CN109977548B - 一种针对不同范围的叶面积指数遥感反演方法 - Google Patents

一种针对不同范围的叶面积指数遥感反演方法 Download PDF

Info

Publication number
CN109977548B
CN109977548B CN201910238960.4A CN201910238960A CN109977548B CN 109977548 B CN109977548 B CN 109977548B CN 201910238960 A CN201910238960 A CN 201910238960A CN 109977548 B CN109977548 B CN 109977548B
Authority
CN
China
Prior art keywords
lai
reflectivity
remote sensing
inversion
model
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
Application number
CN201910238960.4A
Other languages
English (en)
Other versions
CN109977548A (zh
Inventor
林杰
潘颖
代桥
张金池
许彦崟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201910238960.4A priority Critical patent/CN109977548B/zh
Publication of CN109977548A publication Critical patent/CN109977548A/zh
Application granted granted Critical
Publication of CN109977548B publication Critical patent/CN109977548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种针对不同范围的叶面积指数遥感反演方法，包括：步骤一、确定野外实测样方的生化组份参数；步骤二、将样方的生化组分参数输入辐射传输模型，得样方冠层反射率；步骤三、对多角度遥感影像进行预处理，得五个角度公共点的遥感反射率，并与模拟的冠层反射率做精度评价；步骤四、选择与LAI相关性最高的植被指数，利用模拟的冠层反射率构建的最佳植被指数与LAI建立回归模型；步骤五、将所有的LAI分割成两个部分，选择最佳观测角度和最佳植被指数，分别建立回归模型，根据决定系数确定LAI阈值；步骤六、确定不同范围LAI的最佳反演模型，得分类后LAI的反演结果。本发明对于不同范围的LAI，采用不同的反演方法，可明显提高LAI反演精度。

Description

一种针对不同范围的叶面积指数遥感反演方法
技术领域
本发明涉及一种针对不同范围的叶面积指数遥感反演方法。
背景技术
叶面积指数（Leaf Area Index，LAI）的定义是植被叶、茎、花、果等组分的总面积与土地面积的比值。它能反映出植被的水平覆盖状况和垂直结构，甚至枯枝落叶层厚薄和地下生物量多少，是植被冠层的重要结构参数，是陆面生态过程模型的重要输入参量，对植被冠层截流、光合、呼吸、蒸散、降水截持、碳循环和土壤侵蚀等起到关键作用。
LAI的测定方法主要包括地面测量和遥感反演法。地面测量包括直接测量法（传统的格点法和方格法、描形称重法和仪器测定法）和间接测量法（点接触法、消光系数法和经验公式法），适用于野外小范围的数据采集，局限性大。大区域尺度的LAI反演多用遥感测定法，包括统计模型法、物理模型法、人工神经网络法、随机森林模型法等。统计模型法主要利用遥感影像提取植被指数（NDVI、RVI、PVI等），利用经验统计方法构建植被指数或遥感反射率与LAI之间的回归模型，计算简单，参数要求不高，但容易受到土壤、大气、地形等多种非植被因素的影响，难以用于大尺度、植被类型复杂的区域。物理模型法是基于明确的物理原理，考虑植被的双向反射率分布函数，基于辐射传输机理构建反演模型，以遥感反射率为输入变量反演LAI。植被冠层辐射传输模型通常是模拟土壤、叶片和冠层之间的辐射传输过程，常用的模型分别有Hapk模型、PROSPECT模型、SAIL模型等。物理模型法具有明确的物理意义和理论基础，通用性和可移植性较强，在植被复杂的区域也有较好的反演精度，但是计算过程复杂、耗时，且反演过程中容易出现函数并不总是收敛的问题。
目前，反演LAI所用的遥感影像分为单一角度和多角度遥感影像，多角度遥感影像由于其能够提供植被辐射方向性信息，隐含了植被立体结构特征，利用光谱信息和多角度立体结构信息，增加模型反演过程中的先验知识，改善传统单一角度数据植被结构参数反演精度比较低等问题，因而可以有效地提高森林LAI反演精度。
发明内容
本发明是针对现有技术存在的不足，提出一种基于多角度遥感数据，利用物理模型和统计模型，针对不同范围的叶面积指数遥感反演方法。
为解决上述问题，本发明所采取的技术方案如下：
一种针对不同范围的叶面积指数遥感反演方法，包括以下步骤：
步骤一、在实验室测定野外样方中各个树种的生化组分参数，包括叶片面积、叶片等效水厚度和干物质含量、叶绿素和类胡萝卜素等，根据树种在样方中所占权重，确定野外实测样方的生化组分参数；
步骤二、将实测样方的生化组分参数先输入PROSPECT模型中，得到模拟的叶片反射率；
PROSPECT模型的公式为：
(ρ1-τ1) = PROSPECT(N, Cab, Cw, Cm)；
其中，ρ1为叶片反射率，τ1为叶片透射率，N为叶片内部结构参数，Cab为叶片叶绿素含量，其单位为μg/cm2，Cw为叶片等效水厚度，其单位为cm，Cm为叶片干物质含量，其单位为g/cm2；
步骤三、将模拟得到的叶片反射率和透射率输入SAIL模型中，得到各个样方的冠层模拟反射率；
SAIL模型公式为：
ρc = SAIL(LAI, ALA, ρl, τl, HOT, Diff, θv, θs, ϕ);
其中，ρc为冠层光谱反射率，LAI为叶面积指数，ALA为平均叶倾角，ρl和τl分别为叶片反射率和透过率，由PROSPECT模型计算得到，HOT为热点参数，Diff为漫反射系数，θv和θs分别为观测天顶角和太阳天顶角，ϕ为太阳与观测相对方位角；
步骤四、对多角度遥感影像进行去燥处理、云掩膜、大气校正和几何校正，利用地面控制点和影像几何信息得到高光谱反射率信息；
步骤五、提取五个角度的影像公共点的遥感反射率，与PROSAIL模型得到的模拟反射率进行精度评价；
步骤六、选择多种常用的植被指数与实测LAI进行相关性分析，垂直植被指数（Perpendicular Vegetation Index，PVI）与LAI 的相关性最高，将模拟冠层反射率得到的PVI与LAI建立回归模型；
步骤七、在观测角度为0°的情况下，LAI值以0.02的间隔从1.7变化到6.6，得到一系列模拟的冠层反射率，然后以一定的间隔将LAI值分成两类，两类LAI分别与PVI建立回归模型，统计所有模型的决定系数，决定系数值最大时，此时的LAI值即为阈值；
步骤八、确定分类前和分类后LAI反演模型的最佳观测角度，建立回归模型，并进行精度验证，结果表明分类后LAI的反演精度明显提高，即对于不同范围的LAI，需要进行分类反演。
本发明与现有技术相比较，本发明的实施效果如下：
本发明能够明显提高LAI反演精度的方法，对于不同范围的LAI，采用不同的反演方法，可明显提高LAI反演精度。
实施方式
下面将结合具体的实施例来说明本发明的内容。
实施例：针对不同范围的叶面积指数遥感反演方法，包括以下步骤
步骤一、在实验室测定野外样方中各个树种的生化组分参数，包括叶片面积、叶片等效水厚度和干物质含量、叶绿素和类胡萝卜素等，根据树种在样方中所占权重，确定野外实测样方的生化组分参数。
步骤二、将野外实测样方的生化组分参数先输入PROSPECT模型中，得到模拟的叶片反射率；
PROSPECT模型的公式为：
(ρ1-τ1) = PROSPECT(N, Cab, Cw, Cm)；
其中，ρ1为叶片反射率，τ1为叶片透射率，N为叶片内部结构参数，Cab为叶片叶绿素含量，其单位为μg/cm2，Cw为叶片等效水厚度，其单位为cm，Cm为叶片干物质含量，其单位为g/cm2；
步骤三、然后将模拟得到的叶片反射率和透射率输入SAIL模型中，得到各个样方的冠层模拟反射率；
SAIL模型公式为：
ρc = SAIL(LAI, ALA, ρl, τl, HOT, Diff, θv, θs, ϕ);
其中，ρc为冠层光谱反射率，LAI为叶面积指数，ALA为平均叶倾角，ρl和τl分别为叶片反射率和透过率，由PROSPECT模型计算得到，HOT为热点参数（叶子的平均大小与冠高之比），Diff为漫反射系数，θv和θs分别为观测天顶角和太阳天顶角，ϕ为太阳与观测相对方位角；
根据待处理的多角度遥感影像的头文件信息得到辐射传输模型中的输入参数，包括太阳天顶角、太阳方位角、观测天顶角、观测方位角、太阳与观测相对方位角等；
步骤四、对多角度遥感影像进行去燥处理、云掩膜、大气校正和几何校正，利用地面控制点和影像几何信息得到高光谱反射率信息；
步骤五、提取五个角度的影像公共点的遥感反射率，与PROSAIL模型得到的模拟反射率进行精度评价；
步骤六、选择多种常用的植被指数与实测LAI进行相关性分析，垂直植被指数（Perpendicular Vegetation Index，PVI）与LAI 的相关性最高，将模拟冠层反射率得到的PVI与LAI建立回归模型；
步骤七、在观测角度为0°的情况下，LAI值以0.02的间隔从1.7变化到6.6，得到一系列模拟的冠层反射率，然后以一定的间隔将LAI值分成两类，两类LAI分别与PVI建立回归模型，统计所有模型的决定系数，决定系数值最大时，此时的LAI值即为阈值；
步骤八、确定分类前和分类后LAI反演模型的最佳观测角度，建立回归模型，并进行精度验证，结果表明分类后LAI的反演精度明显提高，即对于不同范围的LAI，需要进行分类反演。
综上所述，本发明是一种能够明显提高LAI反演精度的方法，对于不同范围的LAI，采用不同的反演方法可以明显提高LAI反演精度。
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。

Claims (1)

1.一种针对不同范围的叶面积指数遥感反演方法，其特征在于：所述方法包括以下步骤：
步骤一：在实验室测定野外样方中各个树种的生化组分参数，包括叶片面积、叶片等效水厚度和干物质含量、叶绿素和类胡萝卜素，根据树种在样方中所占权重，确定野外实测样方的生化组分参数；
步骤二、将实测样方的生化组分参数先输入PROSPECT模型中，得到模拟的叶片反射率；
PROSPECT模型的公式为：
(ρ1-τ1)=PROSPECT(N, Cab, Cw, Cm)；
其中，ρ1为叶片反射率，τ1为叶片透射率，N为叶片内部结构参数；Cab为叶片叶绿素含量，其单位为μg/cm2，Cw为叶片等效水厚度，其单位为cm，Cm为叶片干物质含量，其单位为g/cm2；
步骤三、将模拟得到的叶片反射率和透射率输入SAIL模型中，得到各个样方的冠层模拟反射率；
SAIL模型公式为：
ρc = SAIL(LAI, ALA, ρl, τl, HOT, Diff, θv, θs, ϕ);
其中，ρc为冠层光谱反射率，LAI为叶面积指数，ALA为平均叶倾角，ρl和τl分别为叶片反射率和透过率，由PROSPECT模型计算得到，HOT为热点参数，Diff为漫反射系数，θv和θs分别为观测天顶角和太阳天顶角，ϕ为太阳与观测相对方位角；
步骤四、对多角度遥感影像进行去燥处理、云掩膜、大气校正和几何校正，利用地面控制点和影像几何信息得到高光谱反射率信息；
步骤五、提取五个角度影像公共点的遥感反射率，与PROSAIL模型得到的模拟反射率进行精度评价；
步骤六、选择多种常用的植被指数与实测LAI进行相关性分析，垂直植被指数PVI（Perpendicular Vegetation Index）与LAI 的相关性最高，将模拟冠层反射率得到的PVI与LAI建立回归模型；
步骤七、在观测角度为0°的情况下，LAI值以0.02的间隔从1.7变化到6.6，得到一系列模拟的冠层反射率，以一定的间隔将LAI值分成两类，两类LAI分别与PVI建立回归模型，统计所有模型的决定系数，决定系数值最大时，此时的LAI值即为阈值；
步骤八、确定分类前和分类后LAI反演模型的最佳观测角度，建立回归模型，并进行精度验证，结果表明分类后LAI的反演精度明显提高，即对于不同范围的LAI，需要进行分类反演。
CN201910238960.4A 2019-03-27 2019-03-27 一种针对不同范围的叶面积指数遥感反演方法 Active CN109977548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910238960.4A CN109977548B (zh) 2019-03-27 2019-03-27 一种针对不同范围的叶面积指数遥感反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910238960.4A CN109977548B (zh) 2019-03-27 2019-03-27 一种针对不同范围的叶面积指数遥感反演方法

Publications (2)

Publication Number Publication Date
CN109977548A CN109977548A (zh) 2019-07-05
CN109977548B true CN109977548B (zh) 2023-06-30

Family

ID=67081050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910238960.4A Active CN109977548B (zh) 2019-03-27 2019-03-27 一种针对不同范围的叶面积指数遥感反演方法

Country Status (1)

Country Link
CN (1) CN109977548B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110544277B (zh) * 2019-08-12 2023-01-10 蔡建楠 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法
CN111860328B (zh) * 2020-07-21 2021-04-06 杭州时光坐标影视传媒股份有限公司 一种基于双向反射函数和森林场景光照效果建模的生物量估算方法
EP4144199A1 (en) * 2021-09-01 2023-03-08 YARA International ASA Method and system for providing a site-specific fertilizer recommendation
CN114755189B (zh) * 2022-04-01 2022-12-13 自然资源部国土卫星遥感应用中心 一种特征优选的自注意力机制高光谱卫星lai反演方法
CN114821344B (zh) * 2022-06-24 2022-09-27 航天宏图信息技术股份有限公司 一种叶面积指数计算方法和装置
CN115329681B (zh) * 2022-10-14 2022-12-09 成都理工大学 基于辐射传输模型的植被冠层含水量遥感反演方法
CN116737858B (zh) * 2023-06-20 2024-03-22 长江水利委员会水文局 基于卫星遥感数据反演的林间穿透雨计算方法
CN117520715A (zh) * 2023-12-29 2024-02-06 华中农业大学 一种基于prosail模型的水稻叶面积指数反演方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109115725A (zh) * 2018-06-14 2019-01-01 中国农业大学 一种玉米冠层lai和叶绿素含量联合反演方法和设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109115725A (zh) * 2018-06-14 2019-01-01 中国农业大学 一种玉米冠层lai和叶绿素含量联合反演方法和设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李凤秀 ; 张柏 ; 宋开山 ; 王宗明 ; 刘焕军 ; 杨飞 ; .基于垂直植被指数的东北黑土区玉米LAI反演模型研究.干旱地区农业研究.2008,(03),全文. *
蔡博峰 ; 绍霞 ; .基于PROSPECT+SAIL模型的遥感叶面积指数反演.国土资源遥感.2007,(02),全文. *
陈艳华 ; 张万昌 ; 雍斌 ; .基于分类知识利用神经网络反演叶面积指数.生态学报.2007,(07),全文. *

Also Published As

Publication number Publication date
CN109977548A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109977548B (zh) 一种针对不同范围的叶面积指数遥感反演方法
CN109459392B (zh) 一种基于无人机多光谱影像的水稻地上部生物量估测方法
Peterson et al. Relationship of thematic mapper simulator data to leaf area index of temperate coniferous forests
de Mattos et al. Variation in canopy structure, leaf area, light interception and light use efficiency among Eucalyptus clones
Jonckheere et al. Allometry and evaluation of in situ optical LAI determination in Scots pine: a case study in Belgium
CN103940748B (zh) 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法
CN109886962A (zh) 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法
CN110378926B (zh) 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法
CN104374711B (zh) 一种树木叶面尘土量的确定方法及系统
CN112881293A (zh) 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法
Balzarolo et al. On the relationship between ecosystem-scale hyperspectral reflectance and CO 2 exchange in European mountain grasslands
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
Lang et al. Detection of chlorophyll content in Maize Canopy from UAV Imagery
Wang et al. LAI retrieval using PROSAIL model and optimal angle combination of multi-angular data in wheat
Hakala et al. Multispectral lidar time series of pine canopy chlorophyll content
CN111044516A (zh) 一种水稻叶绿素含量遥感估测方法
CN110320164A (zh) 一种生菜全氮含量高光谱反演模型的建立方法及其应用
CN112924401B (zh) 一种植被冠层叶绿素含量半经验反演方法
CN113887024A (zh) 基于归一化温度构建的干旱指数反演表层土壤水分方法
CN116223452A (zh) 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法
Serrano et al. Assessing forest structure and function from spectral transmittance measurements: A case study in a Mediterranean holm oak forest
CN114813653A (zh) 一种耦合遥感数据与几何光学模型的森林火灾监测方法
Kong et al. An integrated field and hyperspectral remote sensing method for the estimation of pigments content of Stipa Purpurea in Shenzha, Tibet
Zhang et al. Estimation of leaf water content using new vegetation indices combined by near-and middle infrared spectral reflectances
CN106092955B (zh) 芒属植物叶片含水率的测定方法

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