植被叶面积指数遥感反演的尺度效应及空间变异性

遥感作为宏观生态学研究中数据获取的一种便捷手段,有助于把握较大尺度内生态学现象的特征.应用遥感数据反演LAI时,由于像元的异质性,不同尺度遥感数据之间的转换是遥感发展的一个重要问题.以河北省黄骅市为研究区,在利用TM和MODIS遥感数据对芦苇LAI反演误差产生原因进行分析的基础上,利用半变异函数对像元空间异质性进行了定量描述.发现NDVI算法的非线性带给LAI尺度转换的误差很小,而LAI的空间异质性则是引起LAI尺度效应的根本原因.并且当像元内空间异质性很大时半变异函数的基台值比纯像元要大得多,空间自相关的程度是引起LAI尺度转换误差的主要原因;反之,像元内空间异质性不大时,随机误差是引起LAI尺度转换误差的主要原因.当像元为纯像元时,由像元异质性引起的反演误差基本可以忽略.此外,研究区芦苇的空间相关有效尺度约为360m,超过此距离空间相关性则不复存在.     

利用不同分辨率卫星影像的NDVI数据估算叶面积指数(LAI) ——以岷江上游为例

短周期的低分辨率遥感数据为大面积估算LAI及季节动态和物候趋势提供了有利工具,但基于高分辨率LAI的遥感估算模型在低分辨率遥感数据上应用有很大的不确定性。研究利用LAI-2000冠层分析仪与跟踪辐射和冠层结构测量仪(TRAC),测定了岷江上游流域范围内490块野外调查样地（50m×50m样方）的LAI数据,结合同期较高精度卫星数据（TM）建立了不同植被类型的LAI-NDVI算法,在经过传感器的相对校正后,将这种算法应用到同期分辨率较低的MODIS数据和SPOT VEGETATION数据上。结果表明,30m 分辨率的TM LAI的均值为4.53,250m MODIS LAI的均值为3.55,1000m VGT LAI的均值为4.20,随着栅格分辨率的降低,总体标准差有增加的趋势,并且LAI值也有不同程度的低估,其中MODIS LAI值被低估约22%。但利用TM LAI数据验证MODIS 和VGT LAI数据后发现,250m的MODIS数据预测误差在30%左右,1000m的SPOT数据预测误差则高达50%,空间重采样分析表明,栅格分辨率的降低是导致预测误差扩大的主要原因,而这也是岷江流域植被分布破碎化的体现。     

利用不同分辨率卫星影像的NDVI数据估算叶面积指数(LAI)——以岷江上游为例

短周期的低分辨率遥感数据为大面积估算LAI及季节动态和物候趋势提供了有利工具,但基于高分辨率LAI的遥感估算模型在低分辨率遥感数据上应用有很大的不确定性。研究利用LAI-2000冠层分析仪与跟踪辐射和冠层结构测量仪(TRAC),测定了岷江上游流域范围内490块野外调查样地(50m×50m样方)的LAI数据,结合同期较高精度卫星数据(TM)建立了不同植被类型的LAI-NDVI算法,在经过传感器的相对校正后,将这种算法应用到同期分辨率较低的MODIS数据和SPOT VEGETATION数据上。结果表明,30m分辨率的TM LAI的均值为4.53,250m MODIS LAI的均值为3.55,1000m VGT LAI的均值为4.20,随着栅格分辨率的降低,总体标准差有增加的趋势,并且LAI值也有不同程度的低估,其中MODIS LAI值被低估约22%。但利用TM LAI数据验证MODIS和VGT LAI数据后发现,250m的MODIS数据预测误差在30%左右,1000m的SPOT数据预测误差则高达50%,空间重采样分析表明,栅格分辨率的降低是导致预测误差扩大的主要原因,而这也是岷江流域植被分布破碎化的体现。     

基于叶面积指数反演的区域冬小麦单产遥感估测

利用定量遥感技术反演的叶面积指数（LAI）在中国北方黄淮海地区典型县市进行冬小麦单产预测研究.为提高数据质量和减少估产误差,利用Savitzky-Golay滤波技术降低云对NDVI数据的影响及数据缺失;通过冬小麦实测LAI进行时序内插,模拟得到实测点每日冬小麦LAI,继而获得实测点主要生育时期平均LAI;在此基础上,建立了冬小麦主要生育时期平均LAI与作物单产关系模型,改变目前利用生育时期内某一时间点LAI代替整个生育时期LAI的方法;在模型择优基础上,得到最佳遥感估产关键期--开花期LAI与单产统计模型;最后,利用MODIS-NDVI经验模型反演得到的开花期平均LAI进行2008年冬小麦单产预测.结果表明：与地面实测的冬小麦单产相比,研究区估产平均相对误差为1.21%,RMSE达到257.33 kg·hm^-2,可以满足大范围估产的要求.利用上述方法可以在研究区冬小麦收获前20～30 d进行准确的单产估计.     

基于MODIS数据黄海绿潮覆盖面积精细化提取

针对MODIS数据绿潮提取存在大量混合像元导致绿潮覆盖面积偏大这一问题,基于3 m分辨率的机载SAR高分影像,结合归一化植被指数(NDVI),对MODIS研究区中大于NDVI阈值的像元进行混合像元分解得到绿潮的"覆盖面积";获取的准同步3 m机载SAR提取的绿潮面积为"真实值",然后建立二者之间的关系模型,并选取不同的样本区域对该模型进行了验证。实验结果表明:NDVI等传统算法所提取的绿潮覆盖面积约为"真实值"的2.68倍;基于混合像元分解的方法所提取的绿潮面积较"真实值"偏小,约为"真值"的0.56倍;与传统的NDVI等多波段比值法相比,该精细化模型方法提取的绿潮覆盖面积更接近于"真实值",与"真实值"误差仅为6.7%。     

基于小波变换的NDVI区域特征尺度

尺度是生态环境研究领域的热点问题。以福州市为研究区,选择6个生态样线,提取NDVI(Normalized DifferenceVegetation Index),以小波变换为工具进行尺度分解,得到21×900 m2、22×900 m2…28×900 m2系列尺度上的NDVI信息。以小波细节信息方差和小波细节信息熵为特征尺度的度量指标,得到6个生态样线的NDVI特征尺度,进一步得到区域特征尺度。研究发现福州地区纬度方向的特征尺度域为24×900m2…26×900m2,纬度对生态样线的NDVI特征尺度影响较小,不同纬度生态样线的NDVI特征尺度与样线的景观多样性和受人类活动干扰的程度有关;经度方向的特征尺度域为25×900m2…27×900m2尺度,不同经度NDVI特征尺度域自西向东存在明显的递增梯度,该梯度与DEM、坡度和地形起伏度梯度相吻合;NDVI生态样线的特征尺度域大小受控于研究区北北东-南南西走向的地质构造体系,该因素导致NDVI样线特征尺度的空间变异范围为21×900m2…23×900m2。     

基于多角度植被指数的马尾松林LAI反演方法

CHRIS/PROBA是目前具有最高空间分辨率（17 m×17 m）的星载多角度高光谱数据,该款数据在反演植被垂直结构参数,如树高、叶面积指数（leaf area index,LAI）等方面具有重要的应用前景。基于四尺度几何光学模型得到马尾松（Pinus massoniana Lamb.）冠层的归一化差分植被指数（normalized difference vegetation index,NDVI）各向异性分布规律,利用CHRIS红光特征波段和近红外特征波段构建一种新型多角度植被指数（normalized hotspot-dark-spot difference vegetation index,NHDVI）,并将其应用于CHRIS数据对马尾松林的LAI遥感估算上。结果显示：（1）相比归一化差分植被指数（NDVI）与土壤调节植被指数（soil adjusted vegetation index,SAVI）而言,NHDVI能很好地融合光谱信息与角度信息,与地面实测LAI的决定系数达到0.7278;（2）利用NHDVI-LAI统计回归模型方法来反演LAI值,将得到的LAI值与地面实测值进行相关性分析,结果拟合优度达到0.8272,均方根误差RMSE为0.1232。与传统植被指数相比,包含角度信息的多角度植被指数对LAI的反演在精度上有较大提升,同时比基于辐射传输模型的反演方法更简易、实用。     

基于混合像元分解的 MODIS 绿潮覆盖面积精细化提取方法研究

在绿潮遥感业务化监测中,250 m 分辨率的 MODIS 卫星数据是主要数据源,归一化差值植被指数（ND-VI）是绿潮卫星遥感信息提取的主要方法。研究发现,由于 MODIS 空间分辨率较低,存在大量的混合像元,导致提取的绿潮覆盖面积明显偏大。针对该问题,本文在 MODIS 绿潮 NDVI 计算的基础上,首先对大于 NDVI 阈值的像元进行混合像元分解,得到 MODIS NDVI 混合像元分解后的绿潮面积,然后以准同步的30 m 分辨率 HJ-1 CCD 影像提取的绿潮覆盖面积为真值,建立了 MODIS NDVI 混合像元分解得到的绿潮面积与 HJ-1提取的绿潮面积之间的关系模型,以实现绿潮面积的精细化提取。与传统的 NDVI 阈值法和混合像元分解法相比,该方法提取的绿潮覆盖面积更接近于“真值”,面积约为“真值”的96％,而传统的 NDVI 阈值法和混合像元分解方法提取的面积分别为“真值”的2．96倍和45％。另外,与传统的 NDVI 阈值法相比,新方法对 NDVI 阈值变化不敏感,在相同的 NDVI 阈值变化区间内,前者提取的绿潮覆盖面积变化了41％,而新方法的变化仅为11％。本文的工作在很大程度上解决了 MODIS 空间分辨率低导致的绿潮监测结果不准确的问题,为精细化的绿潮卫星遥感业务监测提供了参考。     

不同尺度下红树景观格局与叶面积指数的空间分异及表征关系

以2010 年SPOT5(空间分辨率为2.5 m)遥感图像为信息源, 提取红树林群落的空间分布范围及叶面积指数(LAI), 在ArcGIS10.0 软件及fragstats4.0 软件平台的支持下, 分别以100 m、300 m、500 m、700 m、900 m 为网格单元大小计算景观格局指数及LAI 指数, 分析不同尺度下红树林景观格局与叶面积指数的空间分异及表征关系。结果表明: (1)红树林群落叶面积指数(LAI)均呈现较为明显的空间分异特征。随着尺度的增大, 各网格单元的LAI 平均值先减小后增大; (2)斑块数量(NP)及平均斑块面积(MPS)呈现出东南地区高于西北地区的特点, 随着尺度的增大而增大。平均形状指数(MSI)随着尺度的增大逐渐增大。面积周长比均值(MPAR)的空间分异特征不明显; (3)红树林群落叶面积指数与群落景观指数在部分尺度下(500 m、700 m)存在明显的表征关系。(4)700 m 尺度是本研究分析的最佳尺度。     

基于不同空间尺度遥感影像估算森林叶面积指数的差异

地面测量点对遥感像元的代表性如何,怎样获取像元的相对真值,多大的空间分辨率可以真实地反映森林区域的叶面积指数(LAI),这些都是定量遥感中的重要问题.本研究计算LAI-2200和TRAC两种冠层分析仪测量的空间范围,并结合GF-2(4.1 m)、Sentinel-2(10 m)、Landsat-8(30 m)3种不同空间分辨率遥感影像,找到各尺度下像元的相对真值,在保持真值观测面积和遥感获取面积一致的条件下,基于一元指数和多元回归模型,对比分析不同空间分辨率影像对估算森林LAI的影响,并对3种影像模型进行30和100 m尺度下的检验以及各自数据集的空间代表性评价,比较得出最适合表达研究区域森林LAI的尺度.结果表明:对于森林来说,高分辨率并不一定能充分反映森林LAI.基于3种分辨率影像的统计模型都能很好地估测森林LAI,其中,基于Sentinel-2的反演精度最高,基于GF-2的反演精度最低.30和100 m尺度下的检验结果表明,基于GF-2反演模型高估了森林LAI,基于Landsat-8的反演模型低估了森林LAI,基于Sentinel-2分辨率的统计模型可以很好地估测研究区域森林LAI.     

Upscaling leaf area index in an Arctic landscape through multiscale observations

Monitoring and understanding global change requires a detailed focus on upscaling, the process for extrapolating from the site‐specific scale to the smallest scale resolved in regional or global models or earth observing systems. Leaf area index (LAI) is one of the most sensitive determinants of plant production and can vary by an order of magnitude over short distances. The landscape distribution of LAI is generally determined by remote sensing of surface reflectance (e.g. normalized difference vegetation index, NDVI) but the mismatch in scales between ground and satellite measurements complicates LAI upscaling. Here, we describe a series of measurements to quantify the spatial distribution of LAI in a sub‐Arctic landscape and then describe the upscaling process and its associated errors. Working from a fine‐scale harvest LAI–NDVI relationship, we collected NDVI data over a 500 m × 500 m catchment in the Swedish Arctic, at resolutions from 0.2 to 9.0 m in a nested sampling design. NDVI scaled linearly, so that NDVI at any scale was a simple average of multiple NDVI measurements taken at finer scales. The LAI–NDVI relationship was scale invariant from 1.5 to 9.0 m resolution. Thus, a single exponential LAI–NDVI relationship was valid at all these scales, with similar prediction errors. Vegetation patches were of a scale of ～0.5 m and at measurement scales coarser than this, there was a sharp drop in LAI variance. Landsat NDVI data for the study catchment correlated significantly, but poorly, with ground‐based measurements. A variety of techniques were used to construct LAI maps, including interpolation by inverse distance weighting, ordinary Kriging, External Drift Kriging using Landsat data, and direct estimation from a Landsat NDVI–LAI calibration. All methods produced similar LAI estimates and overall errors. However, Kriging approaches also generated maps of LAI estimation error based on semivariograms. The spatial variability of this Arctic landscape was such that local measurements assimilated by Kriging approaches had a limited spatial influence. Over scales >50 m, interpolation error was of similar magnitude to the error in the Landsat NDVI calibration. The characterisation of LAI spatial error in this study is a key step towards developing spatio‐temporal data assimilation systems for assessing C cycling in terrestrial ecosystems by combining models with field and remotely sensed data.     

岷江上游植被冠层降水截留的空间模拟

 通过对岷江上游实地踏查和定位观测研究,结合MODIS遥感数据,利用“3S”技术对岷江上游植被冠层降水截留进行了空间模拟。研究结果表明：岷江上游植被叶面积指数（LAI）与增强性植被指数（EVI）以二项式关系拟合效果较好。由于归一化植被指数（NDVI）存在的饱和问题,研究采用EVI反演LAI,统计结果表明：岷江上游LAI值在0～2之间的占28.57%,在2～4.5之间的占63.06%,大于4.5的占8.37%,其中LAI最大值为7.394;从冠层最大降水截留模拟结果来看: 植被较好的地区,如卧龙、米亚罗的植被冠层最大降水截留量较大,而干旱河谷、上游高山草甸等地的植被冠层最大降水截留量相对较低;附加冠层降水截留与降雨量呈线性相关,模型验证时以此为基础,模型模拟的结果较为理想。     

Satellite-based mapping of the growing season and bioclimatic zones in Fennoscandia

Aim  To test whether satellite-derived NDVI values obtained during the growing season as delimited by the onset of phenological phases can be used to map bioclimatically a large region such as Fennoscandia.
Location  Fennoscandia north of about 58° N and neighbouring parts of NW Russia.
Methods  Phenology data on birch from 15 research stations and the half-monthly GIMMS-NDVI data set with 8 × 8 km² resolution from the period 1982–2002 were used to characterize the growing season. To link surface phenology with NDVI data, new algorithms on a pixel-by-pixel basis that show high correlation with phenophases on birch were developed. Then, time-integrated values (TI NDVI) during the phenologically defined growing season were computed to produce a bioclimatological map of Fennoscandia, which was tested and correlated with growing degree days (GDD) obtained from 20 meteorological stations. The map was also compared vs. traditional bioclimatic maps, and analysed for error factors distorting NDVI values.
Results  The correlation between GDD and TI NDVI data during the phenologically defined growing season was very high. Therefore, the TI NDVI map could be presented as a bioclimatic map reflecting GDD. However, several major areas have interfering factors distorting NDVI values, such as the pixel heterogeneity caused by the altitudinal mosaic in western Norway, the mosaic of lakes in southeastern Finland, and the agriculture-dominated areas in southern Fennoscandia.
Main conclusions  TI NDVI data from the phenologically defined growing season during 1982–2002 in Fennoscandia can be processed as a bioclimatic map reflecting GDD, except for the areas distorting NDVI values by their strong ground-cover heterogeneity.     

基于MOD09产品的水稻叶面积指数和叶绿素含量的遥感估算模型

基于中分辨率成像光谱仪MODIS (moderate resolution imaging spectroradiometer)反射率产品MOD09的同步野外实测水稻叶面积指数（LAI）和叶绿素含量（Chltot）相关数据,探寻用MOD09产品提取的植被指数(VIs)与水稻LAI和Chltot之间的相关性以及估算模型. 结果表明,MOD09计算的VI数值比MODIS前3个波段数值偏大,归一化植被指数NDVI (normalized difference vegetation index) 值普遍比增强性植被指数EVI(enhanced vegetation index) 值大. 通过4种不同植被指数与LAI相关性的比较,得出EVI与LAI的相关关系在水稻各个生育期优于其它植被指数,基于MOD09-EVI建立水稻LAI的遥感估算模型,经实际地面同步数据检验, 模型精度较高. 因而, MOD09-EVI较适用于水稻叶面积指数的实时遥感监测. MOD09红波段与Chltot之间的相关性在水稻前中期达到显著,并且优于其它植被指数,基于MOD09红波段建立了水稻前中期Chltot的估算模型并进行了精度检验. 除水稻孕穗期叶绿素含量估算模型的相关系数和F值通过了显著性检验外, 其余生育期估算模型都没有通过显著性检验.     

An improved indicator of simulated grassland production based on MODIS NDVI and GPP data: A case study in the Sichuan province,China

Grassland monitoring is important for both global change research and regional sustainable development. Gross primary production (GPP) is one of the key factors for understanding grass growing conditions. Methods for estimating GPP are plentiful, and the light use efficiency (LUE) model based on remote sensing data is widely used. The MODIS GPP product, which is employed by the National Aeronautics and Space Administration (NASA), is calculated using the LUE model and the surface reflection data from the Moderate Resolution Imaging Spectroradiometer onboard the Terra/Aqua satellite. The MODIS GPP product harbors its own uncertainties arising from the sources and parameters, such as FPAR and light use efficiency (ɛ). In this study, we propose an improved indicator for monitoring grassland based on MODIS GPP and NDVI data. Fractional vegetation coverage and the percentage of grass area (1 km²) were used to reduce the mixed pixel effect. A function of NDVI was used to simulate the light use efficiency and FPAR. The modified GPP data were calculated and validated with in situ measured data from the Sichuan province, China, 2011. The results indicated that the modified GPP data were a more accurate indicator for monitoring grassland than previous indicators, and the precision of grass production simulated by SsGPP_ndvi reached 85.6%. Spatial statistic results were consistent with the practical condition in most cases. Since MODIS data are available twice a day, the improved indicator can meet the actual requirement of grassland monitoring at regional scale.