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)以及植被長勢最重要的因子之一，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表征地表信息，進(jìn)而也會產(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、對低分辨率影像LAI反演的算法尚不成熟，所以通常會使用高分辨率圖像的反演公式來反演低分辨率影像的葉面積指數(shù)，這就不可避免的會產(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。
　　 本文主要研究內(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。利用地面實測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，最終得到了一個精度較高的非線性擬合LAI反演模型，樣本檢驗結(jié)果表明:預(yù)測值與實測值間的相關(guān)系數(shù)可以達(dá)到0.89，均方根誤差為0.367;
　　 (4)對所得反演模型進(jìn)行多元泰勒級數(shù)展開，利用該展開式實現(xiàn)了“點到面”的尺度轉(zhuǎn)換途徑，即地面點實測LAI到ASTER尺度的直接轉(zhuǎn)換，利

5、用該直接轉(zhuǎn)換結(jié)果對ASTER尺度反演結(jié)果進(jìn)行驗證，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，分別對各種植