论文部分内容阅读
叶面积指数(Leaf Area Index,LAI)是定量描述植被叶面积大小、表征植被冠层结构的最基本的参数之一。它能够反映植被的生长状态,控制植被的光合作用、蒸腾作用、降水截获等生物物理过程,同时也是许多气候、生态模型中重要的输入因子,对作物估产、全球碳循环和气候变化研究等,都有着重要意义。鉴于此,目前已经有包括MODIS、MISR、AVHRR、POLDER、VEGETATION等在内的多种卫星传感器发布了区域乃至全球的LAI卫星遥感产品。然而,目前已有的LAI卫星遥感产品在时空连续性、一致性以及分辨率、反演精度等方面仍存在不足。特别是一些产品没有充分考虑像元尺度的聚集效应而导致LAI产品值相比较LAI真值有明显低估。
为解决这一问题,本文首次提出混合像元聚集指数(Mixed Pixel Clumping Index,MPCI)这一概念。基于孔隙率模型和线性混合模型,经过严格的数学推导,得到了MPCI的解析表达式,并以国产环境一号小卫星30m分辨率的CCD数据为主要数据源,生产了中国陆地1km分辨率的MPCI产品。为了对MPCI算法和产品进行评估,研究采用聚集指数经验值、VALERI(VAlidationof Land European Remotesensing Instruments)数据集以及基于热点暗点归一化指数(Normalized Difference Hotspot Darkspotindex,NDHD)算法的聚集指数产品对MPCI计算结果进行验证。验证结果显示:MPCI能够更好地描述混合像元内部各种端元类型的空间异质性,与传统方法相比,经过MPCI修正的LAI遥感反演精度可以提高10%左右。同时研究发现,MPCI对混合像元内端元聚集指数非常敏感。在目前的产品生产中,端元聚集指数是采用基于MODIS地表覆盖类型的经验值。这在以后的研究中还有待进一步的改进。
随后,本研究设计研发了基于高低分辨率多源遥感数据的植被叶面积指数反演算法。该算法包含两套方案。方案一是将1km分辨率像元视为均一的整体,将多源遥感数据与利用PROSAIL模型构建的查找表进行匹配,采用最小二乘技术反演得到有效LAI,之后再用MPCI产品对其进行修正以得到真实LAI。方案二是加入高分辨率地表分类信息,将1km分辨率混合像元分解为植被和非植被两大类端元。对于植被端元采用PROSAIL模型模拟冠层反射率,对于非植被端元采用BRDF核驱动模型。再通过线性光谱混合模型模拟1km分辨率混合像元反射率。最后通过查找表技术反演得到LAI。研究以2011年7、8月间黑河中游盈科绿洲农田区为例,采用Terra/AquaMODIS、NOAA-18AVHRR、FY-3AVIRR以及HJ-1A/1BCCD数据,对反演算法进行了测试,并利用MODISLAI产品对反演结果进行验证。验证结果表明:基于方案一的反演结果与MODIS产品的相关性可达0.74,均方根误差约为0.37。在采用方案二反演时,反演结果与MODIS产品的相关系数约为0.58,均方根误差约为0.44。研究对两种方案的异同及优劣进行了对比分析,指出两种方案实质上都是通过加入高分辨率遥感数据来对混合像元的非均质特性进行描述。方案二在特定条件下具有更高的反演精度,但是受到条件限制,其适用范围不及方案一。
文章最后对研究成果、创新点以及存在的不足进行了总结,并提出在今后的研究中,需要重点开展MPCI以及低分辨率LAI的验证工作。一方面利用已有的试验资料,另一方面需要针对混合像元设计、发展新的验证思路和方案,从而提高非均质混合像元遥感反射率建模和LAI反演的精度。