基于可见光影像的城市植被信息提取

针对城市中各色建筑屋顶、水体等因素对可见光影像中绿色植被信息提取的干扰,分析各类地物要素的亮度特征、红绿蓝(RGB)信息特征,以红绿蓝植被指数(RGBVI)为基础构建一种顾及亮度因子的植被提取模型,并采用该模型与其他七种植被指数对实验区的绿色植被信息进行提取。结果表明:相较于红、绿波段的归一化红绿差分指数(NGRDI)和红绿比值指数(RGRI)指数,该模型可以消除蓝色建筑屋顶对植被信息提取的干扰,提取精度更高;相对于绿、蓝波段的归一化绿蓝差分指数(NGBDI)和绿蓝比值指数(GBRI)以及红、绿、蓝波段的红绿蓝植被指数(RGBVI)、过绿指数(EXG)和绿叶指数(GLI),该模型可以消除水体对植被信息提取的干扰,错误率更低。

作物植被覆盖度的高光谱遥感估算模型

通过大田试验,使用ASD光谱仪测量了油菜、玉米、水稻三种作物不同覆盖度水平下的冠层光谱,同时拍照获取植被图片并用计算机求算了植被覆盖度。利用三种作物光谱求算"红边"变量,并对波段两两组合求算归一化植被指数(NDVI),建立这些光谱变量与覆盖度之间的估算模型,得到适用于三种作物的最优估算模型和最佳的NDVI波段组合。另外,利用响应函数模拟了TM归一化植被指数,同植被覆盖度进行了相关分析,回归方程的R2达到0.80,并通过了预留数据的检验,为TM数据植被覆盖度估算进行了探索性的研究。

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机(Unmanned Aerial Vehicle,UAV)机动灵活、操作简便,可以按需获取高空间分辨率影像,是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数(LAI,Leaf Area Index)和叶绿素含量的参数确定问题,该研究以DJI S1000+无人机为平台,搭载法国Parrot Sequoia相机,获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像,采用重采样的方式获得不同分辨率下(0.1~1 m)的不同植被指数,所构建的植被指数包括归一化植被指数(Normalized Difference Vegetation Index,NDVI)、叶绿素指数(Grassland Chlorophyll Index,GCI)、比值植被指数(Ratio Vegetation Index,RVI)、归一化红边红指数(Normalized Difference rededge-red Index,NDIrer)、归一化红边绿指数(Normalized Difference rededge-green Index,NDIreg)和重归一化植被指数(Renormalized Difference Vegetation Index,RDVI),通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析,以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数,以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现,在分辨率为0.6 m时,NDVI与地面实测LAI之间的决定系数R^2为0.80,决定系数达到了最大,利用该分辨率下的NDVI反演得到的LAI验证精度R^2达到0.73;在分辨率为0.1 m时,NDIreg与地面实测叶绿素含量之间的决定系数R^2为0.70,决定系数达到最大,利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R^2达到了0.63。因此得出结论:1)植被指数的选择:①对于玉米冠层LAI的反演来说,不包含绿波段的植被指数的LAI反演精度较高,这说明绿波段对LAI的变化不敏感;②对于玉米冠层叶绿素含量反演来说,包含红边波段的植被指数的反演精度较高,因此影像的红边波段对叶绿素含量的变化非常敏感。2)UAV影像空间分辨率的选择:反演LAI的最优分辨率是0.6 m,此时NDVI与实测LAI的决定系数达到最大;反演冠层叶绿素含量的最优分辨率是0.1~0.3 m范围内,此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。

无人机多源光谱反演大田夏玉米叶面积指数

【目的】研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果。【方法】以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习,建立了夏玉米LAI的反演模型。【结果】多光谱植被指数以及TC均与夏玉米LAI在P<0.0001水平上显著相关,相关系数均在0.5以上;RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的LAI预测值与实测值的R2均高于MLR算法和SVM算法,对应的RMSE及NRMSE均低于MLR算法和SVM算法;融合热红外TC后的RF模型反演精度均有不同程度的提升,各生育期LAI预测值与实测值R2均大于同时期未融合TC的LAI反演模型。【结论】多光谱植被指数以及TC均与夏玉米LAI具有较强的相关性,且RF算法构建的夏玉米LAI反演模型精度优于MLR和SVM算法,同时TC的加入可以有效提升夏玉米LAI反演精度。

结合DEM的红边-近红外植被指数提取城市植被信息

随着生活水平的不断提高,城市植被已成为衡量城市宜居性的重要标准之一,对城市生物多样性评估和保护起到非常重要的作用。因此,合理规划城市植被是解决环境问题和提高生活质量的重要手段。因此,城市植被的提取和监测成为重中之重的任务。目前,城市植被提取一方面受到地域和物种的影响,另一方面也受到地形和建筑物阴影的影响。为解决上述问题,提出了一种结合数字高程模型(DEM)的红边-近红外植被指数模型(RENVI)。首先选取了3景经过辐射定标和大气校正的具有红边波段、且光谱和空间分辨率较高的Worldview-3遥感影像;然后,根据红边波段对于植被具有较高的敏感性,且红边范围内的光谱数据与反映植被生长状况的参数有较好的相关关系原理,采用DEM模型和红边波段光谱差异,有效去除地形和建筑物阴影;最后,在可见光波段范围内建立红边光谱-近红外光谱构建特征空间,构建了红边-近红外植被指数模型,同时与归一化植被指数(NDVI)和增强型植被指数(EVI)进行城市植被提取的定性和定量对比分析。定性分析是利用真实植被影像参考图与模型提取植被影像进行视觉分析;后者是采用用户精度、生产者精度、总体精度和Kappa系数进行量化分析。定性分析表明:NDVI和EVI提取城市植被,由于建筑和道路像元混淆在植被中,产生了错分和漏分的问题。RENVI较好地消除了阴影像元与植被像元混淆问题,能准确的提取城市植被,减少了冗余度,增加了植被指数的信息量。定量分析表明:RENVI模型较NDVI和RVI能够准确提取城市植被,3景影像总体精度分别为89%,81.4%和91.8%,Kappa系数分别为0.8528,0.7913和0.9052。综上所述,该方法有效提高了城市植被提取精度,并取得了较好的提取视觉效果。

基于U-Net模型的多时相Sentinel-2A/B影像林分类型分类

[目的]基于多时相Sentinel-2A/B影像,探究深度学习模型在森林植被上的分类效果。[方法]以黑龙江省孟家岗林场为研究区,以多时相Sentinel-2A/B影像、数字高程模型(DEM)为数据源,通过各森林类别的JM距离,确定最佳单一时相。同时,构建多时相植被指数及红边指数特征(DVI、mNDVI、CIred-edge、NDre1)。采用支持向量机和优化的U-Net模型分别对单一时相+DEM和单一时相+DEM+多时相植被指数两种方案进行分类实验。[结果](1)在单一时相+DEM基础上,加入多时相植被指数后,U-Net模型精度为77.87%,比单一时相+DEM精度高6.67%;(2)U-Net模型的总体精度明显优于支持向量机,并且分类效果更好。同时,深度学习U-Net模型能够避免“椒盐”现象,分类结果更细腻。[结论]基于多时相Sentinel-2A/B影像,构建植被指数及红边指数时序特征,同时采用U-Net模型在一定程度上能够提高林分类型分类精度。

基于PROSPECT-VISIR模型构建新植被水分指数

利用PROSPECT-VISIR叶片模型,获得了不同叶片参数条件下可见光—中红外波谱区间的叶片反射率模拟数据,分析了植被叶片光谱特征波段,找到叶片反射率对含水量变化敏感的波段范围。在几种常见的可见光—近红外波段植被水分指数基础上,加入中红外波段反射率,提出了4种新型植被水分指数模型:中红外归一化差异红外指数(mid-infrared normalized difference infrared index,NDII_(M))、中红外归一化水分指数(mid-infrared normalized difference water index,NDWI_(M))、中红外归一化多波段干旱指数(mid-infrared normalized multi-band drought index,NMDI_(M))和中红外归一化植被指数(mid-infrared normalized difference vegetation index,NDVI_(M))。利用叶片反射率模拟数据,比较了4种新型植被水分指数与传统水分指数对叶片含水量的敏感性,建立了新植被水分指数与叶片含水量和干物质含量的定量关系模型,其中NMDI_(M)的关系式决定系数R^(2)达到0.972,表现最好。文章基于NMDI_(M)和NDII_(M)发展了一种双植被指数的叶片含水量估算模型,实现在干物质含量未知情况下对叶片含水量的准确估算(均方根误差为0.0021 g/cm^(2))。

冬小麦叶面积指数的高光谱估算模型研究

本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。