植被遙感識別與葉面積指數(shù)反演方法研究.pdf

1、遙感作為新型的綜合性探測技術(shù)，具有客觀、實時、無損的特性，在植被類型判別和長勢監(jiān)測中發(fā)揮了其顯著的優(yōu)勢，為及時、準(zhǔn)確地獲取大范圍的植被分布信息提供了數(shù)據(jù)支持。尤其在高光譜分辨率、高空間分辨率以及高時間分辨率衛(wèi)星遙感技術(shù)快速發(fā)展的背景下，加之與地理信息系統(tǒng)技術(shù)的結(jié)合，使得植被遙感監(jiān)測的精度逐步提高。本文首先分析了基于監(jiān)督分類的植被遙感識別方法的識別能力，其次，結(jié)合物理傳輸模型數(shù)據(jù)對植被的一個重要物理參數(shù)——葉面積指數(shù)(LAI)進行反演，最

2、后在以上研究的基礎(chǔ)上生成了一款LAI反演系統(tǒng)以簡化數(shù)據(jù)的處理流程。本文的主要研究內(nèi)容及實驗結(jié)果如下:
　　1)研究采用基于像元的監(jiān)督分類方法（支持向量機、最大似然和馬氏距離）和面向?qū)ο蠓椒ǎɑ趯ο髮傩缘闹С窒蛄繖C分類）進行植被的遙感識別并對分類結(jié)果進行對比分析。結(jié)果表明:在3種基于像元光譜信息的監(jiān)督分類算法中，支持向量機算法的識別精度相對較高，表現(xiàn)在這一類型的生產(chǎn)者精度和用戶精度均大于另外2種算法，并且，該算法的總體分類精度也最

3、高(81.15％)，明顯優(yōu)于最大似然(73.33％)和馬氏距離(61.77％)。然而，融入了空間信息進行分類的面向?qū)ο蠓椒ǎê喜⒊叨?7）的總體識別精度高達89.24％，并且隨著對象合并尺度的增大，錯分和漏分比例明顯降低。這一結(jié)果表明支持向量機的分類方法的識別效果較好，且通過引入對象的空間紋理屬性，能夠進一步削弱噪聲、提高識別精度。
　　2)提出以物理模型（PROSAIL）數(shù)據(jù)為建模數(shù)據(jù)，分別構(gòu)建了基于歸一化植被指數(shù)(NDVI)、

4、比值植被指數(shù)(RVI)和基于支持向量機(SVM)的多光譜LAI反演模型:NDVI-LAI、RVI-LAI及SVM-LAI，并通過實測數(shù)據(jù)進行LAI的反演。通過與實測LAI對比驗證發(fā)現(xiàn):NDVI-LAI和RVI-LAI的反演效果不佳（R2＜0.61，RMSE＞1.1），且具有飽和效應(yīng);SVM-LAI模型的反演精度高于基于植被指數(shù)的反演模型，對于ASD數(shù)據(jù)和TM5數(shù)據(jù)反演結(jié)果的決定系數(shù)(R2)都較高，分別為0.7858和0.7447，有很好

5、的抗飽和能力。最后使用降維算法(LLE和PCA)對高光譜數(shù)據(jù)進行降維，構(gòu)建了兩種高光譜LAI反演方法(LLE-SVM和PCA-SVM），通過驗證結(jié)果發(fā)現(xiàn)，模型數(shù)據(jù)與實測值之間的差異性導(dǎo)致降維變換后的數(shù)據(jù)反演效果不理想（R2＜0.48，RMSE＞1.5）。
　　3)使用.NET平臺的C＃語言和外部算法庫(GDAL和LIBSVM)生成一個LAI反演系統(tǒng)。系統(tǒng)功能包括:植被蓋度提取、圖像的多通道顯示、植被指數(shù)的計算、LAI的反演、批量處