基于PROSAIL模型的毛竹林冠层含水量反演研究

冠层含水量(canopy water content, CWC)的定量反演有助于毛竹林干旱胁迫状况的监测,对其生产管理具有重要意义。以永安天宝岩的毛竹林为研究对象,采用PROSAIL模型,通过全局敏感性分析结合实地调查和相关文献确定模型的参数设置,然后建立含水量与冠层反射率的查找表(LUT),进而利用查找表联合反演等效水厚度(EWT)与叶面积指数(LAI)得到冠层含水量(CWC),最后基于Sentinel-2B影像实现区域冠层含水量的空间量化。结果表明,1)EWT主要影响1 100 nm以后的冠层反射率,对可见光区域冠层反射率几乎无影响;2)基于PROSAIL模型可有效反演毛竹林冠层含水量,其R^(2)=0.536,RMSE为0.059 kg/m^(2);3)研究区域毛竹林7月的冠层含水量主要分布于0.12~0.41 kg/m^(2)。研究为冠层含水量反演提供一种有效的反演方法,有助于毛竹林的野火预防和病虫害防治。

南方丘陵区林下植被覆盖度无人机多角度遥感测量

林下植被覆盖度作为描述森林生态系统健康的重要参量,是探查水土流失情况的重要指征。量化南方丘陵地带地形起伏区林下植被覆盖度对水土流失精准治理具有重要意义。选取长汀县河田镇作为研究区,基于无人机多角度(0°、10°、20°、30°)遥感数据,利用局部最大值法,将植被形态划分为离散型与连续型,并分别利用点云布料滤波与地图森林密度算法反演出对应植被形态的林下地形。采用半高斯拟合(HAGFVC)法分离植被,再设置高程差阈值提取出林下植被,结合不同角度影像,利用形态学中的斑块膨胀方法弥补树冠遮挡的误差,进而量化林下植被覆盖度。结果表明,针对不同植被形态,上述技术路线所得的地形反演结果精度较高,其中离散型样地RMSE为0.400 m,连续型样地RMSE为0.518 m。单一角度中,基于20°影像估算林下植被覆盖度的结果精度最高(R^(2)=0.459,RMSE=0.166);基于30°影像的估算精度最低(R^(2)=0.337,RMSE=0.243)。多角度影像耦合(0°+10°+20°+30°)后,林下植被覆盖度的估算精度得到明显提高,R^(2)达到0.675,RMSE为0.102。研究结果可以为南方红壤区林下植被信息无人机遥感调查提供技术支撑。

毛竹叶片叶绿素含量估算模型对比研究

【目的】实现毛竹叶片叶绿素含量的高光谱反演,可为毛竹生长状态分析与毛竹林的科学管理提供理论依据。【方法】本研究基于毛竹不同叶位叶片的平均反射率和样地实测平均叶绿素含量数据,对平均反射率光谱曲线采取Savitzky-Golay平滑、标准正态变量变换和一阶微分的组合预处理,采用相关系数法和连续投影算法(SPA)分别提取特征波长,基于特征波长提取结果运用SPXY算法、KS算法和随机法(RS)进行数据集划分,构建6种光谱训练集,选取随机森林(RF)、极端梯度提升算法、支持向量机回归(SVR)和BP神经网络4种机器学习算法建立毛竹叶绿素含量估算模型,根据模型评估结果筛选叶绿素含量估算最适应模型。【结果】在数据集划分算法性能上,相比于KS和RS数据划分法,基于SPXY数据集划分法能显著提升叶绿素含量的估算精度;在特征波长筛选方法中,SPA算法相比于相关系数法能有效消除共线性影响,提升模型精度;在机器学习模型构建上,以SPA算法结合SPXY数据集划分法建立的支持向量机回归模型对毛竹叶片叶绿素含量的估算精度最高,训练和验证R2分别为0.78和0.76。【结论】SPA算法结合SPXY数据集划分法建立的SVR模型能实现毛竹叶片叶绿素含量的准确估测,可用于毛竹叶片叶绿素含量信息的快速、无损获取。

融合空—天遥感数据的毛竹林叶绿素含量反演模型对比研究

毛竹(Phyllostachys edulis)是我国南方集约经营广泛且十分重要的森林资源之一,叶绿素含量(CCI,chlorophyll content index)是反映植物健康状况和生长情况的重要指标,实现毛竹林叶绿素含量遥感反演对监测毛竹林健康程度具有重要意义。本研究以毛竹为对象,基于卫星遥感影像与无人机多光谱数据,通过运用HSV(Hue-Saturation-Value)变换、GS(Gram-SchmidtPan Sharpening)变换、PCA(Principal Component Analysis)变换3种方式,实现Landsat 8多光谱影像与无人机(UAV,Unmanned Aerial Vehicle)高分辨率单波段影像数据融合;选取8种植被指数,利用K邻近(KNN,k-Nearest Neighbor)回归、随机森林(RF,Random Forest)回归和CatBoost回归3种机器学习模型构建毛竹林叶片叶绿素单位含量反演模型。结果表明:(1)就融合效果而言,GS为最优模型,其变换均值、标准差、平均梯度联合熵、空间频率均最高,分别为73.407 8、80.672 9、29.6992、9.765 5、74.876 9;(2)在基于融合多光谱数据、Landsat 8多光谱数据和无人机数据验证集上,最优算法均为RF算法(R2分别为0.6876、0.5761、0.4254,RMSE分别为2.9184μg/cm^(2)、3.559 5μg/cm^(2)、3.974 5μg/cm^(2))。(3)基于融合数据的叶绿素含量反演效果优于仅使用Landsat 8数据和无人机数据的反演效果。本研究耦合多源遥感数据实现毛竹林叶绿素含量遥感反演,可为动态监测毛竹林健康情况提供科学参考。

毛竹立竹度无人机遥感识别有效高度的研究

确定最优的飞行高度,是无人机遥感快速、有效识别毛竹立竹度的重要基础。以2100株/hm^2密度的毛竹林为研究对象,利用无人机获取4个不同飞行高度(50、100、150和200 m)的毛竹林影像数据,通过分析各影像的波段光谱特征信息和纹理特征信息,选取识别毛竹立竹度的有效特征波段组合(蓝光波段、红光波段、近红外波段、纹理特征均值、归一化植被指数(NDVI)),采用面向对象多尺度分割,构建毛竹立竹度的识别单元。在此基础上,依据识别单元,通过K邻近值算法(K-Nearest Neighbor)实现特征波段组合影像的分类和毛竹立竹度信息的识别,比较不同飞行高度下毛竹立竹度的遥感识别效果,确定无人机遥感识别毛竹立竹度的有效高度。结果表明:4个不同高度水平分类总体精度分别是74.24%、85.32%、91.12%、83.84%,航高为150m时,2100株/hm^2密度的毛竹林的立竹度识别精度最佳。