基于PROSAIL辐射传输模型的毛竹林叶面积旨数遥感反演

采用PROSAIL辐射传输模型建立毛竹林叶面积指数(LAI)-冠层反射率查找表,并结合Landsat TM卫星遥感数据,实现了毛竹林LAI的定量反演.结果表明:PROSAIL模型各输入参数的敏感性由高到低依次为LAI＞叶绿素含量(Cab)＞叶片结构参数(N)＞平均叶倾角(ALA)＞等效水厚度(Cw)＞干物质含量(Cm),并以LAI、Cab两个主要敏感因子用于构建毛竹林LAI-冠层反射率查找表;基于PROSAIL模型的毛竹林LAI遥感反演结果与实测LAI具有很好的一致性,二者相关系数为0.90,均方根误差和相关的均方根误差也较小,分别为0.58和13.0％,但也存在反演LAI平均值高于实际值的问题.     

基于PROSAIL模型的水稻田缨帽三角-叶面积指数模型及其应用

缨帽三角(tasseled cap triangle,TCT)-叶面积指数(leaf area index,LAI)等值线模型是一种反映植被叶面积指数等值线在红光(Red)-近红外(NIR)波段反射率组成的光谱空间中分布规律的模型,在此基础上建立LAI遥感反演模型比常用的统计关系模型更加精确.本文利用水稻田实测数据,验证了PROSAIL模型对水稻冠层反射率模拟的适用性,并对模型的输入参数进行率定,最终确定了PROSAIL模型模拟水稻冠层反射率的输入参数的取值范围.在此基础上构建了水稻田TCT-LAI等值线模型,建立了LAI遥感反演所需的查找表,将其分别用于Landsat 8和WorldView 3数据进行水稻田LAI反演.结果表明: 利用基于TCT-LAI等值线模型建立查找表反演的LAI与实测LAI具有良好的线性相关关系,R²=0.76,RMSE=0.47;与Landsat 8的LAI反演结果相比,WorldView 3反演的LAI值域范围更大,数据分布更离散.将Landsat 8、WorldView 3反射率数据重采样至1 km后进行LAI反演, MODIS LAI 产品的反演结果存在明显低估现象.     

不同土地管理方式对黑土土壤微生物量碳和酶活性的影响

在中国科学院海伦农业生态实验站长期定位试验区,对比研究了黑土自然恢复、休闲裸地和种植作物3种管理方式对0～10、20～30和40～50cm深度土壤的微生物量碳和脲酶、磷酸酶、过氧化氢酶和转化酶活性的影响．结果表明：0～10cm表层土壤的微生物量碳和土壤酶活性均表现为自然恢复〉种植作物〉休闲裸地处理,而20～30cm和40～50cm深度土壤的微生物量碳和土壤酶活性虽也存在差异,但不如表层土壤变化显著．自然恢复和种植作物处理的土壤微生物量碳和土壤酶活性均随土层深度增加而降低,而休闲裸地处理的土壤微生物量碳和脲酶、磷酸酶、过氧化氢酶活性却以20～30cm土层为高．相关分析表明,土壤全碳和全氮、土壤全碳和微生物量碳、土壤微生物量碳和4种土壤酶活性之间都存在极显著的正相关关系．土壤酶活性和土壤微生物量碳两项指标表明在自然恢复条件下黑土土壤质量较好．     

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。     

基于PROSAIL混合反演模型的MODIS LAI产品改进及评估

叶面积指数（Leaf Area Index,LAI）是定量陆地生态系统中光合作用、呼吸作用、蒸腾、碳和养分循环等过程中物质与能量交换的重要结构参数。目前大、中尺度的气候和生态水文建模使用的LAI产品主要来源于中分辨率成像光谱仪（MODIS）,但由于其反演过程中的不确定性因素导致MODIS LAI产品在部分地区存在质量问题。以青海省复杂植被地区为研究区域,基于实地考察与采样验证了区域内MODIS LAI所存在的质量问题分布,并揭示了不确定因素的影响。与此同时,提出了一种基于PROSAIL模型与深度神经网络（DNN）的混合建模技术,针对MODIS LAI生成机制中地表分类数据、地表反射率数据和反演算法的不确定性进行改进,并基于青海省大范围实测LAI数据评估了改进前后产品的准确度,实测数据的验证结果发现：改进模型的LAI准确度（RMSE=0.48,R²=0.64）显著高于MODIS LAI （RMSE=0.71,R²=0.56）,预测结果与实测结果之间的偏差显著减少;区域尺度上,柴达木荒漠植被低覆盖典型区域、三江源高寒草甸中覆盖典型区域与青海湖牧场草地高覆盖典型区域的RMSE分别提高了0.19、0.10、0.54,改进方法有效解决了MODIS LAI产品中高覆盖植被饱和效应导致的高估以及低覆盖植被未检索导致低估的质量问题,改进结果分布连续,更符合真实植被状况。基于以上研究,充分证明了研究方法对MODIS LAI产品的改进具有可靠性,能够在缺少实测样本数据的情况下有效提高MODIS LAI的质量,为全球植被环境监测与生态建模提供重要的数据支持。     

基于PROSAIL辐射传输模型的毛竹林分冠层反射率模拟研究

冠层光谱反射率直接关系到毛竹（Phyllostachys pubescens Mazel）林冠层参数的反演,对毛竹林地土壤肥力间接估测具有重要意义。以PROSPECT5、PROSAIL模型为基础,从叶片尺度和冠层尺度分析模型参数对叶片和冠层反射率的影响,构建毛竹冠层叶面积指数（LAI）-冠层反射率查找表并通过代价函数选取最优冠层反射率,从而实现毛竹林分冠层反射率的准确模拟。结果表明,在叶片尺度,PROSPECT模型参数敏感性从高到低依次为叶肉结构参数（N） > 叶绿素含量（C_ab） > 等效水厚度（EWT） > 干物质含量（C_m） > 类胡萝卜素含量（C_ar）;在冠层尺度,PROSAIL模型参数敏感性从高到低依次为LAI > C_ab > EWT > C_m > N > C_ar > ALA（平均叶倾角）;叶片尺度反射率整体大于冠层尺度反射率;在400~900 nm波长范围内,PROSAIL模型模拟的冠层光谱反射率与实测光谱反射率拟合效果较好,相对误差为6.71%。     

基于叶面积指数反演的区域冬小麦单产遥感估测

利用定量遥感技术反演的叶面积指数（LAI）在中国北方黄淮海地区典型县市进行冬小麦单产预测研究.为提高数据质量和减少估产误差,利用Savitzky-Golay滤波技术降低云对NDVI数据的影响及数据缺失;通过冬小麦实测LAI进行时序内插,模拟得到实测点每日冬小麦LAI,继而获得实测点主要生育时期平均LAI;在此基础上,建立了冬小麦主要生育时期平均LAI与作物单产关系模型,改变目前利用生育时期内某一时间点LAI代替整个生育时期LAI的方法;在模型择优基础上,得到最佳遥感估产关键期--开花期LAI与单产统计模型;最后,利用MODIS-NDVI经验模型反演得到的开花期平均LAI进行2008年冬小麦单产预测.结果表明：与地面实测的冬小麦单产相比,研究区估产平均相对误差为1.21%,RMSE达到257.33 kg·hm^-2,可以满足大范围估产的要求.利用上述方法可以在研究区冬小麦收获前20～30 d进行准确的单产估计.     

基于分类知识利用神经网络反演叶面积指数

叶面积指数（LAI,Leaf Area Index）是陆面过程中一个十分重要的输入参数,其遥感反演方法研究一直是国内外遥感应用研究的热点问题。基于统计的遥感反演方法由于缺乏物理基础,其可靠性和普适性差。基于物理的冠层反射模型的LAI反演方法克服了上述弊端,但是由于反演过程是病态的,模型反演结果一般不唯一。神经网络算法的介入可在一定程度上改善这一问题,但是模型反演的病态问题至今仍无法很好地解决。在PROSAIL模型敏感性分析的基础上提出了一种基于影像分类的神经网络反演方法,引进了土壤反射指数用于替代原模型中难以确定的土壤背景反射参数,分别针对不同植被类型建立各自的神经网络,对经过大气纠正后的Landsat ETM＋影像进行了模拟实验并同野外实测LAI数据进行比较。结果表明,对于LAI小于3的植被区该方法的反演精度比较可靠,而LAI大于3的植被区,反演的LAI偏小,原因归结为密植被的冠层反射在LAI大于3以后趋于饱和而无法敏感地表征LAI的变化所导致的。     

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%。     

基于高光谱遥感的小麦叶干重和叶面积指数监测

生物量和叶面积指数(LAI)是描述作物长势的重要参数, 叶干重和LAI的实时动态监测对小麦(Triticum aestivum)生长诊断和管理调控具有重要意义。为分析多种高光谱参数估算小麦叶干重和LAI的效果, 建立小麦叶干重和LAI的定量监测模型, 该研究连续3年采用不同小麦品种进行不同施氮水平的大田试验, 于小麦不同生育期采集田间冠层高光谱数据并测定叶片叶干重和LAI。试验结果显示, 小麦叶干重和LAI随施氮水平的提高而增加, 随生育进程呈单峰动态变化模式。小麦叶干重和LAI与光谱反射率间相关性较好的区域主要位于红光波段(590~710 nm, r<-0.60)和近红外波段(745~1 130 nm, r>0.69)。对于不同试验条件下的叶干重和LAI, 可以使用统一的光谱参数进行定量反演, 其中基于RVI (810, 560)、FD755、GM1、SARVI (MSS)和TC3等光谱参数的方程拟合效果较好。经不同年际独立试验数据的检验表明, 以参数RVI (810, 560)、GM1、SARVI (MSS)、PSSRb、(R_750-800/R_695-740) -1、VOG2和MSR705为变量建立的叶干重和LAI监测模型均给出较好的检验结果。因此, 利用关键特征光谱参数可以有效地评价小麦叶片生长状况, 尤其是光谱参数RVI (810, 560)、GM1和SARVI (MSS)可以对不同条件下小麦叶干重和LAI进行准确可靠的监测。     

大麦叶面积指数模拟模型

准确模拟叶面积指数是作物生长模拟模型预测作物生长和产量的关键.本文通过系统分析扬州和武汉地区不同大麦品种高产群体叶面积指数变化动态,建立了大麦群体的叶面积指数模拟模型.大麦叶面积指数是品种叶面积指数扩展的遗传参数和气温日较差、日照时数、辐射量等气候因子及水肥丰缺因子的函数.孕穗抽穗期最大叶面积指数与该期最适叶面积指数是不同的概念,二者之间存在着极显著差异.利用扬州、南京和昆明地区不同品种的播期试验及氮肥试验资料对模型进行了检验,结果表明,模型对大麦叶面积指数的模拟效果较好,模拟值与观测值吻合度高,根均方差RMSE介于0.742～2.865,平均值为1.348.对模拟值与观测值进行y=x的线性回归分析,相关系数R²介于0.511～0.954,均呈极显著正相关.     

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。     

基于塔载辐射监测帽儿山落叶阔叶林

基于通量塔常规辐射测量的宽带植被指数(BVI)具有高时间分辨率的优点,有利于获得更详细的森林冠层叶面积指数(LAI)动态信息.本文以帽儿山通量观测站的温带落叶阔叶林为例,研究宽带归一化差值植被指数(NDVI_B)、宽带增强型植被指数(EVI_B)、近红外反射率与光合有效辐射反射率比值(SR_NP)和太阳辐射反射率与光合有效辐射反射率比值(SR_SP)4种BVI时间序列的控制因子及其滤波方法,并以凋落物收集法为参考,评估采用BVI估测冠层LAI的可行性.结果表明: Huemmrich、Wilson和Jenkins 3种方法计算的同一BVI值略有不同,但其季节变化趋势高度一致.BVI主要受太阳高度角和太阳高度角与坡度夹角的影响而呈现明显的日变化,太阳高度角与坡度夹角最大时刻(12:30)前后的BVI相对稳定.晴空指数可以作为BVI日值滤波的有效参数,不同时刻数据构成的日BVI时间序列的晴空指数阈值以及滤波后的有效数据率存在差异,应综合考虑平滑效果和有效数据率选择合适的时间点代表BVI日值.NDVI_B与凋落物收集法测定的LAI呈显著的线性关系,而EVI_B、SR_NP和SR_SP与LAI均呈显著的对数关系.因此,NDVI_B在表征冠层LAI季节动态和LAI外推中更为精确、方便.鉴于大部分森林碳水通量观测塔配备能量平衡观测系统,如果同时测定光合有效辐射反射率,即可实现冠层LAI长期连续联网监测.     

大气校正对毛竹林生物量遥感估算的影响

基于Landsat TM影像对毛竹林生物量进行了估算,并利用6种大气校正方法(FLAASH、6S、DOS1～DOS4)分析了大气校正对毛竹林生物量遥感估算的影响.结果表明：6种大气校正模型均能有效地消除大气影响;不同大气校正模型校正后,归一化植被指数(NDVI)与毛竹林生物量之间的关系得到很好改善;对于同一种大气校正方法而言,NDVI、红外指数（II）和近红外指数（MI）与生物量之间关系的差异较大,说明在探讨植被指数的生物物理意义时必须进行大气校正;与其他5种模型相比,DOS3模型校正后的Landsat TM数据与毛竹林生物量之间具有最高的相关系数,但6种校正模型校正前后Landsat TM数据与毛竹林生物量之间的相关系数没有显著差异,说明采用单一时相遥感影像建立多元线性回归模型估算生物量时,可以不进行大气校正.     

Amazon forest carbon dynamics predicted by profiles of canopy leaf area and light environment

Tropical forest structural variation across heterogeneous landscapes may control above‐ground carbon dynamics. We tested the hypothesis that canopy structure (leaf area and light availability) – remotely estimated from LiDAR – control variation in above‐ground coarse wood production (biomass growth). Using a statistical model, these factors predicted biomass growth across tree size classes in forest near Manaus, Brazil. The same statistical model, with no parameterisation change but driven by different observed canopy structure, predicted the higher productivity of a site 500 km east. Gap fraction and a metric of vegetation vertical extent and evenness also predicted biomass gains and losses for one‐hectare plots. Despite significant site differences in canopy structure and carbon dynamics, the relation between biomass growth and light fell on a unifying curve. This supported our hypothesis, suggesting that knowledge of canopy structure can explain variation in biomass growth over tropical landscapes and improve understanding of ecosystem function.     

Exploring the influence of soil types underneath the canopy in winter wheat leaf area index remote estimating

Aims Remote sensing is an effective and nondestructive way to retrieve leaf area index (LAI) from plot, regional and global range. Soil background is one of the confounding factors limiting remotely estimating LAI. And soil type contains a large proportion of soil background information, which can influence the optical properties of vegetation canopy and soil. However, our knowledge on the effects stemmed from soil types underneath the canopy on LAI remote estimating have been in shortage. Thus, this study aims to explore the influences of soil types underneath the canopy on winter wheat LAI remote estimating. Methods We analyzed the sensitivity variation of eight spectral indices, named normalized difference vegetation index (NDVI), modified soil-adjusted vegetation index (MSAVI), modified chlorophyll absorption ratio index 2 (MCARI₂), red edge inflection point (REIP), red edge amplitude (Dr), red edge area (SDr), red edge symmetry (RES), normalized difference spectral index (NDSI), to LAI in different soil types, and then we identified some spectral intervals or parameters that were insensitive to soil type variations underneath the canopy. We also compared the accuracy of two commonly used regression models, partial least squares regression (PLSR) and random forest regression (RFR), in estimating LAI for different soil types. We also explored the problems arising from applying the regression model developed in single soil type area to complex soil types area in retrieving LAI. Important findings This paper demonstrates the effects of soil types underneath the canopy on LAI retrieving. 1) The sensitivity of spectral indices to LAI is significantly different due to the soil type variation, but REIP has the least effects from soil type variation among the eight spectral indices. Meanwhile, the band selection algorithm of lambda-by-lambda not only chooses the most sensitive spectral interval for LAI, but also provides a feasible way to construct the spectral index that exhibits strong resistances to the effects of soil types underneath the canopy. 2) The accuracy of LAI estimation by regression models differs under soil type considered or not. So we suggest that in small scale researches, especially in a field scale, the ability of regression models in explaining variables is the priority consideration, while the PLSR is superior to RFR in this respect. Under the premise of unknown priori knowledge of land surfaces, the RFR is more suitable for retrieving LAI than PLSR, but land surface priori knowledge is still necessary. These findings provide the theoretical basis and methods for developing remotely sensing estimating LAI models adapted to various land surfaces. Further analysis is needed in applying the findings in more crop types, cultivars and growth stages.