以河北省廊坊市永清县整个县域为研究区，以GF1-WFV 16 m分辨率影像为数据源，选取覆盖作物完整生长期多个时相的影像数据，构建作物归一化植被指数(Normalized Difference Vegetation Index，NDVI)时间序列。通过对研究区NDVI曲线的分析，发现利用该数据构建的NDVI时间序列可描述研究区作物的生长特性，体现当地不同作物的物候差异，能有效地区分出当地的种植模式。选取NDVI曲线上最大值、最小值、峰值的出现时间、峰值数量和阈值等特征参数构建决策树。根据研究区的物候历和对当地种植结构的调查，利用最佳时相的影像，针对某一种或特定几种作物进行分类提取。分别采用决策树分类、神经网络分类等方法进行精度验证，综合比较得出最佳的作物分类方法。研究结果表明，在永清县这一县域研究区，利用GF1-WFV 16 m分辨率多时相遥感数据进行作物分类，采用决策树分类、神经网络分类两种方法的精度分别为72.0729%、87.3%。利用决策树分类的效果最优。

土壤含水量的时空分布与变化情况对土壤温度变化、陆地—大气间热量平衡以及陆面大气环流产生显著的影响,因此,对大范围内土壤含水量进行实时动态监测,获得某段时间内土壤含水量的连续变化情况具有重要的意义.研究目的是借助高光谱遥感手段,通过构建不同质量含水量的土壤反射率光谱模拟模型,深入了解土壤质量含水量与土壤反射率光谱之间的关系,为监测土壤含水量提供有效手段.利用ASD Field Spectral FR野外光谱仪和加水称重法获得北京市8个采样点的土壤样品不同质量含水量下的土壤反射率光谱实测数据,利用其中2个土壤样品不同质量含水量下的光谱数据构建含水土壤反射率光谱模拟模型,并利用未参与建模的另外6个土壤样品数据对该模型的模拟效果进行了检验.通过数据验证发现,当土壤质量含水量小于田间持水量时,该模型的模拟精度较高;而且对于不同的土壤样品,模型的模拟效果都比较好.最后又利用北京大学校园内三个采样点的实地测量光谱数据对模型进行了验证,光谱的模拟值与实测值之间的均方根误差最小可达0.005 8.因此该模型可实现对质量含水量小于田间持水量的不同类型土壤的反射率光谱进行较高精度的模拟.

土壤是地表能够生长植物的疏松土层.它由不同矿物质、有机物质、空气、水分、微生物等组成,其中土壤含水量变化较大,利用遥感技术快速准确的反演土壤含水量具有重要意义.针对反演土壤含水量受土壤类型影响较大的问题,提出构建归一化光谱斜率吸收指数(normalized spectral slope and absorption index,NSSAI),用于削弱土壤类型对土壤水分反演影响.其建模方法如下:首先在野外采取不同类型的土壤样本,制备不同土壤含水量的土样,利用ASD光谱仪采集不同含水量下的土壤反射率光谱,然后根据各类土壤在不同含水量下的光谱响应规律,提取短波红外水分的光谱吸收特征和可见光波段的土壤光谱斜率,综合两者在降低土壤类型影响土壤含水量反演精度的各自优势,构建归一化光谱斜率吸收指数,进一步建立该指数与土壤含水量之间的线性拟合关系来计算土壤含水量.实验结果表明,与传统利用单一土壤水分光谱吸收特征参数及其变形的方法相比,基于NSSAI构建的土壤含水量反演模型拟合精度较高(相关系数为0.93),在土壤含水量较低和较高的情况下都能有效排除土壤类型差异造成的影响,提高了裸土土壤含水量的反演精度.