叶面积指数(Leaf Area Index,LAI)是定量陆地生态系统中光合作用、呼吸作用、蒸腾、碳和养分循环等过程中物质与能量交换的重要结构参数.目前大、中尺度的气候和生态水文建模使用的LAI产品主要来源于中分辨率成像光谱仪(MODIS),但由于其反演过程中的不确定性因素导致MODIS LAI产品在部分地区存在质量问题.以青海省复杂植被地区为研究区域,基于实地考察与采样验证了区域内MODIS LAI所存在的质量问题分布,并揭示了不确定因素的影响.与此同时,提出了一种基于PROSAIL模型与深度神经网络(DNN)的混合建模技术,针对MODIS LAI生成机制中地表分类数据、地表反射率数据和反演算法的不确定性进行改进,并基于青海省大范围实测LAI数据评估了改进前后产品的准确度,实测数据的验证结果发现:改进模型的LAI准确度(RMSE=0.48,R2=0.64)显著高于MODIS LAI(RMSE=0.71,R2 =0.56),预测结果与实测结果之间的偏差显著减少;区域尺度上,柴达木荒漠植被低覆盖典型区域、三江源高寒草甸中覆盖典型区域与青海湖牧场草地高覆盖典型区域的RMSE分别提高了 0.19、0.10、0.54,改进方法有效解决了MODIS LAI产品中高覆盖植被饱和效应导致的高估以及低覆盖植被未检索导致低估的质量问题,改进结果分布连续,更符合真实植被状况.基于以上研究,充分证明了研究方法对MODIS LAI产品的改进具有可靠性,能够在缺少实测样本数据的情况下有效提高MODIS LAI的质量,为全球植被环境监测与生态建模提供重要的数据支持.

草地地上生物量(Aboveground Biomass,AGB)是反映草地生态系统功能和质量的关键指标,大尺度地准确估算草地AGB对草地生态系统经营管理至关重要.研究以MODIS影像为数据源,提取反射率、植被指数和植被产品三种不同类型的特征变量,结合野外实测样地草地AGB数据,构建以多元线性逐步回归为代表的参数模型以及随机森林、支持向量机和kNN等非参数模型进行西藏自治区草地AGB估测及空间分布制图.结果表明:(1)多元线性逐步回归、随机森林、支持向量机和kNN模型在加入植被产品特征变量后,RMSE分别降低了 15.8％、13.5％、4.1％和17.3％,表明植被产品作为建模变量用于草地AGB估测可有效提高模型精度;(2)三种组合变量构建的草地AGB估测模型中,反射率、植被指数、植被产品组合构建的模型效果最佳,其中kNN模型估测精度最高,R2达到0.60,RMSE和MAE分别为0.43、0.34 t/hm2;(3)草地AGB空间分布呈现出西北地区较低、中部地区较高且分布形态较破碎和东部地区较高的变化特征;(4)利用MODIS植被产品结合kNN模型的预测值与草地实测的AGB空间分布趋势基本一致.综上,MODIS植被产品结合kNN模型可作为大尺度区域草地AGB遥感估测的有效参考.

缨帽三角(tasseled cap triangle,TCT)-叶面积指数(leaf area index,LAI)等值线模型是一种反映植被叶面积指数等值线在红光(Red)-近红外(NIR)波段反射率组成的光谱空间中分布规律的模型,在此基础上建立LAI遥感反演模型比常用的统计关系模型更加精确.本文利用水稻田实测数据,验证了PROSAIL模型对水稻冠层反射率模拟的适用性,并对模型的输入参数进行率定,最终确定了PROSAIL模型模拟水稻冠层反射率的输入参数的取值范围.在此基础上构建了水稻田TCT-LAI等值线模型,建立了LAI遥感反演所需的查找表,将其分别用于Landsat 8和WorldView 3数据进行水稻田LAI反演.结果表明:利用基于TCT-LAI等值线模型建立查找表反演的LAI与实测LAI具有良好的线性相关关系,R2=0.76,RMSE=0.47;与Landsat 8的LAI反演结果相比,WorldView 3反演的LAI值域范围更大,数据分布更离散.将Landsat 8、WorldView 3反射率数据重采样至1 km后进行LAI反演,MODIS LAI产品的反演结果存在明显低估现象.

本文以雷竹林为研究对象,基于MODIS地表反射率数据构建了归一化植被指数(NDVI)、比值植被指数(SR)、Gitelson绿色植被指数(GI)、增强型植被指数(EVI)和土壤调整植被指数(SAVI)5种植被指数,并将其与MODIS 7个波段原始反射率数据作为遥感变量,采用逐步回归和相关分析两种方法进行变量筛选,结合LAI实测数据构建了逐步回归和BP神经网络两种模型,对雷竹林生态系统观测站点2014年1月-2017年3月LAI时间系列数据进行反演,并将反演结果与同时期MOD15A2 LAI产品进行对比分析.结果表明:SR为唯一入选逐步回归模型的变量;b1、b2、b3和b7以及5种植被指数与LAI之间的相关性均达到显著水平,可作为BP神经网络模型的输入变量.使用BP神经网络反演得到的LAI与实测LAI之间的相关性显著,R2为0.71,RMSE为0.34,RMSEr为13.6％,其R2比逐步回归模型提高了10.9％,RMSE降低了5.6％,RMSEr降低了12.3％,与MODIS LAI相比,其R2提高了54.5％,RMSE降低了79.3％,RMSEr降低了79.1％.结合MODIS时间序列反射率和BP神经网络模型能够精确地反演雷竹林LAI,为实现基于遥感技术快速监测区域雷竹林LAI提供可行的方法.

我国南方地区地形条件较为复杂且多云雨,较难获取长时间序列高空间分辨率遥感影像,而时空融合技术能够同步获取高时空分辨率遥感数据,对提取其森林植被类型信息具有重要意义.以江西省兴国县为研究区,基于增强型时空自适应反射率融合模型(ESTARFM)分别将高空间分辨率的Landsat8 OLI、GF-1 WFV影像与高时间分辨率的MODIS09 A1影像进行融合,重构增强型植被指数(EVI)8 d步长的ESTARFM_Landsat8 EVI与ESTARFM_GF-1 EVI时序数据,获取物候(PH)特征信息,并利用随机森林分类模型识别森林植被类型.结果表明:融合生成的ESTARFM_Landsat8 EVI、ESTARFM_GF-1 EVI与真实影像的相关系数均大于0.7,且在空间分布上具有较好的一致性,可用于补充缺失的高空间分辨率数据.不同组合方式的随机森林分类提取精度为EVI+PH＞EVI＞PH,且GF-1融合数据分类精度高于Landsat8融合数据.筛选出43个变量作为优选特征变量进行分类,总体精度与Kappa系数分别为95.6％和94.9％,其中,包括37个时序EVI值和6个物候特征信息,其时序EVI数据对森林植被类型识别的贡献程度更高,物候特征信息有利于分类精度的提高.ESTARFM融合算法适用于GF-1与MODIS数据,在一定程度上可解决长时间序列高空间分辨率影像不足的问题;GF-1时序融合影像在多云雨、地形条件复杂的南方地区森林植被类型识别中具有较高精度.

栓皮栎(Quercus variabilis)是我国天然分布最广的树种之一,太行山南麓属我国林业工程重点区域,对气候变化较敏感,研究该地区栓皮栎人工林叶面积指数(LAI)与气候因子的关系对我国林业生态工程建设、温带森林碳汇功能评估有重要意义.依托河南黄河小浪底地球关键带国家野外科学观测研究站,利用LAI实测数据对2001—2019年基于MODIS地表反射率反演的LAI产品进行校正,分析了近19年来太行山南麓的气候变化趋势,以及40年生栓皮栎?刺槐?侧柏混交人工林LAI的变化特征及其与气候因子的关系.结果表明:2001—2019年实验区气候为变暖、变湿润趋势,气温升高温变化率为0.70℃/10a,生长季增温高于非生长季,生长季和非生长季降水量分别为增加和减少趋势.近10年来气候暖湿化趋势加快,高温天气发生的频率和强度增加.实验区栓皮栎混交人工林LAI为增加趋势,近19年平均值为2.09,增长率为0.21/10a,近熟林时期LAI增长率低于中龄林时期.气温是影响LAI季节和年际变异的主导气候因子,降水量主要影响LAI的季节变异.近熟林时期高温天气超过35 d的年份LAI比上一年度减小.