青城山地区植被光谱与叶面积指数关系初探

根据青城山地区所采集的植物高光谱数据,提取了三种植被指数:①归一化植被指数(NDVI);②比值植被指数(RVI);③差值植被指数(DVI)。并结合该研究区实测的相应叶面积指数(LAI),分别建立各植被指数与叶面积指数之间的转换模型,得出了预测模型。结果表明:采用比值植被指数RVI进行试验区的LAI反演效果更好。本次研究结合植被光谱与植被指数,反映了植被指数与对应叶面积指数之间的关系,为二者之间的相互转换提供必要参考,为森林遥感监测提供了一定的依据。     

基于自回归神经网络的时间序列叶面积指数估算

叶面积指数LAI是众多气象、环境、农业等模型的关键输入参数。尽管具有多个传感器的全球LAI产品已经相继发布,但是由于受反演方法的局限性以及反射率产品质量的影响,这些由单一传感器数据得到的LAI产品在时间上表现出一定的不连续性,这与自然生长植被的LAI变化规律不能一致。而神经网络在对复杂的、非线性数据的模式识别能力方面具有出色的表现。如在3层神经网络中,只要对隐层采用非线性递增映射函数,输出层采用线性映射函数,就可以用于对任意连续函数进行逼近。对于具有相同植被覆盖类型的同一地点多年的LAI数据,在无自然灾害和人为破坏的前提下,可以构成一个非线性的、连续的时间序列。通过融合MODIS和VEGETATION两种传感器产品,在利用相同植被类型的LAI时间序列来建立自回归神经网络,即NARX神经网络的同时,引入红、近红外和短波红外3个波段上时间序列的反射率以及相应的太阳天顶角、观测天顶角和相对方位角作为NARX神经网络的外部输入变量,并最终达到估算时间序列LAI的目的。验证结果表明,NARX神经网络非常适用于时间序列的LAI估算,并且其预测的LAI比原始的MODIS LAI在时间序列上表现的更连续和平滑。因此,该方法在...