基于Prospect,Liberty和Geosail模型的森林叶面积指数的反演

针对传统的统计模型方法反演叶面积指数(LAI)具有不稳定、区域不统一性的缺点,本研究从物理机制角度出发,以Prospect,Liberty和Geosail模型为基础,建立查找表从TM影像上反演LAI,并与TRAC实测的LAI比较。结果表明:基于机制模型与查找表的方法反演的LAI与实测的LAI有较好的一致性,实测精度达到83.7%。

基于Geosail模型和SVR算法的叶面积指数遥感反演

叶面积指数(LAI)控制着植物冠层的多种生理和生态过程,是陆地生态、水文模型中不可或缺的植被参数,因此准确反演区域LAI对研究植被与土壤侵蚀具有重要意义。本文以北京地区阔叶林为研究对象,利用Geosail模型模拟LAI和7种植被指数:比值植被指数(RVI)、归一化植被指数(NDVI)、绿波段植被指数(GNDVI)、重归一化植被指数(RDVI)、土壤调整植被指数(SAVI)、调整土壤亮度植被指数(OSAVI)和修正的土壤调整植被指数(MSAVI),并采用支持向量机回归(SVR)算法和4种统计回归方法(线性函数、二次函数、指数函数和对数函数)建立LAI反演模型,同时通过Landsat 8 OLI遥感数据和实测数据验证模型精度。研究表明:1) SVR算法相比其他统计回归方法可以提高LAI反演的模型精度和预测精度; 2) OSAVI指数在LAI反演方面的表现要优于NDVI等指数;3) NDVI指数的建模精度很高,但预测精度较低; 4) OSAVI和SVR算法构建的模型精度和稳定性更好,是LAI反演的优选模型,其预测结果最为精确。因此,基于Geosail模型和SVR算法的反演方法可提高LAI反演精度,为大区域LAI反演的应用提供了新的思路,扩展了Geosail模型、SVR算法和Landsat 8 OLI遥感数据在LAI反演方面的应用潜力。