-
在森林防火监测中,地表凋落物含水率是评估区域火险等级的关键指标.现有基于单波段近红外光源的含水率测量系统易受环境光干扰,导致自然光照变化条件下测量误差较大.本研究通过近红外光谱分析实验发现,凋落物中水分子对中心波长1 450 nm波段近红外光的吸收强度显著强于中心波长1 350 nm波段.基于此原理,本研究设计了一种基于双波段近红外法的凋落物含水率测量系统.与单波段系统不同,该系统并非依赖单一波段的模数转换器(ADC)数值进行含水率标定,而是利用中心波长1 450 nm与1 350 nm波段ADC数值的差值进行标定.该系统硬件由单片机、双波段红外发射器、ADC采集模块、串口通信模块、外置电源及不锈钢防护外壳等组成.在常温及室内稳定光照条件下标定实验表明,系统ADC采集值与凋落物含水率之间关系符合三次多项式模型(R2=0.985 9).为验证双波段设计在动态自然光照下的测量鲁棒性,将充分吸水的凋落物样本置于户外自然干燥,定时检测其含水率与质量变化,共获取23组样本数据.通过对比中心波长1 350 nm与1 450 nm波段ADC数值变化曲线,证明双波段系统在自然光干扰下仍能保持较高测量精度.实验结果表明,该传感器的平均绝对误差为2.74％.本研究所设计的双波段近红外测量系统有效克服了单波段系统在环境光变化下的误差问题,显著提升了抗干扰能力.
森林凋落物含水率检测近红外光谱单片机光电传感器
-
为减缓气候变化,客观评价草原碳汇功能,以草原修复过程中地上生物量、地下生物量和土壤有机碳为研究对象,引入碳计量概念,依托退化草地项目前期的调查和项目落地后的调查,开展各层级样地设计、取样、测量及估算一系列方法和步骤,分析退化草原生态修复中碳储量变化量.通过量化退化草原年碳储量变化,有效解决退化草原生态修复验收的难题,客观、公正、科学地评价退化草原生态修复效果,为林业碳汇在退化草原生态修复中的应用提供科学依据,为林草建设提供有力的技术支持和保障.
碳计量林业碳汇生态修复碳储量变化量
-
为提高佛山市高明区农业干旱监测精度和可信度,针对南方多云雨、地貌复杂的特征,提出一种基于多源遥感和地面观测资料的综合干旱评估模型(MIDI).该模型以改进时空自适应反射率融合模型(ESTARFM)为基础,融合了 MODIS 和 Sentinel-2 的数据,生成了 2018-2024 年 10 m 分辨率、8 d 步长的归一化植被指数(NDVI)、地表温度(LST)高时空分辨率数据集;在 NDVI、LST 基础上计算植被健康指数(VHI);再基于降尺度后的土壤水分参数与地面气象要素,利用随机森林算法构建了与3 个月标准降水蒸散指数(SPEI-3)高度相关的多因子综合干旱指数.经过和站点 SPEI-3、历史干旱资料的交叉验证,MIDI 模型回归系数R2 均值大于0.85,KGE 系数为0.91,能较好地反映干旱的时空变化.研究成果可为高明区及珠三角地区田块尺度的农业干旱预警与精细化管理提供科学依据.
农业干旱卫星遥感归一化植被指数标准降水蒸散指数改进时空自适应反射率融合模型佛山市高明区
-
为了解研究区碳汇的时空动态特征,并厘清水热条件对生态系统碳收支的非线性、多尺度影响,利用气象和遥感数据估算植被净生态系统生产力(NEP),并量化其在不同土地利用类型下的时空分异;运用交叉小波变换与小波相干分析NEP与气候因子的时频相关关系;通过Spearman相关分析量化气候与NEP及其组分净初级生产力(NPP)、土壤异养呼吸(Rh)的滞后相关性.结果表明:(1)2001-2024年中国西北地区年均NEP呈显著上升趋势.NEP与气候因子在年尺度上稳定相干,且水分驱动的滞后性强于热量驱动,降水的间歇性短周期扰动更强;在多年尺度上,NEP与热量条件的共同波动更突出.(2)不同植被类型的碳汇强度和响应特征存在差异,森林的碳汇最强,其次为耕地、草地;草地与耕地在年尺度上表现出更短的相位滞后,森林滞后更长且响应更持久.(3)部分地区Rh对水分异常的响应较NPP更强,表明降水增加并不总是提升碳汇,也可能因异养呼吸增强而表现出负响应.
净生态系统生产力(NEP)气候变化水热胁迫碳汇响应时频分析
-
天山云杉(Picea schrenkiana)是中亚干旱区山地森林的关键建群种,对区域水源涵养、土壤保持与生态系统稳定性具有重要作用.然而,其沿完整垂直分布带的种群结构与更新动态差异仍缺乏系统比较.通过沿完整海拔梯度的系统调查,比较不同海拔段天山云杉种群的结构特征与更新动态,揭示种群分异规律及其更新限制机制,为干旱区山地森林的保护与管理提供科学依据.以中天山北坡天山国家森林公园天山云杉林为研究对象,沿1500~2670 m 海拔梯度设置12个30 m×20 m样方,测量树木胸径(DBH)、树高、冠幅等指标,并结合径级结构、年龄结构、静态生命表和生存动态指标,分析不同海拔段种群结构与动态特征.结果表明:(1)低、高海拔种群径级结构总体呈"倒J型",但幼苗阶段死亡率高,更新受限;(2)中海拔种群径级和年龄结构较连续,更新能力较强,种群动态相对稳定;(3)高海拔种群幼龄个体补充不足,存在结构老化风险.本研究表明,中海拔区域是维持天山云杉种群持续性的关键区域,应优先保护生境完整性;高海拔林线附近则需加强幼苗抚育和辅助更新,以提高种群长期稳定性.
天山云杉海拔梯度径级结构年龄结构种群动态更新限制
-
高效精确获取土壤盐分和有机质信息是有效治理和监测土壤盐渍化的基础.以新疆维吾尔自治区喀什地区伽师县试验农田为研究对象,以地面高光谱反射率数据和实验室测定值为数据源,对原始高光谱反射率进行步长为0.25的0.00~2.00阶微分变换,选取与土壤电导率(EC)、土壤有机质(SOM)相关性最高的阶数为最佳变换阶数,使用连续投影算法筛选敏感波段,基于敏感波段构建光谱指数,并使用递归特征消除方法筛选光谱指数.建立随机森林模型、支持向量回归模型、轻量级梯度提升机模型和堆叠集成学习(Stacking)模型,对EC和SOM进行反演.结果表明:(1)对原始高光谱反射率进行微分变换,显著提升了光谱反射率数据与EC和SOM的相关性,最优分数阶均出现在0.75阶,较原始光谱最大相关性分别最高提升了0.041、0.091.(2)Stacking模型在EC和SOM反演中均表现最优,其决定系数分别达到0.708和0.680,误差最小、精度最高,较最优单模型分别提高约8.4%、5.4%,可作为试验区EC与SOM遥感反演的稳健方案.(3)EC与SOM在空间分布上呈一定负相关,高盐分区域有机质含量较低,二者空间格局可能受多因素共同控制.
地面高光谱分数微分变换机器学习堆叠集成学习含盐量有机质
-
为了探究气候因子对不同林型物候变化的影响,以美国威斯康辛州落叶阔叶林、落叶针叶林、常绿针叶林、针阔混交林为研究对象,依据 2000-2020 年 Landsat EVI 数据和气候因子,提出一种可解释机器学习模型(CAPE);该模型以自适应集成三分支梯度提升树(XGBoost/LightGBM/CatBoost)为基础,并引入重要性算法(TERP)定量分析不同林型的物候变化(生长季开始时间(SOS)、生长季结束时间(EOS)、生长季长度(LOS))与气温、露点温度等气候因子之间的非线性关系,增加模型的可解释性.精度检验结果表明:CAPE 模型在 4 类林型中的整体预测性能优异,决定系数为 0.74、均方根误差为 5.26 d、平均绝对误差为 4.42 d,相比于通用模型的平均绝对误差减少1.44 d.TERP 依赖关系表明,气温、露点温度、海平面气压是影响物候变化的主导气候因子.在气温达到10℃左右,4 类林型的生长季开始时间、生长季结束时间和生长季长度均表现出明显响应;露点温度约在 15℃时,落叶阔叶林和针阔混交林的生长季开始时间和结束时间表现出敏感响应;海平面气压处于 1 020～1 040 hPa 范围时,落叶针叶林、常绿针叶林的生长季开始时间和结束时间响应相对明显.CAPE 模型既提高预测精度又增强模型的解释能力,适用于长时序森林物候变化研究.
森林物候变化气候因子机器学习模型可解释性
-
[背景]机器学习结合无人机(UAV)高光谱遥感在水质动态精细监测方面具有巨大潜力,现有研究多见于湖河水库等稳定水体,对于自然过程与人类活动耦合干扰强烈的河口区域,水体光学特性复杂多变,相关研究成果较为有限.[目的]验证该技术应用于河口复杂环境的有效性和可行性.[方法]本研究在九龙江口开展了多潮时连续的无人机高光谱测量同步水样采集实验,通过不同特征筛选策略[Pearson 相关性分析、主成分分析(PCA)、连续投影算法(SPA)]结合机器学习算法[支持向量回归(SVR)、随机森林(RF)、多层感知机(MLP)]构建叶绿素a 和悬浮泥沙反演模型,评估不同建模方案的反演效果.[结果]结果显示,叶绿素a 最优反演模型为Pearson-RF,决定系数(R2)为0.83,均方根误差(RMSE)为 0.41 μg/L,相对分析误差(RPD)为 2.50;悬浮泥沙最优反演模型为 Pearson-RF,R2为 0.90,RMSE 为 3.63 mg/L,RPD 为 3.26,PCA-MLP 亦表现出可靠的预测性能(R2=0.89,RMSE=3.85 mg/L,RPD=3.07).[结论]通过本研究,发现 Pearson-RF 模型特征提取和抗干扰能力优异,兼具良好的反演精度和泛化性能,在小样本、弱信号场景的应用优势明显,适合作为叶绿素 a 和悬浮泥沙反演的通用算法.其中,对于光谱响应特征突出的悬浮泥沙,PCA-MLP 模型也可实现较高精度预测.研究成果可为河口水质定量反演、动态监测和精细化管理提供方法参考和技术支撑.
机器学习无人机(UAV)高光谱九龙江口叶绿素a悬浮泥沙特征筛选定量反演
-
地上生物量(Above-groud biomass,AGB)是作物长势评估和产量预测的重要指标之一.为构建基于无人机多光谱遥感的油菜AGB 估测模型,本研究利用无人机搭载6 波段多光谱传感器获取油菜苗期、蕾薹期、花期和角果期遥感影像,通过影像傅里叶变换提取频谱特征,研究不同生育期频谱特征和地上生物量之间的相关性,提取表征叶、花、角果等器官空间分布的频谱特征分量,并与光谱特征融合.然后,利用反向传播(Back propagation,BP)神经网络、随机森林(Random forest,RF)和梯度提升算法(eXtreme gradient boosting,XGBoost)3 种机器学习算法构建不同生育期 AGB 估测模型,比较不同模型输入变量下 AGB 估测精度.结果表明:基于光谱和器官空间分布的融合特征构建 AGB 估测模型,可以提高 AGB 估测精度;3 种机器学习算法中,BP 更具稳定性,对融合特征有较好的 AGB拟合效果;以6 个波段反射率和频谱特征(叶期、角果期选取低频分量,花期选取高频分量,全生育期选取低频和高频加权重构分量)作为输入变量,结合 BP 算法能准确估测油菜不同生育期 AGB,叶期测试集决定系数(R2)为0.87,均方根误差(RMSE)为178.44 g/m2;花期测试集R2 为0.66,RMSE 为357.76 g/m2;角果期测试集R2 为0.87,RMSE 为258.71 g/m2;全生育期测试集 R2 为0.79,RMSE 为388.90 g/m2.研究结果可为精准、高效获取区域尺度油菜 AGB 提供技术支撑.
油菜地上生物量无人机多光谱傅里叶频谱器官空间分布机器学习
-
大尺度农业分类制图对保障粮食安全、优化灌溉管理、保护生态环境、高标准农田建设以及推动农业资源可持续发展具有不可替代的价值.中低分辨率卫星影像难以满足高精度田间观测,高分辨率遥感影像获取成本通常较高,为实现精准的农业种植区分类,本文提出了基于超分辨率重建的农田遥感影像分类方法,并系统评估了其提升分类准确率的潜力.聚焦Sentinel-2 号数据,设计了一种新型生成对抗网络(HM-PGGAN),通过融合多尺度渐进生成与注意力机制,以增强高倍率超分辨率重建的结构保真度.除评估重建后对影像分类结果的改进外,进一步分析了超分辨率重建影像与基于 GLCM 的纹理特征在支持向量机(SVM)和随机森林(RF)分类器协同作用下综合效应.从视觉分析与定量对比双重视角评估了道路、建筑物、裸土等典型地物类型的分类性能.试验结果表明,针对下采样至 40 m 的 Sentinel-2 号影像,经 16 倍超分辨率重建并结合纹理特征后,总体准确率从重建前的95.45%(SVM)和96.76%(RF)提升至98.19%(SVM)和98.16%(RF);在跨平台超分辨率影像重建分类试验中,总体准确率从77.79%(SVM)和78.50%(RF)提升至 93.28%(SVM)和 93.77%(RF).研究结果显示,超分辨率重建及添加纹理特征作为空间信息的辅助,均可增强原始影像的分类制图精度,但不同地物类别对高倍率超分辨率与特征融合的响应存在差异,为农业种植区遥感影像高精度分类提供了新的技术思路.
超分辨率重建生成对抗网络种植区分类跨平台影像重建
