植被叶面积指数高空间分辨率无缝制图研究——以江苏省为例
文献类型：学位论文
| 作者 | 周科 |
| 答辩日期 | 2025-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 陈鹏飞 |
| 关键词 | 叶面积指数 多源卫星影像 Transformer 空间无缝 髙空间分辨率 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 叶面积指数（Leaf Area Index, LAI)是反映植被长势的重要参数。及时监测 叶面积指数有助于精准评估植被的生长状态，为精准农业管理及气候变化研究提 供支持。相对于传统叶面积指数测量方法，基于遥感技术实现叶面积指数监测， 具有大面积同步、快速、无损的优点。目前，已有大量LAI数据产品。但由于云、 雨天气和卫星过境周期的影响，在多云雨地区，反射率影像存在大量无效像元， 使得基于其制作的LAI产品存在缺失值。这种问题对于已有髙空间分辨率LAI 产品尤其突出。LAI产品数据的缺失，严重影响其应用需求。另外，考虑到已有 基于遥感的LAI产品反演方法多基于单一时相影像，未充分考虑时序信息应用。 时序深度学习方法的出现为时序信息髙效提取，提髙LAI反演精度提供了机遇。 因此，开展髙空间分辨率无缝反射率数据制作，并进一步结合先进的时序深度学 习方法提出LAI反演策略，实现髙空间分辨率无缝LAI制图，具有重要研究意 义与应用价值。 江苏省是多云、雨天气的地区，且植被类型多样。因此，本研究以江苏省为 研究区，耦合多源卫星影像，开展LAI高空间分辨率无缝制图研究。在这一过程 中，收集了 MODIS逐天反射率产品（MOD09GA)、美国陆地卫星与哨兵卫星协 调影像数据集(HarmonizedLandsat and Sentinel-2, HLS)、ESRI 土地覆被数据等。 另外，在2023年开展地面调查，获取了不同土地覆被类型地面LAI实测数据。 基于以上数据，本研究首先耦合已有云检测方法、影像合成策略、影像自动配准 方法、时空融合方法、时序滤波等技术，在对部分方法改进（云检测方法、影像 合成策略）的基础上，提出了基于MODIS影像重构每12天HLS影像缺失数据 的方法，以生产高空间分辨率每12天无缝反射率数据集；其次，耦合PROSAIL 模型、Transformer时序深度学习模型和迀移学习策略，利用时序反射率数据构建 了 LAI反演模型，并设计情景试验，将其与基于长短记忆神经网络法(Long Short- Term Memory, LSTM )、双向长度记忆神经网络法（Bidirectional Long Short-Term Memory, Bi-LSTM )、卷积神经网络（Conventional Neural Network, CNN )、反向 传播神经网络（Backpropagation Neural Network, BPNN)等方法构建的模型进行 对比，筛选最优LAI反演模型；最后，基于最优反演模型生产2023年江苏省每 12天的LAI数据集，并将其与目前常用的MODISLAI产品进行对比。本研究的 结论如下： (1)设计的重构HLS缺失数据，生产30m空间分辨率每12天无缝反射率 数据集的方法，实现了缺失数据的重建，并达到较高的重建精度。在重建率方面， 2023年每12天合成的HLS数据产品在重建前的缺失率在20%-100%之间变化，重建后各时期反射率影像不存在缺失，缺失数据重建率达到100%; 在重建精度 方面，各波段反射率均取得了较好的精度，误差均较低。其中，蓝光波段的重建 预测均方误差（Root Mean Square Error, 范围为0.006到0.010; 绿光波段的RMSE范围为0.006到0.010; 红光波段的RMSE范围为0.008到0.018; 近红 外波段的重建RMSE范围为0.014到0.022; 短波红外1波段重建RMSE范围为 0.013到0.025; 短波红外波段2的重建RMSE范围为0.013到0.019。 (1)耦合PROSAIL模型、Transformer模型、迁移学习方法可实现LAI的 高精度反演。由于地面采样工作量大，难以大量获取样本。本研究基于PROSAIL 模型模拟海量数据，并结合实测数据，设计多种情景来对比基于Transformer模 型、Bi-LSTM模型、LSTM模型、CNN模型和BPNN反演LAI的优劣。结果表 明，无论是否使用迁移学习方法训练方法，与其它模型相比，Transformer模型均 取得了最优的LAI反演结果；Bi-LSTM模型、LSTM模型、CNN模型等其它可 利用时序信息的模型取得了中等程度的LAI反演结果；不能有效利用时序信息 的BPNN模型取得了最低的LAI反演精度。其中，耦合Transformer模型和迁移 学习方法的模型取得了最髙的LAI反演精度，基于外部独立数据集的测试决定 系数（Coefficient of Determination, i?2)为 0.62，预测 RMSE 为 0.79，平均相对误 差（Mean Relative Error, MRE)为 14.80%; 其它模型的及2在 0.31 到 0.59 之间， RMSE 在 0.82 到 1.06 之间，MRE 在 15.41%到 22.28%之间。 (2)相对于MODIS LAI产品，基于本研究方法生产的HLS LAI数据在空 间变化与真实地表表现出更好的一致性。考虑数值缺失、时间范围、影响力等因 素，本研究从已有LAI产品中选择MODIS LAI产品与生产的HLS LAI数据进 行对比。结果表明，在空间上，虽然两种数据提供的LAI值空间分布相似，但 本研究生产的HLS LAI比MODISLAI产品包含更详细的空间信息，如田块间 的机耕道路、城乡结合的边界信息等；在时间上，相对于MODISLAI时序曲线， HLSLAI时序曲线更加平滑，噪音更小，且与植被动态更为一致。 |
| 学科主题 | 地图学与地理信息系统 |
| 语种 | 中文 |
| 页码 | 84 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/215740]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 周科. 植被叶面积指数高空间分辨率无缝制图研究——以江苏省为例[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。