冬小麦叶面积指数的高光谱估算模型研究

本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。     

基于NDVI与LAI的水稻生长状况研究

在水稻反射光谱特性与水稻生物参数关系的支持下，以吉林省德惠市夏家点镇为研究区，探讨了一条基于TM遥感影像反演得到的归一化植被指数(NDVI)与地面观测数据叶面积指数(LAI)的水稻生长状况的研究途径，并利用NDVI以及LAI对该区2000年和2001年的水稻生长状况进行了分析研究。     

基于NDVI与LAI的水稻生长状况研究

在水稻反射光谱特性与水稻生物参数关系的支持下 ,以吉林省德惠市夏家点镇为研究区 ,探讨了一条基于TM遥感影像反演得到的归一化植被指数 (NDVI)与地面观测数据叶面积指数 (LAI)的水稻生长状况的研究途径 ,并利用NDVI以及LAI对该区 2 0 0 0年和 2 0 0 1年的水稻生长状况进行了分析研究。     

PROSAIL模型模拟下的植被指数土壤调节能力比较与适用环境分析

为了消除土壤背景信息对植被指数的影响,近几十年发展了土壤调节植被指数系列(SAVI family)。在不同环境条件下,不同指数抗土壤影响的能力不同。在总结了以消除土壤影响为目的的植被指数建立过程的基础上,利用PROSAIL辐射传输模型模拟的两组数据集,比较分析了NDVI、SAVI、TSAVI、MSAVI、OSAVI和GESAVI在不同叶面积指数(LAI)对应不同土壤背景的情况下抗土壤干扰、表达植被信息的能力,指出了不同植被指数应用的最适环境条件。结合植被指数—信噪比图,将这6种植被指数分成3类:在中低LAI值下,若植被覆盖度均匀,OSAVI和TSAVI有较强的消除土壤影响、表达植被信息的能力;当区域LAI分布不均、植被类型混杂时,MSAVI在表达植被信息时具有较好的稳定性。根据每类植被指数的特征,利用MODIS-VI和MODIS-LAI产品初步验证了上述结论的有效性。     

基于森林模型参数先验知识估算高分辨率叶面积指数

目前,估算高分辨率叶面积指数LAI（Leaf Area Index）的常用方法是采用大量地面测量数据和遥感数据建立统计模型,再用统计模型估算LAI。然而,与农田地面测量实验相比,森林地面测量实验获取的观测数据更加有限,这使得基于统计模型的森林高分辨率LAI的估算精度低,难以满足应用需求。为此,本文提出一种基于森林模型参数先验知识、使用森林研究区少量的LAI地面测量数据和归一化植被指数NDVI数据估算森林高分辨率LAI的方法。首先,获取全球20个森林实验区的LAI地面测量数据和NDVI数据,建立LAI-NDVI统计模型并提取森林模型参数的先验知识。然后,以一个新的森林站点Concepción作为研究区,将该研究区的数据分为建模数据和验证数据两个部分。使用研究区有限的建模数据对森林模型参数先验知识进行本地化校正得到优化模型,优化模型用于估算森林高分辨率LAI,使用验证数据评价LAI的估算精度。同时,选取了Camerons站点、Gnangara站点、Hirsikangas站点评价本文方法的LAI估算精度。使用地面测量LAI验证基于森林模型参数先验知识估算高分辨率LAI的结果精度,经验证4个森林站点的均方根误差分别为0.6680,0.4449,0.2863,0.5755。研究结果表明：在仅有少量观测数据时,采用本方法能有效地提高森林高分辨率LAI的估算精度。因此,本方法可为森林高分辨率LAI的遥感估算提供参考。     

多光谱多角度遥感数据综合反演叶面积指数方法研究

叶面积指数是陆地生态系统的一个十分重要的结构参数。用遥感数据求取叶面积指数可以利用光谱的信息,比如通过植被指数来拟合一个经验关系,但很多植被指数明显受土壤背景的影响,对于有明显行结构的农作物,土壤的影响很难消除,植被指数的方法误差较大。多角度遥感包含了大量的地面目标的立体结构信息,具备求解植被特征参数的潜力,但通常多角度遥感反演对光谱信息的利用不足。与以往的反演方法相区别,该文利用行播作物二向反射模型,将多角度与多光谱数据结合进行行播作物LAI反演实验,并对反演算法进行了详细的敏感性分析实验,结果表明采用多角度、多光谱遥感数据相结合的方法可以有效反演行播作物的叶面积指数。     

结合树龄信息的遥感森林生态系统生物量制图

森林生态系统是陆地生态系统中的重要组成部分，其中的地上生物量（AGB，Aboveground Biomass）在全球气候变化和碳循环研究中起着重要的作用。本文利用ETM^＋遥感影像，首先建立了实测叶面积指数（LAI，Leaf Area Index）与实测生物量数据的回归关系，基于遥感叶面积指数图像得到初步地上生物量空间分布图；同时在短波植被指数（SWVI，Short Wave Vegetation Index）与实测树龄之间建立了回归关系，在此基础上得到了树龄空间分布图。然后通过将植被指数（VI，Vegetation Index），LAI，树龄等变量针对不同的树种类型进行逐步回归，得到了较好的回归模型，并结合土地利用／土地覆盖估算了贵州省黎平县的地上生物量，绘制了其空间分布图。统计结果显示：总体森林生态系统的AGB与LAI和RSR（Reduced Simple Ratio）之间有一定的相关关系（R^2=0．895）；杉木林的AGB与LAI和归一化植被指数（NDVI，Normalized Difference Vegetation Index）之间有较强的相关性（R^2=0．93）；针叶树种的LAI与年龄是AGB较好的估算因子（R^2=0．937）；阔叶林的AGB与年龄有一定的相关性（R^2=0．792）；混交林的AGB与LAI和SR（Simple Ratio）有较强的相关性（R^2=0．931）。结果表明，将树龄和土地覆盖／土地利用类型的信息加入到地上生物量估算模型的建立中，是一种改善利用多光谱遥感估算精度的较好的方法。结合土地覆盖／土地利用类型的高分辨率的树龄空间分布图，可为森林生态系统的可持续发展和管理提供科学的论据。     

联合无人机LiDAR与Sentinel-2影像估算大豆叶面积指数

针对利用卫星遥感影像进行大范围反演大豆叶面积指数(LAI)时人工野外样本实测耗时耗力的问题，该文以黑龙江省海伦市、嫩江市两块大豆样地作为研究对象，使用无人机平台获取激光雷达(LiDAR)点云数据，利用孔隙度模型进行大豆LAI反演，根据地面实测数据开展精度评价，并进一步探讨利用无人机LiDAR反演值替代地面实测值进行Sentinel-2卫星影像LAI反演的可行性。实验结果表明，去掉地块边缘混合单元网格影响后，两块大豆样地的LAI反演精度均优于90%。利用无人机LiDAR反演值替代地面实测数据与植被指数构建回归模型，大范围卫星反演LAI精度均优于86%。     

基于环境星CCD数据的冬小麦叶面积指数遥感监测模型研究

以山东禹城为研究区,利用我国自主研发的环境星数据,计算了4种植被指数,即归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)及增强型植被指数(EVI);结合同步观测数据,将植被指数与实测叶面积指数(LAI)进行回归分析,比较各种植被指数模型对冬小麦LAI的估测精度。结果表明,4种植被指数与LAI均具有较高的相关性,其中,比值植被指数(RVI)对LAI反演精度最高,即LAI=2.967 lnRVI-1.201是估算冬小麦LAI的最优模型。使用2009年5月冬小麦LAI观测数据对模型进行验证,平均相对误差为19%。     

利用交叉验证的小麦LAI反演模型研究

叶面积指数(leave area index,LAI)是表征植被冠层结构和生长状况的关键参数,采用遥感技术进行LAI反演是遥感反演领域的热点和难点之一。利用小麦关键生育期的高光谱数据,计算其一阶和二阶导数,并构建植被指数(RVI,NDVI,EVI,DVI和MSAVI)及三边变量参数等高光谱变量;将上述参数与小麦LAI数据进行相关性分析,并利用交叉验证法进行多种回归分析,确定反演小麦LAI的敏感参数,选择反演模型;最后使用敏感参数构建所有样本的小麦LAI反演模型,并比较其拟合效果。研究结果表明:经过交叉验证的反演建模,其拟合结果的均方根误差(RMSE)整体上较未经交叉验证反演建模结果的RMSE小;在用敏感参数构建的回归模型中,RVI立方回归模型是用遥感数据反演小麦LAI的最优模型。     

基于多角度遥感物理模型的叶面积指数反演

与传统遥感观测相比,多角度对地观测通过对林木多个方向的观察,可得到丰富的森林三维空结构信息,为定量遥感提供新的途径。本文根据不同遥感数据选择合适的模型并建立相应的查找表。TM/ETM+数据采用混合像元分解模型,CHRIS数据考虑不同森林场景选择不同的遥感物理模型,在选择合适的模型基础上,根据模型的不同敏感参数和试验区选择的特点设计查找表参数,并由模型正演建立查找表,再根据插值的方法由遥感图像的反射率值反演LAI。两种数据反演得到的LAI与MODIS 15A2 LAI产品比较分析。结果表明多角度遥感反演准确率有一定的提高,具有一定的理论研究和实际应用价值。     

生物量估测模型中遥感信息与植被光合参数的关系研究

本文通过对建立估测植被生物量遥感模型中所涉及的遥感信息参数与植被光合参数的关系分析,从理论和实验中阐明了反映植物长势的量发化植被指数和反映植物光合面积的叶面积指数,光合有效辐射及吸收光合有效辐射的相互关系,对在实际中建立更为机理的生物量遥感模型提供可供进一步参考的依据。     

Estimation and comparison of leaf area index of agricultural crops using irs liss-III and EO-1 hyperion images

Motivated by the increasingly availability and importance of hyperspectral remote sensing data, this study aims to determine whether current generation narrowband hyperspectral remote sensing data could be used to estimate vegetation Leaf Area Index (LAI) accurately than the traditional broadband multispectral data. A comparative study has been carried out to evaluate the performance of the narrowband Normalized Difference Vegetation Index (NDV1) derived from Hyperion hyperspectral sensor with that of derived from IRS LISS-III for the estimation of LAI of some major agricultural crops (e.g. cotton, sugarcane and rice) in part of Guntur district, India. It has been found that the narrowband NDVI derived from Hyperion has shown better results over its counterpart derived from broadband LISS-III. Linear regression models have been used which with selected subsets of individual Hyperion bands performed better to predict LAI than those based on the broadband datasets, although the potential to overfit models using the large number of available Hyperion bands is a concern for further research.     

基于NDVI先验知识的LAI地面采样方法

针对非均质中低分辨率像元的叶面积指数LAI验证中如何布设基本采样单元ESU的问题,提出基于NDVI先验知识的ESU布设方法,并采用不同植被类型、不同均匀程度的地表作为模拟场,分析对比了方法的精度及稳定性。结果显示,本文方法用NDVI先验知识描述植被的生长空间分布信息,能相对准确地划分植被的不同生长水平,有效降低层内方差。在草地和森林地区的试验中,精度与稳定性均优于传统的随机采样、均匀采样和基于分类图的3种采样方法。因此,本文提出的采样方法为大尺度非均质区域LAI地面验证的采样方案提供了新的设计思路。     

融合多源遥感数据的高分辨率城市植被覆盖度估算

准确获取城市植被覆盖定量信息对城市生态环境评价,城市规划及可持续城市发展具有重要意义.遥感技术的发展为获取区域及全球植被覆盖信息提供了有效手段,目前基于单传感器、单时相遥感数据的城市植被覆盖度估算方法得到较为广泛的应用.然而,由于城市地表覆盖的复杂性、植被类型的多样性,在一定程度上影响了城市植被覆盖信息提取的精度.为此...     

Leaf area index retrieval using gap fractions obtained from high resolution satellite data: Comparisons of approaches,scales and atmospheric effects

This study is aimed at demonstrating the feasibility of the large scale LAI inversion algorithms using red and near infrared reflectance obtained from high resolution satellite imagery. Radiances in digital counts were obtained in 10 m resolution acquired on cloud free day of August 23, 2007, by the SPOT 5 high resolution geometric (HRG) instrument on mostly temperate hardwood forest located in the Great Lakes – St. Lawrence forest in Southern Quebec. Normalized difference vegetation index (NDVI), scaled difference vegetation index (SDVI) and modified soil-adjusted vegetation index (MSAVI) were applied to calculate gap fractions. LAI was inverted from the gap fraction using the common Beer–Lambert's law of light extinction under forest canopy. The robustness of the algorithm was evaluated using the ground-based LAI measurements and by applying the methods for the independently simulated reflectance data using PROSPECT + SAIL coupled radiative transfer models. Furthermore, the high resolution LAI was compared with MODIS LAI product. The effects of atmospheric corrections and scales were investigated for all of the LAI retrieval methods. NDVI was found to be not suitable index for large scale LAI inversion due to the sensitivity to scale and atmospheric effects. SDVI was virtually scale and atmospheric correction invariant. MSAVI was also scale invariant. Considering all sensitivity analysis, MSAVI performed best followed by SDVI for robust LAI inversion from high resolution imagery.     

锡林浩特草原区域MODIS LAI产品真实性检验与误差分析

本文研究了LAI产品真实性检验的指标和方法,建立了LAI产品真实性检验的流程,将遥感产品真实性检验误差分解为模型误差、数据定量化差异和尺度效应3个方面。以内蒙古锡林浩特草原为研究区,结合实测数据和Landsat TM数据建立NDVI-LAI模型,得到LAI验证参考"真值",据此"真值"按照本文的流程对MODIS LAI产品进行验证,分析了研究区MODIS LAI产品真实性检验的误差来源。研究表明,该研究区的MODIS LAI(MOD15A2)产品相对高估约25%。各个误差因素中,LAI遥感模型差异对于结果影响最大,MODIS LAI模型高估了该区域草地LAI(高估约44.2%);数据定量差异的影响也比较大,MODIS地表反射率数据与Landsat TM地表反射率数据的差异造成了约16.2%的低估;尺度效应的影响较小,造成约3.1%的低估,其中NDVI-LAI模型的尺度效应带来2.4%的低估,NDVI数据的尺度效应造成约0.7%的低估。     

Forest cover classification using Landsat ETM+ data and time series MODIS NDVI data

Forest cover plays a key role in climate change by influencing the carbon stocks, the hydrological cycle and the energy balance. Forest cover information can be determined from fine-resolution data, such as Landsat Enhanced Thematic Mapper Plus (ETM+). However, forest cover classification with fine-resolution data usually uses only one temporal data because successive data acquirement is difficult. It may achieve mis-classification result without involving vegetation growth information, because different vegetation types may have the similar spectral features in the fine-resolution data. To overcome these issues, a forest cover classification method using Landsat ETM+ data appending with time series Moderate-resolution Imaging Spectroradiometer (MODIS) Normalized Difference Vegetation Index (NDVI) data was proposed. The objective was to investigate the potential of temporal features extracted from coarse-resolution time series vegetation index data on improving the forest cover classification accuracy using fine-resolution remote sensing data. This method firstly fused Landsat ETM+ NDVI and MODIS NDVI data to obtain time series fine-resolution NDVI data, and then the temporal features were extracted from the fused NDVI data. Finally, temporal features combined with Landsat ETM+ spectral data was used to improve forest cover classification accuracy using supervised classifier. The study in North China region confirmed that time series NDVI features had significant effects on improving forest cover classification accuracy of fine resolution remote sensing data. The NDVI features extracted from time series fused NDVI data could improve the overall classification accuracy approximately 5% from 88.99% to 93.88% compared to only using single Landsat ETM+ data.