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 大连海事大学环境科学与工程学院, 辽宁 大连 116026
2 国家海洋环境监测中心海洋遥感技术室, 辽宁 大连 116023
透明度是海洋生态环境监测的关键指标, 在**、 航海、 渔业等领域均发挥着重要作用。 与传统的海洋监测技术相比, 遥感技术具有长时序、 大范围、 近实时获取海洋信息的优势, 利用水色卫星观测我国海域透明度的变化, 对合理开发和利用我国海洋资源有着重要的意义。 利用实测透明度数据与Sentinel-3 OLCI传感器中心波段的等效遥感反射率数据构建了渤海透明度反演模型, 主要包括单波段法、 波段比值法和混合波段法。 利用与卫星时空同步的现场透明度数据进行了模型精度验证, 最终确定以B6(560 nm)与B7(620 nm)为敏感因子的混合波段模型透明度反演效果最佳, 该模型透明度的反演值与实测值间决定系数(R2)为0.68, 平均相对误差(MRE)为15.93%, 均方根误差(RMSE)为0.48 m。 在此基础上结合Sentinel-3 OLCI时间序列影像, 得到2020年渤海透明度月均遥感产品, 发现渤海透明度分布状况有明显的区域性与季节性特征。 透明度的整体变化区间为010 m, 其中夏季7月和8月份透明度较高, 局部海域透明度可高于9 m, 而冬季相对较低1月和2月份全海域不足2 m; 透明度整体呈现近岸海域低、 离岸海域高的空间分布特征, 渤海中部、 秦皇岛近岸海域透明度相对较高, 渤海湾、 辽东湾、 莱州湾透明度常年较低。 渤海透明度的分布趋势与渤海沿岸地质属性、 周边河流分布情况以及沿岸城市群与工业港口的发展情况密不可分。 该研究为渤海透明度遥感估算提供了可靠的理论基础, 对监测渤海海洋环境具有重要的意义。
水体透明度(SDD) 遥感反演 渤海 Sentinel-3 OLCI Water transparency (SDD) Remote sensing inversion Bohai Sea Sentinel-3 OLCI 光谱学与光谱分析
2022, 42(4): 1209
安徽省农业科学院土壤肥料研究所, 安徽 合肥 230031
氮素是作物生长发育必需的营养元素之一, 作物的全氮含量是表征其氮素状况的主要指标。 田块尺度的冬小麦全氮含量空间分布监测可以辅助其精准定量追肥, 减少环境污染。 无人机高光谱遥感具有分辨率高、 时效性高、 成本低等优势, 可为作物长势信息反演提供重要数据源。 XGBoost(extreme gradient boosting)作为一种新兴集成学习算法, 运行效率高, 泛化能力强, 可以有效的应用于构建冬小麦全氮含量遥感反演模型, 预测田块尺度冬小麦全氮含量空间分布。 以农业部蒙城砂姜黑土生态环境站内拔节期冬小麦为研究对象, 开展以下工作: (1)以低空无人机搭载高光谱成像仪获取冬小麦拔节期冠层成像光谱影像, 结合地面采样数据, 获取126个样点全氮含量数据; (2)分析拔节期冬小麦冠层光谱特征, 并根据Person相关系数分析176个波段的光谱反射率与全氮含量之间的相关性; (3)构建基于XGBoost算法的不同土壤肥力条件下拔节期冬小麦全氮含量无人机高光谱反演模型。 结果表明: (1)176个波段(400~1 000 nm)的光谱反射率与冬小麦全氮含量之间具有较强的相关性, 除了735.5 nm外其他波段光谱反射率与全氮含量之间的相关系数均大于0.5; (2)基于XGBoost算法构建的拔节期冬小麦全氮含量无人机高光谱遥感反演模型具有较高的反演精度(R2=0.76, RMSE=2.68); (3)基于XGBoost算法的冬小麦全氮含量反演模型可以获取不同土壤肥力条件下田块尺度的全氮含量空间分布图, 总体上呈现较为显著的空间差异。 该研究可为冬小麦精准定量追肥提供一定的科学依据, 也为发展无人机高光谱遥感的精准农业应用提供了参考。
冬小麦全氮含量 无人机高光谱 遥感反演 Winter wheat total nitrogen content (TNC) UAV hyperspectral data XGBoost Remote sensing estimation XGBoost 光谱学与光谱分析
2022, 42(10): 3269
南京大学国际地球系统科学研究所, 江苏 南京 210023
叶绿素含量是评价农作物健康状况、 生产能力和环境胁迫的重要指标, 实时、 快速、 准确获取农作物叶片叶绿素含量对监测农作物生长状况具有重要意义。 遥感是获取区域和全球农作物叶片叶绿素含量的有效途径, 但已有的作物叶片叶绿素含量遥感反演研究未充分考虑下垫面背景的干扰, 影响了反演精度。 为此, 以Sentinel-2遥感卫星影像为数据源, 结合典型水稻田的观测数据, 使用PROSAIL辐射传输模型建立了水稻田叶片叶绿素含量反演查找表, 评估了利用绿光波段和不同红边波段构建的叶绿素指数(CI)和两个不同红边波段构建的Zarco and Miller指数(ZM)反演叶片叶绿素含量的差异, 引入G(Greenness index)指数减小背景干扰对叶片叶绿含量反演的影响。 研究结果表明: (1)基于不同波段构建的光谱指数反演的叶片叶绿素含量精度存在差异, 其中CI740(R2=0.79, RMSE=9.02 μg·cm-2) 反演精度最高, 其次为ZM(R2=0.71, RMSE=10.53 μg·cm-2)、 CI705(R2=0.69, RMSE=9.17 μg·cm-2) 和CI783(R2=0.67, RMSE=10.84 μg·cm-2); (2)水稻叶片叶绿素含量反演结果受背景影响明显, 特别在水稻生长早期, 由于背景干扰较大, 反演结果明显偏低[平均相对误差(MRE)为-18.87%~-31.94%]; (3)引入G指数构建的CI/G和ZM/G可以有效消除背景的影响, 提高水稻叶片叶绿素含量反演精度(MRE为8.11%~18.11%)。 结果对提高水稻不同叶面积指数水平下的叶片叶绿素含量遥感反演精度具有重要参考意义。
叶片叶绿素含量 遥感反演 Leaf chlorophyll content Remote sensing inversion Sentinel-2 PROSAIL Sentinel-2 PROSAIL
1 西藏农牧学院高原生态研究所, 西藏 林芝 860000
3 北京林业大学精准林业北京重点实验室, 北京 100083
4 石家庄市林业局滹沱河国有林场, 河北 石家庄 050000
5 中国消防救援学院森林草原防灭火研究中心, 北京 102202
森林生态系统水源涵养具有调节气候, 维持生态水平衡等生态功能。 青藏高原作为高寒地区, 由于其高海拔, 环境恶劣的特征, 无法实地人工观测水源涵养量。 为更好地获取高寒地区的水源涵养量, 通过遥感反演的方式得到特定地区的水源涵养价值量。 以林芝巴宜区为研究区, 研究区内林芝云杉、 高山栎、 高山松和雪层杜鹃四种植被为主要树种, 遥感影像无法直接获得水源涵养信息, 但可以通过构建植被叶片光谱信息与水源涵养量之间的定量关系来反演水源涵养价值量。 研究不同植被与水源涵养量的定量关系, 每种植被采集10个样点共1 000个叶片样本和水源涵养数据, 利用ASD光谱仪获取高光谱数据, 通过相关性选取拟合参数, 构建水源涵养回归模型。 利用Sentinel-2遥感影像反演研究区内植被的水源涵养分布, 并对反演结果进行验证。 结果表明, 四类植被叶片的反射光谱, 均呈现出相似的规律性, 在可见光波段差异不明显, 近红外到中红外波段呈现出明显四个水吸收带, 在红光到近红外波段(700~1 400 nm)反射率最高。 光谱反射率大小表现为高山栎>高山松>林芝云杉≈雪层杜鹃。 通过实验获取植被冠层截流量、 枯落物持水量和土壤含水量, 三者之和代表植被的水源涵养量, 分析植被的光谱特征与水源涵养量的关系, 并通过Pearson系数评价波段参数与水源涵养的定量化关系, 确定R540, R1 950, NDWI和NDVI四个参数与水源涵养量显著相关。 根据上述参数与四类植被的水源涵养量构建水源涵养回归模型, 并通过模型反演研究区内植被水源涵养量, 检验模拟精度, 整体反演精度R2大于0.7, RMSE基本小于10, 说明预测模型反演效果较好, 模型可有效估算森林生态系统的水源涵养量。
高寒山地区 水源涵养 高光谱 预测模型 遥感反演 Alpine mountain area Water conservation Hyperspectral Prediction model Remote sensing inversion 
1 北京林业大学精准林业北京重点研究室, 北京 100083
2 成都信息工程大学网络空间安全学院, 四川 成都 610200
3 北京林淼生态环境技术有限公司, 北京 100085
水源涵养是生态系统重要的服务功能, 森林作为一种复杂的生态系统, 其组成部分对于水源涵养的贡献率各不相同; 森林枯落物直接覆盖于地表, 既来自于林冠层也抑制土壤层的水分蒸散, 因此枯落物层在水源涵养功能中发挥了重要作用。 遥感和高光谱技术为远距离识别面状区域的水源涵养能力提供了解决方案, 特别在高原地区, 遥感是获取地表信息的快速手段。 以雅鲁藏布大峡谷为研究区, 用ASD(便携式地物)光谱仪测定主要树种(高山松、 林芝云杉和川滇高山栎)的叶片高光谱数据并构建植被指数, 同时, 通过样地采样获取枯落物样本并计算样本的持水拦蓄性能, 然后建立植被指数与有效拦蓄量的多元回归模型。 在此基础上, 基于Sentinel-2影像反演大峡谷主要树种枯落物的水源涵养能力分布情况, 最后结合验证点对反演模型进行精度评价。 结果显示: (1)三类树种的叶片反射率趋势相似, 川滇高山栎的反射率最高, 高山松次之, 林芝云杉最低; (2)枯落物的有效拦蓄量从大到小排序为: 林芝云杉(48.36 t·ha-1)>川滇高山栎(39.24 t·ha-1)>高山松(32.32 t·ha-1)。 林芝云杉枯落物的分解程度和蓄积量均最高, 因此持水拦蓄能力最强; 川滇高山栎的革质叶片不利于分解堆积, 进而限制蓄水能力; 高山松含有较多油脂, 不易被水浸湿, 导致持水能力较弱。 (3)通过Person相关系数分析和多元线性回归模型得知, 叶片蜡质参数和衰减程度越高, 枯落物的水源涵养能力越弱; 植被生长态势越好、 色素和叶片水分含量越高, 其水源涵养能力越强。 (4)枯落物水源涵养能力反演模型的精度评价结果良好, 高山松、 林芝云杉和川滇高山栎的样本检验点拟合优度R2分别为0.943, 0.815和0.812, 均方根误差RMSE分别为1.597, 2.270和1.953, 表明模型可以用于大峡谷森林枯落物水源涵养能力的预测分布研究。
高光谱 水源涵养 枯落物 遥感反演 雅鲁藏布大峡谷 Hyperspectral Water conservation Litter Remote sensing inversion Yarlung Zangbo Grand Canyon
1 齐鲁工业大学（山东省科学院）山东省科学院海洋仪器仪表研究所 山东省海洋监测仪器装备技术重点实验室 国家海洋监测设备工程技术研究中心，山东 青岛 266100
2 热带海洋环境国家重点实验室 中国科学院南海海洋研究所，广东 广州 510301
针对目前透明度遥感反演研究多以较低空间分辨率卫星数据为主的现状，采用分辨率高达10 m的Sentinel-2卫星数据进行了胶州湾海域水体透明度的遥感反演研究。构建了基于实测数据的反演模型。结果表明：模型具有较高的精度，反演值与实测值的平均相对误差为9.86%，均方根误差为0.22 m。依据构建的反演模型与卫星影像数据反演了胶州湾水体的透明度，绘制了水体的透明度分布图，分析了胶州湾海域水体透明度的空间分布规律和局部的细微变化特征。研究发现，胶州湾海域水体透明度呈现由近岸向外海逐渐升高的趋势，径流量大的河流会造成汇入海域透明度明显降低的变化，潮汐会引起透明度出现沿垂直于岸边方向的纹理变化特征，大型船只的通航会造成透明度短时降低的变化。
透明度 哨兵2号 遥感反演 胶州湾 SDD Sentinel-2 remote sensing retrieval Jiaozhou Bay 红外与激光工程
2021, 50(12): 20210080
1 南京信息工程大学电子与信息工程学院, 江苏 南京 210044
2 南京信息工程大学海洋科学学院, 江苏 南京 210044
3 福建省气象灾害防御技术中心, 福建 福州 350001
4 福建省灾害天气重点实验室, 福建 福州 350001
长江口青草沙水库是重要的饮用水源,其水质评估非常关键。为客观、科学地评估青草沙水库的水质状况,以水体悬浮物作为评估水质的一个关键参数,利用Landsat-8 OLI高空间分辨率数据开展了相关研究。采用与现场观测匹配的卫星资料,建立了青草沙水库悬浮颗粒物(SPM)的反演算法,利用现场观测资料进行精度验证,结果显示相关系数较高,均方根误差较小,由此表明该算法的反演精度较高,结果可信。利用建立的算法,对Landsat-8 OLI数据进行处理得到2013—2019年的SPM平均空间分布和时间分布特征。结果发现:河口范围内青草沙水库SPM浓度最低;水库上部SPM浓度随季节变化较大,在冬季最大,春季最小;水库中部与下部SPM浓度较低且变化很小。研究结果表明,长江口青草沙水库水体清澈,水质较好。
海洋光学 长江口 青草沙水库 悬浮颗粒物 Landsat-8 OLI 遥感反演 激光与光电子学进展
2021, 58(22): 2201001
1 北京大学地球与空间科学学院, 遥感与地理信息系统研究所空间信息集成与3S工程应用北京市重点实验室, 北京 100871
3 湖南大学电气与信息工程学院, 湖南 长沙 410082
4 贵州师范大学地理与环境科学学院, 贵州 贵阳 550001
叶片氮含量极大程度上影响植被生物化学过程, 有重要的研究意义。 利用机载高光谱数据反演叶片氮含量在农业遥感领域有广泛应用, 但其反演精度不能完全满足精细农业的需要, 有一定提升空间。 叶片氮含量遥感反演精度受机理误差和算法误差的影响, 机理误差主要来源于叶片表面反射。 传感器探测到的反射辐射既包含叶片内部多次散射, 又包含叶片表面镜面反射部分, 只有前者是携带叶片内部生化组分(如氮含量)信息的, 由于后者是入射光在叶表蜡质层发生的直接反射, 因此该部分并不携带叶片内部信息。 根据菲涅尔定律, 叶表镜面反射是部分偏振的, 而内部散射是非偏振的, 因而通过偏振反射建模可部分去除叶表镜面反射影响, 以消除机理误差。 算法误差主要来源于不同氮含量反演算法对于高光谱数据挖掘能力的差别。 比较了偏最小二乘法、 主成分回归、 支持向量机、 K-近邻算法和随机森林回归在高光谱叶片氮含量反演中的表现, 在调整算法参数之后, 选择使用随机森林回归算法以减少高光谱反演算法误差。 以常绿针叶林、 落叶阔叶林和针阔混交林为研究对象, 利用多角度偏振卫星POLDER/PARASOL的多光谱数据库构建二向偏振反射模型, 用以模拟和分析研究区森林的偏振反射率; 从HySpex传感器系统获取的机载高光谱数据中去除偏振反射率带来的光谱机理误差, 以实现叶片氮含量的精确反演。 以均方根误差为主要指标评估精度变化可获得以下结论: 在高光谱叶片氮含量反演中, 消除偏振反射率带来的机理误差后, 各算法反演精度均有提升, 平均提升了4.244%。 其中, 随机森林回归可以最大程度减小反演算法误差(可决系数达到0.803, 均方根误差达到0.252), 且对光谱偏振信息最为敏感, 去除偏振后精度提高了13.103%。 相比于广泛使用的偏最小二乘算法, 去除光谱机理误差并减小反演算法误差后, 叶片氮含量反演精度整体提高了32.440%。 该研究实现了基于机载高光谱数据的叶片氮含量精确反演, 证明了在叶片氮含量反演中去除偏振反射率的必要性, 体现了在高光谱氮含量反演中随机森林算法的应用潜力。
遥感反演 偏振遥感 叶片氮含量 高光谱数据 随机森林回归 双向偏振分布函数 Remote sensing retrieval Polarization remote sensing Leaf nitrogen concentration Hyperspectral data Random forest regression Bidirectional polarization distribution function 光谱学与光谱分析
2021, 41(9): 2911
红外与激光工程
2021, 50(6): 20211031
