论文部分内容阅读
目前,遥感技术应用研究已经从静态进入动态研究阶段,从单一垂直观测发展到多角多观测。这一方面为遥感监测地表变化、地学定量描述中的尺度效应问题和地表反射辐射的方向性研究等问题提供了丰富的数据源;另一方面多时相、多角度遥感数据的综合利用能提供更丰富时间更可靠的地物研究目标的动态变化信息、空间分布信息和三维结构信息。叶面积指数(Leaf Area Index, LAI)是反映植被个体和群体特征的关键指标,是陆面过程模型的重要参数之一。针对当前植被定量遥感研究中,农作物生育期变化和植被结构参数对农作物叶面积指数遥感反演演精度的限制问题,本文利用多时相、多角度、地物光谱和卫星观测的多源数据,从作物时相和冠层结构方面进行提高作物LAI反演精度的方法研究。主要研究结论如下:(1)充分考虑在冬小麦不同生育期LAI的动态变化过程,通过选择的植被指数与LAI之间的相关分析,建立了基于多时相观测数据的冬小麦LAI分段反演模型。在冬小麦整个生育期内NDVI得到的LAI反演值和真实值之间的R2=0.5585,均方根误差RMSE为0.3209。改进的比值植被指数mSR适合于反演冬小麦生长前期(拔节期之前)的LAI,反演精度为R2=0.7287,RMSE=0.2971;比值植被指数SR适于反演冬小麦生长中期(拔节到抽穗前),得到的LAI反演值和真实值之间的R2=0.7503,RMSE=0.1289;NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI,得到的LAI反演值和真实值之间的R2=0.6794,均方根误差RMSE=0.3164。研究表明在冬小麦不同生育期,根据其覆盖度的变化,选择适宜的植被指数建立冬小麦LAI的分段反演模型获得的反演精度均高于在其整个生育期使用NDVI的反演精度。(2)针对小麦株型对其LAI反演精度的影响利用地面实测的多年多角度数据,通过半经验的BRDF模型和六个多角度指数,分析了紧凑型和披散型两种株型小麦方向性反射特征。基于对小麦冠层光谱方向性特征的分析,提出了两个新型热点指数,将常规的植被指数和角度指数(热点指数)结合,构建了针对小麦株型的LAI反演模型。并得出新构建的热点指数与常规植被指数构建的组合指数可以用于不同株型小麦LAI的反演。(3)通过对典型农作物冬小麦的时相变化和冠层结构特征相结合的LAI反演方法的研究,进一步将这种LAI反演方法进行扩展,应用到中国地表植被真实LAI的反演。利用2000-2010年连续10年的SPOT-VAGETATION数据,通过融入植被冠层的聚集度系数,反演了中国地表植被真实LAI。得出中国植被LAI在空间的总体分布特征表现为从西北向东南递增,年内植被LAI具有明显的物候变化特征。10年间植被LAI表现出增长趋势。同时与MODIS的LAI产品(MOD15A2)进行了对比,得出本研究反演的植被LAI明显高于MOD15A2的LAI值,尤其对森林类别,落叶阔叶林的SPOT-LAI比MODIS-LAI平均高出27%,常绿针叶林的SPOT-LAI比MODIS-LAI平均高出30%,说明在植被LAI反演中考虑冠层的聚集度系数提高了算法的可靠性。