论文部分内容阅读
遥感数据的“尺度效应”是客观存在的。不同空间尺度的遥感数据、遥感反演的模型以及得到的遥感产品这些都存在这种尺度效应。数据点的空间信息与像元面的空间信息能否匹配仍是待解决的问题。地面测量点对遥感像元的代表性如何,怎样获取像元的相对真值,多大的空间分辨率可以真实地反映森林区域的叶面积指数(LAI),这些都是定量遥感中的重要问题。本研究根据特征精度和相对均匀的概念,保持地面实测数据的真实观测面积与遥感像元获取面积一致的条件下,计算LAI-2200和TRAC两种冠层分析仪测量的空间范围,并结合 GF-2(4.1 m)、Sentinel-2(10 m)、Landsat-8(30 m)这三种不同空间分辨率遥感影像,找到各尺度下像元的相对真值,与植被指数构建估算模型,比较得到最优估算模型,分析不同空间尺度森林叶面积指数估算的差异,同时引入指标评价三种尺度数据集的空间代表性,得到估算叶面积指数的最优尺度。根据物质守恒定律,得到大尺度的相对真值,评价不同转换方法的精度以及对MODIS LAI产品进行真实性检验。通过研究结果表明,LAI-2200实测数据的点能代表最大空间范围是12m×12m像元尺度,所以GF-2和Sentinel-2两种尺度使用单点模型,Landsat-8使用传统简单平均的多点模型。使用SR、NDVI、SAVI和ARVI植被指数构建一元指数模型,结果表明比值植被指数(SR)与LAI的相关性比NDVI、RVI、SAVI的相关性高,使用SR与LAI的一元指数模型可以更高精度地实现研究区域LAI的估算。不同空间尺度的遥感影像对LAI建模存在一定影响。采用30 m和100 m尺度对估算结果进行验证,结果表明基于10 m尺度Sentinel-2的更适合估算森林LAI。对最优模型得到的三种尺度结果进行空间代表性评价,结果与仪器测量的空间范围一致,GF-2和Sentinel-2的单点数据集对两尺度像元的空间代表性较好;GF-2的空间分辨率最高,像元内的覆盖类型更单一,像元更均匀,门槛系数(Coefficient of sill,CS)值最小,但是建模精度和拟合并不是最好;Landsat-8的空间分辨率是30 m,像元内植被覆盖类型较其他两尺度稍复杂,所以像元均匀度也相对较低,空间代表性相对较差。对于森林来说,分辨率越高并不一定能充分估算森林LAI分布,10 m空间分辨率的Sentinel-2遥感影像能更好地对森林LAI进行预测,是估算森林LAI的最优尺度。根据物质守恒定律,基于最优尺度的相对真值对五种尺度转换方法的精度进行验证,得出在获取相对真值的情况下,使用频数权重法的精度最高。最后还对MODIS LAI产品进行真实性检验,结果显示MODIS LAI产品估算结果偏差很大,所以MODIS LAI遥感产品估算精度有待于提高,不能直接作为机理模型的输入数据,需要对其进行校正才能作为初始输入数据进行模型模拟。