基于遥感植被指数的生物量估算

基于遥感数据的指数是一套可用来估算生物量的有用技术。一些指标的例子如下:NDVI，或归一化差异植被指数(Dong et al. 2003;郑等，2004;富恩特斯等人，2006;Tan et al. 2007);追杀,或者增强植被指数(Huete et al. 2002;纳格勒等人，2005;Ostwald and Chen 2006);叶面积指数(Fassnacht et al. 1997);票面价格,或者光合作用的有效辐射(Wylie et al. 2007)和FPC，即树叶预测覆盖和CPC，即树冠预测覆盖(Rosenqvist et al. 2003)。Lu等人(2002)给出了亚马逊地区使用的其他几种植被指数的例子。这些指数可与其他技术结合使用，如实地测量或其他环境数据，以获得土地使用系统的碳含量。

作为估算生物量所涉及步骤的第一个说明，这里使用NDVI森林植被．NDVI使用近红外光谱和红色光谱的比值(NIR - red/NIR + red)，可以作为绿叶面积的代表(Myneni et al. 1998)，因为它是光合作用的信号，经常被用作揭示植被覆盖季节和/或年际变化的指标。NDVI因其可用性和长期的植被测量历史而被广泛用于生物量研究(Todd等，1998;Dong et al. 2003;Seaquist等人，2003;郑等，2004;富恩特斯等人，2006;明等，2006;Tan et al. 2007;Wylie et al. 2007)。

步骤1:收集森林生物量的清查数据

°根据所需的空间尺度和精度，可以从50 x 50 m的地块大小中收集有用的数据(Lu et al. 2002;从Lucas et al. 2006)到整个省份的统计数据(Dong et al. 2003)°对数据进行地理定位，使其与遥感数据相对应°将数据转换为碳(方法见第10章)°如果数据量大，则将其分为模型开发集和验证集(Labrecque et al. 2004)

步骤2:收集区域NDVI数据

NDVI产品确实来自多个数据库，但也可以从覆盖近红外和红色光谱的波段数据中获得。Muukkonen和Heiskanen(2006)描述了利用不同分辨率的遥感数据进行逐步嵌套的技术。一种有用的方法是收集覆盖森林生长季节的生物量清册日期之前几年的NDVI数据(Dong et al. 2003)。Dong et al.(2003)建议累积生长季节的NDVI

步骤3:确保遥感数据经过校准，以减少卫星或技术噪声或大气问题(见第14.2.2节)

最常见的是云效应(Lillesand et al. 2004)。数据分发者通常有关于如何做到这一点的信息

步骤4:确保NDVI数据是地理参考的，以便在相应的像素中识别库存图。步骤5:生成NDVI模型

NDVI模型需要考虑的参数有:物种组成(Labrecque et al. 2004)、林龄(Zheng et al. 2004)、无监督土地分类-使用等级(Labrecque et al. 2004)、纬度(如果区域覆盖面积较大)、植被质地(Lu et al. 2002)和对数森林生物量(Tan et al. 2007)

步骤6:找到碳数据与NDVI之间的关系

°关联两个数据集，以建立统计关系。检验的例子是皮尔逊相关系数和逐步回归分析(Lu等，2002)。

如果使用两组数据，一组用于建立模型，一组用于验证，则可以使用简化的误差矩阵(见表14.3)。

表14.3误差矩阵表及基于建模集和评估集的精度评估

测量				误差矩阵
模仿	低C	中C	高C	总计	生产者精度(%)
低C	180	50	38	268	180/268 = 67
中C	49	210	31	290	210/290 = 72
高C	40	30.	200	270	200/270 = 74
总和	269	290	269	828	总体精度590/828 = 71

第七步:评估你们的关系

°决定系数(R2)描述了回归模型中解释的变异百分比，值接近1的变量之间的相关性更强。有关不同遥感应用的精度，请参阅第14.4节

°如果使用一个模型开发集和一个评估集，精确度百分比如误差矩阵所示(表14.3)。

这里使用NDVI来演示程序，但其他指标或单一光谱波段也可以根据其可用性和项目要求使用和测试。无论所使用的传感器类型或遥感数据类型如何，这些步骤都是基本的。

继续阅读:Procomap

这篇文章有用吗?

＋1 0