论文部分内容阅读
叶面积指数(Leaf Area Index,LAI)是描述植被结构的一个重要参数,它与植被的许多生态过程如蒸腾作用、光合作用、呼吸作用直接相关,它能够很好的描述植被叶片数量的变化、冠层结构的变化、植物生命力以及环境状况的变化,它也可以作为基础参数构建生态系统中的许多生物模型和物理模型。遥感技术的快速发展,使大面积获取LAI成为了可能。高分系列卫星是我国自主研发的对地观测系统,首次实现了高分辨率对地观测。为探讨国产GF-1影像在路域植被叶面积指数(LAI)监测中的适应性,本文选择湖南省境内的醴潭高速路域为研究对象,结合野外实测的同步LAI数据,与同时同区域的Landsat ETM+影像数据从影像光谱响应函数、原始波段相关性、反演模型预测精度以及LAI空间分布一致性等方面进行对比与分析,主要研究工作及其成果如下:(1)从影像光谱响应函数和影像原始波段进行比较。通过对GF-1影像和Landsat ETM+影像的波谱响应能力进行对比发现,GF-1和LandsatETM+影像在可见光波段(蓝、绿、红)和近红外波段处有相近的波谱响应能力。通过SPSS22.0对GF-1影像和Landsat ETM+影像的波段反射率进行线性回归分析,结果表明其波段反射率存在明显的相关性。这说明GF-1影像可以进行植被作物长势的监测,用于路域LAI的反演。(2)提取影像单波段和RVI、DVI、NDVI、TVI、SAVI、MSAVI6个植被指数构建LAI经验回归反演模型,对比分析GF-1和LandsatETM+影像反演LAI的结果。通过SPSS22.0对遥感因子与实测LAI进行相关分析,数据表明影像单波段与实测LAI的相关性相对较低,而经过波段组后得到的植被指数与实测LAI之间的相关性较显著。考虑各模型判定系数R2和RMSE,选出LAI最佳的反演模型。GF-I影像LAI反演的最优模型为TVI的指数模型,R2为0.639,RMSE为0.665。Landsat ETM+影像LAI反演的最优模型为NDVI的多项式,R2为0.600,RMSE为0.738。GF-1影像LAI反演精度略高与Landsat ETM+影像,2种影像数据反演的LAI与实测的LAI呈现出较为一致的线性关系。(3)在经验模型反演LAI的基础上,引入了极限学习机(ELM)反演LAI。反演结果发现基于ELM方法反演的LAI与实测LAI吻合程度较好。基于GF-1影像和ELM方法反演的LAI均方根误差RMSE为0.495,精度EA为86.37%。基于Landsat ETM+影像和ELM方法反演的LAI均方根误差RMSE为0.509,精度EA为85.54%。基于ELM方法反演的LAI精度明显高于经验模型的反演精度,这说明了机器学习方法相比经验模型具有预测优势。(4)通过对比分析醴潭高速路域植被LAI反演的空间分布图,得出基于GF-1影像反演的LAI与Landsat ETM+影像反演的LAI具有一致的分布,但也有差异。Landsat ETM+影像30 m的较低分辨率在像元尺度上是对地表信息进行的综合概括,有较多的混合像元出现,从而使LAI在两极区间的分布向中间区间迁移。而GF-1遥感数据16 m的较高分辨率是对地表细部信息的描述,混合像元出现的概率明显降低,反演结果与实地调查较一致。因而较高的像元纯度在路域植被LAI反演上更具有优势。