[发明专利]一种叶面积指数时空变化特征研究方法

说明书

本发明公开了一种叶面积指数时空变化特征研究方法，实施步骤如下：1）获取待监测区域的遥感图像和野外实测数据，构建LAI反演模型，得到待监测区域的LAI时间序列数据；2）进行待监测区域的时空变化分析，使用变异系数逐像元分析待监测区域LAI的空间波动性，一元线性回归分析法逐像元分析LAI的空间变化趋势，R/S分析法逐像元分析LAI变化的可持续性，并结合地形数据分析LAI与LAI变化趋势类型与地形因子的关系；3）使用监督分类法对待监测区域的遥感影像数据进行土地覆盖分类，引入GWR模型分析不同土地覆盖类型与LAI的关系，得到不同土地覆盖类型格局与待监测区域LAI之间的关系；本发明具有模型构建合理、反演精度高、估算结果合理、适用范围广的特点。

技术领域

本发明涉及叶面积指数研究领域，具体涉及一种叶面积指数时空变化特征研究方法。

背景技术

叶面积指数(Leaf Area Index，LAI)是植被重要的结构参数之一，它可以表征叶片的疏密程度和冠层结构特征，与植被的光合、呼吸、蒸腾等生物物理过程及地球生态系统的碳、氮、水循环等密切相关，LAI的变化是估算植被覆盖度，监测和预报农作物长势、生物量、产量等的重要指标，因此，快速准确估算LAI对农业监测、生物地球化学循环等具有重要的研究意义。

目前基于遥感技术的LAI反演方法主要有基于植被指数的经验模型法和基于辐射传输模型的物理模型法。两种模型具有本质区别但又具有互补性。物理模型机理性强，使用的植被类型和空间范围更广，但模型参数较多且难获取，存在模型反演的病态问题。基于植被指数的经验模型是耦合遥感观测与地面观测数据的一种重要手段，可及时有效、无损害地监测作物长势，但是其机理性弱，易受植被类型、地域等影响。

发明内容

鉴于背景技术存在的不足，本发明要解决的技术问题是提供一种叶面积指数时空变化特征研究方法，其具有模型构建合理、反演精度高、估算结果合理、通用性好、适用范围广的特点。

为解决上述技术问题，本发明采用的技术方案为：

一种叶面积指数时空变化特征研究方法，其实施步骤如下：

1）获取待监测区域的遥感图像和野外实测数据，对原始遥感图像进行辐射定标和大气校正，构建LAI反演模型，反演待监测区域的LAI时间序列数据，得到待监测区域的LAI时间序列数据并进行精度验证；

2）进行待监测区域的时空变化分析，在获得待监测区域的LAI时间序列数据后，使用变异系数逐像元分析待监测区域LAI 的空间波动性，一元线性回归分析法逐像元分析LAI的空间变化趋势，R/S 分析法逐像元分析LAI变化的可持续性，并结合地形数据分析LAI与LAI变化趋势类型与地形因子的关系；

3）使用监督分类法对待监测区域的遥感影像数据进行土地覆盖分类，并统计各土地覆盖类型的平均像元 LAI 值，以及土地覆盖变化对总 LAI 带来的损益，为了揭示土地覆盖与待监测区域LAI的空间非平稳性关系，引入 GWR 模型分析不同土地覆盖类型与 LAI的关系及其所具有的空间非平稳性，得到不同土地覆盖类型格局与待监测区域LAI之间的关系；

作为本发明上述技术方案的进一步改进：

所述步骤1）中获取待监测区域的遥感图像和野外实测数据，对原始遥感图像进行辐射定标和大气校正，构建LAI反演模型，反演待监测区域的LAI时间序列数据的详细步骤包括：

A1）在获取待监测区域的野外实测数据时，采样选择30m×30m样地进行调查，选择植被分布较为均一并且具有代表性的地点作为样地，在每个样地四角及中心设置采样点，对每个采样点使用LAI-2000植物冠层分析仪进行植被冠层叶面积指数采集，最后对样方内的采样点取平均值作为样方的LAI值，得到样方的LAI值；