为了分析即将发射的高分5号卫星(GF-5)的高光谱数据在内陆水体水色遥感中的应用潜力,以鄱阳湖为研究区域,利用2009年、2011年和2016年共134组现场实测光谱及其对应的叶绿素a、总悬浮物浓度数据,考虑高浑浊水体引起的叶绿素a浓度变化的光谱响应差异,在进行水体光学分区基础上通过光谱模拟与差分处理开展了叶绿素a浓度跨阶分高光谱反演研究.结果表明:1)进行光学分区有利于提高反演精度,非高浑浊水体(NDCI≥0.06)区域,反演模型判定系数R2达到0.82,均方根误差RMSE为1.12,平均相对误差MRE为0.32,而不进行光学分区的全湖区反演建模R2仅为0.37;2)相较于鄱阳湖前期研究得到的最优多波段反演模型(R2=0.76),利用495、591、675、679、684、688、692和696nm等波长的原始光谱以及差分光谱(一阶差分、二阶差分)建立的跨阶分多波段组合模型可以更有效地反演非高浑浊水体叶绿素a浓度(R2=0.82),但对于高浑浊水体(NDCI<0.06),叶绿素a浓度的高光谱反演能力还需要进一步挖掘.

Sentinel-2A卫星、Sentinel-3A卫星分别于2015年6月和2016年2月成功发射,其上搭载的MSI、OLCI传感器的空间分辨率、时间分辨率、波段设置等在内陆水体水环境遥感研究中具有较大的应用潜力.针对浑浊水体叶绿素的反演难题,以鄱阳湖为例,基于光学分区理论并结合同步实测数据,探讨了Sentinel系列卫星数据在湖泊叶绿素a遥感反演的可行性.研究表明:1)对于Sentinel-2A MSI数据,鄱阳湖北湖区以[1/Rrs(665)-1/Rrs(705)]*Rrs(740)作为反演因子构建的

光学特性复杂的浑浊水体叶绿素a浓度反演一直是水环境遥感研究的难点,高光谱以其波宽窄、谱段多、获取地物信息近似连续等优势,有望成为解决该难题的有效手段.该文以鄱阳湖为研究水域,利用2009年10月、2011年7月及2016年10月获取的实测高光谱及叶绿素a浓度数据,基于穷举法建立了针对高分五号(Gaofen-5, GF-5)卫星可见短波红外高光谱相机(Advanced HyperSpectral Imager, AHSI)的叶绿素a浓度三波段反演模型(决定系数R~2=0.82;均方根误差RMSE=1.468μg·L~(-1)).通过与2018年10月7日Sentinel-2A卫星多光谱成像仪(MultiSpectral Instrument, MSI)的叶绿素a浓度反演结果对比分析,两者的空间分布具有较高的一致性,超过80%的研究水域相对偏差小于8%,在一定程度上证明了GF-5卫星高光谱数据在浑浊水体叶绿素a浓度反演中的潜力.

叶绿素a浓度是一种表征水体富营养化程度的重要参数,其已经成为水体水质评价的重要指标,它的研究对赤潮、绿潮等的监测预报具有重要意义。基于GOCI卫星获取的水色遥感资料,先对L1B数据进行了大气校正等影像预处理,然后利用OC2、OC3G和YOC 3种叶绿素反演算法反演了东海叶绿素a浓度,并用实测资料对3种反演算法结果进行验证分析,通过反演值与实测值之间的平均绝对误差、平均相对误差和相关系数对3种算法反演精度进行了比较,其中YOC算法的平均绝对误差为0.39 mg·m-3,平均相对误差为42.47%,相关系数为0.88,是3种算法中平均绝对误差和平均相对误差最小、相关系数最高的,因此确定YOC算法反演东海叶绿素a浓度是最优的。进而,利用YOC算法从GOCI卫星获取的高时间分辨率水色遥感信息反演了2011-2017年的东海叶绿素a浓度,并分析叶绿素a浓度的昼变化特征,基本上表现为:一日内从08∶30到15∶30,叶绿素a浓度先升高再降低,在10∶30左右达到峰值,此结果与藻类气泡调节浮力机制理论基本吻合。

基于遥感的大面积水体监测技术为水环境监测提供了一种有效手段。以鄱阳湖为研究区,以反映水体营养状态的重要指标叶绿素a为研究对象,在测定研究区水体光谱及叶绿素a浓度和收集了相应时间的MODIS数据的基础上,采用浮游藻类指数法(Floating Algae Index,FAI)提取鄱阳湖水体范围,对鄱阳湖水体实测光谱数据进行剔除异常、归一化及光谱微分处理,构建波段差值、比值、归一化差值等光谱指数,利用最小二乘原理迭代分析水体叶绿素光谱响应特征,得出敏感波段范围:673～680nm与650～665nm、680～710nm与650～670nm、662～671nm与700～720nm光谱区间组合。选择最佳...

结合2015年9月镜泊湖30个有效采样点的实测叶绿素a质量浓度和同步Landsat 8 OLI数据,通过分析叶绿素a的光谱特征,在Landsat8OLI数据11个波段中,选择前7个波段(B1、B2、B3、B4、B5、B6、B7)单独或组合建立叶绿素a质量浓度反演模型。利用多元统计分析法分析发现,波段组合B5/B3、(B3+B4)/B5、B3/(B1+B5)模型精度较好,决定系数R2分别为0.754 1、0.774 3、0.739 6。作为对比,另外选取典型的水体指数建立叶绿素a质量浓度反演模型;其中归一化水体指数(NDWI)、改迚归一化水体指数(MNDWI)、增强型水体指数(EWI)模型较好,R2均大于0.7,分别为0.747 6、0.726 7、0.763 5。选取上述6种模型,利用剩余采样点迚行精度检验,结果预测值与实测值之间的R2为0.0711～0.8094,其中,NDWI模型反演R2值为0.7614,平均相对误差为13.0%,最大相对误差为22.4%,最小相对误差为1.4%;均方根误差为0.20μg/L。与波段组合模型相比,水体指数模型虽然精度没有较大的提高,但其模型摆脱了波段的随机组合,更适合用来作为镜泊湖叶绿素a常用的监测方法。通过NDWI模型对镜泊湖叶绿素a质量浓度的反演,发现镜泊湖叶绿素a质量浓度分布具有一定的空间差异性,大体趋势为靠近岸边的浅水区叶绿素a质量浓度高于湖心的深水区,有河流注入的来水区高于其他湖区。

海洋一号C星（HY-1C）和海洋一号D星（HY-1D）搭载的海岸带成像仪（coastal zone imager，CZI）广泛应用于海洋、海岛和海岸带监测，同时也是内陆水体动态监测的重要数据源。该文选择水体范围变化剧烈、旱洪灾害频发的鄱阳湖为研究区，以瑞利校正后的CZI反射率数据为基础，利用归一化水体指数（normalized difference water index，NDWI）与归一化植被指数（normalized difference vegetation index，NDVI）联合的水体范围提取方法，相对精度达到96%，并获取了2019年3月至2020年8月鄱阳湖湖泊淹没面积。在此基础上，结合同步的水文站水位测量数据，建立了适用于鄱阳湖的水面积-水位定量关系模型（R=0.97）。分析结果显示，鄱阳湖9月中旬至1月，水体面积最小，水位最低；2月至6月，水体面积逐渐增大，水位逐渐抬升；7月和8月，水体面积和水位达到年内峰值。洪涝风险区主要集中在鄱阳湖的东南部和西部。该研究对星地联合的洪涝风险分析有一定的借鉴意义。

针对东北粳稻叶绿素含量无人机高光谱反演中红边位置特征不明确的问题,基于2019～2020年沈阳农业大学水稻试验基地采集的高光谱数据和地面水稻样本叶绿素数据,开展水稻叶绿素含量红边光谱响应特性分析及反演建模研究。首先,利用线性外推(LE)、线性四点插值(LI)、最大一阶导数(MFD)、多项式拟合(PF)、拉格朗日插值(LAG)和倒高斯拟合(IG)6种方法确定水稻冠层高光谱红边位置,对比不同方法提取结果的分布规律,分析叶绿素含量的红边位置响应特性。然后,基于不同红边位置提取结果,利用极限学习机(ELM)、反向传播神经网络(BPNN)两种机器学习算法以及5种统计回归算法构建水稻叶绿素含量反演模型。结果表明:LE方法适合东北粳稻冠层光谱的红边位置的计算,提取的红边位置变幅大,对叶绿素含量变化较为敏感;以LE提取的红边位置为输入特征,构建的线性外推-极限学习机(LE-ELM)和线性外推-对数曲线(LE-LNX)模型,叶绿素含量反演精度较高,两个模型决定系数、均方根误差、平均绝对误差分别为0.781,8.375,9.828和0.763,9.249,11.253,研究结果可为水稻冠层叶绿素含量高效监测提供理论支撑。

【目的】验证无人机机载高光谱传感器S185,并基于其获得的影像探讨无人机高光谱遥感反演叶面积指数的新方法。【方法】以东北玉米为研究对象,在吉林省公主岭市开展了玉米氮肥梯度试验,共设5处理,每个处理3次重复。分别在玉米的V5—V6,V11,R1—R2等生育期(Ritchie生育期)进行无人机飞行试验和地面光谱及叶面积指数测定,共获得数据45组。为验证S185影像数据,在相同尺度下提取S185影像信息与地面光谱信息,一方面从测定同一目标地物两者光谱反射率间的相关性进行分析,另一方面筛选15种常用的各类光谱指数,从整个生育期通过影像数据计算的各光谱指值与地面光谱仪计算的相应值变化趋势的一致性进行分析;将45组样品随机选择30组,基于人工神经网络算法利用S185数据建立反演叶面积指数的模型,剩下15组样品作为外部验证样品,用来验证神经网络模型的预测效果。另外,基于相同的分组数据,利用前面筛选的各光谱指数分别建立叶面积指数的反演模型,以与人工神经网络建模结果进行比较。【结果】在各个生育时期,同种目标地物S185测定数据与地面光谱仪测定数据间具有很强的相关性,相关系数在0.99以上;在玉米整个生育期,S185数据计算的各光谱指数与地面光谱仪计算的各光谱指数变化趋势相同,相关系数在0.88以上;在构建基于人工神经网络法反演叶面积指数的模型中,建模时的决定系数为0.96,均方根误差为0.42,相对均方根误差为13.15%;外部验证时的决定系数为0.95,均方根误差为0.54,相对均方根误差为16.74%,这一结果优于基于各光谱指数建立的叶面积指数反演模型。【结论】无人机搭载S185传感器可用于准确获取玉米冠层高光谱信息,且可利用人工神经网络法基于这一数据建立玉米叶面积指数的反演模型。

为实现淀山湖水体叶绿素a的快速监测,于2006年春季对淀山湖进行了现场光谱测量和同步的采样、实验室分析,通过分析叶绿素a和光谱数据之间的关系,建立了多个基于高光谱数据的叶绿素a浓度的估算模型。结果表明:利用归一化反射率建立的模型中精度最高的是采用708 nm反射率的一元二次模型,R2为0.608;利用R710nm/R667nm反射比建立模型精度得到提高,R2接近0.68;利用695.5 nm一阶微分建立的指数模型精度进一步提高,其R2达到了0.76;分别利用708 nm和667 nm的归一化反射率对数作自变量进行多元回归得到的模型精度最高,R2接近0.8,可以用来实现对叶绿素a的定量估算,实现...

海洋叶绿素a(Chla.)含量是了解世界海洋中地球生物化学循环的基础和估算海洋生产力的基本指标,是判断水域的肥瘠程度和评价水域渔业潜在生产力的基本依据。富集浮游植物的海域是海洋食植动物的大密度存在和水产资源丰富存在的基础,许多鱼类如金枪鱼等中上层鱼群集在锋面两侧或涡旋,这些特征与营养盐供给或混合层深度变化相关。北太平洋渔场已成为我国远洋渔业的重要组成部分,卫星遥感技术可以实现大面积同步的观测和一年四季连续的观测,是测定北太平洋渔场海洋叶绿素a的最有效方法。1 材料和方法1.1 数据来源卫星资料采用美国海洋水色卫星的宽视场海洋水色扫描仪(SeaWiFS)资料,全球海上测量资料利用国际海洋水...

叶绿素a浓度值是水体水质评价的重要指标,研究基于高分一号(GF-1)卫星遥感影像,利用神经网络模型,选用6节点的隐含层设置,构建了千岛湖清洁水体叶绿素a浓度反演模型,对其叶绿素a浓度值时空特征进行分析,并与其他常规反演方法精确度进行比较。研究结果表明,利用神经网络模型对千岛湖清洁水体叶绿素a浓度值进行反演是可行的,且与其他常规方法相比,该模型对于叶绿素a含量低的内陆清洁水体反演有着更高的相关性(R~2=0.921 8);在空间分布上,千岛湖区域水体叶绿素a浓度整体较低,高叶绿素a浓度区域主要集中易受人类活动干扰的西南及东北区域;年际变化分析表明,千岛湖区域水体叶绿素a浓度稳定,且波动较小,平均叶绿素a浓度值皆维持在1.70～1.75μg/L之间,清洁水体特征显著。

冬小麦SPAD(Soil and Plant Analyzer Development)是评价其健康状况的重要农学参数,传统监测方法效率较低,旨在将田间监测和遥感技术相结合,探讨我国江汉平原地区冬小麦SPAD的遥感监测方法。研究选取湖北省潜江市后湖管理区为研究区域,利用ASD Fieldspec 3地物光谱仪和SPAD-502叶绿素仪在田间采集冬小麦冠层光谱和叶片SPAD,选取4种植被指数与叶片SPAD进行回归分析并构建预测模型。经模型精度检验,NDVI较适合对该地区冬小麦SPAD反演。然后将NDVI-SPAD反演模型与HJ-1卫星影像相结合,进行研究区域的冬小麦SPAD反演,通过比较HJ-1...

高光谱遥感技术为水稻叶片叶绿素含量的高通量、无损、准确监测提供了有效途径,然而高光谱数据的降维或特征光谱参数的选择是叶绿素含量有效反演的关键环节。利用2017年辽宁省盘锦市大洼水稻氮高效品种筛选试验基地的水稻叶片叶绿素含量与叶片高光谱数据,探讨了高光谱数据的降维方法与叶绿素含量的反演建模。首先应用最优子集选择算法(best subset selection)对工程常用的水稻叶绿素反演特征光谱指数进行优选,筛选出最优组合,作为叶绿素多元回归模型的输入特征;同时应用没有在光谱领域得到有效应用的基函数展开算法,利用Gram-Schmidt正交变换寻找叶片高光谱数据的基函数空间,再将高光谱数据投影到基函数空间从而实现降维,最后利用降维后的数据进行多元回归建模,反演叶绿素。结果表明:最优子集选择算法优选出的mNDVI(445,705,750)、NDVI(705,750)、PSRI(500,680,750)、RD(505,705)、RI1dB(720,735)、MCARI(550,670,700)、PPR(450,550)共7个特征指数组合,回归模型反演精度最高,决定性系数R2为0.844,均方根误差RMSE为0.926;基于基函数展开算法对400～1000nm波段范围601维高光谱数据降至13维,叶绿素反演回归模型的决定性系数R2达到0.861,均方根误差RMSE为0.906。说明基于基函数展开的高光谱降维与叶绿素含量估测方法效果较好,可为水稻叶绿素含量估测与长势诊断提供技术支持。