CN107688003A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107688003A CN107688003A CN201710789027.7A CN201710789027A CN107688003A CN 107688003 A CN107688003 A CN 107688003A CN 201710789027 A CN201710789027 A CN 201710789027A CN 107688003 A CN107688003 A CN 107688003A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- leaf
- spectrum
- remote sensing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 59
- 230000000007 visual effect Effects 0.000 claims abstract description 40
- 238000000985 reflectance spectrum Methods 0.000 claims abstract description 36
- 238000002310 reflectometry Methods 0.000 claims abstract description 30
- 238000005286 illumination Methods 0.000 claims abstract description 23
- 238000010219 correlation analysis Methods 0.000 claims abstract description 3
- 238000012937 correction Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 7
- 238000000205 computational method Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明提供了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，属于植被遥感反演参数方法的研究领域。其步骤为：利用4‑Scale模型确定遥感影像像元光谱对应的阳叶的可视概率(PT)、光照背景的可视概率(PG)；计算光谱的角度指数(AI)，与PT、PG进行相关分析，建立基于AI的PT和PG的估算模型；以叶面积指数(LAI)、PT和PG作为3个检索项，利用4‑Scale模型模拟建立针对多次散射因子M的查找表(与波长相关)；最后，利用建立的估算模型和查找表，求得卫星遥感影像植被像元的平均叶片反射率。本发明方法可由遥感影像提取叶片的反射光谱，与优化迭代计算方法相比，计算效率提高，与需多步查找的查找表方法相比，计算过程更简单，效率更高。
Description
一、技术领域
本发明是利用卫星遥感影像数据，定量反演像元的阳叶和光照背景可视概率，以多次散射反射因子描述阴影分量和多次散射反射的影响，利用基于4尺度几何光学模型理论发展的光谱降尺度模型提取像元平均叶片反射率的方法，属于植被遥感反演参数方法的研究领域。
二、背景技术
卫星观测的像元尺度反射信号受到叶片反射率、冠层结构和背景反射率等因子的影响，利用卫星遥感数据定量反演植被叶片和冠层生化参数，首先需要消除植被冠层结构和地表背景的影响。由冠层反射率光谱反演叶片反射率光谱，可以消除植被冠层结构和地表背景的影响，是利用卫星遥感数据高精度定量反演植被叶片和冠层生化参数的关键步骤。
为了消除植被冠层结构和地表背景对植被冠层生化参数遥感反演的影响，一些研究以几何光学模型为工具，根据冠层辐射传输原理，通过对冠层顶的反射光谱进行分解，获取叶片的反射率光谱。这些研究一般采用优化迭代计算或建立查找表的方法对冠层顶的反射光谱进行分解，例如，Zarco-Tejada等人在“Water content estimation in vegetationwith MODIS reflectance data and model inversion methods”文中利用SAILH冠层辐射传输模型研究叶面积指数(LAI)和观测几何角度的影响，并且利用优化迭代技术由冠层反射率光谱反演叶片反射率光谱；Zhang等人在“Leaf chlorophyll content retrievalfrom airborne hyperspectral remote sensing imagery”文中利用4尺度几何光学模型(4-Scale模型)研究冠层结构参数、观测几何角度以及地表背景反射率等因素的影响，引入了一个多次散射因子(M)，对4-Scale模型进行简化，提出了光谱降尺度模型，以太阳天顶角(SZA)、观测天顶角(VZA)和观测方位角(PHI)3个观测几何参数和叶面积指数(LAI)作为4个检索项来建立阳叶可视概率(PT)、光照背景可视概率(PG)与多次散射反射因子(M)的查找表，利用查找表来实现叶片反射率光谱的反演。
这两种方法都是基于遥感物理机理的物理模型，其中优化迭代计算方法的计算效率低，在大区域的卫星遥感影像应用中可操作性不强；查找表方法通过预先进行大量的模拟计算，建立查找表来简化计算过程，提高了反演计算的效率，但要求输入每个像元的冠层结构参数和观测几何角度作为检索项，并需要进行多步查找，过程繁琐，而且查找表是有局限性的，即使在其他查找项固定的情况下，PT和PG与LAI也不是一一映射的关系，查找表给出的是最大可能概率下的值。
三、发明内容
本发明的目的是提供一种适用于遥感影像的简单高效的模型方法，由遥感影像提取叶片的反射光谱，为有效提高叶片和冠层的生化参数的遥感反演精度提供基础。本发明的原理如下：
本发明分析利用叶片反射率和背景反射率在光谱形态上的差异构建角度指数(AI)，据其估算阳叶可视概率(PT)、光照背景可视概率(PG)，在此基础上结合叶面积指数(LAI)确定多次散射因子(M)，根据冠层反射率光谱和光谱降尺度模型求单叶片的反射率光谱。
本发明的技术方案主要包括以下步骤：
(1)首先，将地面样区的地理坐标与遥感影像匹配，提取对应像元的光谱，利用4-Scale模型确定遥感光谱对应的阳叶的可视概率(PT)、光照背景的可视概率(PG)。冠层反射率光谱的准确模拟是进行冠层光谱分解，获取叶片的反射率光谱的基础和前提条件。4-Scale模型是冠层几何光学物理模型，根据像元内树冠和背景，以及光照面和阴影面定义四分量：阳叶、阴叶、光照背景和阴影背景。4-Scale模型的输入参数包括：植被冠层结构参数，观测几何参数、叶片反射率、叶片透射率和背景反射率等。其中一组植被冠层结构参数和观测几何参数输入值代表一个观测场景。根据地面观测站点的实验数据设置4-Scale模型的输入值：参照地面观测实验得到的冠层结构参数统计特征，设置模型的植被冠层结构参数输入值范围；按照传感器的地面像元大小和成像条件来设置模型的观测几何参数输入值范围；利用地面观测实验得到的叶片反射率、叶片透射率和背景反射率光谱作为4-Scale模型的光谱数据输入。模拟过程分为两个部分：先根据输入的植被冠层结构参数，观测几何参数等建立模拟观测场景，计算模拟场景中四分量的可视概率：阳叶的可视概率(PT)、阴叶的可视概率(ZT)、光照背景的可视概率(PG)和阴影背景的可视概率(ZG)。然后根据输入的叶片反射率，叶片透射率和背景反射率等光谱数据计算多次散射反射率等，模拟计算四分量的反射率(阳叶的反射率(ρPT)、阴叶的反射率(ρZT)、光照背景的反射率(ρPG)和阴影背景的反射率(ρZG))，最后利用公式(1)模拟计算冠层反射率(ρ)。在模拟过程中，根据遥感与模拟的冠层光谱差别最小的原则(两者之间比较计算得到的调整后的R平方最大，归一化均方根误差nRMSE最小)对冠层结构参数进行寻优，选取与遥感光谱一致性最好的模拟光谱所对应的阳叶的可视概率(PT)、光照背景的可视概率(PG)、叶面积指数(LAI)和其他模型模拟参数值作为遥感光谱对应的植被冠层结构参数和四分量参数的值。
ρ＝ρPTPT+ρZTZT+ρPGPG+ρZGZG (1)
(2)角度指数(AI)估算阳叶可视概率(PT)、光照背景可视概率(PG)。叶片反射率和背景反射率在光谱形态上差异明显，而冠层反射率的光谱形态主要由阳叶和光照背景这两个分量决定，所以可根据冠层反射率的光谱形态特征来估算这两个分量的可视概率PT和PG。利用红光(645nm)、近红外(858nm)和短波红外(1640nm)波段和对应的反射率建立的角度指数(AI)来刻画冠层反射率的光谱形态特征。以3个波段波长(λ1、λ2和λ3)和对应的反射率(f1、f2和f3)构成的二维空间里的3个点(λ1，f1)、(λ2，f2)和(λ3，f3)来定义以(λ2，f2)为顶点的角度指数(AI)：
设置λ1＝645nm，λ2＝858nm，λ3＝1640nm，根据公式(2)，计算遥感影像像元光谱的角度指数(AI)，并与步骤(1)中得到的阳叶的可视概率(PT)、光照背景的可视概率(PG)进行相关分析，建立基于AI的PT和PG的估算模型。
(3)多次散射因子(M)查找表的建立。多次散射因子(M)是为了简化4-Scale模型，实现将冠层反射率数据降尺度得到叶片反射率光谱而提出的变量，包括阴影分量和多次散射反射的影响。理论上，M可用下式计算：
利用4-Scale模型模拟建立针对M的查找表，首先，根据传感器的地面像元大小和成像条件来设置若干组符合客观现实的观测几何参数、植被冠层结构参数，再选择任意一组背景反射率ρPG和叶片反射率ρL，利用4-Scale模型模拟得到冠层反射率ρ、PT和PG，代入上式计算M。然后，根据模拟结果以叶面积指数(LAI)、阳叶可视概率(PT)和光照背景可视概率(PG)作为3个检索项，建立多个M的查找表(与波长相关)。
(4)像元平均叶片反射率的提取。以4尺度几何光学模型为基础构建光谱降尺度模型：
在背景反射率ρPG已知的情况下，根据冠层反射率光谱ρ计算AI，利用基于AI的PT和PG的估算模型求得阳叶的可视概率PT、光照背景的可视概率PG，结合LAI数据查找给定波长的多次散射因子M，所有结果代入公式中，求得单叶片的反射率光谱ρL。
对于卫星观测的遥感影像，先进行遥感影像的预处理，包括大气校正、几何校正、像元分类和非植被像元掩膜处理等，得到植被像元的冠层反射率光谱ρ。然后根据地表背景类型，选择土壤光谱数据库中对应的典型地物反射率作为背景反射率ρPG。再利用基于AI的PT和PG的估算模型估算植被像元的PT和PG。同时，根据已经利用地面数据校准过的LAI的遥感估算模型，进行LAI的遥感反演，或者采用已有的经过系统验证的LAI标准产品。进而基于PT、PG和LAI确定M。最后求得植被像元平均叶片反射率。
四、附图说明
图1为2005年3月云南勐遮星地同步实验研究区的卫星遥感影像灰度图
(a)为Hyperion高光谱影像数据的灰度图
(b)为MODIS多光谱影像数据的灰度图
图2为4尺度模型模拟的冠层反射率光谱与Hyperion影像上提取的像元光谱的比较示例图
图3为4尺度模型模拟的冠层反射率光谱与MODIS影像上提取的像元光谱的比较示例图
图4为云南研究区站点对应的Hyperion影像像元光谱计算得到的角度指数(AI)与4-Scale模型反演得到的PT和PG的相关关系
(a)为AI与PT的相关关系
(b)为AI与PG的相关关系
图5为云南研究区站点对应的MODIS影像像元光谱计算得到的角度指数(AI)与4-Scale模型反演得到的PT和PG的相关关系
(a)为AI与PT的相关关系
(b)为AI与PG的相关关系
图6为Hyperion影像数据反演的植被像元的平均叶片反射率光谱与地面实测的叶片反射率光谱的比较示例图
图7为MODIS影像数据反演的植被像元的平均叶片反射率光谱与地面实测的叶片反射率光谱的比较示例图
五、具体实施方式
以下通过具体实例对本发明作进一步描述：
以2005年3月云南勐遮星地同步实验研究区的Hyperion高光谱影像(图1(a))和MODIS多光谱影像(图1(b))为实例，根据技术方案步骤(1)所述，模拟地面观测站点的Hyperion和MODIS像元光谱(冠层反射率光谱)，图2对比了模拟的冠层反射率光谱与Hyperion影像上提取的光谱(将地面观测站点的地理坐标与影像匹配)，图3对比了模拟的冠层反射率光谱与MODIS影像上提取的光谱(将地面观测站点的地理坐标与影像匹配)，结果表明模拟的冠层光谱与卫星遥感影像像元光谱具有很好的一致性。在准确模拟冠层反射率光谱的基础上，确定Hyperion和MODIS遥感影像像元光谱对应的阳叶的可视概率(PT)、光照背景的可视概率(PG)。
根据技术方案步骤(2)所述，以Hyperion影像上提取的光谱和其对应的阳叶的可视概率(PT)、光照背景的可视概率(PG)作为训练数据，建立适用于Hyperion影像的基于AI的PT的估算模型(图4(a))和基于AI的PG的估算模型(图4(b))。同时，以MODIS影像上提取的光谱和其对应的阳叶的可视概率(PT)、光照背景的可视概率(PG)作为训练数据，建立适用于MODIS影像的基于AI的PT的估算模型(图5(a))和基于AI的PG的估算模型(图5(b))。
根据技术方案步骤(3)所述，分别建立适用于Hyperion影像的多次散射因子M的查找表(如表1)和适用于MODIS影像的多次散射因子M的查找表(如表2)。
根据技术方案步骤(4)所述，分别求得Hyperion和MODIS遥感影像植被像元的平均叶片反射率。图6是Hyperion影像数据反演的植被像元的平均叶片反射率光谱与地面实测的叶片反射率光谱的对比，图7是MODIS影像数据反演的植被像元的平均叶片反射率光谱与地面实测的叶片反射率光谱的对比。
根据本发明提出的方法，在Hyperion和MODIS不同空间分辨率传感器的像元上，角度指数(AI)与PT和PG都具有极好的相关性，由影像光谱反演的叶片光谱与实测数据高度相似，说明了构建的方法有应用到多种卫星传感器的潜力。
表1 适用于Hyperion数据的以PT、PG和LAI作为检索项的多次散射因子M查找表示例
表2 适用于MODIS数据的以PT、PG和LAI作为检索项的多次散射因子M查找表示例
Claims (4)
1.一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，主要包括以下步骤：
(1)将地面样区的地理坐标与遥感影像匹配，提取对应像元的光谱，利用4-Scale模型确定遥感光谱对应的阳叶的可视概率(PT)、光照背景的可视概率(PG)；
(2)计算遥感影像像元光谱的角度指数(AI)：
<mrow>
<mi>A</mi>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>cos</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>{</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
<mo>*</mo>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
<mo>+</mo>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
<mo>*</mo>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中λ1、λ2和λ3为3个波段波长，设置λ1＝645nm，λ2＝858nm，λ3＝1640nm，f1、f2和f3分别为3个波段波长对应的反射率，同时将计算得到的AI与步骤(1)中得到的阳叶的可视概率(PT)、光照背景的可视概率(PG)进行相关分析，建立基于AI的PT和PG的估算模型；
(3)利用4-Scale模型模拟建立针对多次散射因子M的查找表，首先，根据传感器的地面像元大小和成像条件来设置若干组符合客观现实的观测几何参数、植被冠层结构参数，再选择任意一组背景反射率ρPG和叶片反射率ρL，利用4-Scale模型模拟得到冠层反射率ρ、PT和PG，代入下式计算M：
<mrow>
<mi>M</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&rho;</mi>
<mo>-</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>P</mi>
<mi>G</mi>
</mrow>
</msub>
<mo>&times;</mo>
<mi>P</mi>
<mi>G</mi>
</mrow>
<mrow>
<msub>
<mi>&rho;</mi>
<mi>L</mi>
</msub>
<mo>&times;</mo>
<mi>P</mi>
<mi>T</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
然后，根据模拟结果以叶面积指数(LAI)、阳叶可视概率(PT)和光照背景可视概率(PG)作为3个检索项，建立多个M的查找表(与波长相关)；
(4)对于卫星观测的遥感影像，先进行遥感影像的预处理，包括大气校正、几何校正、像元分类和非植被像元掩膜处理等，得到植被像元的冠层反射率光谱ρ；然后根据地表背景类型，选择土壤光谱数据库中对应的典型地物反射率作为背景反射率ρPG；再利用基于AI的PT和PG的估算模型估算植被像元的PT和PG；同时，根据已经利用地面数据校准过的LAI的遥感估算模型，进行LAI的遥感反演，或者采用已有的经过系统验证的LAI标准产品；进而基于PT、PG和LAI确定M；最后所有结果代入光谱降尺度模型中：
<mrow>
<msub>
<mi>&rho;</mi>
<mi>L</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&rho;</mi>
<mo>-</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>P</mi>
<mi>G</mi>
</mrow>
</msub>
<mo>&times;</mo>
<mi>P</mi>
<mi>G</mi>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>P</mi>
<mi>T</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
求得植被像元平均叶片反射率。
2.根据权利要求1所述的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，其特征在于步骤(2)中，通过计算遥感影像像元光谱的角度指数(AI)来刻画冠层反射率的光谱形态特征，分别建立基于AI的阳叶可视概率(PT)和光照背景可视概率(PG)的估算模型，进而利用光谱的AI指数直接估算阳叶可视概率(PT)、光照背景可视概率(PG)。
3.根据权利要求1所述的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，其特征在于步骤(3)中，以叶面积指数(LAI)、阳叶可视概率(PT)和光照背景可视概率(PG)作为3个检索项，建立多个多次散射因子M的查找表(与波长相关)。
4.根据权利要求1所述的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，其特征在于步骤(4)中，根据地表背景类型，选择土壤光谱数据库中对应的典型地物反射率作为背景反射率，利用基于AI的PT和PG的估算模型估算植被像元的PT和PG，根据已经利用地面数据校准过的LAI的遥感估算模型，进行LAI的遥感反演，或者采用已有的经过系统验证的LAI标准产品，基于PT、PG和LAI确定M，所有结果代入光谱降尺度模型中求得植被像元平均叶片反射率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710789027.7A CN107688003B (zh) | 2017-09-04 | 2017-09-04 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710789027.7A CN107688003B (zh) | 2017-09-04 | 2017-09-04 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107688003A true CN107688003A (zh) | 2018-02-13 |
| CN107688003B CN107688003B (zh) | 2020-06-30 |
Family
ID=61155983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710789027.7A Active CN107688003B (zh) | 2017-09-04 | 2017-09-04 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107688003B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108693154A (zh) * | 2018-04-25 | 2018-10-23 | 南京大学 | 一种多角度观测精确反演植被阴阳叶日光诱导叶绿素荧光的方法 |
| CN109459405A (zh) * | 2018-10-23 | 2019-03-12 | 南京农业大学 | 基于窄带图像处理去除土壤背景干扰的光谱指数测量方法 |
| CN110070035A (zh) * | 2019-04-19 | 2019-07-30 | 中国科学院遥感与数字地球研究所 | 一种多光谱遥感影像分类方法和系统 |
| CN110196239A (zh) * | 2019-06-12 | 2019-09-03 | 中国科学院南京地理与湖泊研究所 | 浑浊水体浮游植物吸收系数光谱遥感反演方法 |
| CN113345004A (zh) * | 2021-08-05 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 一种植被叶面积指数的估算方法和装置 |
| CN113466142A (zh) * | 2021-06-17 | 2021-10-01 | 塔里木大学 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103630495A (zh) * | 2013-11-13 | 2014-03-12 | 北京航空航天大学 | 一种水生植被-大气耦合辐射传输模型 |
| CN103674852A (zh) * | 2013-08-22 | 2014-03-26 | 南京大学 | 一种多角度观测植被冠层阴阳叶光化学反射指数的方法 |
| CN104899394A (zh) * | 2015-06-23 | 2015-09-09 | 中国科学院遥感与数字地球研究所 | 一种实用的叶面积指数遥感反演方法 |
| CN105678236A (zh) * | 2015-12-31 | 2016-06-15 | 北京航空航天大学 | 一种陆地植被冠层偏振反射建模方法 |
| US20160180473A1 (en) * | 2011-05-13 | 2016-06-23 | Hydrobio, Inc. | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
| CN106033052A (zh) * | 2015-03-13 | 2016-10-19 | 中国人民解放军沈阳军区司令部工程科研设计所 | 一种基于高光谱数据敏感波段的植被信息提取方法 |
| CN106874621A (zh) * | 2017-03-10 | 2017-06-20 | 长沙理工大学 | 一种针叶植被冠层反射率计算方法及模型 |
| WO2019004003A1 (ja) * | 2017-06-28 | 2019-01-03 | 日本たばこ産業株式会社 | 葉たばこ中骨の膨こう性の推定方法 |
-
2017
- 2017-09-04 CN CN201710789027.7A patent/CN107688003B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160180473A1 (en) * | 2011-05-13 | 2016-06-23 | Hydrobio, Inc. | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
| CN103674852A (zh) * | 2013-08-22 | 2014-03-26 | 南京大学 | 一种多角度观测植被冠层阴阳叶光化学反射指数的方法 |
| CN103630495A (zh) * | 2013-11-13 | 2014-03-12 | 北京航空航天大学 | 一种水生植被-大气耦合辐射传输模型 |
| CN106033052A (zh) * | 2015-03-13 | 2016-10-19 | 中国人民解放军沈阳军区司令部工程科研设计所 | 一种基于高光谱数据敏感波段的植被信息提取方法 |
| CN104899394A (zh) * | 2015-06-23 | 2015-09-09 | 中国科学院遥感与数字地球研究所 | 一种实用的叶面积指数遥感反演方法 |
| CN105678236A (zh) * | 2015-12-31 | 2016-06-15 | 北京航空航天大学 | 一种陆地植被冠层偏振反射建模方法 |
| CN106874621A (zh) * | 2017-03-10 | 2017-06-20 | 长沙理工大学 | 一种针叶植被冠层反射率计算方法及模型 |
| WO2019004003A1 (ja) * | 2017-06-28 | 2019-01-03 | 日本たばこ産業株式会社 | 葉たばこ中骨の膨こう性の推定方法 |
Non-Patent Citations (7)
| Title |
|---|
| FAN ET AL.: "GOST2: The Improvement of the Canopy Reflectance Model GOST in Separating the Sunlit and Shaded Leaves", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| JIANDE MA,WEIMIN JU: "Mapping Leaf Area Index for the Urban Area of Nanjing City, China Using IKONOS Remote Sensing Data", 《IEEE》 * |
| P.J. ZARCO-TEJADA ET AL.: "Water content estimation in vegetation with MODIS reflectance data and model inversion methods", 《REMOTE SENSING OF ENVIRONMENT》 * |
| QIAN ZHANG ET AL.: "Ability of the Photochemical Reflectance Index to Track Light Use Efficiency for a Sub-Tropical Planted Coniferous Forest", 《REMOTE SENS.》 * |
| YELU ZENG ET AL.: "Extracting Leaf Area Index by Sunlit Foliage Component from Downward-Looking Digital Photography under Clear-Sky Conditions", 《REMOTE SENS.》 * |
| 刘洋等: "叶面积指数遥感反演研究进展与展望", 《地球信息科学学报》 * |
| 柳艺博等: "内蒙古不同类型草地叶面积指数遥感估算", 《生态学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108693154A (zh) * | 2018-04-25 | 2018-10-23 | 南京大学 | 一种多角度观测精确反演植被阴阳叶日光诱导叶绿素荧光的方法 |
| CN109459405A (zh) * | 2018-10-23 | 2019-03-12 | 南京农业大学 | 基于窄带图像处理去除土壤背景干扰的光谱指数测量方法 |
| CN109459405B (zh) * | 2018-10-23 | 2020-07-28 | 南京农业大学 | 基于窄带图像处理去除土壤背景干扰的光谱指数测量方法 |
| CN110070035A (zh) * | 2019-04-19 | 2019-07-30 | 中国科学院遥感与数字地球研究所 | 一种多光谱遥感影像分类方法和系统 |
| CN110196239A (zh) * | 2019-06-12 | 2019-09-03 | 中国科学院南京地理与湖泊研究所 | 浑浊水体浮游植物吸收系数光谱遥感反演方法 |
| CN113466142A (zh) * | 2021-06-17 | 2021-10-01 | 塔里木大学 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
| CN113466142B (zh) * | 2021-06-17 | 2023-04-21 | 塔里木大学 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
| CN113345004A (zh) * | 2021-08-05 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 一种植被叶面积指数的估算方法和装置 |
| CN113345004B (zh) * | 2021-08-05 | 2021-11-30 | 航天宏图信息技术股份有限公司 | 一种植被叶面积指数的估算方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107688003B (zh) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Houborg et al. | A cubesat enabled spatio-temporal enhancement method (cestem) utilizing planet, landsat and modis data | |
| US10832390B2 (en) | Atmospheric compensation in satellite imagery | |
| CN107688003A (zh) | 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 | |
| Verrelst et al. | Optimizing LUT-based RTM inversion for semiautomatic mapping of crop biophysical parameters from Sentinel-2 and-3 data: Role of cost functions | |
| Laurent et al. | Bayesian object-based estimation of LAI and chlorophyll from a simulated Sentinel-2 top-of-atmosphere radiance image | |
| Mousivand et al. | Multi-temporal, multi-sensor retrieval of terrestrial vegetation properties from spectral–directional radiometric data | |
| Atzberger et al. | Suitability and adaptation of PROSAIL radiative transfer model for hyperspectral grassland studies | |
| Jawak et al. | Improved land cover mapping using high resolution multiangle 8-band WorldView-2 satellite remote sensing data | |
| Weyermann et al. | Correction of reflectance anisotropy effects of vegetation on airborne spectroscopy data and derived products | |
| CN110186820A (zh) | 多源数据融合与环境污染源及污染物分布分析方法 | |
| Demarchi et al. | Multiple endmember unmixing of CHRIS/Proba imagery for mapping impervious surfaces in urban and suburban environments | |
| Sterckx et al. | Atmospheric correction of APEX hyperspectral data | |
| Zhou et al. | Quantification of aboveground forest biomass using Quickbird imagery, topographic variables, and field data | |
| Sun et al. | Automatic atmospheric correction for shortwave hyperspectral remote sensing data using a time-dependent deep neural network | |
| Aquilino et al. | Evaluating the potential of GeoEye data in retrieving LAI at watershed scale | |
| Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
| Smith | A comparison of DG AComp, FLAASH and QUAC atmospheric compensation algorithms using WorldView-2 IMagery | |
| Galvão et al. | A hyperspectral experiment over tropical forests based on the EO-1 orbit change and PROSAIL simulation | |
| Jusoff et al. | Mapping of individual oil palm trees using airborne hyperspectral sensing: an overview | |
| Li et al. | Remote sensing image registration method based on synchronous atmospheric correction | |
| Chen et al. | Using low‐spectral‐resolution images to acquire simulated hyperspectral images | |
| Baret | Estimation of biophysical variables from satellite observations | |
| Rengarajan et al. | Modeling and simulation of deciduous forest canopy and its anisotropic reflectance properties using the Digital Image and Remote Sensing Image Generation (DIRSIG) tool | |
| Rengarajan et al. | Modeling of forest canopy brdf using dirsig | |
| Kozoderov et al. | Cognitive technologies for processing optical images of high spatial and spectral resolution |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |