基于CASI高光谱遥感数据估测森林叶面积指数研究

摘要

森林，覆盖着全球30％的土地并且对二氧化碳吸收、动植物群落、水文调节、防风固沙和巩固土壤起着不可替代的作用，是构成地球生态系统当中的一个最重要方面。森林是以乔木为主体所组成的地表生物群落。它具有复杂的结构，丰富的物种，多种多样的功能。森林与所在空间的非生物环境有机地结合在一起，构成完整的生态系统。森林是地球上最大的基因库、碳贮库、蓄水库和能源库，维持着整个地球的生态平衡，是人类赖以生存和发展的资源和环境，是自然界拥有的一笔巨大而又珍贵的“绿色财富”。
　　遥感（Remote Sensing，RS）作为一门新兴的综合性探测科学技术，是一门相对年轻的学科。但由于其建立在电子计算机学、现代物理学、数学和地学基础上，发展迅猛，已经在包括环境科学、生态学、地质学、地理学、大气科学和海洋学等学科领域开展了广泛的研究和应用。遥感技术经过几十年的发展，已经在理论上、技术上和应用上发生了巨大的变化。而这些变化中十分突出的一个部分无疑是高光谱遥感的出现和发展。与此同时，随着人类社会面临越来越大的人口、资源和环境的压力，寻求可能的解决途径已成为人们不懈努力的方向。高光谱遥感就是这样一个解决人类困境的有效手段。
　　叶面积指数（LAI，leaf area index），是指植物植株所有叶片单面面积总和与植株所占的土地面积的比值。叶面积指数是森林生态系统的一个重要的结构参数，是反映植物长势的一个重要生物学参数，是植物生态研究中一个十分重要的植物学参数，是表达植被冠层结构的最基本参数之一，其已成为一个重要的森林定量评价指标。本文利用机载高光谱 CASI遥感数据对森林叶面积指数进行了反演研究，旨在探讨和分析高光谱遥感森林叶面积指数反演的能力，提取敏感光谱波段，筛选最优模型。以求从理论和方法上获得有关高光谱数据森林应用的一点新成果和经验，丰富和充实我国林业遥感的内容，推动我国林业遥感的理论研究和实践应用；研究还可供遥感数据植被参数定量反演借鉴。本文的主要研究内容与结论如下：
　　（1）深入研究CASI数据的成像机理及图像特点，找到适合CASI数据的预处理方法，选择最优的方法对CASI数据进行预处理。
　　（2）通过C++编程选取CASI反演LAI的最佳波段组合。近红外波段选取805.6nm，红光波段选取724.6nm/729.4nm时，所取得的反演效果最佳。
　　（3）通过归一化植被指数（normalized difference vegetation index，NDVI）、比值植被指数（ratio vegetation index，RVI）、修正的土壤调整植被指数（Modified Soil Adjusted Vegetation Index，MSAVI）、修正简单植被指数（modified simple ratio index，MSR）对森林叶面积指数进行反演研究。在相同条件下，MSAVI反演LAI的精度更高。
　　（4）选取CASI反演LAI的最优模型。选取多种单变量线性与非线性预测模型来估测LAI，发现使用二次多项式模型估测LAI结果最佳。
　　（5）根据最佳植被指数和最优模型制作研究区LAI等级分布图，并给出精度评价。

目录

封面

声明

中文摘要

英文摘要

目录

表目录

图目录

第一章 绪论

1.1 引言

1.2 研究目标和主要研究内容

1.3 研究技术路线

第二章 研究区概况与数据获取

2.1 实验区概况

2.2 数据获取

第三章 数据预处理

3.1 CASI数据预处理

3.2 LAI实测数据处理

第四章 森林LAI反演

4.1 模型选取

4.2 植被指数选择

4.3 CASI数据高光谱分析

4.4 小结

4.5 精度验证

4.6 研究区LAI制图

第五章 结论与讨论

5.1 结论

5.2 讨论

5.3 展望

参考文献

附录

在读期间的学术研究

致谢