CN104899394A - 一种实用的叶面积指数遥感反演方法 - Google Patents

Abstract

一种实用的叶面积指数遥感反演方法，它基于几何光学模型模拟建立查找表，由此建立LAI反演模型，结合可变端元光谱混合模型，最终得到LAI反演结果。该方法完全基于遥感图像本身，不需要野外实测LAI数据，降低了LAI反演成本，且计算简便，是一种实用性强的LAI遥感反演方法。

Description

一种实用的叶面积指数遥感反演方法

技术领域

本发明涉及遥感数据处理技术领域，特别涉及一种叶面积指数(LAI)的遥感反演方法。

背景技术

叶面积指数(Leaf Area Index，LAI)作为进行植物群体和群落生长分析的一个参数自20世纪40年代提出以来，已成为一个重要的植物学参数和评价指标，并在农业、林业以及植物学、生态学、全球碳循环等领域得到广泛应用。

LAI的获取方法包括地面测量法和遥感估算法。地面测量方法工作量大且只能获得有限点的LAI数据，无法获取面状的LAI数据，因此，大区域LAI研究仅仅靠地面测量是远远不够的，遥感技术为大区域LAI研究提供了一条可行的途径，利用遥感技术来反演LAI的方法主要包括统计模型法和物理机理模型法，两种方法各具优缺点。

统计模型法是将从遥感影像中计算得到的光谱植被指数(或光谱反射率)与实测LAI进行回归分析，建立统计模型，从而估算大区域尺度上的LAI。这种方法的优点是简单实用，主要缺点是模型的函数形式不确定，对于不同的植被类型及地点具有不同的统计分析模型，缺乏普适性；另外该方法必需实测LAI数据作为支撑。

物理机理模型法包括几何光学模型法和辐射传输模型法，该方法的最大优势在于它是建立在物理基础之上的，具有普适性。一般的物理机理模型以LAI等生物物理、生物化学参数为输入值，模型正向模拟得到的输出值是冠层反射率，要得到LAI，就要以冠层反射率为自变量反向运转物理机理模型。

相对于统计模型法，物理机理模型法的最大优势在于它是建立在物理基础之上的，不会受到不同植被类型的影响。该方法的主要缺点是模型反解具有病态性，反演过程中有些反函数是不收敛的，这样可能导致反演结果存在很大的不确定性，甚至造成错误的反演结果。

发明内容

本发明的目的在于提供一种无需实测LAI数据、成本低、实用性强的叶面积指数遥感反演方法。

为实现上述目的，本发明采用了以下技术方案：一种实用的叶面积指数遥感反演方法，该方法包括下列步骤：

步骤一、对遥感图像做辐射定标，将图像DN值转换为辐射亮度。

步骤二、将经过辐射定标后的辐射亮度图像进行大气校正，获取地表反射率。

步骤三、所述几何光学模型(简称GO模型，由李小文等于1992年提出)的简化表达形式为：

ρ＝K_Cρ_C+K_Gρ_G+K_Sρ_S

其中ρ为植被冠层反射率，K_C为混合像元中光照树冠的面积比例，ρ_C为光照树冠的反射率；K_G为混合像元中光照背景的面积比例，ρ_G为光照背景的反射率；K_S为混合像元中阴影的面积比例，ρ_S为阴影的反射率，K_C+K_G+K_S＝1。

根据待处理的遥感图像数据的成像条件与森林类型特点确定几何光学模型中的输入参数，如太阳天顶角、太阳方位角、观测天顶角、观测方位角等；ρ_C、ρ_G和ρ_S可以由遥感图像选取训练区利用PPI纯净像元指数获得。

步骤四、运转GO模型进行模拟，根据不同的参数组合建立查找表，本发明选取三个可变参数建立查找表，这三个可变参数分别是叶面积指数LAI、混合像元中光照树冠的面积比例K_C、混合像元中光照背景的面积比例K_G。

根据所建立的查找表可得到不同参数组合下的LAI-K_C、LAI-K_G、LAI-K_S的相关关系，比较三个参数与LAI之间的相关性，选取相关性最好的建立回归方程。

步骤五、基于可变端元光谱混合模型从实际地表反射率图像中获取K_C、K_G和K_S。

步骤六、利用步骤四建立的LAI反演回归方程，得到LAI反演结果。

具体实施方式

本实施方式所述一种实用的叶面积指数遥感反演方法，它包括具体步骤如下：

步骤一、对遥感图像做辐射定标，将图像DN值转换为辐射亮度，具体为：

$L_{\mathrm{\λ}}=\frac{\mathrm{LMA}{X}_{\mathrm{\λ}}-\mathrm{LMI}{N}_{\mathrm{\λ}}}{{\mathrm{QCAL}}_{\max }-\mathrm{QC}{\mathrm{AL}}_{\min }}\×(\mathrm{DN}-\mathrm{QCA}{L}_{\min })+{\mathrm{LMIN}}_{\mathrm{\λ}}$

L_λ为定标后的光谱辐射亮度，单位为w/(m²·μm·sr)；DN为遥感图像存储值，LMAX_λ和LMIN_λ分别是波段λ的最大和最小光谱辐射亮度，单位为w/(m²·μm·sr)；QCAL_max和QCAL_min分别是波段λ像元可以取得的最大和最小DN值，后四个量可以从遥感图像头文件获取。

步骤二、将经过辐射定标后的辐射亮度图像利用6S辐射传输模型进行大气校正，获取地表反射率。

步骤三、所述几何光学模型(简称GO模型，由李小文等于1992年提出)的简化表达形式为：

ρ＝K_Cρ_C+K_Gρ_G+K_Sρ_S

其中ρ为植被冠层反射率，K_C为混合像元中光照树冠的面积比例，ρ_C为光照树冠的反射率；K_G为混合像元中光照背景的面积比例，ρ_G为光照背景的反射率；K_S为混合像元中阴影的面积比例，ρ_S为阴影的反射率，K_C+K_G+K_S＝1。

根据待处理的遥感图像数据的成像条件与森林类型特点确定几何光学模型中的输入参数，如太阳天顶角、太阳方位角、观测天顶角、观测方位角等；ρ_C、ρ_G和ρ_S可以由遥感图像选取训练区利用PPI纯净像元指数获得。

步骤四、运转GO模型进行模拟，根据不同的参数组合建立查找表，本发明选取三个可变参数建立查找表，这三个可变参数分别是叶面积指数LAI(0-10)(参数后面括号中的数值表示该参数的取值范围)、混合像元中光照树冠的面积比例K_C(0-1)、混合像元中光照背景的面积比例K_G(0-1)，在利用GO模型建立查找表时，LAI以0.2的步长共51个作为输入；K_C以0.05的步长共21个作为输入，K_G以0.05的步长共21个作为输入，这样总共有22491个参数组合。

根据所建立的查找表可得到不同参数组合下的LAI-K_C、LAI-K_G、LAI-K_S的相关关系，比较三个参数与LAI之间的相关性，选取相关性最好的建立回归方程。

相关性的评价指标采用决定系数(R²)，其表达式如下：

$R^2={\left(\frac{\mathrm{\Σ}(X-\stackrel{\‾}{X})(Y-\stackrel{\‾}{Y})}{\sqrt{\mathrm{\Σ}{(X-\stackrel{\‾}{X})}^2}\sqrt{{\mathrm{\Σ}(Y-\stackrel{\‾}{Y})}^2}}\right)}^2$

其中，X表示LAI，Y表示K_C、K_G或者K_S，决定系数越大，相关性越好。

步骤五、利用可变端元光谱混合模型从步骤二获得的地表反射率图像中提取K_C、K_G和K_S，可变端元光谱混合模型利用VIPER Tools软件实现。

步骤六、利用步骤四建立的LAI反演回归方程，得到LAI反演结果。

总之，本发明无需野外实测LAI数据，是一种完全基于图像本身的反演方法，降低了LAI反演的成本，是一种实用性强的LAI遥感反演方法。

Claims (1)

1.一种实用的叶面积指数遥感反演方法，它包括具体步骤如下：

步骤一、对遥感图像做辐射定标，将图像DN值转换为辐射亮度，具体为：

$L_{\mathrm{\λ}}=\frac{{\mathrm{LMAX}}_{\mathrm{\λ}}-{\mathrm{LMIN}}_{\mathrm{\λ}}}{{\mathrm{QCAL}}_{\max }-{\mathrm{QCAL}}_{\min }}\×(\mathrm{DN}-{\mathrm{QCAL}}_{\min })+{\mathrm{LMIN}}_{\mathrm{\λ}}$

L_λ为定标后的光谱辐射亮度，单位为w/(m²·μm·sr)；DN为遥感图像存储值，LMAX_λ和LMIN_λ分别是波段λ的最大和最小光谱辐射亮度，单位为w/(m²·μm·sr)；QCAL_max和QCAL_min分别是波段λ像元可以取得的最大和最小DN值，后四个量可以从遥感图像头文件获取；

步骤二、将经过辐射定标后的辐射亮度图像利用6S辐射传输模型进行大气校正，获取地表反射率；

步骤三、所述几何光学模型(简称GO模型)的简化表达形式为：

ρ＝K_Cρ_C+K_Gρ_G+K_Sρ_S

其中，ρ为植被冠层反射率，K_C为混合像元中光照树冠的面积比例，ρ_C为光照树冠的反射率；K_G为混合像元中光照背景的面积比例，ρ_G为光照背景的反射率；K_S为混合像元中阴影的面积比例，ρ_S为阴影的反射率，K_C+K_G+K_S＝1；

根据待处理的遥感图像数据的成像条件与森林类型特点确定几何光学模型中的输入参数，如太阳天顶角、太阳方位角、观测天顶角、观测方位角等；ρ_C、ρ_G和ρ_S可以由遥感图像选取训练区利用PPI纯净像元指数获得；

步骤四、运转GO模型进行模拟，根据不同的参数组合建立查找表，本发明选取三个可变参数建立查找表，这三个可变参数分别是叶面积指数LAI(0-10)(参数后面括号中的数值表示该参数的取值范围)、混合像元中光照树冠的面积比例K_C(0-1)、混合像元中光照背景的面积比例K_G(0-1)，在利用GO模型建立查找表时，LAI以0.2的步长共51个作为输入；K_C以0.05的步长共21个作为输入，K_G以0.05的步长共21个作为输入，这样总共有22491个参数组合；

根据所建立的查找表可得到不同参数组合下的LAI-K_C、LAI-K_G、LAI-K_S的相关关系，比较三个参数与LAI之间的相关性，选取相关性最好的建立回归方程；

相关性的评价指标采用决定系数(R²)，其表达式如下：

$R^2={\left(\frac{\mathrm{\Σ}(X-\stackrel{\‾}{X})(Y-\stackrel{\‾}{Y})}{\sqrt{\mathrm{\Σ}{(X-\stackrel{\‾}{X})}^2}\sqrt{{\mathrm{\Σ}(Y-\stackrel{\‾}{Y})}^2}}\right)}^2$

其中，X表示LAI，Y表示K_C、K_G或者K_S，决定系数越大，相关性越好；

步骤五、利用可变端元光谱混合模型从步骤二获得的地表反射率图像中提取K_C、K_G和K_S，可变端元光谱混合模型利用VIPER Tools软件实现；

步骤六、利用步骤四建立的LAI反演回归方程，得到LAI反演结果。