基于森林模型参数先验知识估算高分辨率叶面积指数

发布时间：2024-02-26 02:26

　　目前,估算高分辨率叶面积指数LAI (Leaf Area Index)的常用方法是采用大量地面测量数据和遥感数据建立统计模型,再用统计模型估算LAI。然而,与农田地面测量实验相比,森林地面测量实验获取的观测数据更加有限,这使得基于统计模型的森林高分辨率LAI的估算精度低,难以满足应用需求。为此,本文提出一种基于森林模型参数先验知识、使用森林研究区少量的LAI地面测量数据和归一化植被指数NDVI数据估算森林高分辨率LAI的方法。首先,获取全球20个森林实验区的LAI地面测量数据和NDVI数据,建立LAI-NDVI统计模型并提取森林模型参数的先验知识。然后,以一个新的森林站点Concepción作为研究区,将该研究区的数据分为建模数据和验证数据两个部分。使用研究区有限的建模数据对森林模型参数先验知识进行本地化校正得到优化模型,优化模型用于估算森林高分辨率LAI,使用验证数据评价LAI的估算精度。同时,选取了Camerons站点、Gnangara站点、Hirsikangas站点评价本文方法的LAI估算精度。使用地面测量LAI验证基于森林模型参数先验知识估算高分辨率LAI的结果精度,经验证4个...

【文章页数】：11 页

【部分图文】：

图1研究区示意图

Concepción站点的数据集用来评价基于模型参数先验知识估算森林高分辨率LAI的方法。如图1所示，该站点位于智利，测量范围为3km×3km，大部分为松树林（红色），少部分为桉树、松树幼林（蓝色）。地面实验时间为2003-01-07—2003-01-10，使用半球广角照片图....

图320个实验区的模型参数a、b的频率分布直方图

为分析模型参数先验知识对森林的代表性，分别统计模型参数a和参数b取值的频率分布直方图，如图3所示。模型参数a的先验初值对应图3(a）中的取值范围为0.6—0.7，参数a在此范围内取值的频率最高为0.35；模型参数b的先验初值对应图3(b）中的取值范围为0.1—0.2，参数b在....

图4基于先验知识的方法与最小二乘法的RMSE的对比

Concepción方法评价数据中，不同数量的建模数据根据3.2节中描述的方法得到本地化校正后的优化模型，根据3.3节中陈述的评价方法，得到不同建模数据量下的LAI估算误差RMSE的均值，如图4所示。图4中，纵轴表示方法评价数据采用本文方法得到的RMSE均值，横轴表示方法评价数据....

图5基于先验知识的方法和最小二乘法的森林高分辨率LAI估算误差（少量数据）

图5(a）是“少量数据”基于森林模型参数先验知识的方法得到优化模型，并估算森林高分辨率LAI,RMSE为0.668。图5(b）是“少量数据”基于最小二乘法建模，并估算森林高分辨率LAI,RMSE为0.83；通过对比两者的误差可以看出，本文方法得到的LAI估算误差小。在“少量数....

本文编号：3911193