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.

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.

植被叶片叶绿素是农业遥感反演的重要参数,叶绿素含量的变化与植被生长环境的胁迫程度、生理变化密切相关,故将植被叶绿素进行实时、动态监测对农业生产极为重要.然而,传统经验模型及叶绿素精准测量存在困难.基于高分辨率的Sentinel-2A数据,在机器学习框架下,利用光谱信息、最适光谱指数和基于PROSAIL辐射传输模型的生物协变量构建3种建模方案(方案1:光谱信息和最适光谱指数联合,方案2:光谱信息和物理模型生物协变量联合,方案3:光谱信息、最适光谱指数和物理模型生物协变量联合).最终基于优选出的建模方案进行棉花叶片叶绿素相对含量的空间数字制图.结果 表明:(1)红边波段参与的最适光谱指数比值植被指数(RVI)与棉花叶片SPAD值相关性最高r=0.767,P** =0.195;(2)将构建的17个变量进行重要性分析可知,构建的最适光谱指数比值植被指数(RVI)与物理模型生物协变量LAI-Cab对估算模型的精度贡献率较大;(3)建模方案构建植被指数时红边波段被确定为最优波段,在增加精度方面起到决定性作用;通过模型评价标准来分析3种方案可知,预测精度大小顺序为模型方案3＞模型方案1＞模型方案2,其中方案3的决定系数R2最高为0.826,即估算模型方案3对棉花叶片SPAD值具有最好的预测能力,可以为干旱区农作物的生理参数反演提供新的思路,为农业安全监测,合理水肥配置提供科学数据支持.