高时空分辨率叶面积指数遥感估算
基于Penman-Monteith Leuning模型的遥感蒸散发估算——以四川省马尔康县为例
第44卷第2期测绘与空间地理信息Vol.44，No.2Feb.，2021 2021年2月GEOMATICS&SPATIAL INFORMATION TECHNOLOGY基于Penman-Monteith Leuning模型的遥感蒸散发估算——以四川省马尔康县为例王力涛1，高伟2，庄春晓1（1.天津市勘察院，天津300110；2.湖北省建筑科学研究设计院，湖北武汉430071）摘要：蒸散发作为地表水分消耗和参与水文生态循环的重要参数，是生态应用研究的重点。
尤其对于植被恢复和水资源管理的领域而言，区域蒸散发估算的准确性十分重要。
本文以野外实测（气象和蒸散发）数据为基础，利用实测数据对遥感PML模型进行参数优化，基于Landsat-8遥感影像数据对四川省马尔康县蒸散发进行估算。
研究结果表明：马尔康县模型模拟蒸散发与实测蒸散发拟合程度较好，PML模型优化的土壤湿度系数为1，气孔导度为0.0165m/s,模型验证系数RMSE为0.15mm/d。
研究区域内不同土地利用类型的蒸散发差异较大。
马尔康县日平均蒸散发为1.05mm/d，马尔康县区域蒸散发呈现空间异质性，并受到地形、气象以及土地利用类型等因子的影响。
关键词：区域蒸散发；Landsat-8;Penman-Monteith公式；参数优化中图分类号：P237文献标识码：A文章编号：1672-5867（2021）02-0137-04Remote Sensing Evapotranspiration Estimation Based onPenman-M onteith Leuning Model:Take Maerkang County,Sichuan Province as an ExampleWANG Litao1,GAO Wei2,ZHUANG Chunxiao1(1.Tianjin Institute of Geotechnical Investigation&Surveying,Tianjin300110,China；2.Hubei Provincial Academy of Building Research and Design,Wuhan430071,China)Abstract:Evapotranspiration,as an important parameter of surface water consumption and participation in hydrological ecological cycle,is the focus of ecological application research.Especially for the field of vegetation restoration and water resources management, the accuracy of regional evapotranspiration estimation is very important and of great significance.In this paper,based on the field data (weather and evapotranspiration),the parameters of the remote sensing PML model are optimized using the measured data,and the evapotranspiration in Maerkang County,Sichuan Province is estimated based on the Landsat-8remote sensing image data.The research results show that the simulated evapotranspiration of the Maerkang County model fits well with the measured evapotranspiration.The optimized soil moisture coefficient of the PML model is1,the stomatal conductance is0.0165m/s,and the model verification coefficient RMSE is0.15mm/d.The evapotranspiration of different land use types in the study area is quite different.The daily average evapotranspiration in Maerkang County is1.05mm/d,and the regional evapotranspiration in Maerkang County presents spatial heterogeneity and is affected by factors such as topography,meteorology,and land use types.Key words：evapotranspiration；Landsat-8；Penman-Monteith equation；parameter optimization0引言由于遥感卫星航片成本低，基于遥感技术估算蒸散发逐渐成为经济实用的技术手段。
基于4-Scale模型的人工林郁闭度遥感估
第４７卷 第１期２０２３年１月南京林业大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ）Ｖｏｌ．４７，Ｎｏ．１Ｊａｎ．，２０２３ 收稿日期Ｒｅｃｅｉｖｅｄ：２０２１ ０８ ２６ 修回日期Ａｃｃｅｐｔｅｄ：２０２１ １０ ２８ 基金项目：国家自然科学基金面上项目（３１８７０６２１，３１９７１５８０）。
第一作者：何萍（２４１６６０３９５７＠ｑｑ．ｃｏｍ）。
通信作者：于颖（ｙｕｙｉｎｇ４４５８＠１６３．ｃｏｍ），副教授。
引文格式：何萍，于颖，范文义，等．基于４ Ｓｃａｌｅ模型的人工林郁闭度遥感估测［Ｊ］．南京林业大学学报（自然科学版），２０２３，４７（１）：２３－３０．ＨＥＰ，ＹＵＹ，ＦＡＮＷＹ，ｅｔａｌ．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｏｆｐｌａｎｔａｔｉｏｎｃａｎｏｐｙｃｌｏｓｕｒｅｂａｓｅｄｏｎ４ Ｓｃａｌｅｍｏｄｅｌ［Ｊ］．Ｊｏｕｒ ｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ），２０２３，４７（１）：２３－３０．ＤＯＩ：１０．１２３０２／ｊ．ｉｓｓｎ．１０００－２００６．２０２１０８０４５．基于４ Ｓｃａｌｅ模型的人工林郁闭度遥感估测何 萍，于 颖，范文义，杨曦光（森林生态系统可持续经营教育部重点实验室，东北林业大学林学院，黑龙江 哈尔滨 １５００４０）摘要：【目的】为了寻找受区域影响较小、精度较高且鲁棒性较好的郁闭度遥感估算模型，采用４ Ｓｃａｌｅ几何光学模型估算人工林树冠孔隙率及郁闭度。
【方法】选择内蒙古旺业甸林场和广西高峰林场为实验区，首先对４ Ｓｃａｌｅ模型进行参数敏感性分析，模拟林分在不同敏感性参数下的树冠孔隙率Ｐｖｇ＿ｃ（树冠为刚体时的冠间孔隙率）和Ｐｖｇ（考虑树冠内部孔隙的孔隙率），建立Ｐｖｇ＿ｃ、Ｐｖｇ与敏感性参数的一一对应关系数据库。
高光谱遥感卫星技术及其地质应用
高光谱遥感卫星技术及其地质应用高光谱遥感卫星技术是一种先进的地球观测技术，具有光谱分辨率高、覆盖范围广、信息量大等特点，在地质领域具有广泛的应用前景。
本文将介绍高光谱遥感卫星技术的基本概念、原理、组成及其在地质领域的应用，并探讨未来的发展趋势。
高光谱遥感卫星技术是一种利用高光谱传感器获取地球表面信息的卫星遥感技术。
高光谱传感器可以捕捉到电磁波谱上从可见光到热红外波段的光谱信息，将地物目标的反射、透射、辐射等多维度信息进行采集和处理，从而识别地物类型、结构和变化。
高光谱遥感卫星技术的优势在于其具有高的光谱分辨率和空间分辨率，可以获取地物的精细光谱特征，为地质应用提供更为准确和全面的信息。
高光谱遥感卫星技术的组成包括数据采集、数据预处理、特征提取和分类应用等方面。
数据采集是利用高光谱传感器获取地球表面信息，生成包含大量光谱特征的数据立方体。
数据预处理是对原始数据进行校正、定标、融合等处理，提取出有效的光谱特征。
特征提取是对预处理后的数据进行统计分析，提取出与地物类型、结构和变化相关的光谱特征。
分类应用是根据提取的光谱特征，利用分类算法对地物进行分类和识别。
高光谱遥感卫星技术在地质领域具有广泛的应用，包括地质灾害监测、矿藏探测、生态环境监测等方面。
地质灾害监测方面，高光谱遥感卫星技术可以获取地质灾害（如滑坡、泥石流等）发生前后的光谱特征，为灾害预警和评估提供依据。
矿藏探测方面，高光谱遥感卫星技术可以通过探测岩石的光谱特征，识别出不同类型的矿藏和其分布规律。
生态环境监测方面，高光谱遥感卫星技术可以监测土地利用变化、生态保护区范围内的人类活动和自然生态的变化等。
为了更好地说明高光谱遥感卫星技术在地质应用中的效果和优势，我们选取了一个具体的应用案例进行分析和对比。
该案例是对某区域进行矿藏探测的应用。
我们利用高光谱遥感卫星技术获取了该区域的高光谱数据，并通过数据预处理提取出有效的光谱特征。
然后，我们根据提取的光谱特征，利用分类算法对该区域进行了矿藏类型的分类和识别。
叶面积指数三类遥感估算方法
叶面积指数三类遥感估算方法叶面积指数（Leaf Area Index，LAI）是一个衡量植物叶片覆盖程度的重要指标，可通过遥感技术进行估算。
下面是关于叶面积指数估算方法的十条描述：1. 植被指数法：植被指数法是通过计算可见光或近红外波段的植被指数（如归一化植被指数，NDVI）并与地面测量的LAI进行回归分析来估算LAI。
这种方法使用简便，但由于植被指数与LAI之间的关系复杂，估算结果的精度有限。
2. 基于VegeSAIL模型的方法：VegeSAIL模型是一种基于光谱的LAI估算模型，它将植被覆盖度和植被构型与LAI进行建模。
通过遥感数据和该模型对比分析，可以估算出植被的LAI。
3. 基于PROSAIL模型的方法：PROSAIL模型是一种基于物理过程的植被辐射传输模型，可以模拟不同植被类型和结构的辐射反射特性。
通过将遥感数据与该模型相结合，可以估算出植被的LAI。
4. 基于NERD模型的方法：NERD模型是一种基于点源和线源的辐射传输模型，可以模拟植被的光谱反射特性。
通过将遥感数据与该模型相结合，可以估算出植被的LAI。
5. 基于深度学习的方法：深度学习是一种利用神经网络模拟大脑处理信息的方法。
通过训练神经网络模型，可以利用遥感数据估算出植被的LAI。
6. 基于回归分析的方法：这种方法通过建立遥感数据与地面测量LAI之间的回归关系，利用回归模型对LAI进行估算。
回归分析方法适用于区域尺度的估算，但可能受到数据不一致性和空间变异性的限制。
7. 基于的时序遥感的方法：时序遥感数据包含不同时期植被的遥感信息，可以通过比较不同时期的遥感数据，推断植被的LAI变化。
这种方法可以监测植被的动态变化，但需要较长的时间序列数据。
8. 基于植被指标的方法：这种方法通过使用特定的植被指标（如NDVI和EVI）与LAI 之间的经验关系，对植被的LAI进行估算。
这种方法简单易用，但精度较低。
9. 基于遥感图像分割的方法：这种方法通过将遥感图像分割为不同的植被对象，然后分别估算每个植被对象的LAI。
遥感影像在农业生产中的应用与挑战
遥感影像在农业生产中的应用与挑战一、引言农业作为人类生存和发展的基础产业，一直以来都在不断寻求创新和进步的方法，以提高生产效率、保障粮食安全和可持续发展。
随着科技的飞速发展，遥感技术的出现为农业生产带来了新的机遇和挑战。
遥感影像作为遥感技术的重要成果，凭借其大面积、实时、多光谱等特点，在农业领域的应用日益广泛。
二、遥感影像在农业生产中的应用（一）土地资源调查与监测遥感影像可以快速、准确地获取大面积的土地信息，包括土地利用类型、土地覆盖状况、土壤质地等。
通过对不同时期遥感影像的对比分析，能够及时发现土地利用的变化情况，为土地规划、耕地保护和土地资源的合理利用提供重要依据。
（二）作物种植面积估算利用遥感影像的高分辨率和多光谱特性，可以区分不同作物的光谱特征，从而实现对作物种植面积的精确估算。
这对于政府制定农业政策、农产品市场预测和农业保险等方面具有重要意义。
（三）作物生长状况监测遥感影像能够反映作物的生长状况，如植被指数、叶面积指数、生物量等。
通过定期获取遥感影像并进行分析，可以及时了解作物的生长阶段、健康状况和养分需求，为精准施肥、灌溉和病虫害防治提供科学依据。
（四）农业灾害监测与评估遥感影像在农业灾害监测方面发挥着重要作用。
例如，在旱灾监测中，可以通过遥感影像获取地表温度、植被含水量等信息，评估旱灾的程度和范围；在洪涝灾害监测中，可以监测淹没区域和受灾面积；在病虫害监测中，能够发现病虫害的发生区域和蔓延趋势。
这些信息有助于及时采取防灾减灾措施，降低灾害损失。
（五）农业生态环境监测遥感影像可以用于监测农业生态环境，如土壤侵蚀、水体污染、大气质量等。
通过对生态环境的监测和评估，可以为农业可持续发展提供决策支持，促进生态农业的发展。
三、遥感影像在农业生产中应用面临的挑战（一）数据质量和分辨率问题虽然遥感影像的获取技术不断提高，但在一些情况下，数据质量仍然存在问题，如云层遮挡、影像噪声等，影响了数据的准确性和可用性。
遥感叶面积指数提取方法
遥感叶面积指数提取方法遥感叶面积指数（Leaf Area Index，简称LAI）是描述植被叶片面积在单位地面积上的投影面积的无量纲指标。
它是研究植被生态学和生理生态学的重要参数，对于分析植被生长状况、生产力估算、生态环境评价等具有重要意义。
本文将介绍几种常见的遥感叶面积指数提取方法。
一、植被指数法植被指数法是最常用的遥感叶面积指数提取方法之一。
其基本原理是通过计算遥感影像中的植被指数与实测的叶面积指数之间的关系，建立反演模型来获取叶面积指数。
常用的植被指数包括归一化植被指数（Normalized Difference Vegetation Index，简称NDVI）、比值植被指数（Ratio Vegetation Index，简称RVI）等。
这些指数可以通过遥感影像中的红外波段和可见光波段计算得到，从而反映出植被的生长状况和叶面积指数。
二、光谱反射率法光谱反射率法是另一种常见的遥感叶面积指数提取方法。
其基本原理是通过遥感影像中的植被光谱反射率与实测的叶面积指数之间的关系，建立反演模型来获取叶面积指数。
在遥感影像中，植被光谱反射率随着叶面积指数的增加而增加，因此可以通过光谱反射率对叶面积指数进行估算。
常用的光谱反射率指标有绿光反射率（Green Reflectance，简称GR）、近红外反射率（Near InfraredReflectance，简称NIR）等。
三、多源数据融合法多源数据融合法是一种综合利用多种遥感数据来提取叶面积指数的方法。
通过融合多种遥感数据，如高光谱数据、雷达数据、激光雷达数据等，可以提高叶面积指数的提取精度。
多源数据融合法可以综合利用不同数据源的特点，提取出更为准确的叶面积指数信息。
四、机器学习法机器学习法是一种基于统计学和人工智能的叶面积指数提取方法。
通过构建机器学习模型，如支持向量机（Support Vector Machine，简称SVM）、随机森林（Random Forest）等，可以将遥感影像中的多个特征与实测的叶面积指数进行关联，从而实现叶面积指数的自动提取。
叶面积指数获取
叶面积指数获取叶面积指数（Leaf Area Index, 简称LAI）是指单位地面积的叶面积与地面面积的比值，通常用于描述植被覆盖的密度和生物量。
LAI的测量对于生态学、气候学、农学等领域的研究具有重要意义。
本文将介绍如何获取叶面积指数。
一、现场测量方法1. 常规方法：在野外布设LAI测量仪器，如盖于树林上空的钟形仪、悬挂的下落速度计等，利用地上植物的干物质、叶面积、角度及密度等参数估算LAI。
2. 叶片收获法：在野外收集植物叶片，快速记录其面积，然后将叶片保存并带回实验室进行化学测定，最终计算LAI。
该方法准确度较高，但收获和处理过程较繁琐，且采样所需的植株数量较大。
3. 倍频法：在植物叶面积不同的区域，用不同的倍频当量卡片测量光照度，再用光照度计测量空白区域的光照度，通过两者的比值计算出LAI。
二、遥感技术遥感技术是通过卫星、航空器等探测设备采集大量的遥感图像，再利用图像处理软件对其进行处理、分析、提取信息等。
传统遥感方法有可见光遥感、红外遥感、微波遥感等，其获取LAI的流程如下：1. 遥感图像的获取：利用遥感卫星或无人机等获取高分辨率的遥感图像。
2. 遥感图像预处理：对遥感图像进行几何校正、大气校正、镶嵌拼接等预处理。
3. LAI提取：利用遥感图像处理软件对图像进行分割、特征提取等处理，例如NDVI法、LAI三角变换法、SVI 法等不同算法。
4. LAI验证：利用现场测量数据或模型模拟等方法对LAI进行验证。
三、模型模拟法模型模拟法是基于植被类型、地形条件、气象因素等数据建立生态学模型，再利用模型预测LAI，该方法优点是具有高精度、低成本、高效率等特点。
目前常用的模型有CASA模型、BIOME-BGC模型、GEM模型等。
综上所述，叶面积指数是描述植被覆盖密度和生物量的重要参数，通过现场测量、遥感技术、模型模拟等方法均可获得LAI的准确值。
不同的方法各有优缺点，具体选择方法需考虑研究目的、实验条件等因素。
基于高光谱数据的玉米叶面积指数和生物量评估
差 rRMSE 为 15.94%。敏感波段反射率 （839~893 nm 和 1336~1348 nm） 对玉米单株地上部生物量估算效果
最佳，测试集 R2为 0.71，RMSE 为 12.31 g，rRMSE 为 15.89%。综上，田间非成像高光谱和无人机成像高光谱
在玉米 LAI 及生物量估算方面具有较好的一致性，能够快速有效地提取地块尺度玉米农学参数信息，本研究
可为高光谱技术在小区尺度的精准农业管理应用提供参考。
关键词：高光谱；玉米；叶面积指数；地上部生物量；偏最小二乘回归；无人机遥感
中图分类号：S127
文献标志码：A
文章编号：202102-SA004
引用格式：束美艳, 陈向阳, 王喜庆, 马韫韬 . 基于高光谱数据的玉米叶面积指数和生物量评估[J]. 智慧农业(中 英文), 2021, 3 (1): 29-39. SHU Meiyan, CHEN Xiangyang, WANG Xiqing, MA Yuntao. Estimation of maize leaf area index and aboveground biomass based on hyperspectral data[J]. Smart Agriculture, 2021, 3 (1): 29-39. (in Chinese with English abstract)
传统作物 LAI 和地上部生物量的田间观测方 法主要是人工测量，其过程繁琐，需要耗费大量 的人力物力 ［8］，结果有一定的滞后性，且大面积 的田间破坏性取样会影响群体作物的生长状况。
收稿日期：2021-01-28 修订日期：2021-03-11 基金项目：国家重点研发计划 （2016YFD0300202）；内蒙古自治区科技重大专项 （2019ZD024） 作者简介：束美艳 （1993－），女，博士研究生，研究方向为数字农业。E-mail：2448858578@。 * 通讯作者：1. 王喜庆 （1969－），男，博士，教授，研究方向为表型组技术。电话：010-62733596。E-mail：wangxq21@； 2. 马韫韬 （1977－），女，博士，副教授，研究方向为数字农业。电话：010-62733596。E-mail：yuntao.ma@。
叶面积指数遥感测量研究
叶面积指数遥感测量研究植物中的叶片对光合作用是至关重要的组成部分，人们通过叶片荧光和反射对植物叶片的活性和生长状态进行评估。
叶面积指数（LAI）是描述植物叶面积密度的主要指标。
传统的LAI采样方法需要大量的工作量和时间，而遥感技术可以快速获取大面积的数据，因此成为研究者进行LAI测量的主要手段。
本文将介绍叶面积指数遥感测量研究的相关内容。
一、叶面积指数的定义和应用LAI是一个用于描述植物叶面积密度的指数，通常用单位区域内的叶面积来表示。
它是分析和评估植被生长和光合能力的基础。
在环境科学、生态学等领域中，LAI被广泛应用于描述植物的空间分布和生态系统的生产力。
LAI测量对于全球气候变化和生态环境评估具有重要意义。
二、叶面积指数遥感测量的优势传统的LAI测量需要手动采样和测量，工作量大且耗时，因此不能获取大型草地或森林生态系统的准确数据。
而基于遥感技术的LAI测量方法可以快速获取大面积植被数据，通过特殊的遥感传感器对反射和发射辐射数据进行分析和处理，可以更准确的获得LAI数据。
三、叶面积指数遥感测量的方法1.通过光谱遥感技术测量光谱遥感技术是通过大量分光数据滤波和处理，提取出与叶片表面覆盖度相关的辐射信息，以此获得LAI数据。
这种方法需要对不同波段的辐射数据进行筛选，提取合适的信息，但是由于该方法不能很好的处理植被罩层较厚的植物，其测量精度与实际情况可能存在一定的差异。
2.激光遥感技术测量激光雷达通过激光束对植被进行扫描，可以快速获取植物三维结构和空间分布信息，通过降维和分类的算法可以获得LAI数据。
由于该方法具有高精度和高稳定性，且可以在不同季节适用，因此逐渐成为LAI测量的主要手段之一。
四、叶面积指数遥感测量存在的问题1.部分植被形态多变或者受到人为影响的区域存在着局部异常现象，使得LAI测量的精度有所下降。
I测量过程中需要考虑不同波段的、三维结构、叶片角度和辐射反射率等多种因素，需要在数据预处理和分析过程中进行合理的处理和筛选。
遥感叶面积指数计算公式
遥感叶面积指数计算公式遥感叶面积指数（Normalized Difference Vegetation Index, NDVI）是一种广泛应用于遥感影像解译中的植被指数，它通过计算遥感图像中红外波段和可见光波段的反射率差异来反映植被的状况和生长情况。
该指数被广泛应用于农业、林业、生态环境等领域的研究和监测中。
NDVI的计算公式如下：NDVI = (NIR - Red) / (NIR + Red)其中，NIR代表近红外波段的反射率，Red代表可见光红色波段的反射率。
遥感叶面积指数的计算公式基于植物的光谱特性和光合作用原理。
植物细胞中的叶绿素对可见光具有较高的吸收能力，而近红外光则被植物细胞中的细胞壁和气孔等部分反射。
通过计算可见光和近红外光之间的差异，可以反映植物的叶面积和光合作用强度。
在实际应用中，NDVI的取值范围一般为-1到1之间。
当NDVI值接近1时，表示植被覆盖较好，植物生长茂盛；当NDVI值接近0时，表示植被覆盖较差，可能是土地裸露或者植被出现问题；当NDVI值接近-1时，表示植被覆盖几乎没有，可能是水体或者建筑物等非植被覆盖区域。
利用NDVI可以进行植被覆盖度的评估、植被生长状态的监测以及土地退化程度的评估等。
在农业领域，NDVI可以用于农作物的生长监测和病虫害的早期预警；在林业领域，NDVI可以用于森林植被的估算和森林资源的管理；在生态环境领域，NDVI可以用于湿地的监测和生态系统的评估。
为了计算NDVI，需要获取遥感影像数据，包括可见光波段和近红外波段的反射率。
常用的遥感数据来源包括卫星遥感数据和航空遥感数据。
通过将获取的遥感数据进行预处理，包括大气校正、辐射校正和几何校正等，可以获得可用于计算NDVI的反射率数据。
在计算NDVI时，需要将遥感图像进行波段配准，确保可见光波段和近红外波段对应的像素点一致。
然后，根据计算公式，将对应像素点的反射率值代入公式中进行计算，得到每个像素点的NDVI值。
烟草叶面积指数的高光谱估算模型
烟草叶面积指数的高光谱估算模型张正杨;马新明;贾方方;乔红波;张营武【摘要】叶面积指数(1eaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义.为了探索不同高光谱模型监测烟草LAI的精度,采用盆栽试验,在烟草伸根期,旺长期和成熟期,通过ASD Fieldspec HH光谱仪测定了不同水氮条件和品种下烟草冠层的高光谱反射率,并统计相应的叶面积指数数据.选用4个常用的植被指数RVI( ratio vegetation index)、NDVI(normalized difference vegetation index)、MTVI2( Modified second triangular vegetation index)、MSAVI (Modified Soil-adjusted vegetation index)和PCA( principal component analysis)、neural network (NN)3种方法对烟草LAI进行了估算,比较分析了3种方法的估算结果.结果表明,植被指数法,主成分分析,神经网络方法LAI都取得了较为理想的结果,其中植被指数法可以较为精确反演烟草LAI,验证模型确定性系数在0.768—0.852之间,主成分分析方法和神经网络方法精度较高,分别为0.938和0.889.主成分分析方法验证模型的稳定性更好,其验证模型的RMSE( root mean square error)为0.172,低于4个植被指数和神经网络.MTVI2和MSAVI能较好地去除土壤、大气等条件影响,反演精度高于RVI和NDVI.与基于植被指数建立的模型相比,主成分分析和神经网络可以更好的提高LAI的反演精度.【期刊名称】《生态学报》【年(卷),期】2012(032)001【总页数】8页(P168-175)【关键词】高光谱;烟草;LAI;植被指数;主成分分析;神经网络【作者】张正杨;马新明;贾方方;乔红波;张营武【作者单位】河南农业大学农学院,河南郑州 450002;河南农业大学农学院,河南郑州 450002;河南农业大学信息与管理科学学院,河南郑州 450002;河南农业大学农学院,河南郑州 450002;河南农业大学信息与管理科学学院,河南郑州 450002;河南农业大学农学院,河南郑州 450002【正文语种】中文叶面积指数(leaf area index, LAI)不仅是进行生物量估算的一个重要参数，而且也是定量分析地球生态系统能量交换特性的重要参数。
叶面积指数遥感反演
LAI反演 lishumin
11
第二部分
单变量统计方法
是构建遥感信息单变量（不同波段的反射率值和各种VI） 和LAI的经验关系模型来反演LAI。
在拟和单变量和LAI的关系时，一般用到线性模型、指数 模型、对数模型、双曲线模型等预测模型，用总均方根差 （RMSE）来评价拟和的精度。
多变量统计方法
2）植被指数NDVI在消除土壤背景影响方面的能力较差，而 且NDVI的饱和点较低，很容易达到饱和，在LAI较大时反应 不灵敏；
模型精度没有保证。
LAI反演 lishumin
14
第二部分
方法二 物理反演
物理模型反演方法又称基于物理学的光学模型方法 目前，植被遥感物理模型分为几何光学模型、辐射
传输模型以及二者的混合模型，它们都是物理光学 模型
与单变量方法基本类似，不同之处在于前者是用多个遥 感信息变量与LAI建立经验统计关系模型。
多变量统计模型也可用RMSE来评价拟和精度。
LAI反演 lishumin
12
第二部分
植被指数VIs（vegetation indices） 植被指数种类繁多，它们有一个共同特点是很难消除
土壤背景影响和忽略地物二向性反射的基本特征。
土壤参数 客观参数
参数
叶绿素a+b浓度 Cab ( g cm2 )
水厚度
C (cm)
干物质含量
Cm
叶肉结构
LAI反演 lishumin
17
几何光学模型与辐射传输模型特点对照表
18
第二部分
几何光学模型 （Geometric-Optical，GO）
主要考虑地表的宏观几何结构，把地表假设为具有已知 几何形状和光学性质，按一定方式排列的几何体，通过 分析几何体对光线的截获和遮阴及地表面的反射来确定 植被冠层的方向反射（赵英时，2003）。
农作物影像数据分析报告(3篇)
第1篇一、报告概述随着遥感技术的快速发展，农作物影像数据在农业生产中的应用越来越广泛。
通过对农作物影像数据的分析，可以实时监测农作物生长状况，为农业生产提供科学依据。
本报告旨在分析农作物影像数据，探讨其在农业生产中的应用，并提出相应的建议。
二、农作物影像数据概述农作物影像数据是指利用遥感技术获取的，反映农作物生长状况的图像数据。
这些数据包括可见光影像、多光谱影像、高光谱影像等。
农作物影像数据具有以下特点：1. 时效性强：农作物影像数据可以实时反映农作物生长状况，为农业生产提供实时信息。
2. 空间分辨率高：高分辨率影像数据可以提供更精细的农作物生长信息。
3. 信息丰富：农作物影像数据包含了丰富的信息，如植被指数、叶面积指数、产量等。
三、农作物影像数据分析方法1. 预处理预处理是农作物影像数据分析的第一步，主要包括以下内容：（1）图像增强：通过对图像进行对比度、亮度等调整，提高图像质量。
（2）图像校正：对图像进行几何校正、辐射校正等，消除误差。
（3）图像分割：将图像划分为若干区域，提取感兴趣区域。
2. 植被指数计算植被指数是反映植被生长状况的重要指标，常用的植被指数有：（1）归一化植被指数（NDVI）：NDVI反映了植被的绿色程度，与植被生长状况密切相关。
（2）增强型植被指数（EVI）：EVI能够更好地反映植被覆盖度，尤其在低光照条件下。
3. 叶面积指数计算叶面积指数（LAI）是反映农作物冠层结构的重要指标，其计算方法如下：（1）建立冠层模型：根据遥感影像数据和地面实测数据，建立冠层模型。
（2）模型反演：利用冠层模型反演LAI。
4. 产量估算产量估算是农作物影像数据分析的重要应用，常用的方法有：（1）遥感估产模型：根据遥感影像数据和地面实测数据，建立遥感估产模型。
（2）模型反演：利用遥感估产模型反演产量。
四、农作物影像数据在农业生产中的应用1. 农作物长势监测通过对农作物影像数据的分析，可以实时监测农作物生长状况，为农业生产提供决策依据。
高光谱遥感技术在农林植被调查方面的应用
高光谱遥感技术在农林植被调查方面的应用高光谱分辨率遥感（简称高光谱遥感），是20世纪末迅速发展起来的一项集探测器技术、精密光学机械、微弱信号检测、计算机和信息处理技术于一体的全新遥感技术。
它能够获得地物的连续光谱信息，实现地物图像信息与光谱信息的同步获取，因而在地质、林业、农业、生态环境、海洋、军事等领域具有巨大的应用价值和广阔的发展前景。
植被作为遥感观测和记录的第一表层，是遥感数据反映的最直接信息。
目前，多光谱遥感已被广泛应用于植被的长势研究、沙漠化研究、气候演变规律分析等方面，但传统的多波段遥感数据对于植被的研究和应用仍仅限于一般性的红光吸收特征与近红外的反射特征及中红外的水吸收特征波段，由于受波段宽度和波段数以及波长位置的限制，往往对植被类型不敏感，对植被长势反映不理想，而高光谱遥感在对目标的空间特征成像的同时，对每个像元可在更宽范围上，形成几十个乃至几百个窄波段连续的光谱覆盖，使更深入地考察植被光谱的响应机制和物理机制成为可能，因此成为植被和林业方面监测的强有力工具。
1. 高光谱遥感在植被调查方面的优势高光谱遥感在光谱分辨率方面的提高，使地物目标的属性信息探测能力有所增强，因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势：（1）成像光谱仪所获取的地物连续光谱比较真实，能全面反映自然界各种植被所固有的光谱特征以及其间的细节差异性，从而大大提高地物分类的精细程度和准确性，使得高光谱图像数据与光谱仪地面实测光谱曲线数据之间的直接匹配成为可能。
（2）高光谱图像数据提高了根据混合光谱模型进行混合像元分解的能力，减少了土壤等植被生长背景地物的影响，从而能够获取最终光谱端元的真实光谱特性曲线数据。
（3）高光谱分辨率的植被图像数据将对传统的植被指数运算予以改进，大大提高了植被指数所能反演的信息量，使人们可以直接收获诸如植被叶面积指数、生物量、光合有效吸收系数等植被生物物理参量。
（4）提高遥感高定量分析的精度和可靠性，基于高光谱分辨率的光谱吸收特征信息提取可以完成部分植被生物化学成分（如植被干物质和水分含量等）定量填图。
我国农业遥感的应用现状与展望思考
我国农业遥感的应用现状与展望思考摘要：从20世纪八十年代起，中国农业部和其他有关部门就在中国北部地区进行了应用遥感技术的农作物产量估算。
近20年来，我国农业遥感技术的发展经历了从引进技术、科技攻关到宏观决策等方面的转变，在实践中已取得了大量的成果和经验，并产生了较好的经济效益和社会效益。
目前，我国已实现了对主要农作物、农业资源、自然灾害等的动态监控。
同时，还对遥感技术在农业中的应用进行了深入的探讨，为进一步拓展遥感技术在农业中的应用打下了坚实的基础。
关键词：农业遥感；应用现状；展望思考遥感技术是一门新兴的综合性边缘学科，它包括光学、红外、微波雷达、激光、全息等，在农业应用领域，从前期的土地使用、面积估测、大面积遥感估产研究，发展到3S技术的实时诊断、高光谱遥感反演、高光谱农学遥感机制研究、模型研究和应用、草原产量评估、森林动态监测等多个领域。
随着遥感技术、计算机技术的飞速发展和运用，农业生产和科学研究已从传统的农业观念、农业方法向精确农业、定量农业、机械化农业转变，使农业从经验向理论转化。
一、农情遥感监测进展中国是一个农业大国，其主要农作物的种植面积变化、长势好坏、收获率等农情信息历来受到各国政府和民众的高度重视，各种农情信息也成为我国粮食政策制定、宏观决策的重要参考。
通过对粮食生产、农业生产、粮食安全、社会可持续发展等方面的全面了解和掌握，为国家农业生产和农业发展提供科学依据。
我国自1981年开始利用遥感技术进行粮食产量评估，通过对国外先进技术和经验的吸收，建立了一套由中国农业部和中国科学院组成的农业监测系统。
“十五”期间，在国家发改委、中国科技部、中国农业部等部委的大力支持下，国内各高校、科研院所与工业部门共同努力，建立了农业气象遥感服务体系，国家农情遥感监测系统是其中之一。
农业卫星遥感监测的目的是对作物播种面积及其变化、单产及其变化、长势、土壤水分状况等进行监测，在全国范围内，采用分层取样法，应用遥感监测取样外推模式，实现了全国范围内种植面积变化的统计。
MuSyQ高分16米分辨率10天合成的叶面积指数产品(2018-2020年中国01版)
MuSyQ高分16米分辨率10天合成的叶面积指数产品(2018-2020年中国01版)张虎;李静;张召星;吴善龙;仲波;柳钦火【期刊名称】《中国科学数据:中英文网络版》【年(卷),期】2022(7)1【摘要】叶面积指数(leaf area index,LAI)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。
但目前国际上没有高分辨率的LAI标准化产品,本研究利用高分一号(GF-1)宽幅相机高时空分辨率的特点,基于三维随机辐射传输模型生产了MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)高分系列中国地区2018–2020年16米/10天分辨率的标准化LAI产品01版。
本产品可为中国地区植被变化分析、农林业示范应用、生态环境监测提供可靠的数据支撑。
【总页数】10页(P211-220)【作者】张虎;李静;张召星;吴善龙;仲波;柳钦火【作者单位】中国科学院空天信息研究院遥感科学国家重点实验室;中国科学院大学资源与环境学院【正文语种】中文【中图分类】F42【相关文献】1.基于高分辨率遥感影像的玉米田叶面积指数反演2.基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法3.MuSyQ高分16米空间分辨率10天合成的植被覆盖度产品(2018-2020年中国01版)4.MuSyQ高分16米空间分辨率10天合成的NDVI植被指数产品(2018-2020年中国01版)5.MuSyQ高分30米空间分辨率10天合成的叶片叶绿素含量产品(2019-2020年中国01版)因版权原因，仅展示原文概要，查看原文内容请购买。
全国生态状况调查评估技术规范——生态系统质量评估(HJ 1172—2021)
目次前言 (ii)1 适用范围 (1)2 规范性引用文件 (1)3 术语和定义 (1)4 总则 (2)5 技术流程 (2)6 生态系统质量评估指标与方法 (2)7 生态系统质量分级 (3)附录A（资料性附录）全国生态系统分类体系表 (4)附录B（规范性附录）遥感关键生态参数计算方法 (5)i前言为贯彻《中华人民共和国环境保护法》及相关法律法规，以及《全国生态状况定期遥感调查评估方案》（环办生态〔2019〕45号），制定本标准。
本标准规定了生态系统质量评估的总则、技术流程、指标与方法和生态系统质量分级等要求。
本标准的附录A为资料性附录，附录B为规范性附录。
本标准为首次发布。
本标准与以下标准同属全国生态状况调查评估技术规范系列标准：《全国生态状况调查评估技术规范——生态系统遥感解译与野外核查》（HJ 1166—2021）；《全国生态状况调查评估技术规范——森林生态系统野外观测》（HJ 1167—2021）；《全国生态状况调查评估技术规范——草地生态系统野外观测》（HJ 1168—2021）；《全国生态状况调查评估技术规范——湿地生态系统野外观测》（HJ 1169—2021）；《全国生态状况调查评估技术规范——荒漠生态系统野外观测》（HJ 1170—2021）；《全国生态状况调查评估技术规范——生态系统格局评估》（HJ 1171—2021）；《全国生态状况调查评估技术规范——生态系统服务功能评估》（HJ 1173—2021）；《全国生态状况调查评估技术规范——生态问题评估》（HJ 1174—2021）；《全国生态状况调查评估技术规范——项目尺度生态影响评估》（HJ 1175—2021）；《全国生态状况调查评估技术规范——数据质量控制与集成》（HJ 1176—2021）；。
本标准由生态环境部自然生态保护司、法规与标准司组织制订。
本标准主要起草单位：生态环境部卫星环境应用中心、中国科学院生态环境研究中心。
高光谱遥感资料无损伤动态监测棉花叶面积指数的研究
高光谱遥感资料无损伤动态监测棉花叶面积指数的研究1李建龙1，干晓宇1，魏虹2，赵德华11南京大学生物科学与技术系，南京（210093）2西南大学生命科学学院，重庆（400715）摘 要：作物叶面积指数是农业生态系统研究中最重要的生物参数之一，利用具有高光谱分辨率的遥感资料动态无损测定测定棉花叶面积，为精细农业的发展拓宽了研究空间。
本文研究了张家港市和浙江大学华家池校区两个地区的棉花生育期动态变化等数据资料，通过多种方式的高光谱资料测定，发现棉花叶面积指数与高光谱遥感信息之间具有明显的相关性。
在900nm波段附近，叶面积指数与原始光谱之间的线性模型决定系数R2为0.1722非线性模型为R2为0.266，而叶面积指数与763.18nm处的一阶微分光谱之间的线性模型决定系数R2为0.2467非线性模型决定系数R2为0.3774，其决定系数均达到极显著水平（P<0.01）。
因此，可以利用该处的高光谱遥感值，建立棉花叶面积与地面高光谱之间的遥感估产模型，并利用构建的高光谱遥感估产模型进行大面积棉花遥感估产和产量预报。
关键词：棉花，叶面积指数，高光谱遥感，原始光谱与导数光谱曲线1.引言叶面积指数（LAI），是单位面积上所有叶片表面积的总和，也可定义为单位面积上所有叶子向下投影的总和，它是生态系统研究中最重要的结构参数之一，也是估计多种植冠功能过程的重要参数，可为植冠表面最初能量交换描述提供结构化定量信息。
但是，叶面积指数难以从遥感信息直接反演，目前国际上多用反射模型来拟合 [1-6]。
运用该方法求叶面积指数的关键在于取哪一波长处的导数值最合适。
Li等从绿叶反射率曲线的二阶导数上找到了两个窗口，λR=0.69µm和λNIR=0.74µm。
这两个窗口处的二阶导数不受土壤背景的影响，所以选这两点对LAI进行估计[2]。
Demetriades-Shah和Steven[3]在甜菜的光谱研究中发现在可见光区以外940nm处的一阶导数与LAI高度相关，所以用该点的导数值来估计LAI，童庆禧等[7]根据LAI与高光谱遥感图像的植被因子之间的理论模型来获取LAI。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
DOY 225
DOY 233
MODIS LAI
500 m
250 m
30 m
KONZ site
研究结果
DOY 193
DOY 201
DOY 209
DOY 217
DOY 225
DOY 233
MODIS LAI
500 m
250 m
30 m
HARV site
研究结果
精度验证
时间序列变化
ENKS同化算法表现
全球与区域主要LAI产品
可获取数据时间 空间分辨率
产品区域
MODIS LAI
2000至今
1km、500m
全球
CYCLOPES LAI
1999~2007年
1/112°（赤道处为1km） 全球
GLOBCARBON LAI 1998~2007年
ECOCLIMAP LAI GLASS LAI CCRS LAI
山区：地形复杂、空间异质性高
产品：空间分辨率粗、反演算法常忽略地形影响
研究背景
已有遥感产品难以满足山区异质地表研究需求
• 遥感产品质量易受复杂地形影响
• 山区不同产品间季相表征差异显著
• 产品在山区的验证精度不如平坦地区
高 分 辨 率 反 演 结 果 产 品 精 度 验 证 结 果
• 遥感产品数值大小易受地形影响
1982~2017年 1998年至今
1/11.2°（赤道处为10km） 全球
1/120°
全球
1km、5km（1999年以前） 全球
1km
加拿大区域
(Fang et al., 2013)
研究背景
LAI
遥
感
产
品
• 遥遥感感产产品品在在空空间间和和时时间间上上不不完完整整
验
•LA遥I产感品产反品
演反精演度精有度
Jin Huaan, Li Ainong, Bian Jinhu, et al. Int. J. Appl. Earth Obs., 2017.
Jin H, et al., 2017; Jin H, et al., 2013; 杨勇帅等, 2016.
全球遥感产品-LAI
• 平滑 • 插值 • gap filling •…
证
待有提待高提高
现
状
•不同不L同AI遥遥感感产产品品的间时时间间序序列列显变著差化异 存在显著差异 (Fang et al., 2013; Jiang et al., 2017;
Xu et al., 2018; Garrigues et al., 2008)
当前遥感产品的验证主要针对均匀地表展开，复杂山区鲜有涉及
高时空分辨率叶面积指数遥感估算
报告提纲
研究背景 研究方法 研究结果 讨论 展望
研究背景
叶面积指数（Leaf Area Index, LAI ）是陆地生态系统中表征植被冠层结构特征和 生物物理变化的关键参数，直接影响到植被的光合、蒸腾作用效率和能量平衡状 态，其通常定义为单位地表面积上叶子表面积总和的一半(Chen 和 Black，1992)。 监测全球或区域尺度LAI的时空变化对了解陆面过程和植被长势变化具有重要的指 导作用。
研究背景
• 为研究LAI时空变化规律提供了很好 的数据源，在一定程度上满足了应用 需求，尤其在大区域或全球尺度
• 产品空间分辨率低，限制了其在破碎 化、异质区域植被变化分析的应用
• 生态模型需求
• 面向实际应用，开展高空间分辨率、 时空一致性较高的LAI遥感反演
研究背景
传统遥感反演：基于瞬时观测，反演结果时间不连续 限制了其在具有时间连续性特点的研究中应用
寻找合适的辅助信息
时间序列LAI遥感反演结果
生态模型
遥感观测
数据同化技术
宏观监测 植被动态生长 时空连续
研究背景
MODIS LAI + 30 m分辨率遥感数据
Qu et al., IEEE JSTARS, 2014
研究方法
遥感数据： MODIS (500m、250m)、Landsat
生态模型：经验性LAI动态模型 同化方法：EnKS 输出：多空间尺度LAI动态
高时空分辨率LAI
时序LAI动态降尺度流程
AGRO
KONZ
HARV
某空间尺度数据同化过程
DOY 193
DOY 201
研究结果
DOY 209
DOY 217
DOY 225
DOY 233
MODIS LAI
500 m
250 m
30 m
AGRO site
研究结果
DOY 193
DOY 201
DOY 209
DOY 217
讨论
EnKF
EnKS
遥感观测
讨论
高质量遥感反射率数据对时序LAI反演的影响
讨论
高质量遥感反射率数据对时序LAI反演的影响
与其它方法的比较
讨论
Fusion of 500m+30m obs.
生态模型
展望
多时空尺度LAI 高时空分辨率LAI
尺度效应 地形影响
模型
遥感
模拟
反演
参与 约束 补充
参量在观测时刻和所 代表空间上的“真值”
基于瞬间遥感数据、 时间不连续
“病态”反演 反演不确定性
研究背景
遥感成像过程 地物BRDF特性
模型化
R f a,b,c,d,e
辐射源大气层地球表面大气层探测器
定量遥感
构建模型，定量提取大气、地表参数(如LAI)
研究背景
产品名称
长势监测
植被物候
结构参数 LAI
碳水循环
输入
遥感数据
生物量
固碳潜力
生态 (作物) 模型
生态环境 评价
LAI获取手段
研究背景
地面“真值” 费时、费力、效率低 空间代表性差
内在的物理过程和动 力学机制
参量在时间和空间上 的连续演进
模型未臻完美 模拟不确定性
参与 地面实测 参与
控制
控制
验证
验证
生叶指态面数参积量