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。     

山地森林叶面积指数(LAI)遥感估算研究进展EI北大核心CSCD

叶面积指数LAI (Leaf Area Index)是表征植被几何结构及生长状态的重要生物物理参数,也是陆表过程模型的重要输入参数,如何获取高精度LAI一直备受关注。近年来,随着遥感数据的不断丰富,LAI遥感估算算法得到了快速发展,全球尺度的LAI产品已被广泛应用于气候与生态环境变化研究。然而,当前主流的LAI遥感产品生成算法基本上基于平坦地表假设而忽略了地形的影响,因此在地形复杂的地区精度较差。这是因为在山地中崎岖的地表不仅会导致严重的辐射失真现象,还会因邻近的地形对地物目标造成遮挡,因此森林多样的冠层结构和山地复杂地形的相互影响给LAI遥感反演带来了较大的不确定性。山地作为一种特殊的地貌,约占全球陆地表面的1/4,在中国占了近2/3,在这些复杂区域中估算LAI考虑地形因素十分必要。在本文中,我们首先系统地总结了现有LAI反演算法和全球遥感产品的分辨率、精度等信息,并讨论了将这些算法和产品应用于崎岖地形LAI反演的主要挑战。然后,针对山地植被场景中存在的地形效应、尺度效应,总结出山地植被冠层LAI反演的策略主要包括地形校正方法和山地辐射传输模型,并讨论了不同策略的优缺点。接着,文章讨论了野外观测的LAI数据在崎岖地形上存在的地形效应和尺度效应,以及这些效应对反演结果验证的影响程度。最后,综合总结和展望表明,遥感观测、山地辐射传输建模、机器学习技术等方面的协调使用将来可以为崎岖地表的LAI精准估算和可靠验证提供了一条有希望的途径。     

黑河流域叶面积指数的遥感估算

研究利用Landsat7ETM⁺遥感数据获取黑河流域植被叶面积指数(LAI)空间分布的可行性。该研究是基于黑河流域分布式水文模型的一个重要输入项———LAI空间分布数据的需要而产生的。文章在详尽的野外观测数据基础上,分别探究实测LAI与同时相ETM⁺3、4、5、7波段反射率及相关植被指数(SR、NDVI、ARVI、RSR、SAV I、PVI、GESAVI)的相关关系,率定最佳的LAI遥感反演及其空间分布方案。研究发现,针对特定的自然条件,将研究区分为植被覆盖度小的稀疏立地和覆盖度大的密集立地,分别采用土壤调节植被指数(SAVI)和大气阻抗植被指数(ARVI)进行2种林地的LAI估算最为可靠,在此基础上,提出黑河地区LAI估算及其空间分布的遥感制图方案。     

基于多角度遥感的植被指数与叶面积指数的线性关系研究

以辐射传输方程PROSAIL为基础,模拟不同观测天顶角和不同叶面积指数(LAI)下的植被冠层光谱。利用模拟的冠层光谱构建3种常用的植被指数,并分析不同观测天顶角下叶面积指数变化对3种植被指数的影响。结果表明,MSR能较好解决由于LAI变化而引起的饱和现象。观测天顶角为-30°时,3种植被指数与叶面积指数的线性关系较30°和0°时好。     

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。     

植被叶面积指数估算的红边指数建模分析

针对在路域环境监测中,如何精确估算叶面积指数问题,该文提出以长韶娄高速路域为研究区,筛选出4种常用植被指数和4种红边指数两类指数,分别构建了经验模型和机器学习的反演模型,利用Sentinel-2影像数据和同步的LAI-2000地面实测数据完成路域植被叶面积指数反演。结果表明,红边波段参与运算的植被指数与植被叶面积指数敏感性是显著相关,红边指数在反演精度上更优。由此可知,相较于常见植被指数,红边指数增强了其与叶面积指数的敏感性,提高了叶面积指数估算模型精度。     

基于环境星CCD数据的冬小麦叶面积指数遥感监测模型研究

以山东禹城为研究区,利用我国自主研发的环境星数据,计算了4种植被指数,即归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)及增强型植被指数(EVI);结合同步观测数据,将植被指数与实测叶面积指数(LAI)进行回归分析,比较各种植被指数模型对冬小麦LAI的估测精度。结果表明,4种植被指数与LAI均具有较高的相关性,其中,比值植被指数(RVI)对LAI反演精度最高,即LAI=2.967 lnRVI-1.201是估算冬小麦LAI的最优模型。使用2009年5月冬小麦LAI观测数据对模型进行验证,平均相对误差为19%。     

小麦生物量和真实叶面积指数的高光谱遥感估算模型

利用大田小麦的参数数据和冠层光谱数据,基于光谱一阶微分技术和光谱响应函数,构建等效MODIS植被指数,建立小麦生物量(本文指总干生物量,下同)和真实叶面积指数的高光谱遥感估算模型.结果表明:①小麦生物量与冠层光谱在552 nm,721 nm处呈现最显著相关关系,叶面积指数与冠层光谱的相关性在400～1100 nm范围内较显著;②红边位置与生物量的关系最为显著,相关系数R为0.818;③6种等效MODIS植被指数中,增强型植被指数对生物量最为敏感;④红边位置估算小麦总生物量的指数模型最优,决定系数R2为0.829;⑤增强型植被指数与小麦叶面积指数的指数模型拟合度最强,决定系数R2为0.94.利用实测光谱模拟MODIS等效反射率构建植被指数反演小麦参数的方法,可为利用卫星数据进行大面积、无破坏和及时获取地面植被信息研究提供重要手段.     

芦苇地叶面积指数的遥感反演

 叶面积指数（LAI）是植被冠层结构的一个重要参数，它的改变标志着植被发生了生物物理变化。本文提出了一种利用混和模型 从TM图像上获取叶面积指数的方法。首先，利用冠层反射率（FCR）模型计算并得到查找表； 然后，利用从查找表得到的统计关系进行 LAI制图。试验表明，该方法简单易行，并可较精确地用来反演芦苇地的叶面积指数。     

基于森林模型参数先验知识估算高分辨率叶面积指数

目前,估算高分辨率叶面积指数LAI（Leaf Area Index）的常用方法是采用大量地面测量数据和遥感数据建立统计模型,再用统计模型估算LAI。然而,与农田地面测量实验相比,森林地面测量实验获取的观测数据更加有限,这使得基于统计模型的森林高分辨率LAI的估算精度低,难以满足应用需求。为此,本文提出一种基于森林模型参数先验知识、使用森林研究区少量的LAI地面测量数据和归一化植被指数NDVI数据估算森林高分辨率LAI的方法。首先,获取全球20个森林实验区的LAI地面测量数据和NDVI数据,建立LAI-NDVI统计模型并提取森林模型参数的先验知识。然后,以一个新的森林站点Concepción作为研究区,将该研究区的数据分为建模数据和验证数据两个部分。使用研究区有限的建模数据对森林模型参数先验知识进行本地化校正得到优化模型,优化模型用于估算森林高分辨率LAI,使用验证数据评价LAI的估算精度。同时,选取了Camerons站点、Gnangara站点、Hirsikangas站点评价本文方法的LAI估算精度。使用地面测量LAI验证基于森林模型参数先验知识估算高分辨率LAI的结果精度,经验证4个森林站点的均方根误差分别为0.6680,0.4449,0.2863,0.5755。研究结果表明：在仅有少量观测数据时,采用本方法能有效地提高森林高分辨率LAI的估算精度。因此,本方法可为森林高分辨率LAI的遥感估算提供参考。     

基于SPOT5遥感影像的城市森林叶面积指数反演

本文以上海城市森林为研究对象,采用地面实验与遥感技术相结合方法,开展SPOT5遥感影像在估测城市森林LAI中的应用研究。结果表明,地面实测LAI与三种植被指数均具有很好的线性回归关系,相关系数(r)均大于0.6,其中MSAVI的相关系数最高(r=0.66),其次为MCARI(r=0.64)和NDVI(r=0.62)。说明ND-VI仍受到背景等因素不同程度的影响,而植被指数MSAVI和MCARI,由于能进一步消除土壤背景和叶绿素的影响,对叶面积指数比较敏感,能更好地与叶面积指数建立关系,能更好地用于城市森林叶面积指数的遥感反演。本研究可为快速定量评估城市森林的结构和功能提供依据。     

基于主成分分析的植被指数与叶面积指数相关性研究

综合分析了玉米叶面积指数与几种常见光谱植被指数相关性,确定主成分分析方法在反演叶面积指数中的作用。首先,借助MATLAB编程软件,以植被指数与玉米叶面积指数相关性最高为原则,选出遥感影像上各种植被指数,其波段组合为NDVI(752.4/701.5),RVI(752.4/701.5),MSR(752.4/701.5),SAVI(823.7/701.5),MSAVI(823.7/701.5),然后,对这5种植被指数进行主成分分析,建立LAI-VI多元逐步回归模型,并对模型精度进行验证,总体估测精度为96.237%。经实验验证,利用主成分分析方法在反演植被叶面积指数时能够起到较好的效果,具有广泛的应用前景。     

运用动态谐波回归模型对MODIS叶面积指数时间序列产品的分析与预测

运用动态谐波回归模型(Dynamic Harmonic Regression,DHR)对MODIS的长时间序列的LAI产品进行分析,可以从中分离出LAI随时间变化的多年趋势、季节变化及残差等主要成分,通过建立的模型实现LAI年间变化的短时预测。本文将所述DHR模型分析方法试用于遥感数据产品随时间变化的信息提取,对LAI年间变化的预测结果证明该方法用于遥感像元尺度LAI产品的时间序列分析与预测的效果良好。     

基于神经网络方法的芦苇叶面积指数遥感反演

提出了一种从TM图像上获取芦苇冠层叶面积指数的方法:首先对芦苇的生长背景进行分类;然后,对不同的背景光谱利用冠层反射率(FCR)模型计算得到查找表;最后,利用实测数据和查找表中的数据作为参数进行BP神经网络模型训练,从而得到芦苇冠层LAI。结果表明,人工神经网络方法有很强的非线性拟合能力,能够消除背景对反演结果的影响,有效提高LAI反演的精度。     

树冠形状对孔隙率及叶面积指数估算的影响分析

叶片在树冠尺度的聚集是森林场景中的重要聚集形式,模型中常假设树冠为规则的几何形体(椭球、圆锥、圆锥+圆柱等)。对树冠形状归属进行判断时界限并不明显,从而具有很强的主观性。本文首先扩展了Nilson的森林孔隙率模型,使其适用于椭球、圆锥、圆锥+圆柱等3种常见形状的树冠,并基于该模型分析了孔隙率、聚集指数对树冠形状的敏感性。同时,本文还分析了树冠形状对叶面积指数(LAI)地面间接测量精度的影响。基于不同形状树冠的模拟数据分析发现,树冠的体积、投影面积是树冠形状产生作用的主要因子,在冠层底部椭球形树冠和圆锥+圆柱形树冠的平均孔隙率、聚集指数都非常接近,而圆锥形树冠与两者存在较大差异。树冠形状的错误设置在极端情况下可导致估算的真实LAI误差超过25%。     

基于机载MASTER数据的果园叶面积指数遥感反演

叶面积指数(leaf area index,LAI)是描述植被冠层结构的重要参数,准确获取果树的LAI对果树长势监测和果树估产均有重要作用。以美国加州中部的果园为研究区,基于沿太阳主平面飞行成像的机载MODIS/ASTER模拟传感器(MODIS/ASTER airborne simulator,MASTER)数据,利用实测LAI数据与归一化差值植被指数(normalized difference vegetation index,NDVI)、归一化差值红外指数(normalized difference infrared index,NDII)和归一化差值水体指数(normalized difference water index,NDWI)分别建立回归模型,并选取NDWI进行研究区LAI的反演。结果表明:由于地物的二向性反射,垂直太阳主平面飞行获取的遥感数据具有明显的亮度梯度现象,而沿太阳主平面飞行获取的遥感数据几乎不受亮度梯度的影响;NDVI在高植被覆盖区容易达到饱和,而NDWI比NDVI和NDII具有更高的拟合度和更小的均方根误差,更加适合研究区LAI的遥感反演;该研究结果可以丰富LAI反演理论,也可以为研究LAI尺度问题提供理论和数据支持。     

基于HJ-1B影像的内蒙古草地叶面积指数反演

针对HJ-1B星CCD数据,以内蒙古草地为研究对象,应用植被指数模型、PROSAIL模型以及热暗点指数模型对研究区草地进行叶面积指数定量估算研究,同时利用LAI-2000获取的实测数据进行反演结果检验。结果显示:复合型植被指数统计模型的R2=0.7,物理模型为0.67;而传统植被指数模型R2仅为0.61。实验表明热暗点植被指数模型比传统植被指数模型更适于进行内蒙古草地LAI定量反演。     

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。     

联合无人机LiDAR与Sentinel-2影像估算大豆叶面积指数

针对利用卫星遥感影像进行大范围反演大豆叶面积指数(LAI)时人工野外样本实测耗时耗力的问题,该文以黑龙江省海伦市、嫩江市两块大豆样地作为研究对象,使用无人机平台获取激光雷达(LiDAR)点云数据,利用孔隙度模型进行大豆LAI反演,根据地面实测数据开展精度评价,并进一步探讨利用无人机LiDAR反演值替代地面实测值进行Sentinel-2卫星影像LAI反演的可行性。实验结果表明,去掉地块边缘混合单元网格影响后,两块大豆样地的LAI反演精度均优于90%。利用无人机LiDAR反演值替代地面实测数据与植被指数构建回归模型,大范围卫星反演LAI精度均优于86%。