获取作物叶面积指数(leaf area index, LAI)及其动态变化信息对作物长势监测和产量估测等具有重要意义。基于辐射传输模型的物理模型反演是LAI遥感反演最常用的方法,但该方法存在反演值不唯一的问题。此外,现有研究通常只针对单一作物类...获取作物叶面积指数(leaf area index, LAI)及其动态变化信息对作物长势监测和产量估测等具有重要意义。基于辐射传输模型的物理模型反演是LAI遥感反演最常用的方法,但该方法存在反演值不唯一的问题。此外,现有研究通常只针对单一作物类型,缺乏针对多类型作物的精度较高的LAI反演算法。该研究以玉米和水稻为主要作物的农田为例,基于PROSAIL模型模拟数据集,通过分析不同类型作物的缨帽三角-植被等值线分布模式,将植被覆盖度作为先验知识,构建用于反演多类型作物的LAI反演查找表,将其用于多时相GF-1 WFV(wide-field view)影像,反演获得整个生长季不同生长时期的LAI,并利用地面实测数据进行验证。研究结果显示:将植被覆盖度作为先验知识构建的查找表反演的LAI和实测值相关性较显著(R^(2)=0.60),均方根误差(RMSE)为0.75,反演的整个生长期LAI的变化趋势与实测LAI的变化趋势一致。而由未加入先验知识的查找表反演的LAI值和实测值的R^(2)为0.47,RMSE为0.85。该研究表明,基于缨帽三角-植被等值线分布模式,在构建涉及多类型作物的农田LAI反演的查找表中引入先验知识,能够显著提高LAI反演的精度,有效获得作物的LAI信息。展开更多
地表温度(Ts)是土壤湿度和植被生长状态等因素的综合反映,利用植被指数和Ts能够监测土壤湿度的时空分布特征。利用农田气候模型CUPID的Ts模拟结果,发展了利用温度与叶面积指数(LAI)的新型土壤水分反演方法(advanced temperature vegetat...地表温度(Ts)是土壤湿度和植被生长状态等因素的综合反映,利用植被指数和Ts能够监测土壤湿度的时空分布特征。利用农田气候模型CUPID的Ts模拟结果,发展了利用温度与叶面积指数(LAI)的新型土壤水分反演方法(advanced temperature vegetation dryness index,ATVDI)。前人研究表明归一化植被指数(NDVI)容易达到饱和状态,因此利用LAI代替NDVI开展土壤水分反演。利用CUPID模型模拟结果构建LAI-Ts散点图,分析Ts随LAI与土壤湿度的变化特征,利用对数关系式改进了温度植被干旱指数(TVDI)中相同土壤湿度时Ts与植被指数之间的线性关系,建立了ATVDI方法。在实际应用中,首先利用LAI与Ts的散点图确定对数曲线的上边界与下边界,然后采用查找表的方法将每个像元对应的Ts变换为研究区最小叶面积指数对应的Ts。以陕西省关中作为研究区,利用MODIS的LAI和Ts产品(MOD11A2和MOD15A2)以及野外观测土壤湿度数据对ATVDI模型进行验证,结果表明该方法具有较高的监测精度,R2达到0.62。此外,ATVDI的计算结果具有一定的物理意义,使得不同时期的监测结果具有一致性,因而可更好地满足不同空间尺度土壤湿度的动态监测。展开更多
文摘地表温度(Ts)是土壤湿度和植被生长状态等因素的综合反映,利用植被指数和Ts能够监测土壤湿度的时空分布特征。利用农田气候模型CUPID的Ts模拟结果,发展了利用温度与叶面积指数(LAI)的新型土壤水分反演方法(advanced temperature vegetation dryness index,ATVDI)。前人研究表明归一化植被指数(NDVI)容易达到饱和状态,因此利用LAI代替NDVI开展土壤水分反演。利用CUPID模型模拟结果构建LAI-Ts散点图,分析Ts随LAI与土壤湿度的变化特征,利用对数关系式改进了温度植被干旱指数(TVDI)中相同土壤湿度时Ts与植被指数之间的线性关系,建立了ATVDI方法。在实际应用中,首先利用LAI与Ts的散点图确定对数曲线的上边界与下边界,然后采用查找表的方法将每个像元对应的Ts变换为研究区最小叶面积指数对应的Ts。以陕西省关中作为研究区,利用MODIS的LAI和Ts产品(MOD11A2和MOD15A2)以及野外观测土壤湿度数据对ATVDI模型进行验证,结果表明该方法具有较高的监测精度,R2达到0.62。此外,ATVDI的计算结果具有一定的物理意义,使得不同时期的监测结果具有一致性,因而可更好地满足不同空间尺度土壤湿度的动态监测。
