长白山区4种针叶林有效叶面积指数遥感精细反演及空间分布规律

[目的]研究快速、准确、宏观获取不同森林类型有效叶面积指数(LAI_(e))的方法,探讨其空间分布规律,为中小尺度森林LAI_(e)遥感产品的开发提供新思路,为林业精细化监测和森林生态系统碳水循环模拟提供科学可靠的技术手段。[方法]以长白山为研究区,基于Sentinel-2A多光谱影像,运用三维卷积神经网络提取研究区4种针叶林型(长白落叶松、樟子松、红松和红皮云杉)的空间分布;采用区分林型和全样本2种方案,分析样地实测LAI_(e)与7种植被指数(增强植被指数、反红边叶绿素指数、改进简单植被指数、归一化水体指数、归一化植被指数、土壤调节植被指数、简单植被指数)的相关关系;利用各林型对应的最优植被指数,构建区分林型和全样本LAI_(e)与植被指数的回归模型,并基于验证样本数据对比区分林型模型、全样本模型和PROSAIL模型在LAI_(e)反演中的精度表现;结合地理因子分析4种针叶林型LAI_(e)空间格局及变化规律。[结果]所有样本组中7种植被指数与相对的LAI_(e)均存在极显著相关关系(P<0.01),除增强植被指数(EVI)与红松LAI_(e)、简单植被指数(SR)与红皮云杉LAI_(e)外,相关系数均大于0.6,但组间LAI_(e)与不同植被指数相关性具有较大差异;红松、长白落叶松和樟子松LAI_(e)与反红边叶绿素指数(IRECI)相关性最高,红皮云杉、红松LAI_(e)分别与EVI、改进简单植被指数(MSR)相关性最高;4种不同林型模型比全样本模型的R2提高12.7%以上,RMSE降低34.5%;研究区内4种林型LAI_(e)范围在0.37~5.86之间,平均LAI_(e)由高至低依次为红松、长白落叶松、樟子松、红皮云杉。红松对海拔、坡度、坡向的变化最为敏感,红皮云杉、樟子松次之,长白落叶松最小。[结论]不同林型LAI_(e)与遥感植被指数的相关程度存在明显差异,区分林型构建回归模型能够提高LAI_(e)反演精度;区分林型后拟合的线性模型精度整体较PROSAIL模型和全样本模型更高,但LAI_(e)高值区域没有PROSAIL模型表现稳定;4种针叶林型LAI_(e)对地理因子变化的反应差异较大。本研究可为精细区分森林类型的中小尺度针叶林LAI_(e)遥感反演研究提供参考。

基于便携式作物生长监测诊断仪的红壤花生叶片氮积累量和叶面积指数监测

通过分析红壤花生不同生育期的生长指标动态变化特征及其与冠层光谱植被指数间的定量关系,以赣花5号和航花2号这2个花生品种为试验对象,设置4个施氮水平,在花生关键生育期(苗期、花针期、结荚期和饱果期)利用便携式作物生长监测诊断仪(CGMD-402)采集冠层光谱植被指数,并同步取样测定各处理的地上部生物量、叶片氮积累量(LNA)和叶面积指数(LAI),构建基于CGMD-402的红壤花生LNA和LAI监测模型。结果表明:施氮水平会对红壤花生植株的生长产生影响,地上部植株的生物量会随着施氮量的增加而增大;叶片氮积累量和叶面积指数均随生育进程的推进整体上表现为先升后降的动态变化特征;花针期与结荚期的花生冠层归一化植被指数(NDVI)与LAI和LNA均具有较好的相关性。因此,可利用便携式作物生长监测诊断仪CGMD-402监测红壤花生的LAI和LNA,为江西省红壤花生的精确施氮管理提供技术支撑。

基于无人机多光谱的棉花多生育期叶面积指数反演

【目的】叶面积指数(leaf area index,LAI)是表征作物长势、光合、蒸腾的重要指标。论文旨在研究不同生育期、多生育期无人机多光谱数据棉花LAI估测模型,明确不同生育期间棉花LAI估测模型变化规律,为实时掌握棉花长势并因地制宜进行田间科学管理提供依据。【方法】利用大疆精灵4多光谱无人机获取棉花现蕾期、初花期、结铃期、吐絮期多光谱图像和RGB图像。选用归一化差植被指数(NDVI)、绿度归一化差植被指数(GNDVI)、归一化差红边指数(NDRE)、叶片叶绿素指数(LCI)、优化的土壤调节植被指数(OSAVI)5种多光谱指数和修正红绿植被指数(MGRVI)、红绿植被指数(GRVI)、绿叶指数(GLA)、超红指数(EXR)、大气阻抗植被指数(VARI)5种颜色指数分别建立棉花各生育期及棉花生长多生育期数据集合,结合打孔法获取地面LAI实测数据,使用机器学习算法中偏最小二乘(PLSR)、岭回归(RR)、随机森林(RF)、支持向量机(SVM)、神经网络(BP)构建棉花LAI预测模型。【结果】覆膜棉花LAI随着生育期的变化呈现先增长后下降的趋势,现蕾期、初花期、结铃期内侧棉花叶面积指数均值均显著大于外侧(P<0.05);选择的指数在各时期彼此间均呈显著相关(P<0.05),总体而言,多光谱指数与颜色指数间的相关性随着生育期的进行而呈现下降趋势,选择的指数在各时期均与棉花LAI相关性显著(P<0.05),多光谱指数相关系数介于0.35—0.85,颜色指数相关系数介于0.49—0.71,相关系数绝对值较大的指数多为多光谱指数,颜色指数与棉花LAI的相关系数绝对值较小;估测模型性能结果显示棉花各生育期模型中多光谱指数优于颜色指数,且各指数模型预测性能随着生育期的变化呈现一定规律性,NDVI是预测棉花LAI的最优指数。从模型结果上看,RF模型和BP模型在各生育期下获得了较高的估计精度。初花期LAI反演模型精度最高,最优模型验证集R2为0.809,MAE为0.288,NRMSE为0.120。多生育期最优模型验证集R2为0.386,MAE为0.700,NRMSE为0.198。【结论】棉花内外侧LAI在现蕾期、初花期、结铃期存在显著差异。在各生育期中,RF和BP模型是预测棉花LAI较优模型。NDVI在各指数中表现最好,是预测棉花LAI的最优指数。多生育期模型效果较单生育期明显下降,最优指数为GNDVI,最优模型为BP。本研究中预测棉花LAI的最优窗口期是初花期。研究结果可为无人机遥感监测棉花LAI提供理论依据和技术支持。

基于多光谱无人机的不同放牧策略对草地叶面积指数变化动态解析

针对海南岛耕地撂荒形成的草地无序放牧较为普遍的现象,以不同放牧方式(轮牧和连续放牧)、不同放牧强度(重度、中度和轻度)进行草地放牧试验,利用多光谱无人机和植被冠层分析仪,获取放牧期间日尺度草地叶面积指数(Leaf area index,LAI)信息,定量分析不同放牧策略对草地叶面积指数及牧牛行为变化的影响。研究结果表明:(1)中度放牧条件下的轮牧有利于草地LAI的提升。重度放牧时,轮牧和连续放牧草地的LAI上升的区域占草地总面积的比例分别为3.21%和12.65%;中度放牧时,轮牧和连续放牧草地的LAI上升的区域占草地总面积的比例分别为52.01%和25.83%;轻度放牧时,轮牧和连续放牧草地的LAI上升的区域占草地总面积的比例分别为61.02%和60.37%。(2)重度放牧条件下,牛的采食时间占比始终最高,随着采食时间占比的增加,草地LAI的减少量也随之增加,但当采食时间占比增加至70.88%~73.42%时,草地LAI的减少量逐渐降低。此时,草地叶面积指数下降到初始状态(第一天啃食前)的79.60%~79.90%,即牛的啃食量已经到达了草地LAI当日能够供给的极限,当超过这个极限时,草地可食用牧草大幅减少,牲畜个体采食竞争加剧,同时牛的啃食行为时间占比大大提高。研究结果有助于优选出牧场尺度下最佳的草畜管理措施,为热带草地畜牧系统的可持续发展从新的角度提供理论方法和决策支撑,助力国家生态文明试验区(海南)的建设。

CMIP6模式关于中国叶面积指数对温度和降水变化敏感性的模拟能力评估

评估地球系统模式对气候和植被的模拟能力是利用地球系统模式研究植被对气候变化响应的基础。基于观测和遥感数据,本文评估了第六次国际耦合模式比较计划(CMIP6)中18个全球耦合模式对中国生长季温度、降水和叶面积指数(Leaf Area Index,LAI)的模拟性能。我们基于多元线性回归模型定量了植被对温度、降水的敏感性,对CMIP6模式关于植被敏感性的模拟能力进行定量评估。研究结果表明:(1)大部分模式可较好地模拟生长季温度、降水和LAI的气候态空间分布特征,但普遍高估全国平均LAI,且各模式对气候和植被变化趋势的模拟结果存在较大偏差;(2)与观测数据相比,模式关于LAI对温度和降水的敏感性符号模拟能力均表现出对正值区的模拟优于对负值区的模拟,并且典型脆弱区植被敏感性大于中国区域植被敏感性,模式对植被敏感性幅度及其与气候场对应关系的模拟方面存在较大偏差;(3)基于模式在生长季的温度、降水、LAI及其敏感性方面的综合排名,四个模拟性能最佳的模式分别为CanESM5–CanOE、INM–CM5–0、IPSL–CM6–LR和MPI–ESM1–2–LR。

基于特征波段选择的冬小麦叶面积指数高光谱遥感估测模型研究

为提高冬小麦叶面积指数(LAI)的遥感估测精度,以实现其无损快速测定目标,在田块尺度设置多年定点不同冬小麦品种氮梯度试验,测定其不同生育时期冠层高光谱数据和LAI,通过原始冠层光谱数据与一阶导数预处理(first-derivative, FD)组合竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)、无信息变量消除(uninformative variable elimination, UVE)和随机蛙跳(random frog, RF)三种特征波段选择方法进行偏最小二乘回归(partial least squares regression, PLSR)高光谱估测模型构建。结果表明,一阶导数预处理在简化波段数量和提升模型精度上具有较好作用。经过与全波段数据及六种组合内部建模预测精度对比,RF在简化波段方面效果最好,FD-RF组合筛选波段数量为6个,建模的R^(2)和RMSE分别达到0.850和0.730,预测的R^(2)和RMSE分别为0.704和1.005;FD-CARS组合达到了最佳建模精度,R^(2)和RMSE分别为0.876和0.641;FD-UVE组合达到了最佳预测精度,R^(2)和RMSE分别为0.755和0.672。这说明基于特征波段选择可以进行冬小麦叶面积指数高光谱遥感模型建立与有效估测。

基于Beer-Lambert方法的机载LiDAR草地叶面积指数估算研究

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。

花生叶面积指数精准快速监测方法研究

为探索适用于花生叶面积指数快速精准测量方法,基于田间调查实测数据,分别采用网格法、比叶重法、系数法、AutoCAD法以及扫描法等5种方法计算了花生不同生育时期的叶面积指数,并以基于扫描法的估算结果为对照,评价了基于其他4种监测方法估算结果的精度,并优化了系数法和比叶重法调查花生叶面积的关键技术指标。结果表明,比叶重法精度较高、监测速度较快、可操作性强,利用比叶重法监测花生叶面积指数,苗期、花针期、结荚期和饱果期叶片取样数分别为24、30、24和30片,相对误差分别为4.13%、4.07%、0.02%和0.13%,标准均方根误差为7.494%,适宜的干重比系数分别为150.00、143.26、187.58和157.20 cm^(2)/g。比叶重法是适宜于花生叶面积快速精准测量的方法。

马尾松林叶面积指数季节动态的测定

【目的】评价光学仪器法测定马尾松林叶面积指数(LAI)的精度,为准确监测马尾松林LAI季节动态提供技术支持。【方法】以凋落物法测定值代表马尾松林真实的LAI,对展叶调查、异速生长方程法和光学仪器法(半球摄影法和LAI-2200植物冠层分析仪)获取的马尾松林LAI季节动态进行评估,并量化不同因素包括集聚指数(ΩE)、木质比例(α)和针簇比(γE)对光学仪器测定值的影响。【结果】马尾松林内主要树种的平均叶寿命为1.53~1.94,比叶面积(SLA)差异较大(99.15~278.33 cm^(2)/g)。不同方法测定马尾松林LAI的季节动态均呈单峰形变化模式,且在7月达到峰值。在各调查时期,凋落物法的测定值与异速生长方程法的测定值差异不显著。半球摄影法测定的有效叶面积指数(Le)比凋落物法、异速生长方程法的测定值分别低估了49%~64%和47%~61%;LAI-2200植物冠层分析仪法测定的Le低估了25%~44%和20%~42%。半球摄影法测定的Le经自动曝光、α、ΩE及γE校正后,精度明显提高,比凋落物法、异速生长方程法平均低估了8%和5%;LAI-2200植物冠层分析仪法测定的Le经α、ΩE及γE校正后,其精度大幅度提高,比凋落物法、异速生长方程法平均低估了6%和2%。【结论】考虑影响光学仪器法测定LAI的因素后,半球摄影法和LAI-2200植物冠层分析仪法测定的LAI精度得到明显提高,表明两种光学仪器法均能相对准确地测定马尾松林LAI的季节动态,可为不同区域马尾松林LAI季节动态的研究提供方法参考。

低覆盖草地叶面积指数遥感估算方法

有效估算低覆盖草地叶面积指数(LAI),对监测低覆盖草地生长状况、优化完善草地管理具有重要意义。以往针对草地叶面积指数的研究大多集中于中高覆盖度草地,对低覆盖草地的研究相对较少。利用谷歌地球引擎(GEE),基于Landsat-8卫星数据提取所需特征变量,通过特征变量与叶面积指数的相关性及其在模型中的重要性进行特征优选,确定模型最佳变量个数,以此构建机器学习模型,探寻适合在低覆盖区草地估算叶面积指数的方法。结果显示,基于相关性特征优选的梯度提升回归树模型(r-GBRT)在低覆盖草地估算叶面积指数的效果较好,测试集的R 2为0.686,均方根误差(RMSE)为0.101。结果表明,基于特征优选构建的机器学习模型在低覆盖条件下估算草地叶面积指数方面具有较好的应用价值。

基于PROSAIL模型的青贮玉米叶面积指数反演

精准且高效地估算区域内的玉米叶面积指数(LAI),对于田间管理决策、地物产量预测以及实施精准农业具有至关重要的意义。针对多尺度、大范围遥感反演中存在的尺度效应、精度低、普适性差等问题,本文以张掖市民乐县青贮玉米实验田为研究区,选取青贮玉米为研究对象,基于Landsat-8高光谱和Modis多光谱遥感影像,并结合地面实测数据。通过对PROSAIL模型的输入参数进行局部和全局敏感性分析,构建出青贮玉米在多个生育期内的冠层反射率-LAI的查找表和最小寻优代价函数的反演策略,确定研究区域的最佳LAI反演模型,并利用青贮玉米不同生育期内的实测值完成了反演结果的精度验证及线性拟合。结果表明:LAI反演结果总体较好,拟合精度较高,与实测值之间有较强的相关性,拔节期、抽雄期、成熟期最优决定系数R2分别为0.85、0.91、0.90;均方根误差(RMSE)分别为0.35、0.58、0.51。因此,基于多源高光谱遥感数据结合PROSAIL模型的反演策略可为作物参数反演提供新的科学依据和方法。

利用叶面积指数分析气候变化下阿尔泰山泰加林的生长稳定性及其影响因素

阿尔泰山泰加林是西西伯利亚泰加林的南缘,受到全球变化的影响日益加剧,然而在气候变化背景下影响泰加林生长稳定性的关键因子尚不明确。利用叶面积指数(LAI)遥感数据,采用LAI基尼系数作为表征生长稳定性的指标,分析了1982—2018年间阿尔泰山泰加林生长稳定性的变化,并建立多元线性模型分析了气候条件及变化状况、植被生产力、植被高以及植被类型等因素的影响。结果表明:(1)阿尔泰山地区近38年间潜在蒸散量(PET)所表征的热量条件年际增加趋势显著,稳定性较低,饱和水汽压差(VPD)表征的水分条件年际变化趋势较小,泰加林生长稳定性在气候方面主要受到PET的影响;(2)泰加林生长稳定性在高海拔地区较低,低海拔地区较高,且主要受平均叶面积指数(Mean LAI)所表征的植被生产力的影响,对密林(Mean LAI>2.091)而言,生产力越大、稳定性越低,对疏林(Mean LAI≤2.091)而言,生产力越大、稳定性越高,生物因素影响甚至大于气候因素。在气候变化的影响下,稳定性较低的高海拔地区泰加林未来的生长可能会衰退,而生产力较高的泰加林承担着更多的生态系统功能,稳定性降低将导致其面临的威胁也更大。阿尔泰山泰加林作为区域重要的生态安全屏障,未来的保护应当将重心倾向于高海拔及高生产力的泰加林,以减缓气候变化对区域生态安全的影响。

联合Sentinel-1与Sentinel-2的高时空分辨率玉米叶面积指数反演

叶面积指数(leaf area index,LAI)是单位地表面积上总叶面积的一半,是影响光合作用、蒸腾作用和能量平衡等地表过程的关键生物物理变量。鉴于光学遥感数据易受天气的影响,雷达遥感数据易受土壤等的影响,二者在叶面积指数反演方面各有利弊,提出了一种考虑不同数据反演结果不确定性的融合方法。研究测试了多种机器学习模型在中国张掖地区的玉米农田上估算LAI的性能。结果表明,光学和雷达两种数据分别作为模型输入进行LAI反演时,高斯过程回归(Gaussian process regression,GPR)的表现均为最优。随后,基于Sentinel-1雷达数据和Sentinel-2光学数据,使用GPR模型生成了研究区2019年的两种LAI及不确定性时空分布图。考虑不同数据反演结果的差异,使用加权滤波方法将两种LAI融合,实现了高时空分辨率玉米LAI制图。通过定性和定量分析,融合后的LAI时间序列分布图变化连贯,空间分布均匀,精度相较于融合之前有了明显改善。

六盘山华北落叶松人工林叶面积指数的校准

为了提高植物冠层分析仪在测量森林叶面积指数时的精度和适用范围,在宁夏六盘山北部,选取不同林分特征的华北落叶松人工林,应用凋落物收集法测量华北落叶松人工林真实的叶面积指数,从而确定植物冠层分析仪测量的叶面积指数的误差范围,并进行校准。结果表明:(1)六盘山华北落叶松人工纯林的叶面积指数为0~2.96,在8—10月呈现减小的趋势。(2)在生长季中期(7—9月)植物冠层分析仪测得的叶面积指数偏小,误差范围在0.03~0.38(1.41%~15.89%),而在生长季末期(10月)的测量值则偏大,误差范围在0.04~0.86(1.67%~90.87%)。(3)植物冠层分析仪测量产生误差与林分郁闭度、林分密度、树高、胸径等密切相关。因此,可通过构建林分特征与叶面积指数的多因素耦合模型,从而提高植物冠层分析仪的测量精度和适用范围。

波段宽度和位置对植被叶面积指数反演精度的影响分析

文章通过模拟的不同波段宽度和位置的光谱数据集评估波段宽度和位置对LAI估算的影响,对不同波段宽度下单波段和植被指数反演LAI的结果分析,评价不同波段和植被指数对波段宽度和位置的敏感性,确定LAI估算中受波段宽度影响较小且可以取得最佳反演精度的波谱范围。结果表明,在所选取的植被指数中,B1波段的位置和宽度对植被指数估算LAI的影响较小,而B2波段的位置和宽度对植被指数估算LAI存在较大影响,特别是在500~600nm和650~700nm范围内时影响尤为显著。利用单波段反演LAI时,对波段宽度变化不太敏感且可以获得不错精度的波谱范围为450~500nm;不同类型的植被指数估算LAI时受波段宽度影响较小且可以取得最佳反演精度的稳定波谱范围为B1:750~850nm,B2:450~480nm。本研究为利用不同光谱宽度的遥感数据准确的估算LAI提供了科学依据。

2001—2019年湖南省叶面积指数时空变化动态研究

基于MODIS叶面积指数时序数据集,运用变异系数、Mann-Kendall趋势检验和相关分析等主要方法,对2001—2019年湖南省植被时空特征、变化趋势及其与气象因子的对应关系进行了研究。结果表明:1)湖南省叶面积指数保持在较高值,整体植被LAI呈增加趋势,速率为0.57%/10a;西部植被生长好于东部,高植被生长区及中高植被生长区占整个省域面积的80.5%;2)省内植被LAI与气象关系不显著,且与降水、气温呈正相关,与日照时数呈负相关。

基于叶面积指数的乌鲁木齐市绿色空间格局分析

叶面积指数(Leaf Area Index, LAI)作为植被结构和生长状况的重要指标和生态参数,能够较好地反映植被的生长状况与分布情况,本文基于LAI反映城市绿色空间的分布状况,以乌鲁木齐市作为研究区,使用2016~2022年的Sentinel-2系列遥感数据反演了乌鲁木齐市夏季LAI时间序列数据。引入景观指数分析乌鲁木齐市2016~2022年不同等级绿色空间的组分与结构变化特征;使用结合Sen斜率估计的M-K趋势检验分析了乌鲁木齐市夏季LAI的变化趋势;并通过地理探测器分析了不同驱动因子对LAI的驱动作用。结果表明:(1)建成区内部多为低密度植被区域覆盖,高密度植被覆盖区域集中于城市边缘;(2)乌鲁木齐市的绿色空间面积主要呈减少趋势。(3)影响乌鲁木齐市绿色空间的驱动因子主要为土地利用类型和降水量;(4)交互探测表明驱动因子交互作用影响力强于单个驱动因子。

基于MODIS数据的近20年海南岛叶面积指数时空变化及驱动力分析

叶面积指数(LAI)是重要的植被结构参数之一,在监测植被生长状态、评估生态系统健康以及制定环境保护政策等方面均具有重要价值。海南岛因其特殊的地理位置和气候条件,拥有丰富的植被资源,气候变化及人类活动对其影响不断加剧。因此,深入研究海南岛LAI的时空变化对于理解该地区植被状况具有重要参考意义。本研究基于2002—2022年的MOD15A2 LAI产品数据集和气象数据,利用Theil-Sen中值分析和Mann-Kendall趋势检验等方法,分析了海南岛LAI的时空分布变化及其对气候因子的响应。结果表明:1) 2002—2022年,海南岛LAI整体呈增长趋势,其中北部的增长趋势明显强于南部。这一现象与橡胶种植业的发展和南部地区旅游产业的兴起有关,表明LAI的变化与人类活动紧密相连。此外,海南岛的LAI分布呈现中部高、周边低的空间特征,与该地区的地势特征相一致。2) 2002—2022年海南岛LAI的平均变异系数为0.136,说明植被变化波动较小,表明其能保持生态平衡和一致性。3)在气候暖干化的背景下,温度上升对植被生长的促进作用存在饱和效应。海南岛北部地区的LAI与温度主要呈正相关,而南部地区主要呈负相关,降水的影响则与温度相反。以上结果表明,海南岛LAI的空间差异和时空变化主要受气候条件、地形和人类活动等多种因素的协同作用。本研究为海南岛植被保护、生态修复和气候适应性管理提供了科学依据。

中国北方温性草地最大叶面积指数的时空变化及其对气候变化的响应

鉴于不同类型草地叶面积指数(LAI)的时空变化特征不尽相同,且不同变化趋势的LAI对气候变化的响应也不尽相同,利用长时间序列LAI和气象数据,结合草地分类数据,获得1981-2017年中国北方不同类型温性草地最大LAI的时空变化特征,并重点探讨不同变化趋势的LAI对气温和降水量变化的响应。结果表明,中国北方温性草地年均最大LAI的多年均值为(0.76±1.07) m^(2)/m^(2),东高西低;其中,草甸草原最高((2.73±1.20) m^(2)/m^(2)),草原化荒漠最低((0.13±0.17) m^(2)/m^(2))。总体上,年均最大LAI呈显著增加趋势;呈显著增加的面积占32.52%,显著降低的面积占6.31%;所有类型草地最大LAI显著增加的面积均大于显著降低的面积。年均最大LAI与1-8月总降水量和7-8月平均气温的年际变化均呈正相关。最大LAI显著降低和显著增加均主要受7-8月均温显著升高的影响。7-8月均温上升速率在影响LAI变化上存在转折阈值;对所占面积较大的草地类型,该阈值约为0.042~0.043℃/a。当气温上升速率低于该阈值时,LAI才随气温上升而增加;反之,LAI随气温上升而降低。这些研究结果可对气候变化背景下的草地利用、保护和恢复提供重要的科学依据。

基于序贯高斯条件模拟的龙竹叶面积指数估测

叶面积指数(LAI)是评估森林生态系统健康状况的重要参数,为探究遥感数据在估测区域尺度森林LAI的能力,以搭载了先进地形激光测高仪系统(ATLAS)的冰、云和陆地高程卫星(ICESat-2)为主要信息源,协同陆地卫星(Landsat 9)及地形因子,结合51块实测样地数据,采用序贯高斯条件模拟(SGCS)方法与随机森林(RF)、梯度提升回归树(GBRT)、支持向量机(SVM)与K近邻(KNN)模型进行区域尺度的龙竹(Dendrocalamus giganteus)LAI遥感估测。结果表明:(1)在提取的46个ICESat-2/ATLAS光斑参数中,经Pearson相关性分析后,最佳拟合分段地形高度、插值地形表面高度、绝对平均冠层高度、太阳高度角4个特征参数与实测LAI具有显著相关性。(2)在RF、 GBRT、 SVM、 KNN模型中,多源遥感数据结合RF模型估测的LAI结果最佳,决定系数(R^(2))、均方根误差(E_(rms))、平均绝对误差(E_(ma))分别为0.901、0.352、 0.289。(3)使用SGCS方法及RF模型估测的研究区LAI为2.089~2.493,平均值为2.291。基于ICESat-2/ATLAS高密集光斑进行区域尺度LAI估测具有一定优势,光学影像数据及地形因子等辅助数据的加入,可有效提升模型估测精度,为高效率、低成本区域尺度LAI估测提供了案例,还为将ICESat-2/ATLAS数据与其他遥感影像相结合以估测其他森林结构参数提供了新的思路。