遥感应用模型5-植被(2)-叶面积指数估算模型
碳汇量遥感估算
碳汇量遥感估算
碳汇量遥感估算通常涉及使用遥感技术来监测和评估生态系统（如森林、湿地和草地）的碳储存能力。
这种估算方法基于遥感数据，这些数据可以通过卫星或航空器收集，提供关于生态系统结构和功能的详细信息。
以下是一些常见的碳汇量遥感估算方法：
植被指数：植被指数是一种通过遥感数据计算得出的数值，可以反映植被的生长状况、生物量和碳储存量。
常用的植被指数包括归一化植被指数（NDVI）和增强型植被指数（EVI）等。
叶面积指数（LAI）：叶面积指数是单位地面面积上植物叶片总面积的度量，与碳储存量密切相关。
通过遥感数据可以估算LAI，进而估算碳储存量。
模型估算：利用遥感数据和生态系统过程模型（如生物地球化学循环模型）可以估算生态系统的碳储存量。
这些模型通常考虑生态系统的各种因素，如气候、土壤、植被类型和生物地球化学过程等。
机器学习算法：近年来，机器学习算法在遥感估算碳汇量方面得到了广泛应用。
这些方法可以利用遥感数据和其他辅助数据（如地形、气候等）来训练模型，并预测生态系统的碳储存量。
需要注意的是，遥感估算碳汇量具有一定的不确定性，因为生态系统碳储存量受到多种因素的影响，而且遥感数据本身也可能存在误差。
因此，在进行碳汇量遥感估算时，
需要综合考虑各种因素，以提高估算的准确性和可靠性。
第二章 植被遥感应用模型
37
内部的多次反射与折射，向上反射穿出上表皮层便构成反射光，向下折射穿出下表皮层便 形成透射光，这一过程具有明显的随机性质，因此反射率与透射率是相近的。这一波段范 围内具有很宽很强的反射峰是植被所独有的波谱特征，当叶子发生枯萎或因缺水而凋谢， 这意味着细胞的萎缩，折射率差异的减少，其宏观表现为这一波段的反射率值明显下降。 (3)1.1μm-2.5μm 这一波段范围的波谱特征基本上被液态水的吸收特性所控制，图 2-1-5 展示了液态水 的吸收特征。对可见光而言，液态水是相当透明的，但在近红外波段它存在两个强烈的吸 收峰，中心分别在 1.42μm 与 1.96μm，这就造成了叶子在这两个中心带上存在两个强烈的 吸收谷，其谷深与液态水含量有关。 基于能量守恒原理，反射率(ρλ)，透射率(τλ)与吸收率(αλ)，三者之和等于“1” 。 ρλ + τλ + αλ = 1 它们三者之间相互关系示意图 2-1-6 (4)单片叶子的波谱从以 0.68μm 为中心的反射率极小值过渡到从 0.8μm 开始的反射 峰， 其间必存在一个拐点，也就是∂(∂ρλ) / ∂(∂λ)= 0 的点，我们称拐点所对应的波长为“红 边” ，显然“红边”的变动与叶子内部的物理状态密切相关，例如任何原因引起近红外反射 峰的降低，均为引起“红边”位置的迁移，所以“红边”概念对排除外来干扰，特别是对 来自土壤背景的干扰，提取植被状态信息是十分有用的，有关问题我们将在成象光谱仪的 遥感信息提取方法一节中详述。 通过以上分析，单叶面的波谱特征基本上被叶子内部所含物质种类、数量以及叶子内 部结构，叶子物理状态所控制，因此可以判断不同生育期的叶子亦可能展示出波谱特征上 的差别 ，图 2-1-7 展示了白色橡树叶的反射率，波谱随季节的变化规律。 应该注意到 4 月 17 日嫩叶的反射率光谱特征是以 0.68μm 为中心的强吸收谷还没有形 成，这表明嫩叶内的叶绿素，含量还较低，同时 0.74μm-1.1μm 波段的反射峰值却很高， 接近 50%，这表明嫩叶内的细胞是充分膨胀的，叶子表面的蜡层还没有充分形成，随着时间 推移吸 收谷和反射峰逐步形成，叶子成熟后其波谱特征少变，当叶子接近枯萎，首先以 0.68μm 为中心的吸收谷被填塞，随之红外反射峰值逐步减小。 多层叶子重迭时叶子反射率波谱特征由图 2-1-8 所示，所展示的为棉花叶子重迭时的 波谱。 当层数增加时， 0.7μm-1.1μm 波段的反射峰值亦随之增加， 并逐步趋近于一个极值， 而吸收谷基本不变，这是因为单叶片在 0.68μm 附近的吸收率往往高达 90%以上，而反射峰 值一般低于 50%，换言之反射与透射具有相近的数值。 1.3 单片叶子波谱特征的理论解释 1977 年 C.J.Tucker 对单片叶子的波谱特征进行了数值模拟， 他把光子与叶子的相互作 用分解为十个相互独立，而又有联系的子过程，由图 2-1-9 展示对该图作如下说明： (1)代表太阳辐射 (2)代表由表面蜡层直接反射的太阳辐射 (3)栅网薄壁组织 (4)薄壁组织内的吸收过程 (5)薄壁组织内的散射过程 (6)由薄壁组织向上的漫辐射 (7)海绵状叶肉层
遥感应用模型4-植被(1)-覆盖率统计模型
其中
实际上，一个像元中往往含有多种植被类型，而 且它们的垂直密度 ( 叶面指数 LAI) 也是多样的。所 以混合模型假设像元NDVI 值实际上是像元中不同 植被类型的NDVI 值和非植被NDVI 值的加权平均。 其中
混合密度模型中植被覆盖率的计算十分复杂，必 须确定像元中不同植被类型的 NDVI 、叶面指数和 消光系数。
参考文献
基于土地覆盖分类的植被覆盖估算亚像元模型与 应用，遥感学报，2001，5（6）：416-422
作业
根据植被覆盖统计模型，选择两种分辨率遥感影 像数据，分别计算某一地区的植被覆盖率，比较 两次植被覆盖率计算结果的不同，试分析原因。
植被的亚像元模型表
均一像元
“均一像元类型”指像元完全被一定厚度的植被 覆盖，即fg = 1。因而“均一像元类型”的NDVI 值 主要取决于叶面指数LAI，由Bear′定律可得出LAI与 NDVI 的关系式:
其中： NDVI0 对应于裸土( LAI →0) 和NDVI ∞对应于 高垂直密度植被(LAI →∞) 的NDVI 值， k 是消光系 数。
植被指数NDVI 是单位像元内的植被类型、覆盖形 态、生长状况等的综合反映，其大小取决于植被 的叶面指数LAI (垂直密度) 和植被覆盖率fg (水平 密度) 等要素。 但不同的亚像元植被结构 ( 垂直密度和水平密度 ) 却可能产生相同的 NDVI 值。因此，为了更好理解 NDVI 与植被覆盖率fg的定量关系，需进一步对植 被覆盖的亚像元结构进行分析。
第三章 植被遥感
本章主要内容
植被覆盖率估算模型
植被覆盖率估算模型
植被覆盖率(单位面积内植被的垂直投影面积所占 面分比)，作为重要的生态气候参数，是许多全球 及区域气候数值模型中所需的重要信息，也是描 述生态系统的重要基础数据。
叶面积指数提取模型的研究与应用
叶面积指数提取模型的研究与应用第一章绪论叶面积指数（Leaf Area Index，简称LAI）是指某一地区上方植物叶片投影面积与该地区地面面积之比。
它是评价植被生物量和能量交换的重要参数之一，广泛应用于气候变化、生态环境监测、农作物生长等领域。
然而，LAI的测量需要大量时间和人力，并且极易受到人为因素的影响，因此研发LAI提取模型技术成为一种重要的研究方向。
本文旨在探讨当前LAI提取模型的研究现状，以及其在应用中的价值和问题。
第二章 Lai提取模型2.1 经验模型经验模型是通过对植被野外观测数据进行处理和分析，获得反映LAI变化规律的数学公式。
常见的经验模型包括指数模型、抛物线模型、对数模型等。
例如，指数模型的公式为：LAI = a * exp(-b * NDVI)其中，a和b为常数，NDVI为归一化植被指数。
经验模型简单易行，适用于小面积的LAI估算，但具有局限性，对于大面积植被的LAI提取精度较低。
2.2 物理模型物理模型是基于植被的光学和辐射学理论和计算方法，通过计算植被与光的相互作用，建立模型，计算LAI估算值。
与经验模型相比，物理模型计算精度较高，但需要测量的参数多，难以实现。
常见的物理模型有植被径向分布函数模型、辐射传输模型等。
2.3 统计学和机器学习方法统计学和机器学习方法是将LAI与遥感数据建立关系模型，利用统计学和机器学习算法来进行求解。
常用的统计学模型有回归模型等，常用的机器学习算法有决策树、支持向量机、神经网络等。
此类模型的优点是准确性高、稳定性好，但需要大量的已知数据进行训练，且对数据的质量和处理要求较高。
第三章 LAI提取模型的应用LAI提取模型可以应用于许多领域:3.1 生态环境监测LAI是评价生态系统健康状况和卫星遥感监测的重要指标之一。
通过LAI提取模型可以快速准确地了解LAI的变化情况，监测土地覆盖变化、绿化程度等，对环境保护和资源管理具有重要作用。
3.2 气候变化研究LAI可以反映植被覆盖面积和密度的变化，对反映区域生长让步变化、干旱监测等气候变化相关研究具有重要意义。
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。
植被指数模型详解
ENVI下植被指数模型详解植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。
所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算。
未经过大气校正的辐射亮度或者无量纲的DN值数据不适合计算植被指数。
目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。
在ENVI中，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。
这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁迫性相关的色素、植被冠层中水分含量等。
下面是7大类27种植被指数的说明，这些植被指数都是经过严格生物条件下测试的。
1宽带绿度——BroadbandGreenness(5种)宽带绿度指数可以简单度量绿色植被的数量和生长状况，它对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感，这些都是植被光合作用的主要物质，与光合有效辐射（fAPAR）也有关系。
宽带绿度指数常用于植被物候发育的研究，土地利用和气候影响评估，植被生产力建模等。
宽带绿度指数选择的波段范围在可见光和近红外，一般的多光谱都包含这些波段。
下面的公式中规定波段的中心波长：ρNIR=800nm，ρRED=680nm，ρBLUE=450nm。
1)归一化植被指数（NormalizedDifferenceVegetationIndex——NDVI）NDVI众所周知的一种植被指数，在LAI值很高，即植被茂密时其灵敏度会降低。
其计算公式为：NDVI=(式1)值的范围是-1~1，一般绿色植被区的范围是0.2~0.8。
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。
遥感应用模型5-植被(2)-叶面积指数估算模型
由于缺乏卫星过境时详细的大气剖面资料（如气 溶胶和水汽含量等），因此6S模型等大气校正模 型的应用将会受到限制。
利用暗目标法对遥感影像进行大气校正，以获得 地面反射率数据。
地面叶面积指数测量方法
考察路线与采样点的选取应遵循如下原则：一是 植物分布的代表性、均匀性；二是遥感图像可读 性；三是交通可行性。
因此，探讨利用遥感影像估算植被的叶面积指数的 方法已成为当前建立全球及区域气候、生态模型的 基础工作之一。
通常检验遥感反演叶面积指数的精度常常通过地 面实地测量的方式。
地面测量叶面积指数的方法有很多种，大致分为 两类—直接测量法和间接测量法。
➢直接测量法包括系数法和比叶重法等。在叶子 的采集和叶面积的测量过程中，具有一定的破 坏性。
➢光学模型法，基于植被的双向反射率分布函数 ，是一种建立在辐射传输模型基础上的模型， 它把LAI作为输入变量，采用迭代的方法来推算 LAI。
统计模型法输入参数单一，不需要复杂的计算， 因此成为遥感估算LAI的常用方法。但不同植被类 型的LAI与植被指数的函数关系会有所差异，在使 用时需要重新调整、拟合。
第二章 植被遥感本章主来自内容 叶面积指数估算模型
叶面积指数估算模型
叶面积指数（LAI）是指单位地表面积上方植物叶 单面面积的总和，它是叶覆盖的无量纲度量。
叶面积指数作为进行植物群体和群落生长分析的重 要参数和评价指标，在农业、林业及生态学等领域 得到了广泛的应用。
依靠传统的地面样方实测的方法来估算叶面积指数 又是一项花费巨大人力、财力且精度不高的工作。
光学模型法的优点是有物理模型基础，不受植被 类型的影响，然而由于模型过于复杂，反演非常 耗时，且反演估算LAI过程中有些函数并不总是收 敛的。
第五章植被遥感 ppt课件
Geography Analysis for Remote Sensing
第5章 植被遥感
2020/12/15
1
2020/12/15
2
精品资料
• 你怎么称呼老师？
• 如果老师最后没有总结一节课的重点的难点，你 是否会认为老师的教学方法需要改进？
• 你所经历的课堂，是讲座式还是讨论式？ • 教师的教鞭
中植被覆盖度时（25—80%）， NDVI值 随生物量的增 加呈线性迅速增加；
高植被覆盖度时（＞80%）， NDVI值 增加延缓而呈现 饱和状态，对植被检测灵敏度下降。
实验表明，作物生长初期NDVI将过高估计植被覆盖 度，而作物生长结束季节，NDVI值偏低。
NDVI 更适用于植被发育中期或中等覆盖度植被检测。
2020/12/15
44
比值植被指数可提供植被反射的重要信息，是植被长 势、丰度的度量方法之一
同理，可见光绿波段（叶绿素引起的反射）与红波段 之比G/R，也是有效的。
比值植被指数可从多种遥感系统中得到。
但主要用于Landsat的MSS、TM和气象卫星的 AVHRR。
2020/12/15
45
2020/12/15
14
根据叶子的结构可分为结构稀疏（典型的双子叶 植物）和结构紧凑（典型的单子叶植物）。
苹果、棉花、向日葵
小麦、水稻、竹子
2020/12/15
15
近红外波段的变化
2020/12/15
16
不同类型植物光谱曲线的差异
2020/12/15
17
叶子年龄的增长
随着叶龄的增长，背腹性叶子的叶肉间空隙增多
2020/12/15
47
2. 归一化植被指数（NDVI）
叶面积指数
叶面积指数科技名词定义中文名称：叶面积指数英文名称：leaf area index;LAI定义1：单位土地面积上的总植物叶面积。
应用学科：生态学（一级学科）；生理生态学（二级学科）定义2：植物叶片总面积与地表面积之比。
应用学科：资源科技（一级学科）；草地资源学（二级学科）以上内容由全国科学技术名词审定委员会审定公布LAILeaf Area Index叶面积指数（leaf area index）又叫叶面积系数，是一块地上阳光直射时作物叶片垂直投影的总面积与占地面积的比值。
即：叶面积指数=投影总面积/占地面积。
在田间试验中，叶面积指数(LAI)是反映植物群体生长状况的一个重要指标,其大小直接与最终产量高低密切相关。
常用叶面积指数(LAI)由下式中求得:叶面积用直尺测量每株各叶片的叶长(Lij)和最大叶宽(Bij)。
式中,n为第j株的总叶片数;m为测定株数;ρ种为种植密度。
叶面积指数是反映作物群体大小的较好的动态指标。
在一定的范围内，作物的产量随叶面积指数的增大而提高。
当叶面积增加到一定的限度后，田间郁闭，光照不足，光合效率减弱，产量反而下降。
苹果园的最大叶面积指数一般不超过5，能维持在3~4较为理想。
盛果期的红富士苹果园，生长期亩枝量维持在10~12万条之间，叶面积指数基本能达到较为适宜的指标。
氮对提高叶面积指数、光合势、叶绿素含量和生长率均有促进作用,而净同化率随施氮增加而下降。
施氮对大豆光合速率无显著影响。
随施氮增加叶面积指数提高的正效应可以抵消净同化率下降的负效应,从而最终获得一个较高的生长率。
因此,高产栽培首先应考虑获得适当大的叶面积指数。
在生态学中，叶面积指数是生态系统的一个重要结构参数,用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应,为植物冠层表面物质和能量交换的描述提供结构化的定量信息,并在生态系统碳积累、植被生产力和土壤、植物、大气间相互作用的能量平衡,植被遥感等方面起重要作用。
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LA 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LA 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
研究结果
DOY 193
DOY 201
DOY 209
DOY 217
DOY 225
DOY 233
HARV site
研究结果
精度验证
时间序列变化
ENKS同化算法表现
讨论
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
• 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
Jin Huaan, Li Ainong, Bian Jinhu, et al. Int. J. Appl. Earth Obs., 2017.
遥感数据处理常用的数学模型
遥感图像处理中的数学模型的发展展望
随着遥感技术的发展，获取地球环境信息的手段越来越 多，信息越来越丰富.因此，为了充分利用这些信息，建立 全面收集、整理、检索以及科学管理这些信息的空间数据库 和管理系统，加快进行遥感信息机理研究，研制定量分析模 型及实用的地学模型，进行多种信息源的信息复合及环境信 息的综合分析等，构成了当前遥感发展的前沿研究课题。
(1)农作物遥感估产数学模型
徐希孺等研究了冬小麦产量三要素(穗数、粒数、千 粒童)与小麦光谱参数之间的关系，建立了垂直植被指数 PVI与上述三要素关系的数学模型
李付琴、田国良的研究表明，在一定条件下，高植
被指数、高叶面积指数并不一定代表高产，因而他们在 建立模型时，将PVI与气象因子一并考虑，用逐段订正的 阶乘模型建立PVI与气象因子综合模型，表达式为：
（2）太阳辐射引起的畸变校正模型
太阳高度角引起的畸变校正是将太阳光线倾斜 照射时获取的图像校正为太阳光线垂直照射时获取 的图像.太阳高度角可根据成像时间、季节和地理位 置来确定，即：
大气辐射校正中的数学模型
大气辐射校正主要是消去程辐射，在消去程 辐射过程中，主要采用回归分析模型.由于程辐射 主要发生在短波波段，把近红外波段作为无散射 影响的标准图像，通过对不同波段图像的对比分 析来计算大气影响.设红外波段为a，现需求其他 波段相应的亮度最小值，这些波段设为b.分别以 a,b波段的像元亮度值为坐标，做二维光谱空间， 两个波段中对应像元在坐标系内用一个点表示.结 合图像分析模型，得到的回归模型如下：
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。
遥感信息工程作业—植被覆盖率计算
遥感应用模型作业一——植被覆盖率估算模型姓名：张** 学号：120131*** 专业：测绘工程利用遥感资料估算植被覆盖率的方法大致可归纳为2 种：1）经验模型法，通过建立实测植被覆盖率数据与植被指数的经验模型来求取大面积植被覆盖率。
2）植被指数转换法：通过对各像元中植被类型及分布特征的分析，建立植被指数与植被覆盖率的转换关系来直接估算植被覆盖率。
本次实验使用植被指数转换法计算植被覆盖率。
数据预处理和NDVI 计算使用ENVI 中操作，LAI 解算和覆盖率求取编程实现。
1、研究区域数据获取本次实验主要是对植被覆盖率估算，因此在实验区域影像尽量选择植被茂盛的季节。
在数据源选取上，选择易获取的免费Landsat 数据。
下载的遥感影像是湖北省荆门市2001年9月15日的影像，研究区域无大块云层覆盖。
数据下载自地理空间数据云网站，(/)，该网站的数据均来自美国地质调查局（USGS ）官方网站（/）。
Landsat 卫星采用的全球参考系为WRS2（World wide reference system ）。
在ArcGIS 中显示的全球WRS2行带号。
湖北省荆门市WRS2行带号为Path 123、Row38-39。
图1 Landsat 卫星全球参考系WRS22、数据预处理进行植被覆盖率估算，需要用到归一化植被指数（NDVI ）。
NDVI 的物理依据是地物反射率的差异变化，所以用反射率来计算是比较客观准确的。
TM 原始数据就是DN 值，不能用来直接计算NDVI ，必须通过辐射定标计算成反射率，才能用来计算NDVI 。
因此，要对对实验数据先进行辐射校正和大气校正。
下载的L1T 级数据，元数据信文件（124028_MTL ）有详细影像参数，控制点文件（124028_GCP ）中有控制点高程信息用于大气校正的地形参数，可以利用这两个文件做辐射校正和大气校正。
1）辐射校正实验使用数据为L1T 级数据，经过系统辐射校正的数据。
遥感原理与应用(专升本)阶段性作业3
[2021年秋季]遥感原理与应用(专升本)阶段性作业3一、单选题1. 微波是一种电磁波，它的波长为_______，一般分为毫米波、厘米波、分米波和米波。
(5分)(A) 1-1000mm (B) 1000-1500mm (C) 1500-2000mm (D) 2000-2500mm参考答案：A2. _______是基于可见光红光波段（R）与近红外波段（NIR）对绿色植物的响应的反差，用两者简单的比值来表达其反射率的差异的植被指数。
(5分)(A) 比值植被指数（RVI）(B) 归一化差值植被指数(C) 绿度植被指数(D) 垂直植被指数参考答案：A3. 水色解译算法中，_______是借助于固有光学量与成分之间的物理关系和表观量与固有光学量之间的经验关系，导出遥感量与水体成分之间的关系的模型。
(5分)(A) 经验（或统计）模型(B) 半分析模型(C) 辐射传递模型(D) 固有光学量的反演模型参考答案：B4. 微波的特征中，由两个（或两个以上）频率、振动方向相同，相位相同或相位稳定的电磁波在空间叠加时，合成波振幅为各个波的振幅之和。
因此，会出现交叠区某些地方振动加强，某些地方振动减弱或完全抵消的现象，称为_______。
(5分)(A) 衍射(B) 散射(C) 极化(D) 干涉参考答案：D二、多选题1. 下列描述微波遥感的特征正确的是：_______(7分)(A) 能穿透云、雾、雨、雪，具有全天候的工作能力。
(B) 对地物没有任何穿透能力。
(C) 不仅可以记录电磁波的幅度信息，还可以记录电磁波的极化和相位信息。
(D) 由于其特殊的成像方式，其数据的处理和解译简便。
(E) 除合成孔径雷达外，微波传感器的空间分辨率一般远比可见光和热红外传感器低。
参考答案：A,C,E2. 关于雷达图像的参数描述错误的是：_______(7分)(A) 斜距显示的图像各地物之间的相对距离与其对应的地面距离成比例。
(B) 空间分辨率是雷达图像上可区分的两个地物目标的最小距离。
植被指数与作物叶面积指数的相关关系研究
植被指数与作物叶面积指数的相关关系研究郑踊谦1，董恒2，张城芳3，黄鹏2（1．北京大学地球与空间科学学院，北京100871；2．武汉理工大学资源与环境工程学院，武汉430070；3．武汉华夏理工学院土木与建筑工程系，武汉430223）摘要：作物长势参数是精细农业遥感监测的重要对象，叶面积指数（LAI）是作物长势最重要的参数之一，利用遥感手段快速获取作物的LAI具有重要的意义。
为此，考虑到波段组合方式对LAI的反演效果的不可忽略性，采用4种不同的波段组合，结合PＲOSPECT和SAIL的模拟数据、地面实测数据和高光谱影像数据，从植被指数的饱和性和模型拟合精度两个角度对6个植被指数展开了评价。
结果表明：TVI、MSAVI和MCAＲI23个植被指数在以上3个方面均表现较优，750 680nm波段组合更加适合于LAI的反演。
关键词：植被指数；叶面积指数；MSAVI；MCAＲI2；作物长势参数中图分类号：S181．1文献标识码：A文章编号：1003－188X（2019）10－0001－060引言受资源环境破坏和全球气候变化影响，粮食生产的空间极大受限，给粮食产量的持续增长带来了极大的挑战［1］。
现代农业科技和“3S”技术结合的精细农业，高效利用农业资源，从而提升农作物产量，是应对该挑战的一个重要途径［2］。
作物长势的好坏与粮食产量有着密不可分的关系，作物长势监测不仅能够为田间水肥管理提供及时的信息，而且能为早期估计产量提供依据，是精细农业遥感监测的重要对象［3］。
叶面积指数（Leaf Area Index，LAI）是反映作物长势的一个重要的生理参数，也是陆地生态过程、水热循环和生物地球化学循环的重要参数。
利用遥感手段可以在大区域尺度对作物的LAI进行有效的估算，得到LAI的时空分布，为区域农业管理和生态过程模拟提供了有力的数据支撑。
目前，利用遥感方法对LAI进行反演主要可以分为两类，即辐射传输模型法和统计关系模型法［4－5］。
全国农作物叶面积指数遥感估算方法_蒙继华
第23卷第2期2007年2月农业工程学报Tr ansactions of the CSAE V ol.23 N o.2Feb. 2007全国农作物叶面积指数遥感估算方法蒙继华,吴炳方※,李强子(中国科学院遥感应用研究所,北京100101)摘 要:目前对农作物叶面积指数L AI 的遥感估算研究多是针对单一作物或是作物种植结构单一的区域,该文运用大尺度农作物叶面积指数的遥感估算方法,在像元尺度上对4个代表性实验站的L A I 与归一化植被指数(N DV I )的相互关系进行了回归分析后,得到4种代表性作物种植结构的L AI 估算模型,然后结合全国农作物种植结构数据对模型外推,建立了一个全国尺度的遥感模型,并估算了全国作物L AI 。
该文使用“863”项目山东遥感应用综合试验中的作物L AI 观测数据进行了验证,结果表明该模型较其它估算模型达到了较高的精度,最大相对误差为39%,平均的相对误差为19%。
该模型的计算结果已经在“中国农情遥感速报”系统中得到了广泛的应用。
关键词:遥感;作物;叶面积指数;遥感模型;归一化植被指数;估算中图分类号:T P79;T P274 文献标识码:A 文章编号:1002-6819(2007)2-0160-08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):160-167.M eng J ihua,W u B ingfa ng ,Li Qiang zi.M ethod fo r estimating cro p leaf a rea index o f China using r emote sensing [J].T ransac tio ns of th e CSA E,2007,23(2):160-167.(in Chinese with Eng lish abstract)收稿日期:2006-03-01 修订日期:2006-05-29基金项目:国家863计划:粮食预警遥感辅助决策系统(2003AA131050);中国科学院知识创新工程重要方向项目(KZCX3-SW -338-2);遥感应用示范工程总体技术研究(2003AA131040)作者简介:蒙继华(1977-),男,新疆石河子人,博士,主要从事遥感应用方面研究,北京 中国科学院遥感应用研究所,100101。
遥感影像在农业生产力评估中的应用
遥感影像在农业生产力评估中的应用一、引言农业作为国民经济的基础产业，其生产力的评估对于保障粮食安全、优化农业资源配置以及制定科学的农业政策具有重要意义。
随着科技的不断进步，遥感技术凭借其大面积、多时相、多光谱等特点，为农业生产力的评估提供了新的手段和方法。
二、遥感影像的基本原理与特点遥感影像通过搭载在卫星、飞机等平台上的传感器，获取地面物体反射或发射的电磁波信息，并以图像的形式记录下来。
这些影像包含了丰富的地表特征信息，如土地利用类型、植被覆盖度、土壤质地等。
其特点主要包括：1、大面积同步观测：能够在短时间内获取大面积区域的信息，有助于全面了解农业生产的整体状况。
2、多时相性：可以对同一地区进行不同时间的观测，从而动态监测农作物的生长过程和环境变化。
3、多光谱性：能够区分不同地物在不同光谱波段的反射特性，为农作物的分类和识别提供依据。
三、遥感影像在农业生产力评估中的数据获取为了进行有效的农业生产力评估，需要获取高质量的遥感影像数据。
目前，常用的遥感数据源包括卫星遥感（如 Landsat、Sentinel 等）和航空遥感。
在数据获取过程中，需要考虑以下几个因素：1、空间分辨率：决定了影像能够分辨的最小地物尺寸，对于农业应用，通常需要选择适当分辨率的影像以满足不同的评估需求。
2、时间分辨率：即影像获取的时间间隔，应根据农作物的生长周期和评估的时效性来选择。
3、光谱分辨率：影响对农作物生理特征和土壤特性的识别能力。
四、遥感影像在农业生产力评估中的应用领域（一）农作物种植面积监测通过对遥感影像的解译和分类，可以准确获取不同农作物的种植面积。
这有助于政府和农业部门掌握农作物的种植结构和分布情况，为农业规划和市场调控提供数据支持。
（二）农作物生长状况监测利用遥感影像的光谱信息，可以分析农作物的叶绿素含量、叶面积指数等生长参数，从而评估农作物的生长状况和健康程度。
及时发现生长不良的区域，采取相应的管理措施，提高农作物产量。
遥感应用模型2-植被遥感
壤水分）估算；
§3.1 植被遥感
三、植物遥感原理
～～植物遥感依赖于对植物叶片和植被冠层光谱特性的认识。 ～～植物光谱特征主要依赖于植物的叶结构、组分以及含水量
等因素，健康植物的波谱曲线具有明显的特点。
～～从植物遥感——植物与光的相互作用出发，植被结构主要
指植物叶子的形状（用叶倾角分布LAD表示）、大小（叶面积 指数LAI）、植被冠层的形状、大小以及几何与外部结构—— 包括成层现象、覆盖度等来表述。
§3.1 植被遥感 ～～许多因素会影响植物的光谱特征，包括植物类型、生长阶 段、健康水平、季节和立地条件，它们使植物光谱包含了更多、 更复杂的信息。
～～当植物发生病虫害时，叶绿素水平会出现不同程度的下降， 叶细胞结构和含水量等也会发生相应变化； ～～ 通常虫害越严重，这种变化就越显著，表现为近红外波段 附近的反射率下降。 ～～ 可以在遥感图像上测定这种波谱特征的变化，并与相应的 虫害水平进行相关分析，得到统计相关的定量表达式，用于确 定未知区域植物的虫害水平。
～～ ～～ ～～
NIR和R波段的不同组合包含90%以上的植被信息。
植被指数可以有效地综合有关的光谱信号，增强植被信息，减 少非植被信息，是对地表植被状况的简单、有效及经验的度量。
因为植被本身、大气、传感器定标、传感器观测条件、太阳照 明几何、土壤湿度、颜色和亮度等的影响，植被指数有明显的地 域性和时效性，研究结果经常不一致。
§3.2 植被指数——常用植被指数定义及特点
2 比值植被指数（RVI）
RVI = NIR / R
～～绿色健康植被地区RVI远大于1，无植被覆盖的地面（裸土、人
工建筑、水体、植被枯死或严重虫害）约为1；
～～绿色植物的灵敏指示参数，与LAI、干叶生物量（DM）、叶绿素
植被叶面积指数遥感监测模型
植被叶面积指数遥感监测模型李开丽;蒋建军;茅荣正;倪绍祥【期刊名称】《生态学报》【年(卷),期】2005(025)006【摘要】叶面积指数是植被定量遥感的重要参数,区域的时序列叶面积指数揭示了区域生态的演化过程,反演方法上主要是通过植被指数建立相关模型实现的,对于不同地区或不同气候带而言,模型的通用性以及各种植被指数在模型中的灵敏度都需做进一步的探讨.以江苏省宜兴市作为研究区,采用2002年8月22日获得的Landsat-5 TM图像数据和2003年8月23～26日采用LAI-2000进行的野外实测植被叶面积指数(LAI)数据,分别探讨了植被指数(VI)与LAI的一元、多元线性回归模型和非线性回归模型,其中的非线性回归模型包括对数、指数、乘幂和多项式回归模型.结果表明,VI与LAI之间的最佳回归模型为多元线性回归模型,R2达0.864;采用逐步选择剔除法,遴选出了用于回归模型的植被指数为:RVI、PVI、SAVIL=0.35、MSAVI、ARVIγ=1、ARVIγ=0.5和SARVI.经模型LAI=-ln((VI-VI∞)/(V Ig-VI∞))/KVI检验,预测值(y)与实测值(x)的拟合度较好y=0.5345x+1.3304,R2为0.7379.RVI与LAI的三次多项式回归模型也较好,R2为0.7806.再次为RVI与LAI的一元线性回归模型,R2为0.7726,比值植被指数RVI 在反演叶面积指数模型中具有较高的灵敏度.【总页数】6页(P1491-1496)【作者】李开丽;蒋建军;茅荣正;倪绍祥【作者单位】南京师范大学地理科学学院,南京,210097;南京师范大学地理科学学院,南京,210097;南京师范大学地理科学学院,南京,210097;南京师范大学地理科学学院,南京,210097【正文语种】中文【中图分类】Q945;Q948;TP79【相关文献】1.典型草原植被生物量遥感监测模型——以锡林郭勒盟为例 [J], 张连义;张静祥;赛音吉亚;包红霞;镡建国;郭志忠2.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 [J], 陈雪洋;蒙继华;杜鑫;张飞飞;张淼;吴炳方3.不同生育时期冬小麦叶面积指数高光谱遥感监测模型 [J], 贺佳;刘冰锋;李军4.不同播期冬小麦叶面积指数高光谱遥感监测模型 [J], 范剑;尤慧;刘凯文;高华东5.基于植被状态指数的全国干旱遥感监测试验研究(Ⅱ)——干旱遥感监测模型与结果分析部分 [J], 冯强;田国良;王昂生;柳钦火;Tim R.Mc Vicar;David L.B.Jupp因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
相关性分析
进行LAI与湿地植被NDVI 间的相关性分析，主要目 的是检验二者之间关系的密切程度，以及是否可 根据所测样点资料来推断总体情况，而相关系数 则是反映这种紧密程度的指标。
利用计算机图像处理技术对图像进行分析计算从 而得到叶面积指数。
然后利用实测数据与图像分析得到的数据建立数 学模型。
这种方法克服了以往选用单一品种、单一种植条 件样本的局限性，确保了建立的小麦叶面指数估 测模型全面、准确。
数字图像获取
试验在东北农业大学小麦试验田内进行，选择龙辐 麦16号、06-4074、06-4059、06-4075、06-4108 5 个 小麦品种，种植密度为每公顷600 万株、700 万株、 800 万株、900 万株、1000万株5 个级别。
➢间接测量法包括基于数字图像处理技术的照相 法，基于光学仪器进行LAI测量的仪器测量法， 利用光谱或植被指数与LAI的统计回归关系的模 型法等。
每种方法都有其自身特点所决定的测量误差，有 其所适宜采用的天气、植被生育期等条件。
不同的测量方法，得到的LAI有所差异，在对LAI精 度敏感的研究中，需要对地面测量方法的误差进 行分析。
因此，探讨利用遥感影像估算植被的叶面积指数的 方法已成为当前建立全球及区域气候、生态模型的 基础工作之一。
通常检验遥感反演叶面积指数的精度常常通过地 面实地测量的方式。
地面测量叶面积指数的方法有很多种，大致分为 两类—直接测量法和间接测量法。
➢直接测量法包括系数法和比叶重法等。在叶子 的采集和叶面积的测量过程中，具有一定的破 坏性。
将研究区分为草甸、沼泽、灌丛和岛状林4种湿地 植被类型，NDVI与各植被型LAI的相关性和估算效 果均有很大程度的提高，所建立的LAI遥感反演模 型以三次曲线回归方程拟合精度最高，R2分别达 到0.723%、0.588%、0.837%、0.72%。
以上结果表明，结合地面实测数据并基于遥感植 被分类的基础上， CBERS-02遥感影像可用于较大 区域内湿地植被生理参数的反演研究。
一元线性
回归分析
曲线回归模型
利用先前已经做好的研究区遥感影像分类图作为 底图，把研究区分为草甸、沼泽、灌丛和岛状林 等4种湿地植被区；
然后利用各自的LAI估算模型来估算湿地植被LAI 的大小，最后得到整个研究区的湿地植被LAI空间 分布图。
将植被LAI遥感反演结果划分为6个等级：0-1、1-2 、2-3、3-4、4-5 和5-6
比叶重法
比叶重法是利用单位叶面积与叶子干重的比值来 获取叶面积指数的一种方法。
➢选定有代表性的地块，取一定面积(A)的植物样 品于取样袋中，测定前记录取样面积上的总株 数m；
➢从所取样品中选5株，摘下所有展开绿色叶片， 选取叶片中宽窄较为一致的地方，剪2或3cm长 度的小段，计算面积(S)，然后烘干称质量w1， 然后对剩余绿叶全部烘干后称质量w2，其计算 式如下
实际数据获取
首先用长直尺测量进入相机镜头边界的土地区域 面积D；
然后数清区域内的株数N；在拍摄区域内随机抽取 5 株小麦样本，分别测量单株叶数m及每片叶的长 L、宽W，则有单叶叶面积（校正系数K为0.83）。
实际叶面积指数
直方图信息
图像分割
最大类间方差法算法简单、处理速度快，但是小的 目标区域被滤掉，噪声干扰明显；
比叶重法原理简单、较为精确，常被用作林业上 森林树种或农业上作物的比较测定。
但其过程复杂，制作标叶、烘干、称质量操作步 骤多，耗时较长，结果又受到叶片厚度不均匀的 影响，且采样具有破坏性，不能重复测量。
照相法
照相法是基于数字图像处理技术，计算数字相片 上绿叶与已知实际面积(S)的参考物的像素之比(P) 来求绿叶部分所占的面积；
再根据植株的生长密度，进而求得叶面积指数。
A为取样面积；S为参考物的实际面积；P为相片上 绿叶与参考物的像素之比；m为取样面积上的总 株数；n为照片中所拍摄到的植株数。
基于图像处理技术的小麦叶面积指数的提取
针对不同的小麦品种设置了不同密度的栽培条件 ，通过数码相机获取不同发育期内自然生长的小 麦群体冠层数字图像。
➢光学模型法，基于植被的双向反射率分布函数 ，是一种建立在辐射传输模型基础上的模型， 它把LAI作为输入变量，采用迭代的方法来推算 LAI。
ቤተ መጻሕፍቲ ባይዱ
统计模型法输入参数单一，不需要复杂的计算， 因此成为遥感估算LAI的常用方法。但不同植被类 型的LAI与植被指数的函数关系会有所差异，在使 用时需要重新调整、拟合。
分析三江平原洪河自然保护区草甸、沼泽植被、 灌 丛 和 岛 状 林 4 种 湿 地 植 被 及 样 本 总 体 的 NDVI 与 LAI之间的相关关系；
建立了NDVI与不同湿地植被类型叶面积指数间的 线性和非线性回归模型，并制作完成洪河自然保 护区LAI空间分布图。
整个研究区样本总体的LAI估算效果不太理想，其 NDVI与LAI 的相关性仅为0.532%；
研究区为位于我国 东北地区三江平原 东北部的洪河国家 级自然保护区
为了有效地进行保 护管理和可持续发 展，根据区内自然 资源的分布现状， 将保护区划分为核 心区、缓冲区和实 验区
CBERS-02的多光谱数据包括蓝、绿、红3个可见光波 段，1个近红外波段和1个全色波段，5个波段星下 点空间分辨率均为19.5m。
选择在小麦的主叶、分蘖、拔节、孕穗等关键生长 期，于晴天光照强度适中的上午6:00－8:00间采集图 像。
拍摄前人工去除杂草。选择群体长势均匀的地点， 采用5 cm×5 cm 的白色纸板作为参照标准置于小麦 冠层同一平面，采用SONY DSC-F707 数码相机（设置 为640 像素×480 像素）垂直于小麦群体冠层进行拍 摄。
洪河保护区影像数据由中国资源卫星应用中心提供 ，轨道号为359/46，时相为2007年8月29日；
数据级别为二级，做过辐射校正和几何粗校正处理 ，未做几何精校正，所以要对卫星影像进行消除噪 声、几何精校正、多波段影像合成及裁剪等处理。
考虑到湿地地区的地面控制点较难确定，利用了已 纠正过的一景TM影像数据（2004）和1976年调绘 的1：100000的地形图，结合GPS 野外采样的部分 数据，采用二次多项式法对中巴影像进行几何精纠 正，纠正误差控制在2/3个像元。
参照物的面积已知为25cm2，既可求出叶片面积和
土壤面积，两者的比值即为图像叶面积指数 LAIimage，导出计算公式为
建立叶面积指数模型
卫星遥感法
卫星遥感方法为大范围研究LAI提供了有效的途径 ，目前主要有两种遥感方法可用来估算叶面积指 数：
➢统计模型法，主要是将遥感图像数据如归一化 植被指数NDVI、比植被指数RVI和垂直植被指数 PVI与实测LAI建立模型。
最小误差法受目标大小影响小但阈值选择困难，噪 声干扰较大，提取目标精度低；
最小偏态法处理速度快但产生过量噪声干扰，分割 精度低；
改进动态阈值法精度高、噪声干扰小、处理速度快 ，虽然存在较小的噪声点但不会使叶面积的计算产 生较大的误差。
利用计算机图像处理技术分别统计出图像总像素 数Msoil、参照物像素数 Mrefer 和绿色叶片像素数 Mleaf，从而可知它们的像素数比，也即面积比。
保护区内除了湿地植被类型外，还有一个特殊的 人工植被类型—耕地，对耕地以及无植被覆盖的 水面进行掩膜处理。
参考文献
叶面积指数的研究和应用进展.生态学杂志，2005 ，24（5）：537-541
基于图像处理技术的小麦叶面积指数的提取. 农业 工程学报，2010，26（1）：205-209
冬小麦叶面积指数地面测量方法的比较. 农业工程 学报，2011，27（3）：220-224
三江平原湿地植被叶面积指数遥感估算模型.生态 学杂志，2008，28（7）：803-808
第二章 植被遥感
本章主要内容
叶面积指数估算模型
叶面积指数估算模型
叶面积指数（LAI）是指单位地表面积上方植物叶 单面面积的总和，它是叶覆盖的无量纲度量。
叶面积指数作为进行植物群体和群落生长分析的重 要参数和评价指标，在农业、林业及生态学等领域 得到了广泛的应用。
依靠传统的地面样方实测的方法来估算叶面积指数 又是一项花费巨大人力、财力且精度不高的工作。
光学模型法的优点是有物理模型基础，不受植被 类型的影响，然而由于模型过于复杂，反演非常 耗时，且反演估算LAI过程中有些函数并不总是收 敛的。
三江平原湿地植被叶面积指数遥感估算模型
利用中巴资源卫星CBERS-02影像提取的归一化植 被指数（NDVI）和同期野外实测的叶面积指数（ LAI）数据；
由于缺乏卫星过境时详细的大气剖面资料（如气 溶胶和水汽含量等），因此6S模型等大气校正模 型的应用将会受到限制。
利用暗目标法对遥感影像进行大气校正，以获得 地面反射率数据。
地面叶面积指数测量方法
考察路线与采样点的选取应遵循如下原则：一是 植物分布的代表性、均匀性；二是遥感图像可读 性；三是交通可行性。