多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_(red))和近红外波段反射率(BR_(nir))的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_(red)和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_(BP)),并对估测模型进行精度验证。结果表明,WWLCC_(BP)估测模型在拔节期估测的决定系数(r^(2))为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_(BP)和高分六号影像结合监测了研究区域冬小麦叶片叶绿素含量的空间分布信息,叶片SPAD值在43.2~53.7之间的冬小麦长势正常,种植面积为25483 hm^(2),占冬小麦总播种面积的69.81%。这说明多遥感光谱指标结合建立的神经网络估测模型可以实现对大田冬小麦叶片叶绿素含量的有效估测。

基于多种高光谱指标反演冻结土壤含水率的研究

在中国季节性冻融区如何高效快速地监测冻结土壤的含水率至关重要。以内蒙古河套灌区典型灌域土壤为对象,在实验室分梯度配置不同含水率的土样,通过地物光谱仪测定土壤冻结与未冻结状态下的高光谱数据,处理得到原始光谱反射率(Raw Spectral Reflectance,REF)、一阶微分反射率(First-order Differential Reflectance,FDR)和二阶微分反射率(Second-order Differential Reflectance,SDR)、标准正态变量变换(Standard Normal Variable Reflectance,SNV)和倒数之对数变换(Logarithm of Reciprocal,LR)5种光谱指标,采用偏最小二乘回归法(Partial Least Squares Regression,PLSR)、多元逐步回归法(Multiple Stepwise Regression,MSR)、支持向量机法(Support Vecor Machine,SVM)和一元线性回归法(Unary Linear Regression,ULR),构建基于不同光谱指标的土壤含水率高光谱反演模型并进行回归分析。结果表明,冻结状态下基于REF、FDR和SDR指标构建的模型反演精度低于未冻结状态,REF的验证集决定系数(Rp^(2))的最大值为未冻结状态下PLSR的0.952,最小值为冻结状态下ULR的0.621;FDR的Rp^(2)最大值为未冻结状态下SVM的0.955,最小值为冻结状态下MSR的0.618;SDR的Rp^(2)最大值为未冻结状态下的SVM的0.858,最小值为未冻结状态下PLSR的0.252。未冻结状态下SNV、LR指标的反演精度略低于冻结状态,SNV的Rp^(2)最大值为冻结状态下PLSR的0.796,最小值为未冻结状态下ULR的0.621;LR的Rp^(2)最大值为冻结状态下MSR的0.789,最小值为未冻结状态下ULR的0.667;未冻结状态下最佳模型组合为FDR-SVM,Rp^(2)为0.955,冻结状态下最佳组合模型为REF-PLSR,Rp^(2)为0.799。研究成果可为土壤冻结状态下利用高光谱遥感技术监测土壤含水率提供一定的技术支撑。

应用高光谱植被指数反演冬小麦叶绿素含量的光谱指标敏感性研究

高光谱植被指数反演叶绿素含量的精度除与模型有关外,光谱指标中心波长、波段宽度、信噪比等的差异也会带来一定的影响。研究基于实测光谱数据,结合波段模拟、噪音分析等方法,研究不同的光谱指标对植被指数反演叶绿素含量的影响,分析用于反演的光谱指标的敏感性,结果表明:1最佳中心波长的位置与适用于高低覆盖的植被指数类型有关,反演精度在一定范围内并不随着波段宽度的增加而提高;2不同植被指数抗噪声能力有一定的差异,其中DVI(difference vegetation index),NDVI(normalized difference vegetation index)等抗噪能力比较强,MCARI(modified chlorophyll absorption ratio index)和TCARI(transformed chlorophyll absorption ratio index)抗噪能力比较弱;3联合反演模型反演结果为R^2=0.741 5,RMSE=0.402 6,优于MTCI(MERIS terrestrial chlorophyll index)的反演结果,通过模拟HJ1A-HSI,Hyperion等数据,研究出联合反演模型在不同高光谱传感器下有一定的适用性。

传感器光谱指标对植被光谱模拟精度的影响

高光谱卫星数据模拟是卫星遥感数据模拟的重点研究方向,基于星载多光谱数据和地物光谱先验知识是一种快速模拟高光谱数据的方法,但数据模拟精度受传感器光谱指标的限制。文章针对EO-1/ALI的可见光/近红外波长范围进行实验,研究了波段数量、半波宽度和波长位置等光谱指标与植被光谱模拟精度的关系,分析了两者之间的变化规律。研究表明,光谱指标决定了植被光谱特征提取,是影响光谱模拟精度的直接原因。文章总结了适于光谱重构模型的光谱参数范围,实验结果有利于提高植被光谱模拟精度。该结论可用于多光谱传感器的性能评价及其分光滤色结构的改进。

遥感光谱指标和神经网络结合的冬小麦地上部生物量估测

为探讨基于神经网络对小麦地上部生物量(aboveground biomass,AGB)进行遥感估测的可行性,在江苏省泰州泰兴市、盐城大丰区和宿迁沭阳县布设冬小麦大田试验,在对冬小麦近红外波段反射率(near-infrared band reflectance,REF_(nir))、红光波段反射率(red band reflectance,REF_(red))、归一化差值植被指数(normalized difference vegetation index,NDVI)、差值植被指数(difference vegetation index,DVI)、比值植被指数(ratio vegetation index,RVI)、土壤调节植被指数(soil adjusted vegetation index,SAVI)和优化土壤调节植被指数(optimized soil adjusted vegetation index,OSAVI)等7个遥感光谱指标与冬小麦生长指标(LAI和AGB)进行相关性分析基础上,构建基于BP神经网络的冬小麦AGB估测模型,并与多元线性回归估测模型进行精度比较。结果表明,冬小麦拔节期REF_(red)、NDVI、RVI、SAVI、OSAVI和LAI与AGB之间存在较好相关性,其中LAI与AGB的相关性最高(相关系数为0.782),SAVI与AGB的相关性最低(相关系数为0.647)。利用BP神经网络建立的冬小麦AGB估测模型AGB_(BP)的决定系数(r^(2))为0.918,均方根误差(root mean square error,RMSE)为582.9 kg·hm^(-2),平均相对误差(average relative error,ARE)为18.4%。利用多元线性回归分析建立的冬小麦AGB估测模型AGB_(RA)的r^(2)为0.784,RMSE为871.1 kg·hm^(-2),ARE为32.6%。利用冬小麦抽穗期AGB实测数据再对模型AGB_(BP)和AGB_(RA)进行验证,其RMSE分别为1140.4和1676.7 kg·hm^(-2),ARE分别为20.5%和33.1%。由此可以看出,冬小麦估测模型AGB_(BP)精度优于模型AGB_(RA),说明利用多个遥感光谱指标结合LAI建模可以有效提高冬小麦AGB的估测精度。

基于反射光谱预测土壤重金属元素含量的研究

本文利用实验室实测的土壤反射光谱以及铅、镉、汞等重金属元素数据,进行土壤重金属元素含量快速预测的可行性研究。本文利用偏最小二乘回归方法,研究了反射率(R)、一阶微分(FDR)、反射率倒数的对数(lg(1/R))和波段深度(BD)等对预测精度的影响,对这几种光谱指标预测土壤重金属含量的能力进行了分析和评价,同时分析了多光谱数据估算土壤重金属元素含量的可行性。结果表明,反射率倒数的对数lg(1/R)是估算土壤重金属元素含量最好的光谱指标,尤其是Cd和Pb,检验精度R超过0.82。有机质、铁锰氧化物和黏土矿物对土壤重金属元素的吸附是可见光—近红外—短波红外光谱估算其含量的机理。多光谱数据同样具有估算土壤重金属元素含量的能力,但实际数据则要考虑多种因素的影响。

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R^2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P<0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R^2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P<0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R^2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P<0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R^2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P<0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R^2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P<0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R^2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R^2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。

水稻冠层与土壤高光谱反演土壤重金属对比研究

针对土壤高光谱与水稻冠层高光谱反演多种土壤重金属含量精度差异较大的问题,探讨2种光谱反演土壤重金属适应性。通过对水稻冠层光谱与其土壤光谱的光谱指标变换,进行对比分析,在此基础上研究多元逐步回归、偏最小二乘回归在不同光谱指标下反演土壤重金属(Fe、Zn、Cu、Pb、Cd)的含量。结果表明,红光、近红外波段为土壤重金属含量敏感波段;水稻冠层波谱反演Fe、Zn、Pb、Cd含量的精度高于土壤波谱的反演精度;土壤波谱反演Cu含量的精度高于水稻冠层波谱反演精度。

重庆市南川区土壤锰元素遥感反演

土壤中的锰元素对植物生长起着重要作用,土壤锰含量过高或者缺少都将对植物产生不良影响,因此快速监测土壤中的锰含量尤为重要。目前利用遥感技术监测土壤锰含量的相关研究主要集中在利用土壤光谱估算土壤锰含量,而对于植被常年覆盖的南方地区,难以从卫星影像中获取土壤光谱。因此,引入植被光谱,探索植被覆盖区域土壤锰元素的快速监测方法。首先从Landsat 8影像中提取11种植被光谱指标,并运用皮尔逊相关系数(Pearson correlation coefficient)结合方差膨胀因子(VIF)筛选出最佳植被光谱指标;在此基础上,利用偏最小二乘回归(PLSR)、多元逐步回归(MSR)和BP神经网络(BPNN)算法构建最佳植被光谱指标与土壤锰元素之间的光谱响应模型,分析比较三个模型的估算效果从而确定最佳反演模型;最后,基于最佳反演模型进行土壤锰含量空间制图。以重庆市南川区为例,研究结果表明:3个植被光谱指标(比值植被指数,归一化植被指数和可见光大气阻抗植被指数)被确定为土壤锰元素最佳的光谱响应指标;BPNN光谱响应模型(R^(2)为0.78,RMSE为334.24,RPD为2.13)为土壤锰含量最佳反演模型,其土壤锰含量的制图精度(R^(2)为0.69,RMSE为567.64,RPD为1.30)。表明通过植被光谱指标反演土壤锰含量可行,该研究为区域尺度的土壤锰含量监测开拓了新思路。

特定红外辐射材料的有效性指标

对不同新旧程度的特定红外辐射材料的红外光谱分析,找到了变化显著的红外特征峰为1122cm^(-1),并以此峰峰面积S的函数表征该材料有效性的参考指标Ⅰ。

华南地区土壤全钾含量高光谱反演模型研究

【目的】为更快速准确地估算土壤全钾含量。【方法】本文以土壤高光谱数据和实验室分析所得的土壤全钾含量数据为数据源,研究土壤光谱与土壤全钾含量的关系。在土壤原始光谱预处理的基础上,对其进行光谱平滑、一阶微分、二阶微分和倒数对数等光谱变换处理,筛选出与对土壤全钾含量相关性最高的光谱指标,最终建立模型预测土壤全钾含量。【结果】基于一阶微分变换的光谱变量是估算土壤全钾含量的最佳光谱指标,其构建的土壤全钾高光谱反演模型(y=2E+06x^2+11328x+16.372)效果最佳,决定系数R^2为0.64,均方根误差RMSE为4.850 g/kg。【结论】利用该模型快速估算广东省土壤全钾含量是可行的。

土壤重金属铬的高光谱估算模型

为探讨利用高光谱遥感快速监测土壤重金属含量的可行性,以石家庄市水源保护区为研究区域,对其土壤光谱数据与重金属铬含量进行相关性分析,运用多元逐步回归、偏最小二乘回归等多种方法建立估算模型。结果表明:土壤光谱特征波段为411、421、425、446、634、894、1 254、1 566、1 909 nm,主要处于土壤铁锰氧化物的特征吸收区域;多光谱变换指标多元逐步回归模型和多光谱变换指标偏最小二乘回归模型的决定系数R^2分别达到0.689和0.668。与单光谱变换指标模型相比,多光谱指标模型估算效果有明显提升。集成多光谱变换指标建模的思路可为土壤重金属铬的遥感监测提供借鉴。

一种简便的近红外光谱标准化方法

针对目前近红外光谱分析中模型传递现有方法的局限性,文章介绍了一种简便的近红外光谱标准化方法,并构造了一种新的光谱标准化误差指标(spectra standard error,SSE)作为评价传递结果的指标。SSE为J2和J1的比值,这里,J2表示同一样本在不同仪器上测得的谱线的距离,J1表示目标机的不同样本相对中心谱线的平均距离。文章首先对不同光谱仪所测得的吸光度谱图进行多项式卷积平滑处理以去除基线,接着采用标准归一法以实现谱图的标准化,并采用多项式卷积滤波以去除噪声。为使SSE达到最小,在处理过程中可进行波长范围和卷积窗口宽度的优化。经过上述处理后的标准化谱图可用于光谱建模分析。该方法不需要预先获得大量样本,也不需要将同一样本在不同光谱仪上测得的谱图进行比较。针对一批汽油样本的试验结果表明,借助于此方法可使SSE从1.418下降至0.167,谱图标准化效果令人满意。