主被动遥感数据协同估算干旱区草原植被生物量

结合主动微波遥感和被动光学遥感反映地表植被的各自优势,发展了一种主被动遥感协同估算干旱区草原植被生物量的模型。该模型将植被覆盖度作为水云模型的附加参数,将总体散射分为植被覆盖区散射和裸土区散射两部分,将水云模型应用到了植被覆盖稀疏区域。利用改进的水云模型和双极化ASAR数据,通过建立方程组估算植被生物量。将该方法用于乌图美仁草原植被生物量的估算,验证了该方法的有效性。结果表明:该主被动遥感协同估算模型能够成功地估算干旱区草原植被生物量,并且取得了较好的估算精度(R2=0.8562,RMSE=0.1813kg/m2)。最后,分析了该方法估算植被生物量的误差来源。     

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。     

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。     

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。     

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.     

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。
     

遥感叶面积指数产品提取自然植被物候期对比

物候是指示气候变化的关键因子,遥感技术的快速发展为物候监测提供了新的途径。遥感叶面积指数(LAI)产品包含了主要的物候信息,并广泛应用于植被物候的监测。了解不同数据产品在提取植被物候信息上的差异是评价遥感产品对物候期监测适用性的重要方面。以东北三省为研究区域,使用非对称性高斯函数拟合法进行数据平滑,利用动态阈值法提取MODIS、CYCLOPES和GLASS叶面积指数(LAI)产品的生长季开始时间(SGS)、生长季结束时间(EGS)和生长季长度(LGS)。研究表明:MODIS和GLASS产品提取的SGS、EGS和LGS比较接近,整体上一致性较好;CYCLOPES产品提取的SGS多数情况下晚于MODIS和GLASS产品而EGS早于MODIS和GLASS产品。通过可利用的实地物候观测数据验证表明:MODIS和GLASS产品提取林地的SGS与物候观测值比较接近,EGS略晚于物候观测值,CYCLOPES产品提取的林地的SGS和EGS更加可靠。     

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。     

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。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数（Vegetation Index,VI）,利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58;RMSE为0.16~0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58,RMSE=0.16）;6种植被指数与LAI高度相关,相关性系数R ²为0.85~0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R2为0.66~0.72,RMSE为0.12~0.14;其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72,RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

最小二乘法联合光学与雷达遥感数据估算玉米叶面积指数

针对单源数据经验模型估算精度较低等问题,提出采用最小二乘法联合光学和雷达遥感数据构建联合估算模型,以中国科学院河北怀来遥感综合实验站为研究区,以夏季玉米为研究对象,利用Landsat8和Radarsat2影像实现研究区叶面积指数估算:首先分别建立了多光谱数据和雷达数据与实测叶面积指数之间的回归模型,然后利用最小二乘算法联合不同数据间的回归模型构建估算模型,最后利用迭代法估算叶面积指数并通过验证数据对估算结果进行评价分析,同时与单源数据经验模型、多源数据加权平均模型和基于物理模型查找表估算结果进行对比。通过对研究区59个样本点数据分析表明:基于最小二乘算法联合光学与雷达遥感数据能够提高叶面积指数的估算精度(R2=0.5442,RMSE=0.81),优于单源遥感数据拟合经验模型(DVI经验模型:(R2=0.485,RMSE=1.27))、基于权重的光学微波联合模型(R2=0.447,RMSE=1.36)和物理模型查找表法(R2=0.333,RMSE=1.36),并当叶面积指数大于3时,对其由于信息饱和或误差引起的低估或高估现象具有一定的抑制作用。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R ²为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数(Leaf Area Index,LAI)对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数(Vegetation Index,VI),利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R~2为0.44～0.58;RMSE为0.16～0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R636))相比其他反演模型预测精度较高(R~2=0.58,RMSE=0.16);6种植被指数与LAI高度相关,相关性系数R2为0.85～0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R~2为0.66～0.72,RMSE为0.12～0.14;其中mNDVI构建的LAI估算模型(LAI=exp(2.76～1.77/mNDVI))精度最高(R~2=0.72,RMSE=0.13)。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

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。     

基于高分数据木里煤矿植被覆盖度遥感估算

木里煤矿是青海省最大的露天煤矿,该煤矿的大量开采影响了木里镇的生态平衡,本文通过估算木里煤矿区域的植被覆盖度验证该区域的生态情况,经估算,木里煤矿区域2016～2018的年平均植被覆盖度分别为0.22、0.43、0.54。从计算结果表明木里煤矿区域的植被覆盖度在逐年增加,恢复情况较好。通过研究木里煤矿近3年的植被覆盖情况可以反映出矿区的恢复与治理效果较好,同时为其它矿区的恢复与治理提供参考。     

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。     

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。     

遥感卫星叶面积指数产品验证服务质量评价及流程研究

随着遥感技术的广泛应用和实践,遥感不再只是提供卫星图像数据,而是提供包括土地利用变化、叶面积指数(LAI)、植被指数、干旱指数等在内的各种产品服务.遥感叶面积指数作为全球遥感产品中的重要组成部分,其应用领域较广,涉及农业、林业、生态环境、气候变化等领域,各个行业对LAI产品验证精度的需求不同,因此如何综合诸多产品验证的共性制定一套科学的验证服务质量评价及流程,是急需探索和研究的技术难点.通过分析总结LAI产品的生产、管理、应用以及技术层面上的操作运行过程,提出产品验证服务质量评价流程,应分为需求调查、验证服务、满意度评价、信息反馈、服务改善等环节;进而,在构建LAI产品验证服务质量评价指标的基础上,提出采用服务质量差距模型对验证服务的满意度进行评价.本研究对于提高我国对地观测体系建设中的遥感产品服务质量具有一定的参考价值.     

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。