摘要:叶面积指数LAI(Leaf Area Index)是表征植被几何结构及生长状态的重要生物物理参数,也是陆表过程模型的重要输入参数,如何获取高精度LAI一直备受关注。近年来,随着遥感数据的不断丰富,LAI遥感估算算法得到了快速发展,全球尺度的LAI产品已被广泛应用于气候与生态环境变化研究。然而,当前主流的LAI遥感产品生成算法基本上基于平坦地表假设而忽略了地形的影响,因此在地形复杂的地区精度较差。这是因为在山地中崎岖的地表不仅会导致严重的辐射失真现象,还会因邻近的地形对地物目标造成遮挡,因此森林多样的冠层结构和山地复杂地形的相互影响给LAI遥感反演带来了较大的不确定性。山地作为一种特殊的地貌,约占全球陆地表面的1/4,在中国占了近2/3,在这些复杂区域中估算LAI考虑地形因素十分必要。在本文中,我们首先系统地总结了现有LAI反演算法和全球遥感产品的分辨率、精度等信息,并讨论了将这些算法和产品应用于崎岖地形LAI反演的主要挑战。然后,针对山地植被场景中存在的地形效应、尺度效应,总结出山地植被冠层LAI反演的策略主要包括地形校正方法和山地辐射传输模型,并讨论了不同策略的优缺点。接着,文章讨论了野外观测的LAI数据在崎岖地形上存在的地形效应和尺度效应,以及这些效应对反演结果验证的影响程度。最后,综合总结和展望表明,遥感观测、山地辐射传输建模、机器学习技术等方面的协调使用将来可以为崎岖地表的LAI精准估算和可靠验证提供了一条有希望的途径。
摘要:针对PM2.5遥感模型对气溶胶细粒子比FMF(Fine mode fraction)参数的需求,结合多光谱偏振传感器对大气探测的优势,基于最优估计OE(Optimal Estimation)反演框架,提出了一种基于线偏振度(Degree of Linear Polarization)测量的FMF最优化反演方法。采用矢量化的辐射传输模式UNL-VRTM进行地基天空光的线偏振度观测模拟,分析了线偏振度对FMF参数的波段敏感性,并基于仿真数据开展了算法的反演测试。研究结果表明:偏振测量在长波近红外波段对FMF的敏感性高于可见光波段;基于OE框架的FMF反演算法具有良好的闭合性;在地基天顶观测模式下,引入线偏振度测量参与反演能够有效提高FMF的反演精度,FMF反演误差从1.4%下降到了0.18%。最优化反演方法对于气溶胶遥感具有一定的潜力和可行性,有望成为提高PM2.5遥感监测能力的新途径。
摘要:中国人工林面积居世界第一,精确地对人工林结构进行监测具有重要意义。本研究以内蒙古自治区赤峰市旺业甸林场内的落叶松和油松人工林为研究对象,利用无人机激光雷达LiDAR (Light Detection And Ranging)离散点云数据和地面样地调查数据对人工林林分高进行建模,通过点云特征变量与地面测量的6种林分高(包括:Lorey’s高、算术平均高、最大高、优势树高、中位数高和树冠面积加权高)间的Pearson’s相关性筛选自变量,然后利用全子集回归构建不同林分高估测模型,并采用交叉检验法进行精度评价。结果表明:激光雷达点云高度百分位数与不同林分高相关性均较高,通过一元线性回归构建的不同林分高结果最优,且估测模型的自变量均为高度特征变量。Lorey’s高(R2=0.91—0.97,rRMSE=2.75%—3.96%)、优势树高(R2=0.86—0.97,rRMSE=3.72%—3.83%)和树冠面积加权高(R2=0.86—0.96,rRMSE=3.81%—4.73%)估测精度最高,算术平均高(R2=0.85—0.94,rRMSE=4.52%—6.07%)和中位数高(R2=0.80—0.95,rRMSE=5.37%—7.34%)次之,最大高(R2=0.69—0.87,rRMSE=6.19%—8.09%)最低。针对不同森林类型,落叶松人工林林分高估测精度最优,优于不区分森林类型模型的估测精度(ΔR2=0—0.05,ΔrRMSE=-0.69%—1.97%),优于油松林林分高模型的估测精度(ΔR2=0.06—0.18,ΔrRMSE=‒1.90%—1.13%)。无人机激光雷达可以用于估测北方温带针叶林的林分高,能够满足人工林资源调查快速、精确的要求。