葉面積指數反演方法的普適性研究.pdf

1、葉面積指數(leaf area index，LAI)是指單位地表面積上方植物葉單面面積的總和，是反映植物長勢的一個重要生物學參數，為植物冠層表面物質和能量交換過程的描述提供結構化的定量信息，在植被定量遙感反演、生態(tài)系統(tǒng)碳循環(huán)、植被生產力以及植被、土壤和大氣之間相互作用的能量平衡等方面起著重要作用，是眾多生態(tài)、陸面過程模型的重要輸入參數，也是進行作物長勢判斷和產量估測的重要農學指標之一。傳統(tǒng)的LAI測定方法以地面直接測量法為主，遙感技術的

2、發(fā)展為大面積、快速獲取區(qū)域LAI提供了有效途徑，成為監(jiān)測LAI變化的趨勢。針對當前葉面積指數遙感反演存在的LAI反演產品時間序列不連續(xù)、反演精度較低和普適性較差等問題，本文的主要研究內容和實驗結果如下:
　　(1)提出基于航空和地面多平臺數據的冬小麥葉面積指數普適性反演方法。解決了單一數據源反演精度較低的問題。實驗結果證明，與小波變換法和主成分分析方法相比，支持向量機方法(support vector machines，SVM)對

3、冬小麥的LAI反演能力更強，精度更高，有效改善了高估、低估現(xiàn)象，因此更適合用于進行冬小麥LAI反演研究。
　　(2)提出支持向量機方法(support vector machines，SVM)對不同條件下冬小麥的LAI反演的普適性研究，提高了葉面積指數的遙感反演精度和對于不同品種類型、生育時期和肥水處理類型的普適性。實驗結果顯示，最小二乘支持向量機對不同株型品種、不同生育時期和不同肥水脅迫下的冬小麥LAI反演精度均高于傳統(tǒng)NDVI

4、植被指數反演結果，證明該方法對冬小麥LAI反演具有普適性。
　　(3)提出一種基于最小二乘支持向量機方法(least squares support vectormachines,LS-SVM)的MODIS(Moderate-resolution Imaging Spectroradiometer)LAI時間序列產品估算，解決了中分辨率LAI反演產品時間序列不連續(xù)問題。實驗結果表明支持向量機和最小二乘支持向量機方法對西藏那曲縣MO