CN113505486B - 一种三维复杂地表叶面积指数反演方法及系统 - Google Patents

一种三维复杂地表叶面积指数反演方法及系统 Download PDF

Info

Publication number
CN113505486B
CN113505486B CN202110796019.1A CN202110796019A CN113505486B CN 113505486 B CN113505486 B CN 113505486B CN 202110796019 A CN202110796019 A CN 202110796019A CN 113505486 B CN113505486 B CN 113505486B
Authority
CN
China
Prior art keywords
remote sensing
leaf area
sensing data
area index
pixel
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
CN202110796019.1A
Other languages
English (en)
Other versions
CN113505486A (zh
Inventor
卞尊健
李嘉昕
范腾远
曹彪
历华
杜永明
肖青
柳钦火
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202110796019.1A priority Critical patent/CN113505486B/zh
Publication of CN113505486A publication Critical patent/CN113505486A/zh
Application granted granted Critical
Publication of CN113505486B publication Critical patent/CN113505486B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种三维复杂地表叶面积指数反演方法及系统，包括：基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数；基于所述初始叶面积指数，构建由三角面元组成的三维场景；对所述三维场景进行模拟，获得模拟遥感数据；将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化；直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。本发明降低了背景对植被冠层的多次散射效应造成的遥感信号的不确定性，提升了植被冠层叶面积指数的反演精准度。

Description

一种三维复杂地表叶面积指数反演方法及系统
技术领域
本发明涉及反演技术领域，特别是涉及一种三维复杂地表叶面积指数反演方法及系统。
背景技术
伴随着高空间分辨率遥感技术的发展，促进了遥感手段获取植被生化参数的研究。相较于已有的低空间分辨率数据，高空间分辨率数据可以方便地提供植被在冠层乃至像元尺度的空间三维信息及其对应的光谱或温度信息，使得信息更加丰富，反演结果更加立体化、精细化，正成为农业估产、干旱监测、环境保护等领域不可或缺的数据支撑。
但是，传统植被参数反演方法也具有一定的局限性。现有的基于高空间分辨率的遥感产品反演算法大多是直接从基于极轨卫星和气象尾箱低分辨率算法迁移而来。相对于低空间分辨率数据，高空间分辨率数据除了能提供更多的信息量，也更容易受到地表三维结构的影响，即发生邻近像元效应。该影响在空间分辨率通常大于500米的低分辨率数据处理中通常可忽略，而高分卫星和为人机获取的高空间分辨率像元的分辨率可达0.1米到10米，附近裸土或周围植被冠层等背景地物对目标像元遥感信息的影响难以忽略，对反演结果产生了不可忽略的不确定性，使得最终的反演结果不准确。
发明内容
针对于上述问题，本发明提供一种三维复杂地表叶面积指数反演方法及系统，实现了提升反演结果的准确性的目的。
为了实现上述目的，本发明提供了如下技术方案：
一种三维复杂地表叶面积指数反演方法，包括：
基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数；
基于所述初始叶面积指数，构建由三角面元组成的三维场景；
对所述三维场景进行模拟，获得模拟遥感数据；
将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化；
直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。
可选地，所述基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数，包括：
确定目标区域的植被类型；
获取与所述植被类型对应的植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息；
基于所述植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息，确定初始叶面积指数，其中，所述初始叶面积指数为生长状态下同期平均叶面积指数。
可选地，所述基于所述初始叶面积指数，构建由三角面元组成的三维场景，包括：
基于所述初始叶面积指数和三角面元的面积，计算得到三角面元数目；
根据所述三角面元数据，控制冠层的三角面元密度，以构建得到由三角面元组成的三维场景。
可选地，所述将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化，包括：
将实测遥感数据与所述模拟遥感数据进行逐个像元比对，并计算所述实测遥感数据与所述模拟遥感数据中每一像元的反射率差值；
若所述差值不满足所述反射率阈值对应的条件，对所述模拟遥感数据中所述像元对应区域的初始叶面积指数进行优化；
若优化后的所述模拟遥感数据中的像元不满足反射率阈值对应的条件，则对所述像元的叶面积指数进行迭代优化。
可选地，所述方法还包括：
当所述模拟遥感数据中的像元对应区域的叶面积指数的优化次数达到预设循环优化次数，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。
一种三维复杂地表叶面积指数反演系统，包括：
第一确定单元，用于基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数；
构建单元，用于基于所述初始叶面积指数，构建由三角面元组成的三维场景；
模拟单元，用于对所述三维场景进行模拟，获得模拟遥感数据；
优化单元，用于将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化；
第二确定单元，用于直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。
可选地，所述第一确定单元包括：
第一确定子单元，用于确定目标区域的植被类型；
第一获取子单元，用于获取与所述植被类型对应的植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息；
第三确定子单元，用于基于所述植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息，确定初始叶面积指数，其中，所述初始叶面积指数为生长状态下同期平均叶面积指数。
可选地，所述构建单元包括：
计算子单元，用于基于所述初始叶面积指数和三角面元的面积，计算得到三角面元数目；
控制子单元，用于根据所述三角面元数据，控制冠层的三角面元密度，以构建得到由三角面元组成的三维场景。
可选地，所述优化单元包括：
比对子单元，用于将实测遥感数据与所述模拟遥感数据进行逐个像元比对，并计算所述实测遥感数据与所述模拟遥感数据中每一像元的反射率差值；
优化单元，用于若所述差值不满足所述反射率阈值对应的条件，对所述模拟遥感数据中所述像元对应区域的初始叶面积指数进行优化；
若优化后的所述模拟遥感数据中的像元不满足反射率阈值对应的条件，则对所述像元的叶面积指数进行迭代优化。
可选地，所述系统还包括：
优化判断单元，用于当所述模拟遥感数据中的像元对应区域的叶面积指数的优化次数达到预设循环优化次数，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。
相较于现有技术，本发明提供了一种三维复杂地表叶面积指数反演方法及系统，包括：基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数；基于所述初始叶面积指数，构建由三角面元组成的三维场景；对所述三维场景进行模拟，获得模拟遥感数据；将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化；直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。本发明降低了背景对植被冠层的多次散射造成的遥感信号的不确定性，提升了植被冠层叶面积指数的反演精准度。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种三维复杂地表叶面积指数反演方法的流程示意图；
图2为本发明实施例提供的一种基于GPU三维光线追踪的叶面积指数反演方法的流程示意图；
图3为本发明实施例提供的一种三维复杂地表叶面积指数反演系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种三维复杂地表叶面积指数反演方法，参见图1，该方法可以包括以下步骤：
S101、基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数。
S102、基于所述初始叶面积指数，构建由三角面元组成的三维场景。
其中，目标区域是指需要进行研究的区域，即需要确定冠层叶面积指数的区域。在一种可能的实施方式中，基于所述目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数，包括：确定目标区域的植被类型；获取与所述植被类型对应的植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息；基于所述植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息，确定初始叶面积指数，其中，所述初始叶面积指数为生长状态下同期平均叶面积指数。
对应的，基于所述初始叶面积指数，构建由三角面元组成的三维场景，包括：基于所述初始叶面积指数和三角面元的面积，计算得到三角面元数目；根据所述三角面元数据，控制冠层的三角面元密度，以构建得到由三角面元组成的三维场景。
具体中，通过实地勘探，目视判读或有人机、无人机近地表观测等方式，确定研究区域中存在的植被类型，结合植物生长数据与波谱库确定各类植被的高度、形状、冠幅等几何形态结构参数与各种组分的光谱信息，并根据资料中该生长状态下同期平均叶面积指数作为初始值，控制冠层的三角面元密度，以此构建初始的场景三维模型。
S103、对所述三维场景进行模拟，获得模拟遥感数据。
在本发明实施例中通过GPU(Graphics Processing Unit，图形处理器)快速光线追踪平台计算模拟图像，依据星载传感器参数以及观测时传感器姿态与太阳光照条件，以逆向光线追踪技术进行遥感图像模拟。
S104、将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化。
S105、直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。
其中，实测遥感数据对应实测的遥感图像，模拟遥感数据对应模拟图像。卫星实测的遥感图像与模拟图像进行比对，判断是否满足阈值，即对实测遥感图像和模拟图像进行逐个像元的判断，若不满足，则优化像元对应区域的LAI(Leaf Area Index，叶面积指数)。优化后重新生成模拟图像，再与实测遥感图像进行比对，重复优化与比对步骤直至模拟遥感数据对应的模拟图像上所有像元的反射率满足阈值条件，或者达到循环次数跳出循环。此时优化后的场景冠层叶面积指数则为消除了地表组分间多次散射影响后真实的叶面积指数，将该结果输出即可。
本发明实施例提供了一种三维复杂地表叶面积指数反演方法，包括：基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数；基于所述初始叶面积指数，构建由三角面元组成的三维场景；对所述三维场景进行模拟，获得模拟遥感数据；将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化；直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。本发明降低了背景对植被冠层的多次散射造成的遥感信号的不确定性，提升了植被冠层叶面积指数的反演精准度。
在本发明实施例的一种实施方式中，所述将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化，包括：
将实测遥感数据与所述模拟遥感数据进行逐个像元比对，并计算所述实测遥感数据与所述模拟遥感数据中每一像元的反射率差值；
若所述差值不满足所述反射率阈值对应的条件，对所述模拟遥感数据中所述像元对应区域的初始叶面积指数进行优化；
若优化后的所述模拟遥感数据中的像元不满足反射率阈值对应的条件，则对所述像元的叶面积指数进行迭代优化。
对应的，可以是循环迭代中当模拟图像上所有像元的反射率均满足阈值条件之后，输出此时对应的叶面积指数；也可以是当优化次数达到预设循环优化次数之后，将此时对应的叶面积指数作为目标叶面积指数进行输出。
举例说明，参见图2，其示出了本发明实施例提供的一种基于GPU三维光线追踪的叶面积指数反演方法的流程示意图。
首先通过卫星遥感表观观测得到观测数据，通过实地勘探、目视判读或有人机/无人机近地表观测等方式，确定研究区域中存在的植被类型，结合植物生长数据与波谱库确定各类植被的高度、形状、冠幅等几何形态结构参数与各种组分的光谱信息，并根据资料中该生长状态下同期平均LAI作为初始值，控制冠层的三角面元密度，以此构建初始的场景三维模型。
通过GPU快速光线追踪平台计算模拟图像。平台基于的Vulkan API框架可以实现Window、Linux和Andiron操作系统的跨平台应用，以NVIDIA显卡设备作为运算单元。依据星载传感器参数以及观测时传感器姿态与太阳光照条件，以逆向光线追踪技术进行遥感图像模拟，其原理为：
其中，Li(q，ωi)、Le(q，ω0)和Lo(q，ω0)分别为碰撞点q入射、自身发射和传感器接收到的辐射亮度；f(q，ωi，ωo，λ)为光子在λ波段经过第q次碰撞时的散射相函数；ωi和ωo分别为入射和反射的方向；θi为入射的天顶角。进行光线传输过程中，判断光线与面元是否碰撞的过程采用了包围盒技术进行加速。
需要说明的是，逆向追踪是指从传感器发射若干的光子，并认为光子碰撞到的点对模拟信号是有贡献的。光子的发射方式是通过传感器的观测角度确定，碰撞点即为这个光子与各种地物的几何碰撞点，如叶片、土壤等。
由于实测的遥感图像的数据是准确的，而进行模拟图像的生成时，叶面积指数是估计得到的，因此模拟结果和实测结果很大概率不相同。通过二者的差值反馈调整叶面积指数的程度，再根据后续的优化步骤，得到的合适的结果。具体的，卫星实测的遥感图像与模拟图像进行比对，判断是否满足阈值，对实测遥感图像和模拟遥感图像进行逐个像元的判断，通常条件下，反射率阈值小于0.001认为满足条件跳过优化，如果不满足，则执行优化步骤。该优化步骤是指对像元对应区域的叶面积指数(LAI)进行优化，通常预设值难以满足条件，需通过迭代计算，如超松弛(SOR)迭代方法进行优化。SOR迭代方法的优化公式为：
其中，为第k次优化后的LAI结果，f为优化的比例。/>为通过实测遥感图像与模拟图像差值计算出来的叶面积指数。
优化每进行一次都会重新生成一个模拟图像，然后循环上述生成模拟图像以及根据实测遥感图像和模拟图像进行比对优化的过程，直到模拟图像上所有像元的反射率满足阈值条件，或者达到循环次数跳出循环。此时优化后的场景冠层叶面积指数则为消除了地表组分间多次散射影响后真实的叶面积指数，将结果进行输出。
本发明通过目视解译或实地调研等方式确定植被种类及其分布情况，结合数据库资料确定冠层的结构特征以及场景的组分光谱，构建三维场景，并以三角面元的密度控制冠层LAI大小，通过迭代方法以逆向光线追踪和高空间分辨率观测作为约束，不断进行像元范围内场景的LAI数值的优化，最终消除掉多次散射影响，得到冠层真实的LAI反演结果。
基于上述实施例，在本发明实施例中还提供了一种三维复杂地表叶面积指数反演系统，参见图3，该系统包括：
第一确定单元10，用于基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数；
构建单元20，用于基于所述初始叶面积指数，构建由三角面元组成的三维场景；
模拟单元30，用于对所述三维场景进行模拟，获得模拟遥感数据；
优化单元40，用于将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化；
第二确定单元50，用于直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。
进一步地，所述第一确定单元包括：
第一确定子单元，用于确定目标区域的植被类型；
第一获取子单元，用于获取与所述植被类型对应的植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息；
第三确定子单元，用于基于所述植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息，确定初始叶面积指数，其中，所述初始叶面积指数为生长状态下同期平均叶面积指数。
进一步地，所述构建单元包括：
计算子单元，用于基于所述初始叶面积指数和三角面元的面积，计算得到三角面元数目；
控制子单元，用于根据所述三角面元数据，控制冠层的三角面元密度，以构建得到由三角面元组成的三维场景。
进一步地，所述优化单元包括：
比对子单元，用于将实测遥感数据与所述模拟遥感数据进行逐个像元比对，并计算所述实测遥感数据与所述模拟遥感数据中每一像元的反射率差值；
优化单元，用于若所述差值不满足所述反射率阈值对应的条件，对所述模拟遥感数据中所述像元对应区域的初始叶面积指数进行优化；
若优化后的所述模拟遥感数据中的像元不满足反射率阈值对应的条件，则对所述像元的叶面积指数进行迭代优化。
进一步地，所述系统还包括：
优化判断单元，用于当所述模拟遥感数据中的像元对应区域的叶面积指数的优化次数达到预设循环优化次数，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。
本发明实施例提供了一种三维复杂地表叶面积指数反演系统，包括：第一确定单元基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数；构建单元基于所述初始叶面积指数，构建由三角面元组成的三维场景；模拟单元对所述三维场景进行模拟，获得模拟遥感数据；优化单元将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化；第二确定单元直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。本发明降低了背景对植被冠层的多次散射造成的遥感信号的不确定性，提升了植被冠层叶面积指数的反演精准度。
基于前述实施例，本申请的实施例提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上任一项的叶面积指数反演方法的步骤。
本发明实施例还提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现的叶面积指数反演方法的步骤。
需要说明的是，上述处理器或GPU可以为特定用途集成电路(ApplicationSpecific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable GateArray，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
需要说明的是，上述计算机存储介质/存储器可以是只读存储器(Read OnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
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。对于实施例公开的装置而言，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种三维复杂地表叶面积指数反演方法，其特征在于，包括：
基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数；
基于所述初始叶面积指数，构建由三角面元组成的三维场景；
对所述三维场景进行模拟，获得模拟遥感数据；
将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化；
直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数；
所述基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数，包括：
确定目标区域的植被类型；
获取与所述植被类型对应的植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息；
基于所述植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息，确定初始叶面积指数，其中，所述初始叶面积指数为生长状态下同期平均叶面积指数。
2.根据权利要求1所述的方法，其特征在于，所述基于所述初始叶面积指数，构建由三角面元组成的三维场景，包括：
基于所述初始叶面积指数和三角面元的面积，计算得到三角面元数目；
根据所述三角面元数据，控制冠层的三角面元密度，以构建得到由三角面元组成的三维场景。
3.根据权利要求1所述的方法，其特征在于，所述将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化，包括：
将实测遥感数据与所述模拟遥感数据进行逐个像元比对，并计算所述实测遥感数据与所述模拟遥感数据中每一像元的反射率差值；
若所述差值不满足所述反射率阈值对应的条件，对所述模拟遥感数据中所述像元对应区域的初始叶面积指数进行优化；
若优化后的所述模拟遥感数据中的像元不满足反射率阈值对应的条件，则对所述像元的叶面积指数进行迭代优化。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述模拟遥感数据中的像元对应区域的叶面积指数的优化次数达到预设循环优化次数，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。
5.一种三维复杂地表叶面积指数反演系统，其特征在于，包括：
第一确定单元，用于基于目标区域的植被三维结构参数和各类地物的组分光谱特征，确定初始叶面积指数；
构建单元，用于基于所述初始叶面积指数，构建由三角面元组成的三维场景；
模拟单元，用于对所述三维场景进行模拟，获得模拟遥感数据；
优化单元，用于将实测遥感数据与所述模拟遥感数据进行逐个像元对比，并根据比对结果对所述模拟遥感数据中像元对应区域的叶面积指数进行优化；
第二确定单元，用于直至所述模拟遥感数据中的所有像元的反射率均满足阈值条件，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数；
所述第一确定单元包括：
第一确定子单元，用于确定目标区域的植被类型；
第一获取子单元，用于获取与所述植被类型对应的植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息；
第三确定子单元，用于基于所述植物生长数据、各类植被的三维结构参数以及各种组分的光谱信息，确定初始叶面积指数，其中，所述初始叶面积指数为生长状态下同期平均叶面积指数。
6.根据权利要求5所述的系统，其特征在于，所述构建单元包括：
计算子单元，用于基于所述初始叶面积指数和三角面元的面积，计算得到三角面元数目；
控制子单元，用于根据所述三角面元数据，控制冠层的三角面元密度，以构建得到由三角面元组成的三维场景。
7.根据权利要求5所述的系统，其特征在于，所述优化单元包括：
比对子单元，用于将实测遥感数据与所述模拟遥感数据进行逐个像元比对，并计算所述实测遥感数据与所述模拟遥感数据中每一像元的反射率差值；
优化单元，用于若所述差值不满足所述反射率阈值对应的条件，对所述模拟遥感数据中所述像元对应区域的初始叶面积指数进行优化；
若优化后的所述模拟遥感数据中的像元不满足反射率阈值对应的条件，则对所述像元的叶面积指数进行迭代优化。
8.根据权利要求5所述的系统，其特征在于，所述系统还包括：
优化判断单元，用于当所述模拟遥感数据中的像元对应区域的叶面积指数的优化次数达到预设循环优化次数，将优化后的所述模拟遥感数据对应的叶面积指数确定为目标三维场景冠层的叶面积指数。
CN202110796019.1A 2021-07-14 2021-07-14 一种三维复杂地表叶面积指数反演方法及系统 Active CN113505486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110796019.1A CN113505486B (zh) 2021-07-14 2021-07-14 一种三维复杂地表叶面积指数反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110796019.1A CN113505486B (zh) 2021-07-14 2021-07-14 一种三维复杂地表叶面积指数反演方法及系统

Publications (2)

Publication Number Publication Date
CN113505486A CN113505486A (zh) 2021-10-15
CN113505486B true CN113505486B (zh) 2023-12-29

Family

ID=78013210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110796019.1A Active CN113505486B (zh) 2021-07-14 2021-07-14 一种三维复杂地表叶面积指数反演方法及系统

Country Status (1)

Country Link
CN (1) CN113505486B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707412B (zh) * 2022-04-08 2023-09-29 四川大学 一种基于植被冠层时变特征的swat模型优化方法
CN114862069A (zh) * 2022-07-07 2022-08-05 成都信息工程大学 预测模型构建方法、预测方法、装置、设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778693A (zh) * 2015-04-08 2015-07-15 云挺 基于投影算法和活动轮廓模型的叶面积指数计算
CN105371789A (zh) * 2015-10-09 2016-03-02 南京大学 一种利用航空激光点云计算有效叶面积指数的方法
CN106248003A (zh) * 2016-08-24 2016-12-21 电子科技大学 一种三维激光点云提取植被冠层聚集度指数的方法
CN107203679A (zh) * 2017-06-23 2017-09-26 国家海洋局第海洋研究所 一种高层建筑遮荫影响绿地光合固碳能力的评价方法
CN107831497A (zh) * 2017-09-26 2018-03-23 南京大学 一种利用三维点云数据定量刻画森林聚集效应的方法
CN109033543A (zh) * 2018-06-29 2018-12-18 北京师范大学 一种地表异质区植被覆盖度估算方法、装置及设备
CN109992863A (zh) * 2019-03-22 2019-07-09 北京师范大学 一种lai反演方法和装置
CN111814707A (zh) * 2020-07-14 2020-10-23 中国科学院空天信息创新研究院 一种作物叶面积指数反演方法及装置
CN112464172A (zh) * 2020-12-10 2021-03-09 中国科学院空天信息创新研究院 生长参数主被动遥感反演方法及装置
CN112528457A (zh) * 2020-04-30 2021-03-19 中国科学院地球化学研究所 一种植被覆盖区地表产流量确定方法
CN113012276A (zh) * 2021-01-27 2021-06-22 中国科学院空天信息创新研究院 基于辐射度的地表高分辨率光谱信息遥感反演方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014254426B2 (en) * 2013-01-29 2018-05-10 Andrew Robert Korb Methods for analyzing and compressing multiple images

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778693A (zh) * 2015-04-08 2015-07-15 云挺 基于投影算法和活动轮廓模型的叶面积指数计算
CN105371789A (zh) * 2015-10-09 2016-03-02 南京大学 一种利用航空激光点云计算有效叶面积指数的方法
CN106248003A (zh) * 2016-08-24 2016-12-21 电子科技大学 一种三维激光点云提取植被冠层聚集度指数的方法
CN107203679A (zh) * 2017-06-23 2017-09-26 国家海洋局第海洋研究所 一种高层建筑遮荫影响绿地光合固碳能力的评价方法
CN107831497A (zh) * 2017-09-26 2018-03-23 南京大学 一种利用三维点云数据定量刻画森林聚集效应的方法
CN109033543A (zh) * 2018-06-29 2018-12-18 北京师范大学 一种地表异质区植被覆盖度估算方法、装置及设备
CN109992863A (zh) * 2019-03-22 2019-07-09 北京师范大学 一种lai反演方法和装置
CN112528457A (zh) * 2020-04-30 2021-03-19 中国科学院地球化学研究所 一种植被覆盖区地表产流量确定方法
CN111814707A (zh) * 2020-07-14 2020-10-23 中国科学院空天信息创新研究院 一种作物叶面积指数反演方法及装置
CN112464172A (zh) * 2020-12-10 2021-03-09 中国科学院空天信息创新研究院 生长参数主被动遥感反演方法及装置
CN113012276A (zh) * 2021-01-27 2021-06-22 中国科学院空天信息创新研究院 基于辐射度的地表高分辨率光谱信息遥感反演方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Vertical light transmission profiles in structured mixed deciduous forest canopies assessed by UAV-based hemispherical photography and photogrammetric vegetation height models;Martin Brüllhardt;Agricultural and Forest Meteorology;第281卷;1-11 *
基于EnMAP卫星和深度神经网络的LAI遥感反演方法;李雪玲;董莹莹;朱溢佞;黄文江;;红外与毫米波学报(第01期);113-121 *
基于分类知识利用神经网络反演叶面积指数;陈艳华;张万昌;雍斌;;生态学报(第07期);129-137 *
森林冠层BRF分布模拟;王新云;过志峰;庞勇;覃文汉;孙国清;;中国矿业大学学报(第01期);130-136 *

Also Published As

Publication number Publication date
CN113505486A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
Grimaldi et al. Remote sensing-derived water extent and level to constrain hydraulic flood forecasting models: Opportunities and challenges
CN113505486B (zh) 一种三维复杂地表叶面积指数反演方法及系统
Hamilton et al. Integrating lidar, GIS and hedonic price modeling to measure amenity values in urban beach residential property markets
Côté et al. The structural and radiative consistency of three-dimensional tree reconstructions from terrestrial lidar
Giustarini et al. A change detection approach to flood mapping in urban areas using TerraSAR-X
Balz et al. Potentials and limitations of SAR image simulators–A comparative study of three simulation approaches
Nyström et al. Prediction of tree biomass in the forest–tundra ecotone using airborne laser scanning
Xue et al. Shortwave radiation calculation for forest plots using airborne LiDAR data and computer graphics
Vartholomaios A machine learning approach to modelling solar irradiation of urban and terrain 3D models
CN106501186A (zh) 一种土壤含水量产品降尺度方法
Labarre et al. An overview of MATISSE-v2. 0
Schulmann et al. Seeing through shadow: Modelling surface irradiance for topographic correction of Landsat ETM+ data
CN115079109A (zh) 一种合成孔径雷达成像质量指标评价系统
Singh et al. Moving from plot-based to hillslope-scale assessments of savanna vegetation structure with long-range terrestrial laser scanning (LR-TLS)
Hammer et al. Coherent simulation of SAR images
Briegel et al. Modelling long-term thermal comfort conditions in urban environments using a deep convolutional encoder-decoder as a computational shortcut
Liu et al. Building height detection from high-resolution TerraSAR-X imagery and GIS data
CN117269940B (zh) 点云数据生成方法、激光雷达的感知能力验证方法
CN113516767B (zh) 一种三维复杂地表遥感光学特征反演方法及系统
CN113012276B (zh) 基于辐射度的地表高分辨率光谱信息遥感反演方法
Paulescu et al. Intra-hour PV power forecasting based on sky imagery
CN116051777B (zh) 超高层建筑提取方法、设备和可读存储介质
Wang et al. Research on method of high-precision 3D scene optical remote sensing imaging simulation
Hammer et al. Dedicated SAR simulation tools for ATR and scene analysis
Balz et al. Improved real-time SAR simulation in urban areas

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