LAI与植被指数饱和点分析及验证
森林结构冠层的重要描述参数之一叶面积指数(LeafAreaIndex,LAI)近些年来成为研究热点。在用植被指数(Vegetationindex,VI)提取叶面积指数时存在植被指数饱和点问题，在LAI较高的区域植被指数容易达到饱和，植被指数随LAI增加不再呈线性变化,这将导致LAI的低估。本研究基于贝尔定律分析植被-土壤体系所构成的混合像元，筛选出归一化植被指数(NDVI）、比值植被指数(RVI)、土壤调节植被指数(SAVI)、转换型土壤调节植被指数(TSAVI)、抗大气植被指数(ARVI)、修改型土壤调节植被指数(MSAVI)、增强型植被指数(EVI)、垂直植被指数(PVI)、差值植被指数(DVI)9种植被指数构建VI-LAI函数关系式，并模拟均匀分布、球形分布、喜平型分布、喜直型分布四种叶倾角分布的阔叶树和针叶树冠层反射率，并将反射率代入VI-LAI函数关系式，分析不同叶倾角的阔叶树和针叶树VI随LAI变化饱和情况，并以东北林业大学帽儿山实验林场为研究区域，利用外业实测数据验证。 通过研究结果表明，对选取的9种植被指数和LAI进行理论分析，RVI对LAI敏感性最高，与LAI呈线性关系;ARVI、TASVI和NDVI效果较好;EVI、SAVI、MSAVI对LAI敏感性较差;对LAI敏感性最低的是PVI和DVI。基于模拟数据以及敏感性分析的结果，阔叶和针叶在4种叶倾角分布下，RVI在叶倾角均匀分布、球形分布和喜直型分布时与LAI呈线性关系，其他8种植被指数均随LAI增加而逐渐饱和，且植被指数不同饱和点也不同。9种植被指数中RVI表现最好，对LAI敏感性最高，抗饱和性最强;ARVI、NDVI和TSAVI次之，对LAI敏感性较高;SAVI、EVI、MSAVI适用性一般，对LAI敏感性较低，且SAVI敏感性要高于MSAVI;PVI和DVI表现最差，对LAI敏感性最低，抗饱和性最弱，与理论分析结果相同。阔叶和针叶植被冠层红色波段反射率随植被密度增加而逐渐饱和，导致由波段反射率计算的植被指数也趋于饱和，不同植被指数因计算公式不同饱和点也不同。通过植被指数与外业实测LAI数据拟合验证,RVI与实测LAI呈线性关系，与理论分析和模拟数据结果相同。其余8种植被指数均随实测LAI增加而饱和，与模拟数据结果相同。ARVI与实测LAI具有很高的相关性，其次是TSAVI和NDVI。ARVI在LAI接近6后逐渐饱和，NDVI和TSAVI在LAI＞5后逐渐饱和，EVI、SAVI和MSAVI与实测LAI敏感性较低。SAVI敏感性高于MSAVI。敏感性最低的是PVI和DVI。植被指数敏感性从高到低排列与模拟数据结果相同。故筛选出RVI为研究区域反演LAI的最佳适用性植被指数，并与ARVI进行对比，建立RVI-LAI线性模型和ARVI-LAI指数模型。经验证，RVI-LAI模型反演结果精度最高，R2=0.844,因此RVI可用于区域LAI快速准确反演。
植被指数;贝尔定律;反射率方程;一叶面积指数
东北林业大学
硕士
森林经理学
范文义
2023
中文
S75
2023-12-27（万方平台首次上网日期，不代表论文的发表时间）