【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P<0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。

对北京怀柔县EO–1 Hyperion高光谱数据进行波段筛选和植被含水量指数计算,采用耦合叶片与冠层辐射传输模型对水分指数(WI)、归一化差值水分指数(NDWI)、归一化植被指数(NDVI)、水应力指数(MSI)、归一化差值近红外指数(NDII)和冠层结构(CSI)的玉米冠层含水量估测能力进行分析,在不同理化参数的敏感性分析的基础上,将MCARII和NDWI进行整合,以完成玉米冠层含水量估测。结果表明,NDVI和CSI不能对玉米冠层含水量进行估测,NDII、WI、NDWI、MSI对玉米冠层含水量估测的R2值均大于0.78,但估测的RMSE值均在0.015附近,造成估测结果具有很强的不确定性;优...

为快速准确地获取植株冠层氮素含量及空间分布特征，对大尺度的果园进行精准动态的管理，以宽行窄株小冠模式、宽行窄株篱壁模式和传统栽培模式3种栽培模式的120棵柑橘树为研究对象，通过测定冠层氮素含量并提取无人机遥感影像多光谱数据中的纹理指数和植被指数，运用随机森林算法（RF）建立基于植被指数、纹理指数以及融合植被指数和纹理指数的柑橘冠层氮素反演模型，并比较融合植被指数和纹理指数的支持向量机（SVM）、BP神经网络算法（BP）和RF的模型反演精度。结果显示：在随机森林算法中，融合植被指数和纹理指数比单独的植被指数或纹理指数更能准确预测柑橘冠层氮素含量；植被指数训练集R~2为0.710，测试集R~2为0.430；纹理指数训练集R~2为0.761，测试集R~2为0.349；融合植被指数和纹理指数训练集R~2为0.775，测试集R~2为0.533。融合植被指数和纹理指数在SVM算法训练集R~2为0.511，测试集R~2为0.371;BP神经网络训练集R~2为0.651，测试集R~2为0.204。用融合植被指数和纹理指数的RF模型对3种栽培模式的柑橘园进行氮素反演，得到宽行窄株小冠模式的柑橘冠层平均氮素含量最高，其次为宽行窄株篱壁模式，传统栽培模式最低，氮素含量均值分别为31.33、30.20和27.82 mg/g。结合无人机遥感与融合植被指数和纹理指数的随机森林算法能够有效预测柑橘冠层氮素含量，可为大尺度柑橘果园定量施肥提供参考。

利用美国国家海洋大气总署（ＮＯＡＡ）卫星空间覆盖度宽，运行周期短，资料获取时次多的特点，通过地面光谱观测寻求玉米遥感估产最佳时相期，经过对ＲＶＩ理论推导得出ｆ值，在ＲＶＩ混合象元中提取玉米长势信息，建立了河北省空间玉米遥感估产模式。经过三年的预报结果检验，误差小于５％

利用高光谱遥感技术能够高效，无损，快速的获取草地地上生物量，对草地畜牧业的高效管理，动态监测及草畜供求关系平衡等方面具有重要意义。为了探求估算生长期针茅群落地上生物量最适宜的光谱变量与植被指数，本研究在内蒙古锡林郭勒盟镶黄旗牧场获取光谱反射率与地上生物量数据，通过原始高光谱数据以及一阶微分，植被指数，绿峰与红谷等变量，运用回归模型建立相应地上生物量估算模型并对比评价模型精度。结果表明：克氏针茅（Stipa krylovii）群落在7-8月的牧草生长过程中，生物量逐渐增加，8-9月牧草枯黄明显，生物量明显下降。对原始高光谱进行微分处理有助于提高敏感波段与地上生物量的相关性；在高光谱变量中，利用红边斜率（Dr）构建的线性模型精度最佳，R²为0.94，均方根误差（RMSE）为1.97g/m²，平均相对误差（MAE）为1.97g/m²。在植被指数中，利用土壤调整植被指数（SAVI）构建的多项式模型精度最佳，R²为0.92，RMSE为1.15g/m²，MAE为1.39g/m²。本研究能够为用不同高光谱变量估算针茅群落地上生物量提供科学依据，为快速精准的牧区天然草场遥感监测提供方法和技术支持。

地表水汽压是大气科学、水文学等多项研究中的一个重要输入参数。鉴于常规观测方法对于地面气象站点依赖性强且空间不连续的缺点,采用MODIS遥感数据对海河流域的日平均地表水汽压进行估算。通过相关分析得出日平均地表水汽压与MOD07低空可降雨量数据具有很强的相关性,并通过对比采用二次曲线进行建模。选取2009年1-4月数据对二次曲线模型的验证结果表明,估算结果与实测日平均地表水汽压1∶1曲线的相关系数R2为0.83。本文的研究结果提供了一种实用的基于遥感数据估算日平均地表水汽压的方法。

土壤氮素是土壤肥力的重要指标之一,在粮食生产和质量上扮演着极其重要的角色。土壤氮素监测不仅是农业生产的研究热点,也是全球气候变化问题研究的热点之一,而遥感技术为土壤氮素监测提供了一种快速无损的、新的技术手段。本研究利用TM影像通过NDVI变换反演植被覆盖度,同时结合地面实测数据,分析影像植被覆盖度与实测植被覆盖度的关系,及二者在反演土壤氮素含量时的差异;并建立影像植被覆盖度与土壤全氮含量的估算模型;结果表明:影像植被覆盖度与实测植被覆盖度的相关性极显著,通过比较实测植被覆盖度与土壤全氮、碱解氮的关系,发现实测植被覆盖度与土壤全氮含量相关性极显著,而与土壤碱解氮含量相关性不显著。

TM遥感影像中专题信息的自动提取是目前遥感界的研究热点,也已成为遥感信息生产流程中的瓶颈环节。本文分析了耕地专题信息自动提取的研究现状,选取了吉林中部和辽宁省东北部作为研究区,采用监督分类的方法对研究区TM遥感影像进行分类,提取了玉米地专题信息,玉米地信息的提取精度为85.5%。根据遥感影像目视解译的原理,提出了基于多特征空间的遥感影像专题信息自动提取的研究方法,通过对多特征空间的数学描述和计算机处理实现遥感专题信息的自动提取。采用多特征空间的方法将玉米地信息分为光谱特征空间、形状特征空间、区域地学特征空间和干扰特征空间,应用ERDAS8.5遥感图像处理软件中的knowledge engine...

论文以北京市沙河流域为研究区,选择1999—2007年不同季节典型日的TM/ETM+数据,辅助相关气象观测资料,以地表蒸散发遥感反演双层模型为基础,构建了估算沙河流域地表日蒸散发反演系统。该系统包括三部分:基于双层模型的蒸发比估算;日净辐射总量估算;基于蒸发比不变法的日蒸散发估算。模拟的典型日序列中,春季晴日流域日均蒸散发约为2.28 mm、夏季2.97 mm、秋季1.59 mm、冬季0.5 mm;以林地为主的流域上游山区日蒸散发普遍高于以居民地和农田为主的下游平原区,上下游春、秋、冬季空间差别较大,夏季较小。估算结果与贾贞贞等、徐自为等利用大孔径闪烁仪和涡动相关仪的观测值对比,相对误差介于0...

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。

区域尺度的作物生长动态监测和产量预测对于保障粮食安全和农业政策的制定具有重要参考依据。遥感数据同化应用极大提高了作物估产的时效性和精度。为及时、准确地实现县级尺度粮食产量的估测，以及提升产量估测的精度，以辽宁省铁岭县为研究区，采用WOFOST(world food studies)模型与遥感同化相结合的方法对铁岭县玉米进行估产研究。通过采用扩展傅里叶幅度敏感性检验算法（extened Fourier amplitude sensitivity test,EFAST）敏感性分析方法实现玉米估产敏感性参数的分析，以及本地化；通过采用参数自动率定程序PEST(parameter estimation)实现参数的优化，验证结果为采样点产量的平均误差为852.39 kg·hm~(-2)，模型模拟的精度达到92.82%。为进一步提高和优化模型估产精度，将遥感反演得到的叶面积指数采用集合卡尔曼滤波算法与模型模拟的叶面积指数进行数据同化，平均误差从同化前的852.39 kg·hm~(-2)降低为435.01 kg·hm~(-2)，估产精度从92.82%提高到96.33%，有效提高了WOFOST模型估产的精度。结果表明：水分对玉米的生长发育限制并不大，其产量形成主要受光温影响，对温度、光能利用效率和最大同化速率有关的参数具有较高的敏感性；优化后的模型能够较好模拟铁岭县玉米生长发育情况，产量验证表明优化后的模型模拟的效果较好，但仍存在一定的误差；比值植被指数与叶面积指数的相关性最高，反演模型精度较好，反演结果表明叶面积指数在抽雄吐丝期差距较大，而在成熟期的差距不大；经过作物模型与遥感数据同化之后，估产的精度得到明显提高，说明遥感与作物模型同化是一种有效地提高作物估产和产量预测精度的方法。

[目的]准确估算区域尺度作物产量是确保粮食安全，发展生态、安全农业的关键。[方法]文章以山西省重要的粮食产区——运城盆地为例，利用2020年空间分辨率为10m的Sentinel-2A数据和时间分辨率为1天的MODIS数据，采用STNLFFM（Spatial and Temporal Nonlocal Filter based Fusion Model）算法并结合光能利用率模型进行夏玉米NPP（Net Primary Production）模拟和产量估测。[结果]融合后的NDVI数据能较好地继承Sentinel-2A NDVI数据的空间细节，同时能够较好地表达较小地物之间空间差异；STNLFFM NDVI时序曲线能准确地反映夏玉米种植时期的NDVI变化趋势和局部突变信息，比MODIS NDVI时序曲线更符合夏玉米实际生长状况。运城盆地夏玉米种植区累积NPP均值为667.42 gC·m~(-2)，其中西北部的涑水河冲湖积平原，受人类活动影响显著，灌溉条件较好，NPP累积量较高，为700～900 gC·m~(-2)。东北部山区和北部台塬区受地形破碎程度较高影响，NPP累积量小于500 gC·m~(-2)。基于STNLFFM NDVI构建的估产模型精度（R~(2)=0.849，MAPE=5.47%）显著高于基于MODIS NDVI数据的估产模型精度（R~(2)=0.113，MAPE=15.65%），说明利用时空融合技术能够有效提高夏玉米单产估测精度。[结论]该文可以为多源遥感数据融合与光能利用率模型协同估产提供了新的思路。

采用高光谱近地遥感技术，获取不同氮素水平下的玉米冠层高光谱数据，通过相关性、线性和非线性的分析方法，探讨玉米整个生育期中各营养器官的全氮含量与多种高光谱参数的相关关系，建立全氮含量的定量估测模型，并利用第２年的数据进行精度检验。结果表明：玉米冠层高光谱数据经过微分、倒数、对数处理后与玉米全氮含量的相关性均有所提高，所选波段基本在可见光波段范围内变化，其中微分处理可以显著提高数据间相关性；在１０种植被指数中，玉米叶片全氮含量与植被指数ＲＤＶＩ（８１１，７４３）、ＤＶＩ（８１１，７５４）、ＭＳＡＶＩ（８１１，７５４）相关性都达０．９２＊＊以上，玉米叶鞘、茎秆全氮含量分别与ＲＤＶＩ（９５２，７５１）．．．

利用风云系列静止气象卫星可见光通道的行星反照率和红外通道亮温,依据地球-大气系统的物理模式反演得到三江源地区太阳总辐射。本文在Dedieu模式的基础上,考虑了高程、气溶胶、云和水汽的变化对晴天地表太阳辐射的影响,同时结合2005年-2007年玉树、玛沁两站地面实测辐射资料对模型参数修正,反演得到了地面的太阳总辐射;反演数据与地面辐射站直接测量的结果进行了比较分析,小时、日辐射相关系数达0.92以上,晴天两者的差别在5%以内,绝对误差在2MJ/m2以内。小时太阳总辐射时间尺度上开口向下抛物线,最大值在中午13时左右,最小值出现19时;日太阳辐射波动变化,日最大值约为42.50MJ/m2,最小值为...

【目的】探索植被指数（VI）及其波段选择、回归建模方法、训练样本选取三方面因素对基于统计模型的水稻叶面积指数（LAI）高光谱遥感估算的影响，构建县域水稻LAI估算模型，并在四川省凉山彝族自治州昭觉县开展实证应用。【方法】本文基于不同样本量的３套训练数据，分别对增强型植被指数（EVI）、修正三角植被指数2（MTVI2）、归一化差值植被指数（NDVI）和修正比值植被指数（MSR）开展波段选择。在此基础上，以1种VI作为LAI的特征参量，试用指数回归（ER）和人工神经网络（ANN），构建LAI估算模型。计算LAI估算值和实测值之间的决定系数（R~(2)）和均方根误差（RMSE），开展估算精度验证。【结果】①基于EVI或MTVI2的LAI估算精度优于NDVI和MSR。以ANN模型为例，基于优选波段的EVI和MTVI2得到的R~(2)分别为0.638和0.681，RMSE分别为0.554和0.519；而NDVI和MSR得到的R~(2)分别为0.567和0.560，RMSE分别为0.606和0.611。②基于各VI优选波段组合的LAI估算精度（平均R~(2)为0.574，平均RMSE为0.598）优于默认波段组合（平均R~(2)为0.424，平均RMSE为0.694）。③ANN模型的表现优于ER模型。在基于默认波段、优选波段的LAI估算试验中，ANN模型得到的平均R~(2)比ER模型分别提高了40.27%和14.03%；平均RMSE分别降低了11.32%和8.11%。④就本项目试验而言，训练样本量对基于ANN模型的LAI估测精度的影响不显著。例如，当训练样本量低至24时，基于EVI构建的ANN模型的测试精度（R~(2)=0.660， RMSE=0.537），仍然优于ER模型（R~(2)=0.597， RMSE=0.585）。【结论】VI及其波段选择与回归建模方法对LAI高光谱遥感估算均有明显影响。针对特定区域的目标作物，尝试利用任意可能的波段组合来计算多种VI，遴选与实测LAI相关系数最大的VI及其波段组合，有益于提高基于VI的LAI高光谱遥感估算精度。同时，即使基于小样本训练数据，机器学习算法仍有可能得出优于参数回归的结果。