融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型，利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而，地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足，不能完全支持LAI等地表参数的估算，易造成“病态”反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息，并将其用于代价函数的构建，利用PROSAIL辐射传输模型和遗传算法，分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m，验证对应尺度LAI结果，评价引入先验信息对于提高LAI反演精度的作用。研究表明，引入先验信息有助于提高不同分辨率下LAI反演精度，且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比，以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R²由0.55提高至0.65，RMSE由1.29下降至0.38。在250 m尺度，以500 m LAI反演结果作为先验信息反演的叶面积指数，其精度优于以MODIS LAI产品为先验知识的估算结果，验证精度R²增加了0.08，RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身，没有地面实测数据的参与，在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型,利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而,地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足,不能完全支持LAI等地表参数的估算,易造成“病态”反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息,并将其用于代价函数的构建,利用PROSAIL辐射传输模型和遗传算法,分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m,验证对应尺度LAI结果,评价引入先验信息对于提高LAI反演精度的作用。研究表明,引入先验信息有助于提高不同分辨率下LAI反演精度,且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比,以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R²由0.55提高至0.65,RMSE由1.29下降至0.38。在250 m尺度,以500 m LAI反演结果作为先验信息反演的叶面积指数,其精度优于以MODIS LAI产品为先验知识的估算结果,验证精度R²增加了0.08,RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身,没有地面实测数据的参与,在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

叶面积指数遥感反演算法研究

叶面积指数是确定陆表生态系统物质和能量交换大小的重要结构参数之一。本文基于NDVI、RVI的反演模型,结合GDAL影像库和C++语言设计实现相关算法,形成从影像数据到叶面积指数图的处理流程,提高了影像的利用率。经预处理的Hyperion数据测试,算法运行稳定且计算结果精确,为植物长势监测、粮食产量预测提供可靠数据源。     

基于无人机遥感的叶面积指数反演

叶面积指数定量遥感产品的真实性检验需要地面数据进行支撑。目前常用的叶面积指数测量仪器,如LAI2000、AccuPAR、Sunscan、Demon和TRAC等,需要工作人员进入样地进行手持测量,效率较低,人工测量引入的不确定性大。近年来基于无线传感器网络技术进行叶面积指数长时间自动观测取得了很多进展,但是投入成本大、移动不便等因素制约了其大范围应用。随着无人机的快速发展,利用无人机采集遥感数据具有极大的灵活性。本文利用轻型无人机获取了玉米地不同生长期的高分辨率光学影像,采用图像处理的算法进行植被与非植被的区分,最后利用辐射传输模型与聚集指数理论进行了叶面积指数反演。通过对比表明,在玉米成熟前期,反演得到的叶面积指数与LAI2200采集得到的数据,以及LI-3000C得到的真实叶面积指数有较高的一致性。基于无人机影像的LAI测量方法可作为一种快速准确的手段得以推广应用。     

基于TM遥感数据的西藏林芝地区叶面积指数反演

叶面积指数(LAI)是分析冠层结构最常用的参数之一,它控制着植被的生物、物理过程,如光合、呼吸、蒸腾、碳循环和降水截获等。但是通过野外实测获取大面积的LAI比较困难,通过对西藏林芝地区的TM遥感数据进行处理获取各种植被指数,然后分别与实测LAI建立相应的回归关系,并对不同的回归模型进行分析找出相关性较好、误差较低的回归模型,最后利用该模型对林芝地区的叶面积指数进行制图。通过植被指数与实测LAI进行回归分析建立LAI估算模型,其决定系数最高为R²=0.653,具有较好的相关性。研究结果表明:TM遥感数据可以实现林芝区域LAI估算,能为生态环境研究提供数据支持。     

西南地区不同山地环境梯度叶面积指数遥感反演

叶面积指数(LAI)遥感估算是植被定量遥感研究的热点之一,监测植被LAI时空变化对于研究陆地生态系统碳循环及全球变化等具有非常重要的意义。在我国西南山区设置10个50km×50km的观测样区作为研究区,其中包括5个森林生态系统样区、3个农田生态系统样区和2个草地生态系统样区。分别获取不同优势植被类型LAI地面实测数据,结合同期获取的遥感数据,考虑地形因素影响,基于偏最小二乘原理分别构建各样区LAI遥感估算模型,并采用交叉验证的方式对模型精度进行评价。结果表明:考虑了海拔、坡度和坡向等地形因子的森林LAI遥感反演模型与未考虑地形变量的模型相比,其验证精度有所提高,R2由0.30~0.75提高至0.50~0.80,RMSE由0.52~0.93m2/m2降低至0.48~0.89m2/m2;所有样区优势植被类型LAI反演模型验证R2在0.40~0.80之间,RMSE在0.22~0.89m2/m2之间。发展的LAI遥感估算方法有助于认知山地植被LAI反演的地形效应问题,可为进一步的山地植被长势监测提供科学依据。     

基于数据机理的植被叶面积指数遥感反演研究

定量获取地表植被高精度时序及空间覆盖的叶面积指数（Leaf Area Index, LAI）是生态监测及农业生产应用的重要研究内容。通过使用Moderate Resolution Imaging Spectroradiometer（MODIS）植被冠层多角度观测MOD09GA数据及叶面积指数MOD15A2数据,发展了一种参数化的叶面积指数遥感反演方法并完成了必要的检验分析。研究使用基于辐射传输理论的RossThick LiSparse Reciprocal（RTLSR）核驱动模型及Scattering by Arbitrarily Inclined Leaves with Hotspot（SAILH）模型进行植被冠层辐射特征的提取,使用Anisotropic Index （ANIX）异质性指数作为指示植被冠层二向反射分布Bidirectional Reflectance Distribution Function（BRDF）的辅助特征信息,发展了基于数据机理（Data-Based Mechanistic, DBM）的植被叶面积指数建模和估算方法。通过必要的林地、农作物、草地植被实验区反演及数值分析可得知：①时间序列多角度遥感观测数据结合数据机理的叶面积指数估算方法,可实现模型参数的时序动态更新,改进叶面积指数估算结果的时序完整性及精度。②异质性指数可以用做指示植被冠层二向反射分布特征信息,可降低因观测数据几何条件差异所导致的反演结果不确定情况,同时能够补充植被时序生长过程表现的植被结构变化等动态特征。经研究实践,可将算法应用于时空尺度的叶面积指数估算,并能够为生态、农业应用提供植被的高精度遥感监测指标。     

森林叶面积指数遥感反演模型构建及区域估算

基于eCognition面向对象分类算法及校正后的TM遥感影像,获取研究区2010年土地利用/覆被数据。同时在ArcGIS平台下,提取遥感影像6个波段反射率及RVI、NDVI、SLAVI、EVI、VII、MSR、NDVIc、BI、GVI和WI等10个植被指数,并辅助于DEM、ASPECT、SLOPE等地形信息,在与植物冠层分析仪(TRAC)实测各森林类型叶面积指数相关性分析的基础上,研究表明:相对多元线性回归方法,偏最小二乘法能够更好地把握各森林类型LAI动态变化,而后结合研究区森林覆被信息进行区域估算。     

森林叶面积指数遥感反演与空间尺度转换研究

以贵州省黎平县为研究区,着重研究森林叶面积指数(LAI)的ETM遥感信息反演和向1km空间尺度转换算法.通过LAI-2000的针叶林和阔叶林等植被类型的LAI实地观测,建立实测LAI与ETM影像归一化植被指数(NDVI)的相关关系并进行LAI遥感制图,并在陆地覆盖类型遥感分类信息提取的基础上,发展了针叶林、混交林和空旷地三种地表类型LAI的向上空间尺度转换算法,以对粗分辨MODIS遥感数据的LAI产品实现LAI算法的转换与校正,并通过示例应用显示了本研究空间尺度转换算法的有效性.     

杨树林叶面积稳定期的叶面积指数遥感估算方法

针对用归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)估算植被叶面积指数(Leaf Area Index,LAI)不仅需要大量地面LAI观测及其数据统计,且在植被NDVI饱和时难以估算LAI等问题,提出了一种基于数据挖掘技术的LAI遥感估算方法。该方法借助数据挖掘技术从有限的数据中挖掘和发现有用的信息,排除人为干扰,提高模型构建效率和精度。文中以安徽滁州地区杨树林为研究对象,获取研究区杨树林展叶期和花果期的HJ-CDD遥感影像,利用LAI-2000同步测量杨树林LAI;借助数据挖掘技术并基于杨树林展叶期和花果期估算的LAI值,通过筛选优化构建了杨树林生长过程中叶面积稳定期的LAI估算模型,并结合叶面积稳定期实测的LAI值验证表明该模型用于杨树林叶面积稳定期LAI估算的可靠性,为植被NDVI饱和时的LAI遥感估算提供了一种有效的思路和方法。     

基于ETM和图像融合的优势植被冠层叶面积指数和消光系数的遥感反演

叶面积指数和消光系数是表征植被群体冠层结构及光能利用的地球表层下垫面参量,国内外对叶面积指数的遥感反演有较多的研究与应用,但对消光系数的遥感反演尚不多见。我国南方少见单一大面积的均匀植被分布。为更好地匹配叶面积指数和光合有效辐射(用于估算消光系数)的实测数据,反映植被混交和疏密不均的状态,以Landsat ETM作为遥感信息源,通过HSV、Brovey和Gram-Schmidt(GS)3种图像融合方法的比较,选取效果最佳的图像融合方法,将ETM融合成空间分辨率为15 m的多光谱数据。以鄱阳湖源头梅江流域为研究区,在实测优势植被叶面积指数和光合有效辐射的基础上,利用植被指数法经验公式法反演流域的叶面积指数,并根据Beer-Lambert定律,建立了流域优势植被冠层消光系数的反演模型。在此基础上,反演了流域植被冠层叶面积指数和消光系数的空间分布,为SWAT植物生长模式的修正提供输入数据基础。     

路域植被叶面积指数变化遥感监测

基于辐射传输模型PROSAIL,以多时相TM影像为数据源,定量反演高等级公路两侧植被的叶面积指数,并以叶面积指数变化对路域植被生长状况进行了动态监测.试验区研究结果表明:随着高速公路的开通运营,路域两侧植被的叶面积指数总体呈下降趋势,植被生长状况整体变差.研究结果为指导路域植被的生态恢复与保护提供了可靠的基础资料.     

遥感提取叶面积指数的地形影响分析

结合1：50000DEM对贵州省黎平县内研究区的ETM 遥感影像进行地形纠正，分别使用地形纠正前后的图像建立植被指数与实测杉木林、阔叶林、竹林的叶面积指数相关关系，从而对研究区森林叶面积指数进行计算。研究表明，利用遥感影像计算山地丘陵林区叶面积指数时地形是一个重要的影响因素，它致使遥感影像提取的叶面积指数出现一定的偏差。因此．本文从电磁波辐射传输理论着手，采用一种地形影响去除方法，即先把遥感图像归一化为没有地形影响下的亮度图像，再通过该亮度图像提取森林叶面积指数，并通过实地观测数据验证了该地形纠正方法的有效性。同时，也提出了利用地形因子和遥感影像亮度值的关系计算大气程辐射的方法。     

面向遥感叶面积指数产品的地形校正研究

地形校正是提高复杂地形区地表参数遥感定量化反演精度的重要手段。当前广泛应用的遥感叶面积指数产品（Leaf Area Index, LAI）多具有一定的地形误差,减少地形影响、提升其产品精度有着非常重要的意义。以我国江西省千烟洲地区为研究区域,利用地面实测LAI数据、LandsatTM数据和高程数据等,基于高程标准差和GLOBMAP LAI产品值的关系,建立面向叶面积指数产品的地形校正模型,利用这一模型对GLOBMAP LAI产品进行地形校正。结果表明：校正后的LAI与地面实测数据更为接近,LAI产品与地面测量值的RMSE由2.11下降到2.04;校正后LAI产品的标准差由2.08下降至1.69,LAI产品的地形误差得到了较好的改正。该方法较好地完成了LAI产品的地形校正,进一步提高了产品精度,具有一定的实用价值。     

地形校正对叶面积指数遥感估算的影响

利用经过6S模型大气校正的地面反射率图像、数字地面高程数据以及改进的CIVCO地形校正模型,分别计算了褒河流域不同植被类型（阔叶林、针叶林和灌木林）的3类光谱植被指数（NDVI、SR和SAVI）,并建立了各个植被类型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,地形校正能有效地消除大部分的地形影响,显著地提高各植被指数与叶面积指数的相关关系;对于阴坡和阳坡来讲,阴坡较阳坡提高显著;对于不同的植被类型,针叶林和灌木较阔叶林提高较为显著;对于同一植被指数如SAVI,灌木提高较针叶林和阔叶林显著,说明地形校正对叶面积指数的遥感估算结果有很大的影响。因此在利用遥感数据定量估算叶面积指数时,尤其对于山区,不仅要进行地形校正,而且要针对不同的植被类型选择合适的植被指数进行估算。     

利用风云卫星MERSI数据反演叶面积指数的研究

风云三号A星上搭载的中分辨率成像光谱仪(Medium Resolution Imaging Spectrometer)MERSI从2008年5月底开始对地球观测,其中5个波段250m分辨率的数据包含了丰富的植被信息,在全球同类传感器数据中独具特色,在其基础上反演的陆表植被数据产品目前还不多见。利用2013年生长季在河北固城观测获取的冬小麦光谱数据,结合MERSI 250m数据计算的NDVI值,建立二者NDVI之间的线性转换模型Y=1.1458 X+0.1916;同时利用地物光谱NDVI与实测叶面积指数构建了NDVI-LAI指数模型Y=0.0899e4.459 X;然后,利用MERSI 250m数据反演出华北太行山前平原区冬小麦的叶面积指数,经与大田观测的叶面积指数以及同期MODIS的叶面积指数产品对比验证,结果表明:反演的MERSI-LAI与实际观测叶面积指数接近且具有很好的线性关系,其空间分布与MODIS的叶面积指数相近,但MODIS-LAI数值明显偏小。     

基于环境星HSI影像的草地叶面积指数反演

叶面积指数(Leaf Area Index,LAI)是定量研究陆地生态系统物质和能量交换的一个重要结构参数,具有重要的研究意义。针对HJ\|1A卫星HSI数据,利用野外实测LAI值,探讨利用HJ1A星HSI数据反演叶面积指数的可行性。选用比值植被指数(RVI)、归一化植被指数(NDVI)及改良型土壤调整植被指数(MSAVI)3种植被指数,与实测叶面积指数进行回归分析,构建回归模型。研究结果表明,基于影像提取的RVI、NDVI和MSAVI 3种植被指数均与叶面积指数有较好的定量关系。其中,MSAVI的拟合结果最优,其回归确定性系数为0.622。验证模型的确定性系数为0.547,均方根误差RMSE为0.202,说明实测和模拟LAI值之间具有较好的变化一致性。最后基于HJ1A星HSI影像和MSAVI的估测模型生成研究区叶面积指数空间分布图。     

我国叶面积指数卫星遥感产品生产及验证

利用卫星遥感生产叶面积指数（Leaf area index： LAI）产品并进行真实性检验是植被定量遥感的一项重要研究内容。过去10 a,我国研究人员利用MODIS或AVHRR观测数据生产了GLOBALBNU, GLASS, GLOBMAP,MuSyQ和FSGOM等数套全球和全国LAI产品,受到了国内外的广泛关注和应用。在产品生产的同时,我国学者也广泛开展了LAI产品在全球和区域尺度的真实性检验研究工作。本文总结了我国LAI卫星产品生产和验证研究工作的现状和趋势。近年来,我国在本领域相关的理论、技术和方法研究方面取得了全面进展,LAI产品精度和连续性已与国外先进水平相当,但仍然存在数据源单一且依赖国外、算法不确定性不清、生产不连续以及缺乏充分验证等问题,客观上影响了LAI产品应用的广度及深度。未来应充分利用新的卫星数据特别是国产数据,加强遥感机理模型、反演算法以及应用的创新研究,生产具有特色的高质量LAI产品,满足地球系统科学的研究需求。同时,应加强LAI验证基础设施建设,发掘利用更广泛的验证站点,同时增进国际合作,加强产品的推广使用,在与用户的互动交流反馈中进一步提高产品的市场。随着我国对相关研究投入的增加,可以预期未来20 a将是我国LAI遥感产品及验证研究由“跟跑”国际先进水平向“并跑”乃至“领跑”过渡的机遇期。     

高分一号影像水稻叶面积指数反演真实性检验

为了解决常规卫星遥感叶面积指数真实性检验方法存在的破坏样地植被、操作复杂、耗时费力,且难以用于对应大范围的植被采样等问题,该文以安徽省来安县为研究区,利用实测水稻冠层光谱结合GF1-WFV传感器进行光谱重采样并计算水稻NDVI,基于此进行LAI反演建模,通过光谱计算的LAI反演结果对GF-1星多光谱遥感水稻LAI的反演结果进行真实性检验,并结合野外LAI观测数据证明了该方法的有效性和可行性。研究表明,该方法操作简单,准确度高,大大减少了野外试验的工作量,为快速、准确获取大量真实性检验数据及定量化应用提供了有效的途径。     

水稻叶面积指数的多光谱遥感估算模型研究

LAI是生态系统研究中最重要的结构参数之一,它是估计多种植冠功能过程的重要参数。通过两年的水稻田间试验,使用美国ASD背挂式野外光谱辐射仪(ASDFieldSpec),获取1999～2000年两年晚稻整个生育期的光谱数据,采用计算机测算图斑面积法测定LAI;根据已有的卫星传感器通道波段(MSS、RBV、SPOT、TM、CH)和它们的组合(比值植被指数、归一化差植被指数),以及具有物理意义的光谱区域(蓝区、绿区、黄边、红光吸收谷、红边、紫区、可见光区、近红外区、全部波段)等共有27个变量构建多光谱变量组,采用5个单变量线性与非线性拟合模型,用1999年试验数据为训练样本,建立水稻LAI的多光谱遥感估算模型。结果表明:适用于水稻LAI估算的多光谱变量是植被指数变量好于波段变量;RVI与NDVI比较,RVI好于NDVI。用2000年试验数据作为测试样本数据,对其精度进行评价和验证,非线性模型的精度高于线性模型的精度,其中以SPOT3/SPOT2为变量的对数模型,拟合R2与预测R2达到了最大,其RMSE和相对误差(%)为最低,因此,认为它是估算LAI的最佳模型。