植被叶面积指数遥感反演方法研究进展

叶面积指数(leaf area index,LAI)是描述植被冠层结构关键参数。本文着重介绍遥感反演植被LAI模型理论发展,以及国内外利用不同传感器数据估测LAI的研究进展。     

植被年际变化对蒸散发影响的模拟研究

利用通用陆面模式(CLM3.0)及其植被动力学模式(DGVM)研究植被覆盖度(FC)和叶面积指数(LAI)的年际变化对全球蒸散发的影响。设计两套实验方案,其植被的FC和LAI的气候态相同,但一套实验中植被的FC和LAI有年际变化,而对照实验中则没有。结果表明:(1)在草、灌木、树占优势的地区植被FC年际变化依次减小;LAI年际变化较大的地区集中在草和灌木覆盖的地区,在落叶林地区,春秋两季植被LAI的年际变化也较大。(2)全球树占优势的大部分地区,植被的年际变化使得年平均蒸散发和地表蒸发增加、冠层蒸发和蒸腾减少;而在灌木和草覆盖区,变化则大致相反。(3)低纬度地区蒸散发季节循环变化比较明显,而北半球中纬度地区,蒸散发变化明显区随着纬度增加而在时间上向后推延。(4)FC和LAI年际变化较大时,蒸散发及地表蒸发降低,而蒸腾增加;这些差异随FC和LAI年际变化的增加而增加。单点分析进一步表明植被年际变化不仅改变蒸散发的多年平均值,同时改变其分量间的相对比例。     

激光雷达技术在叶面积指数提取中的研究进展

叶面积指数(LAI)是观测植被生态的重要参数之一，快速、精准获取大尺度的LAI对发展精准林业至关重要。激光雷达技术(LiDAR)能够准确探测植被空间和地形的三维结构，特别是对植被垂直信息分布的获取，具有传统光学遥感技术无法比拟的优势，在森林参数的测量与反演上已经取得了成功的应用。介绍了激光雷达技术原理、传统测量LAI的技术方法及LiDAR反演LAI的优势，重点分析了LiDAR反演LAI的关键技术研究和LiDAR在反演LAI应用中的研究进展，并对LiDAR存在的问题和未来的发展趋势进行了分析总结。     

应用遥感技术估测合肥市植被叶面积绿量

叶面积指数(LAI),它是表征植被冠层结构的最基本参量之一,它影响着植被许多生理和物理过程,如光合、呼吸和蒸腾作用,以及碳循环和降水截留等。应用2003年遥感影像数据对合肥市城市绿量进行推算,采用植被指数作为统计模型的自变量,建立不同植被类型叶面积指数(LAI)与归一化植被指数(NDVI)的回归模型,探讨叶面积指数与归一化植被指数之间的相关性。结果表明,不同植被类型的LAI与NDVI的关系均可用逻辑斯蒂方程表达;不同植被类型的叶面积指数城市森林0.97农田0.62一般绿地0.61,合肥市总绿量2.9×108m2,植被分布区单位面积绿量2.2,不同类型对绿量的贡献率与其占有的土地面积比例不完全相符,应探求建立合理的绿化复层种植结构的具体方法,增加城市绿地的LAI。本研究也可用于研究周边地区相似植被的绿量。     

遥感反演植被叶面积指数的不确定性来源综述

叶面积指数(LAI)是表征冠层结构的关键参数,影响植被光合、呼吸、蒸腾、降水截留、能量交换等诸多生态过程。目前利用不同的卫星遥感数据和反演方法,已经生成了多种全球LAI产品。然而,遥感反演LAI存在着主要由输入数据和反演算法引起的不确定性。本文从地表反射率的光谱特征和大气校正、土地覆盖分类、数据时空分辨率等方面论述了LAI反演输入数据的不确定性;从经验或半经验模型、物理模型以及模型对植被集聚效应方面论述了LAI反演模型的不确定性;最后总结了评价遥感反演LAI不确定性的方法,以及控制、减少不确定性的新途径。     

新疆喀纳斯国家自然保护区植被叶面积指数观测与遥感估算

叶面积指数(Leaf Area Index,LAI)是重要的植被结构参数,调控着植被与大气之间的物质与能量交换,在生态环境脆弱的我国西北部开展植被LAI的研究对阐明该地区植被对气候变化和人类活动的响应特征具有重要的科学意义。利用LAI-2200和TRAC仪器观测了新疆喀纳斯国家级自然保护区森林和草地的有效叶面积指数(LAI_e)和真实LAI,构建了其遥感估算模型,生成了研究区LAI_e和LAI的空间分布图。在此基础上,分析了LAI随地形因子(海拔、坡度、坡向)的变化特征,探讨了将其应用于估算研究区森林生物量密度的可行性,并评估了研究区MODIS LAI产品的精度。结果表明:研究区阔叶林、针阔混交林、针叶林、草地LAI_e的平均值分别为4.40、3.18、2.57、1.76,LAI的平均值分别为4.76、3.93、3.27、2.30。LAI_e和LAI的高值主要集中分布在湖泊和河流附近;植被LAI随海拔、坡度和坡向的变化表现出明显的垂直地带性的特点。LAI随海拔和坡度的增加呈现先增加后减小的变化趋势,坡向对针叶林和草地LAI的影响明显,但对阔叶林和针阔混交林LAI的影响较弱;森林生物量密度(BD)随LAI增加而线性增加(BD=44.396LAI-25.946,R²=0.83),研究区森林生物量密度平均值为120.3 t/hm²,估算的总生物量为5.0×10⁶t;MODIS LAI产品与利用TM数据生成的LAI之间具有一定的相似性(森林R²=0.42,草地R²=0.53),但森林和草地的MODIS LAI产品分别比利用TM数据生成的LAI偏低16.5%和24.4%。     

哈尔滨实验林场主要林分类型叶面积指数(LAI)的测定

以哈尔滨实验林场为研究区,利用可以测量枝叶聚集程度的植物冠层分析仪作为叶面积指数（LAI）测量仪器,分别收集研究区水曲柳人工林和落叶松人工林的夏季LAI数据和冬季的木质部面积指数（WAI）数据,从植被面积指数（PAI）中移除木质材料的信息,获得叶子信息,修正了TRAC测量中所需参数——木质部占总植被面积的比率α,计算了哈尔滨实验林场的水曲柳林和落叶松林的叶面积指数.结果表明：研究区水曲柳林的LAI平均值为4.099,落叶松林的LAI平均值为5.176;水曲柳林的LAI与有效植被面积指数（PAIe）的平均值差别不大,这是由于水曲柳林的木质部分对叶面积指数的贡献与其叶片的聚集度效应基本相当,落叶松林的PAIe与LAI相差达到27％之多,针簇内部尺度的聚集度指数是造成这种差距的主要原因,所以对于针叶林的LAI测量必须要考虑叶子的聚集度效应;哈尔滨地区的水曲柳林TRAC改正参数α的参考值为0.24,哈尔滨地区的落叶松林TRAC改正参数α的参考值为0.30.     

中国北方作物和草地LAI全球产品的精度评价

叶面积指数(Leaf area index, LAI)是陆地表层的生态系统、农业生产、水热能量平衡及全球气候变化等等模型中的关键参量之一。目前已有多种的全球LAI遥感产品,科学评价和对比这些LAI产品精度是准确使用这些数据的重要基础。本研究基于多个时期的地面实测LAI数据和Landsat TM、HJCCD影像数据,对中国北方重要的植被类型玉米、冬小麦和草地的GLOBMAP的LAI数据精度进行验证评价,并将其与MODIS、GEOV1产品进行比较。研究结果表明,在玉米的整个生长季过程中,与MODIS、GEOV1 LAI产品相比较,GLOBMAP LAI产品值与地面实测值、TM影像估算LAI值都更为接近。冬小麦GLOBMAP LAI产品明显低于实际值、HJCCD估算LAI值,冬小麦GLOBMAP LAI产品值较实测值低约2～5左右。草地GLOBMAP LAI值精度不高,其与实测值拟合R~2仅为0.231,比HJCCD影像估算值低0.6～2左右。三种全球LAI产品比较而言,GLOBMAP与MODIS LAI产品值相对较为接近,两者都明显低于GEOV1 LAI产品值,但三种LAI产品都较好刻画了玉米和冬小麦冠层LAI的生长变化过程。本研究可为LAI全球遥感产品准确应用、产品算法改进、精度提高提供科学参考。     

冬小麦生育前期LAI 高光谱反演研究

【目的】冬小麦生育前期稀疏植被条件下叶面积指数反演对于播期、早期苗情监测有重要意义。【方法】文章利用实测冬小麦生育前期冠层高光谱数据,基于相关关系矩阵图筛选7个新的敏感植被指数、优选40个前人研究的双波段组合或多波段组合植被指数,利用单变量回归和偏最小二乘多变量回归分析47个植被指数与稀疏冬小麦叶面积指数(LAI)的相关性。【结果】植被指数PVR(650,550)、VARI(680,555,480)、RVI(1 868,1 946)与LAI相关性好,其中PVR(650,550)与LAI构建的模型拟合度最好,决定系数R~2为0.730,均方根误差RMSE为0.450。而相对单个植被指数,利用多个植被指数的偏最小二乘多元回归模型提高了LAI估算精度,R~2为0.779,RMSE为0.380。【结论】在冬小麦生育前期植被稀疏条件下,利用高光谱数据反演冬小麦LAI是可行的,可为冬小麦早期长势遥感监测提供支撑。     

基于机载LiDAR数据的玉米叶面积指数反演

以机载LiDAR离散点云数据为数据源,基于植被冠层孔隙率与叶面积指数的关系,提出一种反演大田玉米叶面积指数的方法。对反演LAI和实测LAI进行对比分析,结果表明:基于Axelsson改进的不规则三角格网加密方法可以将地面点和非地面点分开,结合高分辨率影像能够提取出玉米冠层点云;基于孔隙率反演LAI,尼尔逊参数的选择对结果影响很大,利用扫描天顶角模拟尼尔逊参数,LAI反演结果接近于真实情况。利用机载LiDAR点云数据能精确地反演大田玉米LAI,该研究方法适用于中等高度的农作物,可以扩展到甜菜、甘蔗等其他中等高度农作物。     

基于ALI影像的植被冠层叶面积指数的遥感反演研究

以鄱阳湖源头之一的梅江流域作为研究区,该地区植被多呈混交状态,且疏密程度不均,针对这一特性,采用EO-1上搭栽的高级陆地成像仪（ALI）生成的多光谱影像作为遥感信息源,对该影像预处理后计算各植被指数信息;考虑到研究区裸地比较多,其中垂直植被指数（PVI）的计算引入土壤线参数.同时,借助植物冠层分析仪LAI-2000实地测量获得研究区的LAI值,而后对采样所得的LAI数据与通过遥感影像所获得的植被指数建立空间位置上的联系,提取出相应点的VI值,拟合两者之间的关系,得到相应的反演模型,在回归模型中依据相关系数R2找出最佳模型,最后反演制图得到该研究区的植被冠层LAI图.     

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数（LAI）是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。     

黑河流域中游盆地玉米作物遥感估产研究

选取黑河流域中游的甘州、临泽县(区)为研究区,以反映区域内主要作物(玉米和春小麦)关键生长期的HJ-1-A/B卫星影像为数据源,反演归一化植被指数(NDVI)等表征植被长势的多种植被指数,并利用时序NDVI数据结合主要作物的物候特征提取出玉米分布信息.在此基础上,利用回归模型建立实测LAI与各植被指数及植被覆盖度的经验关系,获得LAI分布信息;通过建立气温与太阳辐射同纬度、经度及高程之间的统计回归模型,分别模拟得到其空间分布;利用水体指数反演得到对应玉米各生长期的水分条件指数(WI).最后,利用最佳时相的LAI数据结合累积气温、累积太阳辐射与水分条件构建出LAI环境估产模型,估算得到2012年研究区玉米产量及其分布.结果表明,基于LAI环境模型估算的玉米产量,单产水平主要集中在6 500 ～7 500 kg/hm2,平均为6 793.65 kg/hm2,略大于张掖市种子管理局提供的玉米产量均值水平6 750 kg/hm2.     

基于EOS/MODIS资料的江西省水稻长势遥感监测

基于2010年的MODIS数据,进行江西省水稻长势遥感监测指标的研究,提取了4种植被指数作为遥感参数,即比值植被指数RVI、归一化植被指数NDVI、植被状态指数VCI和增强植被指数EVI,并利用植被指数进行叶面积指数LAI的反演,建立了植被指数VI-LAI模型。在VI-LAI模型中EVI、NDVI与LAI的相关性较好。利用LAI的预测值和地面实测数据进行精度的分析,结果显示EVI的三次方(Cubic)模型在各方面都优于其他植被指数和其他模型,因此选择EVI作为水稻的长势遥感监测指标。     

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数(LAI)是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。     

基于高光谱的阿克苏市枣叶面积指数估算模型

[目的]通过将原始光谱数据经过不同的数据变换方式,分析其与枣冠层LAI的相关关系,建立基于高光谱的阿克苏市枣冠层LAI的估测模型,为快速、精确、无损伤、大范围的适时、动态监测植被LAI提供有效途径.[方法]基于原始光谱数据的不同数据变换方式,采用相关性分析和逐步回归分析方法.[结果]不同数据变换后的冠层光谱反射率与枣LAI具有较好的相关性,微分变换后的相关性较原始相关性有所提升.所建模型经过精度评价发现,原始光谱数据经倒数一阶微分变换后估测模型拟合度和预测精度都最高,一阶微分、对数一阶微分、归一化一阶微分次之.[结论]不同数据变换方式后的光谱数据与塔里木盆地枣LAI有显著的相关性,可以用微分、对数微分、归一化微分、倒数微分变换后的数据建立较理想的塔里木盆地枣LAI的估测模型.     

基于多源遥感数据的干旱监测研究

及时准确地监测干旱可以预防其造成的农作物减产。归一化植被指数(NDVI)在监测植被生长状态、农业干旱方面都表现出了良好的特性。但NDVI对干旱的响应具有一定的滞后性。为了及时准确地监测旱情,本研究将热带降雨测量卫星(TRMM)的降雨数据与NDVI结合起来,构建了基于旬尺度的MNDVI干旱监测模型,并以吉林省农作物生长季为例,通过与历史数据、土壤湿度、叶面积指数(LAI)作相关性分析对其进行验证。结果表明:MNDVI监测的干旱变化图与历史记录有很好的吻合性,表明MNDVI监测干旱的准确性好;将MNDVI和NDVI分别与10 cm和20 cm土层的土壤湿度进行相关性分析,结果表明MNDVI在一定程度上可以消除NDVI监测干旱方面存在的滞后性;将MNDVI和降雨状态指数(PCI)分别与LAI进行时间序列分析,发现MNDVI与LAI有良好的一致性,而PCI与LAI没有一致性,表明MNDVI对植被的生长状态能够及时响应,可以用来监测农业旱情。     

温室智能装备系列之十一 近地光谱技术在温室生产中的应用

研究背景 温室生产过程中的作物长势监测是作物生长管理的重要依据。科学地获取第一手的温室作物长势数据、植被生长状态、植被覆盖度等信息,能够为精准水、肥管理提供可靠的基础数据,因此也一直是温室园艺生产环节关注的热点问题。目前,应用比较广泛的是对植被指数的监测,包括LAI和NDVI。     

基于Sentinel-2多光谱数据的枸杞叶面积指数反演

叶面积指数(LAI)是重要的植被生物理化参数,基于物理、经验模型的LAI估算效率和精度有限。为评价机器学习算法在LAI遥感估算中的适用性,本文以宁夏枸杞种植基地为研究区,基于Sentinel-2多光谱数据,结合实测LAI,分析了波段反射率、植被指数与LAI的相关性,并将80组数据随机分成60组训练集和20组测试集,构建3种数据输入模式。将数据进行多次训练,采用决定系数R2和均方根误差(RMSE)作为模型评价指标。结果表明,实测LAI值与波段反射率,植被指数均在(P0.01)水平下极显著相关,且相关系数均高于0.6。训练集中GPR算法均表现出了较强的预测能力,且以波段反射率为输入模式有最好的预测能力,LAI预测值与实测值R2为0.803、0.689和0.699,高于其它算法,RMSE为0.402、0.453和0.441,低于其它算法;测试集中,3种输入模式R2为0.743、0.617和0.638,RMSE为0.451、0.505和0.491,以波段反射率为输入模式反演精度最高。     

欧亚地区植被变化特征分析

利用1982—2002年的LAI资料,采用EOF、最小二乘法等方法,研究了欧亚中高纬地区春、夏季植被的变化情况。分析结果表明,近20年来,欧亚地区春季植被变化最显著的地区在东欧平原和西西伯利亚平原;欧亚地区春季植被异常有"全区一致型"、"东西两端与中间差异型"和"东西差异型"3种模态;欧亚地区夏季植被异常有"全区一致型"、"东西两端与中间差异型"两种模态;总体来看,近20年欧亚地区植被呈现增多的趋势。