基于GF-2卫星夏玉米不同生育期叶面积指数反演方法研究

发布时间：2020-10-30 06:01

　　 叶面积指数(Leaf Area Index,LAI)是植被生长的重要指示因子,在农业、林业领域应用广泛,同时在生态系统与作物生长模型构建、农业环境监测中具有重要研究意义。针对我国GF-2自主卫星载荷特点,研发其LAI反演方法,对于发挥卫星应用潜力,促进自主卫星应用具有重要研究价值。本研究以河北省石家庄市栾城县为实验基地,针对夏玉米拔节期和抽穗期,研究基于经验模型、PROSAIL模型的GF-2卫星LAI反演方法,进而探索物理模型与机器学习算法相结合的混合模型,并对三种模型进行比较,分析反演精度,针对不同生育期选择最佳LAI反演模型,形成完善的GF-2卫星LAI反演技术流程体系。主要获得以下研究成果:(1)经验模型中,9种植被指数与LAI的相关系数r均大于0.58,较好反映了拔节期、抽穗期玉米LAI生长变化;单变量回归模型中,OSAVI指数模型在拔节期建模精度最高,ARVI二项式模型在抽穗期建模精度最高。研究发现多元回归模型建模精度整体高于单变量回归模型,但精度验证表明其反演能力低于单变量模型,这与多元变量之间的过度拟合和样本数量有关。(2)物理模型中,分析PROSAIL模型的参数敏感性:在近红外和可见光波段,LAI和Cab对模型最敏感,基于PROSAIL模型的LAI反演结果基本符合实测结果,拔节期LAI反演值和实测值间的决定系数R~2达0.563,RMSE为0.321;抽穗期R~2达0.689,RMSE为0.275。与经验模型相比,两个生育期的反演精度分别提高7.7%和11.6%。(3)混合模型中,RF-PROSAIL模型反演精度最高,拔节期LAI反演值和实测值间的决定系数R~2达0.631,RMSE为0.297;抽穗期LAI反演值和实测值间的决定系数R~2达0.791,RMSE为0.254。BP-PROSAIL模型拔节期受影像质量影响,反演效果不理想,但在抽穗期,反演效果好转,反演精度高于经验模型,但低于PROSAIL模型。(4)总体上,三种反演方法的LAI填图效果为:拔节期,经验模型和BP-PROSAIL模型LAI反演结果主要分布在2-4之间,PROSAIL模型和RF-PROSAIL混合模型反演结果主要在1-2之间;抽穗期,经验模型反演结果主要在3.5-7.0之间,其它方法反演LAI结果均在3-6之间,两个生育期内,LAI值在0左右的为城镇、道路和建筑物等。综上,在夏玉米拔节期、抽穗期使用RF-PROSAIL模型反演LAI效果最佳。此外,由于拔节期玉米生长稀疏,裸露土壤面积较多,混合模型和PROSAIL模型参数获取条件不满足时,经验模型(OSAVI植被指数)是一种较好的方法;随着抽穗期玉米不断生长,地面覆盖度逐渐增高,物理模型凭借其较强的辐射传输机理,为LAI反演提供了一种有效的反演方法。
【学位单位】：西北大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP181;S513
【部分图文】：

究区概况河北省栾城县为研究区，位于省会石家庄东南方向，河北省的西南方南部，距离省会石家庄 15 公里，公路、铁路贯穿栾城县南北，交通便，共有 182 个行政村，人口和占地面积分别为 32.89 万和 347 平方公区地理范围为 114°36 —114°48 E，37°45 —38°06 N，气候气候，全年光照充足，四季分明，年平均气温 12.8℃，平均降水量 47度 62%，平均无霜期 205 天，平均风速为 2.6 米/秒，降水主要集中在食作物的生产提供了适宜的气候条件。区地势平坦，由西北向东南缓慢倾斜，平均海拔高度 45-66m，以平效应对植被参量反演的影响较小，栾城县粮食作物播种面积广泛，以等农作物为主，间种有少量向日葵、蔬菜等。图 2-1 为研究区示意图

试验方案设计根据研究区玉米生长的物候历、卫星过境时间及当地天气状况，野于 2017 年 7 月 12 日至 7 月 15 日和 2017 年 9 月 3 日至 9 月 6 日在边玉米样地开展。通过实地考察，进行试验之前，首先依据当地玉原则，在谷歌影像上布设好样方，布设样方时，使各样方远离道路扰地物，距离最小在 20 米之外，考虑到实地采样点与 GF-2 影像像方大小设置为 16m 16m，共 43 个样方。实地采集时，首先使用样方进行实地定位，找到每个样方的具体位置，然后进行各个试验外试验采集数据主要包括叶面积指数、叶绿素含量、平均叶倾角等冠层分析仪测定叶面积指数和平均叶倾角、SPAD-502 叶绿素含量素含量，采用华测 LT400 手持 GPS 获得样方经纬度坐标，以上样上的分布图及每个样方的获取方式如图 2-2 所示。

(a)拔节期 (b)抽穗期图 3-2 经验模型反演结果分布图(a)拔节期 (b)抽穗期多元回归模型预测值 单变量回归模型预测值多元回归线 单变量回归线图 3-3 经验模型实测值与反演值散点图R2= 0.486RMSE=0.351BIAS=0.108R2= 0.445RMSE=0.371BIAS=0.1881223340 1 2 3 4LAI实测值LAI反演值R2= 0.573RMSE=0.316BIAS=0.079R2= 0.508RMSE=0.336BIAS=0.267234563 3.5 4 4.5 5 5.5LAI实测值LAI反演值
【参考文献】

相关期刊论文 前10条

1 张明政;苏伟;王瑞燕;;基于地基激光雷达与Landsat8影像的玉米LAI反演[J];中国激光;2015年11期

2 杨敏;林杰;顾哲衍;佟光臣;翁永兵;张金池;鲁小珍;;基于Landsat 8 OLI多光谱影像数据和BP神经网络的叶面积指数反演[J];中国水土保持科学;2015年04期

3 贾玉秋;李冰;程永政;刘婷;郭燕;武喜红;王来刚;;基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J];农业工程学报;2015年09期

4 王聪;杜华强;周国模;徐小军;孙少波;高国龙;;基于几何光学模型的毛竹林郁闭度无人机遥感定量反演[J];应用生态学报;2015年05期

5 梁栋;杨勤英;黄文江;彭代亮;赵晋陵;黄林生;张东彦;宋晓宇;;基于小波变换与支持向量机回归的冬小麦叶面积指数估算[J];红外与激光工程;2015年01期

6 潘腾;;高分二号卫星的技术特点[J];中国航天;2015年01期

7 王李娟;牛铮;;PROSAIL模型的参数敏感性研究[J];遥感技术与应用;2014年02期

8 丰明博;牛铮;;基于经验模型的Hyperion数据植被叶绿素含量反演[J];国土资源遥感;2014年01期

9 刘洋;刘荣高;陈镜明;程晓;郑光;;叶面积指数遥感反演研究进展与展望[J];地球信息科学学报;2013年05期

10 何维;杨华;;模型参数全局敏感性分析的EFAST方法[J];遥感技术与应用;2013年05期

相关博士学位论文 前1条

1 王东伟;遥感数据与作物生长模型同化方法及其应用研究[D];北京师范大学;2008年

相关硕士学位论文 前8条

1 郑淳月;区域植被覆盖度提取的尺度效应分析[D];西北大学;2016年

2 刘天凤;基于PROSAIL模型的干旱半干旱地区LAI遥感反演建模[D];兰州大学;2015年

3 余金林;基于PROSAIL模型的青海湖流域草地叶面积指数反演[D];青海师范大学;2014年

4 谷成燕;基于PROSAIL辐射传输模型的毛竹林冠层参数遥感定量反演[D];浙江农林大学;2013年

5 苗乃哲;基于Landsat_TM数据的冬小麦不同生育期叶面积指数反演方法精度比较[D];西安科技大学;2012年

6 林如强;基于LAI的航天遥感图像仿真与系统集成[D];福建师范大学;2010年

7 贺少帅;高分辨率卫星影像快速几何纠正研究[D];中南大学;2009年

8 姬大彬;基于MODIS数据的高分辨率气溶胶光学厚度反演[D];山东科技大学;2009年

本文编号：2862098