GLASS叶面积指数产品验证

在国家高技术研究发展计划(863计划)重点项目的支持下,已利用MODIS和AVHRR地表反射率数据生成了1981年—2012年的GLASS(Global LAnd Surface Satellite)叶面积指数(LAI)产品。本文从两个方面对GLASS LAI产品的质量进行分析和评价:(1)与现有的全球LAI产品进行比较,分析GLASS LAI产品的时空变化特征;(2)利用LAI的地面测量数据,对GLASS LAI的精度进行评价。研究结果表明:GLASS LAI与CCRS LAI在高纬度和赤道附近区域的差异较大;相对而言,GLASS LAI与MODIS(主算法反演)和CYCLOPES LAI在空间分布上具有更好的一致性;GLASS和CYCLOPES LAI的时间序列曲线连续平滑,MODIS LAI在一些区域的植被生长季节存在剧烈的跳跃;与LAI的地面测量数据进行比较,GLASS LAI产品的R2为0.76,RMSE为0.51,结果明显优于MODIS和C YCLOPES LAI产品。     

基于神经网络方法的芦苇叶面积指数遥感反演

提出了一种从TM图像上获取芦苇冠层叶面积指数的方法:首先对芦苇的生长背景进行分类;然后,对不同的背景光谱利用冠层反射率(FCR)模型计算得到查找表;最后,利用实测数据和查找表中的数据作为参数进行BP神经网络模型训练,从而得到芦苇冠层LAI。结果表明,人工神经网络方法有很强的非线性拟合能力,能够消除背景对反演结果的影响,有效提高LAI反演的精度。     

基于高光谱数据和RBF神经网络方法的草地叶面积指数反演

基于中国农业科学院在呼伦贝尔草原实测的120组草地冠层光谱反射率及相应的叶面积指数(LAI)数据,在进行主成分分析(PCA)实现降维处理的基础上,利用径向基函数(radial basis function,RBF)神经网络方法对草地LAI进行了高光谱反演研究.PCA结果表明,前9个主成分的累积贡献率达到了99.782％,能包含原光谱数据的绝大部分信息.将120组LAI及相应的9个主成分样本数据随机分为校正集数据(90组)和预测集数据(30组),分别用于神经网络模型的建立和LAI的预测.所构建的神经网络模型的模拟结果表明,RBF神经网络模型对校正集样本的模拟准确率达到100％(RMSE =0.009 6,R2 =0.999);预测集样本的实测LAI和模拟LAI之间的均方误差和决定系数分别为0.218 6和0.839,取得了较好的模拟效果,有效提高了传统的多元线性回归方程(RMSE =0.416 5,R2=0.570)的计算精度.     

黑河中游农作物MODIS叶面积指数产品时间序列精度验证与变化特征分析

叶面积指数LAI (Leaf Area Index)是表征植被生长状态的一个重要的冠层结构参数。MODIS LAI产品是全球常用的遥感LAI产品之一。然而,由于地表异质性、数据质量、模型精度等多方面的差异,MODIS LAI产品质量各有不同。基于无线传感器网络的LAINet仪器可以自动获取时间频率更密集的LAI实测数据,为验证卫星遥感LAI产品质量提供了有力支持。本文基于2018年和2019年黑河中游时间序列地面实测LAI数据与高空间分辨率卫星遥感植被指数数据,建立经验回归模型。将该模型反演高空间分辨率卫星遥感LAI作为参考LAI真值,对MODIS LAI产品进行了精度验证与稳定性评价,分析了MODIS LAI与LAINet地面测量的差异原因。结果表明：与Landsat 8参考真值相比,MODIS LAI生长季的质量（RMSE2018=1.17,RMSE2019=1.14）优于衰落季（RMSE2018=1.39,RMSE2019=1.84）,MODIS LAI总体低估,尤其是生长季后期。时间序列上,MODIS LAI产品能够刻画植被生长和凋落的季节特征,但生长前期波动性要强于后期。与L...     

基于TM的辐射传输模型反演叶面积指数可行性研究

基于PROSAIL辐射传输模型，引入土壤反射指数SRI来简化模型，提出直接从反射率计算SRI的方法；  同时，针对不同的植被状况，采取不同波段组合对模型的参数进行敏感性分析，确定自由参数与反演波段组合，提出一种基于不同植被状况的叶面积指数反演策略； 最后，应用遗传算法对模拟的TM光谱反射数据进行实验。结果表明，对于LAI＜3的植被，反演精度较高； 但是对于LAI＞3的植被，反演精度较低，其原因主要是冠层反射对LAI不再敏感。因此，辐射传输模型反演LAI有一定适用范围，只有在此范围内LAI的反演精度才可靠。     

芦苇地叶面积指数的遥感反演

 叶面积指数（LAI）是植被冠层结构的一个重要参数，它的改变标志着植被发生了生物物理变化。本文提出了一种利用混和模型 从TM图像上获取叶面积指数的方法。首先，利用冠层反射率（FCR）模型计算并得到查找表； 然后，利用从查找表得到的统计关系进行 LAI制图。试验表明，该方法简单易行，并可较精确地用来反演芦苇地的叶面积指数。     

异质性地表的叶面积指数反演的不确定性分析

叶面积指数(Leaf Area Index)可用来反映作物的生长状况,常作为主要指标应用于农作物估产。本文研究遥感中常见的混合像元问题对LAI反演所带来的不确定性问题。研究的混合像元由两种情况构成,一种是由不同长势的作物所构成的混合像元,另一种情况是由不同端元形成的混合像元。结果表明,不同长势形成的混合像元对LAI的准确反演影响不大;不同组分形成的混合像元对LAI反演影响很大。从验证的角度讲,地面实测点的LAI数据不能代表一定分辨率区域的LAI的值,对于像元LAI的验证要注意正确获得像元的LAI。     

利用IDL与VC++联合构建森林叶面积指数反演系统

以CHRIS多角度数据为数据源,采用IDL语言,运用控件和类技术实现系统框架,设计模型对象管理器组织模型对象,设计数据的各项处理技术,完成叶面积指数(LAI)物理模型的参数反演与经验模型反演技术,实现近真实森林三维场景的显示.结果表明,利用IDL处理多角度遥感数据是一种可行的技术方案,并实现森林叶面积指数信息自动化提取与浏览.     

基于机载MASTER数据的果园叶面积指数遥感反演

叶面积指数(leaf area index,LAI)是描述植被冠层结构的重要参数,准确获取果树的LAI对果树长势监测和果树估产均有重要作用。以美国加州中部的果园为研究区,基于沿太阳主平面飞行成像的机载MODIS/ASTER模拟传感器(MODIS/ASTER airborne simulator,MASTER)数据,利用实测LAI数据与归一化差值植被指数(normalized difference vegetation index,NDVI)、归一化差值红外指数(normalized difference infrared index,NDII)和归一化差值水体指数(normalized difference water index,NDWI)分别建立回归模型,并选取NDWI进行研究区LAI的反演。结果表明:由于地物的二向性反射,垂直太阳主平面飞行获取的遥感数据具有明显的亮度梯度现象,而沿太阳主平面飞行获取的遥感数据几乎不受亮度梯度的影响;NDVI在高植被覆盖区容易达到饱和,而NDWI比NDVI和NDII具有更高的拟合度和更小的均方根误差,更加适合研究区LAI的遥感反演;该研究结果可以丰富LAI反演理论,也可以为研究LAI尺度问题提供理论和数据支持。     

运用动态谐波回归模型对MODIS叶面积指数时间序列产品的分析与预测

运用动态谐波回归模型(Dynamic Harmonic Regression,DHR)对MODIS的长时间序列的LAI产品进行分析,可以从中分离出LAI随时间变化的多年趋势、季节变化及残差等主要成分,通过建立的模型实现LAI年间变化的短时预测。本文将所述DHR模型分析方法试用于遥感数据产品随时间变化的信息提取,对LAI年间变化的预测结果证明该方法用于遥感像元尺度LAI产品的时间序列分析与预测的效果良好。     

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。     

无人机多光谱数据反演叶面积指数方法研究

利用顾及敏感性分析的PROSAIL模型和植被指数模型,以青岛地区玉米作物为研究对象,对无人机多光谱影像的叶面积指数反演进行研究.反演结果显示顾及敏感性分析PROSAIL模型的R2为0.79,GNDVI植被指数反演结果的R2为0.82.实验表明利用无人机多光谱数据可进行玉米叶面积指数的反演,且效果较好.     

基于MODIS的干旱区植被覆盖度反演及植被指数优选

为进一步掌握塔里木河下游输水后的生态恢复程度,以输水河畔的植被覆盖度为研究对象,采用MODIS数据构建研究区多种植被指数;结合现场实测植被覆盖度,给出离散坐标下实测植被覆盖度与各种植被指数间的二维散点图,据此得出二者相关方程,反演区域植被覆盖度.结果表明,基于MODIS数据构建的NDVI、MSAVI、SAVI和EVI等...     

The improvement of an object-oriented classification using multi-temporal MODIS EVI satellite data

Abstract

This paper investigates the contribution of multi-temporal enhanced vegetation index (EVI) data to the improvement of object-based classification accuracy using multi-spectral moderate resolution imaging spectral-radiometer (MODIS) imagery. In object-oriented classification, similar pixels are firstly grouped together and then classified; the produced result does not suffer the speckled appearance and closer to human vision. EVI data are from the MODIS sensor aboard Terra spacecraft. 69 EVI data (scenes) were collected during the period of three years (2001–2003) in a mountainous vegetated area. These data sets were used to study the phenology of the land cover types. Different land cover types show distinct fluctuations over time in EVI values and this information might be used to improve object-oriented land cover classification. Two experiments were carried out: one was only with single date MODIS multispectral data, and the other one including also the 69 EVI images. Eight classes were distinguished: temperate forest, tropical dry forest, grassland, irrigated agriculture, rain-fed agriculture, orchards, lava flows and human settlement. The two classifications were evaluated with independent verification data, and the results showed that with multi-temporal EVI data, the classification accuracy was improved 5.2%. Evaluated by McNemar's test, this improved was significant, with significance level p=0.01.     

美国西部黄松叶面积指数与高光谱分辨率CASI数据的相关分析

本文介绍了美国俄罗冈州西部黄松的叶面积指数(LAI)与小型航空光谱制图成像仪(CASI)获取的高光谱分辨率数据进行的相关分析。在试验场地上使用LAI-2000植物冠层分析仪测得8个LAI值(0.87—2.72)。对CASI数据进行一阶和二阶微分处理,以减少土壤背景光谱对森林光谱的影响。使用逐步回归分析方法探索LAI与CASI数据的关系。由回归分析产生多元线性方程和相应的拟合度(GOF)及估计LAI的标准误(SE)。结果说明光谱微分技术能够提高LAI和CASI数据的相关性,因而可以改善LAI的估计精度。如,对于单通道LAI预测的最高GOF值是0.681,SE是0.345,而经一阶和二阶光谱微分处理后,GOF被分别提高到0.904和0.898,SE被分别降低到0.189和0.195.     

基于主成分分析的植被指数与叶面积指数相关性研究

综合分析了玉米叶面积指数与几种常见光谱植被指数相关性,确定主成分分析方法在反演叶面积指数中的作用。首先,借助MATLAB编程软件,以植被指数与玉米叶面积指数相关性最高为原则,选出遥感影像上各种植被指数,其波段组合为NDVI(752.4/701.5),RVI(752.4/701.5),MSR(752.4/701.5),SAVI(823.7/701.5),MSAVI(823.7/701.5),然后,对这5种植被指数进行主成分分析,建立LAI-VI多元逐步回归模型,并对模型精度进行验证,总体估测精度为96.237%。经实验验证,利用主成分分析方法在反演植被叶面积指数时能够起到较好的效果,具有广泛的应用前景。     

一种新的基于MODIS的地表含水量模型构造与验证

考虑到水的光谱反射特性，提出了一种新的统一地表含水量指数（SWCI）模型，并通过国家气象局降雨量和台站土壤水对应数据进行了验证。本方法能较好地反映地表的含水量值及其变化，可用于大范围且快速的土壤水遥感监测。     

利用MODIS数据计算陆地植被指数VIUPD

介绍了利用MODIS卫星数据计算VIUPD的步骤,将计算结果与NDVI和EVI进行了比较,验证了本文方法的正确性。