植被指数反演LAI的敏感性分析及最适波宽选择研究

作     者：黄婷 

作者单位：江苏师范大学 

学位级别：硕士

导师姓名：梁亮

授予年度：2020年

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 07[理学] 08[工学] 09[农学] 0804[工学-仪器科学与技术] 0903[农学-农业资源与环境] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 0713[理学-生态学] 

主      题：全局敏感性 波段宽度 植被指数 权重 筛选 LAI PROSAIL模型 经验模型法 神经网络法 

摘      要：叶面积指数(Leaf Area Index,LAI)是表征植被生理生化特性的重要特征参数,它决定了植物-大气界面的大小,是用于模拟冠层光合作用和蒸散等过程的主要变量,能够有效地反映作物的生长状况。卫星遥感的应用为大规模的LAI研究提供了一种可行、经济的方法,如何更准确地通过遥感数据来估算LAI一直是植被遥感的热点内容。目前,为了提高LAI的反演模型的精度与普适性,研究者一方面不断地优化与改进反演策略与算法以降低模型误差;另一方面则致力于分析土壤背景、土壤类型、观测几何、热点效应等因素在LAI反演过程的作用,以期找出相应的方法减少或消除干扰因素的影响,但波段宽度对LAI反演的影响研究还较少。为了研究波段宽度对植被指数反演LAI的影响,本文利用PROSAIL模型模拟生成的20000条冠层光谱反射率(400 nm～2500 nm)计算了不同波段宽度(5 nm～80 nm)下的植被指数,并建立了各波段宽度下的LAI经验反演模型。同时,为了能够筛选出对目标反演参量LAI最为敏感而对干扰参量最不敏感的植被指数,本文构建了基于敏感度分析的植被指数筛选法(权重法)。首先本文定量分析了 PROSAIL模型输入参数如叶面积指数、叶片结构参数、叶片叶绿素、等效水厚度、干物质含量、热点参数、土壤亮度参数等的全局敏感性。然后,在固定不敏感的参量的同时,对敏感参量重新采样生成新的输入参数数据组合。利用该参数组合生成冠层光谱反射率,并在此基础上计算SR[800,680]、OSAVI等35个植被指数。为了能够筛选出适用于LAI反演的植被指数,本文将PROSAIL模型输出的全局敏感度系数取其均值并进行均一化处理,将其作为敏感度得分计算时的权重参与植被指数的筛选,并基于实测小麦光谱数据对其进行验证。本文的主要结论如下:一、波段宽度是影响植被指数估算LAI的重要影响因素之一,且不同的植被指数均具有其反演的最佳波宽。根据决定系数(Coefficient of Determination,R2)的变化趋势,指数可分为三类:1)窄波段植被指数(MTVI2、OSAVI、RDVI、TVI、Datt1、NDCI、NVI、SPVI、SR[752,690]、SR[800,680]、TCARI 和 TCARI2):反演模型的R2随波宽的增加而减小;2)中波段植被指数(SR[700,670]、Carte5和SR[675,700]):R2随波宽的增加先升后降,变化曲线有明显的峰值;3)宽波段植被指数(Carte3、Carte4、Datt2、Datt3、MCARI、mSR705、MTVII、NDVI705、RI1dB、SR[750,700]、SR[750,550]、SR[750,710]、VOGI、VOG3、VOG2、OSAVI2、GNDVI、mNDVI705和SPVI2):R2随波宽的增加而增加。因此,本文以PROSAIL模型模拟冠层光谱数据集为基础,并通过研究波段宽度对植被指数LAI模型反演精度的影响,从而确定了不同植被指数的最适波段宽度,以期为不同遥感数据选择合适的植被指数提供一定的参考依据,提高经验反演LAI的精度。二、hspot、skyl、tts、tto、psi、N、Car 是 PROSAIL 模型冠层光谱模拟时的不敏感参数,因此当利用PROSAIL模型模拟冠层光谱反射率时,可以固定这7个参数,从而提高模型效率,而LAI、Cw、ALA、Cm、psoil、Cab为敏感参数,因此,当利用PROSAIL模型进行冠层光谱模拟时,应结合先验知识确定敏感参数的输入范围。三、通过对植被指数的最适波宽以及植被指数的全局敏感性的综合分析。本文尝试利用上述植被指数比较最适波宽下经验模型法、神经网络法估算LAI的精度,并利用实测数据进行验证。结果表明,本文所提出的权重法在筛选植被指数时具有较高的可信度,为经验模型法反演LAI时植被指数的确定和筛选提供了新的途径。