论文部分内容阅读
叶面积指数(Leaf area index, LAI)是反映森林生长过程、生存环境的一个重要植被特征参量。其既能反映植被的生长情况,还能够以量化指标反映植被冠层结构。川西南常绿阔叶林位于四川有名的强降雨区,降雨量充沛,对区域水土保持具有重要意义,同时该地区也是长江中上游生态屏障的重要组成部分。相比同龄人工林,天然常绿阔叶林的林分结构复杂得多,森林生态系统也更加稳定,自我调节能力、抗干扰能力更强,对区域的生态效益作用更大。随着遥感技术的快速发展,利用卫星遥感技术为大区域研究LAI提供了一个很好的途径。但是多年以来,学者们基于遥感技术对川西南常绿阔叶林研究较少,且多集中在单一尺度上相关植被参数的研究,在多尺度方面相对较少。本研究以雨城区上里镇常绿阔叶林为研究对象,基于Pleiades-1、SPOT-5、Landsat-8影像,结合半球摄影系统计算获得的地面实测叶面积指数(LAI),对三种影像进行数据处理,提取相关影响因子,采用偏最小二乘法回归分析法建立常绿阔叶林在2m、10m、30m三种尺度上LAI的定量估测模型,拟合得到三种尺度上研究区的LAI分布图,并对不同估测模型进行对比分析。主要结论如下：(1)合监督分类和非监督分类,对Pleiades-1、SPOT-5、Landsat-8影像进行分类,分类精度分别为86%,82%,77.2%。(2)基于三种多光谱影像,采用偏最小二乘法建立LAI估测模型。①基于Pleiades-1影像的LAI估测,通过VIP重要性分析,选择了6个影响因子参与建模,模型为：Y=0.51087*NDVI+0.34059*SAVI+0.06812*RVI+0.00012*DVI+0.00017*PVI +0.00006*NIR+1.84675,综合精度为86.5%。②基于SPOT-5影像的LAI估测,通过VIP重要性分析,同样选择了6个影响因子参与建模,模型为：Y=1.40863*NDVI+0.93965*SAVI+0.10733*RVI+0.0001*SWIR-0.00087*Red-0.00048*NIR+1.0881,综合精度为81.4%。③基于Landsat-8影像的LAI估测,通过VIP重要性分析,选择了9个影响因子参与建模,模型为：Y=-0.0001*NIR-0.00002*SWIR1-0.00007*SWIR2-0.00001*DVI+2.5539*NDVI-0.00002*PVI-0.1141*RVI+1.7022*SAVI-1.4696*SF+1.77242,综合精度为79.8%。(3)本文在传感器、光谱分辨率、波段信息、植被指数等方面较为翔实地比较了3种影像在LAI反演方面的优劣。认为基于Landsat-8影像在大范围研究LAI等地表植被参数方面更有优势；而空间分辨率越高,LAI反演精度越高,即在小尺度LAI反演的准确性方面,Pleiades-1影像更有优势。(4)通过比较3种模型得到的叶面积指数分布图,发现基于Pleiades-1影像得到的LAI分布图较破碎,而基于Landsat-8影像获得的LAl分布图较连续,基于SPOT-5影像的LAl分布图介于两者之间,这与反演LAI的尺度有直接关系。随着尺度的不断升高,影像中混合像元比例必然增加,导致反映地物类别的光谱信息出现较大误差,影响植被参数的反演。