基于TM的遥感数据的叶面积指数估算解决方案

简介: 基于TM的遥感数据的叶面积指数估算解决方案

1、背景与技术路线

叶面积指数是重要的植被结构参数,反演叶面积指数是植被遥感的重要研究内容之一,其影响生 态系统的物质和能量循环,成为作物生长、路面过程、水文和生态等模型的输入参数或状态变量。今 年来,对也铭记指数的反演已经成为一个热点的话题,对其长期的监测产品的需求已经是一个不得不面对的问题。


内蒙古自治区位于中华人民共和国的北部边疆,由东北向西南斜伸,呈 狭长形,生态系统较为 复杂多样,其叶面积指数存在着很大的时空变异性,获得可靠的叶面积指数资料,对于研究区域的气 候变化与人类活动的响应具有非常重要的意义。地理遥感生态网平台发布的叶面积指数获取技术路线如下图:

微信截图_20230111142543.png


图1 叶面积指数获取技术路线


2、模型运行

2.1 数据准备

模型输入数据为 TM 数据与地面验证数据。基于 30m 分辨率的 TM 影像数据进行植被指数的反 演与遥感解译地面土地利用类型,两种数据相结合的数据方法。


2.2 数据预处理

TM 遥感影像数据进行标准化处理和产品生成,所以首要工作是做几何精校正、辐射定标、大气 校正、数据的拼接、数据的裁切,然后进行投影变换等以及产品标准化、通用化方面的处理过程,为 最后专题产品数据集应用分析奠定基础。


遥感解译、数据为以遥感图像计算机屏幕人机交互直接判读为核心的方法,同时采用基于遥感监 测的土地利用/土地覆被分类系统,保证了遥感人工解译后分类的准确性。


2.3 模型运行

叶面积指数的反演通常采用经验法,然而经验法存在方法适用性不强,对于植被覆盖复杂的地区 精度会受到影响,所以要将参数本地化,来保障精度,精度评价指标为均方根(RMSE)和估算精度 (EA),评估计算公式如下:

微信截图_20230111142552.png


3、模型验证与校正

模型运行结果通过文献资料以及结合地面验证数据,进行参数验证与校正,使模型进一步适合内 蒙古地区。下图为经过模型验证与校正后的内蒙古地区叶面积指数成果图,如图所示:

微信截图_20230111142559.png

图2 内蒙古地区七月叶面积指数成果图


4、模拟和结果分析

用 2000~2010 年 TM 数据,及遥感反演的参数,获得叶面积指数进行结果分析。主要用于分析:

a) 2000-2010 年植被退化/恢复情况

b) 2000-2010 年城市绿度

c) 2000-2010 年农作物的动态监测

d) 2000-2010 年气候的变化

相关文章
|
6月前
|
数据可视化 Python
Matlab正态分布、历史模拟法、加权移动平均线 EWMA估计风险价值VaR和回测标准普尔指数 S&P500时间序列
Matlab正态分布、历史模拟法、加权移动平均线 EWMA估计风险价值VaR和回测标准普尔指数 S&P500时间序列
106 11
|
6月前
|
算法 Linux
R语言随机波动率(SV)模型、MCMC的Metropolis-Hastings算法金融应用:预测标准普尔SP500指数
R语言随机波动率(SV)模型、MCMC的Metropolis-Hastings算法金融应用:预测标准普尔SP500指数
|
6月前
|
机器学习/深度学习 数据建模
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
|
6月前
|
机器学习/深度学习 数据可视化
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化(上)
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化
|
6月前
|
数据可视化 数据建模
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化(下)
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化
|
6月前
R语言用GAM广义相加模型研究公交专用道对行程时间变异度数据的影响
R语言用GAM广义相加模型研究公交专用道对行程时间变异度数据的影响
|
6月前
|
数据可视化
Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化
Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化
|
6月前
|
数据采集 数据可视化 定位技术
R语言空气污染数据的地理空间可视化和分析:颗粒物2.5(PM2.5)和空气质量指数(AQI)
R语言空气污染数据的地理空间可视化和分析:颗粒物2.5(PM2.5)和空气质量指数(AQI)
|
6月前
|
机器学习/深度学习 移动开发 Go
经济学:动态模型平均(DMA)、动态模型选择(DMS)预测原油时间序列价格
经济学:动态模型平均(DMA)、动态模型选择(DMS)预测原油时间序列价格
|
6月前
R语言量化:合成波动率指数移动平均策略分析标准普尔500波动率指数(VIX)
R语言量化:合成波动率指数移动平均策略分析标准普尔500波动率指数(VIX)
下一篇
无影云桌面