基于多植被指数组合的棉花叶片叶绿素含量估算

叶绿素含量是表征植被生长状况的重要参考指标,利用高光谱技术快速,精确地监测棉花叶片叶绿素含量,以新疆125个苗期棉花叶片样本为研究对象,通过测定其叶绿素含量与光谱数据,采用多种光谱预处理和多植被指数相结合的方法,构建了WOA-RFR棉花叶片叶绿素含量定量反演模型,并与SVR和RFR模型结果进行对比分析。结果表明:(1)光谱变换方法中对数变换、分数阶微分和连续小波变换均能有效地提高植被指数与叶绿素含量的相关性。(2)基于分数阶微分0.9阶变换的Vogelmann3、RVI、DVI、SR_([675-700])、Mndvi_(705)、ND、VOG1、NVI、TVI和VOG2植被指数组合的WOA-RFR模型反演效果最佳,其建模集和验证集模型R~2分别为0.920和0.955,RMSE分别为0.987和0.986,MRE分别为0.013和0.014,与RFR和SVR模型相比,预测精度有所提高,WOA算法优化模型效果明显。研究结果可为棉花叶片叶绿素含量定量反演提供决策依据。

基于组合植被指数的红树林树种遥感分类与生物碳储量变化研究

红树林的物种结构对红树林生物碳储量有极大的影响,红树林生物碳储量是核算红树林碳汇能力的重要指标。本研究基于Sentinel-2多光谱影像,构建11种植被指数组合,针对茅尾海地区红树林优势种无瓣海桑(Sonneratia apetala)和桐花树(Aegiceras corniculatum)训练了基于支持向量机(SVR)的分类模型,并使用In VEST模型计算了2019-2023年研究区红树林生物碳储量的变化情况。结果显示,红树林识别指数(MRI)与其他植被指数进行组合后能够显著提高无瓣海桑和桐花树的分类精度;2019-2023年,研究区无瓣海桑和桐花树的总生物碳储量持续增加,年均增长率为3.02%。由于光学影像无法准确区分无瓣海桑群落和无瓣海桑-桐花树混交群落,本研究结果对红树林混交群落中桐花树群落面积存在一定程度的低估;而在平陆运河工程建设过程中,应对茅尾海地区红树林采取必要的保护措施,并以其他省份红树林蓝碳碳汇交易项目为参考,促进广西蓝碳碳汇的开发利用。

基于多植被指数组合的冬小麦地上干生物量高光谱估测

为了探究多种植被指数组合与偏最小二乘回归(PLSR)结合对于提高冬小麦地上干生物量估测精度的影响,本研究以氮运筹试验为基础,比较分析了18种植被指数与冬小麦地上干生物量的相关性,筛选出相关性较好的植被指数,建立多种植被指数组合的PLSR模型,并对模型进行评价比较。结果表明:除叶绿素归一化植被指数(NPCI)外各植被指数均与冬小麦地上干生物量有良好的相关性,中分辨率陆地叶绿素成像指数(MTCI)、绿色归一化植被指数(GNDVI)、改进红边比值植被指数(MSR705)和特征色素简单比值指数c(PSSRc)4个植被指数相关系数绝对值均达到0.800以上;多植被指数组合构建的PLSR模型中,以PSSRc、MSR705和MTCI 3个植被指数建立的复合式模型建模集(R2=0.719,RMSE=0.316)和验证集(R2=0.696,RMSE=0.346)表现最佳。因此,多种植被指数组合与偏最小二乘回归(PLSR)结合能有效提高冬小麦地上干生物量的估测精度,为更好地实现冬小麦地上干生物量高光谱遥感估测提供有效技术途径。

多植被指数组合的冬小麦遥感估产方法研究

为了提高大面积冬小麦农田产量快速估算的准确率,选取Landsat 8 OLI卫星遥感数据,计算归一化植被指数NDVI、比值植被指数RVI、绿度植被指数GVI、增强植被指数EVI,分别建立4种植被指数组合与地面冬小麦实测产量的回归方程或神经网络和SVM模型。结果表明:单植被指数的非线性回归方程估产精度高于线性回归方程,冬小麦实测产量与遥感植被指数表现为非线性关系;线性回归方程估产时多植被指数组合精度高于单植被指数,多植被指数组合可实现信息互补,提高遥感估产精度;建立多植被指数组合与实测产量的非线性遥感估产模型时,SVM模型的均方根误差RMSE为339.6kg·hm^(-2),决定系数R^2为0.7852,估产精度高于BP神经网络模型、RBF神经网络模型,可应用于冬小麦遥感估产的快速、准确实现。

林地叶面积指数遥感估算方法适用分析

叶面积指数是与森林冠层能量和CO2交换密切相关的一个重要植被结构参数,为了探讨估算林地叶面积指数LAI的遥感适用方法和提高精度的途径,利用TRAC仪器测定北京城区森林样地的LAI,从Landsat TM遥感图像计算NDVI、SR、RSR、SAVI植被指数,分别建立估算LAI的单植被指数统计模型、多植被指数组合的改进BP神经网络,获取最有效描述LAI与植被指数非线性关系的方法并应用到TM图像估算北京城区LAI。结果表明,单植被指数非线性统计模型估算LAI的精度高于线性统计模型;多植被指数组合神经网络中,以NDVI、RSR、SAVI组合估算LAI的精度最高,估算值与观测值线性回归方程的R2最高,为0.827,而RMSE最低,为0.189,神经网络解决了多植被指数组合统计模型非线性回归方程的系数较多、较难确定的问题,可较为有效的应用于遥感图像林地LAI的估算。

高寒地区粳稻穗颈瘟的无人机高光谱遥感识别

水稻穗颈瘟作为稻瘟病的一种发病形式常以褐色斑点性状出现在水稻穗颈节部位,对稻穗颈瘟病害快速、无损的识别与分级评估一直是备受关注的研究课题。该研究以高寒地区粳稻大田试验为基础,利用无人机高光谱平台获取不同病害等级的水稻穗颈瘟冠层数据;分别以不同处理的光谱数据作为输入量,使用随机森林(Random Forest,RF)的方法进行建模,并结合水稻生理对各输入量的特征关联加以解释。结果表明:随着穗颈瘟病害等级的提升,水稻冠层反射率整体呈现下降的趋势;植被指数组合(Combination of Vegetation Indices,CVIs)作为输入量建立起来的预测模型具有最高的精度,预测集精度达到90%,Kappa系数为0.86,能够解释穗颈瘟所引起的植株整体生理参数综合变化过程。该研究结果可为无人机高光谱遥感实现穗颈瘟病定量遥感监测与预警分级提供支持。

基于Sentinel-2多光谱影像的小麦-玉米轮作耕地粮食产量估测——以曹县为例

建立小麦-玉米轮作耕地遥感估产模型,可及时准确估测耕地综合粮食产量。本研究以山东曹县冬小麦-夏玉米轮作耕地为对象,利用2018—2019年Sentinel-2影像,通过对比基于QGIS平台的时序特征分类与支持向量机算法,优选提取冬小麦-夏玉米轮作耕地播种面积;通过小麦、玉米植被指数与其统计产量的相关性,筛选敏感植被指数及其生育期,采取牛顿-梯形积分法,获取敏感光谱时段植被指数积分值,构建基于积分值组合的多元线性回归和3种机器学习(随机森林RF、BP神经网络BPNN和支持向量机SVM)模型,并优选最佳估产模型。结果表明:利用QGIS平台基于时序特征提取冬小麦-夏玉米播种面积精确率达94.6%,其总体精度与Kappa系数比支持向量机算法分别高5.9%和0.12;敏感光谱时段的遥感估产优于单生育期,小麦基于归一化植被指数与比值植被指数及玉米基于增强型植被指数与结构加强色素植被指数的积分组更能有效凝聚光谱信息;植被指数积分最优组合方式为差值,机器学习算法拟合精度高于经验统计模型;最佳估产模型为机器学习算法的差值组-随机森林(DVG-RF)模型(R^(2)为0.843,均方根误差为2.822 kg·hm^(-2)),估产精度达93.4%。本研究探索了利用QGIS平台提取播种面积,对冬小麦-夏玉米轮作耕地粮食估产方法进行了系统研究,建立的多植被指数积分组合模型有效可行,对提升估产精度和效率具有参考价值。