论文部分内容阅读
叶面积指数(leaf area index, LAI)是指单位地表面积上方植物叶单面面积的总和,是反映植物长势的一个重要生物学参数,为植物冠层表面物质和能量交换过程的描述提供结构化的定量信息,在植被定量遥感反演、生态系统碳循环、植被生产力以及植被、土壤和大气之间相互作用的能量平衡等方面起着重要作用,是众多生态、陆面过程模型的重要输入参数,也是进行作物长势判断和产量估测的重要农学指标之一。传统的LAI测定方法以地面直接测量法为主,遥感技术的发展为大面积、快速获取区域LAI提供了有效途径,成为监测LAI变化的趋势。针对当前叶面积指数遥感反演存在的LAI反演产品时间序列不连续、反演精度较低和普适性较差等问题,本文的主要研究内容和实验结果如下:(1)提出基于航空和地面多平台数据的冬小麦叶面积指数普适性反演方法。解决了单一数据源反演精度较低的问题。实验结果证明,与小波变换法和主成分分析方法相比,支持向量机方法(support vector machines, SVM)对冬小麦的LAI反演能力更强,精度更高,有效改善了高估、低估现象,因此更适合用于进行冬小麦LAI反演研究。(2)提出支持向量机方法(support vector machines, SVM)对不同条件下冬小麦的LAI反演的普适性研究,提高了叶面积指数的遥感反演精度和对于不同品种类型、生育时期和肥水处理类型的普适性。实验结果显示,最小二乘支持向量机对不同株型品种、不同生育时期和不同肥水胁迫下的冬小麦LAI反演精度均高于传统NDVI植被指数反演结果,证明该方法对冬小麦LAI反演具有普适性。(3)提出一种基于最小二乘支持向量机方法(least squares support vector machines, LS-SVM)的MODIS (Moderate-resolution Imaging Spectroradiometer)LAI时间序列产品估算,解决了中分辨率LAI反演产品时间序列不连续问题。实验结果表明支持向量机和最小二乘支持向量机方法对西藏那曲县MODIS LAI时间序列产品具有一定的反演能力,以MODIS LAI产品作为真值进行初步检验,28个地面实测样本作为进一步检验,精度验证结果显示最小二乘支持向量机方法反演能力更强。实验结果为改善遥感产品数据质量提供了理论依据。