华南地区亚热带树木叶面积指数的高光谱反演研究

为构建树种叶面积指数的估算模型,以NDVI、RVI、FREP、CIGreen、CIRed-edge、MSAVI2为高光谱特征变量,通过统计分析,确定反演树种叶面积指数的最佳光谱特征变量,构建华南农业大学校园内50种亚热带树木的叶片反射率和叶面积指数(LAI)模型。结果表明,6种高光谱特征变量与树种叶面积指数间都具有极显著相关性,其中红边位置反射率(FREP)和比值植被指数(RVI)与LAI的拟合方程的R2都大于0.8,决定系数分别为0.820和0.811。经过精度验证,FREP估算的均方根误差(RMSE)只有0.13,该回归模型为估测亚热带典型树种的叶片LAI最佳模型。从高光谱遥感的角度结合亚热带植被的群落结构特点来看,建立的红边位置光谱反射率与叶面积指数的回归模型普遍具有较高的拟合度,所以利用高光谱特征变量反演亚热带树木叶片的叶面积指数等植被参数的应用前景较好。     

基于临界慢化模型和长时间序列叶面积指数的植被及其恢复力遥感监测研究——以三峡库区为例

基于临界慢化模型,利用长时间序列叶面积指数(GLASS LAI)数据,进行时间序列分解后,计算了LAI及其时间自相关指数作为指标,对三峡库区植被及其恢复力进行监测,通过案例模型对临界慢化模型精度进行了验证,分析了三峡库区植被及其植被恢复力的时空分布特征,探索基于临界慢化模型的植被恢复力遥感定量估算方法的适用性。结果表明：(1)2000—2018年三峡库区LAI平均值为3.4,重庆段LAI较低,湖北段LAI较高;三峡库区LAI整体呈上升趋势,重庆段LAI呈现降低趋势,显著下降区域占重庆段面积的21.75%,湖北段LAI呈现升高趋势,显著上升区域占湖北段面积的21.22%;(2)2000—2018年三峡库区重庆市北碚区、大渡口区、渝北区植被恢复力较低,宜昌市兴山县、夷陵区、点军区植被恢复力较高;(3)模型精度方面,在两个地质灾害扰动事件中案例模型结果与临界慢化模型结果呈现较高的一致性。本文对三峡库区2000—2018年的植被恢复力进行了定量估算,同时通过案例模型对临界慢化模型在恢复力监测上的有效性进行了验证,为三峡库区制定相应生态环境管理决策提供理论基础,为保障西南地区生态安全提供决策依据...     

三江平原湿地植被叶面积指数遥感估算模型

利用中巴资源卫星CBERS-02影像提取的归一化植被指数(NDVI)和同期野外实测的叶面积指数(LAI)数据,分析了三江平原洪河自然保护区草甸、沼泽植被、灌丛和岛状林4种湿地植被及样本总体的NDVI与LAI之间的相关关系,建立了NDVI与不同湿地植被类型叶面积指数间的线性和非线性回归模型,并制作完成洪河自然保护区LAI空间分布图.结果表明,整个研究区样本总体的LAI估算效果不太理想,其NDVI与LAI的相关性仅为0.523;将研究区分为草甸、沼泽、灌丛和岛状林4种湿地植被类型,NDVI与各植被型LAI的相关性和估算效果均有很大程度的提高,所建立的LAI遥感反演模型以三次曲线回归方程拟合精度最高,R2分别达到0.723、0.588、0.837、0.720.以上结果表明,结合地面实测数据并基于遥感植被分类的基础上,CBERS-02遥感影像可用于较大区域内湿地植被生理参数的反演研究.     

林地叶面积指数遥感估算方法适用分析

叶面积指数是与森林冠层能量和CO2交换密切相关的一个重要植被结构参数,为了探讨估算林地叶面积指数LAI的遥感适用方法和提高精度的途径,利用TRAC仪器测定北京城区森林样地的LAI,从Landsat TM遥感图像计算NDVI、SR、RSR、SAVI植被指数,分别建立估算LAI的单植被指数统计模型、多植被指数组合的改进BP神经网络,获取最有效描述LAI与植被指数非线性关系的方法并应用到TM图像估算北京城区LAI。结果表明,单植被指数非线性统计模型估算LAI的精度高于线性统计模型;多植被指数组合神经网络中,以NDVI、RSR、SAVI组合估算LAI的精度最高,估算值与观测值线性回归方程的R2最高,为0.827,而RMSE最低,为0.189,神经网络解决了多植被指数组合统计模型非线性回归方程的系数较多、较难确定的问题,可较为有效的应用于遥感图像林地LAI的估算。     

基于PROSAIL模型的水稻田缨帽三角-叶面积指数模型及其应用

缨帽三角(tasseled cap triangle,TCT)-叶面积指数(leaf area index,LAI)等值线模型是一种反映植被叶面积指数等值线在红光(Red)-近红外(NIR)波段反射率组成的光谱空间中分布规律的模型,在此基础上建立LAI遥感反演模型比常用的统计关系模型更加精确.本文利用水稻田实测数据,验证了PROSAIL模型对水稻冠层反射率模拟的适用性,并对模型的输入参数进行率定,最终确定了PROSAIL模型模拟水稻冠层反射率的输入参数的取值范围.在此基础上构建了水稻田TCT-LAI等值线模型,建立了LAI遥感反演所需的查找表,将其分别用于Landsat 8和WorldView 3数据进行水稻田LAI反演.结果表明: 利用基于TCT-LAI等值线模型建立查找表反演的LAI与实测LAI具有良好的线性相关关系,R²=0.76,RMSE=0.47;与Landsat 8的LAI反演结果相比,WorldView 3反演的LAI值域范围更大,数据分布更离散.将Landsat 8、WorldView 3反射率数据重采样至1 km后进行LAI反演, MODIS LAI 产品的反演结果存在明显低估现象.     

帽儿山地区森林冠层叶面积指数的地面观测与遥感反演

叶面积指数(leaf area index,LAI)是陆地生态系统最重要的结构参数之一,遥感和基于冠层孔隙率模型的光学仪器观测是快速获取LAI的有效方法,但由于植被叶片的聚集效应,这些方法通常只能获取有效叶面积指数(effective LAI,LAIe).本文以东北林业大学帽儿山实验林场为研究区,利用LAI2000观测森林冠层LAIe,并结合TRAC观测的叶片聚集度系数估算了森林冠层LAI,并通过分析基于Landsat5-TM数据计算的不同植被指数与LAIe之间的关系,建立了该区森林LAI遥感估算模型.结果表明:研究区阔叶林的LAI和LAIe基本相当,而针叶林的LAI比LAIe大27%;减化比值植被指数(reduced simple ratio,RSR)与该区LAIe的相关性最好(R2=0.763,n=23),最适合该区LAI的遥感提取.当海拔<400 m时,LAI随海拔高度的上升而快速增大;当海拔在400～750 m时,LAI随海拔高度的上升缓慢增大;当海拔>750 m时,LAI呈下降趋势.研究区森林冠层LAI与森林地上生物量存在显著的正相关关系.     

基于数码相片Gamma校正的水稻叶面积指数估算

随着数码相机的日益普及,利用数码相机进行作物叶面积指数(LAI)测量不断得以应用。由于数码相机成像时会对入射光辐射强度进行Gamma编码变换,输出的相片DN(Digital Number)值与入射光辐射强度呈非线性关系,会造成在确定相片中植被叶片与背景的分割阈值时出现误差,并最终导致LAI估算存在较大不确定性。以水稻为研究对象,获取不同生长期水稻冠层相片并结合同步LAI 2000测量的LAI数据,基于相片Gamma校正原理,对水稻不同生长期冠层相片进行Gamma校正,在此基础上利用冠层孔隙率方法,估算不同生长期水稻LAI。结果表明,经过Gamma校正相片估算的水稻LAI总体精度有显著提高,相片估算的IMAGE LAI与LAI-2000测量值比较的决定系数达到0.71(P0.05)。在整个观测期内,两种方法观测的LAI值在时间变化趋势上表现一致,但在不同生长期内存在差别,在水稻分蘖期和拔节期相片估算的IMAGE LAI要高于LAI-2000测量值,孕穗期到抽穗期期间IMAGE LAI低于LAI-2000测量值,乳熟期到成熟期IMAGE LAI又高于LAI-2000的观测结果。     

新疆喀纳斯国家自然保护区植被叶面积指数观测与遥感估算

叶面积指数(Leaf Area Index,LAI)是重要的植被结构参数,调控着植被与大气之间的物质与能量交换,在生态环境脆弱的我国西北部开展植被LAI的研究对阐明该地区植被对气候变化和人类活动的响应特征具有重要的科学意义.利用LAI-2200和TRAC仪器观测了新疆喀纳斯国家级自然保护区森林和草地的有效叶面积指数(LAIe)和真实LAI,构建了其遥感估算模型,生成了研究区LAIe和LAI的空间分布图.在此基础上,分析了LAI随地形因子(海拔、坡度、坡向)的变化特征,探讨了将其应用于估算研究区森林生物量密度的可行性,并评估了研究区MODIS LAI产品的精度.结果表明:研究区阔叶林、针阔混交林、针叶林、草地LAIe的平均值分别为4.40、3.18、2.57、1.76,LAI的平均值分别为4.76、3.93、3.27、2.30.LAIe和LAI的高值主要集中分布在湖泊和河流附近;植被LAI随海拔、坡度和坡向的变化表现出明显的垂直地带性的特点.LAI随海拔和坡度的增加呈现先增加后减小的变化趋势,坡向对针叶林和草地LAI的影响明显,但对阔叶林和针阔混交林LAI的影响较弱;森林生物量密度(BD)随LAI增加而线性增加(BD=44.396LAI-25.946,R2=0.83),研究区森林生物量密度平均值为120.3 t/hm2,估算的总生物量为5.0×l06 t;MODIS LAI产品与利用TM数据生成的LAI之间具有一定的相似性(森林R2=0.42,草地R2=0.53),但森林和草地的MODIS LAI产品分别比利用TM数据生成的LAI偏低16.5％和24.4％.     

1988-2013年基于BP神经网络的植被叶面积指数遥感定量反演

叶面积指数（Leaf Area Index,LAI）高度综合了植被水平覆盖状况和垂直结构,以及枯枝落叶层厚薄和地下生物量多少,是植被影响土壤侵蚀的主要方面。区域尺度的时间序列叶面积指数揭示了区域土壤侵蚀的演化过程。因此,及时准确地掌握区域尺度上长时间序列的植被LAI,对研究土壤侵蚀动态变化与植被的关系至关重要。选择南京市1988-2013年10期遥感影像,基于反向传播（Back Propagation,BP）神经网络构建LAI反演模型,进行了长时间序列的叶面积指数反演。结合2009和2010年LAI实测值,验证与探讨了该模型的评价精度与适应性。结果表明：（1）该模型拟合度较高,2009和2010年平均相对误差、均方根误差、相关系数分别是0.2395和0.2174,0.2962和0.2581,0.7713和0.6844,各项精度评价指标均较好;（2）统计分析去除耕地后全市LAI变化,低植被覆盖（LAI<2）面积不断增加,高植被覆盖区（LAI>3）面积先减少后增加,耕地面积不断减少,符合南京市的发展变化规律;（3）主城区LAI年际变化与其他学者得到的南京市植被盖度变化趋势一致,反演结果的时序性较高。本文提出的基于反向传播神经网络模型反演长时间序列LAI是可行的,为区域尺度土壤侵蚀定量遥感监测提供新途径。     

森林冠层叶面积指数遥感反演——以小兴安岭五营林区为例

以中国东北小兴安岭五营林区为研究区,基于MODIS BRDF遥感模型参数产品数据,首先利用4-Scale模型建立查找表计算像元尺度上各组分比例,估算研究区森林乔木冠层反射率,然后利用冠层反射率数据,获取研究区3种常用森林冠层植被指数,最后基于植被指数与实测叶面积指数构建研究区冠层叶面积指数反演模型,并选取最优模型实现研究区森林冠层叶面积指数反演。结果表明:研究区冠层LAI遥感反演模型中,基于比值植被指数SR(simple ratio,SR)构建的二次多项式反演模型精度最高,且反演精度比未考虑背景反射影响的SR反演模型精度有较大幅度提高,模型决定系数由0.38提高至0.54;反演获取的研究区冠层LAI在2.38~12.67,平均值6.52,LAI值在阔叶林区域相对较高。     

不同大气校正方法对森林叶面积指数遥感估算影响的比较

利用TM原始图像以及经过6S模型和基于影像自身的Gilabert模型大气校正后的地面绝对反射率图像,分别计算了褒河流域阔叶林和针阔混交林2种林型的5类光谱植被指数(SR、NDVI、MNDVI、ARVI和RSR),并建立各林型森林叶面积指数与同时相的各个植被指数的相关关系。结果表明,2种大气校正模型均显著提高了各植被指数与森林叶面积指数的相关关系,除了对森林叶面积指数与植被指数SR和NDVI的相关关系影响不显著外,对森林叶面积指数与植被指数MNDVI、ARVI和RSR相关关系的影响均非常显著。说明不同大气校正模型对叶面积指数的遥感估算结果有较大影响。因此,在利用遥感数据进行定量分析、信息提取和生态遥感应用时,不仅要进行大气校正,而且还要慎重选择大气校正模型和植被指数。     

基于多源遥感数据的大豆叶面积指数估测精度对比

近年来遥感技术的革新促使遥感源越来越丰富.为分析多源遥感数据的叶面积指数(LAI)估测精度,本文以大豆为研究对象,利用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合地面实测LAI构建经验回归模型,比较3类遥感数据(地面高光谱数据、无人机多光谱影像以及高分一号WFV影像)对大豆LAI的估测能力,并从传感器几何位置和光谱响应特性以及像元空间分辨率三方面分析讨论了3类遥感数据的LAI反演差异.结果表明： 地面高光谱数据模型和无人机多光谱数据模型都可以准确预测大豆LAI(在α=0.01显著水平下,R²均>0.69,RMSE均<0.40);地面高光谱RVI对数模型的LAI预测能力优于无人机多光谱NDVI线性模型,但两者差异不大(E_A相差0.3%,R²相差0.04,RMSE相差0.006);高分一号WFV数据模型对研究区内大豆LAI的预测效果不理想(R²<0.30,RMSE>0.70).针对星、机、地三类遥感信息源,地面高光谱数据在反演LAI方面较传统多光谱数据有优势但不突出;16 m空间分辨率的高分一号WFV影像无法满足田块尺度作物长势监测的需求;在保证获得高精度大豆LAI预测值和高工作效率的前提条件下,基于无人机遥感的农情信息获取技术不失为一种最佳试验方案.在当今可用遥感信息源越来越多的情况下,农业无人机遥感信息可成为指导田块精细尺度作物管理的重要依据,为精准农业研究提供更科学准确的信息.     

祁连山区青海云杉林冠层叶面积指数的反演方法

叶面积指数(Leaf area index, LAI)是陆地生态系统的一个十分重要的结构参数。随着空间精细化模型的发展和基于过程的分布式模拟技术的应用, 对LAI的区域估算显得越来越重要, 但目前尚缺乏有效的估算手段。该项研究以青海云杉(Picea crassifolia)林为研究对象, 利用LAI-2000冠层分析仪、鱼眼镜头法和经验公式法对林冠层LAI进行了测定, 观测值分别为1.03~3.70、0.48~2.26和2.27~8.20, 显然, 仪器测定值偏低。针对针叶的集聚效应导致仪器测定值偏低的现象, 利用跟踪辐射与冠层结构测量仪(TRAC)测定的青海云杉林聚集系数计算调整系数, 对鱼眼镜头法获取的LAI值进行订正。根据高分辨率的遥感数据反演青海云杉林的植被指数与LAI的关系, 最后获得了较合理的该地区林冠层LAI的空间分布图。     

三峡大老岭自然保护区森林生态系统10年(2000-2010年)质量变化

为了解湖北三峡大老岭自然保护区森林生态系统质量状况,利用多种遥感卫星影像资料并结合野外调查数据,对该保护区10年间(2000-2010年)的森林生态系统中植物地上生物量(AGB)、叶面积指数(LAI)、净初级生产力(NPP)的年际变化进行了比较研究。结果显示:(1)大老岭自然保护区10年间AGB总体呈下降趋势,但下降幅度很小,说明大老岭自然保护区森林生态系统植被结构状态比较稳定,但整个森林生态系统的结构稳定性不够,应创新管理机制,减少人为干扰;(2)年均LAI以中等(1.6~2.2)和较高等级(2.2~2.8)所占比例较大,年均LAI为1.6~2.8的植被面积占该区植被总面积的90%以上并呈增加趋势,说明该保护区内植被长势较好、生活力旺盛;(3)10年间NPP年总量具有缓慢增加的趋势,即从4.99×1010 gC(2000年)增加到5.07×1010 gC(2010年),说明自然保护区内森林生态系统林分类型多样,异质性较强,整个森林生态系统生产能力较高。本研究结果表明大老岭自然保护区森林生态系统质量总体较好,也从侧面反映出建立自然保护区进行植被保护所取得的效果。     

基于高光谱遥感的小麦叶干重和叶面积指数监测

生物量和叶面积指数(LAI)是描述作物长势的重要参数, 叶干重和LAI的实时动态监测对小麦(Triticum aestivum)生长诊断和管理调控具有重要意义。为分析多种高光谱参数估算小麦叶干重和LAI的效果, 建立小麦叶干重和LAI的定量监测模型, 该研究连续3年采用不同小麦品种进行不同施氮水平的大田试验, 于小麦不同生育期采集田间冠层高光谱数据并测定叶片叶干重和LAI。试验结果显示, 小麦叶干重和LAI随施氮水平的提高而增加, 随生育进程呈单峰动态变化模式。小麦叶干重和LAI与光谱反射率间相关性较好的区域主要位于红光波段(590~710 nm, r<-0.60)和近红外波段(745~1 130 nm, r>0.69)。对于不同试验条件下的叶干重和LAI, 可以使用统一的光谱参数进行定量反演, 其中基于RVI (810, 560)、FD755、GM1、SARVI (MSS)和TC3等光谱参数的方程拟合效果较好。经不同年际独立试验数据的检验表明, 以参数RVI (810, 560)、GM1、SARVI (MSS)、PSSRb、(R_750-800/R_695-740) -1、VOG2和MSR705为变量建立的叶干重和LAI监测模型均给出较好的检验结果。因此, 利用关键特征光谱参数可以有效地评价小麦叶片生长状况, 尤其是光谱参数RVI (810, 560)、GM1和SARVI (MSS)可以对不同条件下小麦叶干重和LAI进行准确可靠的监测。     

基于遥感信息的作物模型重新初始化/参数化方法研究初探

作物模型与遥感信息的结合有助于利用遥感监测的大范围植被信息解决作物模型区域应用时模型初始状态和参数值难以确定的问题。该文借助叶面积指数(LAI)将经过华北冬小麦(Triticum aestivium)适应性调整的WOFOST模型与经参数调整检验的SAIL-PROSPECT模型相嵌套,利用嵌套模型模拟作物冠层的土壤调整植被指数(SAVI),在代表点上借助FSEOPT优化程序使模拟SAVI_s与MODIS遥感数据合成SAVI_m的差异达到最小,从而对WOFOST模型重新初始化。结果表明,借助于遥感信息,出苗期的重新初始化使模拟成熟期与按实际出苗期模拟的结果相差在2天以内,模拟的LAI和总干重的误差比按实际出苗期模拟结果的误差降低3~8个百分点;返青期生物量的重新初始化使模拟LAI和地上总干重在关键发育时刻的误差降至16%以内,模拟LAI和贮存器官重在整个生育期内都更加接近实测值;对返青期生物量的动态调整显示返青到抽穗期间较少次数的遥感数据即能有效地提高作物模型的模拟效果。与国外同类研究相比,该文在作物模型本地化、重新初始化变量和优化比较对象的选择上都有所不同,而利用遥感数据动态调整作物模型初始状态或参数值更具有新意。该文对区域尺度上利用遥感信息优化作物模型的研究具有基础性、探讨性意义。     

基于集合卡尔曼滤波的南雄烟草LAI数据同化研究

叶面积指数(LAI)是表征烟草生长健康状态的重要指标之一,获取准确的LAI数据是监测烟草生长走势的重要步骤。以广东省南雄地区为试验区开展了集合卡尔曼滤波同化方法在烟草LAI的应用研究。通过野外实测得到南雄烟草生长期内的高光谱数据,并计算每个生长期的归一化植被指数(NDVI),依据NDVI值获得LAI测量数据;通过积温数据和实测LAI数据构建了符合南雄地区烟草LAI变化规律的LOGISTIC模型;并以LAI为研究变量,利用集合卡尔曼滤波数据同化技术融合NDVI数据计算得到的LAI和简化LOGSITIC模型拟合得到的LAI这两种不同的数据信息,获取实验区烟草生长期时间序列上的连续LAI数据。最后,进一步对比了数据同化方法、NDVI计算LAI方法和LOGISTIC模型拟合这3种方法获取烟草LAI的效果。结果显示:数据同化方法、NDVI计算LAI方法和LOGISTIC模型拟合3种方法均可一定程度上表征烟草LAI的变化状态,其中数据同化方法拟合效果最优。实验发现NDVI计算LAI方法在烟草生长前后期LAI值出现偏大或偏小的异常情况;LOGISTIC模型拟合则不能有效的描述烟草LAI的突发性变化;同化方法综合作物生长模型和遥感监测的优势,能够动态调节参数得到LAI优化结果,同化后LAI结果和真实值吻合,变化曲线更符合烟草的实际生长状况。