CN103278112A - 一种基于遥感图像的叶面积指数反演方法及装置 - Google Patents

Abstract

本发明实施例提供了一种基于遥感图像的叶面积指数反演方法及装置，将能够代表叶片聚集信息的热暗点植被指数的数值作为依据，确定不同株型的叶面积反演方程，进一步地，依据预设的角度指数，获得待处理遥感图像的适用于各个株型的叶面积指数反演方程，因此，使用此反演方程得到的叶面积指数，因为考虑到了植被株型的影响，从而具有更高的反演精度。

Description

一种基于遥感图像的叶面积指数反演方法及装置

技术领域

本发明涉及遥感领域，尤其涉及一种基于遥感图像的叶面积指数反演方法及装置。

背景技术

基于遥感技术探测范围大、手段多、获取的信息量大等优势，基于遥感图像的叶面积反演方式是目前大范围估算叶面积指数的主要手段。

在实际应用中，植株的株型对叶面积指数的反演结果会产生影响，例如，横向生长的叶片反演得到的叶面积指数可能偏大，而纵向生长的叶片反演得到的叶面积指数可能偏小，但是，目前的遥感反演叶面积指数的方法很少考虑到植株的株型对叶面积指数的影响，因此，容易造成叶面积指数的反演精度不高。

发明内容

有鉴于此，本发明实施例提供了一种基于遥感图像的叶面积指数反演方法及装置，目的在于解决现有的基于遥感技术的叶面积指数反演方法精度不高的问题。

为了实现上述目的，本发明实施例提供了以下技术方案：

一种基于遥感图像的叶面积指数反演方法，包括：

依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像中每个像素的热暗点植被指数的数值；

依据所述每个像素的热暗点植被指数的数值及预设的植被指数、样本叶面积指数，确定不同株型的叶面积指数反演方程；

依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于所述不同株型的叶面积指数反演方程；

依据所述适用于所述不同株型的叶面积指数反演方程，计算所述待处理遥感图像的叶面积指数。

优选地，所述依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像的每个像素的热暗点植被指数的数值包括：

依据下述方法遍历所述待处理遥感图像中的各个像素，直至得到每个像素的热暗点植被指数的数值：

计算所述待处理遥感图像中当前像素的预设的波段及预设的太阳天顶角下的热暗点植被指数的数值；

比较所述当前像素的所述预设的波段及预设的太阳天顶角下的热暗点植被指数的数值，确定最大值；

将所述最大值作为所述当前像素的热暗点植被指数。

优选地，所述计算所述待处理遥感图像中当前像素的预设的波段及预设的太阳天顶角下的热暗点植被指数的数值包括：

按照以下步骤遍历所述当前像素预设波段的预设的太阳天顶角中的每个太阳天顶角：

选取所述当前像素的在预设波段及当前太阳天顶角下的不同观测角度对应的多角度反射率数据中的最大值及最小值；

将所述最大值与所述最小值的差值与所述最小值的比值作为所述当前像素在当前波段及当前太阳天顶角下的热暗点植被指数。

优选地，还包括：

确定所述最大值对应的观测角度为当前像素的热点观测角，所述最小值对应的角度为当前像素的暗点观测角；

依据所述热点观测角及所述暗点观测角，确定当前像素的角度指数；

将每个像素的角度指数组成的矩阵作为预设的角度指数。

优选地，所述依据所述每个像素的热暗点植被指数的数值及预设的植被指数、样本叶面积指数，确定不同株型的叶面积指数反演方程包括：

将所述热暗点植被指数分别与预设的植被指数相乘，得到不同株型下的待选植被指数；

分别将所述不同株型下的待选植被指数与预设的样本叶面积指数进行反演回归，得到所述不同株型下的待选植被指数对应的反演精度；

依据所述反演精度，从所述待选植被指数中确定叶面积指数反演的最优植被指数；

将所述最优植被指数的不同株型的反演方程作为对应株型的叶面积指数反演方程。

优选地，所述依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于所述不同株型的叶面积指数反演方程包括：

将所述最优植被指数除以所述角度指数，得到不同株型下的二向性植被指数；

依据角度指数不同的取值，分别将所述不同株型下的二向性植被指数与预设的样本叶面积指数进行反演回归，得到所述不同株型下的二向性植被指数对应的反演方程及反演精度；

依据所述反演方程及反演精度，确定所述角度指数的最优取值使得不同株型的叶面积指数回归方程的反演结果在预设的精度及误差范围内，并且使得任意一种株型的叶面积指数回归方程反演其它株型的叶面积指数的结果在所述预设的精度及误差范围内；

依据所述角度指数的最优取值，将所有株型下的二向性植被指数与叶面积指数进行反演回归，得到适用于各个株型的叶面积回归方程。优选地，在依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像的每个像素的热暗点植被指数之前，还包括：

对遥感图像进行预处理，得到待处理的遥感图像；

提取所述待处理的遥感图像中的小麦种植区，从所述待处理的遥感图像中获取反射率数据；

结合地面实测获得的多角度的反射率数据及待处理的遥感图像中获取的反射率数据，通过线性核驱动模型生成待处理遥感图像中冠层的多角度反射率数据。

一种基于遥感图像的叶面积指数反演装置，包括：

计算模块，用于依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像中每个像素的热暗点植被指数的数值；

反演方程确定模块，用于依据所述每个像素的热暗点植被指数的数值及预设的植被指数、样本叶面积指数，确定不同株型的叶面积指数反演方程；

反演方程归一化模块，用于依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于所述不同株型的叶面积指数反演方程；

反演模块，用于依据所述适用于所述不同株型的叶面积指数反演方程，计算所述待处理遥感图像的叶面积指数。

优选地，所述计算模块包括：

热暗点植被指数计算单元，用于计算所述待处理遥感图像中当前像素的预设的波段及预设的太阳天顶角下的热暗点植被指数的数值；

比较单元，用于比较所述当前像素的所述预设的波段及预设的太阳天顶角下的热暗点植被指数的数值，确定最大值；

确定单元，用于将所述最大值作为所述当前像素的热暗点植被指数；

第一控制单元，用于控制所述热暗点植被指数计算单元、所述比较单元及所述确定单元遍历所述待处理遥感图像中的各个像素，直至得到每个像素的热暗点植被指数的数值。

优选地，所述反演方程确定模块包括：

乘法器，用于将所述热暗点植被指数分别与预设的植被指数相乘，得到不同株型下的待选植被指数；

反演精度确定单元，用于分别将所述不同株型下的待选植被指数与预设的样本叶面积指数进行反演回归，得到所述不同株型下的待选植被指数对应的反演精度；

植被指数计算单元，用于依据所述反演精度，从所述待选植被指数中确定叶面积指数反演的最优植被指数；

反演方程确定单元，用于将所述最优植被指数的不同株型的反演方程作为对应株型的叶面积指数反演方程。

本发明实施例提供的基于遥感图像的叶面积指数反演方法及装置，将能够代表叶片聚集信息的热暗点植被指数的数值作为依据，确定不同株型的叶面积反演方程，进一步地，依据预设的角度指数，获得待处理遥感图像的适用于各个株型的叶面积指数反演方程，因此，使用此反演方程得到的叶面积指数，因为考虑到了植株的影响，从而具有更高的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种基于遥感图像的叶面积指数反演方法的流程图；

图2为本发明实施例公开的又一种基于遥感图像的叶面积指数反演方法的流程图；

图3为本发明实施例公开的又一种基于遥感图像的叶面积指数反演方法流程图；

图4为观测角随反射率变化的示意图；

图5为本发明实施例公开的一种基于遥感图像的叶面积指数反演装置的结构示意图。

具体实施方式

本发明实施例公开了一种基于遥感图像的叶面积指数反演方法及装置，其核心发明点在于，使用能够反映叶片聚集信息及不同株型的热暗点植被指数的数值和角度指数作为确定叶面积反演方程的依据，从而在叶面积指数反演方程中增加株型的影响因素，使得使用所述叶面积指数反演方程反演出的叶面积指数具有更高的精度。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开的一种基于遥感图像的叶面积指数反演方法，应用于使用遥感图像对叶面积指数进行反演的过程中，如图1所示，本实施例所述方法包括：

S101：依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像中的每个像素的热暗点植被指数的数值；

S102：依据所述每个像素的热暗点植被指数的数值及预设的植被指数、样本叶面积指数，确定不同株型的叶面积指数反演方程；

S103：依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于不同株型的叶面积指数反演方程；

S104：依据所述适用于不同株型的叶面积指数反演方程，计算所述待处理遥感图像的叶面积指数。

通常，植株的株型对叶面积指数具有一定影响，而现有技术中，在确定遥感图像的叶面积指数反演方程时没有考虑到不同株型的影响，因此，使用此叶面积指数反演方程得到的叶面积指数的精度不高。

而本实施例所述的方法，在确定遥感图像的叶面积指数反演方程时，将株型作为限定因素，具体表现在，使用能够反映叶片聚集信息及不同株型的热暗点植被指数的数值和角度指数作为确定叶面积指数反演方程的依据，首先确定不同株型下的叶面积指数反演方程，再进一步确定能够代表遥感图像中不同株型的叶面积指数反演方程，使用最终确定的反演方程计算得到的叶面积指数，从而具有更高的精度。

本发明实施例公开的又一种基于遥感图像的叶面积指数反演方法，如图2所示，包括：

S201：依据S2011至S2015遍历所述待处理遥感图像中各个像素，直到得到每个像素的热暗点植被指数的数值：

S2011：计算所述待处理遥感图像中当前像素的预设的波段及预设的太阳天顶角下的热暗点植被指数的数值；

对于遥感图像中的每个像素点而言，通常可以包括不同波段的及不同太阳天顶角的光谱。本实施例中，预设的波段只能为某一个固定的波段（例如450nm），可以由用户预先设定，预设的太阳天顶角为全部的太阳天顶角（0至60度）。也就是说，预设的波段只能为一个，预设的太阳天顶角有多个。热点反射率为预设波段及当前太阳天顶角下不同观测角度对应的反射率数据中的最大值，暗点反射率为预设波段及当前太阳天顶角下不同观测角度对应的反射率数据中的最小值。

例如，图4为波长为450nm的多角度的数据，太阳天顶角为25度时紧凑型京411的热点反射率将选取观测角为45度时的观测角的反射率峰值，暗点反射率将选取-25度的波谷反射率值；对于中间型品种京冬8，太阳天顶角为42度时热点反射率选取15度附近的波峰值，暗点反射率将选取-20度左右的波谷值，太阳天顶角为34时，披散型品种中优9507热点反射率将选取-5度的波峰值，暗点反射率将选取0度的波谷值。

对于当前像素而言，具体地，可以按照以下方法得到预设的波段及预设的太阳天顶角下的热暗点植被指数的数值：

按照以下步骤遍历所述当前像素的预设波段的预设的太阳天顶角中的每个太阳天顶角：选取所述当前像素的在预设波段及当前太阳天顶角下的不同观测角度对应的多角度反射率数据中的最大值及最小值；

将所述最大值与所述最小值的差值与所述最小值的比值作为所述当前像素在当前波段及当前太阳天顶角下的热暗点植被指数。

具体地，计算公式如式（1）所示：

$\mathrm{HDS}=\frac{(\mathrm{\ρHS}-\mathrm{\ρDS})}{\mathrm{\ρDS}}---\left(1\right)$

其中，ρHS为热点反射率数据，ρDS为暗点反射率数据，HDS为热暗点植被指数。

此步骤中，可以依据式（1）得到每个像素的预设波段下每个太阳天顶角的热暗点植被指数。按照以上步骤遍历每个像素的预设的波段及预设的太阳天顶角后，即可得到每个像素预设波段下的热暗点指数。

S2012：比较当前像素的所述预设的波段及预设的太阳天顶角下的热暗点植被指数的数值，确定最大值；

需要说明的是，上述步骤中得到的当前像素的热暗点植被指数的数量依据预设的太阳天顶角的数量，此步骤中，需要从中挑选最大值。

S2013：将所述最大值作为当前像素的热暗点植被指数；

即每个像素的热暗点植被指数均为其预设的波段及预设的太阳天顶角下的热暗点植被指数的最大值。因为最大值能够最大限度地提供植被冠层的叶片聚集信息，因此，能够最大限度地体现植株的情况。

S2014：确定所述最大值对应的观测角度为当前像素的热点观测角，所述最小值对应的角度为当前像素的暗点观测角；

S2015：依据所述热点观测角及所述暗点观测角，确定当前像素的预设的角度指数；

具体地，可以依据式（2）计算角度指数：

AI=[A-热点观测角+（暗点观测角-（-A））]/100=（2*A-热点观测角+暗点观测角）/100   （2）

其中，A为一个参数，取值范围可以为预设的太阳天顶角的范围，例如0至60度。

S202：将每个像素的角度指数组成的矩阵作为预设的角度指数；

S203：将所述热暗点植被指数分别与预设的植被指数相乘，得到不同株型下的待选植被指数；

其中，遥感图像的热暗点植被指数可以看作一个矩阵，矩阵的大小与图像中像素的数量一致，预设的植被指数可以包括如表1所示的植被指数：

表1

S204：分别将所述不同株型下的待选植被指数与预设的样本叶面积指数进行反演回归，得到所述不同株型下的待选植被指数对应的反演精度；

本实施例中，样本叶面积指数优选通过地面实测得到的与遥感图像一致的地点的实测叶面积指数。

即使用待选植被指数分别进行叶面积指数反演，将得到的反演结果与样本叶面积指数进行比较，得到反演精度。

S205：依据所述反演精度，从待选植被指数中确定叶面积指数反演的最优植被指数；

由于在不同情况下，待选植被指数反演叶面积具有不同的精度，例如，NDVI在低植被覆盖度的情况下反演精度较高，在高植被覆盖度的情况下有可能达到饱和。所以需要找到在全生育期具有最高回归精度的指数，选取这个待选植被指数作为最优植被指数。

S206：将最优植被指数的不同株型反演方程作为对应株型的叶面积指数反演方程；

此步骤中，得到不同株型下的叶面积指数反演方程。

S207：依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于不同株型的叶面积指数反演方程；

由于遥感图像反演叶面积指数时，很难区分作物的株型，因此必须有一个统一的反演叶面积指数的方程。但是作物株型对叶面积指数的反演精度具有影响，因此本实例通过热暗点植被指数与角度指数来体现这种影响，统一各株型反演叶面积指数的方程。具体方法包括：

将所述最优植被指数除以所述角度指数，得到不同株型下的二向性植被指数（预设植被指数×热暗点植被指数÷角度指数），如上所述，其中角度指数含有一个未定参数A。

依据A的取值范围为0至60度并且为整数，在A的每一个可能取值条件下，分别将所述不同株型下的二向性植被指数与预设的样本叶面积指数进行反演回归，得到所述不同株型下的二向性植被指数对应的反演方程及反演精度；

依据所述反演方程及反演精度，确定A的取值。A能使不同株型的叶面积指数回归方程在一定的精度及误差范围内（各株型的叶面积指数回归方程的决定系数R2大于0.7，实测与反演的叶面积指数均方根误差RMSE小于0.7），并且使得任意一种株型的叶面积指数回归方程反演其它株型的叶面积指数的结果在所述预设的精度及误差范围内，即使得不同株型的回归方程尽可能的相似（用不同株型的叶面积指数回归方程反演其他株型的叶面积指数误差最小）。

依据所述A的取值，将所有株型下的二向性植被指数与叶面积指数进行反演回归，得到适用于所述不同株型的叶面积回归方程。

S208：依据所述适用于所述不同株型的叶面积指数反演方程，计算所述待处理遥感图像的叶面积指数。

本实施例所述的方法，在确定遥感图像的叶面积指数反演方程时，将株型作为限定因素，能够兼顾株型的影响，从而具有更高的精度。

本发明实施例公开的又一种基于遥感图像的叶面积指数反演方法，以小麦遥感图像为例，如图3所示，本实施例所述方法包括：

S301：对遥感图像进行预处理，得到待处理的遥感图像；

通常，预处理包括：辐射校正、大气校正、几何校正及几何精校正。

S302：提取所述待处理的遥感图像中的小麦种植区；

可以结合卫星影像、土地利用矢量数据和以及北京作物的物候经验提取小麦种植区。

S303：结合地面实测获得的多角度的反射率数据及待处理的遥感图像中获取的反射率数据，通过线性核驱动模型生成待处理遥感图像中冠层的多角度反射率数据；

计算公式如下：

其中，

为二向反射率，k_geo为几何光学核，k_vol为体散射核，θ为太阳天顶角，

为观测天顶角，

为相对方位角，f_iso，f_geo和f_vol分别表示各向同性核、几何光学核、体散射核这三部分在向元二向散射中所占比例。用地面实测的二向反射率数据和遥感影像中的数据带入式（4），用最小二乘法，反演拟合观测数据的最优的系数f_iso，f_geo和f_vol，这样就可以通过式（4）推出任意太阳入射角和观测条件下的二向反射率。

本实施例中，地面实测数据的对象为拔节期、孕穗期、开花期和灌浆期四个时期具有不同株型的小麦品种。地面实测时，记录主平面观测天顶角范围可以为预设的范围，例如从-60°至60°（负号表示前向观测），角度间隔为10°的多角度光谱数据及各个时期的冠层光谱，同时记录太阳入射角，及植被的叶面积指数。

S304：依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像的每个像素的热暗点植被指数；

S305：依据所述热暗点植被指数及预设的植被指数、样本叶面积指数，确定不同株型的叶面积指数反演方程；

S306：依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于所述不同株型的叶面积指数反演方程；

S307：依据所述适用于所述不同株型的叶面积指数反演方程，计算所述待处理遥感图像的叶面积指数；

在得到遥感图像的叶面积指数后，优选地，可以包括：

S308：将得到的待处理遥感图像的叶面积指数与通过地面实测获得的叶面积指数进行对比，验证遥感反演的精度。

本实施例所述的装置，在确定遥感图像的叶面积指数反演方程时，将株型作为限定因素，从而具有更高的精度。

与上述方法实施例相对应地，本发明实施例还公开了一种基于遥感图像的叶面积指数反演装置，如图5所示，包括：

计算模块501，用于依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像中每个像素的热暗点植被指数的数值；

反演方程确定模块502，用于依据所述每个像素的热暗点植被指数的数值及预设的植被指数、样本叶面积指数，确定不同株型的叶面积指数反演方程；

反演方程归一化模块503，用于依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于所述不同株型的叶面积指数反演方程；

反演模块504，用于依据所述适用于所述不同株型的叶面积指数反演方程，计算所述待处理遥感图像的叶面积指数。

本发明实施例公开的又一种基于遥感图像的叶面积指数反演装置，包括：

热暗点植被指数计算单元，用于计算所述待处理遥感图像中当前像素的预设的波段及预设的太阳天顶角下的热暗点植被指数的数值；

与上述方法实施例相同，预设波段任一太阳天顶角下的热暗点植被指数的数值的计算可以按照公式（1）进行。

比较单元，用于比较所述当前像素的所述预设的波段及预设的太阳天顶角下的热暗点植被指数的数值，确定最大值；

确定单元，用于将所述最大值作为所述当前像素的热暗点植被指数；

第一控制单元，用于控制所述热暗点植被指数计算单元、所述比较单元及所述确定单元遍历所述待处理遥感图像中的各个像素，直至得到每个像素的热暗点植被指数的数值；

乘法器，用于将所述热暗点植被指数分别与预设的植被指数相乘，得到不同株型下的待选植被指数；

反演精度确定单元，用于分别将所述不同株型下的待选植被指数与预设的样本叶面积指数进行反演回归，得到所述不同株型下的待选植被指数对应的反演精度；

植被指数计算单元，用于依据所述反演精度，从所述待选植被指数中确定叶面积反演的最优植被指数；

反演方程确定单元，用于将所述最优植被指数的不同株型的反演方程作为对应株型的叶面积指数反演方程；

反演方程归一化模块，用于依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于所述不同株型的叶面积指数反演方程；

具体地，可以依据式（2）计算角度指数，这里不再赘述。

反演模块，用于依据所述适用于所述不同株型的叶面积指数反演方程，计算所述待处理遥感图像的叶面积指数。

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备（可以是个人计算机，服务器，移动计算设备或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于遥感图像的叶面积指数反演方法，其特征在于，包括：

依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像中每个像素的热暗点植被指数的数值；

依据所述每个像素的热暗点植被指数的数值及预设的植被指数、样本叶面积指数，确定不同株型的叶面积指数反演方程；

依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于所述不同株型的叶面积指数反演方程；

依据所述适用于所述不同株型的叶面积指数反演方程，计算所述待处理遥感图像的叶面积指数。

2.根据权利要求1所述的方法，其特征在于，所述依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像的每个像素的热暗点植被指数的数值包括：

依据下述方法遍历所述待处理遥感图像中的各个像素，直至得到每个像素的热暗点植被指数的数值：

计算所述待处理遥感图像中当前像素的预设的波段及预设的太阳天顶角下的热暗点植被指数的数值；

比较所述当前像素的所述预设的波段及预设的太阳天顶角下的热暗点植被指数的数值，确定最大值；

将所述最大值作为所述当前像素的热暗点植被指数。

3.根据权利要求2所述的方法，其特征在于，所述计算所述待处理遥感图像中当前像素的预设的波段及预设的太阳天顶角下的热暗点植被指数的数值包括：

按照以下步骤遍历所述当前像素预设波段的预设的太阳天顶角中的每个太阳天顶角：

选取所述当前像素的在预设波段及当前太阳天顶角下的不同观测角度对应的多角度反射率数据中的最大值及最小值；

将所述最大值与所述最小值的差值与所述最小值的比值作为所述当前像素在当前波段及当前太阳天顶角下的热暗点植被指数。

4.根据权利要求3所述的方法，其特征在于，还包括：

确定所述最大值对应的观测角度为当前像素的热点观测角，所述最小值对应的角度为当前像素的暗点观测角；

依据所述热点观测角及所述暗点观测角，确定当前像素的角度指数；

将每个像素的角度指数组成的矩阵作为预设的角度指数。

5.根据权利要求1所述的方法，其特征在于，所述依据所述每个像素的热暗点植被指数的数值及预设的植被指数、样本叶面积指数，确定不同株型的叶面积指数反演方程包括：

将所述热暗点植被指数分别与预设的植被指数相乘，得到不同株型下的待选植被指数；

分别将所述不同株型下的待选植被指数与预设的样本叶面积指数进行反演回归，得到所述不同株型下的待选植被指数对应的反演精度；

依据所述反演精度，从所述待选植被指数中确定叶面积指数反演的最优植被指数；

将所述最优植被指数的不同株型的反演方程作为对应株型的叶面积指数反演方程。

6.根据权利要求5所述的方法，其特征在于，所述依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于所述不同株型的叶面积指数反演方程包括：

将所述最优植被指数除以所述角度指数，得到不同株型下的二向性植被指数；

依据角度指数不同的取值，分别将所述不同株型下的二向性植被指数与预设的样本叶面积指数进行反演回归，得到所述不同株型下的二向性植被指数对应的反演方程及反演精度；

依据所述反演方程及反演精度，确定所述角度指数的最优取值使得不同株型的叶面积指数回归方程的反演结果在预设的精度及误差范围内，并且使得任意一种株型的叶面积指数回归方程反演其它株型的叶面积指数的结果在所述预设的精度及误差范围内；

依据所述角度指数的最优取值，将所有株型下的二向性植被指数与叶面积指数进行反演回归，得到适用于各个株型的叶面积回归方程。

7.根据权利要求1所述的方法，其特征在于，在依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像的每个像素的热暗点植被指数之前，还包括：

对遥感图像进行预处理，得到待处理的遥感图像；

提取所述待处理的遥感图像中的小麦种植区，从所述待处理的遥感图像中获取反射率数据；

结合地面实测获得的多角度的反射率数据及待处理的遥感图像中获取的反射率数据，通过线性核驱动模型生成待处理遥感图像中冠层的多角度反射率数据。

8.一种基于遥感图像的叶面积指数反演装置，其特征在于，包括：

计算模块，用于依据待处理遥感图像中冠层的多角度反射率数据，计算所述待处理遥感图像中每个像素的热暗点植被指数的数值；

反演方程确定模块，用于依据所述每个像素的热暗点植被指数的数值及预设的植被指数、样本叶面积指数，确定不同株型的叶面积指数反演方程；

反演方程归一化模块，用于依据不同株型的叶面积指数反演方程及预设的角度指数，确定适用于所述不同株型的叶面积指数反演方程；

反演模块，用于依据所述适用于所述不同株型的叶面积指数反演方程，计算所述待处理遥感图像的叶面积指数。

9.根据权利要求8所述的装置，其特征在于，所述计算模块包括：

热暗点植被指数计算单元，用于计算所述待处理遥感图像中当前像素的预设的波段及预设的太阳天顶角下的热暗点植被指数的数值；

比较单元，用于比较所述当前像素的所述预设的波段及预设的太阳天顶角下的热暗点植被指数的数值，确定最大值；

确定单元，用于将所述最大值作为所述当前像素的热暗点植被指数；

第一控制单元，用于控制所述热暗点植被指数计算单元、所述比较单元及所述确定单元遍历所述待处理遥感图像中的各个像素，直至得到每个像素的热暗点植被指数的数值。

10.根据权利要求9所述的装置，其特征在于，所述反演方程确定模块包括：

乘法器，用于将所述热暗点植被指数分别与预设的植被指数相乘，得到不同株型下的待选植被指数；

反演精度确定单元，用于分别将所述不同株型下的待选植被指数与预设的样本叶面积指数进行反演回归，得到所述不同株型下的待选植被指数对应的反演精度；

植被指数计算单元，用于依据所述反演精度，从所述待选植被指数中确定叶面积指数反演的最优植被指数；

反演方程确定单元，用于将所述最优植被指数的不同株型的反演方程作为对应株型的叶面积指数反演方程。

Images