基于SAIL模型的多角度多光谱遥感叶面积指数反演

考虑红边特性的多平台遥感数据叶面积指数反演方法研究

叶面积指数(Leaf Area Index,LAI)是最重要的植被结构参数之一,是作物长势监测、作物估产、肥水管理等精准农业必备的数据源。遥感技术为大面积、及时获取LAI提供了有效手段。红边波段能够用于研究植物养分及健康状态监测、植被识别和生理生化参数等信息,是定量遥感分析的理论基础。利用不同遥感数据估测植被LAI各有其优劣性,叶面积指数反演过程中需要充分挖掘包含红边波段的不同数据源的特点。例如,高光谱数据红边波段数量多、波段窄,但是存在波段间高度相关、数据冗余的问题;包含单个红边波段的多光谱数据,红边波段较宽,比高光谱数据的红边波段缺少了许多细节;包含多个红边波段的多光谱数据,可以反映更多红边区域的光谱细节,并且由于红边区域反射率迅速上升,红边区域内的不同波段之间存在较大差别,在实际反演中需要进行合理选择。本文针对不同遥感数据源的特点,围绕红边波段进行叶面积指数反演研究,主要研究内容及结论如下:(1)基于近地和航空高光谱数据红边波段的叶面积反演方法研究。基于研究区域采集的近地、航空高光谱数据和田间同步试验测量LAI数据,探究航空和地面高光谱数据红边区域对冬小麦LAI的反演能力。首先,建立高光谱植被指数反演模型,进而研究红边波段组合法和传统波段组合、逐波段组合方法对植被指数反演LAI精度的影响,结果显示在红边区域680-750nm波段范围内,波段组合得到的植被指数与LAI的相关性非常高。最后,针对不同肥水条件下叶面积指数的特征光谱及参数随不同试验条件存在差异,本文基于航空和近地高光谱数据,以及田间实测数据,建立了基于高光谱植被指数MSAVI(Modified

Soil-Adjusted Vegetation Index),NDVI(Normalized Difference

Vegetation Index)和MTVI2(Modified Triangular Vegetation Index

植被物理遥感反演叶面积指数(lai)的基本原理

植被物理遥感是使用遥感手段对地球表面植被进行观测和研究的一门科学。而植被的生长状态对于环境和气候变化有着重要的影响，因此研究植被的生长状态是遥感科学的重要内容之一。而植被叶面积指数（L本人）作为一个重要的生长状态指标，在植被生长研究中有着重要的作用。本文将从植被物理遥感的基本原理出发，结合L本人的意义和遥感技术的方法，对植被叶面积指数的反演进行详细介绍。

一、植被物理遥感的基本原理

植被物理遥感是利用电磁波在地球大气和植被上的相互作用特性，通过遥感手段来获得植被信息的一种研究方法。它主要基于以下几个基本原理：

1. 光谱特征：植被反射和吸收不同波长的电磁波具有不同的特征，通过对这些特征的分析可以获取植被的信息。

2. 辐射传输：植被对不同波段的光有着不同的透过、反射和散射特性，通过对辐射传输的研究可以了解植被在不同波段下的特性。

3. 植被生理过程：植物的生长状况和生理过程与其在不同波段上的反射、吸收等特性存在相关性，通过对植被生理过程的研究可以推断植被在遥感数据中的表现。

以上基本原理为植被物理遥感的开展提供了理论基础，并为植被信息的提取和解释奠定了基础。

二、叶面积指数（L本人）的意义

叶面积指数（Leaf Area Index，简称L本人）是指植被表面单位面积上叶片的总表面积与该单位面积的比值。L本人的大小反映了植被的生物量、生长状态和生态功能，同时也是评价植被覆盖度和光能利用效率的重要参数。

1. 生物量：L本人与植被的生物量密切相关，L本人较高表示植被的叶面积较大，通常意味着植被覆盖度较高，生物量也较高。

2. 生态功能：L本人反映了植被的光合作用能力和蒸腾作用强弱，对于了解植被的生态功能和生态系统的健康状况有着重要的指导意义。

3. 环境变化：L本人的变化对于环境变化和气候变化有着一定的响应，通过监测L本人的变化可以了解植被对环境变化的响应和适应能力。

由于L本人在植被研究和生态环境监测中的重要作用，因此通过遥感手段反演L本人成为了研究的重要课题之一。

基于多元回归模型的叶面积指数遥感反演

第３ｌ卷第２期　２０１２年５月　中南林业调查规划　ＣＥＮＴＲＡＬ　ＳＯＵＴＨ　ＦＯＲＥＳＴ　ＩＮＶＥＮＴ０ＲＹ　ＡＮＤ　ＰＬＡＮＮＩＮＧ　Ｖ０１．３１　ＮＯ．２　Ｍａｙ．２０１２　

基于多元回归模型的叶面积指数遥感反演　

宋亚斌　，林辉　，孙　华　，宁小斌　

（１．中南林业科技大学，长沙４１０００４；２．国家林业局中南林业调查规划设计院，长沙４１００１４）　

摘　要：采用２０１１年８月获取的黄丰桥林场ＳＰＯＴ５数据为信息源，并同步开展现地样地调查，依据典　

型抽样，以不同的海拔、坡度、坡向进行选样，利用手持ＧＰＳ和ＬＪ　Ｉ一２０００植物冠层分析仪，分别对选取　

的６０块样地进行定位和叶面积指数测量。结合遥感数据和实地调查数据，对地理因子和遥感因子变量　

进行主成分分析，采用逐步回归法筛选出２个主成分建立多元回归方程，对该研究区域的植被叶面积指　

数进行模拟，精度达到８４．１７％。结果表明：ＲＶＩ，ＮＤＶＩ，ＭＳＡＶＩ，ＭＣＡＶＩ和ＤＶＩ与ＬＡＩ之间存在较好的　

叶面积指数遥感反演算法研究

２０１３年第３期　计算机与现代化　ＪＩＳＵＡＮＪＩ　ＹＵ　ＸＩＡＮＤＡＩＨＵＡ　第２１１期　

文章编号：１００６—２４７５（２０１３）０３－００７１－０３　

叶面积指数遥感反演算法研究　

周洋　，米晓飞　，叶李灶　

（１．福建师范大学，福建福州６５０２２４；２．中国科学研究院遥感应用研究所，北京１０００００）　

摘要：叶面积指数是确定陆表生态系统物质和能量交换大小的重要结构参数之一。本文基于ＮＤＶＩ、ＲＶＩ的反演模型，结　合ＧＤＡＬ影像库和ｃ＋＋语言设计实现相关算法，形成从影像数据到叶面积指数图的处理流程，提高了影像的利用率。　经预处理的Ｈｙｐｅｒｉｏｎ数据测试，算法运行稳定且计算结果精确，为植物长势监测、粮食产量预测提供可靠数据源。　关键词：叶面积指数；ＧＤＡＬ；Ｃ＋＋；Ｃ眷；影像处理　中图分类号：ＴＰ７５１　文献标识码：Ａ　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００６—２４７５．２０１３．０３．０１８　

Ｒｅｓｅａｒｃｈ　ｏｎ　Ｌｅａｆ　Ａｒｅａ　Ｉｎｄｅｘ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｎｖｅｒｓｉｏｎ　Ａｌｇｏｒｉｔｈｍｓ　

ＺＨＯＵ　Ｙａｎｇ　，ＭＩ　Ｘｉａｏ—ｆｅｉ　，ＹＥ　Ｌｉ．ｚａｏ　

（１．Ｆｕｊｉａｎ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ　６５０２２４，Ｃｈｉｎａ；　２．Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ａｐｐｌｉｃａｔｉｏｎｓ，Ｃｈｉｎｅｓｅ　Ａｃａｄｅｍｙ　ｏｆ　Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ　１０００００，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｌｅａｆ　ａｒｅａ　ｉｎｄｅｘ　ｉｓ　ｏｎｅ　ｏｆ　ｔｈｅ　ｉｍｐｏｒｔａｎｔ　ｓｔｒｕｃｔｕｒａｌ　ｐａｒａｍｅｔｅｒｓ　ｔｏ　ｅｎｓｕｒｅ　ｌａｎｄ　ｓｕｒｆａｃｅ　ｅｃｏｓｙｓｔｅｍ　ｓｕｂｓｔａｎｃｅｓ　ａｎｄ　ｔｈｅ　ｓｉｚｅ　ｏｆ　ｅｎｅｒｇｙ　ｅｘｃｈａｎｇｅ，ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｄｅｓｉｇｎｅｄ　ｏｎ　ＮＤＶＩ，ＲＶＩ　ｉｎｖｅｒｓｉｏｎ　ｍｏｄｅｌ，ｃｏｍｂｉｎｅ　ｔｈｅ　ＧＤＡＬ　ｉｍａｇｅ　ｌｉｂｒａｒｙ　ａｎｄ　Ｃ＋＋ｌａｎ・　ｇｕａｇｅ　ｔｏ　ｒｅａｌｉｚｅ．Ｉｔ　ｈａｓ　ａｃｈｉｅｖｅｄ　ｔｈｅ　ｏｐｅｒａｔｉｏｎａｌ　ｆｌｏｗ　ｆｒｏｍ　ｉｍａｇｅ　ｄａｔａ　ｔｏ　ｌｅａｆ　ａｒｅａ　ｉｎｄｅｘ　ｍａｐ，ｗｈｉｃｈ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｕｔｉｌｉｚａｔｉｏｎ　ｒａｔｅ　ｏｆ　ｉｍａｇｅ　ｄａｔａ．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｒｕｎｓ　ｓｔａｂｌｅ　ａｎｄ　ａｃｃｕｒａｔｅ　ｂｙ　ｔｈｅ　ｔｅｓｔ　ｏｆ　ｐｒｅｔｒｅａｔｍｅｎｔ　Ｈｙｐｅｒｉｏｎ　ｄａｔａ，ａｎｄ　ｐｒｏｖｉｄｅｓ　ｒｅｌｉａｂｌｅ　ｄａｔａ　ｆｏｒ　ｐｌａｎｔ　ｇｒｏｗｔｈ　ｍｏｎｉｔｏｒｉｎｇ，ｆｏｒｅｃａｓｔ　ｔｈｅ　ｇｒａｉｎ　ｐｒｏｄｕｃｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｌｅａｆ　ａｒｅａ　ｉｎｄｅｘ；ＧＤＡＬ；Ｃ＋＋；Ｃ＃；ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ　

基于高光谱数据的叶面积指数遥感反演

第４３卷第３期　ＶＯ１．４３　ＮＯ．３　红外与激光工程　

Ｉｎｆｒａｒｅｄ　ａｎｄ　Ｌａｓｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　２０１４年３月　Ｍａｒ．２０１４　

基于高光谱数据的叶面积指数遥感反演　

李子扬１，２，钱永刚　，申庆丰。，王宁　，刘耀开　，马灵玲　，孔祥生　

（１．中国科学院光电研究院定量遥感信息技术重点实验室，北京１０００９４；　

２．中国科学院大学，北京１０００４９；３．中国运载火箭技术研究院，北京１０００７６；　

４．鲁东大学地理与规划学院，山东烟台２６４０２５）　

摘　要：文中耦合叶片辐射传输模型（ＰＲＯＳＰＥＣＴ）和冠层辐射传输模型（ＳＡＩＬＨ），基于高光谱栽荷通　

道设置，模拟高光谱冠层反射率数据；利用模拟数据深入分析了不同植被指数与叶面积指数之间的敏　

感性；通过敏感性分析发现改进型叶绿素吸收植被指数（ＭＣＡＲＩ２）具备抗土壤背景因素的影响能力，　

而且对叶面积指数较为敏感，因此该研究建立植被指数ＭＣＡＲＩ２与叶面积指数之间的经验统计模　

型，并用于高光谱数据进行叶面积指数反演；最后利用飞行同步测量的叶面积指数对反演模型进行精　

度分析。结果表明：相比实测叶面积指数，文中建立的反演模型约低估０．４２，该反演模型能够较好的　

反映出地物真实叶面积指数。　关键词：叶面积指数；　植被指数；　高光谱数据　

中图分类号：ＴＰ７０１　文献标志码：Ａ　文章编号：１００７—２２７６（２０１４）０３—０９４４—０６　

Ｌｅａｆ　ａｒｅａ　ｉｎｄｅｘ　ｒｅｔｒｉｅｖａｌ　ｆｒｏｍ　ｒｅｍｏｔｅｌｙ　ｓｅｎｓｅｄ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｄａｔａ　

Ｌｉ　Ｚｉｙａｎｇ　。，Ｑｉａｎ　Ｙｏｎｇｇａｎｇ　，Ｓｈｅｎ　Ｑｉｎｇｆｅｎｇ。，Ｗａｎｇ　Ｎｉｎｇ　，Ｌｉｕ　Ｙａｏｋａｉ　，　

Ｍａ　Ｌｉｎｇｌｉｎｇ　，Ｋｏｎｇ　Ｘｉａｎｇｓｈｅｎｇ　

（１．Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｑｕａｎｔｉｔａｔｉｖｅ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，Ａｃａｄｅｍｙ　ｏｆ　Ｏｐｔｏ—Ｅｌｅｃｔｒｏｎｉｃｓ，Ｃｈｉｎｅｓｅ　Ａｃａｄｅｍｙ　ｏｆ　Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ　１０００９４，Ｃｈｉｎａ；２．Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｃｈｉｎｅｓｅ　Ａｃａｄｅｍｙ　ｏｆ　Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ　１０００４９，Ｃｈｉｎａ；　３．Ｃｈｉｎａ　Ａｃａｄｅｍｙ　ｏｆ　Ｌａｕｎｃｈ　Ｖｅｈｉｃｌｅ　Ｔｅｃｈｎｏｌｏｇｙ（ＣＡＬＴ），Ｂｅｉｊｉｎｇ　１０００７６，Ｃｈｉｎａ；　４．Ｃｏｌｌｅｇｅ　ｏｆ　Ｇｅｏｇｒａｐｈｙ　ａｎｄ　Ｐｌａｎｎｉｎｇ，Ｌｕｄｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｙａｎｔａｉ　２６４０２５，Ｃｈｉｎａ）　

利用IDL与VC++联合构建森林叶面积指数反演系统

第２１卷第３期　２０１２年６月　测绘工程　ＥＮＧＩＮＥＥＲＩＮＧ　ＯＦ　ＳＵＲＶＥＹＩＮＧ　ＡＮＤ　ＭＡＰＰＩＮＧ　Ｖｏ１．２１№．３　ＪｕｒＬ，２０１２　

利用ＩＤＬ与ＶＣ＋＋联合构建森林叶　

面积指数反演系统　

王　强　，白　帆　，唐　彦。，刘丹丹　

（１．黑龙江工程学院测绘工程系，黑龙江哈尔滨１５００５０　２．哈尔滨工业大学电子与信息工程学院，黑龙江哈尔滨１５０００１；　３．东北林业大学理学院，黑龙江哈尔滨１５０００１）　

摘要：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（ＬＡＤ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。　关键词：叶面积指数；反演；ＩＤＬ；物理模型　中图分类号：ＴＰ７５１　文献标志码：Ａ　文章编号：１００６—７９４９（２０１２）０３—０００１—０４　

Ｔｈｅ　ｉｎｖｅｒｓｉｏｎ　ｓｙｓｔｅｍ　ｆｏｒ　ｌｅａｆ　ａｒｅａ　ｉｎｄｅｘ　ｏｆ　

ｆｏｒｅｓｔ　ｂａｓｅｄ　ｏｎ　ＩＤＬ　ａｎｄ　ＶＣ＋＋　

ＷＡＮＧ　Ｑｉａｎｇ　，ＢＡＩ　Ｆａｎ　，ＴＡＮＧ　Ｙａｎ。，ＬＩＵ　Ｄａｎ—ｄａｎ　

（１．Ｓｃｈｏｏｌ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｅｉｌｏｎｇｊｉａｎｇ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔｅｃｈｎｏｇｌｙ，Ｈａｒｂｉｎ　１５００５０，Ｃｈｉｎａ；２．Ｓｃｈｏｏｌ　ｏｆ　Ｅ—　ｌｅｅｔｒｏｎｉｃｓ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈａｒｂｉｎ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ　１５０００１，Ｃｈｉｎａ；３．Ｃｏｌｌｅｇｅ　ｏｆ　Ｓｃｉｅｎｃｅ，Ｎｏｒｔｈｅａｓｔ　Ｆｏｒｅｓｔｒｙ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ　１５０００１，Ｃｈｉｎａ）　

基于PROSPECT+SAIL模型的森林冠层叶绿素含量反演

杨曦光;范文义;于颖

【摘要】森林冠层叶绿素含量直接反映着森林的健康和胁迫情况.叶绿素含量的准确估测,更是研究森林生态系统循环模型的关键.文章以PROSPECT+SAIL模型为基础,从物理机理角度反演森林冠层叶绿素含量.首先利用PROSPECT和SAIL模型模拟叶片水平和冠层水平的光谱,并建立叶片水平叶绿素含量的查找表反演叶片叶绿素含量,然后结合森林结构参数Leaf Atea Index(LAI)实现叶片尺度与冠层尺度叶绿素含量的转化,从Hyperion影像反演研究区域冠层水平叶绿素含量.结果表明,叶绿素含量的主要影响波段为400～900 nm;PROSPECT模型模拟的叶片光谱和SAIL模型模拟的冠层光谱均与实测光谱拟合效果较好,相对误差分别为7.06%,16.49%;LAI反演结果的均方根误差RMSE＝0.5426;利用PROSPECT+SAIL模型可以较好地反演森林冠层叶绿素含量,反演精度为77.02%.

【期刊名称】《光谱学与光谱分析》

【年(卷),期】2010(030)011

【总页数】5页(P3022-3026)

【关键词】高光谱遥感;叶绿素含量;Hyperion

【作者】杨曦光;范文义;于颖

【作者单位】东北林业大学,黑龙江,哈尔滨,150040;东北林业大学,黑龙江,哈尔滨,150040;东北林业大学,黑龙江,哈尔滨,150040

【正文语种】中文【中图分类】TP79

叶绿素作为植物光合作用的主要参与者，直接控制着森林能量和物质循环，而且叶绿素含量可用来检测森林的健康和胁迫情况。研究表明，健康和受胁迫的植被光谱在绿峰和红边表现出不同的反射特征［1－3］。遥感技术为定量的提取叶绿素含量，检测森林的健康和胁迫提供了一种有效的手段。叶绿素含量反演最直接的方法是统计方法［4］。很多学者在研究统计模型时发现光谱特征参数可以很好地估计叶绿素含量［5－8］。但这种统计关系通常是在特定的时间和空间特征下确定的，而且随着冠层结构和观测几何信息的变化而变化［9］，不能直接应用到其他的研究区域。因此很多学者致力于机理模型的研究。通过分析叶片生物物理和生物化学参数与辐射能量的作用过程，并用数学方法模拟，从而定量地估算叶片生物物理和生物化学参数。如叶片尺度上的过程模型PROSPECT和LEAFMODEL等已经被广泛地应用到反演叶绿素含量上［10，11］。本研究利用叶片尺度的辐射传输模型PROSPECT和冠层尺度的辐射传输模型SAIL模拟叶片和冠层光谱，建立查找表反演叶片水平叶绿素含量，并结合森林结构参数LAI实现叶片与冠层尺度的转化，以期从Hyperion高光谱遥感影像中反演森林冠层叶绿素含量。

基于Landsat8 OLI多光谱影像数据和BP神经网络的叶面积指数反演

杨敏;林杰;顾哲衍;佟光臣;翁永兵;张金池;鲁小珍

【期刊名称】《中国水土保持科学》

【年(卷),期】2015(013)004

【摘要】叶面积指数能反映出植被水平覆盖状况和垂直结构,以及枯枝落叶层厚薄和地下生物量多少,这正是植被影响土壤侵蚀的主要方面.及时、准确、有效地获取区域尺度植被LAI,对研究土壤侵蚀与植被的关系至关重要.本文作者以Landsat

8OLI多光谱遥感影像和叶面积指数(Leaf Area Index,LAI)实测数据为基础,构建了神经网络隐含层层数分别为l层和2层的神经网络模型,经对比分析,BP神经网络模型反演叶面积指数具有较高的反演精度,尤其是隐含层为2层时,平均相对误差(MAPE)是0.201 3、均方根误差(RMSE)是0.52、相关系数R是0.77,均优于非线性回归模型.基于隐含层为2层的BP神经网络模型反演生成了南京市LAI分布图,经分析,LAI分布情况与植被实际分布情况相符,模型的空间可靠性较高.

【总页数】8页(P86-93)

【作者】杨敏;林杰;顾哲衍;佟光臣;翁永兵;张金池;鲁小珍

【作者单位】南京林业大学,江苏省水土保持与生态修复重点实验室,210037,南京;南京林业大学江苏省南方现代林业协同创新中心,210037,南京;南京林业大学,江苏省水土保持与生态修复重点实验室,210037,南京;南京林业大学江苏省南方现代林业协同创新中心,210037,南京;江苏省水利勘测设计研究院有限公司,225127,江苏扬州;南京林业大学,江苏省水土保持与生态修复重点实验室,210037,南京;南京林业大学江苏省南方现代林业协同创新中心,210037,南京;南京林业大学,江苏省水土保持与生态修复重点实验室,210037,南京;南京林业大学江苏省南方现代林业协同创新中心,210037,南京;南京林业大学,江苏省水土保持与生态修复重点实验室,210037,南京;南京林业大学江苏省南方现代林业协同创新中心,210037,南京;南京林业大学,江苏省水土保持与生态修复重点实验室,210037,南京;南京林业大学江苏省南方现代林业协同创新中心,210037,南京

基于PROSAIL模型和无人机高光谱数据的冬小麦LAI反演

李天驰;冯海宽;田坤云;杨福芹;杨佳琪

【期刊名称】《麦类作物学报》

【年(卷),期】2022(42)11

【摘要】为及时准确高效监测小麦叶面积指数(leaf area index,LAI),获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回归法分别构建冬小麦LAI单变量、多变量预测模型,以实测LAI数据对预测结果进行精度评价,将最佳预测模型应用于无人机高光谱影像以分析LAI空间分布情况。结果表明,冬小麦各生育时期的预测模型均具有较高的预测精度,单变量预测模型和多变量预测模型的决定系数分别为0.598~0.717和0.577~0.755,其中以基于植被指数的多变量预测模型表现最优,其在开花期的验证精度最高,RMSE和MAPE分别为0.405和12.90%。在LAI空间分布图中,开花期预测效果优于挑旗期,各试验小区的LAI分布较为均匀。

【总页数】11页(P1408-1418)

【作者】李天驰;冯海宽;田坤云;杨福芹;杨佳琪

【作者单位】天津科技大学海洋与环境学院;河南工程学院土木工程学院;国家农业信息化工程技术研究中心;河南工程学院资源与安全工程学院

【正文语种】中文

【中图分类】S512.1;S314 【相关文献】

1.基于PROBA/CHRIS遥感数据和PROSAIL模型的春小麦LAI反演2.基于新型植被指数的冬小麦LAI高光谱反演3.基于无人机成像高光谱影像的冬小麦LAI估测4.基于无人机高光谱和数码影像数据的冬小麦生物量反演5.基于Sentinel-2影像与PROSAIL模型参数标定的玉米冠层LAI反演

因版权原因，仅展示原文概要，查看原文内容请购买

叶面积指数遥感反演

冬小麦叶面积指数(LAI)的遥感反演

——经验模型和物理模型方法

李淑敏

2010/12/13

第一部分.基础知识

第二部分.遥感反演LAI 的方法

第三部分.研究实例

本次课程主要内容

叶面积指数LAI 、遥感反演

经验模型反演方法、物理模型反演方法

几何光学模型、辐射传输模型

PROSAIL 模型

硕士论文——―基于MODIS/ASTER 的区域冬小麦叶面

积指数PROSAIL 模型反演研究”

BRDF 模型PROSPECT 模型、SAIL 模型

叶面积指数leaf area index

定义：单位土地面积上植被叶片总面积。

叶片总面积/占地面积

陆地生态系统的一个十分重要的参数：

农作物产量预估和病虫害评价；

反映作物生长发育的动态特征和健康状况。

叶面积指数越大，表明单位土地面积上的叶面积越大。

那么，叶面积指数越大越好吗??

以冬小麦为例了解叶面积指数变化情况

图为不同群体叶面积指数消长模型（彭永欣等，1992）1—过大群体;2—高产群体;3—过小群体. 低增缓增快

增衰减LAI 消长动态分为四个时期

1. 低速增长期，叶片总数较多，但叶面积较小，总叶面积增速较低；

2. 缓慢增长期，单叶面积渐次增加，但低温条件，出叶周期延长；

3. 快速增长期，气温回升，植株生长快速，至孕穗期LAI 达峰值；

4. 衰减期，植株生殖生长，叶片消亡叶面积衰减，至成熟期LAI

为0。一个生长期内冬小麦叶面积指数变化

叶面积指数获取方法

实测方法

长宽法、称重法这些方法均需要消耗一定的人力进行实物测量。

借助有关测量工具例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等，此方法仍需实地进行测量。

仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在很大局限性，不能满足植被生态和作物长势监测需求

遥感反演方法由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。