导读:本文包含了森林叶面积指数论文开题报告文献综述及选题提纲参考文献，主要关键词:GF-1,WFV数据,SiB2模型,LAI,EVI线性模型
森林叶面积指数论文文献综述
李晓彤,覃先林,刘树超,孙桂芬,刘倩[1]（2019）在《基于GF-1 WFV数据森林叶面积指数估算》一文中研究指出以国产高分一号(GF-1)宽幅数据(wide field of view,WFV)为数据源,采用简单生物圈模型2(simple biosphere model2,Si B2)对黑龙江省漠河县森林植被叶面积指数(leaf area index,LAI)进行估算,并与增强植被指数(enhanced vegetation index,EVI)线性模型的估算结果进行对比,结合地面实测LAI数据分别对这2种模型估算结果进行精度评价。结果表明,采用EVI线性模型估算LAI,决定系数R2为0. 582,均方根误差(root mean square error,RMSE)为0. 701;而采用Si B2模型估算LAI,R2为0. 798,RMSE为0. 358,均比EVI线性模型有所改善。该研究发现,结合中高空间分辨率的GF-1 WFV数据,Si B2模型更适宜于该研究区森林植被的LAI反演。(本文来源于《国土资源遥感》期刊2019年03期）
董立新[2]（2019）在《叁峡库区森林叶面积指数多模型遥感估算》一文中研究指出叶面积指数(leaf area index,LAI)是定量研究森林生态系统能量交换的一个重要结构参数。本文利用野外观测LAI,以及Landsat TM计算的7种常用植被指数和5个自定义植被指数,通过筛选建立了不同森林类型的LAI估算模型,其中,针叶林采用多元逐步回归模型,阔叶林与混交林采用主成分分析模型,最终通过多个模型估算叁峡库区区域尺度森林LAI。利用样地实测LAI数据进行精度验证,针叶林、阔叶林和混交林的均方根误差分别为0. 829 4,1. 111 5和1. 790 9,判定系数R2均达到了0. 77以上。研究结果将为森林生态系统和碳循环研究提供基础数据。(本文来源于《国土资源遥感》期刊2019年02期）
刘婷,陈晨,范文义,毛学刚,于颖[3]（2019）在《基于不同空间尺度遥感影像估算森林叶面积指数的差异》一文中研究指出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)3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,在保持真值观测面积和遥感获取面积一致的条件下,基于一元指数和多元回归模型,对比分析不同空间分辨率影像对估算森林LAI的影响,并对3种影像模型进行30和100 m尺度下的检验以及各自数据集的空间代表性评价,比较得出最适合表达研究区域森林LAI的尺度.结果表明:对于森林来说,高分辨率并不一定能充分反映森林LAI.基于3种分辨率影像的统计模型都能很好地估测森林LAI,其中,基于Sentinel-2的反演精度最高,基于GF-2的反演精度最低.30和100 m尺度下的检验结果表明,基于GF-2反演模型高估了森林LAI,基于Landsat-8的反演模型低估了森林LAI,基于Sentinel-2分辨率的统计模型可以很好地估测研究区域森林LAI.(本文来源于《应用生态学报》期刊2019年05期）
郭仲伟[4]（2018）在《森林病虫害对植被特征参数与叶面积指数相关性的影响》一文中研究指出森林病虫害由于在森林资源中造成的重大破坏而被人们称为“不冒烟的火灾”,其对生态系统的研究具有重要意义。现有基于遥感数据的病虫害研究多集中在森林病虫害的监测、爆发原因以及发病区域内生产力的变化情况。本研究以加拿大不列颠哥伦比亚地区2002~2012年森林病虫害数据为基础,分析不同严重程度的病虫害对叶面积指数(LAI)与归一化植被指数(NDVI)和增强型植被指数(EVI)、叶面积指数(LAI)与总初级生产力(GPP)和净初级生产力(NPP)四对相关关系的影响。本次研究结果表明:(1)受病虫害感染的像元在由轻度(Light)到中度(Moderate)再到重度(Severe)转变的过程中,NDVI与LAI之间的相关性会由弱变强,又由强变弱,而EVI与LAI之间的相关性会持续变强;(2)不同严重程度的病虫害对像元内植被指数与叶面积指数之间的相关性产生影响的同时,基本没有对NDVI与LAI和EVI与LAI相关性的相对强弱造成影响。叁个不同严重程度级别的分组中,EVI与LAI的相关性均强于NDVI与LAI的相关性。(3)受灾区域像元在由轻度(Light)到中度(Moderate)再到重度(Severe)转变的过程中,GPP与LAI、NPP与LAI之间的相关性均会持续变强。(本文来源于《中国科学院大学(中国科学院遥感与数字地球研究所)》期刊2018-06-01）
路璐,郑光,马利霞[5]（2018）在《激光雷达和点云切片算法结合的森林有效叶面积指数估算》一文中研究指出叶面积指数(LAI)是定量模拟和刻画植被冠层结构、生理过程以及研究森林生态系统碳水循环中物质和能量交换的重要生物物理参数之一。定量分析林冠元素的3维空间分布是准确估算森林叶面积指数的重要基础和关键步骤。本文利用地面激光雷达扫描系统(TLS),获取了不同树种、密度、年龄和空间分布的森林3维点云数据,利用"径向半球点云切片"和"点云法向量重建"算法分别计算森林的角度孔隙率和消光系数,进而得到森林冠层的有效叶面积指数。通过与利用传统光学仪器得到的结果比较发现:单站半球式激光雷达扫描得到森林样方尺度的结果与LAI-2200和数字半球摄影观测所得结果的相关性分别为R2=0.7084(N=9,p<0.01)和0.7409(N=14,p<0.01)。通过角度分辨率(LBA)和角度孔隙率(AGF)的敏感性分析,建议径向半球切片算法的角度分辨率应参考中心单站TLS半球式扫描所设置的采样间距。本文所采用的径向半球切片算法可以有效地利用单站半球式扫描所获取的3维点云进行森林冠层有效叶面积指数的定量估算。(本文来源于《遥感学报》期刊2018年03期）
谢杰,邢艳秋,尤号田,田昕,安立华[6]（2018）在《基于机载LiDAR多回波类型森林叶面积指数反演研究》一文中研究指出森林叶面积指数(Lai)作为森林的重要结构参数,对于研究森林物质能量交换相关的生理活动具有重要意义。为提高森林Lai的反演精度,本研究充分利用激光雷达点云数据多回波类型之间所含信息的差异,通过对机载激光雷达点云数据预处理后,基于点云数据的多回波类型,共提取了6个激光穿透指数(Lpi),分别与野外样方实测Lai建立线性回归模型用于估测森林Lai。结果发现:单变量估测模型中,基于首次回波强度Lpi(i LPIfirst)模型最好(R2=0.836,Mad=0.091)。多变量模型中,基于首次回波强度Lpi(i LPIfirst)、冠层回波数量Lpi(n LPIcan)及冠层回波能量Lpi(i LPIcan)的叁变量模型估测精度最高(R2=0.883,Mad=0.076),相比于单变量估测模型而言,R2提高了0.047,Mad减少了0.015。结果表明,基于点云回波类型分类的Lpi能够较好的估测森林Lai,且多变量模型的估测精度要优于单变量模型的估测精度。(本文来源于《中南林业科技大学学报》期刊2018年03期）
张春兰,杨贵军,李贺丽,汤伏全,刘畅[7]（2018）在《基于随机森林算法的冬小麦叶面积指数遥感反演研究》一文中研究指出【目的】通过利用随机森林算法(random forest,RF)反演冬小麦叶面积指数(leaf area index,LAI),及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析(correlation coefficient,r)和袋外数据(out-of-bag data,OOB)重要性分析与随机森林算法(random forest,RF)相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数(R~2)分别为0.805、0.899,均方根误差(RMSE)分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R~2为0.761,RMSE为0.320,数值范围(1.02—6.41)与地面实测(1.29—6.81)亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。(本文来源于《中国农业科学》期刊2018年05期）
宋佳音[8]（2017）在《利用半球图像反演森林冠层叶面积指数的方法研究》一文中研究指出叶面积指数LAI(Leaf Area Index)是众多生态生理学模型、生态系统功能的全球变化模型的输入量,是生态学领域的重要指标之一。本文以生态研究领域的森林冠层LAI反演过程中的实际问题为背景,为解决基于光学模型的半球图像法反演LAI的低估问题开展研究,具体研究工作如下:(1)分析了光学模型反演叶面积指数的基本原理,结合光学模型中的参数特征,对影响图像法反演LAI的关键因素进行研究。为保证研究的时效性,本文在黑龙江凉水国家级自然保护区内的30个采样点,在相同条件下,分别应用LAI-2000(辐射测量原理)和Wincanopy2012a(图像测量原理)两种商业光学设备进行实地测量,结果出现了Wincanopy2012a的LAI测量结果明显小于LAI-2000的LAI实测结果。通过对比两种光学设备的光电测量原理发现,两种光电传感器的光谱测量范围不同是造成测量差异的主要原因;(2)在研究LAI-2000与Wincanopy2012a的计算原理基础上提出了适用于二维图像的LAI反演修正模型,提出面积加权法,修正了原始反演模型中的加权方式,完善了模型的数学意义;同时对光学模型中的叶倾角影响下的消光系数进行分析,对于选用天顶角57.3°所对应的叶倾角投影函数G=0.5应用于天顶角0-90度范围内的反演现状进行分析,在此基础上提出针对6种典型叶倾角分布的消光系数和叶倾角椭圆分布的消光系数,通过多项式拟合建立分段方程,总结出天顶角10度间隔的消光系数离散值,修正了原始模型中的单角度反演问题,完善了模型的物理意义;(3)分析半球图像有效成像区域的边界特征,根据边界点存在光源线性散射点的特征提出了应用形态学算法提取边界,再运用最小二乘法拟合有效成像区域的圆心及半径值。通过手工制作标准模板验证了方法的有效性。该方法与硬件采集设备参数无关,但受到光照强度影响,实验结果表明当光量子通量在55 μmol m-2 s-1到140 μmol m-2s1范围时,相机感光度设置在ISO100到ISO250范围时,圆心点坐标提取误差最小,该项研究同时也确定了半球图像采集的光照条件量化指标;(4)研究分割算法和分割数量对于孔隙度提取的影响,分别应用最小熵算法、最小误差算法、Winscanopy算法和K-mean算法提取孔隙度,发现不同的分割算法会引起孔隙度提取的差异,其中最小误差法具有较好的大孔隙抑制性。同时将有效区域分割成6环、9环和18环后提取孔隙度,对比发现当分割数量为18环时,能够有效减小因二值化分割算法不同引起的孔隙度提取差异;(5)聚集指数的修正性能分析,分别应用最小熵算法、最小误差算法、Winscanopy算法和K-mean算法所提取的孔隙度数据,计算Chen和Cihlar的聚集指数、Lang和Xiang的聚集指数和Leblanc的聚集指数,发现Leblanc的聚集指数对于孔隙差异具有较高的敏感性,能够有效修正因图像二值化分割算法不同所引起的LAI反演差异;(6)对比30个采样点的实测数据,在不考虑聚集指数的情况下,采用叶倾角椭圆分布对应的消光系数离散数据,运用最小误差算法提取孔隙度代入本文提出的修正模型中反演LAI的结果接近于LAI-2000的实测结果,验证了模型的有效性。本文在研究LAI反演方法的过程中解决了半球图像的有效区域提取难题,为实现自主搭建半球图像采集设备用于植被冠层分析或单株冠层分析创造了条件。本文提出的具有开放性的基于半球图像反演森林冠层LAI的方法,能够有效改善图像法反演LAI的低估问题,为提高森林冠层反演LAI的可控性和可观性提供了必要的技术支持。(本文来源于《东北林业大学》期刊2017-04-01）
常颖,范文义,温一博[9]（2016）在《帽儿山地区森林叶面积指数生长季动态研究》一文中研究指出叶面积指数(Leaf area index)是描述叶片生长过程的重要参数之一。为探讨我国帽儿山地区落叶阔叶林长时间序列叶面积指数变化规律,利用LAI-2200对帽儿山林场老爷岭试验站12块样地生长季叶面积指数进行测量,使用生长方程对离散LAI值进行拟合,计算不同时间的叶面积指数生长速率和生长季累积叶面积指数,分析不同立地条件下不同林分叶面积指数生长情况,对其动态变化规律进行研究。研究表明:生长季4月到8月,12块落叶阔叶林叶面积指数均随时间呈单峰变化。以杨树有优势树种的样地用Mitscherlich生长方程拟合其LAI效果最优,以色木和白桦为优势树种的样地采用logistic生长方程拟合效果最优,其它样地Gompertz生长方程拟合最优,各样地生长方程拟合R2均高于0.962。杨树林叶面积指数增速最快,胡桃楸林增速缓慢,6月初到8月中下旬为冠层LAI生长速度趋于平稳。空间位置相近的阴阳坡样地叶面积指数生长规律差别较大,最高累计叶面积指数相差17.6%。此研究结果为帽儿山地区阔叶林叶面积指数动态变化规律提供数据基础,为该地区林冠植被的空间异质性及其造成影响,以及提升日步长碳循环、水循环生态机理模型精度提供更为准确的数据支持。(本文来源于《森林工程》期刊2016年04期）
熊启晨[10]（2016）在《森林叶面积指数低成本快速观测方法研究》一文中研究指出叶面积指数(Leaf Area Index, LAI)是生态学和林学中描述植被冠层的重要参数之一,常用于检测植物生长状况,受到病虫害侵入情况等。由于传统测量叶面积指数的方法对森林具有一定的破坏,所以通常情况下测量叶面积指数采取植物冠层分析仪(如LAI-2000)或者半球摄影(如Hemiview)等方法,并已经在科研调查中被普遍认可和使用。然而,进行大面积或者连续地面LAI调查时,这些仪器的较高价格限制了大量仪器同时调查,时效性较低；另外使用这些仪器需要较高的专业性也限制了大面积的使用。而在林区基层,都有森林防火巡视、资源调查、虫情调查预报等业务化工作,如果能够充分利用基层工作人员,使用廉价但是方便的LAI观测设备,就可以进行大范围、高频率的LAI采样,提供大数据级别的LAI样本资料,用于快速掌握森林资源的宏观状态及其变化。因此,探索新的能大面积快速反演叶面积指数的遥感观测方法,对森林宏观健康监测有着重要作用。为此,本研究提出了采用手机搭载球面镜头进行叶面积指数的快速估测的方法(本文把这种方法称为LAI-Mobile),然后和卫星数据进行联合反演,获得大面积的LAI。为了验证LAI-Mobile测量叶面积指数的可行性,研究分别在北京林业大学校园内和云南省大理市祥云县天峰山两个样地开展了调查试验。分别利用冠层分析仪LAI-2200和LAI-Mobile进行半球摄影两种测量方法对同一单木和同一林分进行测量对比,然后利用LAI-2200测量值来验证LAI-Mobile进行半球摄影的测量数据的精度。以此来验证手机观测方法在快速、便捷的测量是否能达到大面积推广测量的要求。在北京林业大学校园内和天峰山上,单木LAI测量的精度较好,R2分别为0.843和0.812,均方根误差RMSE为0.187和0.223。在祥云县天峰山,本研究选择了30块样地同样利用两种方法进行测量,探索LAI-Mobile进行半球摄影的测量方法在林分内的测量精度。结果表面：利用LAI-2200测量结果与LAI-Mobile测量结果在测量孤立木时精度较好,但在林分中单点测量时精度少有欠缺。在观测时间上,LAI-Mobile仅需LAI-2200观测时间的1/4。进一步和卫星数据联合,进行大范围的叶面积指数反演。研究利用我国的高分一号卫星数据提取NDVI、RVI、SAVI叁种植被指数,与利用上述方法实地测量的叶面积指数建立两者之间的回归统计模型。结果表明,研究区内云南松林与叁种植被指数都有较强的相关性。其中NDVI-LAI的线性模型相关系数最佳达到0.868。利用得到精度最高模型对样地内其余15个样地的地面数据进行验证发现。平均相对误差的值为RMSE=0.238。研究提出的利用LAI-Mobile进行半球摄影的方法有快速、便捷、操作简单等优势。虽然测量精度上有所欠缺但由于手机是现在人们生活的必需用品,可通过该方法在全国基层林业工作组中大量拍摄照片通过大数据的样本量收获一部分样地的叶面积指数变化规律。再利用得到的地面数据与遥感数据进行反演,能快速得到大面积样地的叶面积指数值,在大范围测量森林指标方面有很大潜力。(本文来源于《北京林业大学》期刊2016-04-01）
森林叶面积指数论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
叶面积指数(leaf area index,LAI)是定量研究森林生态系统能量交换的一个重要结构参数。本文利用野外观测LAI,以及Landsat TM计算的7种常用植被指数和5个自定义植被指数,通过筛选建立了不同森林类型的LAI估算模型,其中,针叶林采用多元逐步回归模型,阔叶林与混交林采用主成分分析模型,最终通过多个模型估算叁峡库区区域尺度森林LAI。利用样地实测LAI数据进行精度验证,针叶林、阔叶林和混交林的均方根误差分别为0. 829 4,1. 111 5和1. 790 9,判定系数R2均达到了0. 77以上。研究结果将为森林生态系统和碳循环研究提供基础数据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
森林叶面积指数论文参考文献
[1].李晓彤,覃先林,刘树超,孙桂芬,刘倩.基于GF-1WFV数据森林叶面积指数估算[J].国土资源遥感.2019
[2].董立新.叁峡库区森林叶面积指数多模型遥感估算[J].国土资源遥感.2019
[3].刘婷,陈晨,范文义,毛学刚,于颖.基于不同空间尺度遥感影像估算森林叶面积指数的差异[J].应用生态学报.2019
[4].郭仲伟.森林病虫害对植被特征参数与叶面积指数相关性的影响[D].中国科学院大学(中国科学院遥感与数字地球研究所).2018
[5].路璐,郑光,马利霞.激光雷达和点云切片算法结合的森林有效叶面积指数估算[J].遥感学报.2018
[6].谢杰,邢艳秋,尤号田,田昕,安立华.基于机载LiDAR多回波类型森林叶面积指数反演研究[J].中南林业科技大学学报.2018
[7].张春兰,杨贵军,李贺丽,汤伏全,刘畅.基于随机森林算法的冬小麦叶面积指数遥感反演研究[J].中国农业科学.2018
[8].宋佳音.利用半球图像反演森林冠层叶面积指数的方法研究[D].东北林业大学.2017
[9].常颖,范文义,温一博.帽儿山地区森林叶面积指数生长季动态研究[J].森林工程.2016
[10].熊启晨.森林叶面积指数低成本快速观测方法研究[D].北京林业大学.2016