CN108303044A - 一种叶面积指数获取方法及系统 - Google Patents
一种叶面积指数获取方法及系统 Download PDFInfo
- Publication number
- CN108303044A CN108303044A CN201810099734.8A CN201810099734A CN108303044A CN 108303044 A CN108303044 A CN 108303044A CN 201810099734 A CN201810099734 A CN 201810099734A CN 108303044 A CN108303044 A CN 108303044A
- Authority
- CN
- China
- Prior art keywords
- crop
- vegetation
- image data
- coefficient
- radar
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种叶面积指数获取方法及系统。所述方法包括:首先获取待测作物的SAR影像和光学影像,并将SAR影像和光学影像进行地面控制点配准,获得影像数据;根据影像数据和实际测量的植被含水量、地表土壤水分及粗糙度参数,确定改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数,得到作物总后向散射系数模型;然后,根据影像数据和作物总后向散射系数模型,反演得到植被含水量,进而估算所述待测作物的叶面积指数。本发明将雷达遥感和光学结合起来,应用到改进的水云模型中,充分利用了雷达遥感和光学各自的优势来反演作物生物学参数,分离了植被覆盖度及裸土对雷达信号的影响,提高了反演精度。
Description
技术领域
本发明涉及植被监测领域,特别涉及一种叶面积指数获取方法及系统。
背景技术
水稻叶面指数LAI(leaf area index)描述了水稻叶片生长与叶密度间的变化关系,是表征水稻生长和发育状态的重要参数之一,并广泛应用在生态、农业、气候变化等研究领域。传统的LAI测定方法费时费力,是一种损伤性采样方法,且难以监测大范围的LAI,而遥感技术作为一种非损伤性手段,具有大范围、多尺度、多谱段、周期性等优势,在区域至全球尺度的作物LAI监测中发挥着重要的作用。
目前水稻LAI遥感反演的手段主要为光学遥感,通常利用遥感地表反射率计算植被指数,通过建立LAI与植被指数的经验函数关系来估算LAI。然而水稻主要分布在长江中下游及以南地区,水稻生长季期间该地区多云雨天气,由于云层、气溶胶等因素影响,水稻LAI的光学遥感估测具有极大的不确定性。
合成孔径雷达SAR(synthetic aperture radar)具有全天时、全天候的优点,能够穿云透雾,同时也可穿透一定的密集植被冠层,为作物生物学参数获取与监测提供了有效手段。目前,利用SAR数据水稻LAI的反演方法主要包括经验模型法、物理模型法及半经验半物理模型法3类。经验模型法主要是通过建立植被指数与LAI之间的线性或非线性关系计算LAI值,这种方法对作物类型、区域特点有较大的依赖性,不具有普适性。物理模型法对植被的生理生化特征模拟效果较好,且具有普适性,但模型输入参数较多,过程复杂,计算繁琐。而半经验半物理模型法基于简化的物理模型,输入参数较少,同时具备经验模型与物理模型的优点,比经验模型对于植被特征的模拟更准确,且比物理模型更简单有效,因此更适合LAI的农田反演。
应用最广的半经验模型是由Attema和Ulaby(1987)提出的水云模型(Water CloudModel,WCM),是以农作物为研究对象建立的,常被用于反演植株水分、LAI、地表土壤水分、生物量等。Ulaby等(1990)利用水云模型,分析了雷达频率为8.6、13.0、17.0及35.6GHz时,后向散射系数与植被冠层LAI的相关关系。Inoue等(2002)采用多种频率、多种入射角的雷达数据,结合水云模型对作物LAI和生物量进行研究,结果表明LAI与C波段HH和交叉极化数据有较好的关系,而生物量与L波段的HH和交叉极化有较好的关系。
与光学遥感相比,SAR反演作物LAI受到的干扰因素更多,除了雷达自身系统参数外,还有作物的结构、覆盖度、含水量、以及下垫面土壤的含水量、粗糙度等影响,电磁波与作物作用机理更为复杂,因此利用水云模型的作物各生物学参数的SAR反演精度相对较低。
发明内容
本发明的目的是提供一种叶面积指数获取方法及系统,以提高利用水云模型反演植被生物学参数的精度。
为实现上述目的,本发明提供了如下方案:
一种叶面积指数获取方法,所述方法包括如下步骤:
获取待测作物的SAR影像和光学影像,并将所述SAR影像和所述光学影像进行地面控制点配准,获得影像数据,所述影像数据包括SAR影像数据和光学影像数据;
根据所述影像数据和实际测量的植被含水量、地表土壤水分及粗糙度参数,确定改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数,得到作物总后向散射系数模型;
根据所述影像数据和所述作物总后向散射系数模型,反演得到植被含水量;
根据实际测量的植被含水量和实际测量的叶面积指数,建立植被含水量和叶面积指数的关系曲线;
根据所述植被含水量和所述关系曲线,确定所述待测作物的叶面积指数。
可选的,所述获取待测作物的SAR影像和光学影像,并将所述SAR影像和所述光学影像进行地面控制点配准,获得影像数据,所述影像数据包括SAR影像数据和光学影像数据,具体包括:
选取地面控制点;
获取SAR影像;
对所述SAR影像进行多视处理、斑点滤波、地理编码和辐射定标,得到处理后的SAR影像;
利用所述地面控制点对所述处理后的SAR影像进行配准,获得SAR影像数据;
获取光学影像;
对所述光学影像进行影像裁剪、辐射校正和大气校正,获得处理后的光学影像;
利用所述地面控制点对所述处理后的光学影像进行配准,获得光学影像数据。
可选的,所述改进后的水云模型为:
其中,表示作物总后向散射系数;表示冠层体后向散射系数,
表示土壤后向散射系数,fV表示植被覆盖度,fV=(NDVI-NDVIS)/(NDVIV-NDVIS);γ2表示雷达电磁波经过作物冠层的双向衰减,γ2=exp(-2B·mV·secθ);A表示作物冠层封闭时的雷达后向散射系数;B表示衰减系数;mV表示单位体积地上部的植被含水量;θ为雷达入射角;NDVI为归一化植被指数;NDVIS为纯土壤像元的归一化植被指数值;NDVIV为纯植被像元的归一化植被指数值;fAIEM表示改进积分方程模型的表达式,εs表示土壤介电常数;p表示天线发射的极化方式,为H或V极化;q表示天线接收信号的极化方式,为H或V极化;s为土壤的均方根高度;l为土壤的相关长度;fre为频率。
可选的,所述根据所述影像数据和实际测量的植被含水量、地表土壤水分及粗糙度参数,确定改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数,得到作物总后向散射系数模型,具体包括:
从所属影像数据中提取数据样本,获得数据样本集;
获取实验测得的所述数据样本集中的每个样本对应的植被含水量、地表土壤水分及粗糙度参数;
根据每个所述样本与每个所述样本对应的植被含水量、地表土壤水分和粗糙度参数,计算改进后的水云模型中的每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数;
根据每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数,建立改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数的查找表;
根据所述影像数据,查找所述查找表,获得衰减系数和作物冠层封闭时的雷达后向散射系数;
将所述衰减系数和作物冠层封闭时的雷达后向散射系数代入所述改进后的水云模型,获得作物总后向散射系数模型。
一种叶面积指数获取系统,所述系统包括:
影像数据获取模块,用于获取待测作物的SAR影像和光学影像,并将所述SAR影像和所述光学影像进行地面控制点配准,获得影像数据,所述影像数据包括SAR影像数据和光学影像数据;
作物总后向散射系数模型建立模块,用于根据所述影像数据和实际测量的植被含水量、地表土壤水分及粗糙度参数,确定改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数,得到作物总后向散射系数模型;
模型反演模块,用于根据所述影像数据和所述作物总后向散射系数模型,反演得到待测植被的植被含水量;
关系曲线建立模块,用于根据实际测量的植被含水量和实际测量的叶面积指数,建立植被含水量和叶面积指数的关系曲线;
叶面积指数获取模块,用于根据所述植被含水量和所述关系曲线,确定所述待测作物的叶面积指数。
可选的,所述影像数据获取模块,具体包括:
地面控制点选取子模块,用于选取地面控制点;
SAR影像获取子模块,用于获取SAR影像;
SAR影像处理子模块,用于对所述SAR影像进行多视处理、斑点滤波、地理编码和辐射定标,得到处理后的SAR影像;
SAR影像配准子模块,用于利用所述地面控制点对所述处理后的SAR影像进行配准,获得SAR影像数据;
光学影响获取子模块,用于获取光学影像;
光学影响处理子模块,用于对所述光学影像进行影像裁剪、辐射校正和大气校正,获得处理后的光学影像;
光学影响配准子模块,用于利用所述地面控制点对所述处理后的光学影像进行配准,获得光学影像数据。
可选的,所述作物总后向散射系数模型建立模块中改进后的水云模型为:
其中,表示作物总后向散射系数;表示冠层体后向散射系数,
表示土壤后向散射系数,fV表示植被覆盖度,fV=(NDVI-NDVIS)/(NDVIV-NDVIS);γ2表示雷达电磁波经过作物冠层的双向衰减,γ2=exp(-2B·mV·secθ);A表示作物冠层封闭时的雷达后向散射系数;B表示衰减系数;mV表示单位体积地上部的植被含水量;θ为雷达入射角;NDVI为归一化植被指数;NDVIS为纯土壤像元的归一化植被指数值;NDVIV为纯植被像元的归一化植被指数值;fAIEM表示改进积分方程模型的表达式,εs表示土壤介电常数;p表示天线发射的极化方式,为H或V极化;q表示天线接收信号的极化方式,为H或V极化;s为土壤的均方根高度;l为土壤的相关长度;fre为频率。
可选的,所述作物总后向散射系数模型建立模块,具体包括:
数据样本集获取子模块,用于从所属影像数据中提取数据样本,获得数据样本集;
参数测量子模块,用于获取实验测得的所述数据样本集中的每个样本对应的植被含水量、地表土壤水分及粗糙度参数;
系数计算子模块,用于根据每个所述样本与每个所述样本对应的植被含水量、地表土壤水分和粗糙度参数,计算改进后的水云模型中的每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数;
查找表建立子模块,用于根据每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数,建立改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数的查找表;
系数确定子模块,用于根据所述影像数据,查找所述查找表,获得衰减系数和作物冠层封闭时的雷达后向散射系数;
作物总后向散射系数模型获取子模块,用于将所述衰减系数和作物冠层封闭时的雷达后向散射系数代入所述改进后的水云模型,获得作物总后向散射系数模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种叶面积指数获取方法及系统,该方法首先获取待测作物的SAR影像和光学影像,获得影像数据,然后将影像数据代入改进后的水云模型,获得作物总后向散射系数模型,最后通过作物总后向散射系数模型反演得到待测植被的叶面积指数。本发明将雷达遥感和光学结合起来,应用到改进的水云模型中,充分利用了雷达遥感和光学各自的优势来反演作物生物学参数,分离了植被覆盖度及裸土对雷达信号的影响,提高了反演精度。
在改进的水云模型中加入植被覆盖度以及裸土对雷达信号的影响,充分考虑植被与土壤的实际分布情况,使得模型对地表植被覆盖状态的刻画更加准确。改进的水云模型中应用改进积分方程模型获取土壤后向散射系数,克服了积分方程模型没有准确描述实际的地表粗糙度和处理不同地表粗糙度条件下菲涅尔反射系数的方式过于简单的技术缺陷,实现了对更宽范围的介电常数、频率和粗糙度等参数的地表辐射信号的计算和模拟。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种叶面积指数获取方法的流程图;
图2为本发明提供的一种叶面积指数获取系统的结构框图。
具体实施方式
本发明的目的是提供一种叶面积指数获取方法及系统,为了提高利用水云模型反演植被生物学参数的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对发明作进一步详细的说明。
具体的,本发明中涉及的专业术语的具体的含义为:
合成孔径雷达:synthetic aperture radar,SAR。利用一个小天线沿着长线阵的轨迹等速移动并辐射相参信号,把在不同位置接收的回波进行相干处理,从而获得较高分辨率的成像雷达。
多视处理:将整个有效合成孔径长度分成多段分别对同一场景进行成像,然后将所得的图像求和叠加得到一幅SAR图像。
辐射定标:将传感器记录的无量纲的DN值转换成具有实际物理意义的大气顶层辐射亮度或反射率。
地理编码:将统计资料或是地址信息建立空间坐标关系的过程。
监督分类:以建立统计识别函数为理论基础、依据典型样本训练方法进行分类的技术,即根据已知训练区提供的样本,通过选择特征参数,求出特征参数作为决策规则,建立判别函数以对各待分类影像进行的图像分类。
叶面积指数:leaf area index,LAI。指单位土地面积上植物叶片总面积占土地面积的倍数。
如图1所示,一种叶面积指数获取方法,所述方法包括如下步骤:
步骤101,获取待测作物的SAR影像和光学影像,并将所述SAR影像和所述光学影像进行地面控制点配准,获得影像数据,所述影像数据包括SAR影像数据和光学影像数据;具体包括:选取地面控制点;获取SAR影像;对所述SAR影像进行多视处理、斑点滤波、地理编码和辐射定标,得到处理后的SAR影像;利用所述地面控制点对所述处理后的SAR影像进行配准,获得SAR影像数据;获取光学影像;对所述光学影像进行影像裁剪、辐射校正和大气校正,获得处理后的光学影像;利用所述地面控制点对所述处理后的光学影像进行配准,获得光学影像数据。
步骤102,根据所述影像数据和实际测量的植被含水量、地表土壤水分及粗糙度参数,确定改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数,得到作物总后向散射系数模型;具体包括:从所属影像数据中提取数据样本,获得数据样本集;获取实验测得的所述数据样本集中的每个样本对应的植被含水量、地表土壤水分及粗糙度参数;根据每个所述样本与每个所述样本对应的植被含水量、地表土壤水分和粗糙度参数,计算改进后的水云模型中的每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数;根据每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数,建立改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数的查找表;根据所述影像数据,查找所述查找表,获得衰减系数和作物冠层封闭时的雷达后向散射系数;将所述衰减系数和作物冠层封闭时的雷达后向散射系数代入所述改进后的水云模型,获得作物总后向散射系数模型。所述改进后的水云模型为:
其中,表示作物总后向散射系数;表示冠层体后向散射系数,
表示土壤后向散射系数,fV表示植被覆盖度,fV=(NDVI-NDVIS)/(NDVIV-NDVIS);γ2表示雷达电磁波经过作物冠层的双向衰减,γ2=exp(-2B·mV·secθ);A表示作物冠层封闭时的雷达后向散射系数;B表示衰减系数;mV表示单位体积地上部的植被含水量;θ为雷达入射角;NDVI为归一化植被指数;NDVIS为纯土壤像元的归一化植被指数值;NDVIV为纯植被像元的归一化植被指数值;fAIEM表示改进积分方程模型的表达式,εs表示土壤介电常数;p表示天线发射的极化方式,为H或V极化;q表示天线接收信号的极化方式,为H或V极化;s为土壤的均方根高度;l为土壤的相关长度;fre为频率。
步骤103,根据所述影像数据和所述作物总后向散射系数模型,反演得到植被含水量;
步骤104,根据实际测量的植被含水量和实际测量的叶面积指数,建立植被含水量和叶面积指数的关系曲线;
步骤105,根据所述植被含水量和所述关系曲线,确定所述待测作物的叶面积指数。
一种叶面积指数获取系统,所述系统包括:
影像数据获取模块201,用于获取待测作物的SAR影像和光学影像,并将所述SAR影像和所述光学影像进行地面控制点配准,获得影像数据,所述影像数据包括SAR影像数据和光学影像数据;所述影像数据获取模块,具体包括:地面控制点选取子模块,用于选取地面控制点;SAR影像获取子模块,用于获取SAR影像;SAR影像处理子模块,用于对所述SAR影像进行多视处理、斑点滤波、地理编码和辐射定标,得到处理后的SAR影像;SAR影像配准子模块,用于利用所述地面控制点对所述处理后的SAR影像进行配准,获得SAR影像数据;光学影响获取子模块,用于获取光学影像;光学影响处理子模块,用于对所述光学影像进行影像裁剪、辐射校正和大气校正,获得处理后的光学影像;光学影响配准子模块,用于利用所述地面控制点对所述处理后的光学影像进行配准,获得光学影像数据。
作物总后向散射系数模型建立模块202,用于根据所述影像数据和实际测量的植被含水量、地表土壤水分及粗糙度参数,确定改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数,得到作物总后向散射系数模型;所述作物总后向散射系数模型建立模块,具体包括:数据样本集获取子模块,用于从所属影像数据中提取数据样本,获得数据样本集;参数测量子模块,用于获取实验测得的所述数据样本集中的每个样本对应的植被含水量、地表土壤水分及粗糙度参数;系数计算子模块,用于根据每个所述样本与每个所述样本对应的植被含水量、地表土壤水分和粗糙度参数,计算改进后的水云模型中的每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数;查找表建立子模块,用于根据每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数,建立改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数的查找表;系数确定子模块,用于根据所述影像数据,查找所述查找表,获得衰减系数和作物冠层封闭时的雷达后向散射系数;作物总后向散射系数模型获取子模块,用于将所述衰减系数和作物冠层封闭时的雷达后向散射系数代入所述改进后的水云模型,获得作物总后向散射系数模型。
所述作物总后向散射系数模型建立模块中改进后的水云模型为:
其中,表示作物总后向散射系数;表示冠层体后向散射系数,
表示土壤后向散射系数,fV表示植被覆盖度,fV=(NDVI-NDVIS)/(NDVIV-NDVIS);γ2表示雷达电磁波经过作物冠层的双向衰减,γ2=exp(-2B·mV·secθ);A表示作物冠层封闭时的雷达后向散射系数;B表示衰减系数;mV表示单位体积地上部的植被含水量;θ为雷达入射角;NDVI为归一化植被指数;NDVIS为纯土壤像元的归一化植被指数值;NDVIV为纯植被像元的归一化植被指数值;fAIEM表示改进积分方程模型的表达式,εs表示土壤介电常数;p表示天线发射的极化方式,为H或V极化;q表示天线接收信号的极化方式,为H或V极化;s为土壤的均方根高度;l为土壤的相关长度;fre为频率。
模型反演模块203,用于根据所述影像数据和所述作物总后向散射系数模型,反演得到待测植被的植被含水量;
关系曲线建立模块204,用于根据实际测量的植被含水量和实际测量的叶面积指数,建立植被含水量和叶面积指数的关系曲线;
叶面积指数获取模块205,用于根据所述植被含水量和所述关系曲线,确定所述待测作物的叶面积指数。
作为一个具体的实施方式,首先,选择Radarsat-2雷达全极化产品作为遥感影像源,近距离入射角约为27°,空间分辨率约为8m,中心频率为5.405GHz,幅宽25km。影像使用ENVI 5.1软件的SARscape模块经过多视处理、斑点滤波、地理编码和辐射定标等处理。数据的去噪处理采用Enhanced Lee图像滤波算法,滤波窗口为5×5,最后利用20个地面控制点对影像数据进行配准。SAR影像成像日期为2016年7月12日,对应水稻分蘖期。光学影像为中分辨率多光谱Landsat-8数据,时间分辨率为16d,幅宽185km,空间分辨率为30m,获取时间为2016年7月15日,与SAR影像准同步。光学影像的预处理工作在ENVI 5.1遥感处理软件中完成,主要包括影像裁剪、辐射校正和大气校正,最后利用20个地面控制点与SAR数据进行配准。
水云模型能够模拟各种作物在不同生长条件下的后向散射系数。模型将作物假定为各向均质的散射体,忽略了作物冠层与地表之间的二阶多次散射,将作物覆盖区的总后向散射系数表示为作物直接反射回来的体散射项和经作物双次衰减后土壤背景的后向散射项两个部分之和,模型具体表述如下:
γ2=exp(-2B·mV·secθ) (3)
式中,表示作物总后向散射系数,表示冠层体后向散射系数,表示土壤后向散射系数,γ2表示雷达电磁波经过作物冠层的双向衰,A表示作物冠层封闭时的雷达后向散射系数;B表示衰减系数;mV表示单位体积地上部的植被含水量;θ为雷达入射角;NDVI为归一化植被指数;NDVIS为纯土壤像元的归一化植被指数值;NDVIV为纯植被像元的归一化植被指数值。
本发明结合光学数据,通过计算植被覆盖度,考虑地表植被的实际分布状况,引入植被覆盖度以及裸土对雷达信号的影响信息。改进后的模型表述如下:
其中,fV表示植被覆盖度,,利用像元二分模型计算,即
fV=(NDVI-NDVIS)/(NDVIV-NDVIS) (5)
NDVI为归一化植被指数,从Landsat-8光学数据计算获取;NDVIS为纯土壤像元的归一化植被指数值;NDVIV为纯植被像元的归一化植被指数值。
本发明中,土壤后向散射系数由Chen等(2003)发展的改进积分方程模型(Advanced Integrated Equation Model,AIEM)计算得出。根据AIEM模型参数组成,由AIEM模型描述的后向散射系数可以由下式来表达:
式中,fAIEM表示改进积分方程模型的表达式,εs表示土壤介电常数;p表示天线发射的极化方式,为H或V极化;q表示天线接收信号的极化方式,为H或V极化;s为土壤的均方根高度;l为土壤的相关长度。
结合以上方程可以得出,当频率、入射角固定时,HH与VV极化下作物总的后向散射系数可由下式计算得到:
其中,mvp为土壤水分含量,下标p为发射或接收极化,即H或V极化。
本发明基于RADARSAT-2雷达数据以及Landsat 8光学数据,结合试验测得的作物含水量、土壤水分含量及土壤粗糙度参数,建立查找表,采用Levenberg-Marquardt非线性最小二乘法计算模型结构参数A和B,选取误差平方和最小的一组值作为反演参数的最优值。
随机选取实测的水稻叶面积指数LAI和植被含水量数据进行分析,建立水稻LAI与含水量的线性关系,通过查找表获取植被含水量,进而估算LAI。为验证发明的可靠性,选取2/3的实测数据作为训练数据,其余1/3的实测数据作为验证数据,验证模型模拟后向散射系数的精度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种叶面积指数获取方法及系统,该方法首先获取待测作物的SAR影像和光学影像,获得影像数据,然后,将影像数据代入改进后的水云模型,获得作物总后向散射系数模型,最后通过作物总后向散射系数模型反演得到待测植被的叶面积指数。本发明将雷达遥感和光学结合起来,应用到改进的水云模型中,充分利用了雷达遥感和光学各自的优势来反演作物生物学参数,分离了植被覆盖度及裸土对雷达信号的影响,提高了反演精度。
在改进的水云模型中加入植被覆盖度以及裸土对雷达信号的影响,充分考虑植被与土壤的实际分布情况,使得模型对地表植被覆盖状态的刻画更加准确。改进的水云模型中应用改进积分方程模型获取土壤后向散射系数,克服了积分方程模型没有准确描述实际的地表粗糙度和处理不同地表粗糙度条件下菲涅尔反射系数的方式过于简单的技术缺陷,实现了对更宽范围的介电常数、频率和粗糙度等参数的地表辐射信号的计算和模拟。
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他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,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。
Claims (8)
1.一种叶面积指数获取方法,其特征在于,所述方法包括如下步骤:
获取待测作物的SAR影像和光学影像,并将所述SAR影像和所述光学影像进行地面控制点配准,获得影像数据,所述影像数据包括SAR影像数据和光学影像数据;
根据所述影像数据和实际测量的植被含水量、地表土壤水分及粗糙度参数,确定改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数,得到作物总后向散射系数模型;
根据所述影像数据和所述作物总后向散射系数模型,反演得到植被含水量;
根据实际测量的植被含水量和实际测量的叶面积指数,建立植被含水量和叶面积指数的关系曲线;
根据所述植被含水量和所述关系曲线,确定所述待测作物的叶面积指数。
2.根据权利要求1所述的一种叶面积指数获取方法,其特征在于,所述获取待测作物的SAR影像和光学影像,并将所述SAR影像和所述光学影像进行地面控制点配准,获得影像数据,所述影像数据包括SAR影像数据和光学影像数据,具体包括:
选取地面控制点;
获取SAR影像;
对所述SAR影像进行多视处理、斑点滤波、地理编码和辐射定标,得到处理后的SAR影像;
利用所述地面控制点对所述处理后的SAR影像进行配准,获得SAR影像数据;
获取光学影像;
对所述光学影像进行影像裁剪、辐射校正和大气校正,获得处理后的光学影像;
利用所述地面控制点对所述处理后的光学影像进行配准,获得光学影像数据。
3.根据权利要求1所述的一种叶面积指数获取方法,其特征在于,所述改进后的水云模型为:
其中,表示作物总后向散射系数;表示冠层体后向散射系数,
表示土壤后向散射系数,fV表示植被覆盖度,fV=(NDVI-NDVIS)/(NDVIV-NDVIS);γ2表示雷达电磁波经过作物冠层的双向衰减,γ2=exp(-2B·mV·secθ);A表示作物冠层封闭时的雷达后向散射系数;B表示衰减系数;mV表示单位体积地上部的植被含水量;θ为雷达入射角;NDVI为归一化植被指数;NDVIS为纯土壤像元的归一化植被指数值;NDVIV为纯植被像元的归一化植被指数值;fAIEM表示改进积分方程模型的表达式,εs表示土壤介电常数;p表示天线发射的极化方式,为H或V极化;q表示天线接收信号的极化方式,为H或V极化;s为土壤的均方根高度;l为土壤的相关长度;fre为频率。
4.根据权利要求3所述的一种叶面积指数获取方法,其特征在于,所述根据所述影像数据和实际测量的植被含水量、地表土壤水分及粗糙度参数,确定改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数,得到作物总后向散射系数模型,具体包括:
从所属影像数据中提取数据样本,获得数据样本集;
获取实验测得的所述数据样本集中的每个样本对应的植被含水量、地表土壤水分及粗糙度参数;
根据每个所述样本与每个所述样本对应的植被含水量、地表土壤水分和粗糙度参数,计算改进后的水云模型中的每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数;
根据每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数,建立改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数的查找表;
根据所述影像数据,查找所述查找表,获得衰减系数和作物冠层封闭时的雷达后向散射系数;
将所述衰减系数和作物冠层封闭时的雷达后向散射系数代入所述改进后的水云模型,获得作物总后向散射系数模型。
5.一种叶面积指数获取系统,其特征在于,所述系统包括:
影像数据获取模块,用于获取待测作物的SAR影像和光学影像,并将所述SAR影像和所述光学影像进行地面控制点配准,获得影像数据,所述影像数据包括SAR影像数据和光学影像数据;
作物总后向散射系数模型建立模块,用于根据所述影像数据和实际测量的植被含水量、地表土壤水分及粗糙度参数,确定改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数,得到作物总后向散射系数模型;
模型反演模块,用于根据所述影像数据和所述作物总后向散射系数模型,反演得到待测植被的植被含水量;
关系曲线建立模块,用于根据实际测量的植被含水量和实际测量的叶面积指数,建立植被含水量和叶面积指数的关系曲线;
叶面积指数获取模块,用于根据所述植被含水量和所述关系曲线,确定所述待测作物的叶面积指数。
6.根据权利要求5所述的一种叶面积指数获取系统,其特征在于,所述影像数据获取模块,具体包括:
地面控制点选取子模块,用于选取地面控制点;
SAR影像获取子模块,用于获取SAR影像;
SAR影像处理子模块,用于对所述SAR影像进行多视处理、斑点滤波、地理编码和辐射定标,得到处理后的SAR影像;
SAR影像配准子模块,用于利用所述地面控制点对所述处理后的SAR影像进行配准,获得SAR影像数据;
光学影响获取子模块,用于获取光学影像;
光学影响处理子模块,用于对所述光学影像进行影像裁剪、辐射校正和大气校正,获得处理后的光学影像;
光学影响配准子模块,用于利用所述地面控制点对所述处理后的光学影像进行配准,获得光学影像数据。
7.根据权利要求4所述的一种叶面积指数获取系统,其特征在于,所述作物总后向散射系数模型建立模块中改进后的水云模型为:
其中,表示作物总后向散射系数;表示冠层体后向散射系数,
表示土壤后向散射系数,fV表示植被覆盖度,fV=(NDVI-NDVIS)/(NDVIV-NDVIS);γ2表示雷达电磁波经过作物冠层的双向衰减,γ2=exp(-2B·mV·secθ);A表示作物冠层封闭时的雷达后向散射系数;B表示衰减系数;mV表示单位体积地上部的植被含水量;θ为雷达入射角;NDVI为归一化植被指数;NDVIS为纯土壤像元的归一化植被指数值;NDVIV为纯植被像元的归一化植被指数值;fAIEM表示改进积分方程模型的表达式,εs表示土壤介电常数;p表示天线发射的极化方式,为H或V极化;q表示天线接收信号的极化方式,为H或V极化;s为土壤的均方根高度;l为土壤的相关长度;fre为频率。
8.根据权利要求7所述的一种叶面积指数获取系统,其特征在于,所述作物总后向散射系数模型建立模块,具体包括:
数据样本集获取子模块,用于从所属影像数据中提取数据样本,获得数据样本集;
参数测量子模块,用于获取实验测得的所述数据样本集中的每个样本对应的植被含水量、地表土壤水分及粗糙度参数;
系数计算子模块,用于根据每个所述样本与每个所述样本对应的植被含水量、地表土壤水分和粗糙度参数,计算改进后的水云模型中的每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数;
查找表建立子模块,用于根据每个样本对应的衰减系数和作物冠层封闭时的雷达后向散射系数,建立改进后的水云模型中的衰减系数和作物冠层封闭时的雷达后向散射系数的查找表;
系数确定子模块,用于根据所述影像数据,查找所述查找表,获得衰减系数和作物冠层封闭时的雷达后向散射系数;
作物总后向散射系数模型获取子模块,用于将所述衰减系数和作物冠层封闭时的雷达后向散射系数代入所述改进后的水云模型,获得作物总后向散射系数模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810099734.8A CN108303044B (zh) | 2018-02-01 | 2018-02-01 | 一种叶面积指数获取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810099734.8A CN108303044B (zh) | 2018-02-01 | 2018-02-01 | 一种叶面积指数获取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108303044A true CN108303044A (zh) | 2018-07-20 |
CN108303044B CN108303044B (zh) | 2020-02-21 |
Family
ID=62850733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810099734.8A Active CN108303044B (zh) | 2018-02-01 | 2018-02-01 | 一种叶面积指数获取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108303044B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765247A (zh) * | 2018-11-15 | 2019-05-17 | 中国农业科学院农业资源与农业区划研究所 | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 |
CN109948698A (zh) * | 2019-03-19 | 2019-06-28 | 北京行易道科技有限公司 | 车辆特征确定方法、装置、设备和存储介质 |
CN111402322A (zh) * | 2020-04-07 | 2020-07-10 | 中国科学院空天信息创新研究院 | 一种中分辨率叶面积指数产品的校正方法及装置 |
CN112364289A (zh) * | 2020-11-02 | 2021-02-12 | 首都师范大学 | 一种通过数据融合提取水体信息的方法 |
CN112698347A (zh) * | 2020-12-02 | 2021-04-23 | 北京华益瑞科技有限公司 | 地表植被参数监测装置、系统及方法 |
CN112711989A (zh) * | 2020-12-15 | 2021-04-27 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
CN113009482A (zh) * | 2021-02-01 | 2021-06-22 | 中国科学院东北地理与农业生态研究所 | 一种植被覆盖下地表盐渍土含盐量的监测方法 |
CN113218908A (zh) * | 2021-05-10 | 2021-08-06 | 北京理工大学 | 基于太赫兹后向散射信号的植物叶片含水量检测方法 |
CN114397276A (zh) * | 2022-01-19 | 2022-04-26 | 北华航天工业学院 | 一种基于等价降水估测法的区域土壤湿度监测方法 |
CN114994087A (zh) * | 2022-05-27 | 2022-09-02 | 昆明理工大学 | 一种基于极化sar数据的植被叶片含水量遥感反演方法 |
CN117313451A (zh) * | 2023-09-01 | 2023-12-29 | 长安大学 | 一种基于e-inform模型的作物冠层结构参数反演方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916438A (zh) * | 2010-07-20 | 2010-12-15 | 浙江大学 | 半球摄影法获取水稻冠层叶面积指数和平均叶倾角的方法 |
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 |
WO2012073519A1 (ja) * | 2010-12-02 | 2012-06-07 | 日本電気株式会社 | 葉面積指数計測システム、装置、方法及びプログラム |
WO2012134961A3 (en) * | 2011-03-30 | 2014-04-24 | Weyerhaeuser Nr Company | System and method for forest management using stand development performance as measured by leaf area index |
CN104457626A (zh) * | 2014-12-08 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于激光雷达点云技术的植物叶面积指数测定方法 |
CN104567754A (zh) * | 2014-12-26 | 2015-04-29 | 河南省农业科学院农业经济与信息研究所 | 一种耦合星-地遥感的小麦叶面积指数估算方法 |
CN105608414A (zh) * | 2015-12-11 | 2016-05-25 | 国网四川省电力公司电力应急中心 | 一种地表含水量分布提取方法 |
CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
-
2018
- 2018-02-01 CN CN201810099734.8A patent/CN108303044B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101916438A (zh) * | 2010-07-20 | 2010-12-15 | 浙江大学 | 半球摄影法获取水稻冠层叶面积指数和平均叶倾角的方法 |
WO2012073519A1 (ja) * | 2010-12-02 | 2012-06-07 | 日本電気株式会社 | 葉面積指数計測システム、装置、方法及びプログラム |
WO2012134961A3 (en) * | 2011-03-30 | 2014-04-24 | Weyerhaeuser Nr Company | System and method for forest management using stand development performance as measured by leaf area index |
CN104457626A (zh) * | 2014-12-08 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于激光雷达点云技术的植物叶面积指数测定方法 |
CN104567754A (zh) * | 2014-12-26 | 2015-04-29 | 河南省农业科学院农业经济与信息研究所 | 一种耦合星-地遥感的小麦叶面积指数估算方法 |
CN105608414A (zh) * | 2015-12-11 | 2016-05-25 | 国网四川省电力公司电力应急中心 | 一种地表含水量分布提取方法 |
CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
Non-Patent Citations (2)
Title |
---|
张晓倩等: "利用时序合成孔径雷达数据监测水稻叶面积指数", 《农业工程学报》 * |
杜鹤娟等: "光学与微波植被指数协同反演农作物叶面积指数的可行性分析", 《遥感学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765247B (zh) * | 2018-11-15 | 2021-06-08 | 中国农业科学院农业资源与农业区划研究所 | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 |
CN109765247A (zh) * | 2018-11-15 | 2019-05-17 | 中国农业科学院农业资源与农业区划研究所 | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 |
CN109948698A (zh) * | 2019-03-19 | 2019-06-28 | 北京行易道科技有限公司 | 车辆特征确定方法、装置、设备和存储介质 |
CN111402322A (zh) * | 2020-04-07 | 2020-07-10 | 中国科学院空天信息创新研究院 | 一种中分辨率叶面积指数产品的校正方法及装置 |
CN111402322B (zh) * | 2020-04-07 | 2024-04-05 | 中国科学院空天信息创新研究院 | 一种中分辨率叶面积指数产品的校正方法及装置 |
CN112364289A (zh) * | 2020-11-02 | 2021-02-12 | 首都师范大学 | 一种通过数据融合提取水体信息的方法 |
CN112698347A (zh) * | 2020-12-02 | 2021-04-23 | 北京华益瑞科技有限公司 | 地表植被参数监测装置、系统及方法 |
CN112711989B (zh) * | 2020-12-15 | 2024-03-05 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
CN112711989A (zh) * | 2020-12-15 | 2021-04-27 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
CN113009482A (zh) * | 2021-02-01 | 2021-06-22 | 中国科学院东北地理与农业生态研究所 | 一种植被覆盖下地表盐渍土含盐量的监测方法 |
CN113218908A (zh) * | 2021-05-10 | 2021-08-06 | 北京理工大学 | 基于太赫兹后向散射信号的植物叶片含水量检测方法 |
CN114397276B (zh) * | 2022-01-19 | 2023-12-01 | 北华航天工业学院 | 一种基于等价降水估测法的区域土壤湿度监测方法 |
CN114397276A (zh) * | 2022-01-19 | 2022-04-26 | 北华航天工业学院 | 一种基于等价降水估测法的区域土壤湿度监测方法 |
CN114994087A (zh) * | 2022-05-27 | 2022-09-02 | 昆明理工大学 | 一种基于极化sar数据的植被叶片含水量遥感反演方法 |
CN114994087B (zh) * | 2022-05-27 | 2024-05-17 | 昆明理工大学 | 一种基于极化sar数据的植被叶片含水量遥感反演方法 |
CN117313451A (zh) * | 2023-09-01 | 2023-12-29 | 长安大学 | 一种基于e-inform模型的作物冠层结构参数反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108303044B (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108303044A (zh) | 一种叶面积指数获取方法及系统 | |
Li et al. | An evaluation of the use of atmospheric and BRDF correction to standardize Landsat data | |
CN102215666B (zh) | 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器 | |
CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
CN110376138A (zh) | 基于航空高光谱的土地质量监测方法 | |
CN107328741B (zh) | 土壤侵蚀方程中植被覆盖与管理因子c改进方法 | |
CN102034337B (zh) | 草原雪灾遥感监测与灾情评估系统及方法 | |
Yi et al. | Evaluation of MODIS surface reflectance products for wheat leaf area index (LAI) retrieval | |
Laamrani et al. | Determining the number of measurements required to estimate crop residue cover by different methods | |
Tao et al. | Soil moisture retrieval from SAR and optical data using a combined model | |
CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及系统 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
She‐Zhou et al. | Forest leaf area index (LAI) estimation using airborne discrete‐return lidar data | |
Wilson et al. | Mapping seafloor relative reflectance and assessing coral reef morphology with EAARL-B topobathymetric Lidar waveforms | |
Zhang et al. | A multiband model with successive projections algorithm for bathymetry estimation based on remotely sensed hyperspectral data in Qinghai lake | |
Nizeyimana | Remote Sensing and GIS Integration | |
WO2011080944A1 (ja) | 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム | |
CN112733445A (zh) | 基于蒸散量植被指数空间特征的大区域尺度土壤水分反演方法 | |
Popescu | Estimating plot-level forest biophysical parameters using small-footprint airborne lidar measurements | |
Borlaf-Mena et al. | Influence of the mosaicking algorithm on sentinel-1 land cover classification over rough terrain | |
Li et al. | Aerodynamic roughness length estimation with lidar and imaging spectroscopy in a shrub-dominated dryland | |
Bach et al. | Integrative use of multitemporal rapideye and TerraSAR-X data for agricultural monitoring | |
Simard et al. | Mangrove canopy 3D structure and ecosystem productivity using active remote sensing | |
Miao et al. | Modeling strategies and influencing factors in retrieving canopy equivalent water thickness of mangrove forest with Sentinel-2 image | |
Huang et al. | Information fusion approach for biomass estimation in a plateau mountainous forest using a synergistic system comprising UAS-based digital camera and LiDAR |
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 |