基于機(jī)載LVIS和星載GLAS波形LiDAR數(shù)據(jù)反演森林LAI
發(fā)布時(shí)間:2021-12-09 20:57
波形激光雷達(dá)(Light Detection And Ranging,LiDAR)已經(jīng)大量用于森林葉面積指數(shù)(Leaf Area Index,LAI)估算,但是波形LiDAR數(shù)據(jù)估算森林LAI易受地形影響。地形坡度引起的波形展寬使得地面回波和植被冠層回波信息混合在一起,難以得到準(zhǔn)確的地面回波和冠層回波,進(jìn)而影響到LAI估算精度。為了估算不同地形坡度條件下的LAI,本文采用一種坡度自適應(yīng)的方法處理機(jī)載LVIS和星載GLAS波形數(shù)據(jù)。通過(guò)坡度自適應(yīng)的方法得到地面波峰位置,基于高度閾值來(lái)區(qū)分地面回波和冠層回波,進(jìn)而得到能量比值用于LAI估算;贚VIS和GLAS數(shù)據(jù),估算了不同森林站點(diǎn)的LAI,并利用實(shí)測(cè)LAI數(shù)據(jù)進(jìn)行檢驗(yàn)。結(jié)果表明:利用波形LiDAR數(shù)據(jù)可以估算森林LAI,坡度自適應(yīng)方法可以改善地形的影響,提高LAI估算精度。對(duì)于機(jī)載LVIS,估算新英格蘭森林LAI精度為R2=0.77和RMSE=0.21;對(duì)于星載GLAS,估算塞罕壩森林LAI精度為R2=0.81和RMSE=0.28。無(wú)論機(jī)載還是星載數(shù)據(jù),該方法都有著較高的精度,對(duì)于復(fù)雜地形估...
【文章來(lái)源】:遙感技術(shù)與應(yīng)用. 2020,35(05)北大核心CSCD
【文章頁(yè)數(shù)】:11 頁(yè)
【部分圖文】:
新英格蘭地區(qū)的地面回波和冠層回波分離示意圖
圖4 新英格蘭地區(qū)的地面回波和冠層回波分離示意圖圖6 新英格蘭所有站點(diǎn)的實(shí)測(cè)DHP LAI與LVIS LAI的回歸關(guān)系(R2=0.77和RMSE=0.21)
圖5 新英格蘭地區(qū)不同的森林站點(diǎn)LVIS LAI與實(shí)測(cè)DHP LAI的回歸模型分離GLAS地面回波和冠層回波后,得到能量比值,采用公式(5)估算塞罕壩的LAI。如圖8所示,建立了17個(gè)腳點(diǎn)下的實(shí)測(cè)LAI與GLAS LAI數(shù)據(jù)的相關(guān)性分析。GLAS LAI與實(shí)測(cè)得到的LAI顯示出良好的相關(guān)性(圖8(a)),R2=0.81和RMSE=0.28。但是,數(shù)據(jù)散點(diǎn)嚴(yán)重偏離了1∶1線,基于GLAS估算的LAI小于實(shí)測(cè)的LAI值,有著明顯的低估效應(yīng)。考慮實(shí)測(cè)數(shù)據(jù)與衛(wèi)星觀測(cè)時(shí)間的不匹配,從MCD15A2H得到2005~2018年的LAIdiff為0.74,根據(jù)公式(6)得到LAIadj。如圖8(b)所示,考慮時(shí)間差異可以有效地提高LAI估算的精度,改善低估效應(yīng)。
本文編號(hào):3531297
【文章來(lái)源】:遙感技術(shù)與應(yīng)用. 2020,35(05)北大核心CSCD
【文章頁(yè)數(shù)】:11 頁(yè)
【部分圖文】:
新英格蘭地區(qū)的地面回波和冠層回波分離示意圖
圖4 新英格蘭地區(qū)的地面回波和冠層回波分離示意圖圖6 新英格蘭所有站點(diǎn)的實(shí)測(cè)DHP LAI與LVIS LAI的回歸關(guān)系(R2=0.77和RMSE=0.21)
圖5 新英格蘭地區(qū)不同的森林站點(diǎn)LVIS LAI與實(shí)測(cè)DHP LAI的回歸模型分離GLAS地面回波和冠層回波后,得到能量比值,采用公式(5)估算塞罕壩的LAI。如圖8所示,建立了17個(gè)腳點(diǎn)下的實(shí)測(cè)LAI與GLAS LAI數(shù)據(jù)的相關(guān)性分析。GLAS LAI與實(shí)測(cè)得到的LAI顯示出良好的相關(guān)性(圖8(a)),R2=0.81和RMSE=0.28。但是,數(shù)據(jù)散點(diǎn)嚴(yán)重偏離了1∶1線,基于GLAS估算的LAI小于實(shí)測(cè)的LAI值,有著明顯的低估效應(yīng)。考慮實(shí)測(cè)數(shù)據(jù)與衛(wèi)星觀測(cè)時(shí)間的不匹配,從MCD15A2H得到2005~2018年的LAIdiff為0.74,根據(jù)公式(6)得到LAIadj。如圖8(b)所示,考慮時(shí)間差異可以有效地提高LAI估算的精度,改善低估效應(yīng)。
本文編號(hào):3531297
本文鏈接:http://sikaile.net/wenshubaike/mfmb/3531297.html
最近更新
教材專(zhuān)著