2015, Vol. 51
文章信息
- 周靖靖, 赵忠, 刘金良, 赵君, 赵青侠, 刘俊
- Zhou Jingjing, Zhao Zhong, Liu Jinliang, Zhao Jun, Zhao Qingxia, Liu Jun
- 不同方法提取的快鸟影像信息估算刺槐林有效叶面积指数的精度比较
- A Comparison of Different Quickbird Image Information for Estimating the Effective Leaf Area Index of Robinia pseudoacacia Plantations
- 林业科学, 2015, 51(9): 24-34
- Scientia Silvae Sinicae, 2015, 51(9): 24-34.
- DOI: 10.11707/j.1001-7488.20150904
-
文章历史
- 收稿日期：2014-07-31
- 修回日期：2015-02-09
-
作者相关文章
2. 华中农业大学园艺林学学院 武汉 430070；
3. 国家林业局华东林业调查规划设计院 杭州 310019
2. College of Horticulture & Forestry Sciences, Huazhong Agricultural University Wuhan 430070;
3. East China Forest Inventory and Planning Institute, State Forestry Administration Hangzhou 310019
叶面积指数(leaf area index，LAI)是指单位水平地面上所有叶片表面积的一半或总叶片投影面积的一半(Chen et al.，1992)，控制着冠层与大气的物质流动(Barr et al.，2004；Sonnentag et al.，2007)，是森林生物量估测和病害评价的有效参数，是表征林分长势和预测森林产量的重要林学指标之一，也是森林定量遥感的地面定标手段(石月婵等，2012；Nemani et al.，1993)。准确测定 LAI 对于预测林木生长以及植被对全球气候变化的响应至关重要(Rautiainen et al.，2012；Tillack et al.，2014)。
遥感方法是唯一能够快速连续获取区域乃至景观尺度LAI分布的方法(Gray et al.，2012)。以往大量的研究通过建立光谱信息与地面实测数据的经验方程来反演LAI(Kovacs et al.，2005；Soudani et al.，2006；Wang et al.，2005；Tian et al.，2007)，然而当LAI值中等或者较高时(LAI≥3)，光谱信息会降低对植被的敏感性，即光谱达到饱和，导致光学遥感的光谱信息LAI反演精度较低(Baret et al.，1991)。高分辨率遥感数据的空间信息如纹理，与森林的空间结构有关，能很好地识别地物，可用于估算森林生物量(Sarker et al.，2011；Zhou et al.，2013)、LAI(Gray et al.，2012；Kraus et al.，2009)及生物多样性(Wood et al.，2012)。灰度共生矩阵是计算纹理指数的常用方法(柳钦火，2010)，且大量研究通过建立灰度共生矩阵计算的纹理指数与森林参数的经验方程以达到反演森林参数的目的(Nichol et al.，2011；Wulder et al.，1996；Zhou et al.，2013)。针对于黄土高原地区刺槐(Robinia pseudoacacia)林LAI的反演，周靖靖等(2014)研究表明，仅仅利用纹理信息来估算刺槐林有效叶面积指数(effective leaf area index，LAIe)，R2可达到0.72。结合光谱和纹理的反演方法能够充分利用高分辨率影像丰富的光谱和空间信息，有效提高分析的准确性和精度(赵安玖等，2014)，已用于提高森林生物量的反演精度、不同森林类型LAI反演以及提高分类精度等方面(Colombo et al.，2003；Ota et al.，2011；Ouma et al.，2006；Song et al.，2008)。
本研究在前人研究的基础上，运用Quickbird(快鸟)遥感数据的纹理信息和光谱信息，结合野外实测的刺槐林LAIe值，细化研究方法，比较光谱-纹理组合参数和仅仅利用纹理信息对刺槐林LAIe的估算精度，探究Quickbird影像光谱信息与纹理信息在提高LAIe反演精度上的组合规律，以期为LAIe的反演和刺槐林健康评价研究提供参考。
1 研究区概况研究区位于陕西省咸阳市永寿县槐坪林场和马莲滩林场，地理位置34°47′—34°51′ N，108°05′—108°10′ E，海拔1 123～1 417 m。植被属于暖温带半湿润落叶阔叶林带，森林覆盖率38%(张晶晶等，2010)，以刺槐人工林为主，此外还有油松(Pinus tabulaeformis)、侧柏(Platycladus orientalis)等。气候为温带大陆性气候，年平均温度7～13.3 ℃，年平均降雨量601.6 mm，其中53%集中在7—9月，年均蒸发量大于降雨量。植被生长季节为4月初至10月底。土壤主要为淋溶性褐土和黑垆土，还有少量的红土、潮土、淤土、石渣土等(郑元，2010)。
2 研究方法 2.1 样地布设及有效叶面积指数测定2012年6月，在研究区选择76块林相整齐的林分，在每一林分中布设1块20 m × 20 m的样地。调查林分的林龄7～35年，在各个坡向均有分布，密度为525～3 000株 ·hm-2。调查每块样地的立地与林分因子，GPS记录样地4角坐标。使用LAI-2200植被冠层分析仪测定所有样地的LAIe，具体方法参考周靖靖等(2014)和周慧等(2011)。样地内采样点分布如图 1所示，所有样地LAIe平均值为4.43，变化范围为0.95～6.80。随机选取52块样地的LAIe用于模型建立，剩余24块样地的LAIe用于模型精度检验。
 |
图 1 样地内采样点分布 Fig.1 The distribution of sampling points within each plot |
本研究所用数据为2012年6月22日获取的快鸟影像全色和多光谱数据，空间分辨率分别为0.61 m和2.44 m。用1 :1万数字高程模型(DEM)数据和50个野外地面采集控制点对全色影像进行正射校正，误差为0.68像素，用校正好的全色影像校正多光谱数据，精度为0.34像素。辐射定标多光谱数据，采用基于MODTRAN 4+辐射传输模型的大气校正FLAASH模块(Yuan et al.，2009)进行大气校正，获取地表反射率。所有影像处理过程均在ENVI 4.7中完成。提取6种植被指数[式(1)～(6)]、近红外波段(b4)和7种纹理指数[式(8)～(14)]参与LAIe估算。灰度二阶矩阵(GLCM)是最常用的计算纹理指数的方法，根据周靖靖等(2014)的研究结果，熵(ENT)、变化量(VAR)、相关性(COR)、角二阶矩阵(ASM)在 3×3窗口下、对比度(CON)和非相似度(DIS)在9×9窗口下对LAIe的估算精度最高，因此本研究运用GLCM方法选择在3×3窗口下计算全色影像的ENT，VAR，COR，ASM，利用9×9窗口计算纹理指数CON和DIS。光谱-纹理参数的计算参考Colombo等(2003)方法，将纹理栅格图重采样到2.4 m，对光谱信息(b4，NDVI，DVI，EVI，NLI，MSAVI和SAVI)和纹理指数(CON_W9×9，DIS_W9×9，ENT_W3×3，VAR_W3×3，COR_W3×3和ASM_W3×3)分别进行栅格运算，利用ArcGIS 9.3分区统计软件统计每块样地的纹理-光谱参数平均值。
土壤调节植被指数(SAVI)：
| ${\rm{SAVI}} = \frac{{\left( {1 + L} \right)\left( {{\rm{NIR}} - R} \right)}}{{{\rm{NIR}} + R + L}}。 $ | (1) |
修正的土壤调节植被指数(MSAVI)：
| $ \begin{array}{l} {\rm{MSAVI}} = \left[ {\left( {2{\rm{NIR}} + 1} \right) - } \right.\\ \sqrt {\left. {{{\left( {2{\rm{NIR}} + 1} \right)}^2} - 8\left( {{\rm{NIR}} - R} \right)} \right]} /2 \end{array}。 $ | (2) |
非线性植被指数(NLI)：
| $ {\rm{NLI}} = \frac{{{\rm{NIR}} - R}}{{{\rm{NIR}} - RB}}。 $ | (3) |
改进型土壤大气修正植被指数(EVI)：
| $ {\rm{EVI}} = \frac{{G\left( {{\rm{NIR}} - R} \right)}}{{\left( {{\rm{NIR}} + {C_1}{\rm{NIR}} - {C_2}R + {C_3}} \right)}}。 $ | (4) |
差值植被指数(DVI)：
| $ {\rm{DVI}} = {\rm{NIR}} - R。 $ | (5) |
归一化植被指数(NDVI)：
| $ {\rm{NDVI}} = \frac{{{\rm{NIR}} - R}}{{{\rm{NIR}} + R}}。 $ | (6) |
式中： B，R，NIR分别代表快鸟数据蓝波段、红波段和近红外波段的地表反射率；参数L设为0.5；C1，C2，C3，G分别为 6.0，7.5，1和2.5(Colombo et al.，2003)。
平均值(ME)：
| $ {\rm{ME}} = \sum\nolimits_{i，j = 0}^{N - 1} {i{P_{i，j}}}。 $ | (7) |
同质性(HOM)：
| $ {\rm{HOM}} = \sum\nolimits_{i，j = 0}^{N - 1} {i\frac{{{P_{i，j}}}}{{1 + {{\left( {i - j} \right)}^2}}}} 。 $ | (8) |
对比度(CON)：
| $ {\rm{CON}} = \sum\nolimits_{i，j = 0}^{N - 1} {i{P_{i，j}}{{\left( {i - j} \right)}^2}} 。 $ | (9) |
非相似度(DIS)：
| $ {\rm{DIS}} = \sum\nolimits_{i，j = 0}^{N - 1} {i{P_{i，j}}\left| {i - j} \right|} 。 $ | (10) |
熵(ENT)：
| $ {\rm{ENT}} = \sum\nolimits_{i，j = 0}^{N - 1} {i{P_{i，j}}\left( { - \ln {P_{i，j}}} \right)} 。 $ | (11) |
变化量(VAR)：
| $ {\rm{VAR}} = \frac{{\sum\nolimits_{i，j = 0}^{N - 1} {{{\left( {{P_{i，j}} - \mu } \right)}^2}} }}{{N - 1}}。 $ | (12) |
角二阶矩阵(ASM)：
| $ {\rm{ASM}} = \sum\nolimits_{i，j = 0}^{N - 1} {iP_{i，j}^2} 。 $ | (13) |
相关性(COR)：
| $ \begin{array}{l} {\rm{COR = }}\sum\nolimits_{i，j = 0}^{N - 1} {ij{P_{i，j}} - {\mu _1}{\mu _2};} \\ {\mu _1} = \sum\nolimits_{i = 0}^{N - 1} {i\sum\nolimits_{j = 0}^{N - 1} {{P_{i，j}}} ;} \\ {\mu _2} = \sum\nolimits_{j = 0}^{N - 1} {j\sum\nolimits_{j = 0}^{N - 1} {{P_{i，j}}} } \end{array}。 $ | (14) |
式中： Pi，j为第i，j元素的标准化值；N为行或列号。
2.3 统计处理数据统计分析和参数拟合在SAS8.0统计软件中完成，图形在Origin 8.0科技绘图软件中完成。为了避免影像参数间的多重共线性问题，本研究采用单变量的一元线性回归模型和非线性回归方程(二次多项式模型、指数模型和乘幂模型)来建立刺槐林LAI的模拟方程，模型具体描述如下：
1)一元线性回归模型y=a+bx，式中： y代表影像参数，x表示LAIe，a和b分别表示拟合曲线的斜率和截距。
2)非线性回归模型 ①二次多项式模型y=b0+b1x1+b2x22，式中： y代表影像参数，x表示LAIe，b0，b1和b2表示拟合系数；②乘幕模型 y=b0xb1，式中： y代表影像参数，x表示LAIe，b0和b1表示拟合系数；③指数模型 y=b0eb1x，式中： y代表影像参数，x表示LAIe，b0和b1表示拟合系数。
计算决定系数(r2)、P-level和均方根误差(root mean square error，RMSE)来选择最佳刺槐林LAIe预测模型和最适合的参数：
| $ {\rm{RMSE}} = \sqrt {\frac{{\sum\nolimits_{i = 1}^n {{{\left( {{{\hat y}_i} - {y_i}} \right)}^2}} }}{n}} 。 $ |
式中： ${\hat y_i}$为刺槐林LAIe模拟值；yi为刺槐林LAIe野外实测值；n为验证样本个数。
3 结果与分析 3.1 一元线性回归模型一元线性回归模型均达到极显著水平(P < 0.01)，且对于大多数纹理指数，纹理-光谱信息对刺槐林LAIe的估算精度高于纹理信息，可明显提高LAIe的估算精度(图 2)。HOM，ASM与任意植被指数结合后的r2均比单独利用HOM，ASM的精度高，且RMSE均比单独利用HOM与ASM低，最低为0.41。CON，DIS，VAR，COR与部分植被指数结合，r2比相应纹理指数高，CON与b4，EVI，NLI，MSAVI，NDVI，SAVI结合，r2均比CON高，RMSE最低为0.70；DIS与EVI，NLI，MSAVI，NDVI结合，r2比DIS高，RMSE最低为0.70；VAR与EVI，NLI，MSAVI，NDVI和SAVI结合，r2比VAR提高，RMSE最低为0.76；COR与b4，DVI，EVI，SAVI结合后，其精度提高，RMSE由1.35降为0.87；然而ENT和植被指数结合的估算精度低于ENT。
 |
图 2 比较光谱-纹理指数与纹理对LAIe估算精度(一元线性回归模型) Fig.2 Coefficients of determination (r2) for LAIe retrieval using combinations of two SVIs with texture parameters and using texture parameters alone(simple linear regression model) |
纹理-光谱、纹理分别与实测LAIe建立的二次多项式模型均达到极显著水平(P < 0.01)，二者对刺槐林LAIe的反演结果比较如图 3所示。HOM，ASM和COR与任意植被指数结合，其r2均高于相应纹理指数，RMSE均低于相应纹理指数，分别由0.87，0.61，1.35相应降为0.54，0.41，0.78。CON，DIS和VAR与部分植被指数结合，r2比相应纹理指数高，CON与b4，EVI，NLI，MSAVI，NDVI，SAVI结合后，其r2比CON高，RMSE最低为0.77；DIS与EVI，NLI，MSAVI，NDVI结合，r2比DIS高，RMSE最低为0.63；VAR与EVI，NLI，MSAVI，NDVI和SAVI结合，r2比VAR提高，RMSE最低为0.70；而ENT与植被指数结合对LAI的反演精度低于ENT，即ENT+SVIs的r2低于ENT。
 |
图 3 比较光谱-纹理指数与纹理对LAIe估算精度(二次多项式模型) Fig.3 Coefficients of determination (r2) for LAIe retrieval using combinations of two SVIs with texture parameters and using texture parameters alone(quadratic regression model) |
利用乘幂模型对比纹理-光谱与纹理信息对刺槐林LAIe的估算结果见图 4，乘幂模型均达到极显著水平(P < 0.01)，ASM，COR与植被指数结合的r2均高于ASM与COR，RMSE最低为0.74和0.61。其余纹理指数与部分植被指数结合能提高估算精度： CON与b4，EVI，NLI，MSAVI，NDVI，SAVI结合后对LAIe的r2比CON高，RMSE最低为0.76；EVI，NLI，MSAVI，NDVI提高DIS的r2，RMSE最低为0.75；DVI，MSAVI与SAVI提高HOM对LAIe的r2，RMSE最低为0.73；EVI，NLI，MSAVI，NDVI与SAVI提高VAR的估算效果，RMSE最低为0.73。
 |
图 4 比较光谱-纹理指数与纹理对LAIe估算精度(乘幂模型) Fig.4 Coefficients of determination (r2) for LAIe retrieval using combinations of two SVIs with texture parameters and using texture parameters alone(power model) |
将利用指数模型得到的纹理-光谱与纹理的估算结果相对比(图 5)，结果表明，指数模型均达到极显著水平(P < 0.01)，HOM，COR，ASM与植被指数结合后，估算精度均比相应纹理指数高。CON，DIS，VAR与部分植被指数结合后，r2比相应纹理指数高，RMSE最低分别为0.79，0.64和0.72。CON与除DVI以外的植被指数结合，提高了CON的估算精度，RMSE最低为0.79。DIS和VAR分别与EVI，NLI，MSAVI，NDVI和SAVI结合后，r2比相对应的DIS与VAR高；与b4和DVI结合后，估算精度比DIS与VAR低。ENT与植被指数结合，估算精度均比ENT低。
 |
图 5 比较光谱-纹理指数与纹理对LAIe估算精度(指数模型) Fig.5 Coefficients of determination (r2) for LAIe retrieval using combinations of two SVIs with texture parameters and using texture parameters alone(exponential model) |
分别从4种不同模型的光谱-纹理组合中选择估算精度最高的参数组合，分别是CON_W9×9+MSAVI，DIS_W9×9+NDVI，ENT_W3×3+NLI，HOM_W3×3+MSAVI，ASM_W3×3+MSAVI，VAR_W3×3+MSAVI，COR_W3×3+MSAVI，比较4种模型对光谱-纹理估算刺槐林LAIe的影响，其r2比较结果如图 6所示，二次多项式模型和指数模型的r2略高于其他2种模型；另外，二次多项式模型的RMSE分别为0.87，0.80，0.65，0.54，0.41，0.73，0.78，略低于其他3种模型。
 |
图 6 不同反演模型对LAIe估算的影响 Fig.6 Influence of predicted model on accuracy of LAIe estimation models A.CON_W9×9+MSAVI; B.DIS_W9×9+NDVI; C.ENT_W3×3+NLI; D.HOM_W3×3+MSAVI; E.ASM_W3×3+MSAVI; F.VAR_W3× 3+ MSAVI; G.COR_W3×3+MSAVI. |
本研究以Quickbird影像的全色数据和多光谱数据为数据源，利用一元线性回归模型、二次多项式模型、乘幂模型和指数模型建立影像参数与野外实测LAIe的关系方程，比较光谱-纹理与纹理对刺槐林LAIe的估算效果，结论如下： 角二阶矩阵(ASM)、同质性(HOM)和相关性(COR)与任意植被指数结合，估算精度均比相应的纹理指数高；对比度(CON)、非相似度(DIS)、变化量(VAR)与部分植被指数结合后，估算精度比相应纹理指数高；熵(ENT)与植被指数结合反而降低了其反演精度。二次多项式模型和指数模型的r2比一元线性回归模型和乘幂模型稍高。
纹理通常能够反映森林的结构信息，植被特征由传感器收集的光谱信息反映出来，而植被指数能够定量光谱信息。由于阴影、树高以及密度等因素，无法精确从遥感影像上提取森林植被的光谱信息(Wood et al.，2012)，而将纹理信息加入到光谱信息较纹理信息能提高LAI估算精度，实际上是植被特征与空间结构的结合较仅仅利用空间结构能够更好地表达LAI特征。森林是由密集和稀疏单元组合而成的，刺槐林冠层空间结构的不均一和随机分布可以通过高分辨率影像的纹理信息得到一定的反映(Colombo et al.，2003；Gebreslasie et al.，2011；Wood et al.，2012；Wulder et al.，1998)。而结合光谱和纹理的反演方法能够充分利用高分辨率Quickbird影像丰富的空间和光谱信息，较为全面地反映森林结构。前人的研究也有类似的结果，如Wulder等(1996)将纹理作为辅助信息加入到 NDVI中有效改善了松树林和杨树林LAI的反演精度；Wulder等(1998)将多个纹理参数加入到 NDVI 中，使得阔叶林LAI反演精度提高了20%；Colombo等(2003)将纹理指数加入到植被指数中，对不同森林类型的LAI进行反演，精度明显提高。
另外，本文的研究将可能对解决光谱信息估算LAI的饱和问题提供思路。当LAI大于3时，光谱信息不会随着植被覆盖度的增大而增大，不能完全解释森林空间结构的集聚现象，本研究的研究区域刺槐林LAIe最大值达到6.8，因此光谱饱和可能是影响估算精度的重要原因。遥感影像是纹理和光谱的结合，纹理信息和光谱信息共同构成光学遥感数据丰富的信息量，但二者占主导地位的尺度不同。当遥感影像在小尺度内变化较小时，通常占主导地位的是光谱信息；相反，当具有较大变异时，占主导地位的是纹理信息。而决定这一差别的是不连续地物的大小和数量。随着小区域内可区分的不连续单元的灰色色调的增加，纹理将占主导地位(Haralick et al.，1973)。针对于森林冠层，纹理信息和光谱信息的结合实际上是森林空间结构信息和植被冠层表层信息的结合(Wulder et al.，1998)。当LAI达到一定程度时，郁闭度增大，冠层结构相对复杂，组成森林冠层的不连续单元增加，光谱信息不是反映森林植被的主要信息，而此时则可能是纹理信息成为反映森林植被的主要信息。纹理信息的介入，补充了光谱对森林植被特征的反映，所以在光谱信息达到饱和状态时，纹理信息和光谱信息的结合仍然可保证LAIe具有较高的估算精度。
| [1] |
柳钦火. 2010. 定量遥感模型、应用及不确定性研究. 北京: 科学出版社. (Liu Q H. 2010. The study of model, application, uncertainty about quantitative remote sensing. Beijing: Science Press.[in chinese])(  1)
|
| [2] |
石月婵,杨贵军,冯海宽,等. 2012. 北京山区森林叶面积指数季相变化遥感监测. 农业工程学报, 28(15): 133-139. (Shi Y C, Yang G J, Feng H K, et al. 2012. Remote sensing of seasonal variability monitoring of forest LAI over mountain areas in Beijing. Transactions of the Chinese Society of Agricultural Engineering, 28(15): 133-139[in chinese]).( 1)
|
| [3] |
张晶晶, 赵忠, 宋西德, 等. 2010. 渭北黄土高原人工刺槐林植物多样性动态. 西北植物学报, 30(12): 2490-2496. (Zhang J J, Zhao Z, Song X D, et al. 2010. Biodiversity dynamics of artificial Robinia pseudoacacia forest in Weibei Loess Plateau. Acta Botanica Boreali-Occidentalia Sinica, 30(12): 2490-2496[in chinese]).( 1)
|
| [4] |
赵安玖, 杨长青, 廖承云. 2014. 基于影像纹理特征的川西南山地常绿阔叶林有效叶面积指数的空间分析.应用生态学报, 25(11): 3237-3246. (Zhao A J, Yang C Q, Liao C Y. 2014. Spatial analysis of LAIe of montane evergreen broad-leaved forest in southwest Sichuan, Northwest China, based on image texture. Chinese Journal of Applied Ecology, 25(11): 3237-3246.[in chinese])( 1)
|
| [5] |
郑元. 2010. 刺槐光合生理特征与固碳能力研究. 杨凌: 西北农林科技大学博士学位论文. (Zheng Y. 2010. A study of photosynthetic and physiological characteristics and carbon fixation capacity of black locust (Robinia pseudoacacia). Yangling: PhD thesis of Northwest A& F University[in chinese]).( 1)
|
| [6] |
周慧, 赵忠, 周靖靖, 等. 2011. 黄土高原区不同密度刺槐林冠层结构特征及月动态变化. 林业科技开发, 25(5): 16-20. (Zhou H, Zhao Z, Zhou J J, et al. 2011. Canopy structure of black locust plantations with different densities and monthly dynamics in the Loess Plateau. China Forestry Science and Technology, 25(5): 16-20[in chinese]).( 1)
|
| [7] |
周靖靖,赵忠,刘金良,等. 2014. 基于快鸟影像纹理特性的刺槐林叶面积指数估算. 应用生态学报, 25(5): 1266-1274. (Zhou J J, Zhao Z, Liu J L, et al. 2014. Estimating leaf area index of black locust (Robinia pseudoacacia L.) plantations based on texture parameters of Quickbird imagery. Chinese Journal of Applied Ecology, 25(5): 1266-1274[in chinese]).( 3)
|
| [8] |
Baret F, Guyot G. 1991. Potentials and limits of vegetation indices for LAI and APAR assessment. Remote sensing of environment, 35(2): 161-173.(1)
|
| [9] |
Barr A G, Black T, Hogg E, et al. 2004. Inter-annual variability in the leaf area index of a boreal aspen-hazelnut forest in relation to net ecosystem production. Agricultural and Forest Meteorology, 126(3): 237-255.(1)
|
| [10] |
Chen J M, Black T A. 1992. Defining leaf area index for non-flat leaves. Plant Cell and Environment, 15(4): 421-429.(1)
|
| [11] |
Colombo R, Bellingeri D, Fasolini D, et al. 2003. Retrieval of leaf area index in different vegetation types using high resolution satellite data. Remote Sensing of Environment, 86(1): 120-131.(5)
|
| [12] |
Gebreslasie M T, Ahmed F B, van Aardt J A N. 2011. Extracting structural attributes from IKONOS imagery for Eucalyptus plantation forests in KwaZulu-Natal, South Africa, using image texture analysis and artificial neural networks. International Journal of Remote Sensing, 32(22): 7677-7701.(1)
|
| [13] |
Gray J, Song C. 2012. Mapping leaf area index using spatial, spectral and temporal information from multiple sensors. Remote Sensing of Environment, 119(16): 173-183.(2)
|
| [14] |
Haralick R M, Shanmugam K, Dinstein I H. 1973. Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions on, 6: 610-621.(1)
|
| [15] |
Kovacs J M, Wang J F, Flores-Verdugo F. 2005. Mapping mangrove leaf area index at the species level using IKONOS and LAI-2000 sensors for the Agua Brava Lagoon, Mexican Pacific. Extuarine Coastal and Shelf Science, 62(1/2): 377-384.(1)
|
| [16] |
Kraus T, Schmidt M, Dech S W, et al. 2009. The potential of optical high resolution data for the assessment of leaf area index in East African rainforest ecosystems. International Journal of Remote Sensing, 30(19): 5039-5059.(1)
|
| [17] |
Nemani R, Pierce L, Running S, et al. 1993. Forest ecosystem processes at the watershed scale: sensitivity to remotely-sensed leaf area index estimates. International Journal of Remote Sensing, 14(13): 2519-2534.(1)
|
| [18] |
Nichol J E, Sarker M L R. 2011. Improved biomass estimation using the texture parameters of two high-resolution optical sensors. IEEE Transactions on Geoscience and Remote Sensing, 49(3): 930-948.(1)
|
| [19] |
Ota T, Mizoue N, Yoshida S. 2011. Influence of using texture information in remote sensed data on the accuracy of forest type classification at different levels of spatial resolution. Journal of Forest Research, 16(6): 432-437.(1)
|
| [20] |
Ouma Y O, Tateishi R. 2006. Optimization of second-order grey-level texture in high-resolution imagery for statistical estimation of above-ground biomass. Journal of Environmental Informatics, 8(2): 70-85.(1)
|
| [21] |
Rautiainen M, Heiskanen J, Korhonen L. 2012. Seasonal changes in canopy leaf area index and MODIS vegetation products for a boreal forest site in central Finland. Boreal Environment Research, 17(1): 72-84.(1)
|
| [22] |
Sarker L R, Nichol J E. 2011. Improved forest biomass estimates using ALOS AVNIR-2 texture indices. Remote Sensing of Environment, 115(4): 968-977.(1)
|
| [23] |
Song C, Dickinson M B. 2008. Extracting forest canopy structure from spatial information of high resolution optical imagery: tree crown size versus leaf area index. International Journal of Remote Sensing, 29(19): 5605-5622.(1)
|
| [24] |
Sonnentag O, Chen J M, Roberts D A, et al. 2007. Mapping tree and shrub leaf area indices in an ombrotrophic peatland through multiple endmember spectral unmixing. Remote Sensing of Environment, 109(3): 342- 360.(1)
|
| [25] |
Soudani K, Francois C, le Maire G, et al. 2006. Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands. Remote Sensing of Environment, 102(1/2): 161-175.(1)
|
| [26] |
Tian Q, Luo Z, Chen J M, et al. 2007. Retrieving leaf area index for coniferous forest in Xingguo County, China with Landsat ETM+ images. Journal of Environmental Management, 85: 624-627.(1)
|
| [27] |
Tillack A, Clasen A, Kleinschmit B, et al. 2014. Estimation of the seasonal leaf area index in an alluvial forest using high-resolution satellite-based vegetation indices. Remote Sensing of Environment, 141: 52-63.(1)
|
| [28] |
Wang Q, Adiku S, Tenhunen J, et al. 2005. On the relationship of NDVI with leaf area index in a deciduous forest site. Remote Sensing of Environment, 94(2): 244-255.(1)
|
| [29] |
Wood E M, Pidgeon A M, Radeloff V C, et al. 2012. Image texture as a remotely sensed measure of vegetation structure. Remote Sensing of Environment, 121: 516-526.(3)
|
| [30] |
Wulder M, Franklin S, Lavigne M. 1996. High spatial resolution optical image texture for improved estimation of forest stand leaf area index. Canadian Journal of Remote Sensing, 22(4): 441-449.(2)
|
| [31] |
Wulder M A, LeDrew E F, Franklin S E, et al. 1998. Aerial image texture information in the estimation of northern deciduous and mixed wood forest leaf area index (LAI). Remote Sensing of Environment, 64(1): 64-76.(3)
|
| [32] |
Yuan J G, Niu Z, Wang X P. 2009. Atmospheric correction of hyperion hyperspectral image based on FLAASH. Spectroscopy and Spectral Analysis, 29(5): 1181-1185.(1)
|
| [33] |
Zhou J J, Zhao Z, Zhao Q, et al. 2013. Quantification of aboveground forest biomass using Quickbird imagery, topographic variables, and field data. Journal of Applied Remote Sensing, 7(1): 073484.(2)
|