冬小麦叶面积指数的高光谱估算模型研究

本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。     

不同传感器的模拟植被指数对水稻叶面积指数的估测精度和敏感性分析

本研究利用水稻冠层高光谱数据,模拟NOAA-AVHRR,Terra-MODIS和Landsat-TM的可见光波段反射率数据,计算各传感器的多种植被指数(NDVI,RVI,EVI,GNDVI,GRVI和Red-edge RVI),比较植被指数模型对水稻LAI的估测精度,分析不同植被指数对LAI变化的敏感性.相对于红波段植被指数,红边比值植被指数(Red-edge RVI)和绿波段指数GRVI与LAI有更好的线性相关关系,而GNDVI和LAI呈现更好的对数相关关系.MODIS的Red-edge RVI指数不仅模型拟合的精度最高,还有独立数据验证的估测精度也最高,而且它的验证精度较拟合精度下降幅度最小;其次是绿波段构建的GNDVI和GRVI植被指数的估测精度,再次是NDVI和EVI的估测精度,而RVI的估测精度最差.敏感性分析发现,13个植被指数对水稻LAI的估测能力都随着LAI的增加而下降,但归一化类植被指数和比值类植被指数对LAI变化反应的差异明显,归一化类植被指数在LAI较低时(LAI<1.5)对LAI变化的反应开始非常敏感,但迅速下降,而比值类植被指数在LAI较低时,明显小于归一化类植被指数,之后随着LAI的增大(LAI>1.5)比值类植被指数对LAI的变化敏感性,则明显高于归一化类植被指数.Red-edge RVI和绿波段指数GRVI和LAI不仅表现了很好的线性相关关系,而且在LAI大于2.9左右保持较高的敏感性.     

马尾松LAI与植被指数的相关性研究

以福建省永安市区为研究区,计算IRS-P6(LISS-Ⅲ)多光谱数据的DVI、EVI2、MSAVI、NDVI、RDVI、RVI及TNDVI等7种植被指数,并与使用LAI-2000测量的马尾松叶面积指数(LAI)建立相关关系,分析植被指数对马尾松LAI的影响。从决定系数(R2)和标准误差两个方面对基于不同植被指数的LAI反演模型进行定量分析,反演模型包括线性模型、二次曲线模型、幂函数曲线模型和指数曲线模型4种。结果表明,马尾松LAI与植被指数呈指数曲线相关或幂函数曲线相关。反演马尾松LAI,最佳的统计模型是指数曲线模型和幂函数曲线模型,较佳植被指数为TNDVI、NDVI和RVI,其指数曲线模型和幂函数曲线模型拟合的R2均高于0.76,且验证结果R2均高于0.84,但RVI指数反演的模型标准误差相对较大。总体而言,TNDVI和NDVI的指数曲线和幂函数曲线模型对马尾松LAI具有较好的预测性。     

叶面积指数遥感估算的三种回归模型分析北大核心CSCD

针对叶面积指数(LAI)估算方法的适用性和提高估算精度的问题,该文基于Landsat-7ETM+遥感影像,以都江堰市青城山地区为研究对象,利用LAI-2000对样地LAI进行观测采集,建立如归一化植被指数等4种常见植被指数的单植被指数线性、非线性回归模型和多植被指数组合的偏最小二乘回归模型,比较分析了不同植被指数和不同模型估算LAI的精度。实验结果表明,偏最小二乘回归法能有效解决因变量较多时权重系数难确定的问题,是估算LAI的一种有效方法。     

叶面积指数遥感估算的三种回归模型分析

针对叶面积指数(LAI)估算方法的适用性和提高估算精度的问题,该文基于Landsat-7 ETM+遥感影像,以都江堰市青城山地区为研究对象,利用LAI-2000对样地LAI进行观测采集,建立如归一化植被指数等4种常见植被指数的单植被指数线性、非线性回归模型和多植被指数组合的偏最小二乘回归模型,比较分析了不同植被指数和不同模型估算LAI的精度。实验结果表明,偏最小二乘回归法能有效解决因变量较多时权重系数难确定的问题,是估算LAI的一种有效方法。     

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。     

基于多源遥感数据的植被覆盖度反演方法比较研究

采用GF-1号、ZY-3号以及Landsat-8卫星数据,利用回归模型和像元二分模型,通过对建立的四类植被指数NDVI、MSAVI、MVI和RVI,结合野外调查数据,提出NSD的概念来评价模型及方法的精度。实测数据与各类遥感影像的4种植被指数间均存在着显著的相关关系;通过NSD精度验证,说明空间分辨率较低的遥感数据,在一定程度上提高了反演精度;在4类植被指数中,RVI与MSAVI对于三类数据反演精度较高,且MSAVI对于较低分辨率遥感数据可能具有更好的消除土壤背景影响的作用。     

引黄灌区水稻叶面积指数的高光谱估测模型

水稻叶面积指数（leaf area index,LAI）是评价其长势的重要农学参数,高光谱遥感能够实现叶面积指数的快速无损监测。为了寻找反演水稻LAI的最优植被指数,扩展水稻LAI高光谱估测模型的普适性,选取宁夏引黄灌区水稻为研究对象,通过设置不同氮素处理,借助相关分析、回归分析等方法研究高光谱植被指数与水稻LAI之间的定量关系,并通过确立的最优波段组合,构建4种植被指数与水稻LAI的高光谱反演模型。结果表明,水稻LAI在抽穗末期达到最大值,并随氮素水平的增加而增加;水稻冠层原始光谱反射率在400~722 nm和1 990~2 090 nm波段与LAI达到极显著负相关水平,在近红外区域760~1 315 nm与LAI呈极显著正相关。模型检验结果表明,以比值植被指数RVI（_850,750）为变量建立的水稻LAI估测模型最佳,研究结果可为水稻LAI的高光谱估测提供地域参考。     

利用不同植被指数估算植被覆盖度的比较研究

选用蔬菜地和草地2种植被类型,利用ASD光谱仪实测二者在不同覆盖度下的光谱响应,分析了归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、修正植被指数(MVI)、修改型土壤调节植被指数(MSAVI)以及全球环境监测植被指数(GEMI)等6种植被指数所用的最佳波段及其组合,进而研究了利用像元二分模型估算植被覆盖度时的不同植被指数的表现.结果表明,与蔬菜地植被指数相关系数较高的波段组合为620 ～ 740 nm谱段和780 ～ 900 nm谱段内波段的组合,与草地植被指数相关系数较高的波段组合为620 ～750 nm谱段和760 ～900 nm谱段内波段的组合,相关系数均达0.8以上;在高光谱数据构建的植被指数和模拟卫星数据构建的植被指数中,用DVI和MSAVI估算植被覆盖度,平均总体精度分别达到83.7％和79.5％,与其他4种植被指数相比,这2种指数更适合于利用像元二分模型进行植被覆盖度的估算.     

三峡库区森林叶面积指数多模型遥感估算

叶面积指数(leaf area index,LAI)是定量研究森林生态系统能量交换的一个重要结构参数。本文利用野外观测LAI,以及Landsat TM计算的7种常用植被指数和5个自定义植被指数,通过筛选建立了不同森林类型的LAI估算模型,其中,针叶林采用多元逐步回归模型,阔叶林与混交林采用主成分分析模型,最终通过多个模型估算三峡库区区域尺度森林LAI。利用样地实测LAI数据进行精度验证,针叶林、阔叶林和混交林的均方根误差分别为0. 829 4,1. 111 5和1. 790 9,判定系数R2均达到了0. 77以上。研究结果将为森林生态系统和碳循环研究提供基础数据。