基于TM遥感数据的西藏林芝地区叶面积指数反演_骆社周
引用格式：Ｌｕｏ Ｓｈｅｚｈｏｕ，Ｃｈｅｎｇ Ｆｅｎｇ，Ｗａｎｇ Ｆａｎｇｊｉａｎ，ｅｔ ａｌ．Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ Ｉｎｖｅｒｓｉｏｎ ｂａｓｅｄ ｏｎ ＴＭ ｉｎ Ｌｉｎｚｈｉ，Ｔｉｂｅｔ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ，２０１２，２７（５）：７４０－７４５．［骆社周，程峰，王方建，等．基于ＴＭ遥感数据的西藏林芝地区叶面积指数反演［Ｊ］．遥感技术与应用，２０１２，２７（５）：７４０－
７４５．］收稿日期：２０１１－１０－１３；修订日期：２０１２－０４－
２４基金项目：国家９７３计划项目“青藏高原气候系统变化及其对东亚区域的影响与机制研究”（２０１０ＣＢ９５１７００
），中国科学院“百人计划”。作者简介：骆社周（１９７９－），男，河南驻马店人，博士，主要从事遥感与地理信息系统的应用研究。Ｅ－ｍａｉｌ：ｌｕｏｓｈｅｚｈｏｕ＠１
６３．ｃｏｍ。基于ＴＭ遥感数据的西藏林芝地区叶面积指数反演
骆社周１，２
，程 峰１，王方建１，习晓环１，王 成１
（１．中国科学院对地观测与数字地球科学中心，北京 １０００９４；
２．北京城市学院，北京 １０００８３；
）摘要：叶面积指数（ＬＡＩ）是分析冠层结构最常用的参数之一，它控制着植被的生物、物理过程，如光合、呼吸、蒸腾、碳循环和降水截获等。但是通过野外实测获取大面积的ＬＡＩ比较困难，通过对西藏林芝地区的ＴＭ遥感数据进行处理获取各种植被指数，然后分别与实测ＬＡＩ建立相应的回归关系，并对不同的回归模型进行分析找出相关性较好、误差较低的回归模型，最后利用该模型对林芝地区的叶面积指数进行制图。通过植被指数与实测ＬＡＩ进行回归分析建立ＬＡＩ估算模型，其决定系数最高为Ｒ２＝０．６５３，具有较好的相关性。研究结果表明：ＴＭ遥感数据可以实现林芝区域ＬＡＩ估算，能为生态环境研究提供数据支持。
关 键 词：叶面积指数；森林；植被指数；西藏；遥感；ＴＭ
中图分类号：ＴＰ ７９ 文献标志码：Ａ 文章编号：１００４－０３２３（２０１２）０５－０７４０－
０６１ 引 言
叶面积指数（Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ，ＬＡＩ）的提出源于作物学，英国农业生态学家Ｗａｔｓｏｎ于１９４７年首
先定义了叶面积指数，即单位土地面积上单面植物
光合作用面积的总和［１］
。ＬＡＩ是陆面过程中的一个
十分重要的结构参数，是表征植被冠层结构的最基本参量之一，它控制着植被的生物物理过程，如光
合、呼吸、蒸腾、碳循环和降水截获等［
２］
。由于理解和使用上的差异，叶面积指数有不同的定义和解释，如植物叶片总面积与土地面积的比值，单位面积上
植物叶片的垂直投影面积总和等［３］
。Ｃｈｅｎ等［４］将
ＬＡＩ定义为单位地面面积上所有叶片表面积的一
半。叶面积指数是一个无量纲度量的参数，其大小与植被种类、生长期、叶片倾角、叶簇和非叶生物量等因素有关，还受叶面积指数定义和测定方法的影响。叶面积指数作为进行植物群体和群落生长分析的重要参数，已在农业、果树业、林业、生物学及生态
学等领域得到广泛应用［
５］
。直接测量ＬＡＩ是经典、成熟、相对精度较高的方法，也是间接测定的重要校正方法。其缺点是对植物本身具有一定破坏性，必须人工采集叶子样品，耗时耗力，劳动强度比较大，而且采样不一定具有代表性，仅在有限的小范围内适用，而大面积实测ＬＡＩ还没有得到很好的解决，可作为间接方法的有效
验证［
３，６－
８］。间接方法是用一些测量参数或用光学仪器得到叶面积指数，测量方便快捷，如ＳｕｎＳｃａｎ、ＬｉＣｏｒ
ＬＡＩ－
２０００、ＤＥＭＯＮ和ＴＲＡＣ［９］
，但仍需要用直接方法所得结果进行校正［１０］
。随着对ＬＡＩ空间模式
兴趣的增长及科学研究的需要，实地测量ＬＡＩ不仅需要高昂的费用和大量的时间，而且在偏远地区一般是行不通的，而用遥感数据估算ＬＡＩ成为最有吸
引力的方法［９－
１０］，并且卫星遥感数据为大区域研究ＬＡＩ提供了最有效途径［２，９］
。目前国内外开展了诸
多遥感估算ＬＡＩ的例子。徐全芝等［１２］
利用ＴＭ数据对黑河流域进行叶面积指数制图，蒙继华等［１３］利
用大尺度的遥感模型估算全国作物ＬＡＩ分布，
并应第２７卷 第５期２０１２年１０月
遥 感 技 术 与 应 用
ＲＥＭＯＴＥ
ＳＥＮＳＩＮＧ ＴＥＣＨＮＯＬＯＧＹ ＡＮＤ ＡＰＰＬＩＣＡＴＩＯＮ
Ｖｏｌ．２７ Ｎｏ．５
Ｏｃｔ．２０１２
用于“中国农情遥感速报”系统；林文鹏等［１４］通过
ＳＰＯＴ卫星数据对城市森林叶面积指数进行反演，
并证明其可行性；Ｇｏｎｇ等［１５］
利用高光谱数据进行ＬＡＩ估算，并确定了高光谱数据估算ＬＡＩ的最优谱
段；Ａｂｏｅｌｇｈａｒ等［１６］
用遥感数据反演出ＬＡＩ与植被指数的关系模型，并成功用于Ｓａｋｈａ农业实验区
ＬＡＩ制图。Ｒｉｃｈａｒｄｓｏｎ等［１
７－
１８］利用多角度遥感数据反演ＬＡＩ
，并通过实测数据验证了其可靠性。近年来，随着激光雷达遥感技术的兴起和广泛应用，很多研究者已经开始利用机载激光雷达数据提取叶面积指数。
植被指数是从遥感角度解释地表植被覆盖状况最有价值的参数，最常用的植被指数有归一化植被指数（ＮＤＶＩ）、比值植被指数等。本研究将利用ＴＭ遥感数据求出各种植被指数，然后分别建立实测ＬＡＩ数据与各植被指数之间的回归模型，
对模型进行验证并确定最优模型，最后应用该最优模型进行西藏林芝地区的叶面积指数制图。
２ 研究区与数据
２．１ 研究区概况
西藏位于中国的西南部，林芝地区地处西藏东南雅鲁藏布江下游，地理位置为９３°２８′～９
５°１４′Ｅ，２９°２２′～３０°１３′Ｎ，平均海拔３ １００ｍ左右，气候温暖湿润，年降雨量６５０ｍｍ左右，年均温度８．７℃，年平均日照为２
０２２．２ｈ，无霜期为１８０ｄ。林芝的森林面积约为２６４万ｈｍ２
，森林覆盖率为４６．９％，木材蓄积量为８．８２亿ｍ
３，为中国第三大林区，西藏森林的８０％都集中在这里，不仅面积大、分布广，而且树种齐全，从亚热带到寒带植物都有生长，素有“绿色宝库”之称，主要树种有柏树、桑树、云杉、冷杉、高
山松等。本研究区域主要树种是高山松。２．２ 研究数据
２．２．１ ＴＭ遥感数据的获取与处理
本研究选取２００８年１０月份ＴＭ影像的４个波段，分别为蓝光波段、绿光波段、红光波段、近红外波段，其分辨率为３０ｍ。先将研究中选取的４个波段组合成一个多波段图像文件，以便后续的处理，再对图像进行几何精校正，由于纠正后的ＴＭ影像与
ＤＧＰＳ测量时的投影不一致，因此，最后需要把纠正后的图像投影变换成ＤＧＰＳ实测时的投影。２．２．２ ＬＡＩ数据获取及处理
于２０１１年７月２０～２５日对林芝林区采样点的叶面积指数与地理坐标进行地面实测。叶面积指数采用植物冠层分析系统ＳｕｎＳｃａｎ进行测量。ＳｕｎＳｃａｎ在冠层不高、
均一的植被测量中精度较高，测量点的天顶角尽量保证在６０°以内，所以一般选择在中午进行测量。另外，ＬＡＩ－２０００冠层分析仪是地面测量ＬＡＩ的最常用仪器，也是公认测量森林叶面积指数精度较高的仪器。为了验证Ｓｕｎ－Ｓｃａｎ在测量森林ＬＡＩ的可靠性，本研究利用ＬＡＩ－２０００对ＳｕｎＳｃａｎ测量结果进行了验证。在晴天条件下，分别选取了２０个阔叶林与２１个针叶林样点，用ＬＡＩ－２０００与ＳｕｎＳｃａｎ两种仪器同时测量，然后对两种仪器测量结果的相关性进行了分析。阔叶林与针叶林线性相关的决定系数Ｒ２分别为
０．８３８９与０．８３８４，并且阔叶林的非线性相关决定Ｒ２达到了０．９３９９，
从图１可以看出拟合度很好，因此用ＳｕｎＳｃａｎ对西藏林芝林区进行ＬＡＩ地面实测
是完全可行的，Ｃｏｕｔｕｒｉｅｒ等［１９］２００５年曾用Ｓｕｎ－
Ｓｃａｎ对橡树、
松树与冷杉等进行叶面积地面测量，并成功应用于森林分类
。
图１ ＳｕｎＳｃａｎ与ＬＡＩ２０００实测叶面积关系图
Ｆｉｇ．１ Ｒｅｌａｔｉｏｎｓｈｉｐ
ｓ ｂｅｔｗｅｅｎ ＳｕｎＳｃａｎ ａｎｄ ＬＡＩ２０００ｍｅａｓｕｒｅｄ ＬＡＩ１
４７第５期 骆社周等：基于ＴＭ遥感数据的西藏林芝地区叶面积指数反演
Ｓ
ｕｎＳｃａｎ不需要等待特殊的天气条件进行使用，可以在大多数光照条件下进行测量工作。手持终端ＰＤＡ操作简单，
其存储空间较大，能满足野外大数据测量的需要。由于日照传感器采用了无线发射接收技术，使测量更加方便快捷，并且能快速获取较大面积林区ＬＡＩ的平均值。无线发射距离最大２５０ｍ，在植被中可传输１００～２００ｍ，在很大程度上提高了在复杂地区森林ＬＡＩ的测量效率。考虑到西藏林芝地区地形复杂、天气变化多端，所以该研究区域的实测ＬＡＩ主要是通过ＳｕｎＳｃａｎ仪器获取的。
由于本研究中使用的ＴＭ影像分辨率为３０ｍ，因此实地ＬＡＩ测量中，在每个直径为３０ｍ的样区内用ＳｕｎＳｃａｎ多次测量求平均值，样区的中心坐标采用ＤＧＰＳ进行定位，精度在１ｍ以内。本次试验共选取了１２９个样区。
３ 研究方法
本研究对实测ＬＡＩ与多种植被指数做线性与非线性回归分析，
然后对它们的结果进行对比分析，找出适合估算该区域叶面积指数的最优植被指数与最佳回归模型，并用该模型对林芝地区进行ＬＡＩ制图。３．１ 常用的植被指数
植被指数（Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ，ＶＩ）是两个或多个波长范围内的地物反射率进行线性或非线性组合运
算，产生某些对植被长势、生物量等有一定指示意义的专题数值，
常用的植被指数如表１所示。表１ 各类植被指数及公式［
２０－
２４］Ｔａｂｌｅ １ Ｖｅｇ
ｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ａｎｄ ｆｏｒｍｕｌａｓ植被指数公式
ＮＤＶＩ ＮＤＶＩ＝
ρＮＩＲ－ρＲＥＤ
ρＮＩＲ＋ρＲＥＤ
ＳＲＶＩ ＳＲＶＩ＝
ρＮＩＲ
ρＲＥＤ
ＡＲＶＩ ＡＲＶＩ＝ρＮＩＲ－ρＲＢ
ρＮＩＲ＋ρＲＢ
ρＲＢ＝ρＲＥＤ－γ（ρＢＬＵＥ－ρＲＥＤ
）ＳＡＶＩ ＳＡＶＩ＝（１＋Ｌ）
ρＮＩＲ－ρＲＥＤ
ρＮＩＲ＋ρＲＥＤ＋Ｌ
ＥＶＩ
ＥＶＩ＝Ｇ
ρＮＲＩ－ρＲＥＤ
ρＮＩＲ＋Ｃ１ρＲＥＤ－Ｃ２ρＢＬＵＥ＋
Ｌ３．２ 植被指数计算及其与ＬＡＩ的回归分析
对处理后的ＴＭ影像，利用ＥＮＶＩ遥感图像处理软件，根据表１给出的各类植被指数公式算出相应的植被指数。该研究从１２９个样区中随机选取了８９个，其余４０个作为回归模型的验证数据。然后根据实测ＬＡＩ样本的中心坐标提取对应位置的５种植被指数值，把８９个实测ＬＡＩ与植被指数绘制成散点图，观察它们呈线性和幂函数关系，所以对提取出来的５种植被指数与实测ＬＡＩ用最小二乘法进行线性与非线性回归分析，结果如图２所示，ｙ为ＬＡＩ，ｘ为ＶＩ。由于ＥＶＩ都是负值，
无法进行幂
函图２ ＬＡＩ与ＮＤＶＩ、ＳＲＶＩ、ＡＲＶＩ、ＳＡＶＩ的关系
Ｆｉｇ．２ Ｒｅｌａｔｉｏｎｓｈｉｐ
ｓ ｂｅｔｗｅｅｎ ＬＡＩ ａｎｄ ＮＤＶＩ，ＳＲＶＩ，ＡＲＶＩ，ＳＡＶＩ２４７ 遥 感 技 术 与 应 用 第２７卷
数曲线模型的回归分析，所以在此没有绘出ＥＶＩ与ＬＡＩ的回归关系图。
４ 精度检验及模型应用
由图２可以看出ＶＩ与ＬＡＩ的回归关系中，回归模型Ｒ２都大于０．６，都有较好的相关性。本研究随机选取８９个实测数据作为回归模型的训练样本，用剩余的４０个实测数据作为验证数据，其验证结果见表２。可以看出误差较小的是ＬＡＩ－ＳＡＶＩ的线性回归模型，其误差平均值是０．５１２，ＲＭＳＥ＝０．５７８，Ｒ２＝０．６４０，Ｐ＝０，该反演模型能够反映该地区的森林ＬＡＩ分布情况，所以用ＬＡＩ－ＳＡＶＩ线性模型反演林芝地区的叶面积指数要比ＥＶＩ、ＳＲＶＩ、ＡＲＶＩ、ＮＤＶＩ更好一些。ＬＡＩ－ＳＡＶＩ线性模型预测ＬＡＩ值与实测ＬＡＩ值关系如图３所示，Ｒ２＝０．６０１，Ｐ＝０，ＲＭＳＥ＝０．５６０，误差平均值为０．３１４。
对预处理后的ＴＭ影像提取大气阻抗植被指数（ＳＡＶＩ），然后用ＬＡＩ－ＳＡＶＩ线性模型进行林芝地区的叶面积指数提取和制图，其结果如图４所示，可以看出林芝地区的叶面积指数分布范围主要在１～７之间。
表２ 预测误差均值及均方根误差
Ｔａｂｌｅ ２ Ｍｅａｎ ｅｒｒｏｒ ａｎｄ ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ
ｏｆ ｔｈｅ ｅｓｔｉｍａｔｅｄ ＬＡＩｓ
线性模型ＬＡＩ－ＮＤＶＩ ＬＡＩ－ＳＲＶＩ ＬＡＩ－ＡＲＶＩ ＬＡＩ－ＳＡＶＩ误差均值０．５１５ ０．５１７ ０．５３０ ０．５１２均方根误差０．６００ ０．５９５ ０．６９９ ０．５７８幂函数模型ＬＡＩ－ＮＤＶＩ ＬＡＩ－ＳＲＶＩ ＬＡＩ－ＡＲＶＩ ＬＡＩ－ＳＡＶＩ误差均值０．５５９ ０．５２４ ０．５２１ ０．５３８均方根误差０．６６７ ０．６１５ ０．６０７ ０．６２
３
图３ ＬＡＩ预测与实测值关系图
Ｆｉｇ．３ Ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅｔｗｅｅｎ Ｅｓｔｉｍａｔｅｄ ａｎｄ Ｆｉｅｌｄ－ｍｅａｓｕｒｅｄ ＬＡ
Ｉ
图４ 基于ＴＭ数据的西藏林芝地区ＬＡＩ制图
ｇ．４ Ｍａｐｐｉｎｇ ｏｆ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ ｂａｓｅｄ ｏｎ ＴＭ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅ ｉｎ Ｌｉｎｚｈｉ，Ｔｉｂｅｔ
５ 结 语
本研究首先用ＬＡＩ－２０００冠层分析仪对Ｓｕｎ－
Ｓｃａｎ测量结果进行了验证，证明了ＳｕｎＳｃａｎ测量森
林叶面积指数的可靠性，并选用ＳｕｎＳｃａｎ对１２９个
样区的ＬＡＩ进行实地测量。其次，用ＴＭ遥感数据
计算出各类植被指数，并与实测ＬＡＩ建立相应的回
归关系，然后找出与ＬＡＩ相关性最好的植被指数，
即大气阻抗植被指数（ＡＲＶＩ）。最后，利用ＡＲＶＩ
与ＬＡＩ之间的回归模型对林芝地区进行叶面积指
数制图，实现了间接、快速、非破坏性的大区域ＬＡＩ
制图，为相关科学研究提供可靠的数据。
用ＴＭ遥感数据成功反演叶面积指数有３点
需要特别注意：①地面测量方法必须正确。因为
３
４
７
第５期 骆社周等：基于ＴＭ遥感数据的西藏林芝地区叶面积指数反演
ＴＭ影像的分辨率是３０ｍ，在这３０ｍ范围内可能会有大的孔隙度，而用ＴＭ数据反演时是整个像元的平均值，所以在地面测量ＬＡＩ时要选择代表性的位置进行测量，不能只在有树木的位置进行测量，比如可以沿着两条相互垂直３０ｍ的线路进行测量，求ＬＡＩ的平均值作为这个样区的最终ＬＡＩ；②ＧＰＳ定位精度要高，至少误差不能大于所用遥感影像分辨率的一半，否则ＬＡＩ的反演精度就会非常低，有时甚至是错误的结果；③遥感影像几何校正的精度至少要小于一个像元，并且要保证影像的坐标系与ＧＰＳ的一致，这样通过实测ＬＡＩ中心位置坐标提取遥感影像的反射率才是正确的。
参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：
［１］ Ｂｒｅ＾Ａｄａ Ｎ Ｊ．Ｇｒｏｕｎｄ－ｂａｓｅｄ Ｍｅａｓｕｒｅｍｅｎｔｓ ｏｆ Ｌｅａｆ Ａｒｅａ Ｉｎ－ｄｅｘ：Ａ Ｒｅｖｉｅｗ ｏｆ Ｍｅｔｈｏｄｓ，Ｉｎｓｔｒｕｍｅｎｔｓ ａｎｄ Ｃｕｒｒｅｎｔ Ｃｏｎｔｒｏ－
ｖｅｒｓｉｅｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｅｘｐｅｒｉｍｅｎｔａｌ Ｂｏｔａｎｙ，２００３，５４（３９２）：
２４０３－２４１７．
［２］ Ｃｈｅｎ Ｊ Ｍ，Ｃｉｈｌａｒ Ｊ．Ｒｅｔｒｉｅｖｉｎｇ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ ｏｆ Ｂｏｒｅａｌ Ｃｏ－ｎｉｆｅｒ Ｆｏｒｅｓｔｓ Ｕｓｉｎｇ Ｌａｎｄｓａｔ ＴＭ Ｉｉｍａｇｅｓ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ
ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，１９９６，５５（２）：１５３－１６２．
［３］Ｔａｎ Ｙｉｂｏ，Ｚｈａｏ Ｚｈｏｎｇｈｕｉ．Ｔｈｅ Ｍａｉｎ Ｍｅｔｈｏｄｓ ｆｏｒ Ｄｅｔｅｒｍｉｎｉｎｇ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ［Ｊ］．Ｆｏｒｅｓｔ Ｉｎｖｅｎｔｏｒｙ ａｎｄ Ｐｌａｎｎｉｎｇ，２００８，
３３（３）：４５－４８．［谭一波，赵仲辉．叶面积指数的主要测定方法
［Ｊ］．林业调查规划，２００８，３３（３）：４５－４８．］
［４］ Ｃｈｅｎ Ｊ Ｍ，Ｐａｖｌｉｃ Ｇ，Ｂｒｏｗｎ Ｌ，ｅｔ ａｌ．Ｄｅｒｉｖａｔｉｏｎ ａｎｄ Ｖａｌｉｄａｔｉｏｎｏｆ Ｃａｎａｄａ Ｗｉｄｅ Ｃｏａｒｓｅ Ｒｅｓｏｌｕｔｉｏｎ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ Ｍａｐｓ Ｕ－
ｓｉｎｇ Ｈｉｇｈ Ｒｅｓｏｌｕｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｉｍａｇｅｒｙ ａｎｄ Ｇｒｏｕｎｄ Ｍｅａｓｕｒｅ－
ｍｅｎｔｓ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２００１，８０（１）：１６５－
１８４．
［５］ Ｗａｎｇ Ｘｉｑｕｎ，Ｍａ Ｌｖｙｉ，Ｊｉａ Ｚｈｏｎｇｋｕｉ，ｅｔ ａｌ．Ｒｅｓｅａｒｃｈ ａｎｄ Ａｐ－ｐｌｉｃａｔｉｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ（ＬＡＩ）［Ｊ］．Ｃｈｉｎｅｓｅ
Ｊｏｕｒｎａｌ ｏｆ Ｅｃｏｌｏｇｙ，２００５，２４（５）：５３７－５４１．［王希群，马履一，
贾忠奎，等．叶面积指数的研究和应用进展［Ｊ］．生态学杂志，
２００５，２４（５）：５３７－５４１．］
［６］ Ｚｈｏｕ Ｙｕｙｕ，Ｔａｎｇ Ｓｈｉｈａｏ，Ｚｈｕ Ｑｉｊｉａｎｇ，ｅｔ ａｌ．Ｍｅａｓｕｒｅｍｅｎｔ ｏｆＬＡＩ ｉｎ Ｃｈａｎｇｂａｉ Ｍｏｕｎｔａｉｎｓ Ｎａｔｕｒｅ Ｒｅｓｅｒｖｅ ａｎｄ Ｉｔｓ Ｒｅｓｕｌｔ
［Ｊ］．Ｒｅｓｏｕｒｃｅｓ Ｓｃｉｅｎｃｅ，２００３，２５（６）：３８－４２．［周宇宇，唐世浩，
朱启疆，等．长白山自然保护区叶面积指数测量及结果［Ｊ］．资
源科学，２００３，２５（６）：３８－４２．］
［７］ Ｃｈｅｎｇ Ｗｕｘｕｅ，Ｐａｎ Ｋａｉｚｈｉ，Ｙａｎｇ Ｃｕｎｊｉａｎ．Ｒｅｓｅａｒｃｈ Ｐｒｏｇｒｅｓｓｉｎ ｔｈｅ Ｄｅｔｅｒｍｉｎａｔｉｏｎ Ｍｅｔｈｏｄｓ ｏｆ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ（ＬＡＩ）［Ｊ］．
Ｊｏｕｒｎａｌ ｏｆ Ｓｉｃｈｕａｎ Ｆｏｒｅｓｔｒｙ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１０，３１
（３）：５１－５４．［程武学，潘开志，杨存建．叶面积指数（ＬＡＩ）测定
方法研究进展［Ｊ］．四川林业科技，２０１０，３１（３）：５１－５４．］［８］ Ｃｕｔｉｎｉ Ａ，Ｍａｔｔｅｕｃｃｉ Ｇ，Ｍｕｇｎｏｚｚａ Ｇ Ｓ．Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｌｅａｆ Ａｒ－ｅａ Ｉｎｄｅｘ ｗｉｔｈ ｔｈｅ Ｌｉ－Ｃｏｒ ＬＡＩ ２０００ｉｎ Ｄｅｃｉｄｕｏｕｓ Ｆｏｒｅｓｔｓ［Ｊ］．
Ｆｏｒｅｓｔ Ｅｃｏｌｏｇｙ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，１９９８，１０５（１－３）：５５－６５．
［９］ Ｗａｎｇ Ｑ，Ａｄｉｋｕ Ｓ，Ｔｅｎｈｕｎｅｎ Ｊ，ｅｔ ａｌ．Ｏｎ ｔｈｅ Ｒｅｌａｔｉｏｎｓｈｉｐ ｏｆＮＤＶＩ ｗｉｔｈ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ ｉｎ ａ Ｄｅｃｉｄｕｏｕｓ Ｆｏｒｅｓｔ Ｓｉｔｅ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２００５，９４（２）：２４４－２５５．
［１０］ Ｔａｎｇ Ｘｕｇｕａｎｇ，Ｌｉｕ Ｄｉａｎｗｅｉ，Ｓｏｎｇ Ｋａｉｓｈａｎ，ｅｔ ａｌ．Ａ Ｓｔｕｄｙ ｆｏｒＥｓｔｉｍａｔｉｎｇ ｔｈｅ Ｍａｉｎ Ｔｒｅｅ Ｓｐｅｃｉｅｓ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ ｉｎ Ｎｏｒｔｈ－
ｅａｓｔ ｂａｓｅｄ ｏｎ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｄａｔａ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈ－
ｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ，２０１０，２５（３）：３３４－３４１．［汤旭光，刘殿
伟，宋开山，等．东北主要绿化树种叶面积指数（ＬＡＩ）高光谱
估算模型研究［Ｊ］．遥感技术与应用，２０１０，２５（３）：３３４－３４１．］［１１］ Ｃｈａｎｇ Ｘｕｅｘｉａｎｇ，Ｚｈａｏ Ｗｅｎｚｈｉ，Ｚｈａｏ Ａｉｆｅｎ．Ｖａｒｉａｔｉｏｎ ｏｆ ＬｅａｆＡｒｅａ Ｉｎｄｅｘ ｏｆ Ｇａｎｓｕ Ｐｏｐｌａｒ ａｎｄ Ｉｔｓ Ｒｅｌａｔｉｏｎ ｔｏ Ｗａｔｅｒ Ｃｏｎ－
ｓｕｍｐｔｉｏｎ ｄｕｒｉｎｇ Ｇｒｏｗｉｎｇ Ｓｅａｓｏｎ ｉｎ ｔｈｅ Ｍｉｄｄｌｅ Ｒｅａｃｈｅｓ ｏｆ
Ｈｅｉｈｅ Ｒｉｖｅｒ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｇｌａｃｉｏｌｏｇｙ ａｎｄ Ｇｅｏｃｒｙｏｌｏｇｙ，２００６，２８（１）：８５－９０．［常学向，赵文智，赵爱芬．黑河中游二白
杨叶面积指数动态变化及其与耗水量的关系［Ｊ］．冰川冻土，２００６，２８（１）：８５－９０．］
［１２］ Ｘｕ Ｑｕａｎｚｈｉ，Ｚｈａｎｇ Ｗａｎｃｈａｎｇ，Ｌｉｕ Ｓａｎｃｈａｏ，ｅｔ ａｌ．Ｒｅｔｒｉｅｖａｌ ｏｆＬｅａｆ Ａｒｅａ Ｉｎｄｅｘ ｆｏｒ ｔｈｅ Ｈｅｉｈｅ Ｒｉｖｅｒ Ｗａｔｅｒｓｈｅｄ ｂｙ Ｕｓｉｎｇ Ｒｅ－
ｍｏｔｅ Ｓｅｎｓｉｎｇ Ｄａｔａ［Ｊ］．Ａｒｉｄ Ｚｏｎｅ Ｒｅｓｅａｒｃｈ，２００３，２０（４）：２８１－
２８５．［徐全芝，张万昌，刘三超，等．黑河流域叶面积指数的遥
感反演［Ｊ］．干旱区研究，２００３，２０（４）：２８１－２８５．］
［１３］ Ｍｅｎｇ Ｊｉｈｕａ，Ｗｕ Ｂｉｎｇｆａｎｇ，Ｌｉ Ｑｉａｎｑｚｉ．Ｍｅｔｈｏｄ ｆｏｒ ＥｓｔｉｍａｔｉｎｇＣｒｏｐ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ ｏｆ Ｃｈｉｎａ Ｕｓｉｎｇ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ ＣＳＡＥ，２００７，２３（２）：１６１－１６７．［蒙继华，吴
炳方，李强子．全国农作物叶面积指数遥感估算方法［Ｊ］．农业
工程学报，２００７，２３（２）：１６１－１６７．］
［１４］ Ｌｉｎ Ｗｅｎｐｅｎｇ，Ｚｈａｏｍｉｎ，Ｚｈａｎｇ Ｙｉｆｅｉ，ｅｔ ａｌ．Ｓｔｕｄｙ ｏｎ Ｅｓｔｉｍａ－ｔｉｏｎ ｏｆ Ｕｒｂａｎ Ｆｏｒｅｓｔ ＬＡＩ Ｍｏｄｅｌｓ ｂａｓｅｄ ｏｎ ＳＰＯＴ５［Ｊ］．Ｓｃｉ－
ｅｎｃｅ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ，２００８，３３（２）：５７－６０．［林文鹏，
赵敏，张翼飞，等．基于ＳＰＯＴ５遥感影像的城市森林叶面积
指数反演［Ｊ］．测绘科学，２００８，３３（２）：５７－６０．］
［１５］ Ｇｏｎｇ Ｐ，Ｐｕ Ｒ Ｌ，Ｇｒｅｇ Ｓ．Ｂｉｇｉｎｇ，ｅｔ ａｌ．Ｅｓｔｉｍａｔｉｏｎ ｏｆ ＦｏｒｅｓｔＬｅａｆ Ａｒｅａ Ｉｎｄｅｘ Ｕｓｉｎｇ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｉｃｅｓ Ｄｅｒｉｖｅｄ ｆｒｏｍ Ｈｙ－
ｐｅｒｉｏｎ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｄａｔａ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉ－
ｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００３，４１（６）：１３５５－１３６１．
［１６］ Ａｂｏｅｌｇｈａｒ Ｍ，Ａｒａｆａｔ Ｓ，Ｓａｌｅｈ Ａ，ｅｔ ａｌ．Ｒｅｔｒｉｅｖｉｎｇ Ｌｅａｆ ＡｒｅａＩｎｄｅｘ ｆｒｏｍ ＳＰＯＴ４Ｓａｔｅｌｌｉｔｅ Ｄａｔａ［Ｊ］．Ｔｈｅ Ｅｇｙｐｔｉａｎ Ｊｏｕｒｎａｌ ｏｆ
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ａｎｄ Ｓｐａｃｅ Ｓｃｉｅｎｃｅｓ，２０１０，１３（２）：１２１－１２７．［１７］ Ｒｉｃｈａｒｄｓｏｎ Ｊ Ｊ，Ｍｏｓｋａｌ Ｌ Ｍ，Ｋｉｍ Ｓ，ｅｔ ａｌ．Ｍｏｄｅｌｉｎｇ Ａｐｐｒｏａ－ｃｈｅｓ ｔｏ Ｅｓｔｉｍａｔｅ Ｅｆｆｅｃｔｉｖｅ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ ｆｒｏｍ Ａｅｒｉａｌ Ｄｉｓ－
ｃｒｅｔｅ－ｒｅｔｕｒｎ ＬｉＤＡＲ［Ｊ］．Ａｇｒｉｃｕｌｔｕｒａｌ ａｎｄ Ｆｏｒｅｓｔ Ｍｅｔｅｏｒｏｌｏ－
ｇｙ，２００９，１４９（６－７）：１１５２－１１６０．
［１８］ Ｋｗａｋ Ｄ Ａ，Ｌｅｅ Ｗ Ｋ，Ｋａｆａｔｏｓ Ｍ，ｅｔ ａｌ．Ｅｓｔｉｍａｔｉｏｎ ｏｆ ＥｆｆｅｃｔｉｖｅＰｌａｎｔ Ａｒｅａ Ｉｎｄｅｘ ｆｏｒ Ｓｏｕｔｈ Ｋｏｒｅａｎ Ｆｏｒｅｓｔｓ Ｕｓｉｎｇ ＬｉＤＡＲ Ｓｙｓｔｅｍ
［Ｊ］．Ｓｃｉｅｎｃｅ Ｃｈｉｎａ Ｌｉｆｅ Ｓｃｉｅｎｃｅｓ，２０１０，５３（７）：８９８－９０８．
［１９］ Ｃｏｕｔｕｒｉｅｒ Ｓ，Ｇａｓｔｅｌｌｕ Ｊ，Ｐａｔｉ珘ｎｏ Ｐ，ｅｔ ａｌ．Ａ Ｍｏｄｅｌ－Ｂａｓｅｄ Ｐｅｒｆｏｒｍ－ａｎｃｅ Ｔｅｓｔ ｆｏｒ Ｆｏｒｅｓｔ Ｃｌａｓｓｉｆｉｅｒｓ ｏｎ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍａｇｅｒｙ［Ｊ］．Ｆｏｒｅｓｔ Ｅｃｏｌｏｇｙ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，２００９，２５７（１）：２３－３７．
［２０］ Ｒｏｕｓｅ Ｊ Ｗ，Ｈａａｓ Ｒ Ｈ．Ｍｏｎｉｔｏｒｉｎｇ Ｖｅｇｅｔａｔｉｏｎ Ｓｙｓｔｅｍｓ ｉｎ ｔｈｅＧｒｅａｔ Ｐｌａｉｎ ｗｉｔｈ ＥＲＴＳ［Ｃ］／／Ｔｈｉｒｄ ＥＲＴＳ Ｓｙｍｐｏｓｉｕｍ，Ｗａｓｈ－
ｉｎｇｔｏｎ，ＤＣ，１９７３，１：３０９－３１７．
４
４
７
遥 感 技 术 与 应 用 第２７卷
［２１］ Ｊｏｒｄａｎ Ｃ Ｆ．Ｄｅｒｉｖａｔｉｏｎ ｏｆ Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ ｆｒｏｍ Ｑｕａｌｉｔｙ
ｏｆＬｉｇｈｔ ｏｎ ｔｈｅ Ｆｏｒｅｓｔ Ｆｌｏｏｒ［Ｊ］．Ｅｃｏｌｏｇｙ
，１９６９，５０（４）：６６３－６６６．［２２］ Ｋａｕｆｍａｎ Ｙ Ｊ，ＴａｎｒéＤ．Ａｔｍｏｓｐｈｅｒｉｃａｌｌｙ
Ｒｅｓｉｓｔａｎｔ ＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ（ＡＲＶＩ）ｆｏｒ ＥＯＳ－ＭＯＤＩＳ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＧｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ
，１９９２，３０（２）：２６１－２７０．［２３］ Ｈｕｅｔｅ Ａ Ｒ．Ａ Ｓｏｉｌ Ａｄｊｕｓｔｅｄ Ｖｅｇ
ｅｔａｔｉｏｎ Ｉｎｄｅｘ（ＳＡＶＩ）［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ
ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，１９８８，２５（３）：２９５－３０９．［２４］ Ｈｕｅｔｅ Ａ Ｒ，Ｊｕｓｔｉｃｅ Ｃ，Ｌｉｕ Ｈ．Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ｖｅｇ
ｅｔａｔｉｏｎ ａｎｄＳｏｉｌ Ｉｎｄｉｃｅｓ ｆｏｒ ＭＯＤＩＳ－ＥＯＳ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎ－ｍｅｎｔ，１９９４，４９（３），２２４－
２３４．Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ Ｉｎｖｅｒｓｉｏｎ ｂａｓｅｄ ｏｎ ＴＭ ｉｎ
Ｌｉｎｚｈｉ，ＴｉｂｅｔＬｕｏ Ｓｈｅｚｈｏｕ１，
２，Ｃｈｅｎｇ Ｆｅｎｇ１，Ｗａｎｇ Ｆａｎｇｊｉａｎ１，Ｘｉ Ｘｉａｏｈｕａｎ１，Ｗａｎｇ
Ｃｈｅｎｇ１
（１．Ｃｅｎｔｅｒ ｆｏｒ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｄｉｇｉｔａｌ Ｅａｒｔｈ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ
ｏｆ Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００９４，Ｃｈｉｎａ；２．Ｂｅｉｊｉｎｇ Ｃｉｔｙ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１
０００８３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ（ＬＡＩ）ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｍｏｓｔ ｉｍｐｏｒｔａｎｔ ｐａｒａｍｅｔｅｒｓ，ｗｈｉｃｈ ｃｏｎｔｒｏｌｓ ｂｉｏｌｏｇｉｃａｌ ａｎｄｐｈｙ
ｓｉｃａｌ ｐｒｏｃｅｓｓｅｓ ａｓｓｏｃｉａｔｅｄ ｗｉｔｈ ｖｅｇｅｔａｔｉｏｎ ｏｎ ｔｈｅ Ｅａｒｔｈ＇ｓ ｓｕｒｆａｃｅ，ｓｕｃｈ ａｓ ｐｈｏｔｏｓｙｎｔｈｅｓｉｓ，ｒｅｓｐｉｒａｔｉｏｎ，ｔｒａｎｓｐｉｒａｔｉｏｎ ｃａｒｂｏｎ ａｎｄ ｎｕｔｒｉｅｎｔ ｃｙｃｌｅ，ａｎｄ ｒａｉｎｆａｌｌ ｉｎｔｅｒｃｅｐｔｉｏｎ．Ｈｏｗｅｖｅｒ，ｆｉｅｌｄ ｍｅａｓｕｒｅｍｅｎｔ ｏｆ ＬＡＩ ｉｓｖｅｒｙ ｄｉｆｆｉｃｕｌｔ ｆｏｒ ａ ｌａｒｇｅ ａｒｅａ．Ｆｉｖｅ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘｅｓ（ＶＩｓ）ｏｆ Ｌｉｎｚｈｉ ｉｎ Ｔｉｂｅｔ ａｒｅ ｅｓｔｉｍａｔｅｄ ｆｒｏｍ ｓａｔｅｌｌｉｔｅＴＭ ｉｍａｇｅ ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｎ ｔｈｅ ｆｉｖｅ ＶＩｓ ａｒｅ ｒｅｇｒｅｓｓｅｄ ａｇａｉｎｓｔ ｆｉｅｌｄ－ｍｅａｓｕｒｅｄ ＬＡＩ ｕｓｉｎｇ
ｔｈｅ ｌｉｎｅａｒ ａｎｄｎｏｎｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌｓ．Ｔｈｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｗｉｔｈ ｌｏｗｅｓｔ ｅｒｒｏｒ ｗａｓ ｆｏｕｎｄ ｆｒｏｍ ｔｈｅ ｆｉｖｅ ＶＩｓ，ａｎｄ ｈａｓ ａｓｉｇｎｉｆｉｃａｎｔ ｃｏｒｒｅｌａｔｉｏｎ（Ｒ２＝０．６５３）．Ｆｉｎａｌｌｙ，ｔｈｅ ｄｅｔｅｒｍｉｎｅｄ ｍｏｄｅｌ ｗａｓ ｕｓｅｄ ｔｏ ｍａｐ ＬＡＩ ｏｆ Ｌｉｎｚｈｉ ｉｎ Ｔｉｂｅｔ．Ｔｈｉｓ ｓｔｕｄｙ ｄｅｍｏｎｓｔｒａｔｅｄ ｔｈｅ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ＴＭ ｉｍａｇｅ ｃａｎ ｂｅ ｕｓｅｄ ｉｎ ｌａｒｇｅ－ｓｃａｌｅｄ ＬＡＩ ｅｓｔｉｍａｔｉｏｎ ａｎｄ ｃａｎｐｒｏｖｉｄｅ ｄａｔａ ｆｏｒ ｅｃｏｌｏｇ
ｉｃａｌ ｒｅｓｅａｒｃｈ．Ｋｅｙ
ｗｏｒｄｓ：ＬＡＩ；Ｆｏｒｅｓｔ；Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ；Ｔｉｂｅｔ；Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ；ＴＭ５
４７第５期 骆社周等：基于ＴＭ遥感数据的西藏林芝地区叶面积指数反演
考虑红边特性的多平台遥感数据叶面积指数反演方法研究
考虑红边特性的多平台遥感数据叶面积指数反演方法研究 叶面积指数(Leaf Area Index,LAI)是最重要的植被结构参数之一,是作物长势监测、作物估产、肥水管理等精准农业必备的数据源。遥感技术为大面积、及时获取LAI提供了有效手段。红边波段能够用于研究植物养分及健康状态监测、植被识别和生理生化参数等信息, 是定量遥感分析的理论基础。利用不同遥感数据估测植被LAI各有其优劣性,叶面积指数反演过程中需要充分挖掘包含红边波段的不同数 据源的特点。例如,高光谱数据红边波段数量多、波段窄,但是存在波段间高度相关、数据冗余的问题;包含单个红边波段的多光谱数据, 红边波段较宽,比高光谱数据的红边波段缺少了许多细节;包含多个 红边波段的多光谱数据,可以反映更多红边区域的光谱细节,并且由 于红边区域反射率迅速上升,红边区域内的不同波段之间存在较大差别,在实际反演中需要进行合理选择。本文针对不同遥感数据源的特点,围绕红边波段进行叶面积指数反演研究,主要研究内容及结论如下:(1)基于近地和航空高光谱数据红边波段的叶面积反演方法研究。基于研究区域采集的近地、航空高光谱数据和田间同步试验测量LAI 数据,探究航空和地面高光谱数据红边区域对冬小麦LAI的反演能力。首先,建立高光谱植被指数反演模型,进而研究红边波段组合法和传 统波段组合、逐波段组合方法对植被指数反演LAI精度的影响,结果 显示在红边区域680-750nm波段范围内,波段组合得到的植被指数与LAI的相关性非常高。最后,针对不同肥水条件下叶面积指数的特征 光谱及参数随不同试验条件存在差异,本文基于航空和近地高光谱数
据,以及田间实测数据,建立了基于高光谱植被指数MSAVI(Modified Soil-Adjusted Vegetation Index),NDVI(Normalized Difference Vegetation Index)和MTVI2(Modified Triangular Vegetation Index 2)的普适性强、精度高的冬小麦叶面积指数估算模型。(2)基于包含单个红边波段的多光谱卫星数据反演作物叶面积指数方法研究。针对一般红边波段代替红波段的改进植被指数多是基于单一时相、单一作物实现LAI估算中存在的对叶绿素含量的干扰因素考虑不足的缺陷,本文提出基于红边波段和红波段进行组合改进的新植被指数 ndvired&re(red-edgenormalizeddifferencevegetationindex),msr red&re(red-edgemodifiedsimpleratioindex)和 cired&re(red-edgechlorophyllindex)。依据田间实测的不同生育时期的四种作物(小麦,大麦,苜蓿,玉米)的叶面积指数和与田间试验准同步的rapideye卫星影像,建立基于植被指数的反演模型,结果证明本文提出的植被指数克服了在多时相和多种类型作物的情况下叶绿 素含量的变化对lai反演的影响,有效提高了lai的反演精度,比一般红边波段代替红波段的植被指数反演结果的决定系数提高至少10%。 (3)基于包含多个红边波段的多光谱卫星数据反演作物叶面积指数方法研究。面对包含多个红边波段的新发射多光谱卫星在作物参数反演中的研究尚未成熟的情况,本文以搭载两个红边波段的sentinel-2 卫星为例,针对不同红边波段之间光谱差异、多个红边波段的波段选择等问题,采用三种叶面积指数反演的经典方法:查找表、神经网络和植被指数法,建立冬小麦叶面积指数反演模型。作为对比,同时利用不
遥感反演土壤湿度的主要方法
遥感反演土壤湿度的主要方法 遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。 1.1 微波遥感土壤湿度法 分主动微波遥感监测法和被动微波遥感监测法两种。此方法物理基础坚实，即土壤的介电特性 和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。 1.1.1 主动微波遥感监测法 以应用x波段侧视雷达为主，主要是后向反射系数法。因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。国内李杏朝据微波后向反射系数法，用x波段散射计测量土壤后向反射系数，与同步获得的X 波段、HH极化机载SAR图像一起试验监测土壤水分；田国良等在河南也应用此方法也进行土壤水分研究。主动微波遥感土壤水分精度较高，且可以全天候使用，成为监测水分最灵活、最适用、最有 效的方法，随着大量的主动微波遥感器的卫星（ERS系列、EOS、SAR、Radar sat、ADEOS、TRMM 等）的发射升空，将使微波遥感的成本不断下降，逐渐被应用于实践 1.1.2 被动微波遥感监测法 原理同主动微波遥感法。值得指出，植被在地表过程研究中的影响突出，为了消除植被的影响，必须同时重视植被的遥感监测，建立相关的计算模型。Teng等通过实验得出在浓密植被覆盖区土壤湿度监测中应避免使用19GHZ波段，此时SMMR 的6.6GHZ波段比SSM／I的19GHZ在遥感监测土壤湿度信息方面的精度更高。说明在植被较密时，为了消除植被对土壤湿度反演的影响，应尽量 选择波段较长的微波辐射计。 1.2 作物植被指数法 采用此方法是基于植被在可见光部分叶绿素吸收了70％-90％红光，反射了大部分绿光，而由 于叶肉组织的作用，后行叶片在近红外波段的反射较强。通过各光谱波段所反射的太阳辐射的比来 表达，这就叫植被指数。常用的植被指数有：归一化植被指数（Normal Difference Vegetation Index, NDVI）、比值植被指数（Ratio Vegetation Index, RVI）距平植被指数（Average Vegetation Index, AVI）和植被条件指数（Vegetation Condition Index，VCI）。 1.3 热红外遥感监测法 土壤热惯量和土壤水分的关系密切，即土壤水分高，热惯量大，土壤表面的昼夜温差小，反之 亦然。热红外遥感手段主要利用地表温度日变化幅度、植被冠层和冠层空气温差、表观热惯量、热 模型（蒸散比）估测土壤含水量[5]。 土壤热惯量法是土壤热特性的综合性参数，定义为： P = tCm (1) (1)式中：P为热惯量（J/m2 k?S1/2）；ρ为密度（kg/m3 ）；C为比热（J/kg?k）；λ为热导率。在实际工作中，常用表观热惯量来代替P： ATI=(1一A)／(Td-Tn) (2) 式中：Td、Tn分别为昼夜温度，A为全波段反照率。
利用MODIS的L1B数据反演气溶胶的流程如下
利用MODIS的L1B数据反演气溶胶的流程如下： 该方案中的数据和算法介绍： 1、MODIS数据是采用的MODIS L1B 1KM数据。应严格按照说明进行操作，例如数据是1km的，数据的合成是反射率在上，发射率在下等，下面将详细介绍各个步骤。 2、这是在ENVI 5.0下做的北京市气溶胶反演，具体包括MODIS影像（HDF）的辐射校正、几何校正、云检测、气溶胶反演。 3、气溶胶反演算法采用经典的暗像元法（DDV）也叫浓密植被法，因此对于冬季反演的气溶胶效果不好。 4、气溶胶反演的查找表是利用IDL调用6S辐射模型得到的，采用的是一般的参数，因此3-9月期间都可以用这一个查找表进行气溶胶反演，也可以自己制定查找表。 5、七纬查找表，从左向右，依次为太阳天顶角，卫星天顶角，相对方位角，P0、T、 S （辐射传输方程参数），最后一列为气溶胶光学厚度（AOD） 6.感兴趣的可以提供用到的modis云检测工具和气溶胶反演工具以及详细的pdf文档。 MODIS数据下载地址：https://www.360docs.net/doc/f8329703.html,/data/search.html
一、MODIS影像的辐射校正 在ENVI 5.0中打开MODIS影像的HDF文件就已经做了辐射校正，打开HDF文件的方法是File->Open As->EOS->MODIS,打开后在数据列表中可以看到三个文件，第一个是发射率Emissive（band20-band36），第二个是辐射率Radiance（band1-band26）,第三个是反射率Reflectance（band1-band26），如图1所示。 图1 ENVI5.0打开HDF文件 二、几何校正 2.1发射率文件的几何校正 （1）Georeference MODIS工具 ENVI5.0下有对特定传感器进行几何校正的工具，其中就有专门针对MODIS数据的几何校正，如图2 Georeference MODIS工具的位置。
叶面积指数获取方法
A.直接方法直接测定方法是一种传统的、具有一定破坏性的方法。 1、叶面积的测定，传统的格点法和方格法。 2、描形称重法. 在一种特定的坐标纸上,用铅笔将待测叶片的轮廓描出并依叶形剪下坐标纸,称取叶形坐标纸重量,按公式计算叶面积. 3、仪器测定法. 叶面积测定仪可以分成两种类型,分别通过扫描和拍摄图像获取叶面积. 扫描型叶面积仪主要由扫描器(扫描相机) 、数据处理器、处理软件等组成,可以获得叶片的面积、长度、宽度、周长、叶片长度比和形状因子以及累积叶片面积等数据,主要仪器有: CI - 202 便携式叶面积仪、L I- 3000台式或便携式叶面积仪、AM - 300手持式叶面积仪等. 此外,还有使用台式扫描仪和专业图像分析软件测定的方法. 图像处理型 叶面积仪由数码相机、数据处理器、处理分析软件和计算机等组成,可以获取叶片面积、形状等数据,主要仪器有:W IND I2AS图象分析系统、SKYE 叶片面积图像分析仪、Decagon - Ag图象分析系统、WinFOL IA 多用途叶面积仪等. B、间接方法间接方法是用一些测量参数或用光学仪器得到叶面积指数,测量方便快捷,但仍需要用直接方法所得结果进行校正。 1、点接触法 点接触法是用细探针以不同的高度角和方位角刺入冠层,然后记录细 探针从冠层顶部到达底部的过程中针尖所接触的叶片数目,用以下公式计算. 式中,LA I为叶面积指数, n为探针接触到的叶片数, G (θ) 为投影函数,θ为天顶角. 当天顶角为57.5°时,假设叶片随机分布和叶倾角椭圆分布 ,则冠层 叶片的倾角对消光系数K的影响最小,此时采用32.5°倾角刺入冠层,会得出较准确的结果,用以下公式计算. 点接触法是由测定群落盖度的方法演进而来的 ,在小作物LA I的测量中较准确 ,但在森林中应用比较困难 ,主要是由于森林植物树体高大以及针叶树种中高密度的针叶影响了测定。 2、消光系数法 该法通过测定冠层上下辐射以及与消光系数该法通过测定冠层上下辐射以及与消光系数相关的参数来计算叶面积指数,前提条件是假设叶片。随机分布和叶倾角呈椭圆分布,由Beer - Lambert定 律知:
北京市气溶胶(PM10、PM2.5)反演与预警系统
说明：此文件为报名时必须要提交的文件，作为报名的一个重要组成部分不可缺少，如参赛小组不提交该文档，则报名无效 Esri 2012 中国大学生GIS软件开发竞赛 项目计划书 （D-ENVI/IDL开发组适用） 参赛作品名称北京市气溶胶（PM10、PM2.5）反演与预警系统 团队成员姓名 学校/院系聊城大学环境与规划学院 队长及联系电话 快递地址 邮编252059 队长电子邮箱 （说明：2012年4月30日集中报名截至后，选手仍然可以报名参赛，但组委会将不再提供参赛软件。） 竞赛官方讨论站点：https://www.360docs.net/doc/f8329703.html, 参赛须知： 所有参赛作品必须是原创作品，并且参赛者均须保证其提交的作品是由其本人或所属参赛团队原创并拥有、以前从未被发表或发布或许可给第三方发表或发布、以及不损害任何第三方的名誉权、隐私权等任何权利。参赛作品的原创版权归参赛团队所有，竞赛组委会仅拥有对获奖作品进行展示及推广的权利。如果提交作品，则意味着接受并遵守参赛要求和参赛规则。
项目计划书提交时间: 即日起至2012年4月30日截止。 项目计划书提交流程: （1）在报名系统选择报名小组，并依次填加小组成员及指导老师； （2）下载该项目计划书，完整填写后，在报名小组信息中相应位置进行上载（请注意项目计划书文件的大小，尽量不要超过1.5m）； （3）组委会在收到该文件后，会给予审核，审核通过后，系统自动赋予参赛编号。 项目计划书应包括如下内容（请以此为模板填写）： 一、项目概述 1. 引言 近二十多年来，随着我国工业化和城市化进程加快，各种大气污染物高强度、集中性的排放，大大超过了环境承载力， 导致空气质量严重下降。大气污染不仅影响城市景观，还会严重危害公众健康，已成为影响我国城市和区域可持续发展的重 要因素。 气溶胶即悬浮在气体中的固体颗粒物和液体微粒与气体载体共同组成的多相体系，其动力学直径大约在0.001um—100um 之间，直径<10um的可吸入颗粒物(PM10)和直径小于2．5um的可入肺颗粒物(PM2.5)对人体健康有巨大危害。气溶胶颗粒的增 加是近年来城市及郊区频现“灰霾”天气的一个重要原因。而且，气溶胶（PM10、PM2.5）的污染会严重影响人的身体健康， 据统计由于气溶胶的污染，北京市人口寿命平均减少五年左右。 2. 项目背景/选题动机/目的 目前国内对气溶胶的监测依靠环保部门地面采集、监测网络等方式获得数据，这种方式费时、费力、昂贵，对于发展中 国家更是如此。同时气溶胶的时空特征存在巨大差异，而地基测站很少，所以地基观测方式难以实现大范围监测。 相比于传统的监测手段，卫星遥感技术具有宏观性强，能快速获取地表的空间变化和时间动态变化信息等特点，在环境 质量现状和应急监测方面具有明显的优势，卫星观测反演气溶胶的方法已成为越来越重要的气溶胶监测手段。 二、需求分析 1. 概要 【指出项目的需求，该系统主要解决的实际问题】 由于地面监测的局限性，辅以遥感动态监测气溶胶成为不二之选，本系统基于高时间分辨率的MODIS 影像和高空间分辨率的环境减灾卫星影像、TM影像反演北京市气溶胶时空分布，在反演气溶胶的基础上分析气溶胶与PM10和PM2.5的关系，从而得到PM10和PM2.5的时空分布图。结合植被覆盖度、地表温度、相对湿度、地形（DEM）以及气象等多种影响因子来综合分析与气溶胶和PM10、PM2.5的关系。最后利用数据挖掘CART算法以多种影响因子为自变量实现气溶胶的预警。从而帮助受污染城市对气溶胶（PM10、PM2.5）进行预防和治理，给城市人民一个清爽的空气，一个健康的身体。 2. 应用领域/实用性分析 【指出项目的应用领域及实用性】 本系统是对城市气溶胶进行动态监测与预警，可以用来监测城市大气状况，尤其是对人身体健康影响很大的PM10、PM2.5。以此来帮助城市人民预防和治理大气污染，还城市人民一个清新的家园。 三、系统功能概述 【针对需求，对系统的设计概念和功能进行描述】 本系统是C/S和B/S相结合的，在C/S端系统主要分为三大功能模块：1.基于多种影像的气溶胶反演 2.分析影响气溶胶产生以及分布的因子 3.利用CART算法对气溶胶进行预警；在B/S端主要是发布气溶胶 现状分布图、和各种因子之间的分析结果以及预测的气溶胶时空分布图供不同用户（林业局、交通局、国土资源局、城市普通人民）浏览与分析。图1是基于StarUML软件制作的用例图（Use Case Diagram）。
【CN109975250B】一种叶面积指数反演方法及装置【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利 (10)授权公告号 (45)授权公告日 (21)申请号 201910333471.7 (22)申请日 2019.04.24 (65)同一申请的已公布的文献号 申请公布号 CN 109975250 A (43)申请公布日 2019.07.05 (73)专利权人 中国科学院遥感与数字地球研究 所 地址 100101 北京市朝阳区大屯路甲20号 北 专利权人 首都师范大学 (72)发明人 董莹莹 李雪玲 朱溢佞 叶回春 黄文江 (74)专利代理机构 北京集佳知识产权代理有限 公司 11227 代理人 杨华 王宝筠 (51)Int.Cl.G01N 21/552(2014.01)G06N 3/04(2006.01)G06N 3/08(2006.01)审查员 李新科 (54)发明名称 一种叶面积指数反演方法及装置 (57)摘要 本申请公开了一种叶面积指数反演方法及 装置，其中，方法包括：获取遥感植被冠层光谱反 射率数据，将遥感植被冠层光谱反射率数据输入 预先训练的深度神经网络模型，得到深度神经网 络模型输出的叶面积指数，深度神经网络模型至 少包括卷积层，卷积层的采样步幅大于1，并且取 不大于卷积层使用的滤波器的尺度的数值中的 最大值。通过本申请，可以反演出具有较高精度 的叶面积指数。权利要求书2页 说明书12页 附图2页CN 109975250 B 2020.03.24 C N 109975250 B
权 利 要 求 书1/2页CN 109975250 B 1.一种叶面积指数反演方法，其特征在于，包括： 获取遥感植被冠层光谱反射率数据； 将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺寸的数值中的最大值； 其中，所述卷积层包括：第一个卷积层与第二个卷积层，所述第一个卷积层与所述第二个卷积层连接； 所述第一卷积层的滤波器尺寸为1*3，采样步幅为3，所述第二个卷积层的滤波器尺寸为1*3，采样步幅为3； 其中，所述深度神经网络模型还包括：一个池化层；所述第二个卷积层与所述池化层连接； 其中，所述深度神经网络模型还包括：三个全连接层，分别为第一个全连接层，第二个全连接层与第三个全连接层；所述池化层与所述第一个全连接层连接，所述第一个全连接层输出的数据，输入随机失活(Dropout)，所述Dropout输出的数据输入所述第二个全连接层，所述第二个全连接层与所述第三个全连接层连接。 2.根据权利要求1所述的方法，其特征在于，所述预设的神经网络模型是采用训练样本训练得到；所述训练样本包括预设的植被光谱反射率数据，以及与所述预设的植被光谱反射率数据对应的叶面积指数； 所述预设的植被光谱反射率数据为在所述遥感植被冠层光谱反射率数据中的比例为0.14％的数据。 3.根据权利要求1所述的方法，其特征在于，所述第二个卷积层输出的数据输入预设的第一ReLU激活函数，所述第一ReLU激活函数输出的数据输入所述池化层，所述池化层输出的数据输入所述第一个全连接层，所述第一个全连接层输出的数据输入预设的第二ReLU激活函数，所述第二ReLU激活函数输出的数据输入所述Dropout，所述Dropout输出的数据输入所述第二个全连接层，所述第二个全连接层输出的数据输入预设的第三ReLU激活函数，所述第三ReLU激活函数输出的数据输入所述第三个全连接层，所述第三个全连接层输出的数据输入预设的Sigmoid函数。 4.一种叶面积指数反演装置，其特征在于，包括： 获取模块，用于获取遥感植被冠层光谱反射率数据； 输入模块，用于将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺寸的数值中的最大值； 其中，所述卷积层包括：第一个卷积层与第二个卷积层，所述第一个卷积层与所述第二个卷积层连接； 所述第一卷积层的滤波器尺寸为1*3，采样步幅为3，所述第二个卷积层的滤波器尺寸为1*3，采样步幅为3； 其中，所述深度神经网络模型还包括：一个池化层；所述第二个卷积层与所述池化层连接； 2
近地表气温遥感反演方法(定)
近地表气温遥感反演方法研究进展 摘要：气温是描述陆地环境条件的重要参数，也是气象观测资料中最基本观测项目之一。结合遥感的空间分辨率高，覆盖面广，资料同步性强的特点，运用遥感方法反演气温弥补了传统方法的缺点，气象卫星的发展，为其提供了技术平台支持。本文从近地表气温反演的各种不同的方法进行阐述，分别从半统计方法、统计方法、多因子分析方法和遗传算法方面进行叙述。 关键词：气温；遥感；反演方法这 1.引言 气温是描述陆地环境条件的重要参数，也是气象观测资料中最基本观测项目之一。由于近地球表面气温控制着大部分陆地表面过程(如光合作用、呼吸作用及陆地表面蒸散过程等)，因此，气温是各种植物生理、水文、气象、环境等模式或模型中的一个非常重要的近地表气象参数输入因子[1,2]。高山、水体、植被以及土壤含水量等，以至于表现出很大的空间异质性。我们常常听说的气温，是有气象观测站在植有草皮的观测场所中离地面1.5米高的百叶箱中的温度表测得的。由于温度表保持了良好的通风性并避免了阳光直接照射，因而具有较好的代表性，这个温度基本上反映了观测地点(当地)的气温。但是随着数值预报的发展，常规的探测手段越来越不能满足现代业务预报的需要。特别是在海洋，沙漠，沙漠等的荒僻的地区，基本不可能设立气象站点，即使设立站点也十分稀疏，这就使得我们所获取的气温资料十分有限，要想研究特定位置的气温水平空间分布状况及其内部结构特征等都有一定的困难。同时在不同地形和不同景观条件下，一个气象站观测的数据能够代表的范围有很大差别，即使通过空间内插过程也不能够获得满意的气温空间分布，从影响模型模拟结果[3]。 而遥感具有覆盖面广，空间分辨率高，资料同步性强的特点，所以利用卫星遥感手段资料反演近地表的大气温度就弥补了传统手段的缺陷，不论在现实意义还是经济意义上，都是非常重要的。随着大气科学理论和遥感探测技术的迅速发展，在全球大气观测系统中，卫星探测技术将会成为中流砥柱。同时，从60年代有了气象卫星之后，给遥感反演温度提供了可靠的现实依据。 目前反演大气参数的方法基本可以分为三类：物理方法、半统计方法和统计方法。物理方法是从辐射传输方程出发，根据已知的一些大气知识对方程进行简化，从而达到求解的目的，至今对它们的物理机制认识得还很不清楚，所以极大地限制了该方法的应用与发展。半统计方法是采用物理方法与实测资料的结合，建立个大气参数间的关系，然后利用实测资料进行各参数的反演。目前在该领域采用比较多的是统计方法，它主要包括单因子线性回归分析方法、多元统计方法、Bowen 比分析方法、遗传算法和神经网络方法等，利用这些方法时需考虑多种影响因素，从而建立各因素之间的相互关系[4]。 本文具体从半统计方法和统计方法对气温反演进行研究，着重论述了统计方法反演近地表气温，考虑了热红外和微波两个波段对气温的反演。
多源遥感数据反演土壤水分方法
多源遥感数据反演土壤水分方法 张友静1,王军战2,鲍艳松3 (11河海大学水文水资源与水利工程科学国家重点实验室,江苏南京 210098;21中国科学院寒区旱区环境与工程研究所, 甘肃兰州 730000;31南京信息工程大学大气物理学院,江苏南京 210044) 摘要:基于AS AR 2APP 影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。利用T M 和MOD I S 影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现T M 影像提取的归一化水分指数(NDW I )反演精度较好,相关系数达到0187。根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。反演结果表明:该方案可得到理想的土壤水分反演精度,并可控制参数估计的误差。反演土壤含水量和准同步实测数据的相关系数为019,均方根误差为3183%。在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。 关键词:土壤含水量;多源遥感数据;水云模型;AS AR;多尺度 中图分类号:P33819 文献标志码:A 文章编号:100126791(2010)022******* 收稿日期:2009203209 基金项目:国家自然科学基金资助项目(40701130;40830639) 作者简介:张友静(1955-),男,江苏南京人,教授,主要从事遥感机理与方法研究。E 2mail:zhangyj@hhu 1edu 1cn 土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象和农业灌溉等多个学科的关注。微波土壤水分遥感研究始于20世纪80年代,其中最具代表性的是U laby 利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量 [1]。80年代后,Dobs on 和U laby 利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式,并一致认为小角度入射后向散射系数对土壤湿度最敏感[2]。随着微波散射模型不断发展,相继出现微波散射的小扰动模型、几何光学模型、物 理光学模型、两尺度模型和积分方程模型A I E M 。Dobos on 等在物理模型和试验研究的基础上各自建立了经验和半经验模型,成功地反演了裸土的土壤含水量 [324]。2000年以来,随着Rardrsat,E NV I S AT AS AR 传感器发射,基于卫星雷达数据的土壤湿度反演逐步开展。李震等综合主动和被动微波数据,建立一种半经验模型,用于估算地表土壤水分的变化 [526]。研究表明AS AR 数据在半干旱区农田土壤湿度反演方面具有独特的优势[729]。 在植被覆盖条件下,微波信号的组成十分复杂。研究提取植被覆盖下的土壤湿度信息的重点在于如何有效的分离出植被对微波的散射信号,以便用土壤的后向散射信号估算植被覆盖下的土壤含水量。直接用多频同步微波遥感数据通过理论模型或数值模拟求解植被对微波的散射信号[9],具有很好的同步性和物理意义。但遥感数据获取较为困难,同时求解所需的地面同步观测的数据要求很高,因而区域尺度的监测应用还有待深入研究。根据植被的生物、物理特征与植被散射信号之间的关系,采用同步光学遥感数据反演植被散射信号是近年来的研究热点[9211]。但在植被特征参数表达农作物后向散射信号的能力评价、模型参数的识别以及整体求解方案等方面的研究较少。此外,为满足土壤水分监测和灌溉决策的需求,还需研究不同时空分辨率数据反演植被散射信号的能力。本文根据水云模型,研究多尺度下不同植被特征参数与小麦含水量的关系,采用将所有参数放入统一框架下估算的策略,构建了结合光学和微波遥感数据的土壤水分估算模型,并分析了模型参数的敏感性。经准同步实测数据检验,小麦覆盖下土壤水分的估算达到了较高的精度。 第21卷第2期 2010年3月 水科学进展ADVANCES I N WATER SC I ENCE Vol 121,No 12 M ar .,2010
陆地气溶胶光学厚度反演原理与方法
陆地气溶胶光学厚度遥感监测原理与方法 大气气溶胶是由大气介质和混合于其中的固体或液体颗粒物共同组成的多相体系。粒子的直径多在10-3～102μm之间。气溶胶光学厚度指无云大气铅直气柱中气溶胶散射造成的消光程度，是大气遥感的重要指标，也是衡量大气污染的重要指标。 利用卫星遥感进行气溶胶监测主要有暗目标法（Kaufman et al,1988）、结构函数法(Tanré et al.,1988)、多角度偏振法(Herman et al,1997)等。目前环境一号卫星CCD相机和超光谱相机的波段设置条件下，暗目标法可得到较好的应用，同时环境一号卫星CCD相机的高空间分辨率，为结构函数法的应用提供了可能。由于环境一号卫星各相机的工作方式的（非偏振）限制，目前尚无法应用多角度偏振方法，环境一号后续星将加入偏振传感器。 1.暗目标法 在可见近红外波段，传感器接收到的信号，既是气溶胶光学厚度的函数，又是下垫面地表反射率的函数。当地表反射率很小时，卫星观测的辐射值主要是大气的贡献，能够提取大气气溶胶信息，暗目标法就是利用浓密植被地区红蓝波段的辐射值和气溶胶光学厚度的这种关系反演气溶胶光学厚度。 2.结构函数法 对于高反射率地区，地表反射率较大，传感器测量的辐射值主要是地表的贡献项，对气溶胶的变化不再敏感，这时使用基于地表反射率的方法反演气溶胶光学厚度非常困难。 结构函数法是早期研究陆地污染气溶胶采用的卫星遥感算法。该算法假设同一个地区一段时间内地表反射率是不变的，利用“清洁日”大气作为参考，反演“污染日”大气的气溶胶光学厚度。利用结构函数法可以反演城市地区的气溶胶分布状况。 3.多角度偏振方法 大气中的气溶胶和大气分子与入射太阳辐射相互作用，除了可以散射和吸收入射辐射，还可以使入射辐射发生偏振，卫星通过测量后向散射的偏振特性，可以得到气溶胶信息。利用偏振信息进行气溶胶反演，具有受地表影响小、能够反演气溶胶物理性质的优势。
叶面积指数遥感反演
冬小麦叶面积指数(LAI)的遥感反演 ——经验模型和物理模型方法 李淑敏 2010/12/13
?第一部分.基础知识 ?第二部分.遥感反演LAI 的方法 ?第三部分.研究实例 本次课程主要内容 叶面积指数LAI 、遥感反演 经验模型反演方法、物理模型反演方法 几何光学模型、辐射传输模型 PROSAIL 模型 硕士论文——―基于MODIS/ASTER 的区域冬小麦叶面 积指数PROSAIL 模型反演研究” BRDF 模型PROSPECT 模型、SAIL 模型
叶面积指数leaf area index ?定义：单位土地面积上植被叶片总面积。 叶片总面积/占地面积 ?陆地生态系统的一个十分重要的参数： 农作物产量预估和病虫害评价； 反映作物生长发育的动态特征和健康状况。 ?叶面积指数越大，表明单位土地面积上的叶面积越大。 那么，叶面积指数越大越好吗?? ?以冬小麦为例了解叶面积指数变化情况
图为不同群体叶面积指数消长模型（彭永欣等，1992）1—过大群体;2—高产群体;3—过小群体. 低增缓增快 增衰减LAI 消长动态分为四个时期 1. 低速增长期，叶片总数较多，但叶面积较小，总叶面积增速较低； 2. 缓慢增长期，单叶面积渐次增加，但低温条件，出叶周期延长； 3. 快速增长期，气温回升，植株生长快速，至孕穗期LAI 达峰值； 4. 衰减期，植株生殖生长，叶片消亡叶面积衰减，至成熟期LAI 为0。一个生长期内冬小麦叶面积指数变化
叶面积指数获取方法 ?实测方法 长宽法、称重法这些方法均需要消耗一定的人力进行实物测量。 借助有关测量工具例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等，此方法仍需实地进行测量。 仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在很大局限性，不能满足植被生态和作物长势监测需求 ?遥感反演方法由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。 可以用定量遥感方法反演区域LAI ?作物生长模型模拟LAI
操作-大气校正,辐射定标,气溶胶反演
基于RS\GIS监测洪灾变化上机操作实例 基本原理： ①大气校正 遥感图像在获取过程中，受到大气吸收与散射、传感器定标、地形等因素的影响，且会随时间的不同而有所差异。利用多时相遥感图像的光谱信息检测地物变化的重要前提是要消除不变地物的辐射值差异。 大气校正的目的是消除大气和光照等因素对地物反射的影响，大多数情况下，大气校正是反演地物真实反射率的过程。 目前可以进行大气校正的模块有很多种，如最早的MODTRAN 4+，6S (Second Simulation of the Satellite Signal in the Solar Spectrum)，ACORN，ATREM，在ERDAS IMAGINE 8.7上的模块ATCOR，以及ENVI上的模块FLAASH（基于MODTRAN）。 FLAASH可对LANDSAT，SPOT，A VHRR，ASTER，MODIS，MERIS，AATSR，IRS等多光谱、高光谱数据、航空影像及自定义格式的高光谱影像进行快速大气校正分析。下面的大气纠正步骤，都是基于FLAASH进行的。 ②辐射定标 当我们拿到一幅原始影像，先要进行辐射定标，目的是把图像上的DN（Digital Number）值转为辐亮度或者是反射率。辐射定标的结果可以是表观辐亮度（L），也可以是表观反射率（ρ）。 计算表观辐亮度（L）的公式为： Radiance=（（Lmax-Lmin）/（Qcalmax-Qcalmin）*（Qcal-Qcalmin）+Lmin ① 其中：Radiance 是表观辐亮度，注意单位是W/m2·sr·μm；Qcal为像元DN 值（也就是影像数据本身）；Qcalmax为传感器处最大辐亮度值所对应的DN值，一般为255；Qcalmin 为传感器处最大辐亮度值所对应的DN值，一般为0；Lmax 和Lmin是从参数表中查询，Lmin为光谱辐亮度的最小值，单位同L；Lmax为光谱辐亮度的最大值，单位同L。 计算表观反射率（ρ）的公式为： ρ =π*L*d2/（ESUN*cos（θ））② 其中：ρ为表观反射率；L为①式中计算出来的表观辐亮度；d为日地距离；ESUN为大气层外的太阳辐射，也可以说是传感器接收处的太阳辐射；θ为太阳天顶角（这个可以通过影像的元数据获取）。以上参数可以查询下表获得。
ENVI土壤水分反演 流程
利用ENVI软件反演土壤湿度指数 晏红波 2015-03-20
0. 绪论 土壤湿度在陆地与大气界面进行水分和能量的交换过程中起重要作用，同时对农作物的生长起决定性作用，而且影响着土地退化、植被覆盖，是气候、生态、水文、农业等多个领域的重要参数。区域性和大尺度的陆地土壤湿度变化信息对于陆气交互作用平衡和陆面水文研究、改善区域及全球气候模式预报结果、水涝和干旱的监测、农作物生长态势评估、自然和生态环境问题的研究等都是十分关键的因素。因此，研究区域性和大尺度的陆地土壤湿度变化情况意义重大，这也是当前国际研究的热点问题之一。 传统的土壤湿度监测方法包括烘干称重法、中子仪探测法、电阻法等，虽然可以比较准确地监测小范围内的土壤含水量，但是需要耗费较大的人力和时间，时效性不高，而且不能完全反映出较大区域内的土壤含水量的情况，不能用于大范围土壤水分的监测。利用遥感手段反演土壤湿度可以实现全区域大面积的实时动态监测，因此利用遥感手段监测土壤湿度越来越引起人们的重视。 常用的遥感波段包括可见光，近红外，热红外以及微波等。不同波段反演土壤湿度所用的反演方法也不同。 1. 遥感反演土壤湿度的主要方法 遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。 （1）微波遥感土壤湿度法 分主动微波遥感监测法和被动微波遥感监测法两种。此方法物理基础坚实，即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。 A 主动微波遥感监测法 以应用x波段侧视雷达为主，主要是后向反射系数法。因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。国内李杏朝据微波后向反射系数法，用x波段散射计测量土壤后向反射系数，与同步获得的X波段、HH极化机载
土壤水分的遥感监测
土壤水分的遥感监测 摘要：针对日益严重的全球干旱问题，本文从水分监测领域出发进行研究。从国内外各种研究方法的比较及传统方法和遥感监测方法的比较中突出遥感监测的优越性。从遥感监测的各种方法分述，对比出气各自适用的范围和优缺点。联系实际和GIS技术的发展，提出该技术的进步空间。 一、研究土壤水分监测的意义 近百年来全球变化最突出的特征就是气候的显著变暖，这种气候变化会使有些地区极端天气与气候事件如干旱、洪涝、沙尘暴等的频率与强度加强增加。中国气候变暖最明显的地区在西北、华北和东北地区，特别是西北变暖的强度高于全国平均值，使得夏季干旱化和暖冬比较突出。新世纪以来尤为明显：2000年多省干旱面积大，达4054万公顷，受灾面积6.09亿亩，成灾面积4.02亿亩。建国以来可能是最为严重的干旱。 2003年江南和华南、西南部分地区江南和华南、西南部分地区发生严重伏秋连旱，其中湖南、江西、浙江、福建、广东等省部分地区发生了伏秋冬连旱，旱情严重。 2004年我国南方遭受53年来罕见干旱，造成经济损失40多亿元，720多万人出现了饮水困难。 2005年华南南部、云南严重秋冬春连旱，云南发生近50年来少见严重初春旱。 2006年重庆旱灾达百年一遇，全市伏旱日数普遍在53天以上，12区县超过58天。直接经济损失71.55亿元，农作物受旱面积1979.34万亩，815万人饮水困难。 2007年全国22个省全国耕地受旱面积2.24亿亩，897万人、752万头牲畜发生临时性饮水困难。中央财政先后下达特大抗旱补助费2.23亿元。 2008年云南连续近三个月干旱，云南省农作物受灾面积现达1500多万亩。仅昆明山区就有近1.9万公顷农作物受旱，13多万人饮水困难。 2009年华北、黄淮等15个省市连续3个多月，华北、黄淮、西北、江淮等
(完整)landsat 遥感影像地表温度反演教程(大气校正法)
基于辐射传输方程的Landsat数据地表温度反演教程 一、数据准备 Landsa 8遥感影像数据一景，本教程以重庆市2015年7月26日的=行列号为（128，049）影像（LC81280402016208LGN00）为例。 同时需提前查询影像的基本信息（详见下表） 标识日期采集时 间 中心经度中心纬度 LC81280402016208LGN002016/7/263:26:56106.1128830.30647…………………………注：基本信息在影像头文件中均可查询到，采集时间为格林尼治时间。 二、地表温度反演的总体流程 三、具体步骤 1、辐射定标
地表温度反演主要包括两部分，一是对热红外数据，二是多光谱数据进行辐射定标。 （1）热红外数据辐射定标 选择Radiometric Correction/Radiometric Calibration 。在File Selection 对话框中，选择数据LC81230322013132LGN02_MTL_Thermal ，单击Spectral Subset 选择 Thermal Infrared1（10.9），打开Radiometric Calibration 面板。 （2）多光谱数据辐射定标 选择要校正的多光谱数据“LC81230322013132LGN02_MTL_MultiSpectral ”进行辐射定标。
因为后续需要对多光谱数据进行大气校正，可直接单击Apply Flaash Settings ，如下图。 2、大气校正 本教程选择Flaash 校正法。FLAASH Atmospheric Correction ，双击此工具， 打开辐射定标的数据，进行相关的参数设置进行大气校正。 注意：如果在多光谱数据辐射定标时Scale factor 值忘记设置，可在本步骤中打开辐射定标数时设置single scale faceor 值为0.1，若已设置，则默认值为1即可。1) Input Radiance Image ：打开辐射定标结果数据；2) 设置输出反射率的路径，由于定标时候；
植被叶面积指数遥感反演的尺度效应及空间变异性
第26卷第5期2006年5月 生 态 学 报AC TA ECOLOGIC A SI NICA Vol.26,No.5May,2006 植被叶面积指数遥感反演的尺度效应及空间变异性 陈 健1 ,倪绍祥1* ,李静静2 ,吴 彤 1 (1.南京师范大学地理科学学院,南京 210097;2.南京信息工程大学计算机科学与技术系,南京 210044) 基金项目:国家自然科学基金资助项目(40371081);江苏省研究生创新计划项目(1612005012)收稿日期:2005 09 25;修订日期:2006 04 20 作者简介:陈健(1978~),男,汉族,山东济宁人,博士生,从事遥感与GIS 应用研究.E mail:chjnjnu@https://www.360docs.net/doc/f8329703.html, *通讯作者Corresponding author.E mail:sxni@nj https://www.360docs.net/doc/f8329703.html, Foundation item :The projec t was s upported by National Natural Science Foundation of China (No.40371081)and Innovation Res earch Program of Jiangsu Provincial Department of Educati on for Res earch Students (1612005012)Received date :2005 09 25;Accepted date :2006 04 20 B iography :CHEN Ji an,Ph.D.candidate,mainly engaged in application of remote sensing and GIS.E mai l:chjnjnu@https://www.360docs.net/doc/f8329703.html, 摘要:遥感作为宏观生态学研究中数据获取的一种便捷手段,有助于把握较大尺度内生态学现象的特征。应用遥感数据反演LAI 时,由于像元的异质性,不同尺度遥感数据之间的转换是遥感发展的一个重要问题。以河北省黄骅市为研究区,在利用TM 和MODIS 遥感数据对芦苇LAI 反演误差产生原因进行分析的基础上,利用半变异函数对像元空间异质性进行了定量描述。发现NDVI 算法的非线性带给LAI 尺度转换的误差很小,而LAI 的空间异质性则是引起L AI 尺度效应的根本原因。并且当像元内空间异质性很大时半变异函数的基台值比纯像元要大得多,空间自相关的程度是引起LAI 尺度转换误差的主要原因;反之,像元内空间异质性不大时,随机误差是引起LAI 尺度转换误差的主要原因。当像元为纯像元时,由像元异质性引起的反演误差基本可以忽略。此外,研究区芦苇的空间相关有效尺度约为360m,超过此距离空间相关性则不复存在。关键词:叶面积指数;尺度效应;半变异函数;异质性 文章编号:1000 0933(2006)05 1502 07 中图分类号:Q948,TP79 文献标识码:A Scaling effect and spatial variability in retrieval of vegetation LAI from remotely sensed data CHEN Jian 1 ,NI Shao Xiang 1,* ,LI Jing Jing 2,WU Tong 1 (1 Colle ge o f Ge ographical Science ,Nanjing Normal U nive rsity ,Nanjing 210097, China ;2 De partment o f Compute rsc ienc e &Tec hnology ,Nanjing U niversity o f In f o rmation Sc ie nce &Technology ,Nanjing 210044,China ).Acta Ecologica Sinica ,2006,26(5):1502~1508. Abstract :As one kind of the means for data acquiring in mac roscopic ec ology,re mote sensing has an ability to grasp fea tures of the ec ological phenomena on lar ger scale.In de riving Le af Area Inde x (LAI )from remotely sensed data,the transformation of the re motely sensed data from one kind of resolution to anothe r has bec ome a signific ant problem because of the heterogeneity in pixel.In this paper,based on an analysis of the reasons for e rror appearing in LAI retrieval,the spatial he terogenei ty in pixel was described by se mivariogra m.Taking the city of Huanghua in Hebei province as the study area and using TM a nd MODIS data,this paper e xplores the scaling effect in the re trie ving reeds LAI .Firstly,the LAI image with 30m scale was retrieved from the TM ima ge data based on the statistic model.Then,se ven test plots we re selected from the LAI image.Each plot is diffe rent in reeds c overage,and the smaller reeds coverage in pixel the lager heterogeneity within it.Follo wing this step,the reeds LAI on the MODIS scale (990m by 990m)were obtained for the seven plots using the method of spatial transformation,and the reason for e rror appea red in the LAI retrieval was e xplored.Finally,the semivariogram model of reeds coverage was de veloped through the analysis on the semivariograms of these plots. The following c onclusions we re obtained from this study:(1)The scaling problem appeared in de riving the paramete rs on ground surface stems from not only the non linearity of algorithm for nor malized difference vege tation inde x (NDV I ),but also the spa t ial he terogeneity within pixel.The variation in LAI error depends mainly on the degree of he terogeneity of ground surface.It