论文部分内容阅读
随着人口的增长,森林资源不断减少,因此,准确、实时的获取区域和全球森林变化的有关信息显得尤其重要。叶面积指数(LAI)作为认识和掌握植物冠层空隙的动态和平衡的重要指标,为植物冠层表面物质、能量交换的描述提供结构化的定量信息。另外,LAI与生物量之间有着密切的关系,与多尺度生态系统的生产力也密切相关,它的变化体现了植被生长发育的不同状态。然而,LAI受其定义、采样方法、数据分析和仪器误差等多种因素影响,传统的测量方法在大区域范围获取LAI几乎不可能实现。随着遥感技术应用的日益深入和成熟,尤其是高分辨率遥感影像的出现,使实时、精确、无损估测大区域森林LAI及动态监测成为可能。本研究以湖南省攸县黄丰桥林场的植被作为研究对象,用系统抽样方法在研究区内设置108个样地,借助LAI-2000植物冠层分析仪测量其植被LAI值。利用林业遥感技术和GPS测量技术从与其同步的研究区WorldView-2影像和1：1万地形图中提取样地的16个遥感因子和3个地理因子,将其与LAI值进行了相关性分析,并选取其中与LAI存在显著或极显著相关关系的因子作为输入变量分别构建定量估测LAI值的一元统计回归模型、基于主成分分析的多元统计回归模型和BP神经网络模型。利用检验样本数据对模型的预测结果进行精度验证和评价。本研究主要研究结论如下：(1)通过对19个遥感因子和地理因子与LAI之间进行相关性分析发现：除蓝波段反射率值Band1、绿波段反射率值Band2、坡度Slope和坡向Aspect等4个因子外,其他15个因子(红波段反射率Band3、近红外波段反射率Band4、比值植被指数RVI、归一化植被指数NDVK、差值植被指数DVI、垂直植被指数PVI、土壤调节植被指数SAVI(L=0.10、0.25、0.35、0.50)、修正的土壤调节植被指数MSAVI、大气阻抗植被指数ARVI(γ=0.50、1.00)、修正的叶绿素调节植被指数MCARI、高程Elevation)与LAI之间均存在显著或极显著的相关关系,其中Band3与LAI之间呈负相关关系,相关系数为-0.4231。(2)通过建立与LAI存在显著或极显著相关关系的因子和LAI的各种一元统计回归模型发现：在构建的六种类型一元统计回归模型中,以NDVI为自变量的指数函数回归模型y=0.1195exp(4.9714x)估测精度最高,达到89.30%。(3)通过多元逐步回归法构建LAI定量估测的多元线性回归模型发现：经主成分分析,前七个主成分的累计贡献率达到99.99%,在达到降维目的同时,原数据的信息量几乎没有损失,用其作为备选变量得到的多元逐步回归模型y=-0.9942+20.4543x1+0.3914x2(x1代表第七主成分F7,x2代表第四主成分F4)估测精度为87.72%,低于一元统计回归模型估测精度。(4)通过神经网络思想建立的BP神经网络LAI定量估测模型发现：隐含层不同神经元个数的BP神经网络模型估测精度均达80.00%以上,当隐含层神经元个数设置为11时,训练得到的神经网络模型估测精度相对最高,为85.83%。(5)各回归模型的综合指标回馈信息说明利用遥感因子和地理因子对LAI进行快速、高精度、大范围的定量估测是可行的。所建立的个模型估测精度均达80.00%以上,其中以NDVI为估测指标的指数回归模型估测精度最高。