基于PROSAIL模型和多角度遥感数据的森林叶面积指数反演

【目的】基于多角度PROBA/CHRIS遥感数据和野外实测数据,结合PROSAIL模型和随机森林模型反演森林叶面积指数(LAI),以提高植被LAI遥感反演精度,为区域土壤侵蚀遥感定量监测提供新的方法和模型。【方法】以南京市紫金山和幕府山为研究区,采用野外调查、遥感影像、辐射传输模型与数学模型相结合的方法,构建基于PROSAIL模型和多角度PROBA/CHRIS遥感数据的随机森林LAI反演模型,对PROSAIL模型进行敏感性分析和适用性评价,确定最佳LAI反演模型,并利用地面实测LAI进行精度验证和评价。【结果】PROSAIL模型中各输入参数敏感性大小为LAI叶绿素a、b含量Cab叶片干物质含量Cm热点参数SL叶片内部结构参数N等效水厚度Cw;模拟的冠层反射率精度大小为0°36°-36°55°-55°。单角度LAI反演模型中,前向观测角55°精度最高,其决定系数(R2)、均方根误差(RMSE)和平均绝对百分误差(MAPE)分别为0.915 7、0.235 7和0.042 6;相比于传统垂直观测,55°模型的R2提高0.75%,RMSE和MAPE分别降低3.76%和5.12%;相比于非线性回归模型,单角度随机森林LAI反演模型的R2提高0.7%,RMSE和MAPE分别降低15.40%和11.98%;单角度LAI反演模型精度由高到低依次为55°、36°、0°、-55°、-36°。多角度LAI反演模型中,3角度组合(0°、36°、55°) LAI反演精度最高,其R2、RMSE和MAPE分别为0.918 4、0.231 9和0.041 5,相比于单角度55°,R2提高0.29%,RMSE和MAPE分别降低1.61%和2.58%;相比于传统垂直观测,3角度组合模型的R2提高1.05%,RMSE和MAPE分别降低5.31%和7.57%;相比于非线性回归模型,多角度随机森林LAI反演模型的R2提高0.79%,RMSE和MAPE分别降低6.72%和9.19%。紫金山西部区域LAI介于0.44～6.70之间,林地LAI均值为3.04;紫金山西部林地LAI整体上呈北部和南部高、中间低的空间分布格局。【结论】最佳LAI反演模型为基于3角度组合(0°、36°、55°)的随机森林LAI反演模型;一方面,增加观测角度可提供更多植被冠层结构信息,LAI反演精度随观测角度增加而增加,但另一方面,观测角度过多会使像元空间重采样、叶片阴影和土壤阴影等问题带来更多不确定性,LAI反演精度反而下降;无论是单角度还是多角度数据,随机森林LAI反演模型精度均高于非线性回归模型,随机森林模型能够明显提高LAI反演精度,适用于区域植被LAI反演;多角度遥感数据能够反映森林立体结构信息和地物多维空间结构特征,显著改善传统垂直观测数据反演LAI精度较低的问题,从而有效提高植被LAI反演精度。     

基于多元回归模型的叶面积指数遥感反演

采用2011年8月获取的黄丰桥林场SPOT5数据为信息源,并同步开展现地样地调查,依据典型抽样,以不同的海拔、坡度、坡向进行选样,利用手持GPS和LAI-2000植物冠层分析仪,分别对选取的60块样地进行定位和叶面积指数测量。结合遥感数据和实地调查数据,对地理因子和遥感因子变量进行主成分分析,采用逐步回归法筛选出2个主成分建立多元回归方程,对该研究区域的植被叶面积指数进行模拟,精度达到84.17%。结果表明:RVI,NDVI,MSAVI,MCAVI和DVI与LAI之间存在较好的相关性。     

基于高分一号影像光谱指数识别火烧迹地的决策树方法

森林火灾发生后,为及时、准确地掌握森林受灾情况,利用高分一号卫星(GF-1)16m宽幅影像各波段反射率信息,结合计算的归一化植被指数(NDVI)、过火区识别指数(BAI)、阴影植被指数(SVI)、归一化差异水体指数(NDWI)和全球环境监测指数(GEMI)等5种光谱指数,构建森林火烧迹地识别决策树模型(CART);在选取的研究区对该模型方法进行验证,并与最大似然监督分类法和非监督分类(ISODATA)方法所得到的结果精度进行了对比分析,结果表明:采用基于CART模型的决策树方法对火烧迹地识别结果精度较最大似然法总体分类精度提高了4.38%,Kappa系数提高了0.102 4,制图精度提高了14.96%,用户精度提高了8.50%;而采用ISODATA方法识别的火烧迹地的总体精度和Kappa系数都较低,制图精度和用户精度都没有达到1%。     

基于5-scale模型人工针叶林叶面积指数反演

以内蒙古赤峰市旺业甸实验林场人工针叶林为研究对象,以哨兵2A(Sentinel-2A)多光谱遥感影像和外业测量的叶面积指数为数据基础,反演人工林叶面积指数。通过5-scale模型和Liberty模型耦合得到不同输入参数与冠层反射率相对应的查找表,利用编程读取查找表与遥感影像,通过对比遥感影像中红光波段和近红外波段反射率,与查找表中红光波段和近红外波段的反射率最接近的值所对应的叶面积指数值,进而实现叶面积指数反演。结果表明：基于5-scale模型反演的叶面积指数,R²=0.822 2,RMSE=0.941 4,其精度要高于一元线性模型的精度,利用5-scale模型反演人工针叶林叶面积指数是可行的。     

高分一号卫星数据影像校正及融合算法在林业监测中的研究

指出了高分一号卫星是中国高分辨率对地观测系统的首发星。从林业行业森林调查应用出发,针对国产GF-1卫星数据的特点,从国产GF-1影像数据基本特征、正射校正与配准、波段组合影像融合算法比较精度评价等一系列流程进行了研究。研究结果表明:GF-1影像数据校正时,控制点选择为95-105区间数量最为合适;经过Pansharp、PCA、 HIS融合方法定性与定量分析,Pansharp融合算法相对较优。研究为国产卫星数据的行业推广应用奠定理论基础。     

基于叶面积指数的森林郁闭度遥感反演研究

以密云半城子为研究区,以TM影像为数据源,基于RS技术,提取归一化植被指数。根据实测真实叶面积指数及结合土地利用信息确定的聚集度系数,计算有效叶面积指数。在此基础上构建NDVI与有效叶面积指数间的回归模型,最后利用John提出的郁闭度估算模型进行郁闭度的估算,并对估算结果进行精度检验。结果表明:NDVI与有效叶面积指数相关性高,可用于有效叶面积指数的估算;采用有效叶面积指数,综合考虑叶倾角进行郁闭度估算精度较高。     

帽儿山地区叶面积指数遥感反演

以黑龙江省尚志市帽儿山林场(东北林业大学试验林场)为研究区,利用现代卫星遥感技术,结合实地调查采样数据和GPS测量技术,建立了从Landsat TM影像数据提取的植被指数(Vegetation Index,VI)与地面实测的叶面积指数(Leaf Area Index,LAI)的统计回归模型。然后再从众多统计模型中按照各自的相关系数(R)和确定系数(R2),选出反演LAI的最佳模型。     

基于Prospect,Liberty和Geosail模型的森林叶面积指数的反演

针对传统的统计模型方法反演叶面积指数(LAI)具有不稳定、区域不统一性的缺点,本研究从物理机制角度出发,以Prospect,Liberty和Geosail模型为基础,建立查找表从TM影像上反演LAI,并与TRAC实测的LAI比较。结果表明:基于机制模型与查找表的方法反演的LAI与实测的LAI有较好的一致性,实测精度达到83.7%。     

不同年龄火炬松林生物量与叶面积指数模型的研究

根据不同密度林分的资料,对福建省漳州市南靖县奎洋镇森林生态定位站9年生火炬松人工林的生物量估测方程进行了比较,对比了不同密度火炬松林分的叶面积指数,并结合定位站研究的历史资料及其它报道,对不同年龄火炬松生物量及其在各组分的分配进行研究。     

基于国产高分数据的森林蓄积量反演研究

以内蒙古旺业甸林场为研究区,结合地面调查,对高分二号遥感数据进行预处理,并提取光谱信息、植被指数及纹理信息等48个遥感因子,采用Pearson相关系数法筛选出8个因子进行建模。采用多元线性回归、多层感知机、K-近邻、支持向量机、随机森林模型估测森林蓄积量,得到研究区内森林蓄积量反演图。结果表明:1)高分二号影像提取的遥感因子中,基于二阶矩阵的纹理特征均值(Mean)与森林蓄积量的相关性较高;2)随机森林相对于多元线性、多层感知机、K-近邻、支持向量机等方法具有更好的森林蓄积量估测精度,其相对均方根误差(rRMSE)为25.40%;3)研究区内森林蓄积量高的地区主要分布在西部和东南部;森林蓄积量低的地区主要分布在西北部、中部及北部,与实际调查情况一致。国产高分二号影像利用随机森林算法在森林蓄积量反演方面具有一定的潜力。     

楠木人工林树冠体积与叶面积指数预估模型的研究

基于楠木(Phoebe zhennan)人工林5块同定标准地25株枝解析数据,进行楠木人工林树冠体积与叶面积指数预估模型研究,研究结果表明:楠木人工林树冠体积和叶面积指数随着林木胸径、树高、冠幅和冠高的增大而增大;在分析树冠体积和叶面积指数与林木变量的基础上,利用SPSS统计软件建立了树冠体积(V)和叶面积指数(LAI)的预估模型:所建立的楠木人工林树冠体积的预估模型为:V=0.2750L2.253H10.770(L为冠幅,m;H1为冠高,m),叶面积指数的预估模型为:LAI=0.7845+0.5481H1-0.0288H12+0.0007H13;对预估模型进行检验,结果表明,两个模型的预估精度均大于88%,说明所建模型可以较好地预估楠木人工林树冠体积和叶面积指数.     

基于机理模型人工针叶林叶面积指数反演

以内蒙古赤峰市旺业甸实验林场人工针叶林为研究区域,以哨兵2A(Sentinel-2A)多光谱遥感影像和外业测量的LAI为基础,探讨了5-scale+Liberty机理耦合模型和经验统计模型反演人工针叶林LAI的规律。结果表明：基于一元线性模型估测的LAI精度较低,R²=0.619,RMSE=1.6107;基于机理模型反演的LAI较高,R²=0.8222,RMSE=0.9414,并进一步分析了不同步长情况下,5-scale+Liberty模型反演的LAI与实测的LAI之间的关系,步长的大小一定程度上影响LAI反演精度。     

基于LiDAR离散点云能量信息的针叶林叶面积指数反演方法

叶面积指数是森林的重要结构参数,对于研究与植被叶片相关的生物物理活动具有重要意义。为了提高针叶林叶面积指数的估测精度,以吉林省长春市净月潭国家森林公园为研究区,通过对小光斑激光雷达离散点云进行滤波分类处理、拟合波形数据,从中提取5个能量参数,分别用于估测针叶林样方的叶面积指数,通过分析得出I2预测模型最好,R=0.911,P=0.968。结果表明小光斑激光雷达离散点云的能量信息能够较好地估计针叶林的叶面积指数,未来应加大小光斑激光雷达能量参数的应用。     

高光谱遥感森林叶面积指数估测研究现状

文中简要概述了叶面积指数和高光谱遥感的概念, 分析比较了高光谱遥感与传统的宽波段遥感估测森林叶面积指数的优势, 以及利用高光谱遥感数据估测森林叶面积指数的常用方法, 并对目前高光谱遥感估测森林叶面积指数存在的问题行了讨论。     

撑绿竹的叶面积指数测定

运用剪纸称重法对撑绿竹(Bambusapervariabilis×Dendrocalamopsisgrandis叶面积进行了实测,结果表明,叶面积与胸径成直线回归关系,其回归模型为Y=-20092.924+43594.484X。利用该方程可制定撑绿竹胸径与叶面积关系表,计算林分叶面积与叶面积指数。     

基于流形学习的阔叶树叶面积指数的研究

叶面积指数(LAI)是一个量化植物绿色指数的重要参数之一。精确测量叶面积指数对研究生态系统的功能结构特性具有重要的意义。植物生存环境影响植物叶子的形态,叶舒展、卷曲、病虫害引起缺损等几何形态的变化,对于测量带来很大不便。本论文鉴于在传统的叶面积指数的测量方法存在许多弊端,借助于流形学习方法,将三维数据降为二维数据,在二维空间进行数据的精确测量,得到相当准确的叶面积指数,从而获得植物精确的参数有了一定科学依据。     

叶面积指数的主要测定方法

简要地介绍了叶面积指数的概念和研究的意义,总结了当前叶面积指数(LAI)的主要测定方法有直接和间接方法两大类,分析了各种方法的优缺点.认为未来叶面积指数测定的发展趋势是光学仪器法和遥感法的相互结合.     

基于高分二号多光谱数据的树种识别方法

树种识别一直是困扰遥感研究的一个难点,而国产高分二号识别地物和树种具有巨大潜力。选取四川省甘孜州道孚县为研究区,利用高分二号4m多光谱遥感影像,并结合该县的森林资源二类调查结果数据,分别采用最大似然法和支持向量机方法,对利用高分二号数据在树种识别应用中的可能性进行探讨。研究结果表明:所采用的两种方法识别出研究区域主要树种的精度都高于80%,其中:采用最大似然法分类精度为81.79%,支持向量机方法分类精度为86.75%。在先验知识的支持下,利用高分二号多光谱影像也可用于树种识别研究中。     

草坪和地被植物的叶面积指数研究

叶面积指数可直观地反映草坪地被植物的覆盖能力及效果,同时也是决定其生态效益的关键因素之一。由于各地土壤、气候及养护水平的差异植物叶面积指数必然不同,我们既要研究在当地养护条件下不同品种叶面积指数的差异,找出适合本地的品种(如本试验);也要研究品种在不同养护条件下叶面积指数的差异,找出该品种的最佳养护条件。     

基于高分二号遥感数据的森林自然度等级划分

以地面样点为基础的森林自然度评价方法很难获得区域范围森林自然度等级,针对该问题,提出了利用高分遥感卫星影像数据,划分区域范围森林自然度等级的方法。以湖北竹山县九华山林场为试验区域,在选取研究区典型样地的基础上,结合高分二号(GF-2)遥感影像数据的特点,从GF-2影像上提取遥感光谱、纹理等特征并结合地形特征,采用随机森林算法在大尺度范围对九华山林场森林自然度等级进行分类研究。结果发现:以GF-2数据为基础提取的植被指数、光谱、纹理等特征与地形特征结合,采用随机森林算法可较好地划分森林自然度等级,总体分类精度高达93.97%,Kappa系数为0.91。对森林自然度等级影响最重要的6个特征因子为高程、坡向、坡度、纹理均值、光谱主成分变化分量和归一化植被指数(NDVI)。结果表明,基于遥感影像提取的特征和地形特征结合进行森林自然度等级划分的研究方法具有可行性,为大面积区域的森林自然度等级划分奠定基础。