协同主被动光学遥感数据的多尺度森林叶面积指数反演研究

Scale effect is an important topic, which hinder application of quantitative remote sensing. And heterogeneity is one of main reason for scale effect. Aim at retrieval of forest leaf area index (LAI), Influence Mechanism of forest 3D heterogeneity on scale effect should be found out. This project will retrieve multi-scale forest LAI by exploiting the synergy of active and passive optical remote sensing data. It includes methods on retrieval of multi-scale forest parameters from active and passive optical data, analysis of heterogeneity of different scale forest structure parameters, multi-scale retrieval of forest leaf area index. Some important parameters (include fraction vegetation cover, clumping index and DEM), which affect the retrieval precision of LAI, will be extracted from LiDAR data. To analyze the effect of mixed-pixel heterogeneity and forest 3D structure heterogeneity on retrieval of LAI, characterization of vegetation clumping effect at pixel scale and relation of forest 3D heterogeneity and mixed-pixel heterogeneity should be explored. So two methods would be investigated, one is method on retrieval of mixed-pixel vegetation clumping index from active and passive optical data and the other is method on design of 3D variogram nested model. Achievements of the research is important for clarifying Influence Mechanism of 3D heterogeneity on scale effect of remote sensing retrieval, accumulation of theoretic base on remote sensing scale effect, providing new solution for multi-scale LAI retrieval.

遥感尺度效应问题是阻碍定量遥感应用的重要问题，而空间异质性是引起遥感尺度效应的主要原因之一，针对叶面积指数光学遥感反演研究，森林三维结构空间异质性的尺度效应产生机制仍需深入研究。本项目通过开展多尺度森林三维结构参数主被动反演方法、不同尺度森林结构信息的空间异质性分析以及森林叶面积指数多尺度遥感反演与尺度效应分析三方面研究，设计三维变异函数套合模型，分析森林三维结构空间异质性与像元尺度二维空间异质性的关系；同时提出基于主被动光学遥感数据的混合像元植被聚集指数反演方法，以探索光学遥感像元尺度植被聚集效应的表征问题，从而分析森林结构三维空间的空间异质性和混合像元不均一性对森林叶面积指数反演尺度效应的影响。该项目对深入阐明地物三维空间异质性引起遥感反演尺度效应的机制有重要意义，为遥感反演尺度效应研究积累基础理论，为多尺度叶面积指数反演提供新途径。

森林叶面积指数遥感反演的尺度效应问题成为该领域的一个重要研究方向，由于空间异质性的特点，森林叶面积指数反演模型在空间尺度转换上遇到困难，这就需要我们解决反演模型空间尺度转换中的空间异质性问题，而二维影像的空间异质性最终是由地表的三维结构决定。因此本项目提出协同光学遥感影像与激光雷达数据进行森林叶面积指数的协同反演方法研究，开展的主要研究内容包括以下三个方面：1）开展地基LIDAR、机载LIDAR和光学影像等多尺度遥感数据的森林结构参数提取方法研究；2）基于地基LIDAR的森林空间异质性探测分析；3）基于主被动光学遥感数据的森林叶面积指数协同反演。基于多尺度遥感数据（地基LIDAR、机载LIDAR和遥感卫星影像）提取森林结构参数是研究遥感数据尺度效应的基础，是提高卫星遥感反演森林叶面积指数精度的一种途径，提出了基于地基LIDAR的聚集指数反演方法，可提高叶面积指数反演精度，同时基于地基LIDAR的藤本植物探测验证了森林三维空间异质性的影响，也首次实现了藤本植物与热带树木的点云分离，分类精度可达到85%,是未来基于激光点云的藤本植物生物量监测的基础和起步研究。针对独立数据的反演结果分析，发现不同尺度的空间异质性对相应尺度的叶面积指数反演有着重要影响，空间异质性与尺度效应有着密切关系，其随着尺度增加而影响加大了，而通过多元回归、物理方法和机器学习三种方法分别完成主被动遥感数据的叶面积指数协同反演时，尽管反演精度可分别达到80%，60%和70%，但前二种方法要受高分辨率数据范围和空间异质性影响，而机器学习的协同反演方法利用众多数据的训练，克服了机载LIDAR数据与SPOT5数据空间异质性的不一致性，消除了空间尺度转换的影响，提高了反演精度，因此可表明机器学习方法对空间异质性的影响不敏感。通过本项目研究，从地面、机载和卫星三个角度开展了空间异质性的研究，分析了不同尺度的空间异质性对叶面积指数的影响，为将来完成多尺度反演模型的空间转换方法提供依据。