MODIS LAI产品真实性检验与偏差分析

当前对MODIS LAI产品的真实性检验工作中,更多的是关注遥感产品在数值与趋势上与地表真值的一致性程度,很少工作能够全面分析遥感LAI产品偏差来源以及不同来源的偏差对全局偏差的贡献率。本文在对MODIS LAI产品进行真实性检验基础之上,进一步分析了MODIS LAI产品偏差来源。将遥感产品真实性检验偏差来源分解为反演模型,反射率数据和冠层聚集效应3个方面,并定量分析各个偏差源对真实性检验结果的影响。以河北省怀来玉米为研究对象,结合实测LAI数据和Landsat 8 OLI(Operational Land Imager)数据建立NDVI LAI半经验模型,得到LAI参考数据,据此对MODIS LAI产品进行真实性检验及偏差分析。研究表明,该区域MODIS LAI产品存在明显的低估现象,参考数据和MODIS LAI数据均值分别为3.53 m2/m2和2.33 m2/m2,MODIS产品低估为34.14%。在各个偏差因素中,反射率数据的差异对结果影响最大,即MODIS地表反射率数据与Landsat 8 OLI地表反射率数据的差异造成的偏差占总偏差的57.50%;聚集效应的影响次之,占总偏差的28.33%;模型差异对结果的影响最小,占总偏差的14.17%。本研究对遥感产品真实性检验及其不确定性分析具有一定的借鉴意义。     

遥感数据产品真实性检验不确定性分析研究进展

不确定性分析是遥感产品真实性检验最重要的部分,本文以叶面积指数LAI为例,从测量、模型以及蕴含在测量和模型中的尺度效应3个方面分析产品真实性检验过程的不确定性来源,并针对问题提出减小其不确定性的办法。对于相对均一的地表,地面测量的空间代表性比较好,可不考虑地表空间代表性引起的尺度效应和蕴含在模型中的尺度效应引起的不确定性。针对异质性地表,分为两种情况:若模型是线性的,蕴含在模型中的尺度效应可以忽略,只需要考虑测量的不确定性、模型本身的不确定性、以及地面测量的空间代表性引起的尺度效应;若模型是非线性的,则测量、模型和蕴含在测量和模型中的尺度效应引起的不确定性都需要考虑。     

中国区域MODIS LAI产品及其改进

叶面积指数(LAI)是表征地表植被生长状况和进行陆面过程系统模拟的一个重要参数,搭载在Terra和Aqua两颗卫星上的MODIS传感器能够长时问收集全球陆地表面LAI的变化信息.然而,目前发布的MODIS LAI数据产品的时空不连续性制约着MODIS LAI产品在农作物长势监测与产量估计、地球表面过程模拟、全球变化研究等领域的应用.论文对中围区域MODIS LAI的标准产品进行了分析和总结,指出造成日前发布的中国区域MODIS LAI的标准产品在时间和空间上的不连续性,既有MODIS LAI反演算法的原因,更有MODIS反射率数据质量的原因.针对中国区域MODIS LAI标准产品存在的时空不连续性问题,论文在TSF滤波算法的基础上,进一步考虑地表反射率数据质量对MODIS LAI标准产品的影响,提出了改进的TSF滤波算法,并给出了基于该算法生成的时间上和空间上更具连续性的中国区域的MODIS LAI改进产品.本文发展的新算法和LAI改进产品可为相关研究提供LAI数据和产品算法参考.     

尺度效应的叶面积指数产品真实性检验方法

真实性检验是评价遥感反演产品质量和验证遥感应用产品是否准确、真实地反映实际情况的重要途径。叶面积指数(LAI)是表征陆地植被结构和长势的关键参数,全面准确评价和验证LAI产品是产品用于陆面过程模型的前提。本文以MODIS LAI与GLASS LAI产品为研究对象,在尺度效应和尺度转换的基础上,建立了针对非均匀像元的低分辨率LAI产品真实性检验方法。在考虑空间异质性和植被长势差异的情况下,借助中分辨率的遥感影像,分别利用1 km像元平均叶面积指数和反演表观叶面积指数实现了对LAI算法和产品的真实性检验。为了比较作物长势差异和地表非均匀度对产品的影响,本文选择有代表性的河南鹤壁和甘肃张掖两个地区进行两种LAI产品真实性检验研究。研究结果表明,GLASS LAI和MODIS LAI产品均存在明显的低估现象。这并不是产品算法的问题,而是由于地表异质性和非均匀度的影响。在异质性更显著的张掖盈科灌区,低估现象更明显。GLASS LAI产品是多种LAI产品的融合,它的平均LAI比MODIS更接近真实情况,但是LAI的动态范围比MODIS窄。     

用地面点测量数据验证LAI产品中的尺度转换方法

遥感叶面积指数产品精度和不确定性需要通过地面测量的数据来验证。因为两者的空间尺度差异,验证前需要通过尺度转换方法将这两种数据的尺度统一。将泰勒级数展开模型进行改进后,可以用于解决叶面积指数遥感产品验证中地面测量数据与遥感产品尺度不匹配的问题,同时可以针对每个数据定量给出误差。将误差在阈值范围内的实测数据作为地面参考值对遥感产品进行验证。本文利用这种方法将黑河综合遥感联合实验数据集中的地面测量叶面积指数尺度上升到遥感像元尺度,并与MODIS,GLASS LAI遥感产品进行了比较。     

基于新型机载多角度传感器AMTIS的LAI反演

以实地测量数据为先验知识,利用AMTIS数据对顺义地区的一块小麦地进行了叶面积指数(LAI)反演实验研究,并用实地LAI数据进行了验证。通过利用实测数据作为模型参数,以及对干湿土壤分类和匹配表的调整,使反演结果和反演速度得到了提高。     

中国区域MuSyQ叶面积指数产品验证与分析

对多源遥感数据协同生产的2010年—2015年中国区域1 km空间分辨率5天合成的MuSyQ（Multi-source data Synergized Quantitative remote sensing production system）叶面积指数LAI产品进行验证。参考现有的LAI产品（MODIS c5,GLASS LAI）和中国生态系统研究网络部分农田和森林站点可用的LAI地面测量数据,从时空连续性、时空一致性、精度和准确性等方面对中国区域的MuSyQ LAI产品进行定性和定量分析与评价。结果表明：（1） MuSyQ LAI产品在保证精度优于MODIS产品的情况下,时间分辨率和时空连续性均有提高。MuSyQ LAI与其他LAI产品（MODIS c5,GLASS LAI）在整体上有很好的一致性（RMSE=1.0,RMSE=0.81）,但对常绿阔叶林高值处的描述不稳定;（2） 与LAI地面测量数据相比,MuSyQ LAI产品与地面参考图对比结果较好（最高相关性（R²=0.54）和较低总体误差（RMSE=0.96））,其在阔叶作物生长季高值处有些许低估且在某些阔叶林站点有些高估。整体上,MuSyQ LAI产品呈现出较高的精度,可靠的空间分布和连续稳定的时间分布,且对森林LAI的描述具有更可靠的动态范围。     

作物LAI的遥感尺度效应与误差分析

以黑河中游盈科绿洲为研究区, 利用Hyperion高光谱数据, 采用双层冠层反射率模型(ACRM)迭代运算反演LAI; 通过LAI的均值化(LAImean)以及Hyperion数据反射率线性累加反演LAI(LAIp), 定量分析LAI反演的尺度效应; 从模型的非线性和地表景观结构的空间异质性2个方面分析引起反演误差的原因, 并在LAI-NDVI回归方程的基础上利用泰勒展开的方法对低分辨率数据反演结果进行了误差纠正。结果表明, 地表景观结构的空间异质性是造成多尺度LAI反演误差的关键因素, 通过泰勒展开式能很好地实现大尺度数据LAI反演结果的误差纠正。     

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。     

马尾松LAI与植被指数的相关性研究

以福建省永安市区为研究区,计算IRS-P6(LISS-Ⅲ)多光谱数据的DVI、EVI2、MSAVI、NDVI、RDVI、RVI及TNDVI等7种植被指数,并与使用LAI-2000测量的马尾松叶面积指数(LAI)建立相关关系,分析植被指数对马尾松LAI的影响。从决定系数(R2)和标准误差两个方面对基于不同植被指数的LAI反演模型进行定量分析,反演模型包括线性模型、二次曲线模型、幂函数曲线模型和指数曲线模型4种。结果表明,马尾松LAI与植被指数呈指数曲线相关或幂函数曲线相关。反演马尾松LAI,最佳的统计模型是指数曲线模型和幂函数曲线模型,较佳植被指数为TNDVI、NDVI和RVI,其指数曲线模型和幂函数曲线模型拟合的R2均高于0.76,且验证结果R2均高于0.84,但RVI指数反演的模型标准误差相对较大。总体而言,TNDVI和NDVI的指数曲线和幂函数曲线模型对马尾松LAI具有较好的预测性。     

AMSR-E微波极化指数与MODIS植被指数关系研究

首先，利用辐射传输方程对微波极化指数（MPI，Microwave Polarization Index)进行推导，以AMSR-E像元经纬度为控制条件，采集与之对应的MODIS植被指数（ LAI/NDVI），并将其平均值作为AMSR-E对应像元的值； 然后，对AMSR-E微波极化指数与LAI/NDVI进行相关分析。结果表明，MPI与LAI/NDVI之间存在着指数关系，而且频率越低，相关性越好。     

黑河流域叶面积指数的遥感估算

研究利用Landsat7ETM⁺遥感数据获取黑河流域植被叶面积指数(LAI)空间分布的可行性。该研究是基于黑河流域分布式水文模型的一个重要输入项———LAI空间分布数据的需要而产生的。文章在详尽的野外观测数据基础上,分别探究实测LAI与同时相ETM⁺3、4、5、7波段反射率及相关植被指数(SR、NDVI、ARVI、RSR、SAV I、PVI、GESAVI)的相关关系,率定最佳的LAI遥感反演及其空间分布方案。研究发现,针对特定的自然条件,将研究区分为植被覆盖度小的稀疏立地和覆盖度大的密集立地,分别采用土壤调节植被指数(SAVI)和大气阻抗植被指数(ARVI)进行2种林地的LAI估算最为可靠,在此基础上,提出黑河地区LAI估算及其空间分布的遥感制图方案。     

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。     

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。     

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。