資源描述：
《基于spot-5影像光譜和紋理特征的川西南山地闊葉林葉面積指數(shù)反演》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、萬方數(shù)據(jù)SichuanAgriculturalUniversityDissertationSubmittedinpartialfulfillmentoftherequirementforMASTERDEGREEThesouthwestSichuanmountainbroad．．1eavedforestleafareaindexinversionbasedonSPOT-5imagespectralandtexturefeaturesBy：YangWuDirectedby：ZhaoAnjiuAssociateProfes
2、sorJune，2014萬方數(shù)據(jù)論文獨創(chuàng)性聲明本人鄭重聲明：所呈交的學位論文是我個人在導師指導下進行研究工作所取得的成果。盡我所知，除了文中特別加以標注和致謝的地方外，學位論文中不包含其他個人或集體己經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得四川農(nóng)業(yè)大學或其它教育機構(gòu)的學位或證書所使用過的材料。與我一同工作的同志對本研究所做的任何貢獻均已在論文[}I作了明確的說明并表示了謝意。研究生簽名：沙阡年6月歹F關(guān)于論文使用授權(quán)的聲明本人完全了解四川農(nóng)業(yè)大學有關(guān)保留、使用學位論文的規(guī)定，即：學校有權(quán)保留并向國家有關(guān)部門或機構(gòu)送交
3、論文的復印件和電子版，允許論文被查閱和借閱，可以采用影印、縮印或掃描等復制手段保存、匯編學位論文。同意四JlI農(nóng)業(yè)大學可以用不同方式在不同媒體上發(fā)表、傳播學位論文的全部或部分內(nèi)容。／《壓論文不保密?？诒菊撐谋Ｃ?，在一年解密后適用本授權(quán)。(請在以上口內(nèi)劃“√”)研究生繇扔武。銣簽名：塑幺歡．沙l峰每矽護矽年6月f日易只l碥¨¨¨¨，一7?叭¨¨?，～～㈣2眥啊哪眥
4、_，¨¨¨¨．．¨帥帆¨l眥2mm刖耵姒●-¨¨¨、，¨¨¨¨，～mⅢⅢ姒●J¨¨n-】萬方數(shù)據(jù)摘要葉面積指數(shù)(Leafareaindex，LAI)作為植被
5、冠層結(jié)構(gòu)參數(shù)之一，是森林生態(tài)系統(tǒng)中一個十分重要的森林特征參量，能夠?qū)ι值墓趯咏Y(jié)構(gòu)和生長狀況給出直接的量化指標。LAI控制著森林的許多生物和物理過程，與許多生態(tài)過程有密切聯(lián)系，其變化能夠體現(xiàn)森林生長和發(fā)育的不同狀態(tài)，從而可以進行森林群體生長分析，因此葉面積指數(shù)LAI成為一個被國內(nèi)外研究者密切關(guān)注的一個關(guān)鍵植被因子。遙感反演的方法是目前唯一能在大尺度的時空范圍內(nèi)估算LAI的方法，然而適用于任意地區(qū)的LAI反演模型并不存在。紋理和光譜特征是進行影像分析和影像理解的重要信息源，如果能夠?qū)⑦@兩種特征信息進行有機的結(jié)合并進行相
6、應(yīng)的分析研究，所取得的效果必定優(yōu)于單一信息源的處理。闊葉林在川西南山地廣泛分布，對當?shù)厮帘３趾蜕鷳B(tài)環(huán)境的穩(wěn)定性有著重要意義，對其LAI的遙感反演還鮮有報道。綜合以上幾點，有必要開展基于SPOT-5影像光譜和紋理特征的川西南山地闊葉林葉面積指數(shù)反演研究工作。本研究選擇上里鎮(zhèn)為研究區(qū)，以SPOT．5影像為基礎(chǔ)數(shù)據(jù)，在研究區(qū)通過地面調(diào)查獲取研究區(qū)樣地的葉面積指數(shù)數(shù)據(jù)，采用GPS定位技術(shù)，在經(jīng)過幾何校正和輻射校正的遙感影像上提取對應(yīng)樣地點的植被指數(shù)與紋理特征，在SPSS20．0中對每個樣地的植被指數(shù)、紋理特征和LAIe進行
7、相關(guān)性分析并建立LAIe最優(yōu)預(yù)測模型。對研究區(qū)進行群落劃分，建立適合于每一個群落的LAIe最優(yōu)反演模型，并生成研究區(qū)LAIe圖。得到的主要結(jié)論如下：在所提取的八種植被指數(shù)中，除NLI之外，其它七種植被指數(shù)均與LAIe有著顯著相關(guān)，其中比值植被指數(shù)RVI與LAIe的相關(guān)性最好，在植被指數(shù)與LAIe的所有回歸方程中，效果最好的是多元線性回歸模型，模型表達式為：LAIe=44．575RVI．145．649NDVI．35．763在多波段影像中的4個單波段(B1、B2、B3、B4)，6個簡單波段比圖佃1／B2、B1／B3、B1
8、／B4、B2／B3、B2／B4、B3／B4)和通過多波段影像轉(zhuǎn)換而來的主成分圖(PCI、PC2、PC3、PC4)以及全色波段中，主成分PCI波段的紋理特征與LAIe具有最好的相關(guān)性，21x21窗口為主成分PCI波段紋理提取的最佳窗口，在八個紋理特征中，21x21窗口下提取的ENT與LAIe的相關(guān)性最好，在紋理特征與LAIe的所有回歸方程中，效果最好的是多元線性回歸模型，模型表達式為：LAIe=5．505—0．11MEA+0．024VAR．0．247ENT萬方數(shù)據(jù)將光譜特征和紋理特征結(jié)合建立LAIe反演預(yù)測的多元線性回
9、歸方程模型比只依靠植被指數(shù)或者紋理特征建立的方程模型擬合效果更好，模型表達式為：LAIe=．36．778+46．652RVI．155．034NDVI．O．013VAR使用重要值計算將研究區(qū)闊葉林分為5個群落，分別為栲林、栲+楠木林、楠木林、袍櫟林、中華石楠林。使用監(jiān)督分類中的最大似然法對研究區(qū)群落進行分類，各群落用戶精度及生成者精度均在80％以
