草地叶面积指数(Leaf area index,LAI)是天然草地的重要结构参数,能够用来监测草地的生长状况和生产力水平,对草地资源可持续利用和科学管理具有重要意义。以内蒙古锡林郭勒盟典型草原为研究对象,首先使用无人机激光雷达(Airborne light...草地叶面积指数(Leaf area index,LAI)是天然草地的重要结构参数,能够用来监测草地的生长状况和生产力水平,对草地资源可持续利用和科学管理具有重要意义。以内蒙古锡林郭勒盟典型草原为研究对象,首先使用无人机激光雷达(Airborne light detection and ranging,Air-LiDAR)草地冠层观测数据,通过解析点云数据构建冠层高度模型(Canopy height model,CHM),随后进行研究区草地冠层间隙率计算,最后基于Beer-Lambert方法进行0.05 m、0.10 m、0.15 m、0.20 m 4个不同空间分辨率采样尺度下的LAI估算,并选择CHM低值、中值、高值3个不同子区域分别进行不同冠层高度下LAI的检验和分析。结果表明:(1)草地叶面积指数与冠层高度模型数值呈正相关、与冠层间隙率呈负相关。(2)机载LiDAR草地LAI估算的最优采样尺度为0.15 m,CHM不同高度子区域LAI结果检验R^(2)和RMSE分别为:低值区为0.66和0.04;中值区为0.54和0.34;高值区为0.54和1.17,表明无人机LiDAR可捕获草地冠层观测采样存在的异质性差异分布特征。(3)不同空间分辨率0.05~0.20 m间隔采样LAI结果表明,对于CHM低值、植被分布稀疏区域不同分辨率LAI无显著空间尺度变化差异,但CHM高值、较密植被分布群落LAI会随空间分辨率表现出尺度性差异。综上所述,本研究设计完成的无人机LiDAR草地LAI估算模型,参数机理具体、流程方法可操作性强,具有较好的数值检验精度,可为激光雷达在草地植被叶面积指数遥感反演及应用提供技术参考。展开更多
文摘随着高分辨率对地观测要求的不断提高,合成孔径雷达(Synthetic Aperture Radar,SAR)的应用将越来越广泛。针对高分辨率SAR成像存在数据量大、存储难度高、计算时间长等问题,目前常用的解决方法是在SAR成像模型中引入压缩感知(Compressed Sensing,CS)的方法降低采样率和数据量。通常使用单一的正则化作为约束条件,可以抑制点目标旁瓣,实现点目标特征增强,但是观测场景中可能存在多种目标类型,因此使用单一正则化约束难以满足多种特征增强的要求。本文提出了一种基于复合正则化的稀疏高分辨SAR成像方法,通过压缩感知降低数据量,并使用多种正则化的线性组合作为约束条件,增强观测场景中不同类型目标的特征,实现复杂场景中高分辨率对地观测的要求。该方法在稀疏SAR成像模型中引入非凸正则化和全变分(Total Variation,TV)正则化作为约束条件,减小稀疏重构误差、增强区域目标的特征,降低噪声对成像结果的影响,提高成像质量;采用改进的交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)实现复合正则化约束的求解,减少计算时间、快速重构图像;使用方位距离解耦算子代替观测矩阵及其共轭转置,进一步降低计算复杂度。仿真和实测数据实验表明,本文所提算法可以对点目标和区域目标进行特征增强,减小计算复杂度,提高收敛性能,实现快速高分辨的图像重构。