摘 要

叶绿素含量是陆地生态系统的重要参数，准确估算叶绿素含量对全球气候变化研究、全球碳循环建模和作物产量监测有重要意义。红边植被指数能够较好反映叶绿素含量信息，但在估计叶片叶绿素含量时易受冠层结构等其他因素干扰，反演精度不高。本文基于PROSPECT与4-Scale模型，模拟了不同叶片和冠层参数的森林冠层反射率，分析了8个红边指数对模型参数的敏感性差异，模拟结果显示，CSI指数对叶绿素含量敏感，对其他参数不敏感。基于优选的CSI指数，分别建立了经验回归和VI-matrix叶绿素含量反演模型，利用针叶林实测数据对模型进行检验，验证结果显示，CSI指数回归模型的均方根误差RMSE为10.33 ，精度高于CIre指数的15.8 和MTCI指数的25.99 ，CSI-EVI VI-matrix模型的RMSE为8.87 ，精度较CSI指数回归模型有所提升。在此基础上，应用本文反演算法，使用2019年Sentinel-2影像对龙峪湾国家森林公园进行了叶绿素含量反演，并分析了其叶绿素含量全年的变化趋势。

关键词：红边植被指数；叶绿素含量；PRPSPECT模型；4-Scale模型；VI-matrix

Abstract

Chlorophyll content is central to terrestrial ecosystem, and the accurate estimation of chlorophyll is of great significance for global climate research, carbon cycle modeling and crop monitoring. The red-edge vegetation index (VI) is sensitive to chlorophyll content information, but the estimation accuracy of leaf chlorophyll content (Chl_leaf) is susceptible to canopy structure factors. In this paper, PROSPECT and 4-Scale model was used for simulating the canopy reflectance of forest corresponding to different leaf and canopy parameters settings, and the sensitivity of 8 red-edge VIs to these parameters was analyzed. The simulation results showed that CSI was sensitive to Chl_leaf with the minimal canopy structural influences. Empirical regression and VI-matrix inversion model of Chl_leaf was then established based on CSI. The validation results using coniferous forest in-suit data showed that CSI achieved an accuracy of RMSE=10.33 , better than CIre and MTCI with accuracy of RMSE=15.8 and RMSE=25.99 , respectively. The accuracy of CSI-EVI VI-matrix model is RMSE=8.87 , which has improvement compared to the regression model based on CSI. Finally, the retrieval algorithm was applied to the Sentinel-2 canopy reflectance for deriving the Chl_leaf of forest in Longyuwan national forest park, and the temporal trends of Chl_leaf was analyzed.

Key Words：Red edge vegetation index；Leaf chlorophyll content；PROSPECT；4-Scale；VI-matrix

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 研究内容与技术路线 3

1.3.1 研究内容 3

1.3.2技术路线 3

第2章 数据与研究方法 5

2.1 数据采集 5

2.1.1 叶绿素含量实测数据 5

2.1.2 遥感影像数据 5

2.1.3 PROSPECT与4-Scale模型冠层模拟光谱数据 5

2.2 数据处理 6

2.2.1 遥感影像预处理 6

2.2.2 模拟冠层光谱数据处理 6

2.3 研究方法 7

2.3.1 红边植被指数选取 7

2.3.2 参数敏感性分析方法 8

2.3.3 叶绿素含量反演建模方法 8

第3章 植被指数对PROSPECT与4-Scale模型参数的敏感性分析 11

3.1 敏感性分析参数设置 11

3.2 模型参数敏感性分析 12

3.2.1 敏感性分析 12

3.2.2 红边指数对叶绿素含量与LAI的敏感性差异分析 15

第4章 基于红边指数的叶片叶绿素含量反演 18

4.1 经验回归模型构建 18

4.2 VI-matrix反演模型构建 19

4.2.1 VI-matrix生成 19

4.2.2 VI-matrix的不确定性分析 20

4.2.3 基于VI-matrix模型的叶绿素含量反演算法 21

4.3 模型验证与分析 22

4.4 叶绿素含量反演模型应用——以龙峪湾国家森林公园为例 24

4.4.1 龙峪湾国家森林公园概况 24

4.4.2 叶绿素含量反演结果与时间变化分析 25

4.4.3 讨论 27

第5章 结论与展望 30

5.1 结论 30

5.2 本文特色 30

5.3 存在不足与展望 31

参考文献 32

致谢 35

第1章 绪论

1.1 研究背景及意义

叶绿素含量是陆地生态系统中的一个重要参数，与植物的光合作用能力密切相关，也是植物生长和营养状态监测的重要指标^[1-3]。相较于具有破坏性的分光光度法和基于叶绿素对光吸收特征的手持SPAD法对叶绿素含量的单点测量，遥感提供了对区域和全球尺度叶绿素含量进行观测的独特手段^[4]。如何利用遥感及时准确地估计叶绿素含量，观测其时空分布变化对全球气候变化研究、生态系统碳循环建模、植被胁迫状态监测和作物产量预测有重要意义^{[5, 6]}。

近年来，欧空局Sentinel-2、Landsat TM-8和国产高分系列等卫星陆续发射运行，为地球观测提供了更多有效的高空间分辨率和高时间分辨率数据源^[7]，且Sentinel-2和高分六号卫星搭载的传感器包含多个对叶绿素含量更为敏感的红边波段，有助于进一步提高对叶绿素含量的反演精度^[8]，使得在大尺度和长时间序列上对叶绿素含量的动态变化观测成为可能。但是，目前还没有标准叶绿素含量反演算法，已有反演算法易受植被类型和冠层结构干扰，不具普适性，限制着植被叶绿素含量观测以及叶绿素含量遥感产品的生产和应用。