基于热暗点植被指数的马尾松林叶面积指数反演分析

为了减少单一角度卫星遥感与传统植被指数在LAI反演过程中的误差，提升马尾松林LAI反演精度，以福建省龙岩市长汀县河田镇马尾松林为研究对象，获取多角度无人机影像和马尾松林LAI实测数据。根据研究区不同波段热暗点指数、植被指数与实测LAI的相关关系，优化热暗点植被指数构建马尾松林LAI反演模型。结果表明，基于红光波段反射率计算的热暗点比值指数HDRI-r（R²=0.398）是研究区马尾松林LAI反演的重要辅助参数；将HDRI-r引入表征研究区冠层结构的传统植被指数NDVI、GNDVI、RVI、MSAVI、NRI、SIPI、VARI，构建的热暗点植被指数NHDRI与实测马尾松林LAI相关性最高，R²为0.406 5；引入热暗点信息的植被指数（NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI）与实测LAI的拟合R²均>0.37，相较于对应的传统植被指数，R²分别提高了82%、333%、295%、161%、1 409%、380%、192%，热暗点信息与传统植被指数的结合能够缓解植被冠层光饱和现象，有效提高马尾松林LAI反演精度；研究区马尾松林LAI范围为0.11~4.28 m²/m²，总体水平偏低，与当地马尾松林以枝叶稀疏、矮小的“老头松”为主的实际情况相符。     

基于“高分一号”遥感影像反演华南地区亚热带典型作物冠层SPAD

【目的】以广州市增城试验基地为例,探索国产高分卫星影像数据在反演华南地区亚热带典型作物冠层叶绿素相对含量（SPAD）的应用.【方法】根据2013年10月1日“高分一号”影像数据和相应的亚热带典型作物的实测数据,建立植被指数与典型作物冠层SPAD之间的关系模型,并分别探讨9种植被指数与SPAD之间线性和非线性关系,以便获得最佳的植被指数和相应的回归模型反演华南地区亚热带作物冠层叶绿素相对含量.【结果和结论】7种植被指数均与亚热带典型作物冠层SPAD有极显著的相关性,其中比值植被指数（RVI）相关性最好,其次是差值植被指数（DVI）.经分析,RVI的指数回归模型Y=31.445e^0.141X（R² =0.889）是反演亚热带典型作物冠层SPAD的最佳回归模型,实际拟合精度达92.75%,故使用该回归模型估测研究区内大范围亚热带典型作物冠层SPAD是可行的.     

基于高分辨率遥感影像的玉米田叶面积指数反演

根据玉米田样地生物物理参量的野外实测数据,对PROSAIL模型输入参数的取值范围进行率定。通过PROSAIL模型参数敏感性分析,确定不同的输入参数设置方案,模拟不同的叶面积指数、叶倾角、叶绿素含量对应的玉米冠层反射率,建立叶面积指数的缨帽三角分布模式,从而获得玉米田红光-近红外波段反射率-LAI查找表,选取宁夏中卫市WV-3高分辨率遥感影像对玉米种植区域LAI进行反演。通过与实测数据比较,分析了PROSAIL模型在高分辨率遥感影像农作物LAI反演方面的适用性,为高分辨率遥感影像反演农作物LAI提供了方法参考。结果表明,PROSAIL模型输入参数的范围率定与不同设置方案的确定是有必要的,并且运用该查找表从WV-3影像反演的LAI与实测数据较一致,查找表均方根误差为0.47,LAI反演均方根误差为0.24。研究表明,该方法在利用WV-3遥感影像进行玉米田LAI反演中具有较强的适用性,能够进行准确有效的大面积叶面积指数遥感反演。     

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.     

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。     

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。     

基于无人机多光谱图像监测棉花冠层含水量

使用无人机搭载的多光谱相机获取田间遥感影像,通过相关性计算选取合适的波段组合,基于多光谱影像间的波段运算得到植被指数(VIs),采用最小二乘法构建棉花冠层含水量反演模型.结果表明,红波段(680nm)和近红外1波段(800nm)间的光谱特征与棉花冠层含水量相关性最高,由此光谱区间构建了归一化植被指数(NDVI)和比值植被指数(RVI),基于NDVI的二阶多项式回归得到了较好的预测结果,R2在0.69以上.使用此方法可以实现棉花冠层含水量的快速、无损监测,从而为田间精准灌溉提供技术支持.     

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。     

GF-1影像遥感监测指标与冬小麦长势参数的关系

为了分析高分一号卫星(GF-1)影像在冬小麦长势监测中的有效性和适宜性,以建湖县冬小麦为研究对象,选取12个植被指数作为遥感监测指标,运用回归分析法探讨遥感监测指标与地面实测冬小麦长势参数的关系,并以回归模型的决定系数(R~2)作为反演精度的评价指标。研究发现,叶面积指数(LAI)、密度和生物量的反演精度较高,其中LAI的反演精度在拔节期最高[监测指标:红蓝色归一化植被指数(RBNDVI),R~2:0.689 4],密度的反演精度在拔节期最高[监测指标:优化的土壤调节植被指数(OSAVI),R~2:0.543 8],生物量的反演精度在孕穗期最高[监测指标:归一化植被指数(NDVI),R~2:0.448 6],说明GF-1影像适合在拔节期进行冬小麦LAI、密度的监测,在孕穗期进行生物量监测。土壤含水量、株高和叶绿素含量(SPAD值)的反演精度较差,最佳回归模型的R~2皆低于0.360 0,说明所选的12个遥感监测指标不适合反演这3个长势参数。除乳熟期外,其他4个生育期中都是LAI的反演精度最高,可见GF-1影像的遥感监测指标与LAI的相关性最好,反演精度最高。本研究结果说明,在进行冬小麦长势监测时,不同的生育期需要采用不同的监测指标,同时GF-1影像则更适合在拔节期和孕穗期进行冬小麦的长势监测。本研究结果在一定程度上为GF-1影像在农情遥感监测中的应用提供了科学依据。     

基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演

【目的】考虑到利用单一植被指数（VI）反演叶面积指数(LAI)时,存在着不同程度的饱和性和易受土壤背景影响的问题,提出通过分段的方式选择敏感植被指数形成最佳VI组合以提高LAI反演的精度。【方法】通过ACRM辐射传输模型模拟数据,结合地面实测光谱数据,选择常用的植被指数进行土壤敏感性分析以及饱和性分析确定LAI的分段点,并在此基础上分段选择最佳植被指数形成组合VI来实现LAI的最终反演,并利Landsat5 TM开展区域条件下冬小麦LAI反演应用。【结果】以LAI=3是较为适宜的分段点,利用植被指数最佳分段组合OSAVI(LAI≤3)+TGDVI(LAI>3)可在一定程度上有效克服土壤影响因素以及饱和性问题,联合反演的结果明确优于单一植被指数反演精度。【结论】通过分段选择最佳植被指数形成联合VI可以有效提高LAI反演精度。     

基于MISR数据大兴安岭地区叶面积指数反演及尺度转换验证研究

叶面积指数(LAI)是气候研究和生态研究中重要的植被冠层结构参数,遥感技术为快速获取大面积叶面积指数提供了有效途径。大兴安岭地区是我国重要的生态功能区,本文以大兴安岭为研究区域,根据森林林分特征,采用基于物理过程的4-Scale几何光学模型,利用多角度MISR遥感数据反演该区域叶面积指数数据。几何光学模型特点在于参数具有物理意义,考虑地面反射的热点效应,模型反演过程不依赖于样本数据适用于大区域反演研究,MISR数据提供同一区域多角度遥感数据,有效解决了单一观测角度植被指数和叶面积指数函数关系饱和点低的问题。由于地面验证数据空间尺度无法满足MISR数据的空间分辨率,本文采用TM数据对样地实测叶面积指数数据进行尺度转换,针对不用坡向叶面积指数空间异质性进行分析,讨论不同空间分辨率验证数据的合理性,研究表明大兴安岭区域使用600m空间分辨率验证数据对MISR数据反演结果检验最优,该分辨率下叶面积指数变化随空间尺度变化趋于稳定,并较好地避免了2种遥感数据几何配准带来的误差。结果表明:4-Scale几何光学模型适用于我国大兴安岭地区森林叶面积指数反演,实验中MISR数据反演叶面积指数的平均绝对误差为25.6%、均方根误差为0.622。本研究为大兴安岭地区叶面积指数大区域快速定量反演提供了研究基础。      

利用Beer-Lambert消光定律遥感反演玉米叶面积指数

利用遥感技术反演大范围玉米叶面积指数,对于田间肥水管理、长势监测乃至产量预测具有重要意义。在野外实测样本的支持下,获取玉米抽雄期的Landsat-8多光谱影像,引进Beer-Lambert定律,利用最小二乘法分析玉米冠层结构的消光系数,构建玉米叶面积指数遥感反演模型,最后采用交叉验证法评价模型精度。结果表明：玉米抽雄期NDVI、LAI呈较明显的正相关关系;基于Beer-Lambert定律的玉米叶面积指数遥感反演模型决定系数可达0.97,LAI空间分布状况与当地农业技术推广部门掌握的玉米实际生长状况基本一致,说明利用Beer-Lambert消光定律方法可以有效地反映玉米群体结构对光照的影响,据此开展玉米叶面积指数遥感反演具有较高的可行性。     

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R²均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。     

基于遥感技术的广州市城市森林叶面积指数推算

应用叶面积指数(LA,I)及叶面积总量表达城市森林的绿量,并采用2004年遥感影像数据推算广州市不同类型森林的LA,I,建立了不同森林类型叶面积指数(LA,I)与归一化植被指数(ND,V,I)的回归模型,结果表明:不同类型森林的LA,I与ND,V,I的关系均可用逻辑斯蒂方程表达;不同森林类型的LA,I因树种、林龄及空间结构的不同而各异,按平均LA,I排序:有林地0.99灌木林地0.78≈疏林地0.78其它林地0.69(3月份数据);广州市森林叶面积总量29.47×108m2,森林的平均LA,I为0.95,市域范围的平均LA,I仅为0.40;不同森林类型对叶面积总量的贡献率与其占有的土地面积比例不相符,应通过采用不同的管理措施来增加其绿量的贡献度。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数,一直是气候变化和生态研究中的热点,遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象,以机载LiDAR和Landsat8/OLI为信息源,结合44块样地实测数据,使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上,进一步构建区域尺度的LAI反演模型,实现景洪市橡胶林LAI的反演。结果表明,基于LiDAR的林分水平模型中,SVR模型最优,决定系数（R²）为0.76,相对均方根误差（rRMSE）为17%,估测精度（P）为83%;以SVR模型估测结果作为区域尺度遥感反演模型的先验样本,结合Landsat8/OLI数据的BP神经网络模型反演效果最好,估测精度达76%。     

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。     

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.