叶面积指数（Ｌｅａｆ ａｒｅａ Ｉｎｄｅｘ，ＬａＩ）作为植被冠层结构的重要描述参数之一，能体现植被光合、蒸腾和呼吸作用的能力。借助ＧＰＳ和ＬａＩ－２２００冠层分析仪在攸县黄丰桥林场开展ＬａＩ测量。利用ｅｎＶＩ软件对Ｇｅｏ ｅｙｅ－１数据进行了辐射定标，大气校正和正射校正。通过研究ＬａＩ与Ｇｅｏ ｅｙｅ－１影像波段及其衍生指数的相关性，筛选出２组估算ＬａＩ的指数因子（６个指数因子和１０个指数因子）。应用ｋ－ｎｎ进行叶面积指数反演，同时将反演结果与多元线性回归模型结果进行比较。结果表明：利用２组指数因子进行多元线性回归模型反演ＬａＩ中，６个指数因子的模型决定系数ｒ２为０．３８６，１０个指数因子的模．．．

以红壤丘陵典型区千烟洲及其周边为研究区,利用陆地卫星TM图像数据和同期野外实测的37个针叶林样地有效叶面积指数数据,分析了遥感植被指数与湿地松、杉木林、马尾松和针叶林总体之间的相关关系,进而分别建立了遥感植被指数与不同林型针叶林有效叶面积指数间的线性与非线性回归模型.研究表明,遥感植被指数与不同林型针叶林有效叶面积指数存在较好的相关性,但不同林型之间的相关系数存在一定差异;所建立的针叶林有效叶面积指数遥感反演模型以三次曲线回归方程拟合精度最高.

【目的】考虑到利用单一植被指数(VI)反演叶面积指数(LAI)时,存在着不同程度的饱和性和易受土壤背景影响的问题,提出通过分段的方式选择敏感植被指数形成最佳VI组合以提高LAI反演的精度。【方法】通过ACRM辐射传输模型模拟数据,结合地面实测光谱数据,选择常用的植被指数进行土壤敏感性分析以及饱和性分析确定LAI的分段点,并在此基础上分段选择最佳植被指数形成组合VI来实现LAI的最终反演,并利Landsat5TM开展区域条件下冬小麦LAI反演应用。【结果】以LAI=3是较为适宜的分段点,利用植被指数最佳分段组合OSAVI(LAI≤3)+TGDVI(LAI>3)可在一定程度上有效克服土壤影响因素以...

研究应用ACRM冠层辐射传输模型和MODIS地表反射率数据反演了河北衡水地区3月初至5月初植被叶面积指数,并分析了其时空分布变化特征。研究时段为冬小麦返青期至成熟期,LAI反演结果与当地冬小麦时空分布特征较为吻合。研究结果显示,基于ACRM冠层辐射传输模型反演植被生化变量具有很大的应用潜力。

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。

以GF-1和Landsat8遥感影像为数据源,采用逐步回归、非线性Logistic回归和基于空间位置的地理加权回归3种方法,结合134个野外样地调查数据,在河北省康保县开展叶面积指数反演研究,并对结果进行精度检验。结果表明:(1)在荒漠化地区,GF-1和Landsat-8遥感影像提取的植被指数因子与LAI均有较高的相关性。运用主成分分析方法对植被指数因子进行处理,可以有效消除各影响因子间的共线性。(2)基于GF-1和Landsat-8影像分别建立的3种模型,均以地理加权回归决定系数最大,均方根误差最小,反

叶面积指数(LAI)是植物的重要结构变量,可以较好地反映植物冠层特征,构建该指标的有效反演模型是实现马尾松毛虫害空间监测与预警的必然要求。以在三明市、将乐县、沙县、南平市等4个县(市)测定的马尾松有效叶面积指数及同时段HJ-1 CCD多光谱遥感影像为基础数据,分别建立LAI与NDVI、TNDVI、DVI、RDVI、RVI、PVI、SAVI、MSAVI、MCARI等9个植被指数的一元线性、乘幂、指数、对数与二次曲线模型。结果表明:(1)上述9个植被指数均与马尾松有效叶面积指数显著相关;(2)R2、RMSE及预测精度等指标显示,以TNDVI与MSAVI作为自变量的乘幂、指数模型是马尾松毛虫主要寄主...

本文比较分析了三种基于MODIS数据生成的LAI遥感产品(MOD15 LAI、MCD15 LAI和GLASS LAI)在浙江省的差异;以地面观测的LAI结合TM遥感数据生成的30 m分辨率LAI数据(LAITM)为参考,评价了它们在浙江省天童山常绿阔叶林地区的可靠性。研究发现,三种LAI遥感产品在可靠性、大小、空间格局及变化趋势上均存在显著差异:GLASS LAI表现优于MOD15 LAI和MCD15 LAI,GLASS LAI与LAITM具有较好的相关性(R2=0.61,RMSE=1.20),而MOD15 LAI和MCD15 LAI与LAITM的一致性较差(RMSE分别为1.42和1.63)。2003—2012年期间,基于GLASS LAI得到的浙江省LAI年平均值(2.13 m2/m2)分别高出MOD15 LAI和MCD15 LAI约23%和12%;而GLASS LAI年最大值的10年平均值(3.82 m2/m2)比MOD15 LAI和MCD15 LAI的值都偏低约30%。2003—2012年期间,GLASS LAI年平均值在浙江省显著升高和下降的面积比例分别为16.6%和14.7%;MOD15 LAI和MCD15 LAI分别在全省21.8%和13.7%的地区呈明显下降趋势,明显升高地区分别仅占1.2%和4.0%。三种LAI遥感产品的全省年平均值方面,GLASS LAI具有较大的年际波动,但趋势不明显;MCD15 LAI略有下降;而MOD15 LAI呈现较为明显的下降趋势(0.02 m2/m2,P=0.06)。

【目的】棉花叶面积指数是反映作物生物量的重要参数,本文旨在运用遥感数据对这一参数进行估算,为叶面积指数的获取提供更方便快捷的估算模型。【方法】采用美国ASD公司FieldSpec?手持便携式光谱分析仪所获取的棉花冠层光谱反射率和从中等分辨率的遥感图像提取的植被指数,利用相关分析和回归分析方法,找出叶面积指数的最佳估算时相期和最佳遥感估算模型。【结果】棉花的整个生育期内,叶面积指数在时间曲线上呈现出波动变化,在始铃期棉花的叶面积指数达到峰值,据此规律通过提取该时期的遥感数据,得出棉花叶面积指数的遥感估算模型。【结论】棉花叶面积指数的最佳估算时相是盛花期和结铃期,各品种棉花叶面积指数的遥感估算模型...

【目的】使用离散型激光雷达数据反演叶面积指数(LAI)的过程中,数据预处理的关键步骤为激光雷达滤波。穿透指数(LPI)作为反演过程中的重要变量,需要根据点云的类型计算,从而直接受到滤波精度的影响。因此,滤波算法的精度能间接影响到反演LAI的精度。虽然滤波算法不断改进,滤波精度逐渐提高,应用在越来越多的场景,但关于不同滤波算法对反演LAI精度影响的探讨较少。【方法】本文通过对机载LiDAR滤波算法历史、发展和现状的调研,最终选择混合滤波算法(Hybrid)、自适应不规则三角网滤波算法(ATIN)、形态学滤波算法(Morph)和基于坡度滤波算法(Slope)为研究对象;分别使用这4种算法,得到点云中的地面点;根据Beer-Lambert定律,反演帽儿山国家森林公园落叶松林和榆树林的LAI;以经过评估的精度更高的Hybrid算法为标准,计算另外3种算法的滤波精度和LPI偏差;对比分析LAI反演模型的平均精度;最后,通过分析不同误差来源的影响强度,确定了反演LAI时较好的滤波算法。【结果】在最佳的采样半径下,经过Hybrid、ATIN、Morph和Slope滤波算法处理,LAI反演模型的平均精度,在落叶松林,R2分别为:0.900 3、0.876 3、0.892 5、0.877 0;RMSE分别为:0.105 6、0.134 5、0.109 7、0.133 2;在榆树林,R~2分别为:0.914 4、0.903 0、0.887 2、0.900 0;RMSE分别为:0.269 0、0.201 7、0.189 4、0.207 0。在落叶松林,I类误差较大的Morph算法,能保证较高的模型精度;而Ⅱ类误差较大的Slope和ATIN算法对应的反演模型精度较低。【结论】经不同滤波算法处理得到的LAI反演模型精度存在差异,经混合滤波算法处理其对应的LAI反演模型精度更高,形态学滤波算法的滤波精度较低,对应的反演模型精度较高;滤波算法导致的Ⅰ、Ⅱ类误差中,Ⅱ类误差对LAI反演模型的影响更大。

以植被结构因子——叶面积指数(LAI)取代长期以来用于水土保持定量评价的植被覆盖度,通过遥感技术反演植被结构因子LAI,构建研究区LAI与植被覆盖管理措施因子C量化耦合模型,并进行模型精度验证。结果表明:基于LAI模拟的土壤侵蚀模数为455.89t·km-2a-1,属于微度侵蚀,与径流小区野外观测结果一致。本文提出的LAI取代植被覆盖度作为水土保持定量估算与评价指标是可行的。

【目的】研究快速、准确、宏观获取不同森林类型有效叶面积指数（LAI_e）的方法，探讨其空间分布规律，为中小尺度森林LAI_e遥感产品的开发提供新思路，为林业精细化监测和森林生态系统碳水循环模拟提供科学可靠的技术手段。【方法】以长白山为研究区，基于Sentinel-2A多光谱影像，运用三维卷积神经网络提取研究区4种针叶林型（长白落叶松、樟子松、红松和红皮云杉）的空间分布；采用区分林型和全样本2种方案，分析样地实测LAI_e与7种植被指数（增强植被指数、反红边叶绿素指数、改进简单植被指数、归一化水体指数、归一化植被指数、土壤调节植被指数、简单植被指数）的相关关系；利用各林型对应的最优植被指数，构建区分林型和全样本LAI_e与植被指数的回归模型，并基于验证样本数据对比区分林型模型、全样本模型和PROSAIL模型在LAI_e反演中的精度表现；结合地理因子分析4种针叶林型LAI_e空间格局及变化规律。【结果】所有样本组中7种植被指数与相对的LAI_e均存在极显著相关关系（P<0.01），除增强植被指数（EVI）与红松LAI_e、简单植被指数（SR）与红皮云杉LAI_e外，相关系数均大于0.6，但组间LAI_e与不同植被指数相关性具有较大差异；红松、长白落叶松和樟子松LAI_e与反红边叶绿素指数（IRECI）相关性最高，红皮云杉、红松LAI_e分别与EVI、改进简单植被指数（MSR）相关性最高；4种不同林型模型比全样本模型的R2提高12.7%以上，RMSE降低34.5%；研究区内4种林型LAI_e范围在0.37～5.86之间，平均LAI_e由高至低依次为红松、长白落叶松、樟子松、红皮云杉。红松对海拔、坡度、坡向的变化最为敏感，红皮云杉、樟子松次之，长白落叶松最小。【结论】不同林型LAI_e与遥感植被指数的相关程度存在明显差异，区分林型构建回归模型能够提高LAI_e反演精度；区分林型后拟合的线性模型精度整体较PROSAIL模型和全样本模型更高，但LAI_e高值区域没有PROSAIL模型表现稳定；4种针叶林型LAI_e对地理因子变化的反应差异较大。本研究可为精细区分森林类型的中小尺度针叶林LAI_e遥感反演研究提供参考。

以机载ＬｉＤＡＲ离散点云数据为数据源，基于植被冠层孔隙率与叶面积指数的关系，提出一种反演大田玉米叶面积指数的方法。对反演ＬＡｉ和实测ＬＡｉ进行对比分析，结果表明：基于ＡｘｅＬｓｓｏｎ改进的不规则三角格网加密方法可以将地面点和非地面点分开，结合高分辨率影像能够提取出玉米冠层点云；基于孔隙率反演ＬＡｉ，尼尔逊参数的选择对结果影响很大，利用扫描天顶角模拟尼尔逊参数，ＬＡｉ反演结果接近于真实情况。利用机载ＬｉＤＡＲ点云数据能精确地反演大田玉米ＬＡｉ，该研究方法适用于中等高度的农作物，可以扩展到甜菜、甘蔗等其他中等高度农作物。

针对传统的统计模型方法反演叶面积指数(LAI)具有不稳定、区域不统一性的缺点,本研究从物理机制角度出发,以Prospect,Liberty和Geosail模型为基础,建立查找表从TM影像上反演LAI,并与TRAC实测的LAI比较。结果表明:基于机制模型与查找表的方法反演的LAI与实测的LAI有较好的一致性,实测精度达到83.7%。