遥感应用模型5-植被(2)-叶面积指数估算模型
碳汇量遥感估算
碳汇量遥感估算
碳汇量遥感估算通常涉及使用遥感技术来监测和评估生态系统（如森林、湿地和草地）的碳储存能力。
这种估算方法基于遥感数据，这些数据可以通过卫星或航空器收集，提供关于生态系统结构和功能的详细信息。
以下是一些常见的碳汇量遥感估算方法：
植被指数：植被指数是一种通过遥感数据计算得出的数值，可以反映植被的生长状况、生物量和碳储存量。
常用的植被指数包括归一化植被指数（NDVI）和增强型植被指数（EVI）等。
叶面积指数（LAI）：叶面积指数是单位地面面积上植物叶片总面积的度量，与碳储存量密切相关。
通过遥感数据可以估算LAI，进而估算碳储存量。
模型估算：利用遥感数据和生态系统过程模型（如生物地球化学循环模型）可以估算生态系统的碳储存量。
这些模型通常考虑生态系统的各种因素，如气候、土壤、植被类型和生物地球化学过程等。
机器学习算法：近年来，机器学习算法在遥感估算碳汇量方面得到了广泛应用。
这些方法可以利用遥感数据和其他辅助数据（如地形、气候等）来训练模型，并预测生态系统的碳储存量。
需要注意的是，遥感估算碳汇量具有一定的不确定性，因为生态系统碳储存量受到多种因素的影响，而且遥感数据本身也可能存在误差。
因此，在进行碳汇量遥感估算时，
需要综合考虑各种因素，以提高估算的准确性和可靠性。
第二章 植被遥感应用模型
37
内部的多次反射与折射，向上反射穿出上表皮层便构成反射光，向下折射穿出下表皮层便 形成透射光，这一过程具有明显的随机性质，因此反射率与透射率是相近的。这一波段范 围内具有很宽很强的反射峰是植被所独有的波谱特征，当叶子发生枯萎或因缺水而凋谢， 这意味着细胞的萎缩，折射率差异的减少，其宏观表现为这一波段的反射率值明显下降。 (3)1.1μm-2.5μm 这一波段范围的波谱特征基本上被液态水的吸收特性所控制，图 2-1-5 展示了液态水 的吸收特征。对可见光而言，液态水是相当透明的，但在近红外波段它存在两个强烈的吸 收峰，中心分别在 1.42μm 与 1.96μm，这就造成了叶子在这两个中心带上存在两个强烈的 吸收谷，其谷深与液态水含量有关。 基于能量守恒原理，反射率(ρλ)，透射率(τλ)与吸收率(αλ)，三者之和等于“1” 。 ρλ + τλ + αλ = 1 它们三者之间相互关系示意图 2-1-6 (4)单片叶子的波谱从以 0.68μm 为中心的反射率极小值过渡到从 0.8μm 开始的反射 峰， 其间必存在一个拐点，也就是∂(∂ρλ) / ∂(∂λ)= 0 的点，我们称拐点所对应的波长为“红 边” ，显然“红边”的变动与叶子内部的物理状态密切相关，例如任何原因引起近红外反射 峰的降低，均为引起“红边”位置的迁移，所以“红边”概念对排除外来干扰，特别是对 来自土壤背景的干扰，提取植被状态信息是十分有用的，有关问题我们将在成象光谱仪的 遥感信息提取方法一节中详述。 通过以上分析，单叶面的波谱特征基本上被叶子内部所含物质种类、数量以及叶子内 部结构，叶子物理状态所控制，因此可以判断不同生育期的叶子亦可能展示出波谱特征上 的差别 ，图 2-1-7 展示了白色橡树叶的反射率，波谱随季节的变化规律。 应该注意到 4 月 17 日嫩叶的反射率光谱特征是以 0.68μm 为中心的强吸收谷还没有形 成，这表明嫩叶内的叶绿素，含量还较低，同时 0.74μm-1.1μm 波段的反射峰值却很高， 接近 50%，这表明嫩叶内的细胞是充分膨胀的，叶子表面的蜡层还没有充分形成，随着时间 推移吸 收谷和反射峰逐步形成，叶子成熟后其波谱特征少变，当叶子接近枯萎，首先以 0.68μm 为中心的吸收谷被填塞，随之红外反射峰值逐步减小。 多层叶子重迭时叶子反射率波谱特征由图 2-1-8 所示，所展示的为棉花叶子重迭时的 波谱。 当层数增加时， 0.7μm-1.1μm 波段的反射峰值亦随之增加， 并逐步趋近于一个极值， 而吸收谷基本不变，这是因为单叶片在 0.68μm 附近的吸收率往往高达 90%以上，而反射峰 值一般低于 50%，换言之反射与透射具有相近的数值。 1.3 单片叶子波谱特征的理论解释 1977 年 C.J.Tucker 对单片叶子的波谱特征进行了数值模拟， 他把光子与叶子的相互作 用分解为十个相互独立，而又有联系的子过程，由图 2-1-9 展示对该图作如下说明： (1)代表太阳辐射 (2)代表由表面蜡层直接反射的太阳辐射 (3)栅网薄壁组织 (4)薄壁组织内的吸收过程 (5)薄壁组织内的散射过程 (6)由薄壁组织向上的漫辐射 (7)海绵状叶肉层
遥感应用模型4-植被(1)-覆盖率统计模型
其中
实际上，一个像元中往往含有多种植被类型，而 且它们的垂直密度 ( 叶面指数 LAI) 也是多样的。所 以混合模型假设像元NDVI 值实际上是像元中不同 植被类型的NDVI 值和非植被NDVI 值的加权平均。 其中
混合密度模型中植被覆盖率的计算十分复杂，必 须确定像元中不同植被类型的 NDVI 、叶面指数和 消光系数。
参考文献
基于土地覆盖分类的植被覆盖估算亚像元模型与 应用，遥感学报，2001，5（6）：416-422
作业
根据植被覆盖统计模型，选择两种分辨率遥感影 像数据，分别计算某一地区的植被覆盖率，比较 两次植被覆盖率计算结果的不同，试分析原因。
植被的亚像元模型表
均一像元
“均一像元类型”指像元完全被一定厚度的植被 覆盖，即fg = 1。因而“均一像元类型”的NDVI 值 主要取决于叶面指数LAI，由Bear′定律可得出LAI与 NDVI 的关系式:
其中： NDVI0 对应于裸土( LAI →0) 和NDVI ∞对应于 高垂直密度植被(LAI →∞) 的NDVI 值， k 是消光系 数。
植被指数NDVI 是单位像元内的植被类型、覆盖形 态、生长状况等的综合反映，其大小取决于植被 的叶面指数LAI (垂直密度) 和植被覆盖率fg (水平 密度) 等要素。 但不同的亚像元植被结构 ( 垂直密度和水平密度 ) 却可能产生相同的 NDVI 值。因此，为了更好理解 NDVI 与植被覆盖率fg的定量关系，需进一步对植 被覆盖的亚像元结构进行分析。
第三章 植被遥感
本章主要内容
植被覆盖率估算模型
植被覆盖率估算模型
植被覆盖率(单位面积内植被的垂直投影面积所占 面分比)，作为重要的生态气候参数，是许多全球 及区域气候数值模型中所需的重要信息，也是描 述生态系统的重要基础数据。
叶面积指数提取模型的研究与应用
叶面积指数提取模型的研究与应用第一章绪论叶面积指数（Leaf Area Index，简称LAI）是指某一地区上方植物叶片投影面积与该地区地面面积之比。
它是评价植被生物量和能量交换的重要参数之一，广泛应用于气候变化、生态环境监测、农作物生长等领域。
然而，LAI的测量需要大量时间和人力，并且极易受到人为因素的影响，因此研发LAI提取模型技术成为一种重要的研究方向。
本文旨在探讨当前LAI提取模型的研究现状，以及其在应用中的价值和问题。
第二章 Lai提取模型2.1 经验模型经验模型是通过对植被野外观测数据进行处理和分析，获得反映LAI变化规律的数学公式。
常见的经验模型包括指数模型、抛物线模型、对数模型等。
例如，指数模型的公式为：LAI = a * exp(-b * NDVI)其中，a和b为常数，NDVI为归一化植被指数。
经验模型简单易行，适用于小面积的LAI估算，但具有局限性，对于大面积植被的LAI提取精度较低。
2.2 物理模型物理模型是基于植被的光学和辐射学理论和计算方法，通过计算植被与光的相互作用，建立模型，计算LAI估算值。
与经验模型相比，物理模型计算精度较高，但需要测量的参数多，难以实现。
常见的物理模型有植被径向分布函数模型、辐射传输模型等。
2.3 统计学和机器学习方法统计学和机器学习方法是将LAI与遥感数据建立关系模型，利用统计学和机器学习算法来进行求解。
常用的统计学模型有回归模型等，常用的机器学习算法有决策树、支持向量机、神经网络等。
此类模型的优点是准确性高、稳定性好，但需要大量的已知数据进行训练，且对数据的质量和处理要求较高。
第三章 LAI提取模型的应用LAI提取模型可以应用于许多领域:3.1 生态环境监测LAI是评价生态系统健康状况和卫星遥感监测的重要指标之一。
通过LAI提取模型可以快速准确地了解LAI的变化情况，监测土地覆盖变化、绿化程度等，对环境保护和资源管理具有重要作用。
3.2 气候变化研究LAI可以反映植被覆盖面积和密度的变化，对反映区域生长让步变化、干旱监测等气候变化相关研究具有重要意义。
叶面积指数三类遥感估算方法
叶面积指数三类遥感估算方法叶面积指数（Leaf Area Index，LAI）是一个衡量植物叶片覆盖程度的重要指标，可通过遥感技术进行估算。
下面是关于叶面积指数估算方法的十条描述：1. 植被指数法：植被指数法是通过计算可见光或近红外波段的植被指数（如归一化植被指数，NDVI）并与地面测量的LAI进行回归分析来估算LAI。
这种方法使用简便，但由于植被指数与LAI之间的关系复杂，估算结果的精度有限。
2. 基于VegeSAIL模型的方法：VegeSAIL模型是一种基于光谱的LAI估算模型，它将植被覆盖度和植被构型与LAI进行建模。
通过遥感数据和该模型对比分析，可以估算出植被的LAI。
3. 基于PROSAIL模型的方法：PROSAIL模型是一种基于物理过程的植被辐射传输模型，可以模拟不同植被类型和结构的辐射反射特性。
通过将遥感数据与该模型相结合，可以估算出植被的LAI。
4. 基于NERD模型的方法：NERD模型是一种基于点源和线源的辐射传输模型，可以模拟植被的光谱反射特性。
通过将遥感数据与该模型相结合，可以估算出植被的LAI。
5. 基于深度学习的方法：深度学习是一种利用神经网络模拟大脑处理信息的方法。
通过训练神经网络模型，可以利用遥感数据估算出植被的LAI。
6. 基于回归分析的方法：这种方法通过建立遥感数据与地面测量LAI之间的回归关系，利用回归模型对LAI进行估算。
回归分析方法适用于区域尺度的估算，但可能受到数据不一致性和空间变异性的限制。
7. 基于的时序遥感的方法：时序遥感数据包含不同时期植被的遥感信息，可以通过比较不同时期的遥感数据，推断植被的LAI变化。
这种方法可以监测植被的动态变化，但需要较长的时间序列数据。
8. 基于植被指标的方法：这种方法通过使用特定的植被指标（如NDVI和EVI）与LAI 之间的经验关系，对植被的LAI进行估算。
这种方法简单易用，但精度较低。
9. 基于遥感图像分割的方法：这种方法通过将遥感图像分割为不同的植被对象，然后分别估算每个植被对象的LAI。
植被指数模型详解
ENVI下植被指数模型详解植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。
所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算。
未经过大气校正的辐射亮度或者无量纲的DN值数据不适合计算植被指数。
目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。
在ENVI中，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。
这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁迫性相关的色素、植被冠层中水分含量等。
下面是7大类27种植被指数的说明，这些植被指数都是经过严格生物条件下测试的。
1宽带绿度——BroadbandGreenness(5种)宽带绿度指数可以简单度量绿色植被的数量和生长状况，它对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感，这些都是植被光合作用的主要物质，与光合有效辐射（fAPAR）也有关系。
宽带绿度指数常用于植被物候发育的研究，土地利用和气候影响评估，植被生产力建模等。
宽带绿度指数选择的波段范围在可见光和近红外，一般的多光谱都包含这些波段。
下面的公式中规定波段的中心波长：ρNIR=800nm，ρRED=680nm，ρBLUE=450nm。
1)归一化植被指数（NormalizedDifferenceVegetationIndex——NDVI）NDVI众所周知的一种植被指数，在LAI值很高，即植被茂密时其灵敏度会降低。
其计算公式为：NDVI=(式1)值的范围是-1~1，一般绿色植被区的范围是0.2~0.8。
遥感影像在农业生产中的应用与挑战
遥感影像在农业生产中的应用与挑战一、引言农业作为人类生存和发展的基础产业，一直以来都在不断寻求创新和进步的方法，以提高生产效率、保障粮食安全和可持续发展。
随着科技的飞速发展，遥感技术的出现为农业生产带来了新的机遇和挑战。
遥感影像作为遥感技术的重要成果，凭借其大面积、实时、多光谱等特点，在农业领域的应用日益广泛。
二、遥感影像在农业生产中的应用（一）土地资源调查与监测遥感影像可以快速、准确地获取大面积的土地信息，包括土地利用类型、土地覆盖状况、土壤质地等。
通过对不同时期遥感影像的对比分析，能够及时发现土地利用的变化情况，为土地规划、耕地保护和土地资源的合理利用提供重要依据。
（二）作物种植面积估算利用遥感影像的高分辨率和多光谱特性，可以区分不同作物的光谱特征，从而实现对作物种植面积的精确估算。
这对于政府制定农业政策、农产品市场预测和农业保险等方面具有重要意义。
（三）作物生长状况监测遥感影像能够反映作物的生长状况，如植被指数、叶面积指数、生物量等。
通过定期获取遥感影像并进行分析，可以及时了解作物的生长阶段、健康状况和养分需求，为精准施肥、灌溉和病虫害防治提供科学依据。
（四）农业灾害监测与评估遥感影像在农业灾害监测方面发挥着重要作用。
例如，在旱灾监测中，可以通过遥感影像获取地表温度、植被含水量等信息，评估旱灾的程度和范围；在洪涝灾害监测中，可以监测淹没区域和受灾面积；在病虫害监测中，能够发现病虫害的发生区域和蔓延趋势。
这些信息有助于及时采取防灾减灾措施，降低灾害损失。
（五）农业生态环境监测遥感影像可以用于监测农业生态环境，如土壤侵蚀、水体污染、大气质量等。
通过对生态环境的监测和评估，可以为农业可持续发展提供决策支持，促进生态农业的发展。
三、遥感影像在农业生产中应用面临的挑战（一）数据质量和分辨率问题虽然遥感影像的获取技术不断提高，但在一些情况下，数据质量仍然存在问题，如云层遮挡、影像噪声等，影响了数据的准确性和可用性。
遥感应用模型5-植被(2)-叶面积指数估算模型
由于缺乏卫星过境时详细的大气剖面资料（如气 溶胶和水汽含量等），因此6S模型等大气校正模 型的应用将会受到限制。
利用暗目标法对遥感影像进行大气校正，以获得 地面反射率数据。
地面叶面积指数测量方法
考察路线与采样点的选取应遵循如下原则：一是 植物分布的代表性、均匀性；二是遥感图像可读 性；三是交通可行性。
因此，探讨利用遥感影像估算植被的叶面积指数的 方法已成为当前建立全球及区域气候、生态模型的 基础工作之一。
通常检验遥感反演叶面积指数的精度常常通过地 面实地测量的方式。
地面测量叶面积指数的方法有很多种，大致分为 两类—直接测量法和间接测量法。
➢直接测量法包括系数法和比叶重法等。在叶子 的采集和叶面积的测量过程中，具有一定的破 坏性。
➢光学模型法，基于植被的双向反射率分布函数 ，是一种建立在辐射传输模型基础上的模型， 它把LAI作为输入变量，采用迭代的方法来推算 LAI。
统计模型法输入参数单一，不需要复杂的计算， 因此成为遥感估算LAI的常用方法。但不同植被类 型的LAI与植被指数的函数关系会有所差异，在使 用时需要重新调整、拟合。
第二章 植被遥感本章主来自内容 叶面积指数估算模型
叶面积指数估算模型
叶面积指数（LAI）是指单位地表面积上方植物叶 单面面积的总和，它是叶覆盖的无量纲度量。
叶面积指数作为进行植物群体和群落生长分析的重 要参数和评价指标，在农业、林业及生态学等领域 得到了广泛的应用。
依靠传统的地面样方实测的方法来估算叶面积指数 又是一项花费巨大人力、财力且精度不高的工作。
光学模型法的优点是有物理模型基础，不受植被 类型的影响，然而由于模型过于复杂，反演非常 耗时，且反演估算LAI过程中有些函数并不总是收 敛的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
相关性分析
进行LAI与湿地植被NDVI 间的相关性分析，主要目 的是检验二者之间关系的密切程度，以及是否可 根据所测样点资料来推断总体情况，而相关系数 则是反映这种紧密程度的指标。
利用计算机图像处理技术对图像进行分析计算从 而得到叶面积指数。
然后利用实测数据与图像分析得到的数据建立数 学模型。
这种方法克服了以往选用单一品种、单一种植条 件样本的局限性，确保了建立的小麦叶面指数估 测模型全面、准确。
数字图像获取
试验在东北农业大学小麦试验田内进行，选择龙辐 麦16号、06-4074、06-4059、06-4075、06-4108 5 个 小麦品种，种植密度为每公顷600 万株、700 万株、 800 万株、900 万株、1000万株5 个级别。
➢间接测量法包括基于数字图像处理技术的照相 法，基于光学仪器进行LAI测量的仪器测量法， 利用光谱或植被指数与LAI的统计回归关系的模 型法等。
每种方法都有其自身特点所决定的测量误差，有 其所适宜采用的天气、植被生育期等条件。
不同的测量方法，得到的LAI有所差异，在对LAI精 度敏感的研究中，需要对地面测量方法的误差进 行分析。
因此，探讨利用遥感影像估算植被的叶面积指数的 方法已成为当前建立全球及区域气候、生态模型的 基础工作之一。
通常检验遥感反演叶面积指数的精度常常通过地 面实地测量的方式。
地面测量叶面积指数的方法有很多种，大致分为 两类—直接测量法和间接测量法。
➢直接测量法包括系数法和比叶重法等。在叶子 的采集和叶面积的测量过程中，具有一定的破 坏性。
将研究区分为草甸、沼泽、灌丛和岛状林4种湿地 植被类型，NDVI与各植被型LAI的相关性和估算效 果均有很大程度的提高，所建立的LAI遥感反演模 型以三次曲线回归方程拟合精度最高，R2分别达 到0.723%、0.588%、0.837%、0.72%。
以上结果表明，结合地面实测数据并基于遥感植 被分类的基础上， CBERS-02遥感影像可用于较大 区域内湿地植被生理参数的反演研究。
一元线性
回归分析
曲线回归模型
利用先前已经做好的研究区遥感影像分类图作为 底图，把研究区分为草甸、沼泽、灌丛和岛状林 等4种湿地植被区；
然后利用各自的LAI估算模型来估算湿地植被LAI 的大小，最后得到整个研究区的湿地植被LAI空间 分布图。
将植被LAI遥感反演结果划分为6个等级：0-1、1-2 、2-3、3-4、4-5 和5-6
比叶重法
比叶重法是利用单位叶面积与叶子干重的比值来 获取叶面积指数的一种方法。
➢选定有代表性的地块，取一定面积(A)的植物样 品于取样袋中，测定前记录取样面积上的总株 数m；
➢从所取样品中选5株，摘下所有展开绿色叶片， 选取叶片中宽窄较为一致的地方，剪2或3cm长 度的小段，计算面积(S)，然后烘干称质量w1， 然后对剩余绿叶全部烘干后称质量w2，其计算 式如下
实际数据获取
首先用长直尺测量进入相机镜头边界的土地区域 面积D；
然后数清区域内的株数N；在拍摄区域内随机抽取 5 株小麦样本，分别测量单株叶数m及每片叶的长 L、宽W，则有单叶叶面积（校正系数K为0.83）。
实际叶面积指数
直方图信息
图像分割
最大类间方差法算法简单、处理速度快，但是小的 目标区域被滤掉，噪声干扰明显；
比叶重法原理简单、较为精确，常被用作林业上 森林树种或农业上作物的比较测定。
但其过程复杂，制作标叶、烘干、称质量操作步 骤多，耗时较长，结果又受到叶片厚度不均匀的 影响，且采样具有破坏性，不能重复测量。
照相法
照相法是基于数字图像处理技术，计算数字相片 上绿叶与已知实际面积(S)的参考物的像素之比(P) 来求绿叶部分所占的面积；
再根据植株的生长密度，进而求得叶面积指数。
A为取样面积；S为参考物的实际面积；P为相片上 绿叶与参考物的像素之比；m为取样面积上的总 株数；n为照片中所拍摄到的植株数。
基于图像处理技术的小麦叶面积指数的提取
针对不同的小麦品种设置了不同密度的栽培条件 ，通过数码相机获取不同发育期内自然生长的小 麦群体冠层数字图像。
➢光学模型法，基于植被的双向反射率分布函数 ，是一种建立在辐射传输模型基础上的模型， 它把LAI作为输入变量，采用迭代的方法来推算 LAI。
ቤተ መጻሕፍቲ ባይዱ
统计模型法输入参数单一，不需要复杂的计算， 因此成为遥感估算LAI的常用方法。但不同植被类 型的LAI与植被指数的函数关系会有所差异，在使 用时需要重新调整、拟合。
分析三江平原洪河自然保护区草甸、沼泽植被、 灌 丛 和 岛 状 林 4 种 湿 地 植 被 及 样 本 总 体 的 NDVI 与 LAI之间的相关关系；
建立了NDVI与不同湿地植被类型叶面积指数间的 线性和非线性回归模型，并制作完成洪河自然保 护区LAI空间分布图。
整个研究区样本总体的LAI估算效果不太理想，其 NDVI与LAI 的相关性仅为0.532%；
研究区为位于我国 东北地区三江平原 东北部的洪河国家 级自然保护区
为了有效地进行保 护管理和可持续发 展，根据区内自然 资源的分布现状， 将保护区划分为核 心区、缓冲区和实 验区
CBERS-02的多光谱数据包括蓝、绿、红3个可见光波 段，1个近红外波段和1个全色波段，5个波段星下 点空间分辨率均为19.5m。
选择在小麦的主叶、分蘖、拔节、孕穗等关键生长 期，于晴天光照强度适中的上午6:00－8:00间采集图 像。
拍摄前人工去除杂草。选择群体长势均匀的地点， 采用5 cm×5 cm 的白色纸板作为参照标准置于小麦 冠层同一平面，采用SONY DSC-F707 数码相机（设置 为640 像素×480 像素）垂直于小麦群体冠层进行拍 摄。
洪河保护区影像数据由中国资源卫星应用中心提供 ，轨道号为359/46，时相为2007年8月29日；
数据级别为二级，做过辐射校正和几何粗校正处理 ，未做几何精校正，所以要对卫星影像进行消除噪 声、几何精校正、多波段影像合成及裁剪等处理。
考虑到湿地地区的地面控制点较难确定，利用了已 纠正过的一景TM影像数据（2004）和1976年调绘 的1：100000的地形图，结合GPS 野外采样的部分 数据，采用二次多项式法对中巴影像进行几何精纠 正，纠正误差控制在2/3个像元。
参照物的面积已知为25cm2，既可求出叶片面积和
土壤面积，两者的比值即为图像叶面积指数 LAIimage，导出计算公式为
建立叶面积指数模型
卫星遥感法
卫星遥感方法为大范围研究LAI提供了有效的途径 ，目前主要有两种遥感方法可用来估算叶面积指 数：
➢统计模型法，主要是将遥感图像数据如归一化 植被指数NDVI、比植被指数RVI和垂直植被指数 PVI与实测LAI建立模型。
最小误差法受目标大小影响小但阈值选择困难，噪 声干扰较大，提取目标精度低；
最小偏态法处理速度快但产生过量噪声干扰，分割 精度低；
改进动态阈值法精度高、噪声干扰小、处理速度快 ，虽然存在较小的噪声点但不会使叶面积的计算产 生较大的误差。
利用计算机图像处理技术分别统计出图像总像素 数Msoil、参照物像素数 Mrefer 和绿色叶片像素数 Mleaf，从而可知它们的像素数比，也即面积比。
保护区内除了湿地植被类型外，还有一个特殊的 人工植被类型—耕地，对耕地以及无植被覆盖的 水面进行掩膜处理。
参考文献
叶面积指数的研究和应用进展.生态学杂志，2005 ，24（5）：537-541
基于图像处理技术的小麦叶面积指数的提取. 农业 工程学报，2010，26（1）：205-209
冬小麦叶面积指数地面测量方法的比较. 农业工程 学报，2011，27（3）：220-224
三江平原湿地植被叶面积指数遥感估算模型.生态 学杂志，2008，28（7）：803-808
第二章 植被遥感
本章主要内容
叶面积指数估算模型
叶面积指数估算模型
叶面积指数（LAI）是指单位地表面积上方植物叶 单面面积的总和，它是叶覆盖的无量纲度量。
叶面积指数作为进行植物群体和群落生长分析的重 要参数和评价指标，在农业、林业及生态学等领域 得到了广泛的应用。
依靠传统的地面样方实测的方法来估算叶面积指数 又是一项花费巨大人力、财力且精度不高的工作。
光学模型法的优点是有物理模型基础，不受植被 类型的影响，然而由于模型过于复杂，反演非常 耗时，且反演估算LAI过程中有些函数并不总是收 敛的。
三江平原湿地植被叶面积指数遥感估算模型
利用中巴资源卫星CBERS-02影像提取的归一化植 被指数（NDVI）和同期野外实测的叶面积指数（ LAI）数据；
由于缺乏卫星过境时详细的大气剖面资料（如气 溶胶和水汽含量等），因此6S模型等大气校正模 型的应用将会受到限制。
利用暗目标法对遥感影像进行大气校正，以获得 地面反射率数据。
地面叶面积指数测量方法
考察路线与采样点的选取应遵循如下原则：一是 植物分布的代表性、均匀性；二是遥感图像可读 性；三是交通可行性。