玉米叶面积指数与高光谱植被指数关系研究

探讨以不同的植被指数建立的高光谱模型对玉米叶面积指数LAI的反演精度。实测不同水肥耦合作用下，玉米冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，采用高光谱红光波段（631~760 nm）与近红外波段（760~1 074 nm）逐波段构建NDVI、RVI、DVI、TSAVI、PVI植被指数，分别找出与LAI具有最佳相关性波段组合的植被指数，建立玉米LAI估算模型。结果显示，与LAI具有佳相关性的波段组合分别是NDVI（R760，R990）、RVI（R760，R1001）、DVI（R677，R1070）、TSAVI（R 760，R 975）、PVI（R658，R966），它们反演玉米LAI的确定性系数分别：R²>0.72、R²>0.74、R²＝0.95、R²>0.79、R²>0.95。结果表明，在玉米的整个生长季的47个样本中，通过PVI和DVI方式建立的遥感估算模型能够较为准确地估算玉米LAI，TSAVI次之，NDVI、RVI稍差。     

WorldView卫星16波段影像光谱特征分类

传统的高分辨率遥感卫星光谱分辨率较低,WorldView卫星在8个可见光G近红外多光谱波段的基础上,新增加的８个短波红外(short wave infrared,SWIR)影像,有助于提高影像提取地物信息能力。分析了WorldView卫星的16波段影像上各种地物的光谱特征和分类性能,提出了新的植被指数、水体指数和建成区指数。实验表明,相比于8波段影像,使用16波段影像分类能够显著提高各类地物特别是裸地、建筑物和道路的分类精度,总体精度提高约5.5％。基于16波段设计的新地物特征指数能更好地避免干扰地物,通过简单阈值提取地物,取得较高的提取精度。     

小麦时面积指数、覆盖率之间关系及遥感数值估算

前言叶面积指数LAI是确定作物长势与预报作物产量的一个重要农学参数。由于样本数目的庞大及不规则性,使其实地测量非常困难,且往往具有一定的破坏性,不能大面积推广。为此,根据植被的光谱特性,人们利用光谱数据,结合实测结果,对一些农学参数如叶面积指数LAI、覆盖率C_V,进行拟合,得到满意结果。Asrar、Wiegand等人的工作表明红外波段与红波段的比值RVI,归一化差ND和垂直植被指数PVI与叶面积指数LAI有着良好的相关性,并且与植被覆盖率C_V相关性也很好。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数(Leaf Area Index,LAI)对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数(Vegetation Index,VI),利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R~2为0.44～0.58;RMSE为0.16～0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R636))相比其他反演模型预测精度较高(R~2=0.58,RMSE=0.16);6种植被指数与LAI高度相关,相关性系数R2为0.85～0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R~2为0.66～0.72,RMSE为0.12～0.14;其中mNDVI构建的LAI估算模型(LAI=exp(2.76～1.77/mNDVI))精度最高(R~2=0.72,RMSE=0.13)。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

MODIS光谱指数监测小麦长势变化研究

利用多个时次的小麦地面光谱与相应的生理参量测量数据(140组)，构建了常见宽波段植被指数形式的MODIS(中分辨率成像光谱仪)光谱指数。首先确定反映作物长势的因子为生物量和LAI(叶面积指数)，以地面光谱模拟MODIS的波段1～19，穷尽所有波段两两组合，寻找同时与生物量和LAI关系显著且有物理意义的光谱指数NDSI和RDSI。综合分析得出了3个最佳的波段组合：(619，62)，(619，617)和(619，616)，这3种组合所对应的NDSI和RDSI与两个长势因子都达到99％显著相关，而且明显优于Mc)DIS自身的植被指数产品MODIS—NDVI和MODIS_EVI。与NDSI相比，RDSI对LAI更敏感。MODIS_EVI比MODIS_NDVI有显著改进，它与长势因子的相关性可达到95％置信度。对MODIS图像的初步分析表明，NDSI(619，617)能够增强云与其他地物的差异，有可能改进云的识别精度。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数（Vegetation Index,VI）,利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58;RMSE为0.16~0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58,RMSE=0.16）;6种植被指数与LAI高度相关,相关性系数R ²为0.85~0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R2为0.66~0.72,RMSE为0.12~0.14;其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72,RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

基于多态蚁群算法的高光谱遥感影像最优波段选择

由于传统蚁群算法搜索空间大,算法时间复杂度高等,导致基于传统蚁群算法的高光谱数据波段选择算法(ACA-BS)耗时长,算法效率低下,且易陷入局部最优。而多态蚁群算法能大大缩小算法的搜索空间,降低算法时间复杂度。因此,研究设计了基于多态蚁群算法的高光谱数据波段选择算法(PACA-BS)。从算法运行时间、波段子集的类别可分性及信息量、总体分类精度等方面对算法进行对比分析。用于实验的数据为Hyperion和AVIRIS高光谱影像。实验结果表明:PACA-BS的运行时间较ACA-BS大大减少;对Hyperion影像进行降维时,基于PACA-BS的运行时间约为ACA-BS的一半。两种算法获得的波段子集的类别可分性大小较为接近,但PACA-BS获得的波段子集的信息量和总体分类精度优于ACA-BS。研究表明PACA-BS是一种效率较高的高光谱波段选择算法。     

基于环境星HSI影像的草地叶面积指数反演

叶面积指数(Leaf Area Index,LAI)是定量研究陆地生态系统物质和能量交换的一个重要结构参数,具有重要的研究意义。针对HJ\|1A卫星HSI数据,利用野外实测LAI值,探讨利用HJ1A星HSI数据反演叶面积指数的可行性。选用比值植被指数(RVI)、归一化植被指数(NDVI)及改良型土壤调整植被指数(MSAVI)3种植被指数,与实测叶面积指数进行回归分析,构建回归模型。研究结果表明,基于影像提取的RVI、NDVI和MSAVI 3种植被指数均与叶面积指数有较好的定量关系。其中,MSAVI的拟合结果最优,其回归确定性系数为0.622。验证模型的确定性系数为0.547,均方根误差RMSE为0.202,说明实测和模拟LAI值之间具有较好的变化一致性。最后基于HJ1A星HSI影像和MSAVI的估测模型生成研究区叶面积指数空间分布图。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R ²为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。     

基于光谱归一化的马尾松LAI遥感估算研究

通过对比不同传感器间光谱响应函数的差异,研究基于光谱响应函数的不同传感器相似波段的归一化方法,探讨归一化后植被指数在马尾松叶面积指数（LAI）估算中的应用。以某一传感器为基准,根据波段总辐射率比值关系将其他卫星传感器归一化为基准传感器,然后计算其植被指数,建立LAI反演模型。为验证方法可行性,选取永安地区2008年3月获取的BJ-1CCD、IRS-P6LISS3和MODIS数据作为研究对象,根据三者的光谱响应函数差异,将BJ-1CCD和IRS-P6的LISS3的红光和近红外波段归一化为MODIS的相应波段,并分别计算归一化前后的NDVI值。结果表明归一化后不同传感器的植被指数关系与理想的关系y=x更加接近。利用归一化后的IRS-P6影像的NDVI反演马尾松LAI,并将其应用于MODIS和BJ-1传感器,得到归一化后不同传感器的植被指数值基本相等,表明归一化以后的植被指数应用于LAI的估算具有一定的普适性,能适用于多种传感器。     

Leaf Area Index derivation from hyperspectral vegetation indicesand the red edge position

The aim of this study was to compare the performance of various narrowband vegetation indices in estimating Leaf Area Index (LAI) of structurally different plant species having different soil backgrounds and leaf optical properties. The study uses a dataset collected during a controlled laboratory experiment. Leaf area indices were destructively acquired for four species with different leaf size and shape. Six widely used vegetation indices were investigated. Narrowband vegetation indices involved all possible two band combinations which were used for calculating RVI, NDVI, PVI, TSAVI and SAVI2. The red edge inflection point (REIP) was computed using three different techniques. Linear regression models as well as an exponential model were used to establish relationships. REIP determined using any of the three methods was generally not sensitive to variations in LAI (R ² < 0.1). However, LAI was estimated with reasonable accuracy from red/near-infrared based narrowband indices. We observed a significant relationship between LAI and SAVI2 (R ² = 0.77, RMSE = 0.59 (cross validated)). Our results confirmed that bands from the SWIR region contain relevant information for LAI estimation. The study verified that within the range of LAI studied (0.3 ≤ LAI ≤ 6.1), linear relationships exist between LAI and the selected narrowband indices.     

基于多角度微波辐射亮温数据反演冬小麦光学厚度

基于高级积分方程模型(Advanced Integrated Emission Model,AIEM),构建了包含宽范围土壤参数的C波段(6.925GHz)多角度裸露土壤发射率模拟数据库,利用该模拟数据分析了不同观测角度的裸露土壤发射率极化差之间的关系。在此基础上,结合ω-τ零阶辐射传输模型发展了C波段低矮植被光学厚度反演算法,并利用地基微波辐射计观测数据开展了冬小麦的光学厚度反演。结果显示,冬小麦光学厚度反演结果与实测冬小麦LAI在变化趋势上具有较好的一致性,反演算法具有一定的可行性。     

呼伦贝尔草甸草原MODIS/LAI产品验证

以内蒙古呼伦贝尔草甸草原为研究区域,利用2013年6期地面实测数据,结合HJ-1A/B CCD高分辨率影像,经过辐射校正与模型建立,对研究区域草原生长季的MODIS/LAI产品进行验证。结果表明:在时间上,MODIS/LAI产品能够较好地反映草原的长势与物候变化。在空间上,由于MODIS/LAI产品输入数据的不确定性,MODIS/LAI产品与地面情况存在一定偏差(ΔLAI=0.59m2/m2),在呼伦贝尔草甸草原草场整个生长季都存在高估现象,平均相对误差为40%。在生长初期和末期,较大的地表异质性使MODIS/LAI产品高估现象较严重;生长中期高估现象减小,相对误差在30%以内。研究结果对了解该地区的MODIS/LAI产品精度与使用该地区MODIS/LAI产品具有重要指导意义。     

森林叶面积指数遥感反演模型构建及区域估算

基于eCognition面向对象分类算法及校正后的TM遥感影像,获取研究区2010年土地利用/覆被数据。同时在ArcGIS平台下,提取遥感影像6个波段反射率及RVI、NDVI、SLAVI、EVI、VII、MSR、NDVIc、BI、GVI和WI等10个植被指数,并辅助于DEM、ASPECT、SLOPE等地形信息,在与植物冠层分析仪(TRAC)实测各森林类型叶面积指数相关性分析的基础上,研究表明:相对多元线性回归方法,偏最小二乘法能够更好地把握各森林类型LAI动态变化,而后结合研究区森林覆被信息进行区域估算。     

西南地区不同山地环境梯度叶面积指数遥感反演

叶面积指数(LAI)遥感估算是植被定量遥感研究的热点之一,监测植被LAI时空变化对于研究陆地生态系统碳循环及全球变化等具有非常重要的意义。在我国西南山区设置10个50km×50km的观测样区作为研究区,其中包括5个森林生态系统样区、3个农田生态系统样区和2个草地生态系统样区。分别获取不同优势植被类型LAI地面实测数据,结合同期获取的遥感数据,考虑地形因素影响,基于偏最小二乘原理分别构建各样区LAI遥感估算模型,并采用交叉验证的方式对模型精度进行评价。结果表明:考虑了海拔、坡度和坡向等地形因子的森林LAI遥感反演模型与未考虑地形变量的模型相比,其验证精度有所提高,R2由0.30~0.75提高至0.50~0.80,RMSE由0.52~0.93m2/m2降低至0.48~0.89m2/m2;所有样区优势植被类型LAI反演模型验证R2在0.40~0.80之间,RMSE在0.22~0.89m2/m2之间。发展的LAI遥感估算方法有助于认知山地植被LAI反演的地形效应问题,可为进一步的山地植被长势监测提供科学依据。     

基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究

地上生物量是衡量草地长势及生态系统服务功能的重要参数,对于草地生态系统碳收支、资源可持续开发等研究具有重要意义。研究基于若尔盖高原典型样带的无人机可见光影像和地面实测样本,建立生物量与多种可见光植被指数的指数回归模型,对比不同植被指数模型的生物量估算精度的差异。结果表明:可见光植被指数能够有效区分草地和其他覆盖类型,生物量与植被指数具有较好的相关关系。但基于不同波段建立的植被指数对生物量的估算精度存在差异,其中利用红、绿波段建立的植被指数NGRDI模型对生物量具有最高的模拟精度(R~2=0.856)和预测精度(验证样本ABE=94g/m~2,RMSE=124g/m~2)。研究获取了高空间分辨率的草地地上生物量,相关成果可为若尔盖高原碳收支、卫星遥感产品真实性检验、生态模型、资源可持续利用等研究提供方法与数据支撑。     

最小二乘法联合光学与雷达遥感数据估算玉米叶面积指数

针对单源数据经验模型估算精度较低等问题,提出采用最小二乘法联合光学和雷达遥感数据构建联合估算模型,以中国科学院河北怀来遥感综合实验站为研究区,以夏季玉米为研究对象,利用Landsat8和Radarsat2影像实现研究区叶面积指数估算:首先分别建立了多光谱数据和雷达数据与实测叶面积指数之间的回归模型,然后利用最小二乘算法联合不同数据间的回归模型构建估算模型,最后利用迭代法估算叶面积指数并通过验证数据对估算结果进行评价分析,同时与单源数据经验模型、多源数据加权平均模型和基于物理模型查找表估算结果进行对比。通过对研究区59个样本点数据分析表明:基于最小二乘算法联合光学与雷达遥感数据能够提高叶面积指数的估算精度(R2=0.5442,RMSE=0.81),优于单源遥感数据拟合经验模型(DVI经验模型:(R2=0.485,RMSE=1.27))、基于权重的光学微波联合模型(R2=0.447,RMSE=1.36)和物理模型查找表法(R2=0.333,RMSE=1.36),并当叶面积指数大于3时,对其由于信息饱和或误差引起的低估或高估现象具有一定的抑制作用。     

Retrieval Rice Leaf Area Index Using Random Forest Algorithm based on GF-1 WFV Remote Sensing Data

Leaf Area Index(LAI) is an important indicator of vegetation growth and reflects the productivity of farmland ecosystems.In this study,rice LAI was mapping using LAI retrieved model based on rice vegetation indexes from multi\|temporal GF\|1 WFV and situ LAI measurements data obtained in different rice growing periods over rice fields taking Dongtai county,Jiangsu province as a case study.The LAI retrieval model was constructed using random forest algorithm(RF).Results showed that the RF model achieved high accuracy that the RMSE was 1.03 and the coefficients of determination(R²) between retrieved LAI and measured LAI reached 0.88.The mean relative error between retrieved LAI and measured LAI in different growing periods was 15%.The trend of rice LAI could be reflected by the retrieved value and GF\|1 WFV data has high ability to distinguish the waters and road network in study area.     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index, LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detec-tion and Ranging, LiDAR） 和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest, RF） 回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m²,研究发现最高的点密度（420 points/m²）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获得的LAI反演精度（PLSR：R²=0.874,RMSE=0.317;RF：R²=0.942,RMSE=0.222）高于基于植被指数获得的LAI反演精度（PLSR： R²=0.741,RMSE=0.454;RF：R²=0.861,RMSE=0.338）,而使用组合变量构建预测模型的反演精度（PLSR：R²=0.885, RMSE=0.304;RF：R²=0.950,RMSE=0.203）优于使用单一变量建立的LAI预测模型,其中利用联合LiDAR变量和植被指数建立的随机森林回归模型为最优预测模型。因此,将两种数据源融合在提高植被LAI反演精度方面具有一定的潜力。     

Retrieval of leaf area index for a coniferous forest by inverting a forest reflectance model

The aim of this paper was to serve as a pilot study for running a physically based forest reflectance model through an operational forest management data base in Finnish coniferous forests. The LAI values of 250 boreal coniferous stands were retrieved with the physically based model by inversion from a SPOT HRVIR1 image. The use of three spectral vegetation indices (NDVI, RSR and MSI) in LAI estimation was tested for the same stands. Ground-truth LAI was based on an allometric model which can be applied to routine stand inventory data. Stand reflectances were computed as an average of reflectances of the pixels located within the digital stand borders.The relationships of LAI and spectral vegetation indices calculated from the SPOT data were very scattered. RSR exhibited the widest range of values (and the highest correlation with LAI), suggesting it to be more dynamic than MSI or NDVI. Inversion of the reflectance model was done twice: first using as simultaneous input three wavelength bands (red, NIR and MIR), then only the red and NIR bands. The aim was to observe whether including the MIR band in the inversion would improve the inverted LAI estimates or if using only the red and NIR bands would result in the same reliability of inverted values. The motivation for examining the influence of the MIR band resulted from several recent studies from the boreal zone which suggest that the pronounced understory effect could be minimized by the inclusion of the MIR band. The LAI values inverted by the model were slightly larger than the ground-truth LAI values. A minor improvement in LAI estimates was observed after the inclusion of the MIR band in reflectance model inversion. The errors in the ground-truth LAI were uncertain and the background understory reflectance was expected to be highly variable. Thus, the quality of the data used may be to a large extent responsible for the observed low utility of the tested channels.