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。     

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.     

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。     

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。     

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.     

杨树林全生长期LAI遥感估算模型适用性

基于时间序列的植被叶面积指数(LAI)估算方法一直是遥感领域研究的热点,对植被全生长期LAI进行估算以跟踪其生长情况具有重要的实用意义。以此为出发点,以滁州地区杨树林为研究对象,获取多时相环境卫星CCD(简称HJ-CDD)遥感影像,并利用LAI-2000同步测量杨树林叶面积指数(LAI)。使用归一化植被指数(NDVI)分别建立展叶期、花果期、叶面积稳定期和落叶始期的LAI估算模型,通过对比分析得到了全生长期LAI估算模型,并利用实测LAI对估算LAI进行了验证。最后进一步对该模型的适用性进行了验证,结果表明,此模型对于各个时期LAI的估算具有一定的适用性和有效性,可用于全生育期的遥感LAI生成,从而为LAI的动态变化监测提供了一种有效的研究思路和方法途径。     

高光谱与拟合多光谱植被指数反演武夷山亚高山草甸LAI的对比研究

植被叶面积指数(Leaf Area Index, LAI)是重要的生态学参数, 被广泛用于指示植被密度、生物量、碳、氮物质循环以及气候变化对生态系统的影响, 也作为生态过程模型的重要输入参数。地面实测高光谱遥感数据能以更高的空间分辨率及更高的光谱分辨率监测植物的光谱特征, 为精准反演LAI提供了基础。本项研究以武夷山国家公园黄岗山顶的亚高山草甸为研究对象, 通过建立多种高光谱植被指数和拟合多光谱植被指数反演叶面积指数的统计模型, 并比较高光谱与多光谱对叶面积指数反演的效果, 阐明用于反演高覆盖率亚高山草甸的最适高光谱和拟合多光谱植被指数。结果表明: 高光谱新植被指数(NVI)对于反演LAI有最好的效果, R2 = 0.85, P < 0.01; 依据高光谱NVI拟合而成的多光谱NVI反演结果次之, R2 = 0.82, P < 0.01。几种常用比值植被指数NDVI、MSR、RVI和GNDVI在高光谱和拟合多光谱反演结果中相差不大, 表现较好, R2都在0.65以上。通过对比高光谱和拟合Sentinel-2A和Landsat-8两种多光谱卫星波段的反演结果发现, 光谱响应函数中具有更窄波段范围的近红外、红、绿、蓝波段构成的植被指数可以得到更好的反演结果, 而固定波段的高光谱植被指数未必在每种植被指数中都具有最好的反演效果。同时, 发现当某种植被指数反演LAI的线性回归方程的斜率越大, 说明这种植被指数越有可能随LAI的增大而出现饱和现象, 相反的, 斜率越小则说明该种植被指数没有出现饱和现象。此外, 在研究区内使用高光谱和拟合多光谱波段植被指数法反演LAI, NDVI都获得了较好的效果, 存在很好的线性关系, 之前的很多研究和判断都认为NDVI不适用于反演高覆盖植被的LAI, 这个发现是具有意义的, 表明高覆盖植被的叶面积指数在一定范围内是能够被NDVI(应用最广泛的植被指数)较好的反演, 进一步扩展了NDVI反演LAI的适用性和可能性。     

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.     

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。     

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。     

基于植被指数的典型草原区生物量模型——以内蒙古锡林浩特市为例

利用遥感估测地上生物量是国内外生态学与地理学的研究热点。但基于植被指数的生物量回归模型结果差异较大,究竟哪种植被指数与哪种模型更适合典型草原的生物量反演,是现代草地遥感急需解决的问题之一。该文基于TM影像数据的不同植被指数(VI)差异性,分别选取了RVI(比值植被指数)、NDVI(归一化差异植被指数)、SAVI(土壤调节植被指数)、MASVI(修改型土壤调整植被指数)和RSR(简化比率植被指数)5种植被指数,与同期的内蒙古典型草原区地面实测地上生物量做相关分析,分别建立了5种植被指数与地上生物量的线性及3种非线性(对数、二次多项式、三次多项式)回归模型。研究结果表明:对于中国北方典型草原区而言,地上生物量与5种植被指数(RVI、NDVI、SAVI、MSAVI和RSR)均呈现出显著相关,但地上生物量与后4种植被指数是正相关,与RVI为负相关;利用5种植被指数(RVI、NDVI、SAVI、MSAVI和RSR)监测草地植被生物量的复相关系数均大于0.6,充分说明利用植被指数检测典型草原生物量是一种简单可行的方法;NDVI建立的生物量回归模型,其复相关系数大于其它4类植被指数(RVI、SAVI、MSAVI和RSR),说明NDVI-生物量模型优于植被指数RVI、SAVI、MSAVI和RSR 模型,其模拟地表生物量的效果好;对于TM影像来说,植被生物量的线性模型与3种非线性模型(三次多项式生物量模型、二次多项式生物量模型、对数模型)都表现出较好的模拟效果,都通过了0.01的显著性检验,而且该研究的结果显示出三次多项式生物量回归模型最优,其次是二次多项式生物量模型,再次是线性模型,相对较差的是对数模型。通过NDVI-生物量三次多项式回归模型模拟锡林浩特草原的生物量,可以看出整个研究区的地上生物量基本上是东高西低、东南高西北低的趋势,这与研究区的地形、气候及土地利用等多种因素有关。     

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。     

森林生态系统立地指数的遥感分析

森林生态系统立地指数分析和立地质量的评估是森林生态系统经营管理和造林营林的重要理论基础与规划方法,也是研究森林生态系统生产力的重要内容.由于技术的限制,迄今为止,还没有实现森林生态系统立地空间分布格局的分析和开展立地条件随时间动态变化的研究.卫星遥感为大面积研究森林生态系统的生产力及其空间分布格局和动态提供了一条重要的途径.以云杉为对象,利用卫星遥感为研究手段,在岷江上游的四川西北部松潘镇江关流域研究森林生态系统立地指数的空间分布特点,探索有关遥感反演模型的建立,并通过有关精度的评估分析这种高技术应用的价值和潜力.研究结果表明,遥感植被指数NDVI和TNDVI与野外实测云杉立地指数（SI）基本为线性相关.通过对模型模拟结果和实际测定结果的比较研究,发现在1：1比例的分析图中,NDVI和TNDVI的遥感反演模型都有很好的拟合效果与较高的精度,说明通过遥感植被指数的方法测定森林立地指数具有较高的实用价值.     

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.     

基于TM遥感影像的陕北黄土区结构化植被因子指数提取

根据结构化植被因子指数的概念,以TM影像为信息源,探讨了利用遥感技术提取陕北黄土区结构化植被因子指数（C_s）的途径与方法.结果表明：在陕北黄土区,C_s能更好地描述植被群落的水土保持效益,其与绿度植被指数（归一化植被指数NDVI、修正土壤调整植被指数MSAVI）和黄度植被指（归一化差异衰败指数NDSVI、归一化耕作指数NDTI）等单一的遥感植被指数虽然均存在良好的相关关系,但用绿度与黄度植被指数相结合可综合反映植被的水土保持功能,能较好地克服单一指数在描述植被控制水土流失中的不足;MSAVI、NDTI分别是基于遥感影像提取C_s较为理想的绿度和黄度植被指数;根据群落结构化植被因子指数与遥感植被指数的关系推算区域尺度上的结构化植被因子指数是可行的,但由于不同地区植物物候期的差异,要使该方法在其他地区适用,仍需开展相应的率定和验证工作.