基于BP神經(jīng)網(wǎng)絡(luò)森林葉面積指數(shù)估算研究——以長(zhǎng)白山北坡為例.pdf

1、葉面積指數(shù)(Leaf Area Index LAI)是植被冠層結(jié)構(gòu)的一個(gè)重要參數(shù)，它不僅是許多生態(tài)和氣候模型的重要輸入變量，而且是生態(tài)系統(tǒng)動(dòng)態(tài)變化監(jiān)測(cè)的一個(gè)重要指標(biāo)。因此，獲取地表LAI參數(shù)對(duì)于地球生態(tài)系統(tǒng)的研究有重要意義。如何快速有效地估算區(qū)域乃至全球尺度的LAI成為學(xué)者們研究的熱點(diǎn)。基于地面的LAI估算方法包括：破壞性采樣法、落葉收集法、光學(xué)儀器法、異速方程法、傾斜點(diǎn)嵌塊法5種。這些估算方法僅局限于小區(qū)域的LAI估算，都不能滿足區(qū)域

2、乃至全球尺度的LAI動(dòng)態(tài)變化監(jiān)測(cè)。遙感影像數(shù)據(jù)越來(lái)越多地被應(yīng)用到區(qū)域乃至全球尺度的LAI的估算中。早期基于遙感估算LAI的方法有兩種：其一是建立光譜絕對(duì)值(或其變換形式植被指數(shù))與LAI的單變量或多變鼉統(tǒng)計(jì)回歸方法。這種方法比較簡(jiǎn)單、易操作，但對(duì)于不同區(qū)域的植被，沒(méi)有固定的統(tǒng)計(jì)規(guī)律，需要從新不斷擬合，不具備普適性。其二是建立在植物冠層物理特性的冠層反射模型法。冠層模型通常是非線性的，輸入?yún)?shù)多，模型極其復(fù)雜，計(jì)算時(shí)間長(zhǎng)。近年來(lái)，人工神經(jīng)

3、網(wǎng)絡(luò)技術(shù)引入到遙感估算LAI的研究中，大大提高了遙感反演LAI的精度和速度。 本研究基于地面的LAI估算是采用光學(xué)儀器法(LAI-2000)、落葉收集法和異速生長(zhǎng)方程法。許多研究表明LAI-2000測(cè)定結(jié)果會(huì)比真實(shí)LAI低，而落葉收集法估算LAI比較接近真實(shí)LAI。鑒于此，本研究建立了落葉收集估算LAI校正LAI-2000植物冠層分析測(cè)定值(PAl)的校正模型，校正了300個(gè)PAI值，為遙感估算森林LAI提供精度較高的建模和驗(yàn)證

4、數(shù)據(jù)。基于遙感數(shù)據(jù)的LAI估算，本研究通過(guò)2種方法估算了研究區(qū)的LAI，其一是建立歸一化植被指數(shù)與地面實(shí)測(cè)LAI的線性回歸模型；其二是利用BP神經(jīng)網(wǎng)絡(luò)對(duì)將8種應(yīng)用廣泛的植被指數(shù)進(jìn)行樣本訓(xùn)練，從而估算研究區(qū)的LAI。該方法包括以下六個(gè)步驟：(1)幾何校正，原始影像與地面1：5萬(wàn)地形圖配準(zhǔn)。(2)大氣影響校正，用COST模型對(duì)影像進(jìn)行大氣校正，消除大氣對(duì)遙感影像的影響，將ETM+影像各波段的亮度值轉(zhuǎn)化為地物光譜反射率值。(3)利用各波段的地

5、物光譜反射率值建構(gòu)植被指數(shù)(NDVI、RVI、SAVI、ARVI、MAVI、MSAVI、SBL、TVI)。(4)利用BP神經(jīng)網(wǎng)絡(luò)對(duì)8種植被指數(shù)進(jìn)行樣本訓(xùn)練。(5)用訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)估算研究區(qū)的LAI。(6)用地面實(shí)測(cè)LAI值對(duì)BP神經(jīng)網(wǎng)絡(luò)估算LAI的結(jié)果進(jìn)行驗(yàn)證。 研究結(jié)果表明：(1)采用落葉收集估算的LAI值校正LAI-2000測(cè)定值，能夠?yàn)檫b感估算LAI建模與精度驗(yàn)證提供精度較高的地面LAI數(shù)據(jù)；(2)利用單變鼉統(tǒng)計(jì)模型