-
摘 要由于遥感具有观测范围广、时效性强的特点，因此一直是获取地表大范围叶面积指数（leaf area index，LAI）空间分布的重要手段。这其中，利用高光谱遥感进行 LAI的定量反演始终是一个活跃的研究领域。本文利用 PROBA-CHRIS 高光谱遥感数据，针对黑河流域中游绿洲农田，开展了叶面积指数的反演研究。 反演的主要策略为依靠不同的光学遥感植被指数与叶面积指数之间的经验关系。根据所获取的遥感数据特点，本文采用了多种植被指数，包括土壤调节植被指数 SAVI，归一化植被指数 NDVI，比值植被指数 RVI，差值植被指数DVI。 根据地面观测数据标定了LAI和上述各指数之间的经验关系并对LAI进行反演。结果显示， 上述各植被指数反演的结果中， 利用 NDVI 反演精度最高， 均方误差 （MSE）为 4.138；而采用差值植被指数 DVI 反演的方法，反演结果最不理想，拟合误差 R2为 0.119。误差产生的原因是样本点数量少，观测数据精度不够高以及所使用的植被指数自身的系统误差。37419
- 上一篇：基于Landsat8的旱情监测
- 下一篇：利用GIS空间分析技术对华北平原近30年降雨量时空变化的分析
毕业论文关键词：叶面积指数，遥感，高光谱，黑河流域，植被指数
Abstract Remote sensing has a wide range of observation, time-sensitive features,it has been an important means of obtaining a wide range of surface spatialdistribution of Leaf area index (LAI). Among these, the use of hyperspectralremote sensing quantitative retrieval of LAI is always an active area ofresearch. In this paper, PROBA-CHRIS hyperspectral remote sensing data forthe Heihe River Basin in the Oasis, carried out inversion leaf area index. Themain strategy is to rely on the empirical relationship inversion differentoptical remote sensing vegetation indices and leaf area index. According tothe characteristics of the acquired remote sensing data, they use a variety ofvegetation indices, including soil adjusted vegetation index SAVI, normalizeddifference vegetation index NDVI, ratio vegetation index RVI, differencevegetation index DVI. Based on ground observation data demarcate empiricalrelationships between LAI and the respective indices and LAI inversion of.The results show that the results of the above inversion of vegetation index,NDVI inversion highest precision, root mean square error (MSE) is 4.138;and the use of difference vegetation index (DVI) inversion method, theinversion results most unsatisfactory fit error2R is 0.119. Causes of error isless sample points, observation data precision is not high enough andvegetation indices used its own system errors.
Key words: leaf area index, remote sensing, hyperspectral, Heihe River Basin,vegetation index
目录
摘要 I
AbstractII
1 绪论1
1.1 叶面积指数与高光谱遥感概述.1
1.1.1 叶面积指数. 1
1.1.2 高光谱遥感. 1
1.2 高光谱遥感反演LAI 研究现状2
1.3 研究内容与技术路线. 4
2 研究区与数据. 6
2.1 研究区.6
2.2 数据. 6
2.2.1 PROBA-CHRIS 数据6
2.2.2 地面实测数据. 9
3 PROBA- CHRIS高光谱数据预处理.10
3.1 去噪处理 11
3.2 辐射定标13
3.3 大气校正14
3.4 几何纠正14
3.5 本章小结15
4 PROBA-CHRIS高光谱数据叶面积指数反演研究16
4.1 反演方法 16
4.2 反演结果与讨论16
4.2.1 反演结果.16
4.2.3 验证与讨论. 21
5 结论与展望22
5.1 结论.22
5.2 展望.22
致 谢 24
参考文献.25
1 绪论1.1 叶面积指数与高光谱遥感概述
1.1.1 叶面积指数地表植被覆盖是影响气候、水、气、碳等各种循环的重要因素。因此，及时、准确的了解植被的生长状况对于各种研究及农业生产应用具有积极的作用。 叶面积指数(LAI， leaf area index)是指单位面积土地上的植物叶片总面积占土地面积的倍数，是反映植物生长过程的一个重要参数，可以用来反映作物的生长状况。LAI 的变化反映了植被生长发育的不同状态， 其与植被的光合作用、 蒸腾作用的过程有着密切的联系，常被作为植被系统净生产力计算的基本参数之一， 也是应用于植被估产与作物监测的一个重要的生态参数[1]。1.1.2 高光谱遥感高光谱遥感即高光谱分辨率遥感(Hyperspectral Remote Sensing)。它是在电磁波谱的可见光，红外波段范围内，获取许多非常窄且连续的光谱的影像数据的技术[2]。成像光谱仪可以收集到地物上百个非常窄的光谱波段信息。高光谱遥感与传统遥感主要区别在于： 高光谱遥感的成像光谱仪可以将可见光以及红外波段分离成几十个甚至数百个非常窄的光谱波段来接收地物信息[3]；它的每个波段宽度小于10nm；将收集到的所有波段排列在一起能够形成一条完整的连续的光谱曲线，高光谱遥感的光谱覆盖范围从可见光到热红外的全部辐射波谱范围[4]。因此它收集的光谱信息非常丰富。而一般的常规遥感却不具备这些优点，常规遥感的传根器多数只有几十个波段；一般的遥感每个波段的宽度都大于 100nm；更加重要的是一般光谱遥感收集到的光谱信息不连续，这样导致缺失地表信息。高光谱遥感技术的诞生是遥感界的一场革命。其所具有的丰富的光谱信息，使得对具有特殊光谱特征的地表物体的探测成为可能。 因此高光谱遥感具有广阔的应用前景。目前，高光谱的遥感发展方向主要是在波段数的增加以及分辨率方面的提高，其中，多角度观测是一个重要的趋势。多角度传感器顾名思义是指传感器从多个方向对物体进行观测， 与传统的单一观测方向的遥感相比，常规的传感器多为窄视场多光谱的对地观测，主要是获取星下地面点的地物反射光谱信息，根据地物的反射光谱特征的不同，提取地面目标物的光谱信息，而这种传感器的缺点就是只能得到地面物体在一个观测方向上的投影，但是很难得到地物的三文结构。而多角度传感器却解决了这一点，且随着观测方向的增加会使得遥感信息变得更加丰富，从而获取地物更全面的信息，从而使得地面目标的三文结构空间参数更加的详细[5]。另外，在对地观测的时候，周围环境常常会对地面目标物的观测产生影响，这会大大降低地物反演精度，这表现在遥感图像上是， “同物异谱，异物同谱”的现象，简而言之，就是产生混合像元的现象，这是如今遥感图像处理的一大困难。为了避免以上混合像元的影响，提高叶面积指数的反演精度，多角度遥感数据可以较好地处理这一问题。
-
基于MATLAB的图像增强算法设计
-
基于Kinect的手势跟踪与识别算法设计
-
JAVA基于安卓平台的医疗护工管理系统设计
-
java+mysql设备监控记录的大...
-
基于核独立元分析的非线...
-
基于Hadoop的制造过程大数据存储平台构建
-
jsp公交刷卡数据统计系统图表的设计与实现
中考体育项目与体育教学合理结合的研究
乳业同业并购式全产业链...
大众媒体对公共政策制定的影响
河岸冲刷和泥沙淤积的监测国内外研究现状
杂拟谷盗体内共生菌沃尔...
酸性水汽提装置总汽提塔设计+CAD图纸
当代大学生慈善意识研究+文献综述
十二层带中心支撑钢结构...
java+mysql车辆管理系统的设计+源代码
电站锅炉暖风器设计任务书