GLIBERTY-DSAIL耦合模型反演南方混交林植被LAI

针对南方丘陵地区针叶-阔叶混交林植被叶面积指数（leaf area index，LAI）反演精度低且研究较少的问题，本文提出了一种GLIBERTY-DSAIL耦合模型组合多元线性回归反演LAI的方法。本研究以GLIBERTY-DSAIL模型模拟光谱和植被实测高光谱为数据源，通过相关性分析，选取与LAI相关性高的植被指数作为反演因子，构建多元线性回归模型定量反演植被LAI并进行精度评定。结果表明：与LAI显著相关的RVI、DVI、GNDVI、MSAVI这4种植被指数作为反演因子，结合本文提出的组合模型反演LAI，模型预测决定系数R²为0.708 6，均方根误差RMSE为0.302 1，精度整体较高。该组合方法可较好地用于反演针叶-阔叶混交林植被LAI，为南方地区混交林LAI的研究提供新思路。     

极限学习机辅助下路域植被叶面积指数的反演

路域植被叶面积指数(LAI)的获取对于路域植被长势和健康状况的监测具有重要意义。本文以GF-1影像和地面同步实测数据为基础,利用极限学习机(ELM)对湖南省醴潭高速路域植被LAI进行了建模反演。试验结果表明,与传统经验回归模型、SVM模型相比,ELM反演精度更高,RMSE为0.501,预测精度为86.26%。该研究可为路域植被健康评估提供参考。     

经验模型与PROSPECT+4SAIL模型反演路域LAI比较研究

遥感定量分析方法能够通过生物量相关因子直观反映路域植被的生长过程,为探索公路建设运营对自然环境的影响及其影响的复杂性提供强有力的技术手段。利用高分辨率IKONOS影像,研究两种遥感解译方法反演路域植被叶面积指数(LAI),对比分析其结果与精度,探索适用于路域生态环境这一特殊生态区域植被LAI的反演方法。研究表明,物理模型法较经验模型法更具有适普性和准确性,更适用于路域植被LAI的反演,精度更高。     

基于GF-2卫星数据的孕穗期小麦叶面积指数反演——以河北省廊坊市为例

叶面积指数(leaf area index,LAI)是评价植被长势和预测产量的重要农业生理生态参数。高分2号(GF-2)卫星数据具有高空间分辨率特点,能反映更多细节信息,针对该数据特点的LAI反演方法具有较高的研究价值。以河北省廊坊市万庄镇为研究区,对孕穗期小麦采用了回归模型和神经网络算法反演LAI;采用4种植被指数与实测LAI值构建回归模型,同时重点探讨了PROSAIL模型结合神经网络方法进行LAI反演。研究结果表明,在回归模型中,归一化植被指数(normalized difference vegetation index,NDVI)的二项式模型估算LAI可以获得最高精度,采用实测数据验证的决定系数(R2)和均方根误差(root mean square error,RMSE)分别为0.719 3和0.393 6;与回归模型相比,神经网络反演LAI方法更显著提高了精度,R2和RMSE分别达到0.900 8和0.273 2。基于GF-2卫星数据,在研究区小麦孕穗期,神经网络反演LAI具有较强可行性和适用性,可为高空间分辨率卫星影像的LAI反演提供参考。     

基于三维随机辐射传输模型的高分一号中国叶面积指数产品算法

叶面积指数LAI (Leaf Area Index)是研究植被生态系统结构和功能的核心参数之一，遥感是获取大范围动态LAI的一个主要技术手段。目前国际上没有高分辨率的LAI标准化产品。本文基于三维随机辐射传输（3D-SRT）模型查找表算法研究了适用于国产高分辨率卫星高分一号宽幅相机（GF-1 WFV）的叶面积指数反演算法。模型中单次散射反照率和不确定性等参数与波段设置和波段稳定性相关。算法在全国范围内选取不同植被类型的均质样点，统计地表反射率的差异特征，调整全国6种植被类型各波段的单次散射反照率、不确定性等算法参数，进而构造适用于GF-1 WFV传感器的查找表以进行LAI的反演。研究中使用新疆维吾尔自治区石河子地区、内蒙古自治区四道桥包含农作物、森林等共359组实测地面数据开展LAI验证。验证结果表明，和调整参数前的反演结果相比，优化后的算法均方根误差RMSE可由算法优化前的1.209下降至0.804，决定系数R2由0.659提高至0.883，反演成功率RI可由25.3%提高至73.8%，算法精度和稳定性较高，更适用于GF-1叶面积指数的反演。将其应用于GF-1卫星影像上，生产了201...     

基于CASI数据的黑河绿洲区叶面积指数反演

叶面积指数(leaf area index,LAI)作为植被冠层的重要参数,对作物长势监测及产量估算具有重要意义。本研究以黑河流域张掖绿洲试验区为例,基于机载航空高光谱遥感影像(compact airborne spectrographic imager,CASI)数据,利用物理模型与统计模型对研究区的LAI进行估测反演。首先,利用归一化植被指数(normalized difference vegetation index,NDVI)与相应实测LAI数据建立最佳线性回归模型;然后,基于混合像元分解模型和多次散射植被冠层模型构建物理模型;最后,以线性回归模型为参比修正多次散射植被冠层模型,构建半经验LAI反演模型,并比较上述模型拟合效果。研究结果表明,半经验模型为绿洲区LAI反演最优模型,模型估算精度R2达到0.89,精度提高较显著。研究对提升作物LAI的估算精度有一定意义,并将进一步推动精细农业定量遥感理论的研究与应用。     

利用辐射传输模型和随机森林回归反演LAI

针对辐射传输模型与查找表结合反演叶面积指数的方法存在反演工作量大且反演速度缓慢的问题,提出利用辐射传输模型和随机森林组合模型对路域植被叶面积指数进行估算的方法。该模型定义一种辐射传输模型和随机森林回归模型结合反演叶面积指数的方法。以研究区实测高光谱数据和模拟光谱数据为数据源,在相关性分析和敏感性分析的基础上,选取适宜作为反演因子的植被指数,而后进行随机森林算法回归,反演得到预测叶面积指数。结果表明:基于辐射传输模型和随机森林算法反演的路域植被叶面积指数与实测结果一致,准确及时的反映路域植被叶面积指数信息,可以较好地应用在路域环境植被参数反演中。     

基于TM的辐射传输模型反演叶面积指数可行性研究

基于PROSAIL辐射传输模型，引入土壤反射指数SRI来简化模型，提出直接从反射率计算SRI的方法；  同时，针对不同的植被状况，采取不同波段组合对模型的参数进行敏感性分析，确定自由参数与反演波段组合，提出一种基于不同植被状况的叶面积指数反演策略； 最后，应用遗传算法对模拟的TM光谱反射数据进行实验。结果表明，对于LAI＜3的植被，反演精度较高； 但是对于LAI＞3的植被，反演精度较低，其原因主要是冠层反射对LAI不再敏感。因此，辐射传输模型反演LAI有一定适用范围，只有在此范围内LAI的反演精度才可靠。     

无人机与卫星影像的叶面积指数遥感反演研究

针对卫星遥感影像获取的叶面积指数精度较低的问题,该文结合无人机低空航拍影像和卫星影像,基于最小二乘法建立了一种叶面积指数遥感反演方法,并与卫星影像像元二分模型进行了比较。结果表明:从单一植被类型到整体植被叶面积指数的反演,新方法均优于卫星影像的像元二分法,两者整体相对误差分别为27%和35%。4种植被类型中,草本植物对模型的反演精度影响较大,两者相对误差分别为32%和56%。使用该方法准确计算了长汀县相关区域叶面积指数分布,与他人结果一致。该方法提高了卫星遥感影像获取叶面积指数的精度,为大面积高精度估算区域植被提供了一种方法。     

基于PROSPECT＋SAIL模型的遥感叶面积指数反演

以PROSPECT+SAIL模型为基础，从物理机理角度反演植被叶面积指数(LAI)。首先，通过FLAASH模型进行大气校正，使得图像像元值表达植被冠层反射率； 然后，根据LOPEX 93数据库和JHU光谱数据库选择植物生化参数和光谱数据，以PROSPECT模型模拟出的植物叶片反射率和透射率作为SAIL模型的输入参数，得到植被冠层反射率，将结果与遥感影像的植被冠层反射率对应，回归出植被LAI； 最后，以地面实测数据对遥感反演数据进行验证，并分析了误差的可能来源。