东亚飞蝗发生区芦苇LAI的遥感反演及其尺度效应研究

论文摘要

本文以河北省黄骅市南大港湿地为研究区，借助现代卫星遥感技术，并结合实地调查采样分析和地面遥感测量，在辐射传输模型FCR模型和BP神经网络模型的基础上，建立了适合研究区芦苇冠层的LAI遥感反演模型，并利用半变异函数讨论了LAI遥感反演中的尺度效应和空间异质性。最后在准确反演LAI的基础上，利用芦苇LAI进行了东亚飞蝗危害的监测研究。 基于TM和MODIS数据的LAI反演可以利用神经网络和查找表反演FCR模型来进行，结果表明，无论是TM数据还是MODIS数据，神经网络模型对反演研究区芦苇LAI的效果要优于线性回归模型，且利用FCR模型可有效的消除因为背景而带来的光谱差异。 通过研究得到以下主要结论：芦苇LAI与遥感图像之间的关系不能简单地用线性关系来表示。随着遥感图像空间分辨率的降低，LAI的空间异质性增加，从而引起芦苇LAI反演误差的增大。统计模型中NDVI算法的非线性带给LAI尺度转换的误差很小，而LAI的空间异质性是引起尺度效应的根本原因。在本文的研究区，芦苇的空间尺度约为360m，超过此距离，空间相关性便不复存在。利用遥感植被指数NDVI可以定性地判别东亚飞蝗的发生地，但存在局限性，不适合用于定量监测飞蝗的发生程度。在准确反演LAI的基础上，根据两个时相LAI的变化进行东亚飞蝗灾害的监测，可以更准确地找出东亚飞蝗的危害范围与程度。

论文目录

• 目录
• 图目录
• 表目录
• 摘要
• ABSTRACT
• 前言
• 第一章 绪论
• 1.1 选题背景与研究意义
• 1.1.1 选题来源
• 1.1.2 研究意义
• 1.2 LAI遥感反演方法研究现状
• 1.2.1 LAI统计方法反演
• 1.2.2 LAI光学模型反演进展
• 1.3 本文的研究内容、技术路线与内容组织
• 1.3.1 研究内容
• 1.3.2 技术路线与步骤
• 1.3.3 论文组织
• 第二章 芦苇冠层的辐射传输模型及其反演方法
• 2.1 芦苇冠层的辐射传输模型
• 2.1.1 模型原理
• 2.1.2 模型的输入参数
• 2.2 基于BP神经网络的LAI反演模型
• 2.2.1 人工神经网络及其发展历程
• 2.2.2 BP神经网络
• 2.3 LAI的反演模型
• 第三章 基于TM数据的芦苇LAI反演方法研究
• 3.1 研究区概况
• 3.1.1 气候特征
• 3.1.2 地貌
• 3.1.3 水系
• 3.1.4 土壤
• 3.1.5 植被
• 3.2 试验数据
• 3.2.1 TM数据及其预处理
• 3.2.2 实测数据
• 3.3 反演方法
• 3.3.1 芦苇生长背景分类
• 3.3.2 FCR模型建立
• 3.3.3 查找表的生成
• 3.3.4 NN模型的建立及训练
• 3.3.5 基于TM数据的LAI反演
• 3.4 结果与分析
• 3.4.1 基于LUT的统计方法反演结果
• 3.4.2 基于LUT的神经网络方法反演结果
• 3.5 小结
• 第四章 基于MODIS数据的芦苇LAI反演研究
• 4.1 试验数据
• 4.1.1 MODIS数据及其预处理
• 4.1.2 实测数据
• 4.2 基于MODIS的反演方法
• 4.2.1 查找表的生成
• 4.2.2 NN模型的建立和验证
• 4.2.3 基于MODIS数据的神经网络反演模型
• 4.3 结果及验证
• 4.4 结论
• 第五章 芦苇LAI的尺度效应研究
• 5.1 尺度效应及其在LAI反演中的影响
• 5.2 所用数据
• 5.3 光谱维尺度问题
• 5.4 空间尺度问题
• 5.4.1 芦苇LAI的线性算法带来的误差
• 5.4.2 芦苇LAI的异质性分析
• 5.5 小结
• 第六章 芦苇LAI反演在东亚飞蝗灾害监测中的应用
• 6.1 南大港东亚飞蝗发生危害状况
• 6.2 基于NDVI监测蝗灾的局限性
• 6.3 芦苇LAI用于研究区东亚飞蝗灾害的监测
• 6.3.1 遥感图像数据
• 6.3.2 基于芦苇LAI的变化进行飞蝗灾害监测
• 6.4 结论
• 第七章 结论与展望
• 7.1 研究结论
• 7.2 创新点
• 7.3 研究展望
• 参考文献
• 致谢