基于PROSAIL辐射传输模型的毛竹林叶面积旨数遥感反演

采用PROSAIL辐射传输模型建立毛竹林叶面积指数(LAI)-冠层反射率查找表,并结合Landsat TM卫星遥感数据,实现了毛竹林LAI的定量反演.结果表明:PROSAIL模型各输入参数的敏感性由高到低依次为LAI＞叶绿素含量(Cab)＞叶片结构参数(N)＞平均叶倾角(ALA)＞等效水厚度(Cw)＞干物质含量(Cm),并以LAI、Cab两个主要敏感因子用于构建毛竹林LAI-冠层反射率查找表;基于PROSAIL模型的毛竹林LAI遥感反演结果与实测LAI具有很好的一致性,二者相关系数为0.90,均方根误差和相关的均方根误差也较小,分别为0.58和13.0％,但也存在反演LAI平均值高于实际值的问题.     

基于PROSAIL辐射传输模型的毛竹林叶面积指数遥感反演

采用PROSAIL辐射传输模型建立毛竹林叶面积指数(LAI) 冠层反射率查找表,并结合Landsat TM卫星遥感数据,实现了毛竹林LAI的定量反演.结果表明： PROSAIL模型各输入参数的敏感性由高到低依次为LAI>叶绿素含量(C_ab)>叶片结构参数(N)>平均叶倾角(ALA)>等效水厚度(C_w)>干物质含量(C_m),并以LAI、C_ab两个主要敏感因子用于构建毛竹林LAI 冠层反射率查找表;基于PROSAIL模型的毛竹林LAI遥感反演结果与实测LAI具有很好的一致性,二者相关系数为0.90,均方根误差和相关的均方根误差也较小,分别为0.58和13.0%,但也存在反演LAI平均值高于实际值的问题.     

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。     

基于PROSAIL辐射传输模型的毛竹林分冠层反射率模拟研究

冠层光谱反射率直接关系到毛竹（Phyllostachys pubescens Mazel）林冠层参数的反演,对毛竹林地土壤肥力间接估测具有重要意义。以PROSPECT5、PROSAIL模型为基础,从叶片尺度和冠层尺度分析模型参数对叶片和冠层反射率的影响,构建毛竹冠层叶面积指数（LAI）-冠层反射率查找表并通过代价函数选取最优冠层反射率,从而实现毛竹林分冠层反射率的准确模拟。结果表明,在叶片尺度,PROSPECT模型参数敏感性从高到低依次为叶肉结构参数（N） > 叶绿素含量（C_ab） > 等效水厚度（EWT） > 干物质含量（C_m） > 类胡萝卜素含量（C_ar）;在冠层尺度,PROSAIL模型参数敏感性从高到低依次为LAI > C_ab > EWT > C_m > N > C_ar > ALA（平均叶倾角）;叶片尺度反射率整体大于冠层尺度反射率;在400~900 nm波长范围内,PROSAIL模型模拟的冠层光谱反射率与实测光谱反射率拟合效果较好,相对误差为6.71%。     

基于分类知识利用神经网络反演叶面积指数

叶面积指数（LAI,Leaf Area Index）是陆面过程中一个十分重要的输入参数,其遥感反演方法研究一直是国内外遥感应用研究的热点问题。基于统计的遥感反演方法由于缺乏物理基础,其可靠性和普适性差。基于物理的冠层反射模型的LAI反演方法克服了上述弊端,但是由于反演过程是病态的,模型反演结果一般不唯一。神经网络算法的介入可在一定程度上改善这一问题,但是模型反演的病态问题至今仍无法很好地解决。在PROSAIL模型敏感性分析的基础上提出了一种基于影像分类的神经网络反演方法,引进了土壤反射指数用于替代原模型中难以确定的土壤背景反射参数,分别针对不同植被类型建立各自的神经网络,对经过大气纠正后的Landsat ETM＋影像进行了模拟实验并同野外实测LAI数据进行比较。结果表明,对于LAI小于3的植被区该方法的反演精度比较可靠,而LAI大于3的植被区,反演的LAI偏小,原因归结为密植被的冠层反射在LAI大于3以后趋于饱和而无法敏感地表征LAI的变化所导致的。     

滨海湿地植被地上生物量遥感反演

盐沼植被生物量是滨海湿地生态系统碳循环研究的重要参数,是湿地生态系统健康评价、资源可持续利用的关键指标,开展盐沼植被地上生物量监测方法研究具有重要意义。目前,遥感技术在湿地生物量监测领域已经得到广泛应用,但反演方法仍以统计模型为主,模型构建需要实测数据支撑,时空拓展性不强。选择江苏盐城丹顶鹤保护区为研究区,基于冠层辐射(PROSAIL)传输模型,通过局部和全局敏感性分析,对模型参数本地化,构建了互花米草地上生物量半经验反演模型,应用于Landsat 8 OLI遥感影像,获得了互花米草地上生物量的时空分布。研究结果表明,利用PROSAIL模型模拟互花米草冠层反射率,叶面积指数(LAI)、叶片干物质含量(Cm)、叶倾角分布参数(LIDF)、等效水厚度(Cw)、叶绿素含量(Cab)、叶片结构参数(N)为高敏感性参数,类胡萝卜素含量(Car)、土壤参数(P_soil)为低敏感性参数;利用不同时刻的遥感影像反演了地上生物量,遥感反演结果与实测数据对比,拟合度R²为0.83,均方根误差(RMSE)为0.43kg/m²,平均相对误差(MRE)为15.7%,精度较高,模型具有较好的时空普适性。研究发展了盐沼植被地上生物量遥感反演方法,解决了以往过于依赖现场实测数据构建反演模型的局限性,该方法可以为研究滨海湿地生态系统碳循环以及准确估算其碳汇潜力提供技术支持。     

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.     

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.     

植被叶片及冠层层次含水量估算模型的建立

利用LOPEX'93数据库中7个鲜叶片含水量(Cw)和光谱反射率实测数据,基于光谱指数法,在叶片层次,用47个随机样本建立Cw与不同光谱指数的统计模型,并用另外20个样本验证.结果表明,Cw的两种表征形式相对含水量FMC和等价水深EWT在提取叶片Cw时差异较大,EWT与各光谱指数的相关性较FMC高,但FMC对叶片Cw的反演精度高于EWT.而反演精度更高的是基于最优子集回归建立的光谱指数线性模型.Ratio₉₇₅是叶片层次提取Cw的普适光谱指数.冠层层次,利用PROSPECT+SAILH耦合模型,模拟在不同叶面积指数LAI和Cw下的冠层光谱.为了剔除背景影响,更好地提取冠层Cw,提出用近红外和短波红外波段反射率构造土壤可调节水分指数(SAWI),该指数与其他光谱指数的比值能明显地剔除土壤背景影响,更准确地提取冠层Cw.Ratio₉₇₅的改进型光谱指数(Ratio₉₇₅-0.9)/(SAWI+0.2)能用来提取叶面积指数LAI从0.3到8.0,Cw从0.0001cm到0.07cm的冠层Cw,研究表明精度较高.     

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。     

A Novel Moisture Adjusted Vegetation Index (MAVI) to Reduce Background Reflectance and Topographical Effects on LAI Retrieval

A new moisture adjusted vegetation index (MAVI) is proposed using the red, near infrared, and shortwave infrared (SWIR) reflectance in band-ratio form in this paper. The effectiveness of MAVI in retrieving leaf area index (LAI) is investigated using Landsat-5 data and field LAI measurements in two forest and two grassland areas. The ability of MAVI to retrieve forest LAI under different background conditions is further evaluated using canopy reflectance of Jack Pine and Black Spruce forests simulated by the 4-Scale model. Compared with several commonly used two-band vegetation index, such as normalized difference vegetation index, soil adjusted vegetation index, modified soil adjusted vegetation index, optimized soil adjusted vegetation index, MAVI is a better predictor of LAI, on average, which can explain 70% of variations of LAI in the four study areas. Similar to other SWIR-related three-band vegetation index, such as modified normalized difference vegetation index (MNDVI) and reduced simple ratio (RSR), MAVI is able to reduce the background reflectance effects on forest canopy LAI retrieval. MAVI is more suitable for retrieving LAI than RSR and MNDVI, because it avoids the difficulty in properly determining the maximum and minimum SWIR values required in RSR and MNDVI, which improves the robustness of MAVI in retrieving LAI of different land cover types. Moreover, MAVI is expressed as ratios between different spectral bands, greatly reducing the noise caused by topographical variations, which makes it more suitable for applications in mountainous area.     

水稻多组分双向反射模型的研究

利用1999-2000年的水稻田间试验实测光谱数据,对水稻不同生长期特性建立的水稻多组分双向反向模型进行了一些主要因子的敏感性分析及模型模拟值与实测值的比较分析。结果表明,考虑水稻冠层叶、茎干、穗等作用及水稻不同生长期特点的水稻多组分双向反向模型,能较好地反映水稻多组分反向光谱的角度分布特征,较准确地模拟水稻不同条件下水稻的自然方向反向系数和冠层"热点"效应的非对称性分布。得到了薄层水体和土壤背景的一次反向辐射以及在冠层内部、薄层水体和土壤表面相互间的多次反向辐射随水稻各组分平均倾角的变化规律,冠层双向反向率随叶面积指数LAI的变化特征。     

Optical trait indicators for remote sensing of plant species composition: Predictive power and seasonal variability

Most plant species feature similar biochemical compositions and thus similar spectral signals. Still, empirical evidence suggests that the spectral discrimination of species and plant assemblages is possible. Success depends on the presence or absence of faint but detectable differences in biochemical (e.g., pigments, leaf water and dry matter content) and structural properties (e.g., leaf area, angle, and leaf structure), i.e., optical traits. A systematic analysis of the contributions and spatio-temporal variability of optical traits for the remote sensing of organismic vegetation patterns has not yet been conducted. We thus use time series of optical trait values retrieved from the reflectance signal using physical models (optical trait indicators, OTIs) to answer the following questions: How are optical traits related among patterns of floristic composition and reflectance? How variable are these relations in space and time? Are OTIs suitable predictors of plant species composition?We conducted a case study of three temperate open study sites with semi-natural vegetation. The canopy reflectance of permanent vegetation plots was measured on multiple dates over the vegetation period using a field spectrometer. We recorded the cover fractions of all plant species found in the vegetation plots and extracted gradients of species composition from these data. The physical PROSAIL leaf and canopy optical properties model was inverted with random forest regression models to retrieve time series of OTIs for each plot from the reflectance spectra. We analyzed these data sets using correlation analyses. This approach allowed us to assess the distribution of optical traits across gradients of species composition. The predictive performance of OTIs was tested in relation to canopy reflectance using random forest models.OTIs showed pronounced relationships with floristic patterns in all three study sites. These relationships were subject to considerable temporal variability. Such variability was driven by short-term vegetation dynamics introduced by local resource stress. In 72% of all cases OTIs out-performed the original canopy reflectance spectra as indicators of plant species composition. OTIs are also easier to interpret in an ecological sense than spectral bands or features. We thus conclude that optical traits retrieved from reflectance data have a high indicative value for ecological research and applications.     

基于MODIS时间序列反射率数据的雷竹林LAI反演

本文以雷竹林为研究对象,基于MODIS地表反射率数据构建了归一化植被指数(NDVI)、比值植被指数(SR)、Gitelson绿色植被指数(GI)、增强型植被指数(EVI)和土壤调整植被指数(SAVI)5种植被指数,并将其与MODIS 7个波段原始反射率数据作为遥感变量,采用逐步回归和相关分析两种方法进行变量筛选,结合LAI实测数据构建了逐步回归和BP神经网络两种模型,对雷竹林生态系统观测站点2014年1月-2017年3月LAI时间系列数据进行反演,并将反演结果与同时期MOD15A2 LAI产品进行对比分析.结果表明: SR为唯一入选逐步回归模型的变量;b₁、b₂、b₃和b₇以及5种植被指数与LAI之间的相关性均达到显著水平,可作为BP神经网络模型的输入变量.使用BP神经网络反演得到的LAI与实测LAI之间的相关性显著,R²为0.71,RMSE为0.34,RMSE_r为13.6%,其R²比逐步回归模型提高了10.9%,RMSE降低了5.6%,RMSE_r降低了12.3%,与MODIS LAI相比,其R²提高了54.5%,RMSE降低了79.3%,RMSE_r降低了79.1%.结合MODIS时间序列反射率和BP神经网络模型能够精确地反演雷竹林LAI,为实现基于遥感技术快速监测区域雷竹林LAI提供可行的方法.     

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.