多源遥感数据协同的景洪橡胶林叶面积指数光饱和特征研究

本研究以云南省景洪市机载激光雷达飞行范围内的热带橡胶林为研究对象,基于LiDAR和Landsat 8 OLI数据,利用机载LiDAR点云数据提取地面LAI,借助地统计学中的半方差函数,对叶面积指数各原始波段光谱饱和特性进行分析。结果表明：近红外波段的反射率随着叶面积指数的增大而增大进而达到饱和,其余波段反射率随着叶面积指数的增大而减小进而达到饱和;在可见光范围内叶面积指数饱和值随着波长的增加而增加;在近红外和短波红外波段叶面积指数饱和值随着波长的增加而减小,结果虽然呈现出一定的规律性,但是差异并不是很明显。Landsat 8 OLI的1～7波段的饱和值分别为5.08、5.19、5.22、5.42、7.51、5.62、5.62,最大值为近红外波段,饱和值为7.51,最小值为海岸波段,饱和值为5.08,除近红外波段饱和值较大之外,其余波段的饱和值均介于5～6之间。     

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%。     

华北落叶松林立地因子提取及立地指数遥感估测

根据2019年Landsat8 OLI光学遥感数据和塞罕坝机械林场地区2020年森林资源二类清查数据以及临时样地数据,编制塞罕坝机械林场华北落叶松林立地指数表,并得到华北落叶松林小班立地指数。在小班尺度上获取影像的光谱、纹理、植被指数、线性变换、地形等6个种类59个特征,利用极限梯度提升算法(XGBoost)提取华北落叶松林小班林分因子信息估测立地指数。结果表明：遥感-立地因子特征立地指数估测模型的精度更高,准确度为0.877 376,召回率为0.894 318,精确率为0.926 923,F₁值为0.908 221。因此,在立地指数估测中,将多光谱遥感特征与立地因子提取相结合具有应用潜力。     

应用遥感数据反演针叶林有效叶面积指数

以红壤丘陵典型区千烟洲及其周边为研究区,利用陆地卫星TM图像数据和同期野外实测的37个针叶林样地有效叶面积指数数据,分析了遥感植被指数与湿地松、杉木林、马尾松和针叶林总体之间的相关关系,进而分别建立了遥感植被指数与不同林型针叶林有效叶面积指数间的线性与非线性回归模型.研究表明,遥感植被指数与不同林型针叶林有效叶面积指数存在较好的相关性,但不同林型之间的相关系数存在一定差异;所建立的针叶林有效叶面积指数遥感反演模型以三次曲线回归方程拟合精度最高.     

基于多源遥感的冬小麦叶面积指数监测研究

在江苏省泰兴市利用多源Landsat/TM遥感影像提取植被指数NDVI,并对不同时期的冬小麦叶面积指数(LAI)进行了监测研究.结果显示:拔节期NDVI与LAI的相关性较好,线性拟合模型的决定系数达0.7659;利用拔节期线性拟合模型对开花期的LAI进行预测,预测值与实测值较为一致,RMSE为0.426.表明利用拔节期LAI监测模型推测开花期的LAI数据信息是可行的,有利于区域冬小麦的LAI分级图的快速制作.该方法可为大面积冬小麦长势信息的及时、快速获取提供技术支持.     

应用遥感数据反演针叶林有效叶面积指数研究

以红壤丘陵典型区千烟洲及其周边为研究区,利用陆地卫星TM图像数据和同期野外实测的37个针叶林样地有效叶面积指数数据,分析了遥感植被指数与湿地松、杉木林、马尾松和针叶林总体之间的相关关系,进而分别建立了遥感植被指数与不同林型针叶林有效叶面积指数间的线性与非线性回归模型.研究表明,遥感植被指数与不同林型针叶林有效叶面积指数存在较好的相关性,但不同林型之间的相关系数存在一定差异;所建立的针叶林有效叶面积指数遥感反演模型以三次曲线回归方程拟合精度最高.     

有效叶面积指数与真实叶面积指数的模型转换

介绍了叶面积指数主要的测量方法(直接法和间接法),并分析了各种方法的优缺点。同时针对LAI-2000测量的有效叶面积指数较真实值偏小的问题,以小兴安岭林地为研究区,利用外业调查得到的有效叶面积指数,以及根据生物量之间的关系计算得到真实叶面积指数,建立了有效值和真实值二者的线性回归模型,并进行了精度验证,结果表明,该方法可行,精度较高。     

红壤丘陵区针叶林有效叶面积指数遥感反演模型

以红壤丘陵典型区千烟洲及其周边为研究区，利用陆地卫星TM图像数据和同期野外实测5的37个针叶林样地有效叶面积指数数据，分析了遥感植被指数(NDVI)与湿地松、杉木林、马尾松和针叶林总体之间的相关关系，进而分别建立了NDVI与不同林型针叶林有效叶面积指数间的线性与非线性回归模型。研究表明，NDVI与不同林型针叶林的有效叶面积指数存在较好的相关性，但不同林型之间的相关系数存在一定差异；所建立的针叶林有效叶面积指数遥感反演模型以三次曲线回归方程拟合精度最高。     

基于多源遥感数据的罗平油菜种植面积提取方法研究

基于GF-1 WFV和Landsat8 OLI遥感数据,采用面向对象的最邻近法和基于像元的最大似然法,提取罗平县油菜种植区域,并基于实地样本点构建混淆矩阵进行精度验证,比较提取的油菜种植面积的相对误差。结果表明：针对2种数据源,2种方法提取效果均较好。通过对比,采用面向对象的分类方法能更好地避免复杂山区混合像元错分及漏分问题,其在总体精度、Kappa系数以及油菜的生产者精度和用户精度等方面,均优于传统基于像元的分类方法,更适用于喀斯特山区的地物信息提取。在相同数据不同方法方面,采用最邻近法提取GF-1 WFV数据,所得油菜种植面积的相对误差仅为0.74%,精度远高于最大似然法提取该数据的相对误差(-7.37%);对于Landsat8 OLI数据,最邻近法提取的面积精度同样高于最大似然法。相同方法不同数据方面,最邻近法更适用于空间分辨率较高的GF-1 WFV数据,而最大似然法更适用于光谱信息更丰富的Landsat8 OLI数据。     

基于MODIS LAI产品的海南岛橡胶林叶面积指数时空变化特征及其影响因素分析

[目的]分析2000-2020年海南岛橡胶林叶面积指数时空变化特征及其影响因素,为海南岛橡胶林种植长势监测、产量估算及空间优化提供科学参考.[方法]文章选择长时间序列MODIS LAI数据,利用最大月值合成、线性趋势分析及空间分析方法.[结果](1)从季节变化特征来看,海南岛橡胶林LAI月值经历了一个波动变化过程,2月...     

基于CASI高光谱遥感数据的森林叶面积指数反演

高光谱遥感技术能够快捷、准确、无损坏地估测森林LAI,从而有效地监测森林长势,估测森林生物量,评价森林病虫害等。以黑龙江凉水自然保护区为例,利用高光谱遥感技术和GPS测量技术,结合地面实测LAI数据,采用从CASI图像提取的NDVI、SR、MSAVI 3种植被指数,与地面实测的LAI建立统计回归模型,然后再从众多的统计模型中根据相关系数,筛选出由CASI反演LAI的最佳植被指数和回归模型。     

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。     

不同遥感影像空间分辨率对川西南山地常绿阔叶林有效叶面积指数估测的影响

【目的】分析遥感影像不同空间分辨率对LAIe估测结果的影响。【方法】基于地面调查的83个20 m×20 m样地和Landsat-8、SPOT-5、Pleiades-1遥感数据,以川西南山地常绿阔叶林为研究对象,运用偏最小二乘回归分析法,估测了2 m、10 m、30 m 3种尺度(粒度)上区域森林有效叶面积指数(LAIe)。【结果】3种分辨率的遥感数据提取的植被指数NDVI、SAVI对LAIe估测最为重要(Landsat-8:NDVI、SAVI的VIP=1.662;SPOT-5:NDVI、SAVI的VIP=1.573;Pleiades-1:NDVI、SAVI的VIP=1.423)。3种传感器的NDVI、SAVI的相关系数大于0.8,均达极显著水平。对LAIe回归估测检验显示,Landsat-8的决定系数R2=0.793,精度P=79.8%;SPOT-5的决定系数R2=0.853,P=84.4%;Pleiades-1的R2高达0.898,估测精度最高,达89.5%。【结论】不同空间分辨率的影像对LAIe估测有显著影响,使用高空间分辨率数据能显著提高LAIe估测精度。     

毛竹林分冠层叶面积指数高光谱估测

叶面积指数(leaf area index,LAI)是体现林分冠层结构的一项重要参数,其准确估测对于精准林业的实施具有重要意义。为了快速、无损地监测毛竹林LAI,采用ISI921VF-256野外地物光谱辐射计和LAI-2200冠层分析仪获取福建省西北部毛竹林分冠层光谱反射率和LAI值,通过敏感波段的选取,新建了8类植被指数,分析了LAI值与对应植被指数的相关性,进而利用随机森林回归、支持向量回归和反向传播神经网络法构建了毛竹林分冠层LAI高光谱估测模型,以决定系数(R2)、均方根误差(ERMS)、平均绝对误差(EMA)和估测值与实测值的回归线斜率为指标评价并比较了模型预测精度。结果表明:新建的NDVI_(674)、NDVI_(687)、GNDVI_(563)、GRVI_(563)、RVI_(674)、RVI_(687)、DVI_(674)、DVI_(687)八类植被指数与LAI均呈极显著相关(P<0.01)。建立的RFR模型中,决定系数R2达到0.732 3,分别比SVR模型和BP模型提高了0.106 6和0.247 0;其EMA为0.406 2,分别比SVR模型和BP模型减少了0.044 8和0.481 1;其ERMS为0.646 3,略高于SVR模型,但远小于BP模型;其实测值与估测值的回归线斜率接近1,优于SVR模型和BP模型的回归线斜率。RFR模型对毛竹林分冠层LAI的高光谱估测效果优于SVR模型和BP模型,可用于大区域范围毛竹林冠LAI的高光谱估测。     

大兴安岭地区森林叶面积指数测定与遥感估算

为研究分树种测定并估算植被叶面积指数(IL,A),以大兴安岭地区塔河林业局为研究区域,利用TRAC-Ⅱ对41个样地真实叶面积指数进行了测定,并与基于TM遥感影像提取的植被指数进行了相关性分析,建立模型进行IL,A估算。对外业实测样地数据与其对应提取的遥感数据进行了两种分析:一种为纯针叶树种区域分析,另一种为不分树种的区域分析。结果表明:归一化植被指数(IN,D,V)、差值植被指数(IR,V)、比值植被指数(ID,V)与IL,A均有较高的相关性,其中IN,D,V与IL,A的相关性最好,在纯针叶树种区域分析中R2=82.1%,在不分树种的区域分析中R2=77.1%。分析结果还表明:分树种后的纯针叶树种区域分析比不分树种的区域分析估算IL,A的精度明显提高,估算模型精度提高了5%。     

棉花叶面积指数的遥感估算模型研究

 【目的】棉花叶面积指数是反映作物生物量的重要参数,本文旨在运用遥感数据对这一参数进行估算,为叶面积指数的获取提供更方便快捷的估算模型。【方法】采用美国ASD公司FieldSpec? 手持便携式光谱分析仪所获取的棉花冠层光谱反射率和从中等分辨率的遥感图像提取的植被指数,利用相关分析和回归分析方法,找出叶面积指数的最佳估算时相期和最佳遥感估算模型。【结果】棉花的整个生育期内,叶面积指数在时间曲线上呈现出波动变化,在始铃期棉花的叶面积指数达到峰值,据此规律通过提取该时期的遥感数据,得出棉花叶面积指数的遥感估算模型。【结论】棉花叶面积指数的最佳估算时相是盛花期和结铃期,各品种棉花叶面积指数的遥感估算模型通过精度检验,拟合R2与检验R2 均达到了极显著水平。     

基于优化k-NN模型的高山松地上生物量遥感估测

针对传统k-最近邻法（k-nearest neighbor,k-NN）在搜索最近邻单元时赋予特征变量相等的权重,缺少对特征变量加权优化等不足问题,在云南省香格里拉市,以高山松Pinus densata为研究对象,基于49块实测标准地,116株高山松样木和Landsat 8/OLI影像,在前期进行基于遗传算法（genetic algorithm,GA）优化的k-NN模型实现的基础上,对k-NN的3个参数（k,t和d）进行反复测试优化组合,在像元尺度上对研究区高山松地上生物量进行遥感估算。结果表明:基于遗传算法优化的k-NN模型精度优于传统的k-NN模型,优化前均方根误差为30.0 t·hm-2,偏差为-0.418 t·hm-2,相对标准误差百分比（R_MSE）为54.8%;优化后均方根误差为24.0 t·hm-2,偏差为-0.123 t·hm-2,R_MSE为43.7%。基于优化k-NN模型的研究区高山松地上生物量总储量估测结果为0.89×107 t。     

小兴安岭白桦次生林叶面积指数的估测

叶面积指数(LAI)是量化冠层结构最常用的参数之一,准确估测LAI对森林生态系统结构特性的研究具有重要意义.利用半球摄影图像法和LAI-2000法及半球摄影图像法结合凋落物法估测了小兴安岭白桦次生林LAI及其动态变化.首先对该林型叶凋落末期(11月初)的半球摄影图像进行合理校正(包括木质部分所占比例α,冠层水平集聚指数ΩE,校正值作为该时期常绿树种的真实LAI(LAIt),结合各调查期的凋落物数据,得到落叶季节(7-11月)的LAIt,并以该值为参考值,对比分析了两种光学仪器法估测值.结果表明:两种光学仪器法在LAI最大时期低估(分别低估2.83％、6.20％),其他时期显著高估(平均高估118.13％、89.34％),但两种光学仪器法与探讨方法估测值存在很好的相关性:LAIt=-1.1393+1.0934·LAIHP,R2=0.80; LAIt=-0.1712+0.6259·LAILAI-2000,R2=0.83.研究结果可为将来方便、快捷、准确的估测白桦次生林的LAI提供参考.     

大气校正模型对阔叶林叶面积指数遥感估算的影响

【目的】为利用遥感技术定量提取区域尺度的阔叶林叶面积指数前的大气校正模型选择提供科学依据.【方法】分别利用6S模型、FLAASH模型和ATCOR2模型对Landsat 8 OLI影像进行了大气校正,分析了3种模型下的阔叶林叶面积指数(LAI)与多种植被指数(VI)相关性,建立了LAI-VI的线性和非线性的回归模型,最后通过验证数据组LAI预测值(Y)与LAI实测值(X)的均方根误差(RMSE)及线性相关性大小对阔叶林LAI遥感估算结果进行了精度对比.【结果和结论】ATCOR2模型不适于阔叶林LAI-VI的回归建模;除比值植被指数(RVI)外,FLAASH模型与6S模型下的阔叶林LAI与增强型植被指数(EVI)、修正土壤调节植被指数(MSAVI)有较好的相关性,其中FLAASH模型下的阔叶林LAI-MSAVI幂函数模型拟合优度最佳;FLAASH模型的阔叶林LAI估算精度优于6S模型;借助遥感技术定量提取植被生理参数时,应慎重选择适宜的大气校正模型.