




已閱讀5頁,還剩8頁未讀, 繼續(xù)免費閱讀
版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
基于環(huán)境衛(wèi)星數據的森林葉面積指數遙感反演與驗證以大興安嶺加格達奇林區(qū)為例 doi:10.13360/j.issn.1000-8101.xx.04.031:TP79 劉振波1,張麗麗1,葛云健1,顧祝軍2 (1.南京信息工程大學氣象災害省部共建教育部重點實驗室,南京信息工程大學地理與遙感學院, 南京210044;2.南京曉莊學院生物化工與環(huán)境工程學院) 摘要:以中國東北大興安嶺加格達奇林區(qū)為研究區(qū),基于環(huán)境(HJ)衛(wèi)星遙感數據提取森林植被指數,結合實測樣點葉面積指數(leafareaindex,LAI)數據構建研究區(qū)LAI遙感反演模型,獲取研究區(qū)森林LAI。在此基礎上,利用研究區(qū)LAI影像對LAI遙感產品GLOBCARBONLAI和MODISLAI數據進行精度驗證。研究結果表明:研究區(qū)LAI遙感反演模型中,基于比值植被指數(SR)的線性回歸模型精度最高,模型R2為0.606(RMSE=0.2516),相對誤差19.89%;在研究區(qū),GLOBCARBONLAI數據均值高于反演值,而MODISLAI均值則相對較低,兩者相對誤差分別為12.2%和11.8%;通過對不同LAI值域的對比分析發(fā)現,研究區(qū)兩種遙感LAI產品的最大誤差均在LAI的低值區(qū)。 關鍵詞:葉面積指數;遙感反演;森林;hj衛(wèi)星;驗證 RetrievalandvalidationofforestleafareaindexbasedonHJsatellitedata:takingJiagadaqiDistrictasacasestudy LIUZhenbo,ZHANGLili,GEYunjian,GUZhujun Abstract:Inthisstudy,forestleafareaindex(LAI)wasmappedusingLAIretrievedmodelbasedonremotesensingforestvegetationindexesfromHJsatellitedataandsituLAImeasurementsdatainJiagedaqiDistract,northeasternChina.GLOBCARBONLAIandMODISLAIproductsdatawerethenvalidatedusingtheretrievedLAIfromHJsatellite.ResultsshowedthattheauracyofLAIretrievedmodelbasedSimpleRatio(SR)wasthehighestwithanR?squareof0.606andRMSEof0.2516.TherelativeerrorofretrievedLAIwas19.89%paredwithmeasurementLAIdata.Instudyarea,theaveragevalueofGLOBCARBONLAIproductwasoverestimatedby12.2%andtheaveragevalueofMODISLAIproductwasunde?restimatedby11.8%.Furthermore,theerrorsinlowvaluesunder1.5ofthetwoLAIproductswerethelargestaordingtoparisonanalysisofdifferentvaluerangesofLAI. Keywords:leafareaindex(LAI);retrieval;forest;HJsatellite;validation Firstauthorsaddress:KeyLaboratoryofMeteorologicalDisasterofMinistryofEducation,NanjingUniversityofInformationScienceandTechnology,Nanjing210044,China :xx-01-15 修回日期:xx-04-15 基金項目:江蘇省基礎研究計劃(自然科學基金)項目(BKxx0992,BKxx1078);江蘇高校優(yōu)勢學科建設工程資助項目(PAPD)。 作者簡介:劉振波(1978-),男,副教授,主要研究方向為資源環(huán)境遙感。E?mail:ZBLiunuist. 葉面積指數(leafareaindex,LAI)定義為單位地表面積上綠葉總面積的一半1,作為表征植被結構的重要因子,LAI已成為陸面過程、水文和生態(tài)等模型的重要輸入參數之一2。近年來,通過衛(wèi)星觀測數據生產全球及區(qū)域LAI產品已成為LAI主要獲取手段,如基于AVHRR、VEGETATION、MODIS、MISR等傳感器數據的全球LAI產品已廣泛應用于全球變化研究中3-4。 不同遙感數據源及反演算法的差異導致各遙感LAI產品精度不同,因此在應用遙感LAI產品時,對LAI產品的精度評價顯得尤為重要。針對遙感LAI產品精度評價,國內外學者在不同區(qū)域已有較多研究,結論不盡相同5-6。Pisek等7針對北美地區(qū)MODISLAI產品進行了驗證研究,結果表明MODIS/LAI產品相對絕對誤差中值變化范圍為34%88%,且當LAI處于高值區(qū)時,產品值的波動較大。Cohen等8驗證了北美4種不同植被覆蓋區(qū)域(農田、草原、針葉林、混交林)的MODISLAI舊版算法(Collection3)與新版算法(Collection4),發(fā)現新版算法在農田和草原植被區(qū)域精度有較大改善,但在森林區(qū)域仍存在高估現象8。Abuelgasim等9驗證了MODISLAI、SPOT4/VGTLAI與POLDER-1LAI3種產品在加拿大森林區(qū)域精度,結果顯示VGTLAI產品與實測結果更為接近,另兩種LAI產品精度較低。Fang等10-11對MODISLAI(C4、C5)與CYCLOPESV3.1LAI產品精度進行了綜合分析,研究結果顯示LAI的精度為1.0,不能滿足全球氣候觀測系統(tǒng)GCOS的應用需求(0.5以內)。孫晨曦等12、王圓圓等13基于實測LAI數據分別對錫林浩特草原地區(qū)GLASSLAI、MODISLAI進行了精度驗證,結果顯示兩種LAI產品均存在一定程度的高估,GLASSLAI數據在研究區(qū)的精度與一致性要優(yōu)于MODISLAI。 綜合已有研究可以發(fā)現,由于遙感數據源及反演算法的差異以及不同研究區(qū)地表植被覆蓋類型的不同,現有遙感LAI數據產品在不同區(qū)域的反演精度存在較大差異。本研究針對中國森林覆蓋區(qū)域,選取中國東北大興安嶺加格達奇林區(qū)為研究區(qū),在地表森林LAI實地測量的基礎上,根據實測數據首先實現較高空間分辨率環(huán)境(HJ)衛(wèi)星的LAI制圖,進而利用HJ衛(wèi)星反演的LAI通過尺度轉換分別對MODISLAI產品與GLOBCARBONLAI產品進行精度分析。 1數據及處理 1.1研究區(qū)概況 本研究選取中國東北大興安嶺加格達奇地區(qū)為研究區(qū)(圖1)。研究區(qū)位于內蒙古自治區(qū)境內,大興安嶺山脈的東南坡,面積1587km2,氣候屬寒溫帶大陸性氣候,區(qū)內森林廣袤,為中國北方典型的寒溫帶林區(qū),主要分布有興安落葉林、白樺、樟子松、山楊、黑樺、云杉等樹種。 1.2研究數據 1.2.1環(huán)境衛(wèi)星影像及預處理 本研究首先采用環(huán)境衛(wèi)星(HJ-1)數據作為較高分辨率遙感數據反演研究區(qū)LAI,數據由中國衛(wèi)星資源中心(:.secmep.)下載,影像獲取時間為xx年8月30日,數據均為L2數據,經過系統(tǒng)輻射糾正和幾何校正,需要進一步進行大氣校正與幾何精校正。 本研究數據大氣校正采用6S模型進行影像的大氣校正,根據研究區(qū)地理位置輸入6S模型相關參數,模擬獲得大氣校正參數。幾何精校正通過地面控制點進行,控制點選取在研究區(qū)內路口、橋梁、標志地物等影像上易于識別的點,利用GPS實測其經緯度完成對影像的精校正,糾正誤差控制在0.5個像元以內。 1.2.2遙感LAI產品數據 本研究分別對研究區(qū)MODISLAI產品數據與GLOBCARBONLAI產品數據進行精度驗證,數據時相分別為xx年8月815日時段的MODISLAI數據與xx年8月的GLOBCARBONLAI產品數據,其中MODISLAI數據為MODIS標準產品MOD15A2數據。該LAI產品數據為NASA基于TERRA-AQUA/MODIS數據生成的全球2000年以來的葉面積指數產品,每8天合成1景,空間分辨率為1km。MOD15數據主算法將全球植被劃分為8種生態(tài)群系類型,針對不同的生物群系類型,分別采用三維輻射傳輸模型生成查找表,以MOD091-7陸地波段的方向地表反射率為輸入反演獲取像元LAI;當光譜數據在預期范圍之外時,采用基于植被類型的NDVI-LAI備用算法,產品為真實葉面積指數。 GLOBCARBONLAI數據為基于SPOT/VEGETATION數據生成的全球1999年后的LAI產品,該產品為30d合成數據,空間分辨率1km。GLOBCARBONLAI利用VEGEETATION地表反射率計算植被指數SR(SimpleRatio)和RSR(ReducedSimpleRitio),在地表森林與非森林區(qū)域分別建立RSR-LAI與SR-LAI關系生成葉面積指數,算法考慮植被的集聚效應,將生成的有效葉面積指數轉換為真實葉面積指數。 1.2.3地面實測數據 本研究野外觀測數據獲取時間為xx年8月1216日。觀測時選取森林密度相對均一區(qū)域標定30m30m的樣區(qū)進行測量,樣點LAI測量采用配備雙光學感應傳感器的植物冠層分析儀LAI-2200(LI-COR,USA),于測量樣區(qū)對角線上大致均勻選取5個測量點測量其森林冠層LAI。測量時一個傳感器分別在地表灌叢以下隨機測量4個B值,另一傳感器則放置于林地外開闊地上同步測量A值,最后取5個測量點的LAI均值作為該樣區(qū)森林冠層有效LAI。集聚指數測量利用冠層分析儀TRAC(TracingRadiationandArchitectureofCanopies),在樣區(qū)內隨機取4條直線線路,4條線路均與太陽入射光方向垂直,分別得到4組樣區(qū)冠層集聚指數,取均值作為該樣區(qū)森林冠層集聚指數。最后,根據樣點有效LAI結合同步測量的集聚指數計算得到樣點森林真實葉面積指數(LAI=LAIe/),共獲取33個采樣點的測量數據。 1.3研究方法 本研究首先基于研究區(qū)較高空間分辨率HJ-1影像提取研究區(qū)測量樣點植被指數,并結合同步測量樣點LAI數據,建立研究區(qū)HJ-1影像森林LAI反演模型。其中植被指數選取NDVI14、SR15、SAVI16、EVI17、DVI185種常用的植被指數。在此基礎上,以HJ-1LAI作為真值,對HJ-1LAI像元重采樣到與MODISLAI和GLOBCARBONLAI一致的空間分辨率,對該兩種LAI產品進行精度驗證。 2結果與分析 2.1研究區(qū)HJ-1影像LAI反演 根據預處理后的HJ-1影像,分別提取研究區(qū)各測量樣點5種植被指數。根據已有研究15,19,回歸模型分別選用線性、指數與對數3種回歸模型。結合同步測量的樣點LAI數據建立各植被指數與LAI回歸模型(表1),其中隨機選取22個LAI測量值用于建模,其余11個樣點用于模型驗證。由表1可見,各回歸模型均具有較高的相關性,均通過了0.05的置信檢驗。各植被指數的3種回歸模型精度基本相差不大,線性回歸模型相對精度較高,5種植被指數回歸模型的平均復相關系數R2為0.4856,其次為指數模型與對數模型,R2分別為0.462和0.4618。綜合5種植被的模型回歸精度,最低的為垂直植被指數(DVI)平均復相關系數R2僅為0.3653,比值植被指數(SR)模型反演精度最高,3種回歸模型的平均復相關系數R2達到0.586。 綜合所有模型,基于SR的線性回歸模型精度最高,R2達到0.606(RMSE=0.2516),模型反演LAI相對誤差19.89%。本研究根據此回歸模型反演得到研究區(qū)LAI圖(HJ-30mLAI)(圖2a)。由圖2可見,研究區(qū)LAI東南部整體LAI值較高,部分區(qū)域其值高于5.0,均值為2.27,整體上沿山脈走勢呈東南高西北低的趨勢。 2.2研究區(qū)不同LAI統(tǒng)計分析 根據CEOS(CommitteeEarthObservingSatellites)全球中等分辨率LAI產品驗證框架20,本研究將HJ衛(wèi)星反演的30m空間分辨率LAI數據重采樣為1km分辨率數據(HJ-1kmLAI)(圖2b),以便與MODISLAI和GLOBCARBONLAI數據進行空間匹配并驗證(圖2c和2d)。由圖2可見,研究區(qū)重采樣后的HJ-1kmLAI影像細節(jié)表現仍高于MODISLAI與GLOBCABONLAI數據。此外,研究區(qū)3種影像LAI空間分布格局基本一致,但GLOBCARBONLAI產品數據LAI值整體上高于其他兩種數據。 進一步對研究區(qū)3種LAI影像數據進行統(tǒng)計分析(表2)發(fā)現:研究區(qū)3種LAI數據在植被區(qū)域LAI值域范圍最大的為GLOBCARBONLAI數據,其值在0.934.91;HJ-1kmLAI數據與MODISLAI數據值域基本相同;GLOBCARBONLAI均值最高,其值比HJ-1kmLAI高0.29,相對誤差為12.2%;而MODISLAI數據均值比HJ-1kmLAI均值則低0.28,相對誤差為11.8%。兩種遙感LAI數據產品在研究區(qū)LAI均值誤差均在12%左右,但GLOBCARBONLAI存在高估現象,而MODISLAI數據則明顯低估。 2.3研究區(qū)不同區(qū)間LAI值驗證 利用研究區(qū)HJ-1kmLAI影像分別與MODISLAI影像、GLOBCARBONLAI影像相同像素點上LAI作散點圖(圖3),可以發(fā)現3種LAI數據均具有較高的相關性,復相關系數R2分別達到0.68和0.72。進一步按低值、中值、高值區(qū)3個LAI區(qū)間分別進行統(tǒng)計(表3),可見研究區(qū)森林LAI在不同值域范圍內精度不同,整體上GLOBCARBONLAI與MODISLAI兩種數據產品均隨著LAI值的升高其精度也隨著提高,在LAI低于1.5的低值區(qū)兩種LAI遙感產品精度均表現最差,其與HJ-1kmLAI的相對誤差分別為+33.7%、-37.0%,而在1.5,3.0值域區(qū)間內相對誤差與整個值域內的LAI相對誤差相似。 3結論 本研究基于野外樣點實測LAI數據,首先建立研究區(qū)較高空間分辨率環(huán)境(HJ)衛(wèi)星反演LAI模型,在此基礎上通過像元空間聚合對遙感LAI產品數據MODISLAI和GLOBCARBONLAI進行精度檢驗。研究結果表明: 1)研究區(qū)HJ衛(wèi)星LAI反演模型中,基于比值植被指數(SR)的線性回歸模型反演模型精度最高,模型反演的相對誤差為19.89%; 2)對遙感LAI產品數據的檢驗結果表明,研究區(qū)MODISLAI均值整體偏低,而GLOBCARBONLAI均值則整體偏高,兩者與反演值的相對誤差都在12%左右; 3)進一步通過不同區(qū)間值LAI的對比可見,研究區(qū)該兩種遙感LAI產品在小于1.5的低值區(qū)部分誤差最大,均值相對誤差達到+33.7%和-37%,在高值區(qū)則精度均最高。 全球遙感LAI產品數據已在全球變化與碳循環(huán)研究以及植被定量監(jiān)測等領域得到了廣泛應用,其產品精度直接關系到研究結果的可信度。通過本研究對最常用的兩種LAI遙感產品的精度驗證及與已有研究可以發(fā)現,不同遙感LAI產品及不同下墊面狀況下精度均表現各異,在應用各遙感LAI產品時應預先估計由此可能帶來的不確定性。 參考文獻 1ChenJM,BlackTA.Definingleaf?areaindexfornon?flatleavesJ.PlantCellandEnvironment,1992,15(4):421-429. 2WicksTE,CurranPJ.Flippingforests:estimatingfuturecarbonsequestrationoftheborealforestusingremotelysenseddataJ.InternationalJournalofRemoteSensing,xx,24(4):835-842. 3叢日亮,張金池,林杰,等.蘇南丘陵區(qū)主要林型葉面積指數季節(jié)動態(tài)J.林業(yè)科技開發(fā),xx,25(3):63-66. 4劉洋,劉榮高,陳鏡明,等.葉面積指數遙感反演研究進展與展望J.地球信息科學學報,xx,15(5):734-743. 5曾也魯,李靜,柳欽火.全球LAI地面驗證方法及驗證數據綜述J.地球科學進展,xx,27(2):165-174. 6肖志強,王錦地,王鍺森.中國區(qū)域MODISLA產品及其改進J.遙感學報,xx,12(6):993-1000. 7PisekJ,ChenJM.ComparisonandvalidationofMODISandVEGETATIONglobalLAIproductsoverfourbigfootsitesinNorthAmericaJ.RemoteSensingofEnvironment,xx,109(1):81-94. 8CohenWB,MaierspergerTK,YangZ,etal.ComparisonoflandcoverandLAIestimatesderivedfromETM+andMODISFORfoursitesinNorthAmerica:AQualityAssessmentof2000/xxProvisionalMODISProductsJ.RemoteSensingofEnvironment,xx,88(3):233-255. 9AbuelgasimAA,FernandesRA,LeblancSG.EvaluationofnationalandglobalLAIproductsderivedfromopticalremotesensinginstrumentsoverCanadaJ.IEEETransactionsonGeoscienceandRemoteSensing,xx,44(7):1872-1884. 10FangHL,WeiSS,JiangCY,etal.TheoreticaluncertaintyanalysisofglobalMODIS,CYCLOPES,andGLOBCARBONLAIproductsusingatriplecollocationmethodJ.RemoteSensingofEnvironment.xxa,124:610-621. 11FangHL,WeiSS,LiangSL.ValidationofMODISandCYCLOPESLAIproductsusingglobalfieldmeasurementdataJ.RemoteSen?singofEnvironment,xxb,119:43-54. 12孫晨曦,劉良云,關琳琳.內蒙古錫林浩特草原GLASSLAI產品的真實性檢驗J.遙感技術與應用,xx,28(6):949-954. 13王圓圓,王猛,李貴才,等.基于野外觀測和TM數據的錫林浩特典型草原MODIS/LAI產品驗證J.草業(yè)學報,xx,20(4):252-260. 14WangFM,HuangJF,TangYL,etal.NewvegetationindexanditsapplicationinestimatingleafareaindexofriceJ.RiceScience,xx,14(3):195-203. 15ChenJM.Evaluationofvegetationindicesandamodifiedsim
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 2025年計算機二級MySQL知識提升試題及答案
- 2025年考研政治中國近現代史綱要圖表題歷史事件發(fā)展目標試題卷
- 2025年西班牙語DELEC1模擬試卷:旅游體驗分享與高級語言組織
- 患者昏迷的應急預案與流程
- 濱江區(qū)高三年級英語下學期模擬考試概要寫作技巧評估試卷
- 2025年劍橋英語CAE(C1)模擬試卷深度剖析:商務英語與高級寫作技巧揭秘
- IGCSE中文第一語言2024-2025模擬試卷:文言文閱讀與寫作技巧提升
- 2025年托福聽力天文講座專項訓練:天文科普教育與公眾參與解析卷
- 2025年國際漢語教師證書筆試:教學理論與實踐課程評估與反饋技巧
- 噴灌類可行性研究報告
- 糖尿病酮癥完整版本
- 五年級下冊數學約分練習100題附答案
- 跨文化交流中的語言適應性研究
- 第5.2課 《飛向太空的航程》同步練習 (原卷版)
- 新概念英語第二冊Lesson8課件
- 地攤市集活動策劃方案
- 勞務外包與勞務派遣課件
- 白酒行業(yè)財務知識培訓課件
- 智慧倉儲配送機器人案例
- 中醫(yī)護理-生活起居的護理內容
- 《商標權授權與侵權》課件
評論
0/150
提交評論