以天山北坡乌鲁木齐县甘沟乡为研究区,利用美国SVC HR-768便携式光谱仪采集25块样方的高光谱数据,并测定对应样方中草地盖度,分析草地盖度与原始光谱、一阶微分光谱和高光谱特征变量之间的相关关系;采用回归统计的方法,基于高光谱位置变量、高光谱面积变量和高光谱植被指数变量构建草地盖度的估测模型,并进行模型精度评价。结果表明,研究区草地盖度与植被冠层光谱反射率相关性较强的波段范围为354-704、1 420-1 481和1 904-2 512nm;基于一阶微分光谱和高光谱植被指数构建的估测模型能更好地反演草

以北京大学"无人机遥感载荷综合试验场"为试验区,采集草地植被覆盖度(VegetationCover,VC)和相应样方冠层高光谱反射率数据,并对比研究了高光谱反射率三种变换形式(小波能量系数、主成分和植被指数)与VC之间的关系模型。结果表明:在三种变换形式中,植被指数模型(R2大于0.8,RMSE小于等于0.018 8)优于基于小波变换和主成分分析的VC模型;经过对高光谱数据进行小波分解获得的第二和第四小波能量系数与VC之间存在显著的对数相关(R2分别为0.811和0813;RMSE分别为0.019 9和0.019 8);以多个小波能量系数作为自变量的VC多元回归模型明显优于基于主成分的多元线性...

山区草地总产草量遥感估算是定量评价区域牧业生产力的有效手段。常规总产草量地面观测数据准确性较高,但无法覆盖整个天山山区,且耗时耗力。针对此问题,以新疆天山山区为研究区,选取MODIS/MOD13Q1 250m植被指数(normalized difference vegetation index,NDVI)产品数据,以县(市)为单元,基于巴氏距离定量评价研究区植被指数分布区域相似性以得到有效遥感建模分区,在此分区基础上,结合草地总产草量实测数据,建立研究区植被指数-草地总产草量遥感估算模型。结果显示,1)基于各县(市)2009-2015年7月底至8月初植被生长期多年NDVI均值直方图计算巴氏距离,以巴氏距离d>0.5为阈值,研究区被划分为7个遥感建模区;2)各分区内NDVI-草地总产草量数据拟合方程形式不同,有线性、指数、幂指数和多项式回归方程几种形式。总体来看,各分区NDVI-草地总产草量拟合相关系数在0.784~0.836。交叉检验除天山北坡西段-伊犁河谷草原畜牧业区RMSE值在2 951kg·hm-2外,其他分区RMSE值均在266~928kg·hm-2,原因在于伊犁河谷草原畜牧业区实测草地总产量在10 000~30 000kg·hm-2的样点居多,区域草地总产量较其他区域多。

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。

遥感技术已成为草业科学研究的重要手段，在植被覆盖度估算中的应用不断加强。由于遥感成像传感器的局限性和同时获取高空间和光谱分辨率图像的成本较高，导致植被观测领域的高精度估测难以从单一的遥感数据中获得。因此，需要综合源图像的关键信息，对不同分辨率的遥感图像数据进行融合，使融合后的图像具备更高的清晰度、更丰富的纹理和更详尽的光谱信息，从而提高植被覆盖度提取的精度。本研究以高分一号采集的全色、多光谱遥感图像为研究对象，对其进行了辐射定标、大气校正、正射校正、图像配准和裁剪一系列预处理，并使用PCA、IHS等7种基于分量替换的方法，Wavelet等5种基于多分辨率分析的方法，PNN和PanNet两种基于深度学习的方法进行了全色与多光谱遥感图像融合，并做了对比研究分析。进一步，针对最优融合算法PanNet提出了改进思路并加以验证，结果表明改进后的PanNet算法的各项指标均优于改进前的PanNet算法。最后将融合图像运用于植被覆盖度估算，证明了改进后PanNet遥感图像融合算法在植被覆盖度估算上的优越性。

粗蛋白是评价牧草质量的重要指标,利用高光谱遥感技术可以充分了解粗蛋白的含量及其动态变化,为牧草品质遥感监测提供科学依据。利用光谱仪测定大丰麋鹿自然保护区半散养区主要优势植物狼尾草(Pennisetum alopecuroides)的冠层反射率,并分析了其粗蛋白的相对含量。选择狼尾草原始反射率光谱及其构建的植被指数与其粗蛋白含量进行相关性分析,筛选显著相关的光谱特征;运用偏最小二乘回归(partial least squares regression,PLSR)和多元逐步回归(stepwise multiple linear regression,SMLR)建立狼尾草粗蛋白含量高光谱预测模型,通过比较模型精度确定最优预测模型。结果表明,基于显著性波段的PLSR模型精度最高(验证集R2=0.897, RMSE=1.303, RPD=3.110);基于显著性波段的SMLR模型反演效果最差(验证集R2=0.170, RMSE=3.691, RPD=1.098);基于植被指数的PLSR和SMLR模型精度较为接近,验证集RPD约为2;基于显著性波段的PLSR模型反演效果最好。本研究结果可为保护区大区域尺度狼尾草粗蛋白含量的定量反演提供参考依据。

【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。

物候期和识别模型的选择直接影响植物识别的精度。本研究以蒿类荒漠草地主要植物伊犁绢蒿(Seriphidium transiliense)、角果藜(Ceratocarpus arenarius)以及裸地为识别对象，选择4月、6月、9月3个时期，通过SOC 710 VP高光谱成像仪采集草地群落高光谱数据，在分析地物光谱反射率差异的基础上，利用最佳指数因子(OIF)筛选特征波段，通过卷积神经网络(CNN)和支持向量机(SVM)建立识别模型。结果表明：1)不同物候期的伊犁绢蒿与角果藜在可见光波段均表现为“低-高-低”的光谱反射率趋势，并随月份增加峰谷现象逐渐不明显；红边波段这两种植物表现出快速上升；在NIR平台区4月各识别对象间反射率大小差异最明显。2)利用OIF筛选的识别波段组合在月份间表现一致，为638.64、789.49和923.79 nm。3)在识别精度上，SVM> CNN;4月> 9月> 6月；裸地>伊犁绢蒿>角果藜。综合来看，采用SVM在4月对蒿类荒漠草地主要植物进行识别的精度最高，为92.12%。

草地生态系统是我国陆地上面积最大的生态系统,不仅生产大量的产品,而且提供巨大的生态服务功能。利用遥感技术估算草地生态系统服务价值,具有廉价、动态、快速、范围广等优点,并可解决传统方法所不能解决的空间异质性问题。论文考虑有机物质生产、维持CO2和O2平衡、营养物质循环、对环境污染的净化作用、土壤侵蚀控制和涵养水源等主要服务功能,提出了一个基于净初级生产力(NPP)和植被覆盖率的草地生态系统服务价值估算方法,并介绍了从MODIS数据反演NPP和植被覆盖率的方法。对2003年我国草地生态系统服务价值的估算结果表明,我国草地生态系统总服务价值达17050.25×108元,平均48.44×104元/km...

【目的】光合作用是农作物产量和品质形成的基础,农作物光合参数的准确定量遥感反演不仅能够了解农作物的生长发育和有机物累积状况,还能为基于遥感的生态系统过程模型提供参考。为快速准确的估算光合特征参量,本研究综合原始光谱、3种传统光谱变换技术和4种模拟方法构建冬小麦3种光合参数的高光谱反演模型,探讨高光谱反演冬小麦光合参数的可行性,对比不同类别光谱和模拟方法的适用性。【方法】本研究基于氮肥施用条件冬小麦气体交换和高光谱田间试验,获取不同叶位叶片的最大净光合速率(Amax)、PSⅡ有效光化学量子产量(Fv′/Fm′)、光化学猝灭系数(qP)和高光谱反射率,并对原始高光谱进行倒数、对数和一阶微分变换。根据3种光合参数和4种光谱的相关性分析结果,筛选显著性水平优于0.01的波段作为输入变量,采用偏最小二乘(PLS)、支持向量机(SVM)、多元线性回归(MLR)和人工神经网络(ANN)等方法建立冬小麦叶片光合参量反演模型,以建模和验证的决定系数(R~2)和均方根误差(RMSE)为依据,对不同模型的模拟精度进行比较分析。【结果】(1)3种光合参数和4种光谱的相关性分析结果表明,原始、倒数和对数光谱对3种光合参数(Amax、Fv′/Fm′和qP)的敏感谱区均集中在400—750 nm波谱区间,一阶导数光谱对3个光合参数的敏感谱区为470—560、630—700和700—770 nm波谱区间。(2)Amax、Fv′/Fm′和qP的最优反演模型组合分别为基于倒数光谱的MLR模型、基于一阶导数光谱的MLR模型和基于原始光谱的MLR模型。模型的建模R2分别为0.75、0.65和0.65,验证R2分别为0.73、0.59和0.44,表明基于高光谱模拟Amax和Fv′/Fm′切实可行,模拟qP的有效性需要进一步验证。(3)不同变换的光谱表现能力不同,以PLS模拟Amax为例,光谱的表现能力顺序为原始光谱>倒数光谱>对数光谱>一阶导数光谱。(4)不同模型的估算能力也存在明显差异,以基于原始光谱的Amax模拟为例,不同模型的估算能力顺序为MLR>PLS>ANN>SVM。【结论】通过对比分析4种光谱和4种模拟方法对3种冬小麦光合参数的高光谱反演结果发现,Amax和Fv′/Fm′可以很好通过高光谱进行模拟,而高光谱对qP解释能力偏低,有待进一步研究。高光谱信息对冬小麦光合参量具有较强的敏感性,同时受光谱类型和模拟方法的影响,可以用来监测冬小麦光合能力的动态变化,为把握农作物生长状况提供依据。

作物叶片氮含量的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。该文以经济作物生姜为研究对象,获取了2015年4月-9月不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据,对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估算效果。在此基础上,基于波段组合算法,筛选出了生姜叶片氮含量的敏感波段,并构建了两个新型光谱指数NDSI_((754,713))和RSI_((754,713))。结果表明,所选择的植被指数中,MCARI(705,750)/OSAVI(705,750)对生姜叶片氮含量估算效果最好,模型精度R~2、RMSE和RE分别为0.73、0.27、11.64%;利用波段组合算法构建的归一化光谱指数NDSI(754,713)对生姜叶片氮含量估算效果要优于MCARI(705,750)/OSAVI(705,750),模型估算精度R~2达0.83,使用的敏感波段713 nm与754 nm均位于植被的"红边"区域。对所建模型进行验证,叶片氮含量的预测值和实测值具有较好的一致性,验证样本R~2为0.78,RMSE为0.20,RE为9.81%。上述分析结果可为农业管理部门及时掌握生姜长势信息、制定施肥策略提供技术支持。

作物叶片氮含量的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。该文以经济作物生姜为研究对象,获取了2015年4月-9月不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据,对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估算效果。在此基础上,基于波段组合算法,筛选出了生姜叶片氮含量的敏感波段,并构建了两个新型光谱指数NDSI_((754,713))和RSI_((754,713))。结果表明,所选择的植被指数中,MCARI(705,750)/OSAV

为提高高光谱植被指数对棉花叶绿素含量的估算精度,以陕西省关中地区棉花花铃期叶片高光谱反射率为数据源,分析了13种植被指数与棉花叶片叶绿素相对含量(SPAD)的相关关系;同时采用降精细采样法,详细分析4002 000nm波段范围内原始光谱反射率的任意两两波段组合而成的优化光谱指数RSI与SPAD值的定量关系,构建线性及非线性回归监测模型,并对模型进行验证。结果表明:1)所提取的13种植被指数中NIR/NIR与SPAD值的相关系数最大(r=0.914),并且基于NIR/NIR(R780/R740)构建的回归方

草地类型划分及其生物量估测对于草地管理与保护具有重要意义。香格里拉草地资源丰富，类型多样，属同纬度高海拔草地的典型代表。为了提升高原复杂地形下草地资源信息的质量，以香格里拉市为研究区，基于谷歌地球引擎（Google Earth Engine，GEE）云平台和Sentinel-2遥感影像，结合光谱、植被指数、纹理和地形特征构建了33个原始特征，并使用递归特征消除（Recursive Feature Elimination，RFE）和特征重要性得分进行特征优化，采用随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）、分类回归树（Classification And Regression Trees，CART）和梯度提升决策树（Gradient Boosting Decision Tree，GBDT）4种算法对研究区域草地进行提取与分类，最后基于地面样地数据对地上生物量（Aboveground Biomass，AGB）进行反演。研究结果表明：1）RFE算法将特征数压缩到了21个，且海拔特征对草地类型的划分具有最高的重要性；2）RF算法的分类精度最高，总体精度（Overall Accuracy，OA）为91.41%，Kappa系数为88.18%；3）将香格里拉草地可分为5种类型，草地总面积为3265.77 km~(2)，面积最大的类型为亚高山草甸，其面积为2230.03 km~(2)，占草地总面积68.28%，其次为高寒草甸，约占草地总面积18.42%；4）建立了地上生物量与差异植被指数（Difference Vegetation Index，DVI）的二次多项式预测模型，R~(2)为0.783，均方根误差（Root Mean Square Error，RMSE）为154.72 g·m~(-2)；5）香格里拉草地总AGB为152.15万吨，亚高山草甸AGB为102.41万吨，占总AGB的67.31%，其次高寒草甸为27.37万吨，占总的17.99%。

受人为和气候变化的影响，草地退化、沙化的现象愈发严重，对草地的监测和保护亦变得愈发重要。生物量是评价草地生态状况的重要指标之一，草地生物量的估算对草地资源管理、生态修复与保护都有着重要的意义。随着遥感技术的发展与植被机理模型的广泛应用，针对草地生物量的估算方法也不断发展，主要分为遥感反演和植被机理模型估算两种方法。本文系统地阐述了遥感反演中的经验回归方法和辐射传输模型，还有基于植被机理的作物生长模型和草地生长模型。此外，本文还介绍了在农业估产领域已经被广泛应用的数据同化技术，分析了在草地生物量同化估算过程中，遥感数据与机理模型存在的互补优势，提出了目前存在的问题和未来发展需求：在简化模型的同时，保证估算的稳定性和准确性并兼顾植被的机理性是未来草地生物量估算的研究重点。