基于SPOT5影像的植被类型识别及叶面积指数定量估算研究

摘要

森林生态系统是面积最大，且最重要的陆地生态系统，相比其他生态系统具有最高的生产力和最强的生态效应，是生物圈的能量基地，在维持全球生态平衡和改善生态环境方面起着极为重要的作用，同时也是国家经济可持续发展的重要物质基础。通过先进的遥感技术，实时、准确、高效的获取森林资源信息，监测其动态变化，科学估算森林的生态价值，在森林资源快速减少环境不断恶化的今天显得尤为重要。
　　山区地形地貌比较复杂，地面植被覆盖茂密且光谱信息差异不大，地物受地形影响多以点状形式分散分布，利用传统的基于像元的信息提取方法，会造成较严重的“椒盐现象”，且提取的精度不高，难以将提取的结果用于森林植被的生态参数遥感定量估算研究。基于此本文在前人研究的基础上围绕影像中地物特征的构建和选取，尝试构建基于知识和特征权重的信息提取模型，采用面向对象分类方法解决山区植被信息遥感提取困难的问题，探寻中、高空间分辨率的影像用于定量反演的可行性。
　　本文以安徽省金寨县为研究区，以单时相的SPOT5影像为数据源，基于构建的信息提取模型完成了样区森林植被信息的提取，同时结合野外观测数据建立了适合研究区SPOT5影像反演森林植被LAI的最佳模型。本研究主要研究结论如下:
　　(1)以影像信息提取的四个步骤为主线，侧重于特征信息的构建和选取，通过不同的采样方法建立地物特征信息样本库，采用数据挖掘技术确立特定地物的特征信息，将特征信息用于影像的分割及信息提取规则的建立。基于此尝试构建了基于知识和特征权重的信息提取模型。
　　(2)以研究区单时相的SPOT5影像为数据源，选取了可有效提高SPOT5影像中地物特征信息的波段计算方法:植被指数(NDVI2=RNIR-RGREEN/RNIR+RGREEN);两种融合方法:改进型Brovey变换融合及Andorre融合方法。结合野外观测的样点及部分乡镇林相图的矢量化结果，构建了样本信息库。采用文中所构建的模型完成影像信息的提取。研究区土地覆盖分类的总体精度达83％，且除园地的使用精度低于80％外，其他地物类型的精度都能达到80％以上，其中道路及旱地的使用精度高达87％。针叶、阔叶的用户精度分别为83％、86％。
　　(3)构建了7种植被指数作为遥感因子，提取DEM上的高程信息作为地理因子。展开因子与叶面积指数之间的相关性分析，选取相关性较高的NDVI、GNDVI、RVI、SAVI、OSAVI、MSAVI作为自变量，以LAI为因变量构建了线性、指数、对数、幂函数四种估算模型，挑选四种一元模型中拟合程度最佳的模型开展预测精度检验工作，同时将所有因子作为自变量，LAI为因变量开展多元逐步回归分析，对分析后所构建的模型开展精度检验工作，最终确立RDVI\RVI与叶面积指数的多元线性模型（LAI=3.4196-0.1241*RDVI+1.0386*RVI）为研究区SPOT5影像反演LAI的最佳模型，并完成研究区森林植被的LAI反演制图。

目录

声明

论文说明

摘要

第一章 绪论

1．1 引言

1．2 国内外相关课题研究现状

1．2．1 森林植被类型遥感识别研究进展

1．2．2 叶面积指数遥感定量估算研究进展

1．3 研究内容与方法

1．3．1 研究目的

1．3．2 研究内容

1．3．3 研究方法与技术路线

第二章 研究区与数据

2．1 研究区概况

2．1．1 地理位置

2．1．2 地势地形

2．1．3 森林资源状况

2．2 数据来源

2．2．1 遥感数据

2．2．2 外业数据

2．2．3 样区数据

2．3 数据预处理

2．3．1 影像数据预处理

2．3．2 观测数据处理

第三章 森林植被信息提取

3．1 遥感信息提取方法

3．2 基于知识及特征权重的信息提取模型

3．2．1 地物特征信息挖掘及训练样区选取

3．2．2 可分性判断及知识规则建立

3．3 基于模型的样区信息提取

3．3．1 样区地物特征信息的构建

3．3．2 影像对象构建

3．3．3 样本选取及可分性判断

3．3．4 基于知识及特征的规则建立

3．3．5 信息提取结果及精度评价

第四章 森林植被叶面积指数遥感定量估算研究

4．1 LAI统计估算模型

4．1．1 一元回归模型

4．1．2 多元逐步回归模型

4．1．3 回归方程显著性检验

4．1．4 估测模型精度检验

4．2 模型估算因子解析

4．2．1 遥感因子解析

4．2．2 地理因子

4．2．3 因子提取

4．3 叶面积指数定量估算一元统计回归模型

4．3．1 叶面积指数一元线性回归模型

4．3．2 叶面积指数指数回归模型

4．3．3 叶面积指数对数回归模型

4．3．4 叶面积指数幂函数回归模型

4．3．5 一元统计回归模型精度检验

4．4 叶面积指数定量估算多元统计回归模型

4．4．1 叶面积指数估算多元逐步回归模型

4．4．2 多元逐步回归模型精度检验

4．5 样区森林植被叶面积指数反演结果

第五章 全文结论

5．1 主要结论

5．2 本文创新点

5．3 存在的问题及展望

参考文献

致谢