内蒙古不同类型草地叶面积指数遥感估算

叶面积指数(Leaf Area Index,LAI)是重要的植被结构参数,反演LAI是植被遥感的重要研究内容之一。根据在内蒙古呼伦贝尔和锡林浩特草原利用LAI 2000观测的草地LAI,比较了不同植被指数(SR、RSR、EVI、NDVI、SAVI和ARVI)估算不同类型草地LAI的能力,建立了基于Landsat-5 TM遥感数据的LAI估算模型,并利用LAI观测数据对模型进行了检验,生成了研究区内草地LAI分布图,据此对MODIS LAI产品一致性进行了评价。结果表明,在呼伦贝尔和锡林浩特两个研究区,RSR与LAI的相关性最高(R²分别为0.628、0.728,RMSE分别为0.512、0.490),在低密度草地,RSR的优势更为明显;验证表明,根据RSR建立的LAI估算模型的精度可达70%;利用TM数据生成的两个地区的LAI(TM LAI)空间变化明显,锡林浩特草地的LAI值整体上低于呼伦贝尔草地;在呼伦贝尔和锡林浩特,MODIS LAI产品与TM LAI一致性分别为0.566,0.323,MODIS LAI产品高估了呼伦贝尔草地LAI值,而在锡林浩特研究区则存在低估现象。     

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。     

基于遥感降尺度估算中国森林生物量的空间分布

森林生物量是陆地生态系统重要的碳库,其大小与空间分布特征直接影响森林的碳汇潜力。基于空间降尺度技术,以中国第六次国家森林资源清查资料为基础,同时结合1∶100万植被分布图及同期的基于MODIS反演的NPP空间分布,定量估算了1 km分辨率下我国森林生物量的空间分布。结果表明:(1)降尺度技术能有效结合遥感数据的空间特征与地面详查资料的统计特征,从而较好地解决当前生物量估算的区域尺度转化问题;(2)我国森林生物量存在明显的空间分布规律,与水热条件的空间分布格局基本一致,表现为西部较低东部较高,大型山脉分布处较高;(3)我国森林生物量总量11.0 Pg,平均生物量74.8 Mg/hm2,其中高值区主要集中在东北大小兴安岭和长白山地区、新疆山区、西南横断山脉地区以及东南武夷山地区。     

植被叶面积指数遥感反演的尺度效应及空间变异性

遥感作为宏观生态学研究中数据获取的一种便捷手段,有助于把握较大尺度内生态学现象的特征.应用遥感数据反演LAI时,由于像元的异质性,不同尺度遥感数据之间的转换是遥感发展的一个重要问题.以河北省黄骅市为研究区,在利用TM和MODIS遥感数据对芦苇LAI反演误差产生原因进行分析的基础上,利用半变异函数对像元空间异质性进行了定量描述.发现NDVI算法的非线性带给LAI尺度转换的误差很小,而LAI的空间异质性则是引起LAI尺度效应的根本原因.并且当像元内空间异质性很大时半变异函数的基台值比纯像元要大得多,空间自相关的程度是引起LAI尺度转换误差的主要原因;反之,像元内空间异质性不大时,随机误差是引起LAI尺度转换误差的主要原因.当像元为纯像元时,由像元异质性引起的反演误差基本可以忽略.此外,研究区芦苇的空间相关有效尺度约为360m,超过此距离空间相关性则不复存在.     

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.     

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。     

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。     

基于高分辨率遥感影像的森林地上生物量估算

以南京市紫金山林区为研究区,利用e-Cognition面向对象分类方法,基于光谱和空间信息融合后的IKONOS影像提取单木树冠阳性冠幅(PoCA, Positive crown area)信息,并结合野外实测的样方生物量数据,分别建立了针叶林和阔叶林地上生物量 (AGB, Aboveground Biomass)的遥感估算模型,并利用实测森林生物量数据对模型进行了验证。结果表明,基于遥感影像提取的PoCA与实测AGB存在较好的非线性相关关系,所建针叶林AGB估算模型的可靠性优于阔叶林模型。对建模样本而言,估算的针叶林和阔叶林AGB与观测数据比较的R2分别为0.62 (P<0.01,n=9) 和0.56(P<0.01,n=16)。验证表明,所建AGB估算模型的可靠性较好,估算的针叶林和阔叶林AGB与观测数据比较的R2分别为0.55(P<0.01,n=6) 和0.52(P<0.01,n=10),但当AGB较低时,模型结果偏高,AGB较低时,模型结果偏低。研究说明通过高分辨率遥感数据的融合、提取树冠信息进行生物量估算是可行性的。     

基于快鸟影像纹理特性的刺槐林叶面积指数估算

以渭北地区刺槐林为研究对象,通过计算高分辨率影像不同窗口的纹理参数,分别运用一元一次方程、一元二次方程、乘幂模型和指数模型,研究刺槐林野外实测叶面积指数（LAI）与快鸟影像纹理参数间的相关关系,遴选黄土高原地区估算刺槐林LAI最适合的纹理参数以及计算窗口大小.结果表明： 纹理指数对LAI反演精度影响显著,其中角二阶矩阵和熵的估算精度明显高于其他纹理指数;计算窗口的大小显著影响LAI反演精度,非相似度和对比度的反演精度在窗口9×9达到最大,其余纹理指数对于LAI的估算精度随着计算窗口的变大不断降低,在窗口3×3时达到最大;乘幂模型的估算精度低于其他3种方法.     

多源多角度遥感数据反演森林叶面积指数方法

利用北京1号和Landsat多源数据组合成4个角度多波段数据集,在考虑森林三维垂直分布特点的基础上,结合INFORM几何光学与辐射传输混合模型,通过聚类＋神经元网络方式,建立相应的多源多角度LAI反演模型。最后利用实地LAI测量数据和MODISLAI产品,对不同角度组合和噪声水平下的LAI反演结果进行验证。结果表明：在保证数据质量的条件下,通过增加角度可以提高森林的LAI反演精度,最终R2=0.713,RMSE=0.957,比单个角度的反演精度平均提高约20%。     

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.     

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。     

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。     

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.     

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。     

Global synthesis of leaf area index observations: implications for ecological and remote sensing studies

Aim We present the first global synthesis of plant canopy leaf area index (LAI) measurements from more than 1000 published estimates representing ～400 unique field sites. LAI is a key variable for regional and global models of biosphere‐atmosphere exchanges of energy, carbon dioxide, water vapour, and other materials. Location The location is global, geographically distributed. Results Biomes with LAI values well represented in the literature included croplands, forests and plantations. Biomes not well represented were deserts, shrublands, tundra and wetlands. Nearly 40% of the records in the database were published in the past 10 years (1991–2000), with a further 20% collected between 1981 and 1990. Mean (± SD) LAI, distributed between 15 biome classes, ranged from 1.3 ± 0.9 for deserts to 8.7 ± 4.3 for tree plantations, with temperate evergreen forests (needleleaf and broadleaf) displaying the highest average LAI (5.1–6.7) among the natural terrestrial vegetation classes. Following a statistical outlier analysis, the global mean (± SD) LAI decreased from 5.2 (4.1) to 4.5 (2.5), with a maximum LAI of 18. Biomes with the highest LAI values were plantations > temperate evergreen forests > wetlands. Those with the lowest LAI values were deserts < grasslands < tundra. Mean LAI values for all biomes did not differ statistically by the methodology employed. Direct and indirect measurement approaches produced similar LAI results. Mean LAI values for all biomes combined decreased significantly in the 1990s, a period of substantially more studies and improved methodologies. Main conclusions Applications of the LAI database span a wide range of ecological, biogeochemical, physical, and climate research areas. The data provide input to terrestrial ecosystem and land‐surface models, for evaluation of global remote sensing products, for comparisons to field studies, and other applications. Example uses of the database for global plant productivity, fractional energy absorption, and remote sensing studies are highlighted.     

不同利用状况下草原遥感估产模型

在内蒙古自治区的温性草甸草原、温性草原、温性荒漠草原、温性草原化荒漠和温性荒漠5种具有代表性的草地类型区地面观测数据的基础上,考虑草地的利用状况信息,分类建立了产草量与4种植被指数(由MODIS数据计算得到)的回归估产模型,将利用状况这一定性变量作为虚拟变量与遥感估算模型相结合,找出了3种利用状况下的鲜草产量最优混合估算模型和估算指数。结果表明:(1)EVI是反映产草量变化的最好指标,分类构建的模型平均测产精度达到了80%;(2)将利用状况作为虚拟变量考虑之后建立的混合测算模型精度达到了79%,明显高于利用状况未知时构建的混合模型的精度,比分类建模应用更简洁方便。