葉面積指數(shù)遙感反演與尺度轉(zhuǎn)換研究.pdf

1、植被葉面積指數(shù)(LAI)是表征植被冠層結(jié)構(gòu)以及植被長(zhǎng)勢(shì)最重要的因子之一，在生態(tài)環(huán)境、農(nóng)業(yè)、碳循環(huán)等研究中是一個(gè)不可或缺的因子，因此LAI的獲取就顯的極其重要。利用遙感技術(shù)獲取LAI的技術(shù)已取得了很大發(fā)展，然而不同分辨率傳感器的使用，使得一方面可以得到一系列不同尺度的遙感圖像來(lái)表征地表信息，進(jìn)而也會(huì)產(chǎn)生不同尺度的植被信息以及不同尺度的葉面積指數(shù);另一方面，隨著尺度的變化，LAI的反演模式也需要不斷地修改，即不同的尺度應(yīng)有不同的算法。由于針

2、對(duì)低分辨率影像LAI反演的算法尚不成熟，所以通常會(huì)使用高分辨率圖像的反演公式來(lái)反演低分辨率影像的葉面積指數(shù)，這就不可避免的會(huì)產(chǎn)生尺度效應(yīng)，為了消弱甚至消除尺度效應(yīng)，近些年，科研人員不斷的致力于研究不同尺度間圖像以及反演參數(shù)間的尺度轉(zhuǎn)換，取得了一定成果。本文以黑河流域盈科綠洲以及花寨子荒漠地區(qū)為例，進(jìn)行LAI的反演以及LAI的尺度轉(zhuǎn)換研究，以期在前人的基礎(chǔ)上有所突破。
　　 本文主要研究?jī)?nèi)容和成果如下:
　　 (1)總結(jié)了

3、前人在LAI反演與尺度轉(zhuǎn)換方面的研究成果及現(xiàn)狀，分析了研究中存在的不足，明確了本文重點(diǎn)研究的內(nèi)容。
　　 (2)引入一系列植被指數(shù)作為分類的參考因子，利用最大似然分類方法和支持向量機(jī)法對(duì)ASTER影像進(jìn)行植被覆蓋分類，有效地提高了圖像分類精度，利用最大似然分類方法對(duì)ASTER影像進(jìn)行了遙感分類制圖，為后續(xù)LAI的反演與尺度轉(zhuǎn)換提供了保障。
　　 (3)建立了LAI在ASTER尺度上的反演模型，并利用該模型完成了ASTER

4、影像LAI反演制圖。利用地面實(shí)測(cè)LAI與ASTER影像的植被因子，采用線性回歸、非線性回歸、偏最小二乘回歸、擬線性化的非線性擬合等方法，進(jìn)行LAI的反演，最終得到了一個(gè)精度較高的非線性擬合LAI反演模型，樣本檢驗(yàn)結(jié)果表明:預(yù)測(cè)值與實(shí)測(cè)值間的相關(guān)系數(shù)可以達(dá)到0.89，均方根誤差為0.367;
　　 (4)對(duì)所得反演模型進(jìn)行多元泰勒級(jí)數(shù)展開(kāi)，利用該展開(kāi)式實(shí)現(xiàn)了“點(diǎn)到面”的尺度轉(zhuǎn)換途徑，即地面點(diǎn)實(shí)測(cè)LAI到ASTER尺度的直接轉(zhuǎn)換，利

5、用該直接轉(zhuǎn)換結(jié)果對(duì)ASTER尺度反演結(jié)果進(jìn)行驗(yàn)證，結(jié)果表明ASTER反演的LAI精度較高。
　　 (5)引入“差值”作為校正因子，有效地消除了MODIS LAI產(chǎn)品中的尺度效應(yīng)，提高了MODIS尺度LAI的反演精度。首先，考慮了把植被指數(shù)的方差、各像元主導(dǎo)地類的面積百分比作為反映亞像元信息、空間異質(zhì)性的參數(shù)因子，然后，利用ASTER反演的LAI向上尺度轉(zhuǎn)換結(jié)果與MODIS LAI產(chǎn)品求出差值，最后，依據(jù)植被分類結(jié)果，分別對(duì)各種植