CN102878957A - 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 - Google Patents

Abstract

本发明涉及基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，包括：下载遥感影像并对其进行预处理，得到多光谱冠层反射率数据；运用PROSAIL模型，根据不同的参数组合建立查找表，确定不同参数和冠层反射率的关系，即回归方程；建立目标函数，结合多光谱冠层反射率数据，优化参数，直至得到目标函数的全局最小值及对应的参数组合，并利用多光谱冠层反射率数据对参数进行更新；根据上述所得到的回归方程、多光谱冠层反射率数据及参数组合，反演得到叶面积指数和叶绿素含量。该方法对传统方法进行了由点及面的扩展，无需田间观测数据，有效降低了传统方法测量叶面积指数和叶绿素含量的成本，提高了反演精度和速度。

Description

基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法

技术领域

本发明涉及遥感数据的处理和农学技术领域，尤其是一种基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法。 

背景技术

叶面积指数和叶绿素含量是重要的植物学参数，在农作物长势监测、产量估算等领域应用广泛。传统的测量叶面积指数和叶绿素含量的方法主要依靠田间取样和仪器测量，这种方法虽然具有较高的准确性，但其工作量大，且只能获得地面有限点的叶面积指数和叶绿素含量，难以获得大面积的叶面积指数和叶绿素含量，无法满足植被生态和作物长势监测的需求。 

遥感技术具有遥感技术探测范围大，手段多，获取的信息量大等特点，其发展和应用给大面积反演叶面积指数和叶绿素含量提供了可能。利用遥感技术反演叶面积指数和叶绿素含量的主要方法有经验反演法和模型反演法两种。其中，经验反演法主要通过建立植被指数与叶面积指数和叶绿素含量的统计关系来反演叶面积指数，但由于经验反演方法所依据的物理模型过于简单,植被指数与叶面积指数的统计关系往往缺乏普适性,反演误差较大；模型反演方法目前比较常用的模型有几何光学模型、辐射传输模型以及混合模型，不同模型的侧重点有所不同，它们共同的特点是具有一定的物理基础，反演更接近于现实，模型反演所需参数较多，在已有的模型反演方法中参数往往选用经验值或实测值，缺乏对参数的优化，代表性较差，给反演带来较大误差，影响反演精度。 

发明内容

本发明的目的在于提供一种无需田间观测数据、成本低、反演精度高、速度快的基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿 素含量的反演方法。 

为实现上述目的，本发明采用了以下技术方案：一种基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，该方法包括下列顺序的步骤： 

（1）下载遥感影像并对其进行预处理，得到多光谱冠层反射率数据； 

（2）运用PROSAIL模型，根据不同的参数组合建立查找表，确定不同参数和冠层反射率的关系即回归方程，所述的参数是指叶面积指数LAI、叶绿素含量LCC、结构参数N、干物质含量C_m以及等效水厚度C_W； 

（3）建立目标函数，结合多光谱冠层反射率数据，优化参数，使目标函数得到全局最小值，每次参数优化之后都需要再次执行步骤（2），直到得到目标函数的全局最小值，得到对应的参数组合，并用多光谱冠层反射率数据对参数进行更新； 

（4）根据步骤（3）所得到的参数组合、步骤（2）得到的回归方程以及多光谱冠层反射率数据，即可反演得到叶面积指数LAI和叶绿素含量LCC。 

所述的对遥感影像的预处理包括对遥感影像的辐射校正、几何校正、大气校正，得到多光谱冠层反射率数据，以及根据已有的土地利用矢量图、多光谱冠层反射率数据以及物候经验，利用软件将植被区域提取出来。 

根据所述的五个可变参数建立查找表，即叶面积指数LAI（0.3-7.5）、叶绿素含量LCC（10-90）、结构参数N（1.0-2.5）、干物质含量C_m（0.005-0.01）、等效水厚度C_W（0.01-0.02），在运用PROSAIL模型建立查找表时，LAI以0.5的步长共15个作为输入；LCC以5的步长共17个作为输入；结构参数N以0.1的步长共16个作为输入；干物质含量C_m以0.005的步长共2个作为输入；等效水厚度C_W以0.01的步长共2个作为输入，共计有16320个参数组合，即可模拟得到16320个 不同的多光谱冠层反射率数据；所述的由五个可变参数所建立的查找表可得到不同参数组合下的LAI-ρ_nir、LCC-ρ_g的关系方程，其中ρ_nir和ρ_g分别表示近红外波段和绿波段的冠层反射率，分析结构参数N与红波段、绿波段、近红外波段的相关性，选取相关性最好的建立回归方程。 

建立目标函数，目标函数表达式如下： 

$\mathrm{RMSE}=\sqrt{\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{\ρ}}_j^{*}-{\mathrm{\ρ}}_j)}^2}{m}}$

其中m表示波段数， 

表示观测的第j波段反射率，ρ_j表示模拟的第j波段反射率； 

对参数组合进行预选择，根据除LAI参数外不同参数组合的LAI-ρ_nir关系方程结合多光谱冠层反射率数据可以反演得到叶面积指数LAI，判断整个区域的LAI是否在给定的LAI边界内，若有超过5%不在边界内，则相应的参数组合被排除；根据除LCC参数外不同参数组合的LCC-ρ_g关系方程结合多光谱冠层反射率数据可以反演得到叶绿素含量LCC，判断整个区域的LCC是否在给定的LCC边界内，若有超过5%不在边界内，则相应的参数组合被排除。 

对参数组合进行预选择之后，在剩余的参数组合中，找出使目标函数最小的参数组合，得到的在这个参数组合下的结构参数N与反射率的关系，使用多光谱冠层反射率数据实现对结构参数N的更新；更新完成之后返回步骤（2）开始往下执行，此时结构参数N、干物质含量C_m、等效水厚度C_W参数的值已确定；当迭代次数在两次或两次以上时，判断当前的目标函数值与之前的目标函数的差的绝对值是否小于阈值ε，若判断结果为是，则迭代结束，参数选择使目标函数最小的参数组合，此目标函数即为全局最小值，否则继续迭代优化参数。 

所述阈值ε为0.5。 

根据使目标函数最小的参数组合，找出该参数组合相对应的 LAI-ρ_nir的回归方程，再由多光谱冠层反射率数据反演出叶面积指数LAI；根据该反演出的叶面积指数LAI、使目标函数最小的参数组合，重新运用PROSAIL模型，得到LCC-ρ_g的回归方程，再由多光谱冠层反射率数据反演出叶绿素含量LCC。 

由上述技术方案可知，本发明实现了模型参数的自动优化和完全基于图像的叶面积指数LAI和叶绿素含量LCC的获取，无需田间观测数据，有效降低了传统方法测量叶面积指数和叶绿素含量的成本，并对传统方式进行了由点及面的扩展，提高了反演精度和速度，为国家和政府进行作物长势的检测、估产等提供了依据。 

附图说明

图1为本发明的反演方法流程图。 

具体实施方式

如图1所示，一种基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，该方法包括下列顺序的步骤：（1）下载遥感影像并对其进行预处理，得到多光谱冠层反射率数据；（2）运用PROSAIL模型，根据不同的参数组合建立查找表，确定不同参数和冠层反射率的关系即回归方程，所述的参数是指叶面积指数LAI、叶绿素含量LCC、结构参数N、干物质含量C_m以及等效水厚度C_W；（3）建立目标函数，结合多光谱冠层反射率数据，优化参数，使目标函数得到全局最小值，每次参数优化之后都需要再次执行步骤（2），直到得到目标函数的全局最小值，得到对应的参数组合，并用多光谱冠层反射率数据对参数进行更新；（4）根据步骤（3）所得到的参数组合、步骤（2）得到的回归方程以及多光谱冠层反射率数据，即可反演得到叶面积指数LAI和叶绿素含量LCC。 

所述步骤（1）具体包括： 

步骤（1a）：下载遥感影像，对影像进行辐射校正、几何校正、大气校正等预处理，得到多光谱冠层反射率数据。在本发明实施例中，以 北京地区冬小麦作为示例，因此遥感影像选取覆盖北京地区的，时期选择在冬小麦的拔节期。遥感影像有很多类型，不同的卫星有不同的遥感产品，可以根据实际需要在网上下载和订购，例如国产的环境卫星的产品就可以在中国资源卫星应用中心网站上订购下载。上述预处理方法都是现在通用的遥感影像处理方法，利用ENVI4.7软件就可以做以上处理。 

步骤（1b）：根据已有的土地利用矢量图和遥感数据以及物候经验，利用已有软件将植被区域提取出来。这里的矢量图是指行政区划图，根据区划图从遥感影像中得到所研究的地区，物候经验是指农学上的对不同农作物生长时期的划分，例如，冬小麦在三月中下旬在农学上被称作返青期；已有软件是指已有的遥感影像常用处理软件，ENVI、ERDAS等。 

所述步骤（2）具体包括： 

步骤（2a）：模型参数的确定，建立查找表。本发明选取五个可变参数建立查找表，模型其他参数根据已有文献确定。这五个参数反别是叶面积指数LAI（0.3-7.5）、叶绿素含量LCC（10-90）、结构参数N（1.0-2.5）、干物质含量C_m（0.005-0.01）、等效水厚度C_W（0.01-0.02）。在运用模型建立查找表时，LAI以0.5的步长共15个作为输入；LCC以5的步长共17个作为输入；结构参数N以0.1的步长共16个作为输入；干物质含量C_m以0.005的步长共2个作为输入；等效水厚度C_W以0.01的步长共2个作为输入。这样总共有16320个参数组合，即可模拟得到16320个不同的冠层反射率。 

PROSAIL模型是已有的PROSPECT辐射传输模型和冠层光谱模拟模型SAIL的结合，PROSPECT模型的输出可作为SAIL模型的部分输入，这两个模型已经被提出并应用，此处的PROSAIL是结合上述两个模型的简称。 

每个输入参数都在一定的范围内，上述每个参数后面括号里面的数值就是该参数的范围。例如，叶绿素含量LCC的取值范围就是10-90（此处是对冬小麦而已，不同作物参数范围也不同），以5为步长的话就共有10,15,20,25,30,35,40,45,50,55,60,65,70,75,80,85,90这17个数 值作为输入。 

查找表是指在不同参数组合下对应不同的冠层反射率，格式如下： 

LAI	LCC	N	Cm	CW	550nm	650nm	…
								0.3	10	1.0	0.005	0.01	15.31	19.28
…

粗体字即为不同波长对应的反射率的值。一个参数组合输入到模型就可以得到一个冠层反射率。 

步骤（2b）：由步骤（2a）所建立的查找表可得到不同参数组合下的LAI-ρ_nir、LCC-ρ_g的关系方程，其中ρ_nir和ρ_g分别表示近红外波段和绿波段的冠层反射率；分析结构参数N与红波段、绿波段、近红外波段的相关性，选取相关性最好的建立回归方程。 

相关性最好就是对参数N最敏感的波段，即对参数N变化最敏感也随之有较大变化。回归方程在此没有一个固定的方程，在具体应用中根据实际参数可以得到相应的回归方程。 

所述步骤（3）具体包括： 

步骤（3a）：建立目标函数，目标函数表达式如下： 

$\mathrm{RMSE}=\sqrt{\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{\ρ}}_j^{*}-{\mathrm{\ρ}}_j)}^2}{m}}$

其中m表示波段数， 

表示观测的第j波段反射率，ρ_j表示模拟的第j波段反射率； 

步骤（3b）：参数组合的预选择，根据步骤（2）所得到的除LAI参数外不同参数组合的LAI-ρ_nir关系方程结合遥感影像反射率数据可以反演得到叶面积指数LAI，判断整个区域的LAI是否在给定的LAI边界内，若有超过5%不在边界内，则相应的参数组合被排除；同样的方法，根据步骤（2）所得到的除LCC参数外不同参数组合的LCC-ρ_g关系方程结合 遥感影像反射率数据可以反演得到叶绿素含量LCC，判断整个区域的LCC是否在给定的LCC边界内，若有超过5%不在边界内，则相应的参数组合被排除； 

步骤（3c）：在步骤（3b）完成后剩余的参数组合中，找出使目标函数最小的参数组合，找出步骤（2）中得到的在这个参数组合下的结构参数N与反射率的关系，使用遥感影像反射率数据实现对结构参数N的更新，重新回到步骤（2）开始往下执行，此时结构参数N、干物质含量C_m、等效水厚度C_W参数的值已确定。当迭代次数在两次或两次以上时，判断当前的RMSE值与之前的RMSE的差的绝对值是否有小于阈值ε，若有，则迭代结束，参数选择使RMSE最小的参数组合，此RMSE可以认为是全局最小值，否则继续迭代优化参数。所述预设阈值ε一般为0.5。 

所述步骤（4）具体包括： 

步骤（4a）：根据步骤（3）所得到的参数组合可以在步骤（2）中找出IAI-ρ_nir的回归方程，再由遥感影像反射率数据可以反演出叶面积指数LAI； 

步骤（4b）：由步骤（4a）所反演的LAI及步骤（3）所得到的参数组合重新运用模型得到LCC-ρ_g的回归方程，再由遥感影像反射率数据可以反演出叶绿素含量LCC。 

总之，本发明融合了现有多种反演方法的优势，实现了通过遥感影像数据优化模型参数，是一种完全基于图像的反演方法，在获取全局最优解的同时，降低了反演的成本，提高了叶面积指数和叶绿素含量的估算精度和速度。 

Claims (7)

1.一种基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，该方法包括下列顺序的步骤：

（1）下载遥感影像并对其进行预处理，得到多光谱冠层反射率数据；

（2）运用PROSAIL模型，根据不同的参数组合建立查找表，确定不同参数和冠层反射率的关系即回归方程，所述的参数是指叶面积指数LAI、叶绿素含量LCC、结构参数N、干物质含量C_m以及等效水厚度C_W；

（3）建立目标函数，结合多光谱冠层反射率数据，优化参数，使目标函数得到全局最小值，每次参数优化之后都需要再次执行步骤（2），直到得到目标函数的全局最小值，得到对应的参数组合，并用多光谱冠层反射率数据对参数进行更新；

（4）根据步骤（3）所得到的参数组合、步骤（2）得到的回归方程以及多光谱冠层反射率数据，即可反演得到叶面积指数LAI和叶绿素含量LCC。

2.根据权利要求1所述的基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，其特征在于：所述的对遥感影像的预处理包括对遥感影像的辐射校正、几何校正、大气校正，得到多光谱冠层反射率数据，以及根据已有的土地利用矢量图、多光谱冠层反射率数据以及物候经验，利用软件将植被区域提取出来。

3.根据权利要求1所述的基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，其特征在于：根据所述的五个可变参数建立查找表，即叶面积指数LAI（0.3-7.5）、叶绿素含量LCC（10-90）、结构参数N（1.0-2.5）、干物质含量C_m（0.005-0.01）、等效水厚度C_W（0.01-0.02），在运用PROSAIL模型建立查找表时，LAI以0.5的步长共15个作为输入；LCC以5的步长共17个作为输入；结构参数N以0.1的步长共16个作为输入；干物质含量C_m以0.005的步长共2个作为输入；等效水厚度C_W以0.01的步长共2个作为输入，共计有16320个参数组合，即可模拟得到16320个不同的多光谱冠层反射率数据；所述的由五个可变参数所建立的查找表可得到不同参数组合下的LAI-ρ_nir、LCC-ρ_g的关系方程，其中ρ_nir和ρ_g分别表示近红外波段和绿波段的冠层反射率，分析结构参数N与红波段、绿波段、近红外波段的相关性，选取相关性最好的建立回归方程。

4.根据权利要求3所述的基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，其特征在于：建立目标函数，目标函数表达式如下：

$\mathrm{RMSE}=\sqrt{\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{\ρ}}_j^{*}-{\mathrm{\ρ}}_j)}^2}{m}}$

其中m表示波段数，

表示观测的第j波段反射率，ρ_j表示模拟的第j波段反射率；

对参数组合进行预选择，根据除LAI参数外不同参数组合的LAI-ρ_nir关系方程结合多光谱冠层反射率数据可以反演得到叶面积指数LAI，判断整个区域的LAI是否在给定的LAI边界内，若有超过5%不在边界内，则相应的参数组合被排除；根据除LCC参数外不同参数组合的LCC-ρ_g关系方程结合多光谱冠层反射率数据可以反演得到叶绿素含量LCC，判断整个区域的LCC是否在给定的LCC边界内，若有超过5%不在边界内，则相应的参数组合被排除。

5.根据权利要求4所述的基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，其特征在于：对参数组合进行预选择之后，在剩余的参数组合中，找出使目标函数最小的参数组合，得到的在这个参数组合下的结构参数N与反射率的关系，使用多光谱冠层反射率数据实现对结构参数N的更新；更新完成之后返回步骤（2）开始往下执行，此时结构参数N、干物质含量C_m、等效水厚度C_W参数的值已确定；当迭代次数在两次或两次以上时，判断当前的目标函数值与之前的目标函数的差的绝对值是否小于阈值ε，若判断结果为是，则迭代结束，参数选择使目标函数最小的参数组合，此目标函数即为全局最小值，否则继续迭代优化参数。

6.根据权利要求5所述的基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，其特征在于：所述阈值ε为0.5。

7.根据权利要求5所述的基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，其特征在于：根据使目标函数最小的参数组合，找出该参数组合相对应的LAI-ρ_nir的回归方程，再由多光谱冠层反射率数据反演出叶面积指数LAI；根据该反演出的叶面积指数LAI、使目标函数最小的参数组合，重新运用PROSAIL模型，得到LCC-ρ_g的回归方程，再由多光谱冠层反射率数据反演出叶绿素含量LCC。