结合HFI(x4)以及植被指数融合HFI和Hdsm(x5)为模型输入参数, 采用偏最小二乘回归(PLSR)和岭回归(RR)估算各生育期的AGB。 结果表明: (1)提取的Hdsm和实测株高拟合的R2为0.87, NRMSE为14.34%; (2)各模型参数都与AGB达到极显著水平, 相关性均从块茎形成期到淀粉积累期先升高后降低; (3)各生育期以5种变量使用同种方法估算马铃薯AGB的效果, 均从块茎形成期到淀粉积累期先好后变差, 其估算精度由高到低依次为x5>x4>x3>x2>x1; (4)各生育期使用PLSR以不同变量估算AGB的效果要优于RR方法, 其中在块茎增长期基于x5变量估算马铃薯AGB效果最佳, R2为0.73, NRMSE为15.22%。 因此, 选取多光谱植被指数结合红边波段的高频信息和Hdsm并使用PLSR方法可以明显提高AGB的估算精度, 这为大面积马铃薯作物AGB的监测提供了新的技术支撑。
马铃薯 多光谱 株高 植被指数 高频信息 地上生物量 Potato Multispectral Plant height Vegetation indices High frequency information Above ground biomass 光谱学与光谱分析
2021, 41(8): 2549
1 农业部农业遥感机理与定量遥感重点实验室, 北京农业信息技术研究中心, 北京 100097
2 山东科技大学测绘科学与工程学院, 山东 青岛 266590
3 国家农业信息化工程技术研究中心, 北京 100097
4 北京市农业物联网工程技术研究中心, 北京 100097
5 河南工程学院土木工程学院, 河南 郑州 451191
地上生物量（AGB）是表征作物生命活动的重要参数, 对作物长势监测和产量预测尤为关键。 因此, 快速准确地获取AGB信息, 对于监测作物生长状况、 指导农业管理和提高产量具有重要的意义。 以无人机为平台搭载数码相机传感器, 因机动性强、 价格低、 空间分辨率高的优势, 能够及时准确的估算作物AGB, 已成为遥感估算研究的热点之一。 由于无人机不同飞行高度及其对应不同分辨率数码影像的AGB估算模型精度不同, 因此, 尝试在马铃薯的块茎增长期, 通过设置10, 20, 30, 40和50 m共5种无人机飞行高度, 获取不同分辨率的数码影像, 探究其对以光谱信息、 纹理特征和光谱信息+纹理特征构建AGB模型精度的影响。 首先, 基于无人机数码影像, 分别提取光谱信息和纹理特征, 通过光谱信息构建的植被指数和纹理特征, 分别结合地面试验获取的实测地上部生物量数据进行相关性分析, 分别筛选了相关系数绝对值较大的前10个影像指数和前8个纹理特征。 然后, 分别以3种输入变量整合方差膨胀因子（VIF）进行主成分分析（PCA）降维处理, 获得最佳主成分后以多元线性回归（MLR）构建AGB估算模型。 最后, 对比不同分辨率的数码影像以3种变量和同种分辨率下以同种变量构建的AGB估测模型效果。 结果发现: （1）获得的影像分辨率在0.43~2.05 cm之间变化时, 纹理特征与马铃薯AGB相关性弱于植被指数, 但都达到极显著相关水平（p<0.01）, 随着数码影像分辨率降低, 二者相关性差异明显。 （2）同种分辨率影像下, 光谱信息+纹理特征估算AGB的效果最优, 其次为单一纹理特征模型, 而单一光谱模型表现效果最差。 （3）随着数码影像分辨率提高, 光谱信息、 纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。
马铃薯 地上生物量 影像分辨率 光谱信息 纹理特征 Potato Above ground biomass Image resolution Spectral information Texture feature 光谱学与光谱分析
2021, 41(5): 1470
1 农业部农业遥感机理与定量遥感重点实验室, 北京农业信息技术研究中心, 北京 100097
2 山东科技大学测绘科学与工程学院, 山东 青岛 266590
3 国家农业信息化工程技术研究中心, 北京 100097
4 河南工程学院土木工程学院, 河南 郑州 451191
地上生物量（AGB）是作物长势评价及产量预测的重要指标, 因此快速准确地估算AGB至关重要。 由于传统植被指数（VIs）估算多生育期的AGB存在饱和现象, 因此, 利用VIs结合基于离散小波转换（DWT）的影像小波分解（IWD）技术提取的高频信息和连续小波转换（CWT）技术提取的小波系数, 探究VIs, VIs+IWD和VIs+CWT对于AGB的估算能力。 首先, 基于无人机平台分别获取马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期的数码影像和成像高光谱影像以及地面实测的AGB数据。 其次, 利用数码影像通过IWD技术提取3种高频信息和利用高光谱反射率数据通过CWT技术提取小波系数以及构建6种高光谱植被指数。 然后, 将植被指数、 高频信息和小波系数分别与AGB进行相关性分析, 并挑选出不同尺度下相关系数绝对值较高的前10波段。 最后, 以VIs, VIs+IWD和VIs+CWT这3种变量分别使用偏最小二乘回归（PLSR）方法构建AGB估算模型, 并对比不同模型估算AGB的效果。 结果表明: （1）每个生育期选取的6种植被指数、 3种高频信息和10种小波系数与AGB的相关性均达到0.01显著水平, 整个生育期相关性均呈现先升高后降低的趋势, 其中以小波系数得到的相关性最高、 高频信息次之, 植被指数最低。 （2）对比分析每个生育期的3种估算模型, 以VIs+CWT为输入变量的估算效果最好, VIs+IWD的估算效果次之, 而VIs的估算效果最差, 说明基于小波分析构建的模型适用性较广、 稳定性较强。 （3）每个生育期分别以3种变量利用PLSR方法构建的AGB估算模型均在块茎增长期达到最高精度（VIs: 建模R2=0.70, RMSE=98.88 kg·hm-12, NRMSE=11.63%; VIs+IWD: 建模R2=0.78, RMSE=86.45 kg·hm-12, NRMSE=10.17%; VIs+CWT: 建模R2=0.85, RMSE=74.25 kg·hm-12, NRMSE=9.27%）。 通过VIs分别结合IWD和CWT技术利用PLSR建模方法, 可以提高AGB估算精度, 为农业指导管理提供可靠参考。
马铃薯 地上生物量 植被指数 高频信息 小波系数 偏最小二乘回归 Potato Above-ground biomass Vegetation index High-frequency information Wavelet coefficients Partial least squares regression 光谱学与光谱分析
2021, 41(4): 1205
首都师范大学三维信息获取与应用教育部重点实验室, 北京 100048
准确及时地预测牧草的地上生物量AGB(above ground biomass)是实现牧草生长监测和合理放牧的前提。 无人机高光谱遥感可快速获取高空间、 光谱和辐射分辨率的遥感影像, 已被广泛应用于精准农业和高通量植物表型等领域。 为探究无人机高光谱影像(unmanned aerial vehicle hyper-spectral image, UAV-HSI)对草原牧草AGB预测的适用性, 获取了青海省典型草场样区的UAV-HSI、 样方牧草AGB和相关辅助数据。 然而, UAV-HSI具有较大的数据量级, 不便于被广泛采集、 存储和传输, 也会显著影响数据处理的效率, 严重制约其被有效利用。 着眼于此, 提出一种兼顾数据简化和光谱保真的牧草冠层光谱重建优化方法, 以期在有效降低数据量的同时, 保证牧草AGB的预测精度。 首先, 利用残差量化方法对UAV-HSI进行特征参量化处理, 获得低数据量级的多阶二值立方体(Hi)及系数矩阵(βi), 并以此替代原始数据进行存储和传输; 其次, 利用Hi和βi进行光谱重建, 得到初构光谱PRS(preliminarily reconstructed spectra); 最后, 运用Savitzky-Golay滤波对PRS进行优化, 即为OPRS(optimized PRS)。 以样区牧草光谱为例, 对OPRS的光谱保真性, 即OPRS与原始光谱之间的相关系数、 光谱角和光谱矢量距离进行分析, 结果表明, 在3种保真性指标上, OPRS均明显优于同阶的PRS。 进而, 分析了牧草AGB与光谱变量之间的相关性, 结果表明, 与原始光谱和PRS相比, OPRS各波段对牧草AGB的预测能力相对较高且最为稳定。 而后, 利用偏最小二乘法回归构建了牧草AGB的反演模型, 结果表明, 在原始光谱、 1~4阶PRS和1~4阶OPRS等9种光谱中, 4阶和3阶OPRS的AGB预测精度分别达到了最优和次优水平, 二者的AGB预测相对分析误差RPD(ratio of performance to deviation)分别为2.31和2.23, 比原始光谱模型的RPD分别高0.26和0.18。 在降低1个数量级的情况下, OPRS取得了优于原始光谱的牧草AGB预测性能, 说明OPRS兼具数据简化和牧草AGB准确预测性能, 为UAV-HSI估算牧草AGB提供了一种新的有效解决方案。
无人机 高光谱遥感 光谱重建 草地植被 地上生物量 Unmanned aerial vehicle Hyperspectral remote sensing Spectral reconstruction Grassland vegetation Above ground biomass
