基于南方结构化植被指数的植被覆盖管理因子遥感反演

为探索不同尺度植被覆盖与管理措施因子C的最佳估算模型,以南京市为研究区域,利用南方结构化植被指数(The southern structured vegetation cover index,Vs)对C因子进行估算。在坡面尺度,将不同植被类型Vs与C因子进行拟合;在区域尺度,借助Vs筛选最佳遥感指数,进而遥感反演C因子。结果表明:1)基于Vs估算C因子有效提高模型精度。2)C因子对黄度指数更加敏感,因此衰老植被和枯枝落叶覆盖对于地表土壤的保护作用是不容忽视的。3)基于最佳遥感指数反演C因子,模型R2=0.598,ME>0.5,因此该模型被推荐用于大尺度下的C因子估算。Vs有效地筛选遥感指数,且黄度指数和绿度指数相结合估计C因子更加精准。

基于PROSAIL模型和多角度遥感数据的森林叶面积指数反演

【目的】基于多角度PROBA/CHRIS遥感数据和野外实测数据,结合PROSAIL模型和随机森林模型反演森林叶面积指数(LAI),以提高植被LAI遥感反演精度,为区域土壤侵蚀遥感定量监测提供新的方法和模型。【方法】以南京市紫金山和幕府山为研究区,采用野外调查、遥感影像、辐射传输模型与数学模型相结合的方法,构建基于PROSAIL模型和多角度PROBA/CHRIS遥感数据的随机森林LAI反演模型,对PROSAIL模型进行敏感性分析和适用性评价,确定最佳LAI反演模型,并利用地面实测LAI进行精度验证和评价。【结果】PROSAIL模型中各输入参数敏感性大小为LAI>叶绿素a、b含量Cab>叶片干物质含量Cm>热点参数SL>叶片内部结构参数N>等效水厚度Cw;模拟的冠层反射率精度大小为0°>36°>-36°>55°>-55°。单角度LAI反演模型中,前向观测角55°精度最高,其决定系数(R2)、均方根误差(RMSE)和平均绝对百分误差(MAPE)分别为0.9157、0.2357和0.0426;相比于传统垂直观测,55°模型的R2提高0.75%,RMSE和MAPE分别降低3.76%和5.12%;相比于非线性回归模型,单角度随机森林LAI反演模型的R2提高0.7%,RMSE和MAPE分别降低15.40%和11.98%;单角度LAI反演模型精度由高到低依次为55°、36°、0°、-55°、-36°。多角度LAI反演模型中,3角度组合(0°、36°、55°)LAI反演精度最高,其R2、RMSE和MAPE分别为0.9184、0.2319和0.0415,相比于单角度55°,R2提高0.29%,RMSE和MAPE分别降低1.61%和2.58%;相比于传统垂直观测,3角度组合模型的R2提高1.05%,RMSE和MAPE分别降低5.31%和7.57%;相比于非线性回归模型,多角度随机森林LAI反演模型的R2提高0.79%,RMSE和MAPE分别降低6.72%和9.19%。紫金山西部区域LAI介于0.44~6.70之间,林地LAI均值为3.04;紫金山西部林地LAI整体上呈北部和南部高、中间低的空间分布格局。【结论】最佳LAI反演模型为基于3角度组合(0°、36°、55°)的随机森林LAI反演模型;一方面,增加观测角度可提供更多植被冠层结构信息,LAI反演精度随观测角度增加而增加,但另一方面,观测角度过多会使像元空间重采样、叶片阴影和土壤阴影等问题带来更多不确定性,LAI反演精度反而下降;无论是单角度还是多角度数据,随机森林LAI反演模型精度均高于非线性回归模型,随机森林模型能够明显提高LAI反演精度,适用于区域植被LAI反演;多角度遥感数据能够反映森林立体结构信息和地物多维空间结构特征,显著改善传统垂直观测数据反演LAI精度较低的问题,从而有效提高植被LAI反演精度。