论文部分内容阅读
叶面积指数(Leaf area index,LAI)是估测植被净初级生产力(Net Primary Production,NPP)和碳汇的重要参数,能直接反映植被生长状况的变化,广泛应用于各种植物生理生态学和地球生物化学的研究中,在植被生物量估测和环境监测方面发挥着重要的作用。刺槐是黄土高原地区种植范围最广的树种之一,在水土保持、植被恢复和维持地区生态系统碳汇等过程中发挥了关键作用。本研究以黄土高原地区刺槐林为研究对象,通过对陕西省永寿县境内刺槐人工林大量的样地调查和测定,分析和研究林分健康状况对刺槐林LAI的影响;应用房室模型理论,建立了刺槐林LAI的时间动态变化模型,分析生长季刺槐林LAI的时间动态变化;利用Quickbird影像的光谱和纹理信息实现了对刺槐林LAI的反演,为利用遥感技术快速和准确评估黄土高原地区刺槐林健康状况和林分生产力奠定了基础,对指导黄土高原地区刺槐林可持续经营提供重要参考。本研究的主要结论如下:(1)健康状况对刺槐林LAI的影响在生长季(5月-10月),不同健康状况的刺槐林LAI随时间的动态变化明显,均呈现先升高后降低的趋势,最大值均出现在6月份,最小值出现在10月份。除9月份外,5月、6月、7月和10月,健康刺槐林的平均LAI值均明显高于亚健康林和不健康林(P<0.05);不健康刺槐林的LAI平均值与亚健康林差异不显著。由此可分别根据不同月份刺槐林LAI值的大小,判别出健康林,但无法区分亚健康林和不健康林。(2)刺槐林LAI时间动态变化及其模型的建立利用一元线性回归建立不同坡向的刺槐林林龄与LAI的相关关系,林龄与LAI随时间存在不稳定的相关关系,最大R2为0.91,且6月份是测定刺槐林LAI的最佳时间。多项式模型L(t)=M+Nt+Ut2+Vt3能较好的模拟刺槐林LAI的时间动态变化,其中,L(t)表示刺槐林LAI值,B、M、N、U、V为经验系数,最大R2达到0.91。在此基础上,利用房室模型L2=βe-k2t-k1αe-k1t//(k1-k2)模拟刺槐林LAI的动态变化,其中,k1、k2为刺槐林LAI增长速率和衰减速率,α、β为系数,t为时间(月份),模型最大R2为0.93。从数值上验证了多项式模型是房室模型的简化形式,为多项式模型提供了理论基础。据房室模型计算的刺槐林LAI的增长速率(k1)明显大于衰减速率(k2),可以将刺槐林LAI时间变化划分为两个阶段,即LAI急剧增长到饱和期和后续的LAI缓慢降低期。刺槐林LAI增长速率和衰减速率受林龄和坡向的影响显著。阴坡立地条件下,LAI增长速率最大值出现在11-15年生的中龄林(k1=4.76),阳坡立地条件下,LAI增长速率最大值出现在<10年生的幼龄林(k1=3.94)。在阴坡立地和阳坡立地,LAI的衰减速率(k2)最大值均出现在21-30年的成熟林。除<10年的幼龄林,阴坡刺槐林LAI相比阳坡具有较高增长速率和较低衰减速率。(3)基于Quickbird影像光谱信息的刺槐林LAI反演利用一元线性回归模型、二次多项式模型、乘幂模型和指数模型分别建立刺槐林LAI与Quickbird影像光谱信息的关系模型,结果表明:近红外波段反演刺槐林LAI的精度最高(r2=0.68, RMSE=0.81),其次为绿波段(r2=0.357, RMSE=0.99),红光波段效果最差(r2最大值仅为0.19);修正的土壤调节植被指数(Modified Soil Adjusted Vegetation Index, MSAVI)、归一化植被指数(Normalized Difference Vegetation Index, NDVI)、土壤调节植被指数(Soil Adjusted Vegetation Index, SAVI)和改进型土壤修正植被指数(Enhanced Vegetation index, EVI)对刺槐林LAI的反演精度较高,r2均达到了0.68以上;比值植被指数(Simple Ratio, SR)和大气抵抗植被指数(Atmospherically Resistant Vegetation index, ARVI)反演精度较低,r2最大分别为0.339和0.359;二次多项式模型对LAI的反演精度优于其他三个模型。(4)基于Quickbird影像纹理信息的刺槐林LAI反演利用一元线性回归模型、二次多项式模型、乘幂模型和指数模型分别建立刺槐林LAI与Quickbird影像纹理信息的关系模型,结果表明:角二阶矩阵(Angular Second Moment, ASM)和熵(Entropy, ENT)对刺槐林LAI的反演精度明显高于其他纹理指数,解释刺槐林LAI变化的70%以上;对比度(Contrast, CON)反演刺槐林LAI精度最低,仅能解释LAI变化的53.7%。纹理计算窗口大小影响刺槐林LAI反演精度,非相似度(Homogeneity, HOM)、变化量(Variance, VAR)、熵(ENT)、角二阶矩阵(ASM)和相关性(Correlation, COR)对刺槐林LAI的反演精度随纹理计算窗口的增大而降低;同质性(Dissimilarity, DIS)和对比度(CON)反演精度随计算窗口增大而增大。四种模型对LAI反演精度影响不大,指数模型略优于其他模型。(5)基于Quickbird影像光谱和纹理信息的刺槐林LAI反演利用一元线性回归模型、二次多项式模型、乘幂模型和指数模型分别建立刺槐林LAI与Quickbird影像纹理-光谱信息的关系模型,结果表明:纹理-光谱指数能明显提高刺槐林LAI的反演精度,修正的土壤调节植被指数(MSAVI)和角二阶矩阵(ASM)的结合反演精度最优(r2=0.86, RMSE=0.41),其中ASM对刺槐林LAI反演精度贡献最大。角二阶矩阵(ASM)、相关性(COR)和非相似度(HOM)与任意植被指数结合,反演精度均比相应植被指数高;对比度(CON)、同质性(DIS)、变化量(VAR)与光谱信息结合,提高了部分植被指数对刺槐林LAI的反演精度;熵(ENT)与植被指数结合比相应植被指数反演精度低。相对纹理指数对LAI的反演结果,非相似度(HOM)、角二阶矩阵(ASM)和相关性(COR)与植被指数结合,反演精度均比相应纹理指数高;对比度(CON)、同质性(DIS)和变化量(VAR)与部分植被指数结合后,反演精度比相应纹理指数高;熵(ENT)与任意植被指数结合后,反演精度均比ENT低。