CN104899394B - 一种实用的叶面积指数遥感反演方法 - Google Patents
一种实用的叶面积指数遥感反演方法 Download PDFInfo
- Publication number
- CN104899394B CN104899394B CN201510345467.4A CN201510345467A CN104899394B CN 104899394 B CN104899394 B CN 104899394B CN 201510345467 A CN201510345467 A CN 201510345467A CN 104899394 B CN104899394 B CN 104899394B
- Authority
- CN
- China
- Prior art keywords
- mrow
- lai
- msub
- remote sensing
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
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
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、几何光学模型的简化表达形式为：
ρ＝KCρC+KGρG+KSρS
其中ρ为植被冠层反射率，KC为混合像元中光照树冠的面积比例，ρC为光照树冠的反射率；KG为混合像元中光照背景的面积比例，ρG为光照背景的反射率；KS为混合像元中阴影的面积比例，ρS为阴影的反射率，KC+KG+KS＝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；ρC、ρG和ρS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、运转几何光学模型进行模拟，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KC、混合像元中光照背景的面积比例KG。
根据所建立的查找表可得到不同参数组合下的LAI-KC、LAI-KG、LAI-KS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KC、KG和KS。
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
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：
Lλ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，LMAXλ和LMINλ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)；QCALmax和QCALmin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、几何光学模型的简化表达形式为：
ρ＝KCρC+KGρG+KSρS
其中ρ为植被冠层反射率，KC为混合像元中光照树冠的面积比例，ρC为光照树冠的反射率；KG为混合像元中光照背景的面积比例，ρG为光照背景的反射率；KS为混合像元中阴影的面积比例，ρS为阴影的反射率，KC+KG+KS＝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；ρC、ρG和ρS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、运转几何光学模型进行模拟，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)、混合像元中光照树冠的面积比例KC(0-1)、混合像元中光照背景的面积比例KG(0-1)，参数后面括号中的数值表示该参数的取值范围，在利用几何光学模型建立查找表时，LAI以0.2的步长共51个作为输入；KC以0.05的步长共21个作为输入，KG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-KC、LAI-KG、LAI-KS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：
其中，X表示LAI，Y表示KC、KG或者KS，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KC、KG和KS，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：
<mrow>
<msub>
<mi>L</mi>
<mi>&lambda;</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>LMAX</mi>
<mi>&lambda;</mi>
</msub>
<mo>-</mo>
<msub>
<mi>LMIN</mi>
<mi>&lambda;</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>QCAL</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>QCAL</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mi>N</mi>
<mo>-</mo>
<msub>
<mi>QCAL</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>LMIN</mi>
<mi>&lambda;</mi>
</msub>
</mrow>
Lλ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，LMAXλ和LMINλ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)；QCALmax和QCALmin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、几何光学模型的简化表达形式为：
ρ＝KCρC+KGρG+KSρS
其中，ρ为植被冠层反射率，KC为混合像元中光照树冠的面积比例，ρC为光照树冠的反射率；KG为混合像元中光照背景的面积比例，ρG为光照背景的反射率；KS为混合像元中阴影的面积比例，ρS为阴影的反射率，KC+KG+KS＝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；ρC、ρG和ρS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、运转几何光学模型进行模拟，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)、混合像元中光照树冠的面积比例KC(0-1)、混合像元中光照背景的面积比例KG(0-1)，参数后面括号中的数值表示该参数的取值范围，在利用几何光学模型建立查找表时，LAI以0.2的步长共51个作为输入；KC以0.05的步长共21个作为输入，KG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-KC、LAI-KG、LAI-KS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：
<mrow>
<msup>
<mi>R</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>-</mo>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<mo>&Sigma;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<mo>&Sigma;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>-</mo>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中，X表示LAI，Y表示KC、KG或者KS，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KC、KG和KS，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510345467.4A CN104899394B (zh) | 2015-06-23 | 2015-06-23 | 一种实用的叶面积指数遥感反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510345467.4A CN104899394B (zh) | 2015-06-23 | 2015-06-23 | 一种实用的叶面积指数遥感反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104899394A CN104899394A (zh) | 2015-09-09 |
| CN104899394B true CN104899394B (zh) | 2017-10-10 |
Family
ID=54032056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510345467.4A Active CN104899394B (zh) | 2015-06-23 | 2015-06-23 | 一种实用的叶面积指数遥感反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104899394B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408606B (zh) * | 2016-03-18 | 2019-06-21 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数空间尺度转换方法及装置 |
| CN107688003B (zh) * | 2017-09-04 | 2020-06-30 | 南京大学 | 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法 |
| CN107436193B (zh) * | 2017-09-13 | 2019-03-26 | 中南林业科技大学 | 一种基于遥感的林下光照强度估测方法 |
| CN108196266B (zh) * | 2017-12-29 | 2021-07-02 | 中山大学 | 基于Lidar数据的植被冠层三维辐射传输模拟方法 |
| CN112270131A (zh) * | 2020-11-11 | 2021-01-26 | 仲恺农业工程学院 | 基于ard回归算法的水稻叶面积指数遥感反演模型和方法 |
| CN113192117B (zh) * | 2021-02-08 | 2022-03-22 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN113722990B (zh) * | 2021-08-23 | 2023-10-10 | 中国地质大学（武汉） | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6720887B1 (en) * | 2000-08-18 | 2004-04-13 | James Michael Zunti | Flexible, reconfigurable wireless sensor system |
| CN102269576A (zh) * | 2010-06-03 | 2011-12-07 | 曹春香 | 一种森林覆盖度及有效叶面积指数的主被动协同反演方法 |
| CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
| CN102829739A (zh) * | 2012-08-21 | 2012-12-19 | 北京农业信息技术研究中心 | 一种面向对象的作物叶面积指数遥感反演方法 |
-
2015
- 2015-06-23 CN CN201510345467.4A patent/CN104899394B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6720887B1 (en) * | 2000-08-18 | 2004-04-13 | James Michael Zunti | Flexible, reconfigurable wireless sensor system |
| CN102269576A (zh) * | 2010-06-03 | 2011-12-07 | 曹春香 | 一种森林覆盖度及有效叶面积指数的主被动协同反演方法 |
| CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
| CN102829739A (zh) * | 2012-08-21 | 2012-12-19 | 北京农业信息技术研究中心 | 一种面向对象的作物叶面积指数遥感反演方法 |
Non-Patent Citations (3)
| Title |
|---|
| 叶面积指数(LAI)的遥感定量方法综述;方秀琴等;《国土资源遥感》;20030915(第57期);第58页至第62页 * |
| 叶面积指数遥感反演研究进展与展望;刘洋等;《地球信息科学学报》;20131015;第15卷(第5期);第734页至第743页 * |
| 高光谱遥感叶面积指数（LAI）反演研究现状;刑著荣等;《测绘科学》;20100415;第35卷;第162页至第164页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104899394A (zh) | 2015-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104899394B (zh) | 一种实用的叶面积指数遥感反演方法 | |
| CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
| Quan et al. | A Bayesian network-based method to alleviate the ill-posed inverse problem: A case study on leaf area index and canopy water content retrieval | |
| Huang et al. | Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model | |
| Wang et al. | Predicting grain yield and protein content in wheat by fusing multi-sensor and multi-temporal remote-sensing images | |
| Koetz et al. | Use of coupled canopy structure dynamic and radiative transfer models to estimate biophysical canopy characteristics | |
| Li et al. | Assimilating leaf area index of three typical types of subtropical forest in China from MODIS time series data based on the integrated ensemble Kalman filter and PROSAIL model | |
| Chen et al. | Global datasets of leaf photosynthetic capacity for ecological and earth system research | |
| Nuarsa et al. | Spectral characteristics and mapping of rice plants using multi-temporal Landsat data | |
| CN111798327A (zh) | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 | |
| Chelle et al. | Simulation of the three‐dimensional distribution of the red: far‐red ratio within crop canopies | |
| CN112931150B (zh) | 一种基于柑橘冠层光谱响应的灌溉系统和方法 | |
| Gómez et al. | Determining Biophysical Parameters for Olive Trees Using CASI‐Airborne and Quickbird‐Satellite Imagery | |
| Ye et al. | Split-window algorithm for land surface temperature retrieval from Landsat-9 remote sensing images | |
| Mu et al. | MODIS global terrestrial evapotranspiration (ET) product (NASA MOD16A2/A3) collection 5. NASA Headquarters | |
| Peter et al. | Multi-spatial resolution satellite and sUAS imagery for precision agriculture on smallholder farms in Malawi | |
| Kuester et al. | Simulation of multitemporal and hyperspectral vegetation canopy bidirectional reflectance using detailed virtual 3-D canopy models | |
| CN106918394A (zh) | 一种有效的modis地表温度角度校正方法 | |
| CN103914755A (zh) | 一种确定田间调查及田间管理的空间尺度的方法及系统 | |
| CN108537679B (zh) | 遥感与作物模型融合的区域尺度作物出苗日期估算方法 | |
| Awaya* et al. | Estimation of the global net primary productivity using NOAA images and meteorological data: changes between 1988 and 1993 | |
| CN103268618B (zh) | 一种多光谱遥感数据真彩色定标方法 | |
| Du et al. | Addressing validation challenges for TROPOMI solar-induced chlorophyll fluorescence products using tower-based measurements and an NIRv-scaled approach | |
| Liu et al. | Application of UAV-retrieved canopy spectra for remote evaluation of rice full heading date | |
| Ye et al. | A Modified Transfer-Learning-Based Approach for Retrieving Land Surface Temperature From Landsat-8 TIRS Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |