[發明專利]一種葉面積指數時空變化特征研究方法

有效

• 申請號: 202110731055.X
• 申請日: 2021-06-30
• 公開（公告）號: CN113340898B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 沙晉明;高尚;李小梅;吳龍濱;沙昱;王金亮;包忠聰
• 申請（專利權）人: 福建師范大學
• 主分類號: G01N21/84
• 分類號: G01N21/84;G06T7/62
• 代理公司: 福州智理專利代理有限公司 35208
• 代理人: 王義星

1.一種葉面積指數時空變化特征研究方法，其特征在于步驟如下：

1）獲取待監測區域的遙感圖像和野外實測數據，對原始遙感圖像進行輻射定標和大氣校正，構建LAI反演模型，反演待監測區域的LAI時間序列數據，得到待監測區域的LAI時間序列數據并進行精度驗證；

2）進行待監測區域的時空變化分析，在獲得待監測區域的LAI時間序列數據后，使用變異系數逐像元分析待監測區域LAI?的空間波動性，一元線性回歸分析法逐像元分析LAI的空間變化趨勢，R/S?分析法逐像元分析LAI變化的可持續性，并結合地形數據分析LAI與LAI變化趨勢類型與地形因子的關系；

3）使用監督分類法對待監測區域的遙感影像數據進行土地覆蓋分類，并統計各土地覆蓋類型的平均像元?LAI?值，以及土地覆蓋變化對總?LAI?帶來的損益，為了揭示土地覆蓋與待監測區域LAI的空間非平穩性關系，引入?GWR?模型分析不同土地覆蓋類型與?LAI?的關系及其所具有的空間非平穩性，得到不同土地覆蓋類型格局與待監測區域LAI之間的關系；

所述步驟1）中獲取待監測區域的遙感圖像和野外實測數據，對原始遙感圖像進行輻射定標和大氣校正，構建LAI反演模型，反演待監測區域的LAI時間序列數據的詳細步驟包括：

A1）在獲取待監測區域的野外實測數據時，采樣選擇30m×30m樣地進行調查，選擇植被分布較為均一并且具有代表性的地點作為樣地，在每個樣地四角及中心設置采樣點，對每個采樣點使用LAI-2000植物冠層分析儀進行植被冠層葉面積指數采集，最后對樣方內的采樣點取平均值作為樣方的LAI值，得到樣方的LAI值；

A2）在構建反演模型時，引入了植被覆蓋度和高程值2個地理環境因子作為反演模型的關鍵因子，與LAI的敏感波段共同作為模型輸入參數，使用遙感圖像數據和實地樣本數據構建LAI敏感波段、地理環境因子與實測LAI的多元線性回歸模型，得到待監測區域的LAI時間序列數據；

所述步驟A2）中引入了植被覆蓋度和高程值2個地理環境因子作為反演模型的關鍵因子具體是指將植被覆蓋度作為輸入參數參與反演模型的構建，使用基于NDVI的像元二分模型來反演植被覆蓋度，根據

得到植被覆蓋度，其中NDVIsoil為完全是裸土或無植被覆蓋區域的?NDVI值，NDVIveg為完全由植被覆蓋的區域NDVI的值，采用NDVIsoil和NDVIveg方法；

所述步驟2）中使用變異系數逐像元分析待監測區域LAI?的空間波動性，一元線性回歸分析法逐像元分析LAI的空間變化趨勢，R/S分析法逐像元分析LAI變化的可持續性的詳細步驟包括：

B1）對待監測區域的LAI?數據進行逐像元穩定性分析，用變異系數來評估?LAI?隨時間變化的穩定性，根據

得到待監測區域植被LAI的波動情況，其中，n表示監測的年數，xi表示逐年的LAI值，表示LAI?的平均值，CV越大表示數據越分散，CV值越小表示數據越緊湊，植被變化越穩定；

B2）采用一元線性回歸分析的方法逐像元定量研究待監測區域植被LAI的變化趨勢，得到的值為每個像元在監測年份內一元線性回歸分析的斜率，根據

得到待監測區域的變化趨勢，其中n為變化監測的總年數，Li為第?i?年LAI的值，SLOPE為一元線性回歸分析的斜率；

B3）采用R/S分析法逐像元分析LAI變化的可持續性，R/S分析法計算得到的H值，即Hurst指數能夠較好的反映時間序列數據的自相關性，R/S?分析法的分析結果得到的Hurst指數結合變化趨勢分析的結果可以得到待監測區域植被?LAI逐像元變化趨勢的可持續性；

所述步驟B3）中R/S分析法的分析結果得到的Hurst指數結合變化趨勢分析的結果可以得到待監測區域植被LAI逐像元變化趨勢的可持續性的詳細步驟包括：

B31）根據計算待監測區域LAI的差分序列，根據差分序列與得到LAI的均值序列；

B32）根據得到待監測區域的離差，根據得到待監測區域的極差，最后根據得到標準差，Hurst指數即由R（m）/S（m）的比值，當0H0.5時，LAI時間序列數據前后趨勢變化特征相反，即?LAI?的變化具有反持續性，且H指數越接近0，反持續性越強；當0.5H1時，LAI時間序列數據前后趨勢具有一致性，即LAI的變化具有可持續性，且H指數越接近1，可持續性越強；當H=0.5時，LAI時間序列數據前后變化具有隨機性，即無法判斷變化趨勢；

所述步驟2）中結合地形數據分析LAI與LAI變化趨勢類型與地形因子的關系具體是指使用地形面積修正系數K來消除地形面積差異，以揭示在不同地形特征上LAI變化類型的分布及演變趨勢，根據得到K值，其中ΔVi?為某一LAI變化類型在某一地形特征下的面積，ΔV為某一植被類型在整個研究區的面積；Ti為某特定地形特征的面積；S為整個研究區的面積；

所述步驟3）中引入?GWR?模型分析不同土地覆蓋類型與?LAI?的關系及其所具有的空間非平穩性，得到不同土地覆蓋類型格局與待監測區域LAI之間的關系的詳細步驟包括：

C1）GWR?模型基于地理學第一定律，在OLS（Ordinary?Least?Square）模型的基礎上，將數據的地理位置加入到模型的回歸參數中，考慮相鄰點的空間權重，允許局部的參數估算而不是全局估算，根據得到樣本點i的因變量，其中yi為樣本點i的因變量，β0為回歸的常數項，βk?為回歸參數，xik為樣本點i的第?k個變量觀測值，εi為誤差項，（μi，νi）為樣本點i的地理坐標，β0（μi，νi）為樣本點i回歸常數項，βk（μi，νi）為xk?在樣本點處i的回歸參數；

C2）根據計算βk（μi，νi），其中:X為自變量的矩陣，XT為矩陣X的轉置矩陣，Y為因變量的矩陣，W（μi，νi）為空間權重的矩陣；

C3）根據計算空間權重的矩陣，其中Wij為利用空間樣點j?估計待測點i時的權重，dij為樣點j與待估測點i間的歐氏距離，h為帶寬，利用最小赤池信息準則進行確定。