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。     

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。     

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％.     

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.     

基于影像纹理特征的川西南山地常绿阔叶林有效叶面积指数的空间分析

遥感是获取叶面积指数（LAI）信息的最有吸引力的选择之一,但目前基于遥感数据的叶面积指数估测精度有限.本文以川西南山地常绿阔叶林为研究对象,基于地面调查的83个20 m×20 m样地和SPOT5数据,运用灰度共生矩阵法提取影像单波段、简单波段比图和主成分图的纹理信息,以不同图像处理方式的纹理参数作为辅助变量进行地统计分析估算有效LAI（LAIe）.结果表明： LAIe与不同方式处理图像的纹理参数存在不同程度的相关性,其中,与B₁波段、B₁/B₄和PC₁的均质性呈极显著相关关系.与以归一化植被指数（NDVI）为辅助变量相比,以纹理参数B₁波段、B₁/B₄和PC₁的均质性作为辅助变量估测LAIe的精度均有所提高,分别提高5.3%、11.0%、14.5%,还能在一定程度上降低统计误差.以NDVI、PC₁均质性作为辅助变量的LAIe空间地统计估测模型最优（R²＝0.840,RMSE=0.212）.本研究结果为合理地选择除植被指数外的其他辅助变量估测区域LAI的空间分布提供了一种新的思路和方法.     

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.     

卫星遥感监测产品在中国森林生态系统的验证和不确定性分析——基于海量无人机激光雷达数据

准确获取森林结构参数对森林生态系统研究及其保护有着重要意义。卫星遥感数据作为获取大尺度森林结构参数的重要数据源, 已被制作成各种植被监测产品并被应用于森林质量状况变化评估、森林生物量估算以及森林干扰和生物多样性监测等研究。然而, 这些卫星遥感植被监测产品针对中国复杂多样的森林区域缺乏有效验证, 在不同林况和地形条件下的不确定性也不明确。激光雷达具备高精度三维信息采集的优势, 在国内外已被广泛用于森林生态系统监测和卫星遥感产品验证。为此, 该研究利用在中国114个样地收集的153 km²的无人机激光雷达数据, 构建了我国森林结构参数验证数据集, 并以此为基础对3套全球遥感监测产品(全球叶面积指数(GLASS LAI)、全球冠层覆盖度(GLCF TCC)、全球冠层高度(GFCH))进行了像元尺度的验证, 并分析了其在不同坡度、覆盖度和林型条件下的不确定性。研究结果表明: 与无人机激光雷达获取的叶面积指数、覆盖度以及冠层高度相比, GLASS LAI、GLCF TCC、GFCH在中国森林区域均存在一定的不确定性, 且受林况和地形因素影响的程度不一致。对GLASS LAI和GLCF TCC影响的最大因素分别为林型和覆盖度; 而GFCH则更易受地形坡度和覆盖度的影响。     

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。     

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。     

植冠下土壤类型差异对遥感估算冬小麦叶面积指数的影响

遥感是从田块到区域乃至全球范围无损探测叶面积指数(LAI)的有效方法。土壤背景是LAI遥感研究的重要制约因素之一,而土壤类型是组成土壤背景的主要部分,对植被冠层-土壤的光学性质有重要影响,但目前植冠下土壤类型背景对遥感LAI估算的影响尚不明确。该文通过分析归一化差异植被指数、修正型土壤调节植被指数、修正的叶绿素吸收比率指数、红边拐点、红边振幅、红边面积、红边对数指数和归一化差异光谱指数在不同土壤类型下对LAI的敏感性,挖掘最不敏感的光谱参数;通过比较两种回归模型(偏最小二乘回归和随机森林回归)在单一土壤类型和多种土壤类型区对LAI的预测精度,探究将单一土壤类型下发展的LAI估算模型应用到复杂土壤类型地区时可能出现的问题。结果表明:(1)虽然8种光谱指数对LAI的敏感性因土壤类型不同而差异明显,但红边拐点受植冠下土壤类型影响最小;"lambda-by-lambda"波段优选算法不仅可以提供对LAI最敏感的光谱区间,而且可在一定程度上为抵抗植冠下土壤类型差异影响的光谱指数构建提供可行思路;(2)回归模型的LAI预测精度因是否考虑土壤类型而不同,但在小区域尤其是田块尺度研究时,对变量的解释能力是选择模型的第一考虑,而偏最小二乘回归在此方面优于随机森林回归;在未知地表先验知识的前提下,随机森林回归对大区域LAI估算比偏最小二乘回归适合,但地表先验知识的获取对LAI遥感估算仍然十分必要。     

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。     

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。     

3类典型温带山地森林的叶面积指数的季节动态: 多种监测方法比较

 叶面积指数(leaf area index, LAI)是定量描述冠层结构的最有效指标之一。鉴于森林冠层三维结构的高度复杂性和异质性, 迄今仍没有形成统一标准的LAI测量方法。该文利用LAI-2000冠层分析仪、CI-110冠层分析仪和半球摄影法(digital hemispherical photograph, DHP), 对北京东灵山地区以蒙古栎(Quercus mongolica)为主的落叶阔叶林、华北落叶松(Larix gmelinii var. principis-rupprechtii)林和油松(Pinus tabuliformis)林的有效叶面积指数(effective leaf area index, LAI_e)进行了动态监测, 探寻其季节变化规律。为准确地估算温带山地主要森林类型的LAI, 对光学仪器测量值进行了去除木质成分、聚集效应等校正, 与基于凋落物收集法的相应实测值进行了比较分析。结果表明: 3种典型森林在生长季期间叶片生长均呈现单峰型; 3种光学仪器测量方法的同期LAI_e数值大小顺序为: LAI-2000冠层分析仪>DHP>CI-110冠层分析仪。光学仪器的直接测量值LAI_e包含了木质成分的贡献, 钝化了季节动态的变化幅度, 这对有明显季节交替的落叶林尤为突出。经校正, LAI-2000冠层分析仪和DHP的测量值与实测值都表现出显著的相关性, 其中LAI-2000冠层分析仪最适于采用基于空隙大小的校正方法, 而基于空隙度和空隙大小的综合算法则是校正DHP的最佳选择。结合经济成本和野外实际操作等因素考虑, DHP具有更大的推广优势, 特别适用于温带山地落叶林。     

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。     

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.     

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.     

广西桉树人工林叶面积指数的估测及其校正

叶面积指数(Leaf area index, LAI)是森林生态系统重要的结构参数,通过遥感技术可反演区域LAI,但其可靠性需要地面准确的实测数据进行验证。选取广西国有高峰林场不同林龄的桉树(Eucalyptus robusta)人工林为对象,以异速生长法(Allometry)为对照,综合利用植物冠层分析仪法(LAI-2200)、跟踪辐射和冠层结构分析仪法(TRAC)、半球摄影法(DHP)以及地基激光雷达法(TLS)等间接法估测样地的LAI,并考虑木质成分以及聚集效应影响,进行相应的校正处理,为地面快速、准确测量桉树人工林LAI提供参考。结果表明：桉树人工林的比叶面积为125.37±13.38 cm~2/g,通过Allometry获得的LAI变化范围在1.65—3.84,平均为2.73,不同林龄间的差异均显著(P<0.05),随着林龄的增加呈现先增加后减少的趋势。在未校正情况下,LAI-2200、TRAC、DHP、TLS估算的LAI存在显著差异(P<0.05)。与对照相比,LAI-2200在幼龄林和过熟林中估算误差最小,TRAC在成熟林中估算误差最小。相对于完全去除法,利用...