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。     

基于小波分析的大豆叶面积高光谱反演

实测了不同水肥耦合、经营制度及有效营养面积条件下的大豆(Glycinemax)冠层高光谱反射率与叶面积指数(LAI),并对光谱反射率、微分光谱与LAI的关系进行了分析;采用比值植被指数(RVI)与归一化植被指数(NDVI)建立了大豆LAI反演模型;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对大豆LAI进行估算。结果表明:大豆LAI与光谱反射率在可见光波段呈负相关;在近红外波段呈正相关;微分光谱在红边处与大豆LAI密切相关(R2=0.92);RVI与NDVI可以提高大豆LAI的估算精度(R2分别达0.79、0.84);各植被指数各有优缺点,应根据需要进行选择;小波能量系数回归模型可以进一步提高大豆叶面积的估算水平,以一个特定小波能量系数作为自变量的回归模型,大豆LAI回归确定系数R2高达0.884;以4个和6个小波能量系数建立LAI回归分析模型(R2分别达0.92、0.93),2个模型LAI预测值与大豆LAI实测值线性回归确定性系数R2分别为0.90、0.92。比较可知,小波分析可以对高光谱进行特征变量提取,进而反演大豆生理参数,并且反演的LAI精度较光谱反射率、微分光谱及植被指数都有明显提高,小波分析在植被生理参数的高光谱提取方面有着广阔的应用前景。     

基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进

高光谱植被指数以其特有的精细光谱特征,能够获得非常细微的植被生理状况和环境胁迫差异,因而使遥感技术在精细农业中的应用.尤其是在叶绿素浓度和叶面积指数的反演上面有着广阔的应用前景.然而,现有的植被指数往往和这2个参数呈非线性关系,且只对某一区间的数值敏感,无法适用于其它植被覆盖程度的研究.为了寻找合适的波段位置以改善植被指数与叶绿素浓度和叶面积指数的线性关系,去除饱和区域,进而提高这2个参数的实际估算精度,该文选取了叶绿素浓度和叶面积指数,以辐射传输模型PROSPECT和SAIL为基础,模拟了这2个参数变化对3类高光谱植被指数(归一化植被指数(NDVI)、优化的简单比值指数(MSR)和优化的叶绿素吸收率指数(MCARI))的影响.叶绿素浓度变化敏感性分析结果表明,对这3类植被指数而言,750 nm和705 nm的叶片反射率更适合实际的叶绿素浓度反演.以750 nm和705 nm代替800 nm/700 nm和670 nm成功地提高了3类植被指数与叶绿素浓度的线性相关程度,其中MCARI705和叶绿素浓度基本呈线性关系.叶面积指数变化敏感性分析I口j样显示,以750 nm和705 nm组成的植被指数能够获取更可靠的叶面积指数信息,尤其对于高植被覆盖区域.其中MCARI705能较好地降低随叶面积指数变化的饱和程度,相比其它植被指数,当叶面积指数大于8时,MCARI705才出现明显的饱和.由于冠层的尺度效应,波段位置的选择对植被指数与叶面积指数线性关系的改善不及对叶绿素浓度明显.     

基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进

高光谱植被指数以其特有的精细光谱特征, 能够获得非常细微的植被生理状况和环境胁迫差异, 因而使遥感技术在精细农业中的应用, 尤其是在叶绿素浓度和叶面积指数的反演上面有着广阔的应用前景。然而, 现有的植被指数往往和这2个参数呈非线性关系, 且只对某一区间的数值敏感, 无法适用于其它植被覆盖程度的研究。为了寻找合适的波段位置以改善植被指数与叶绿素浓度和叶面积指数的线性关系, 去除饱和区域, 进而提高这2个参数的实际估算精度, 该文选取了叶绿素浓度和叶面积指数, 以辐射传输模型PROSPECT和SAIL为基础, 模拟了这2个参数变化对3类高光谱植被指数(归一化植被指数(NDVI)、 优化的简单比值指数(MSR)和优化的叶绿素吸收率指数(MCARI))的影响。叶绿素浓度变化敏感性分析结果表明, 对这3类植被指数而言, 750 nm 和705 nm 的叶片反射率更适合实际的叶绿素浓度反演。以750 nm 和705 nm代替 800 nm/700 nm 和670 nm成功地提高了3类植被指数与叶绿素浓度的线性相关程度, 其中MCARI705 和叶绿素浓度基本呈线性关系。叶面积指数变化敏感性分析同样显示, 以750 nm 和705 nm 组成的植被指数能够获取更可靠的叶面积指数信息, 尤其对于高植被覆盖区域。其中MCARI705 能较好地降低随叶面积指数变化的饱和程度, 相比其它植被指数, 当叶面积指数大于8时, MCARI705 才出现明显的饱和。由于冠层的尺度效应, 波段位置的选择对植被指数与叶面积指数线性关系的改善不及对叶绿素浓度明显。     

采用不同光谱波段宽度的归一化植被指数估算水稻叶面积指数

通过大田试验,测量了水稻不同生育期的冠层光谱,并通过在TM红光波段和近红外波段范围内不断扩展波段宽度,计算了各个波段宽度对应的归一化植被指数(NDVI)及其与叶面积指数(LAI)的最大相关系数,再根据NDVI与LAI最佳拟合方程的最大R2值随波段宽度的变化特征确定了最佳波段宽度.结果表明:NDVI与LAI的相关系数和最佳拟合方程的最大R2值具有相同的变化趋势,在小于红光波段宽度60nm范围内,均随波段宽度的增大而减小,即窄波段NDVI比宽波段NDVI对LAI的估算效果好;在超过60nm后,由于受近红外波段宽度的影响而略有波动.对R2规律的分析表明,使用NDVI估算水稻LAI的最佳波段宽度为15nm.     

不同施肥条件下夏玉米光谱特征与叶绿素含量和LAI的相关性

在不同施肥方式下研究了长期试验地夏玉米在4个典型生育期的叶绿素相对含量(SPAD)、叶面积指数(LAI)和冠层光谱特征,系统分析了单波段以及由可见光和近红外波段组成的归一化差异植被指数(NDVI)与叶片叶绿素含量和LAI的相关性.结果表明:在同一个生育期,NK、PK处理和CK的光谱曲线特征相似,NPK、NP、OM、1/2OM1/2NPK处理的光谱特征曲线相似.除460nm外,其它单波段反射率与叶绿素含量和LAI都显著相关,尤其在510~1100nm波段相关性最为密切;不同波段组合的NDVI与这2个指标也显著相关,且相关系数大于单波段.从拔节期到乳熟期,绝大部分NDVI都可以有效地拟合叶绿素含量和LAI的变化,选用NDVI(560,950)和NDVI(660,760)建立拟合模型(R2>0.60),并以NDVI(560,950)拟合效果最佳(R2>0.80).可见,不同施肥方式条件下长期试验地夏玉米冠层光谱特征与叶绿素含量、LAI都具有良好的相关性,可以为夏玉米肥料管理提供科学依据.     

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。     

光谱植被指数与水稻叶面积指数相关性的研究

 综合分析比较了几种常见光谱植被指数与水稻（Oryza sativa）叶面积指数的相关性及其预测力。结果表明,植被指数的预测力在水稻营养生长旺盛期间最好。植被指数的预测力主要依赖于叶面积指数(LAI)的整体变化范围。因此,综合不同生育时期和氮肥处理的试验资料,光谱植被指数能准确地预测LAI的变化。LAI与各植被指数均呈曲线相关,与比值植被指数(RVI)、再归一化植被指数(RDVI)和R810/R560显著幂相关,与归一化植被指数(NDVI)、垂直植被指数(PVI)、差值植被指数(DVI)、土壤调整植被指数(SAVI)和转换型土壤调整指数(TSAVI)显著指数相关。其中,近红外与绿光波段的比值R810/R560的预测力最佳。用不同移栽秧龄、不同密度、不同水分和氮肥处理的数据对R810/R560的表现进行了检验,结果表明估算精度平均为91.22%,估计的均方差根(RMSE)平均为0.480　5,平均相对误差为-0.013。表明宽波段光谱植被指数可以准确地用来监测水稻叶面积指数。     

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.     

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。     

MODIS植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究

利用光谱分辨率为3nm的ASD FieldSpec UV／VNIR光谱仪获得了2002和2003年水稻整个生长期的高光谱数据,同时对水稻叶面积指数(LAI)和叶绿素含量(CHL．Ｃ)进行了测定,对中分辨率成像光谱仪(MODIS)的增强植被指数(EVI)、归一化植被指数(NＤVI)以及红边位置(REP)与LAI及CHL．C之间的关系进行了研究．结果表明。LAI与冠层光谱在可见光、近红外波段相关性较好,叶绿素含量与冠层光谱在红光波段相关性较好．EVI、REP和LAI之间的相关关系不受水稻覆盖率的影响;NDVI与LAI的相关关系在水稻低覆盖率情况下较好;在水稻高覆盖率情况下。EVI和REP比NDVI与LAI之间的相关关系要好．MODIS-NDVI、EVI及REP与叶片叶绿素含量相关性较好．由此可见,EVI和REP可以有效地监测水稻LAI和CHL．C．     

烟草叶面积指数的高光谱估算模型

叶面积指数(1eaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义。为了探索不同高光谱模型监测烟草叶面积指数LAI的精度,在烟草伸根期,旺长期和成熟期采用ASD Fieldspec HH光谱仪测定了不同水氮条件下烟草冠层的高光谱反射率和叶面积指数数据。选用四个常用的植被指数RVI (ratio vegetation index)、NDVI (normalized difference vegetation index)、MTVI2（Modified second triangular vegetation index）、MSAVI（Modified Soil-adjusted vegetation index）和PCA (principal component analysis)、neural network (NN)三种方法对烟草LAI进行了估算,比较分析了三种方法的估算结果。研究结果表明,植被指数法,主成分分析,神经网络方法LAI都取得了较为理想的结果,其中植被指数法可以较为精确反演烟草LAI,验证模型确定性系数在0.76～0.85之间,主成分分析方法和神经网络方法精度较高,分别为0.938和0.889。主成分分析方法验证模型的稳定性更好,其验证模型的RMSE为0.172,低于四个植被指数和神经网络。MTVI2和MSAVI能较好地去除土壤、大气等条件影响,反演精度高于RVI和NDVI。与基于植被指数建立的模型相比,主成分分析和神经网络可以更好的提高LAI的反演精度。     

高光谱植被指数与水稻叶面积指数的定量关系

基于不同水稻品种、施氮水平和不同生育期下的大田试验,确立了水稻叶面积指数（LAI）与冠层光谱特征参数的定量关系.结果表明：水稻叶面积指数与部分高光谱植被指数存在良好的相关性,其中原始光谱组成的2波段差值指数（DI）形式相关性最好,其次为比值（RI）和归一化（NI）植被指数.相关最好的原始光谱植被指数是由近红外波段组成的差值指数DI(854,760),相关最好的一阶导数光谱植被指数是红光和近红外光组成的导数差值指数DI(D₆₇₆, D₇₇₈),但总体上导数光谱指数不如原始光谱指数与LAI关系密切.独立试验数据检验结果表明,以差值指数DI(854,760)为变量建立的水稻LAI监测模型具有较好的表现,可用于水稻LAI的估测.     

三种回归分析方法在Hyperion影像LAI反演中的比较

借助GPS进行地面精确定位,利用LAI-2000冠层分析仅在攸县黄丰桥林场开展130个样地(60m×60m)的叶面积指数(Leaf Area Index,LAI)测量.采用FLAASH模块对Hyperion数据进行大气校正并与地面同步冠层观测数据进行拟合,通过研究地面实测LAI与Hyperion影像波段及其衍生的系列植被指数(NDVI、RVI等)的相关性,筛选出估算叶面积指数的植被指数因子.应用曲线估计、逐步回归及偏最小二乘三种回归分析技术分别建立叶面积指数的最优估算模型.结果表明:参与建模的因子中,比值植被指数(RVI)与LAI的相关性最大,敏感性最高,其次是SARVI0.1,NDVI705,NDVI,SARVI0.1,SARVI0.25;曲线估计、逐步回归分析和偏最小二乘回归三种分析方法所建的6个回归模型中,偏最小二乘回归的拟合效果最好,预测值与实测值的决定系数R2为0.84、曲线估计的拟合效果最低,预测值与实测值的决定系数R2为0.64;建模精度分析表明,选用5-6个自变量因子进行LAI建模是可靠的,以6个植被因子建立的偏最小二乘回归模型预测精度最高.     

林下植被对遥感估算马尾松LAI的影响

叶面积指数是一项极其重要的描述植被冠层结构的植被特征参量。根据植被物候规律,利用中国环境卫星CCD多光谱影像和野外马尾松样区调查数据,通过建立不同季节和不同郁闭度样区马尾松LAI和影像NDVI经验回归模型,并利用一个新的LAI观测方式定量比较乔木层LAI和生态系统总LAI(包括草本层、灌木层和乔木层)的差异,研究林下植被对马尾松反演的影响程度。结果表明:(1)由于林下植被的物候变化,冬季林下植被对马尾松LAI反演影响最小,马尾松NDVI和LAI线性关系R2维持在0.65;夏季林下植被影响最大,线性关系R2只有0.25;春季和秋季影响居中,NDVI和LAI线性关系R2在0.47附近。但是,受林下植被影响较小的A类样区4个季节内NDVI和LAI线性关系基本都在0.60以上(夏季略低于0.60);(2)乔木层LAI和总LAI差距非常大,最大差距达到2.93,相差的比例最大达到了2.45倍;(3)总LAI和NDVI相关关系显著,其中线性关系R2达到0.66,对数关系R2可达到0.68,而乔木层LAI和NDVI相关关系较差,线性关系R2只有0.30。分别建立冬季和其它季节实测总LAI和NDVI的关系,可以估算出林下植被对马尾松LAI反演的影响程度。     

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.     

植被叶面积指数遥感监测模型

叶面积指数是植被定量遥感的重要参数,区域的时序列叶面积指数揭示了区域生态的演化过程,反演方法上主要是通过植被指数建立相关模型实现的,对于不同地区或不同气候带而言,模型的通用性以及各种植被指数在模型中的灵敏度都需做进一步的探讨。以江苏省宜兴市作为研究区,采用2002年8月22日获得的Landsat-5TM图像数据和2003年8月23～26日采用LAI-2000进行的野外实测植被叶面积指数(LAI)数据,分别探讨了植被指数(VI)与LAI的一元、多元线性回归模型和非线性回归模型,其中的非线性回归模型包括对数、指数、乘幂和多项式回归模型。结果表明,VI与LAI之间的最佳回归模型为多元线性回归模型,R2达0.864;采用逐步选择剔除法,遴选出了用于回归模型的植被指数为RVI、PVI、SAVIL=0.35、MSAVI、ARVIγ=1、ARVIγ=0.5和SARVI。经模型LAI=-ln((VI-VI∞)/(VIg-VI∞))/KVI检验,预测值(y)与实测值(x)的拟合度较好y=0.5345x 1.3304,R2为0.7379。RVI与LAI的三次多项式回归模型也较好,R2为0.7806。再次为RVI与LAI的一元线性回归模型,R2为0.7726,比值植被指数RVI在反演叶面积指数模型中具有较高的灵敏度。     

小麦叶面积指数与冠层反射光谱的定量关系

在分析不同氮素水平下小麦叶面积指数（LAI）和冠层光谱反射率随生育期变化模式的基础上,确立了LAI与冠层光谱反射率及光谱参数的相关关系,提出了小麦LAI的敏感光谱参数及预测方程.结果表明,小麦LAI和近红外短波段（760～1 220 nm）反射率都随施氮量的增加呈上升趋势,可见光波段反射率则相反;从拔节期到成熟期,LAI和近红外短波段反射率均表现为先上升后下降的趋势,而可见光波段（460～710 nm）反射率随生育期的推进先降低后升高,以孕穗期反射率最低,近红外长波段区域（1 480～1 650 nm）反射率的变化与可见光部分相同.LAI与可见光波段反射率呈负相关,与近红外短波段反射率呈极显著正相关,其中以810 nm相关性最好.可以选择RVI(810,510)和DVI(810,560)作为反演小麦LAI的光谱参数.另外,在证明垂直植被指数PVI和转换型土壤调整指数TSAVI对LAI预测能力的同时,发现利用RVI(810,510)、DVI(810,560)和PVI 3个植被指数共同推算小麦LAI的准确度更高.     

祁连山中部金露梅种群生长过程中的植被光谱特征

金露梅灌丛是祁连山最具代表性的高寒落叶灌丛,其生长过程对生态系统服务功能有重要影响。2015年生长季对其叶功能性状进行了观测,并利用地物光谱仪(ASD)对金露梅灌丛不同物候期的高光谱反射率进行了测定。结果表明:金露梅灌丛的叶面积、叶面积指数(leaf area index,LAI)、绿色叶面积指数、叶片叶绿素含量(以SPAD值表示)从生长初期开始呈现先增大,到生长后期开始下降的规律;不同物候期金露梅灌丛的反射光谱波形曲线变化规律基本相似;植被指数NDVI、EVI、CI_(red edge)与LAI、叶片SPAD值均达到了显著(P0.05)或极显著相关(P0.001);EVI与LAI的相关性最好,NDVI与叶片SPAD值的相关性在整个生长阶段最为稳定。根据相关性分析,建立了不同物候期金露梅灌丛LAI、SPAD预测模型,为金露梅植被生长过程的遥感监测提供了方法。