论文部分内容阅读
叶面积指数(Leaf area index,LAI)作为植被冠层结构参数之一,是森林生态系统中一个十分重要的森林特征参量,能够对森林的冠层结构和生长状况给出直接的量化指标。LAI控制着森林的许多生物和物理过程,与许多生态过程有密切联系,其变化能够体现森林生长和发育的不同状态,从而可以进行森林群体生长分析,因此叶面积指数LAI成为一个被国内外研究者密切关注的一个关键植被因子。遥感反演的方法是目前唯一能在大尺度的时空范围内估算LAI的方法,然而适用于任意地区的LAI反演模型并不存在。纹理和光谱特征是进行影像分析和影像理解的重要信息源,如果能够将这两种特征信息进行有机的结合并进行相应的分析研究,所取得的效果必定优于单一信息源的处理。阔叶林在川西南山地广泛分布,对当地水土保持和生态环境的稳定性有着重要意义,对其LAI的遥感反演还鲜有报道。综合以上几点,有必要开展基于SPOT-5影像光谱和纹理特征的川西南山地阔叶林叶面积指数反演研究工作。本研究选择上里镇为研究区,以SPOT-5影像为基础数据,在研究区通过地面调查获取研究区样地的叶面积指数数据,采用GPS定位技术,在经过几何校正和辐射校正的遥感影像上提取对应样地点的植被指数与纹理特征,在SPSS20.0中对每个样地的植被指数、纹理特征和LAIe进行相关性分析并建立LAIe最优预测模型。对研究区进行群落划分,建立适合于每一个群落的LAIe最优反演模型,并生成研究区LAIe图。得到的主要结论如下：在所提取的八种植被指数中,除NLI之外,其它七种植被指数均与LAIe有着显著相关,其中比值植被指数RVI与LAIe的相关性最好,在植被指数与LAIe的所有回归方程中,效果最好的是多元线性回归模型,模型表达式为：LAIe=44.575RVI-145.649NDVI-35.763在多波段影像中的4个单波段(B1、B2、B3、B4),6个简单波段比图(B1/B2、B1/B3、 B1/B4、B2/B3、B2/B4、B3/B4)和通过多波段影像转换而来的主成分图(PC1、PC2、 PC3、PC4)以及全色波段中,主成分PC1波段的纹理特征与LAIe具有最好的相关性,21×21窗口为主成分PC1波段纹理提取的最佳窗口,在八个纹理特征中,21×21窗口下提取的ENT与LAIe的相关性最好,在纹理特征与LAIe的所有回归方程中,效果最好的是多元线性回归模型,模型表达式为：LAIe=5.505-0.111MEA+0.024VAR-0.247ENT将光谱特征和纹理特征结合建立LAIe反演预测的多元线性回归方程模型比只依靠植被指数或者纹理特征建立的方程模型拟合效果更好,模型表达式为：LAIe=-36.778+46.652RVI-155.034NDVI-0.013VAR使用重要值计算将研究区阔叶林分为5个群落,分别为栲林、栲+楠木林、楠木林、袍栎林、中华石楠林。使用监督分类中的最大似然法对研究区群落进行分类,各群落用户精度及生成者精度均在80%以上,总体分类精度为84.82%。针对每一个群落,建立了最优LAIe反演预测模型,得到的各群落最优反演模型表达式为：栲林：LAIe=-40.345-0.087MEA+53.183RVI-178.041NDVI栲+楠木林：LAIe=-21.646+27.263RVI-86.237NDVI楠木林：LAIe=-47.635-0.025VAR+61.22RVI-208.677NDVI袍栎林：LAIe=-39.976-0.032VAR+0.146ENT+50.786RVI-171.427NDVI中华石楠林：LAIe=-46.584-0.031VAR+58.976RVI-198.135NDVI经过模型精度检验,可以得出结论：将光谱特征和纹理特征结合起来比只利用其中一种单一信息源反演LAIe精度更高；分群落建立LAIe反演模型比整体建立LAIe反演模型效果更好。