共查询到20条相似文献，搜索用时 484 毫秒
1.
以国产高分一号(GF-1)宽幅数据(wide field of view,WFV)为数据源,采用简单生物圈模型2(simple biosphere model2,Si B2)对黑龙江省漠河县森林植被叶面积指数(leaf area index,LAI)进行估算,并与增强植被指数(enhanced vegetation index,EVI)线性模型的估算结果进行对比,结合地面实测LAI数据分别对这2种模型估算结果进行精度评价。结果表明,采用EVI线性模型估算LAI,决定系数R2为0. 582,均方根误差(root mean square error,RMSE)为0. 701;而采用Si B2模型估算LAI,R2为0. 798,RMSE为0. 358,均比EVI线性模型有所改善。该研究发现,结合中高空间分辨率的GF-1 WFV数据,Si B2模型更适宜于该研究区森林植被的LAI反演。 相似文献
2.
利用交叉验证的小麦LAI反演模型研究 总被引：4，自引：0，他引：4
《国土资源遥感》2015,(4)
叶面积指数(leave area index,LAI)是表征植被冠层结构和生长状况的关键参数,采用遥感技术进行LAI反演是遥感反演领域的热点和难点之一。利用小麦关键生育期的高光谱数据,计算其一阶和二阶导数,并构建植被指数(RVI,NDVI,EVI,DVI和MSAVI)及三边变量参数等高光谱变量;将上述参数与小麦LAI数据进行相关性分析,并利用交叉验证法进行多种回归分析,确定反演小麦LAI的敏感参数,选择反演模型;最后使用敏感参数构建所有样本的小麦LAI反演模型,并比较其拟合效果。研究结果表明:经过交叉验证的反演建模,其拟合结果的均方根误差(RMSE)整体上较未经交叉验证反演建模结果的RMSE小;在用敏感参数构建的回归模型中,RVI立方回归模型是用遥感数据反演小麦LAI的最优模型。 相似文献
3.
叶面积指数LAI (Leaf Area Index)是表征植被生长状态的一个重要的冠层结构参数。MODIS LAI产品是全球常用的遥感LAI产品之一。然而,由于地表异质性、数据质量、模型精度等多方面的差异,MODIS LAI产品质量各有不同。基于无线传感器网络的LAINet仪器可以自动获取时间频率更密集的LAI实测数据,为验证卫星遥感LAI产品质量提供了有力支持。本文基于2018年和2019年黑河中游时间序列地面实测LAI数据与高空间分辨率卫星遥感植被指数数据,建立经验回归模型。将该模型反演高空间分辨率卫星遥感LAI作为参考LAI真值,对MODIS LAI产品进行了精度验证与稳定性评价,分析了MODIS LAI与LAINet地面测量的差异原因。结果表明：与Landsat 8参考真值相比,MODIS LAI生长季的质量（RMSE2018=1.17,RMSE2019=1.14）优于衰落季（RMSE2018=1.39,RMSE2019=1.84）,MODIS LAI总体低估,尤其是生长季后期。时间序列上,MODIS LAI产品能够刻画植被生长和凋落的季节特征,但生长前期波动性要强于后期。与L... 相似文献
4.
《国土资源遥感》2017,(4)
叶面积指数(leaf area index,LAI)作为植被冠层的重要参数,对作物长势监测及产量估算具有重要意义。本研究以黑河流域张掖绿洲试验区为例,基于机载航空高光谱遥感影像(compact airborne spectrographic imager,CASI)数据,利用物理模型与统计模型对研究区的LAI进行估测反演。首先,利用归一化植被指数(normalized difference vegetation index,NDVI)与相应实测LAI数据建立最佳线性回归模型;然后,基于混合像元分解模型和多次散射植被冠层模型构建物理模型;最后,以线性回归模型为参比修正多次散射植被冠层模型,构建半经验LAI反演模型,并比较上述模型拟合效果。研究结果表明,半经验模型为绿洲区LAI反演最优模型,模型估算精度R2达到0.89,精度提高较显著。研究对提升作物LAI的估算精度有一定意义,并将进一步推动精细农业定量遥感理论的研究与应用。 相似文献
5.
针对利用卫星遥感影像进行大范围反演大豆叶面积指数(LAI)时人工野外样本实测耗时耗力的问题，该文以黑龙江省海伦市、嫩江市两块大豆样地作为研究对象，使用无人机平台获取激光雷达(LiDAR)点云数据，利用孔隙度模型进行大豆LAI反演，根据地面实测数据开展精度评价，并进一步探讨利用无人机LiDAR反演值替代地面实测值进行Sentinel-2卫星影像LAI反演的可行性。实验结果表明，去掉地块边缘混合单元网格影响后，两块大豆样地的LAI反演精度均优于90%。利用无人机LiDAR反演值替代地面实测数据与植被指数构建回归模型，大范围卫星反演LAI精度均优于86%。 相似文献
6.
采用GF-1号、ZY-3号以及Landsat-8卫星数据,利用回归模型和像元二分模型,通过对建立的四类植被指数NDVI、MSAVI、MVI和RVI,结合野外调查数据,提出NSD的概念来评价模型及方法的精度。实测数据与各类遥感影像的4种植被指数间均存在着显著的相关关系;通过NSD精度验证,说明空间分辨率较低的遥感数据,在一定程度上提高了反演精度;在4类植被指数中,RVI与MSAVI对于三类数据反演精度较高,且MSAVI对于较低分辨率遥感数据可能具有更好的消除土壤背景影响的作用。 相似文献
7.
《国土资源遥感》2020,(1)
为对比不同真实性检验方法对高分一号(GF-1)/WFV冬小麦叶面积指数(leaf area index,LAI)反演结果的验证效果,以河南省漯河市郾城区为研究区,分别采用单点测量值验证、多点采样尺度上推验证以及引入高空间分辨率影像验证3种方法对基于GF-1/WFV影像的冬小麦LAI反演结果进行了真实性检验。研究结果表明,3种验证方法得到的均方根误差(root mean square error,RMSE)分别为0. 57,0. 80和0. 46,相关系数分别为0. 885,0. 508和0. 867。由于基于多点采样尺度上推方法对采样点数量及其位置要求较高,因此在本研究采样点较少的情况下精度较低,效果欠佳;另外2种方法精度相对较高,适用性较强,但其中引入高空间分辨率影像验证方法精度更高,更适用于GF-1/WFV影像LAI反演的真实性检验。 相似文献
8.
叶面积指数LAI (Leaf Area Index)是调节植被冠层生理过程的最重要的生物物理变量之一,高空间分辨率时间序列LAI对于植被生长检测、地表过程模拟与区域和全球变化研究至关重要,但是由于数据缺失和反演方法限制,目前还没有时空连续的高分辨率LAI数据产品。本研究提出了一种生成时间连续的高空间分辨率LAI数据的算法,首先对MODIS LAI产品滤波平滑,生成时间序列LAI的上包络曲线,根据上包络曲线提供的变化信息构建LAI动态模型。然后利用地面实测的LAI数据与Landsat反射率数据构建LAI反演的BP (Back Propagation)神经网络模型。将反演得到的高分辨率LAI数据作为LAI观测数据,利用集合卡尔曼滤波EnKF (Ensemble Kalman Filter)方法实时更新动态模型,生成时间连续的30 m空间分辨率LAI数据集。基于该算法生成了塞罕坝地区2000年—2018年长时间序列LAI数据集,利用Prophet深度学习模型进行模拟和预测,根据预测和原始LAI差异,利用支持向量机SVM (Support Vector Machine)方法检测植被干扰状况。结果表明:EnKF算法能够生成时空连续的高空间分辨率LAI数据,估算结果与地面测量值一致性较高,R~2为0.9498,RMSE为0.1577,在区域尺度上与Landsat LAI参考值较为吻合,R~2高于0.87,RMSE低于0.61。Prophet与SVM模型检测到研究区2009年,2010年,2013年,2014年,2015年植被受干扰较为严重,主要由于年降水量偏少和林区作业砍伐造成,检测结果与当地降水量与砍伐数据吻合。本文提出的算法可用于大范围高时空LAI数据反演和植被变化检测,对塞罕坝乃至全国林区规划管理具有重要的参考价值。 相似文献
9.
针对南方丘陵地区针叶-阔叶混交林植被叶面积指数（leaf area index，LAI）反演精度低且研究较少的问题，本文提出了一种GLIBERTY-DSAIL耦合模型组合多元线性回归反演LAI的方法。本研究以GLIBERTY-DSAIL模型模拟光谱和植被实测高光谱为数据源，通过相关性分析，选取与LAI相关性高的植被指数作为反演因子，构建多元线性回归模型定量反演植被LAI并进行精度评定。结果表明：与LAI显著相关的RVI、DVI、GNDVI、MSAVI这4种植被指数作为反演因子，结合本文提出的组合模型反演LAI，模型预测决定系数R2为0.708 6，均方根误差RMSE为0.302 1，精度整体较高。该组合方法可较好地用于反演针叶-阔叶混交林植被LAI，为南方地区混交林LAI的研究提供新思路。 相似文献
10.
冬小麦叶面积指数的高光谱估算模型研究 总被引：2，自引：0，他引：2
本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。 相似文献
11.
12.
叶面积指数(leaf area index,LAI)是描述植被冠层结构的重要参数,准确获取果树的LAI对果树长势监测和果树估产均有重要作用。以美国加州中部的果园为研究区,基于沿太阳主平面飞行成像的机载MODIS/ASTER模拟传感器(MODIS/ASTER airborne simulator,MASTER)数据,利用实测LAI数据与归一化差值植被指数(normalized difference vegetation index,NDVI)、归一化差值红外指数(normalized difference infrared index,NDII)和归一化差值水体指数(normalized difference water index,NDWI)分别建立回归模型,并选取NDWI进行研究区LAI的反演。结果表明:由于地物的二向性反射,垂直太阳主平面飞行获取的遥感数据具有明显的亮度梯度现象,而沿太阳主平面飞行获取的遥感数据几乎不受亮度梯度的影响;NDVI在高植被覆盖区容易达到饱和,而NDWI比NDVI和NDII具有更高的拟合度和更小的均方根误差,更加适合研究区LAI的遥感反演;该研究结果可以丰富LAI反演理论,也可以为研究LAI尺度问题提供理论和数据支持。 相似文献
13.
基于中国农业科学院在呼伦贝尔草原实测的120组草地冠层光谱反射率及相应的叶面积指数(LAI)数据,在进行主成分分析(PCA)实现降维处理的基础上,利用径向基函数(radial basis function,RBF)神经网络方法对草地LAI进行了高光谱反演研究.PCA结果表明,前9个主成分的累积贡献率达到了99.782％,能包含原光谱数据的绝大部分信息.将120组LAI及相应的9个主成分样本数据随机分为校正集数据(90组)和预测集数据(30组),分别用于神经网络模型的建立和LAI的预测.所构建的神经网络模型的模拟结果表明,RBF神经网络模型对校正集样本的模拟准确率达到100％(RMSE =0.009 6,R2 =0.999);预测集样本的实测LAI和模拟LAI之间的均方误差和决定系数分别为0.218 6和0.839,取得了较好的模拟效果,有效提高了传统的多元线性回归方程(RMSE =0.416 5,R2=0.570)的计算精度. 相似文献
14.
基于环境星CCD数据的冬小麦叶面积指数遥感监测模型研究 总被引：11，自引：0，他引：11
以山东禹城为研究区,利用我国自主研发的环境星数据,计算了4种植被指数,即归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)及增强型植被指数(EVI);结合同步观测数据,将植被指数与实测叶面积指数(LAI)进行回归分析,比较各种植被指数模型对冬小麦LAI的估测精度。结果表明,4种植被指数与LAI均具有较高的相关性,其中,比值植被指数(RVI)对LAI反演精度最高,即LAI=2.967 lnRVI-1.201是估算冬小麦LAI的最优模型。使用2009年5月冬小麦LAI观测数据对模型进行验证,平均相对误差为19%。 相似文献
15.
为了更好应用国产高分辨率遥感影像监测评价南方路域植被环境,研究南方路域针叶植被叶面积指数遥感反演.该文以长益高速研究区域的高分六号影像(GF-6)为基础,提出了可适用于针叶叶片的LIBERTY+ SAIL耦合模型并结合多元线性回归、局部加权回归反演路域植被针叶LAI的方法.研究中以耦合模型模拟的冠层光谱反射率、GF-6影像和野外实测生化参数为数据源,通过相关性分析,将与LAI相关性较高的SAVI、RVI和EVI 3种植被指数作为反演因子,结合组合模型反演LAI并评定模型的反演精度.结果 表明,耦合模型对南方路域针叶植被LAI的估算精度整体较高,对比分析两种叶面积指数的组合预测模型,耦合模型结合局部加权回归组合反演LAI具有优越性,可更好地反演路域植被针叶LAI. 相似文献
16.
基于随机森林算法的地表温度降尺度研究 总被引：1，自引：0，他引：1
地表温度(land surface temperature,LST)是地面能量平衡等模型中的重要参数之一。高时间分辨率的遥感LST可通过降尺度处理实现空间分辨率的提高,这对详细的LST时空分布监测具有重要意义。以北京市为研究区,选择Landsat8 OLI/TIRS数据,通过改进的单窗(improved mono-window,IMW)算法反演LST作为验证数据,在计算归一化差值植被指数(normalized difference vegetation index,NDVI)和归一化差值建筑指数(normalized difference built-up index,NDBI)等多种遥感指数并模拟至1 000 m空间分辨率的基础上,联合空间分辨率为1 000 m的MODIS/LST产品,利用随机森林(random forest,RF)模型实现LST(100 m空间分辨率)降尺度,并与多因子回归方法和基于植被指数的LST锐化算法(TsHARP)2种常用降尺度方法进行对比。实验结果表明:以模拟Landsat/LST作为降尺度数据源,RF方法降尺度LST的均方根误差(root-mean-square,RMSE)为2.01 K,与多因子回归方法和TsHARP算法相比,精度分别提高了0.16 K和0.44 K;针对MODIS/LST降尺度时,RF方法的RMSE为2.29 K,与多因子回归方法和TsHARP算法相比,精度分别提高了0.42 K和0.50 K;针对不同地表类型,RF算法降尺度效果不同,其中高植被覆盖区表现最优,RMSE为1.81 K;城镇表面因其空间异质性,RMSE则达到了2.75 K。 相似文献
17.
马尾松LAI与植被指数的相关性研究 总被引：1，自引：0，他引：1
以福建省永安市区为研究区,计算IRS-P6(LISS-Ⅲ)多光谱数据的DVI、EVI2、MSAVI、NDVI、RDVI、RVI及TNDVI等7种植被指数,并与使用LAI-2000测量的马尾松叶面积指数(LAI)建立相关关系,分析植被指数对马尾松LAI的影响。从决定系数(R2)和标准误差两个方面对基于不同植被指数的LAI反演模型进行定量分析,反演模型包括线性模型、二次曲线模型、幂函数曲线模型和指数曲线模型4种。结果表明,马尾松LAI与植被指数呈指数曲线相关或幂函数曲线相关。反演马尾松LAI,最佳的统计模型是指数曲线模型和幂函数曲线模型,较佳植被指数为TNDVI、NDVI和RVI,其指数曲线模型和幂函数曲线模型拟合的R2均高于0.76,且验证结果R2均高于0.84,但RVI指数反演的模型标准误差相对较大。总体而言,TNDVI和NDVI的指数曲线和幂函数曲线模型对马尾松LAI具有较好的预测性。 相似文献
18.
叶面积指数LAI (Leaf Area Index)是研究植被生态系统结构和功能的核心参数之一，遥感是获取大范围动态LAI的一个主要技术手段。目前国际上没有高分辨率的LAI标准化产品。本文基于三维随机辐射传输（3D-SRT）模型查找表算法研究了适用于国产高分辨率卫星高分一号宽幅相机（GF-1 WFV）的叶面积指数反演算法。模型中单次散射反照率和不确定性等参数与波段设置和波段稳定性相关。算法在全国范围内选取不同植被类型的均质样点，统计地表反射率的差异特征，调整全国6种植被类型各波段的单次散射反照率、不确定性等算法参数，进而构造适用于GF-1 WFV传感器的查找表以进行LAI的反演。研究中使用新疆维吾尔自治区石河子地区、内蒙古自治区四道桥包含农作物、森林等共359组实测地面数据开展LAI验证。验证结果表明，和调整参数前的反演结果相比，优化后的算法均方根误差RMSE可由算法优化前的1.209下降至0.804，决定系数R2由0.659提高至0.883，反演成功率RI可由25.3%提高至73.8%，算法精度和稳定性较高，更适用于GF-1叶面积指数的反演。将其应用于GF-1卫星影像上，生产了201... 相似文献
19.
20.
《武汉大学学报(信息科学版)》2020,(4)
地表反照率(Albedo)是地表能量收支平衡的重要地表参数。作为新近发射的地球同步轨道卫星,高分四号(GF-4)卫星拥有优于同类卫星的高时间高空间分辨率,然而由于其观测角度单一,基于双向反射分布函数(bidirectional reflectance distribution function,BRDF)的传统反演方法难以实现地表反照率的精确快速反演,因此采用基于单一观测角度的角度格网法(angular bin,AB1)。首先,利用先验的多角度地球反射极化和方向测量仪(POLarization and Directionality of the Earth’s Reflectances,POLDER)卫星观测数据,建立反照率与某一方向反射率之间的经验关系;然后,利用POLDER卫星和GF-4卫星的光谱响应函数与光谱库数据,将该经验关系转换为基于GF-4卫星的反照率与反射率经验关系(即查找表);通过输入单一角度的GF-4卫星反射率数据,得到GF-4卫星反照率结果;最后,利用中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)与Landsat 8地表反照率结果对反演结果进行交叉验证。结果表明,MODIS反照率与GF-4反照率的均方根误差(root mean square error,RMSE)为0.027 3,Landsat 8反照率与GF-4反照率的RMSE为0.017 6,说明基于AB1算法的反照率反演结果精度可靠,这对于GF-4卫星的反照率产品生产具有一定的应用意义。 相似文献