森林树高的反演是极化干涉合成孔径雷达(polarimetric SAR interferometry,PolInSAR)领域研究的热点。已有研究表明森林密度会对树高反演精度产生较大影响,但传统算法没有考虑森林密度的影响。针对这一现象,首先利用模拟数据分析森林密度对传统森林树高反演算法的影响;然后根据影响的特点提出一种基于森林密度的相位与幅度联合反演算法;最后采用德国宇航局与瑞典国防研究局机载E-SAR系统获取的PolInSAR数据对文中所用算法进行了实验分析。结果表明,该算法比传统算法反演精度更高,验证了算法的可靠性和有效性。由此可见,森林密度是森林重要的森林物理参数,通过引入森林密度,明显提升了树高反演的效果,说明引入密度参数的重要性。
基于遥感监测多品种玉米成熟度进而掌握最佳收获时机,对提高其产量和品质至关重要。该研究在玉米成熟阶段获取无人机多光谱影像,同步采集叶片叶绿素含量(chlorophyll content,C)、籽粒含水率(moisture content,M)、乳线占比(proportion of milk line,P)等地面实测数据,以此构建玉米成熟度指数(maize maturity index,MMI),从而定量表征玉米成熟度。通过MMI与植被指数构建回归模型和随机森林模型,验证MMI适用性,并分析无人机遥感对不同品种玉米成熟度的监测精度。结果表明:1)不同品种玉米的叶片叶绿素含量、籽粒含水率、乳线占比的变化速率均存在差异。2)MMI与所选植被指数的相关性均可达到0.01显著水平,其中与归一化植被指数(normalized difference vegetation index,NDVI)、转换叶绿素吸收率(transformed chlorophyll absorbtion ratio index,TCARI)相关性最高,相关系数均为0.87。3)该研究基于不同组合的数据集进行了模型验证,其中随机森林模型对MMI的估测精度最高,测试集决定系数(coefficient of determination,R^(2))为0.84,均方根误差(root mean squared error,RMSE)为8.77%,标准均方根误差(normalized root mean squared error,nRMSE)为12.05%。此外,随机森林模型对不同品种MMI的估测精度较好,京九青贮16精度最优,其R^(2)、RMSE、nRMSE为0.76、10.67%、15.88%,模型精度证明了可以利用无人机平台对不同品种玉米成熟度进行监测。研究结果可为多光谱无人机实时监测农田多品种玉米成熟度的动态变化提供参考。
