论文部分内容阅读
水是生命之源,是人类赖以生存和发展不可或缺的资源。在陆地表面,存在着各式各样的水文环境,不同的水文环境对植被的生长会产生不同的影响。反过来,植被也能改善水文环境,两者相互调节又相互影响。植被生态水(层),是指生长在陆地表面的植被体内各个部分所截留或涵养的水量。植被生态水储量能够调节水资源的循环利用,因此研究植被生态水储量对于合理利用水资源,保护生态环境具有十分重要的意义。岷江上游位于地形复杂的川西高原区,地理位置独特、自然环境复杂、生态环境敏感脆弱。该地区内具有类型多样的针叶林、阔叶林和灌木,里面储存着大量的植被生态水,是非常适合用来研究生态水的地区。但是,由于研究区地理位置特殊,属于特殊高山地区又由于云雾雨雪等的影响,进行野外数据同步采集较困难,一般方法难以获得,合格的高分辨率影像较少数据不足,在研究季节变化动态监测上严重受限,因而难以实现对其整体分布与时空变化规律的有效探查。因此,本文采用时空数据融合的方法,结合高空间分辨率数据以及高时间分辨率数据融合得到具有“双高”精度的数据来进行生态水反演,得到了研究区生态水的时空变化规律。本文以四川省阿坝藏族羌族自治州茂县为研究区,基于Landsat8 OLI和MODIS数据,利用STARFM时空融合模型,获得研究区具有高时空分辨率的“融合”数据。利用植被指数、波段反射率、纹理指数、地形信息等作为植被生态水反演特征变量,结合野外样地数据,通过特征量优选,建立了多元线性回归、随机森林、神经网络三种植被含水量反演模型。使用交叉验证的方式,比较了不同模型的拟合性能,并得到研究区四季不同植被类型的植被生态水储量。由于每种植被的类型、生长季节等存在差异,植被生态水含量也不同,因此植被生态水含水量受自身特性、生长周期以及季节变化的影响。本文完成研究区植被生态水遥感反演及动态监测工作。其主要研究成果如下:(1)利用自适应时空数据融合算法(STARFM)获得融合影像Landsat遥感数据是植被生态水研究的重要数据源,但受时间分辨率及阴雨天气的影响,难以获得同一研究区多时相的遥感数据。因此充分发挥多元遥感数据的优势,获取同一研究区多时相遥感数据具有重要意义。本文基于Landsat和MODIS影像数据时空融合获得研究区“融合”影像,作为研究数据源。以2016年11月13号Landsat8 OLI原始影像与融合影像用于STARFM算法的精度评定,针对2016年真实影像与“融合”影像,通过目视解译、散点图(判定系数R2:0.81-0.87)、计算绝对误差均值(AAD:0.0021-0.0267)进行精度评定,结果表明:利用STARFM模型融合生成的融合影像和原始影像相关性较高,证明STARFM算法可以较好的预测影像,为该算法的适应性研究提供了实证,然后生成了研究区2018年实验研究数据。(2)模型相关指数提取及模型建立本文提取的指数主要有波段反射率、植被指数、纹理指数、地形信息及植被类型共50个。其中,基于植被生长期(Landsat8 OLI:2018.04.09)波段反射率、植被非生长期(融合影像:2018.10.31)波段反射率及地形信息,利用随机森林模型进行分类总体精度达到89.09%,Kappa系数为0.87,满足应用需求。模型中引入多种指数可以弥补仅使用单一植被指数的局限性有效地提高预测模型的精度。本文分别采用多元线性回归、随机森林和神经网络三种模型,对提取的指数进行特征量优选,分别建立植被含水量反演模型。结果表明:随机森林模型R2变化率最小,仅为10.96%,10折交叉验证后的R2最高(R2:0.65),且均方根误差RMSE最小(RMSE:56 Mg ha-1),随机森林模型更加贴合不同植被类型其植被生态水含量不同这一实际情况。所以,随机森林模型能更好的反演研究区植被生态水储量。(3)研究区植被生态水遥感反演及动态监测植被生态水的含量一方面受大环境季节变化的影响,如降雨、温度等,另一方面也受植被类型的影响。研究区不同季节植被生态水储量及不同植被类型的生态水储量差异明显。本文利用STARFM模型融合生成了具备高时空分辨率数据作为研究的数据源,对研究区1月份、4月份、8月份、11月份四个季节植被生态水进行遥感定量反演及动态监测。反演结果从时间变化特征上来看,四个月份的生态水储量排序为8月份(7.49×107Mg)>4月份(4.57×107Mg)>11月份(3.88×107Mg)>1月份(3.38×107Mg);从空间变化特征上来看,针叶林生态水储量相对稳定,阔叶林和灌草8月份生态水储量最高。即使植被类型相同,其生长时间不同、季节不同,植被生态水储量也不相同。