不同叶面积指数遥感反演方法对红壤丘陵区森林的适用性分析

利用Landsat TM遥感影像和同期的叶面积指数(LAI)观测数据生成了江西省泰和县30 m LAI图.据此比较了基于4-尺度几何光学模型反演的LAI和MODIS LAI的质量.结果表明,基于4-尺度几何光学模型反演的LAI和MODIS LAI存在着明显的差异,两者相关的R2为0.312 5,在1 km尺度两者的平均值比TM LAI的平均值分别偏低14.0%和11.7%;在LAI低值区,MODIS LAI偏高,基于4-尺度几何光学模型反演的LAI偏低,而在LAI的高值区(LAI ＞6.0),MODIS LAI和基于4-尺度几何光学模型反演的LAI都偏低,MODIS LAI的偏低尤为明显,达31.4%.     

基于Logistic模型的春玉米MODIS LAI产品订正

基于Logistic模型,利用2011—2013年辽宁省实测的叶面积指数和作物发育期数据,构建回归模型对MODIS LAI产品进行订正及效果检验。以抽雄期为分界线,分2个时段构建Logistic模型,对春玉米的全生育期进行模拟,利用模拟结果建立MODIS LAI产品的多种订正模型,其中二次多项式模型相关性最好,决定系数达到0.975。利用2013年实测数据对订正模型进行检验,在抽穗期和乳熟期将MODIS LAI产品监测误差从45%降低到10%左右,为提高MODIS LAI产品在中国北方地区旱田的适用性和反演精度提供数据基础。     

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。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI估算模型；最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。     

基于点云体素化的单木叶面积指数地基遥感反演

以黑松、马尾松、荔枝、相思树为对象,采用地基激光雷达获取点云数据,基于点云体素化理论,分割叶片点云,建立"叶片—体素"的投影关系,研究体素化理论中尺度因子与点云密度对叶面积指数(LAI)反演精度的影响,实现单木LAI的高精度获取。结果表明,样木反演的LAI随着尺度因子的增大而增大,最优尺度区间为1.2~1.3,样木LAI最优反演精度范围为93.3%~99.9%,决定系数R~2为0.989 3,反演结果与实测LAI具有较高相关性;在最优尺度区间下,样木LAI反演精度随着点云密度的降低而减小,最大精度为98.63%,最小精度为84.14%,点云密度对单木LAI反演精度影响不大。     

多层离散各向异性辐射传输模型在玉米叶面积指数垂直分布反演中的应用

为更准确地监测玉米叶面积指数(leaf area index, LAI)垂直分布,以多层离散各向异性辐射传输(discrete anisotropic radiative transfer, DART)模型构建的模拟数据集为基础,提出一种条件约束的LAI垂直分布反演方法。首先,基于3层垂直分布场景,评价DART模型对玉米冠层反射率和光合有效辐射(photosynthetically active radiation, PAR)的模拟效果,并构建相应的模拟数据集。其次,基于模拟数据集构建LAI和PAR单参数反演模型。最后,以单参数反演模型为先验知识,通过求解约束化问题实现基于高光谱植被指数的玉米冠层LAI垂直分布反演。结果表明:相较于单参数反演模型,约束优化条件下的反演模型精度更高。玉米上层LAI反演结果的决定系数(R2)提高0.022,均方根误差(root-mean-square error, RMSE)降低0.016 m~2/m~2,归一化均方根误差(normalized root-mean-square error, NRMSE)降低1.3%;玉米中层LAI反演结果的R2提高0.08,RMSE降低0.219 m~2/m~2,NRMSE降低10.1%;玉米下层LAI反演结果的R2提高0.069,RMSE降低0.041 m~2/m~2,NRMSE降低4.6%。说明利用条件约束优化的方法进行玉米冠层LAI的垂直分布反演,能有效提高反演精度。     

基于通用光谱模式分解(UPDM)算法的光谱指数一致性研究

由于传感器之间的光谱尺度差异和空间分辨率、成像几何、大气校正精度等因素的共同影响,不同传感器下光谱指数的一致性会受到不同程度的影响。研究选取了HJ和MODIS卫星遥感数据,通过通用光谱模式分解(universal pattern decomposition method,简称UPDM)算法将卫星HJ1A-CCD2(简称HJ)数据进行光谱重构,从而模拟生成对应的MODIS数据,然后分析光谱指数在原始HJ、原始MODIS和模拟MODIS数据之间的差异大小,探讨UPDM算法在不同程度上减小了光谱尺度引起的光谱指数的不确定性,即提高了其一致性。研究结果表明:针对模拟MODIS和原始MODIS数据,光谱指数的确定系数平均值为0. 460 3,差值平均值为0. 811 6,与原始HJ和原始MODIS相比较,一致性有所提高并且差异性变小,减小的差异性即看作是光谱尺度对光谱指数的影响,因此可判断UPDM算法削弱了光谱指数的光谱尺度不确定性,即提高了不同传感器间光谱指数的一致性。研究可为植被理化参量高光谱定量反演模型的构建及精度的提高提供一定的理论基础。     

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。     

不同滤波算法对反演叶面积指数的影响

目的使用离散型激光雷达数据反演叶面积指数（LAI）的过程中,数据预处理的关键步骤为激光雷达滤波。穿透指数（LPI）作为反演过程中的重要变量,需要根据点云的类型计算,从而直接受到滤波精度的影响。因此,滤波算法的精度能间接影响到反演LAI的精度。虽然滤波算法不断改进,滤波精度逐渐提高,应用在越来越多的场景,但关于不同滤波算法对反演LAI精度影响的探讨较少。方法本文通过对机载LiDAR滤波算法历史、发展和现状的调研,最终选择混合滤波算法（Hybrid）、自适应不规则三角网滤波算法（ATIN）、形态学滤波算法（Morph）和基于坡度滤波算法（Slope）为研究对象;分别使用这4种算法,得到点云中的地面点;根据Beer-Lambert定律,反演帽儿山国家森林公园落叶松林和榆树林的LAI;以经过评估的精度更高的Hybrid算法为标准,计算另外3种算法的滤波精度和LPI偏差;对比分析LAI反演模型的平均精度;最后,通过分析不同误差来源的影响强度,确定了反演LAI时较好的滤波算法。结果在最佳的采样半径下,经过Hybrid、ATIN、Morph和Slope滤波算法处理,LAI反演模型的平均精度,在落叶松林,R2分别为:0.900 3、0.876 3、0.892 5、0.877 0;RMSE分别为:0.105 6、0.134 5、0.109 7、0.133 2;在榆树林,R2分别为:0.914 4、0.903 0、0.887 2、0.900 0;RMSE分别为:0.269 0、0.201 7、0.189 4、0.207 0。在落叶松林,I类误差较大的Morph算法,能保证较高的模型精度;而II类误差较大的Slope和ATIN算法对应的反演模型精度较低。结论经不同滤波算法处理得到的LAI反演模型精度存在差异,经混合滤波算法处理其对应的LAI反演模型精度更高,形态学滤波算法的滤波精度较低,对应的反演模型精度较高;滤波算法导致的I、II类误差中,II类误差对LAI反演模型的影响更大。      

全天候区域地表蒸散发反演——以黑河流域为例

【目的】蒸散发是生物圈、岩石圈、水圈、冰雪圈和大气圈中水分循环和能量传输的重要控制因素。为克服区域尺度方法的主观性和站点尺度方法难以反映气象因子空间异质性的局限,文章以中国境内黑河流域为研究区域,使用2012年6月1日至9月15日的MODIS数据与CLDAS格网气象数据探索区域尺度全天候蒸散发遥感反演。【方法】该文利用逐像元地表温度—植被指数特征空间方法和Penman-Monteith公式分别估算晴空像元和有云像元的地表蒸散发,实现了区域尺度全天候蒸散发遥感反演。在分析研究区CLDAS气象数据的精度基础之上,利用MODIS数据反演的短波辐射来替代CLDAS气象数据中的短波辐射,作为全天候地表蒸散发的输入参数。最后,利用黑河流域4个不同站点实测的地表蒸散发数据对反演值进行验证。【结果】利用MODIS短波辐射代替CLDAS气象数据中的短波辐射,能够显著提高蒸散发的反演精度,4个站点反演值与实测值之间的平均均方根误差为76.3 W/m2。【结论】利用MODIS数据和CLDAS数据可以获得区域尺度的全天候蒸散发。在缺乏短波辐射数据或短波辐射数据精度较低的情况下,利用MODIS数据反演得到的短波辐射作为蒸散发模型的参数输入,能较大地提高蒸散发的反演精度。     

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%。     

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。     

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R²）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R²为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。     

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。      

基于MODIS时间序列数据的竹林地上生物量估算

  目的  基于浙江省中分辨率成像光谱仪(MODIS)时间序列数据,对浙江省竹林地上生物量进行估算,为竹林碳汇遥感监测提供参考。  方法  以MODIS叶面积指数(LAI)、增强型植被指数(EVI)和比值指数(RVI)时间序列数据为变量,利用随机森林模型筛选变量,采用支持向量回归(SVR)模型估算研究区竹林地上生物量。  结果  随机森林模型共筛选出43个对竹林地上生物量影响最大的变量;基于43个变量,采用radial核函数构建的SVR模型预测能力最强,模型训练精度和测试精度分别为0.76和0.72,均方根误差分别为5.15和8.03 Mg·hm?2。浙江省全省竹林地上生物量均值为7.85 Mg·hm?2,总地上生物量为3.31×107 Mg;浙江省竹林地上生物量在各市具有明显的差异性,其中,湖州市、杭州市、金华市、绍兴市和宁波市的竹林地上生物量均值均大于全省均值,湖州市竹林地上生物量均值最大,为13.56 Mg·hm?2,舟山市地上生物量均值最小,为5.72 Mg·hm?2。  结论  耦合了MODIS LAI、EVI、RVI时间序列数据的SVR模型可实现浙江省竹林地上生物量较高精度的估算。图3表1参31     

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。     

棉花叶面积指数冠层反射率光谱响应及其反演

【目的】研究棉花冠层光谱对不同叶面积指数（LAI）的响应，建立棉花LAI光谱反演模型。【方法】利用2003～2004年采集的棉花光谱与LAI的246组数据，分析LAI与冠层反射率光谱和反射率一阶微分光谱间的定量关系。【结果】当LAI大于2.5后不同LAI棉花群体光谱反射率在可见光波段趋于饱和；LAI与可见光波段和短波红外波段（水分吸收带除外）光谱反射率呈显著负相关，与近红外波段高光谱反射率呈显著正相关；LAI与棉花反射率一阶微分光谱主要在蓝边（523～531 nm）、黄边（570～576 nm）、红边（700～755 nm）形成3个相关系数高台区，均达极显著水平，其中红边区的相关性最高。棉花红边位置固定，分别在718 nm和723 nm，且以 723 nm处对LAI更敏感。在反演棉花LAI的高光谱参数中VI (660、800)、VI (550、800)、VI (500、800)、VI (670、800)、Sdy (570～573 nm)、SDr (714～755 nm)、D723、Dr 估算LAI相对误差低于30%，RSME小于0.6，其中VI (600、800)、VI(550、800)两个参数估算水平最高，相对误差分别为21.7%与21.0%，RMSE分别为0.416与0.419；利用SDr与SDr/SDb分别对LAI大于1.0 与小于1.0 的棉花群体反演，能显著提高LAI的估算水平。【结论】应用高光谱分析方法能够提取棉花冠层特征光谱信息，构建LAI高光谱反演参数，建立估算模型，并且利用包含不同光谱参数的分段模型可以进一步提高LAI反演精度。     

大连市区MODIS数据PM_(2.5)浓度遥感反演及应用研究

采用大连市区多时相MODIS遥感数据,运用6S大气辐射传输模型查找表反演大气气溶胶光学厚度,解析大连市区不同时期的气溶胶光学厚度分布特征,并结合地面同步自动监测的PM_(2.5)浓度数据,建立PM_(2.5)浓度遥感估算模型,在精度评估基础上将模型反演结果与空气自动监测子站、环境空气质量功能区、植被、高程、污染源分布等做应用分析,为大连市区PM_(2.5)污染区域防治提出参考依据。     

大气辐射校正软件LEDAPS与FLAASH对比研究

针对LEDAPS与FLAASH 2种大气辐射校正软件,从其算法原理、结果的目视效果以及典型地物的光谱特征等方面进行了对比研究,并利用MODIS相关产品分别对2种模型反演的地表反射率及由其反演得到的NDVI结果进行了评价。结果表明,2种软件操作简便,地表反射率反演的精度较高,均能在一定程度上消除大气影响;LEDAPS反演的地表反射率结果相对FLAASH的结果目视效果较好;根据MODIS NDVI产品对反演获得且升尺度后的红光、近红外波段反射率和NDVI结果评价表明,2种模型校正结果与MODIS数据产品相关性较好,均具有相同的变化趋势,2种模型的反演结果均具有较高的精度,且LEDAPS的反演结果精度更高。     

基于ACRM模型与敏感波段的农作物LAI与LCC反演

【目的】面向现代农业生产和管理的数据需求,基于ACRM 冠层反射率模型,探索适 于冬小麦叶面积指数（LAI）和叶片叶绿素含量（LCC）反演的波段选择方案。【方法】文章 考虑高光谱数据降维和CR 模型模拟误差,选出覆盖蓝、绿、红与近红外的5 个波段（波段 选择方案B1）,开展LAI 与LCC 同步反演。然后分别选择LAI 和LCC 的敏感波段,开展对 应参数的反演试验。【结果】（1）基于B1,能够在多数田块实现较为准确的LAI 与LCC 同 步反演（LAI 反演值与实测值间决定系数（R2）为0.860 4,均方根误差（RMSE）为0.963; LCC 反演的R2 为0.814 1,RMSE 为0.069）。（2）仅利用LAI 或LCC 敏感波段反演结果的R2 与RMSE 同时略有升高,但与基于B1 的反演结果相比,无明显差异。【结论】通过该研究与 利用相同数据的前期研究对比发现,旨在高光谱数据降维与限制CR 模型模拟误差的波段选 择,对LAI 反演精度改进作用较为显著。相较而言,仅选用单一目标参数（LAI 或LCC）的 敏感波段,对反演精度改进并不明显。由此,一方面证实了常规反演方法与面向对象反演法 不强调选用单一目标参数敏感波段的合理性;另一方面,并不否定多阶段目标决策（MSDT） 反演法以及一些相关研究提出的,仅采用单一目标参数敏感波段来开展反演的合理性。