CN114996628A - 叶面积指数反演方法、装置、设备和介质 - Google Patents
叶面积指数反演方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114996628A CN114996628A CN202210483937.3A CN202210483937A CN114996628A CN 114996628 A CN114996628 A CN 114996628A CN 202210483937 A CN202210483937 A CN 202210483937A CN 114996628 A CN114996628 A CN 114996628A
- Authority
- CN
- China
- Prior art keywords
- inversion
- data
- leaf area
- satellite
- index
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000003068 static effect Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 239000002689 soil Substances 0.000 claims description 62
- 238000002310 reflectometry Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 23
- 238000005286 illumination Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 241000208818 Helianthus Species 0.000 claims description 10
- 235000003222 Helianthus annuus Nutrition 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000001579 optical reflectometry Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000036855 Left sided atrial isomerism Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及遥感数据处理技术领域，公开了一种叶面积指数反演方法、装置、设备和介质。该方法包括：获取目标区域对应的多个卫星观测数据；其中，卫星观测数据基于静止卫星对目标区域进行数据采集而得到；将多个卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程；对各叶面积指数反演方程进行优化求解，生成目标区域的叶面积指数数据。通过上述技术方案，提高了生成的目标叶面积指数数据的时间分辨率，并且当目标区域发生改变时，无需重新进行模型的重新训练，不受目标区域和数据源的影响，从而提高了叶面积指数反演方法的普适性和可行性，且具有明确的物理意义。
Description
技术领域
本发明涉及遥感数据处理技术领域，尤其涉及一种叶面积指数反演方法、装置、设备和介质。
背景技术
叶面积指数(Leaf Area Index，LAI)是指单位水平地表面积上所有叶片总面积的一半，该叶面积指数是一个控制与地球表面植被相关的多个生物物理过程的重要参数。为了获得时间分辨率较高的LAI数据，相关技术中往往会利用时间分辨率较高的静止卫星的遥感卫星数据来反演LAI数据。
目前，利用静止卫星的遥感卫星数据进行LAI数据反演的方法主要是：对于研究区域中的每种地表类型，利用人工神经网络建立静止卫星所得的归一化植被指数(Normalized Difference Vegetation Index，NDVI)和LAI之间的换算关系，进而根据静止卫星的NDVI数据和该换算关系进行推算，获得每种地表类型下的静止卫星的LAI数据。
但是，上述方法所得的LAI数据的数据精度受限于NDVI数据的精度；并且，由于不同地区的地表类型可能不同、以及不同地区的相同地表类型的空间异质性问题，使得上述所得的换算关系无法适用于任一地区，致使上述方法的普适性不高，且该方法为基于数学统计获得的关系，因而物理意义并不明晰。
发明内容
为了解决上述技术问题，本发明提供了一种叶面积指数反演方法、装置、设备和介质。
第一方面，本发明提供了一种叶面积指数反演方法，包括：
获取目标区域对应的多个卫星观测数据；其中，所述卫星观测数据基于静止卫星对所述目标区域进行数据采集而得到，且所述卫星观测数据包括至少一个波段的二向反射因子数据、太阳天顶角、太阳方位角、所述静止卫星的观测天顶角和所述静止卫星的观测方位角；
将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程；其中，所述预设反演模型基于植被-土壤系统的二向反射因子模型、四分量模型和光谱不变理论构建，所述二向反射因子模型用于表征所述植被-土壤系统的二向反射因子由土壤引起的单次散射的二向反射因子、植被引起的单次散射的二向反射因子、植被间的多次散射引起的二向反射因子以及植被和土壤之间的多次散射的二向反射因子构成；
对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据。
在一些实施例中，所述波段为红光波段和/或近红外波段。
在一些实施例中，在所述获取目标区域对应的多个卫星观测数据之后，所述方法还包括：
基于所述卫星观测数据中包含的红光波段的所述二向反射因子数据和近红外波段的所述二向反射因子数据，按照预设植被指数的指数表达形式，确定所述卫星观测数据对应的预设植被指数数据；
所述将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程包括：
针对多个所述卫星观测数据，将所述预设植被指数数据、所述太阳方位角、所述太阳天顶角、所述观测天顶角、所述观测方位角输入改进反演模型，构建所述卫星观测数据对应的所述叶面积指数反演方程；
其中，所述改进反演模型由所述红光波段对应的所述预设反演模型和所述近红外波段对应的所述预设反演模型，按照所述指数表达形式来构建。
在一些实施例中，在所述预设植被指数为差值植被指数的情况下，所述改进反演模型为：
其中，DVI(ri,rv)为差值植被指数，ri和rv分别为太阳方向和观测方向的单位向量；a、b和c为与太阳角度无关的量，且a＝ρs(λn)-ρs(λr)、b＝ρc(λn)-ρc(λr)、
ρs(λn)和ρs(ρr)分别为所述近红外波段和所述红光波段的所述土壤反射率，ρc(λn)和ρc(λr)分别为所述近红外波段和所述红光波段的所述叶片反射率，p为再碰撞概率；Pg(ri,rv)为光照土壤比例，
μj为rj和地平线法线交角的余弦，叶面积投影G(rj)(j＝i,v)为单位叶面积在rj方向上的平均投影，
rL为叶片法向量，θL为叶片法线的倾角，φL为叶片法线方位角，gL(θL)为叶倾角分布密度函数，
u和v是与叶倾角的平均值和方差相关的无单位参数，B(u,v)为双参数的Beta分布函数，sL为叶片相对大小，
<ri,rv>为ri和rv之间的角度，LAI为叶面积指数，Ω为聚集指数；Pc(ri,rv)为光照叶片比例，Γ(ri,rv)为散射相函数，μv为rv和地平线法线交角的余弦，LAIe为有效叶面积指数，Pg(z,ri,rv)为植被冠层深度z处的双向间隙率，
uL(z′)为叶面积体密度；P(ri)为ri方向的间隙率；在所述改进反演模型中，LAI、u、v、a、b、c为反演求解参数。
在一些实施例中，所述对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据包括：
基于光照叶片比例的第一查找表和叶面积投影的第二查找表，对各所述叶面积指数反演方程进行迭代优化求解，生成所述叶面积指数数据；
其中，所述第一查找表用于记录第一参数值组合和所述光照叶片比例之间的对应关系，所述第二查找表用于记录第二参数值组合和所述叶面积投影之间的对应关系；
所述第一查找表和所述第二查找表是基于预设参数组合对目标反演模型进行模型运算而得到。
在一些实施例中，所述第一查找表基于所述第一参数值组合对目标反演模型进行模拟运算而得到；其中，所述目标反演模型包括所述预设反演模型或改进反演模型，所述第一参数值组合包括叶面积体密度uL(z′)在取值范围(0.1-5)中按照步长0.1取值所得的数值、ai和av分别在取值范围(0.1-5)中按照步长0.1取值所得的数值以及Δ在取值范围(0.1-10)中按照步长0.1取值所得的数值；
所述第二查找表基于所述第二参数值组合对所述目标反演模型进行模拟运算而得到；其中，所述第二参数值组合包括叶倾角分布密度函数在取值范围(0-90°)中按照步长1取值所得的数值、以及u和v分别在取值范围(0.4-3)中按照步长0.1取值所得的数值。
在一些实施例中，所述卫星观测数据基于葵花8号卫星的观测数据得到。
第二方面，本发明提供了一种叶面积指数反演装置，该叶面积指数反演装置包括：
卫星观测数据获取模块，用于获取目标区域对应的多个卫星观测数据；其中，所述卫星观测数据基于静止卫星对所述目标区域进行数据采集而得到，且所述卫星观测数据包括至少一个波段的二向反射因子数据、太阳天顶角、太阳方位角、所述静止卫星的观测天顶角和所述静止卫星的观测方位角；
方程构建模块，用于将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程；其中，所述预设反演模型基于植被-土壤系统的二向反射因子模型、四分量模型和光谱不变理论构建，所述二向反射因子模型用于表征所述植被-土壤系统的二向反射因子由土壤引起的单次散射的二向反射因子、植被引起的单次散射的二向反射因子、植被间的多次散射的二向反射因子以及植被和土壤之间的多次散射的二向反射因子构成；
叶面积指数数据确定模块，用于对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据。
在一些实施例中，所述波段为红光波段和/或近红外波段。
在一些实施例中，叶面积指数反演装置还包括：
预设植被指数确定模块，用于基于所述卫星观测数据中包含的红光波段的所述二向反射因子数据和近红外波段的所述二向反射因子数据，按照预设植被指数的指数表达形式，确定所述卫星观测数据对应的预设植被指数数据；
所述方程构建模块用于：
针对多个所述卫星观测数据，将所述预设植被指数数据、所述太阳方位角、所述太阳天顶角、所述观测天顶角、所述观测方位角输入改进反演模型，构建所述卫星观测数据对应的所述叶面积指数反演方程；其中，所述改进反演模型由所述红光波段对应的所述预设反演模型和所述近红外波段对应的所述预设反演模型，按照所述指数表达形式来构建。
在一些实施例中，在所述预设植被指数为差值植被指数的情况下，所述改进反演模型为：
其中，DVI(ri,rv)为差值植被指数，ri和rv分别为太阳方向和观测方向的单位向量；a、b和c为与太阳角度无关的量，且a＝ρs(λn)-ρs(λr)、b＝ρc(λn)-ρc(λr)、
ρs(λn)和ρs(λr)分别为所述近红外波段和所述红光波段的所述土壤反射率，ρc(λn)和ρc(λr)分别为所述近红外波段和所述红光波段的所述叶片反射率，p为再碰撞概率；Pg(ri,rv)为光照土壤比例，
μj为rj和地平线法线交角的余弦，叶面积投影G(rj)(j＝i,v)为单位叶面积在rj方向上的平均投影，
rL为叶片法向量，θL为叶片法线的倾角，φL为叶片法线方位角，gL(θL)为叶倾角分布密度函数，
u和v是与叶倾角的平均值和方差相关的无单位参数，B(u,v)为双参数的Beta分布函数，sL为叶片相对大小，
<ri,rv>为ri和rv之间的角度，LAI为叶面积指数，Ω为聚集指数；Pc(ri,rv)为光照叶片比例，Γ(ri,rv)为散射相函数，μv为rv和地平线法线交角的余弦，LAIe为有效叶面积指数，Pg(z,ri,rv)为植被冠层深度z处的双向间隙率，
uL(z′)为叶面积体密度；P(ri)为ri方向的间隙率；在改进反演模型中，LAI、u、v、a、b、c为反演求解参数。
在一些实施例中，所述叶面积指数数据确定模块用于：
基于光照叶片比例的第一查找表和叶面积投影的第二查找表，对各所述叶面积指数反演方程进行迭代优化求解，生成所述叶面积指数数据；
其中，所述第一查找表用于记录第一参数值组合和所述光照叶片比例之间的对应关系，所述第二查找表用于记录第二参数值组合和所述叶面积投影之间的对应关系；
所述第一查找表和所述第二查找表是基于预设参数组合对目标反演模型进行模型运算而得到。
在一些实施例中，所述第一查找表基于所述第一参数值组合对目标反演模型进行模拟运算而得到；其中，所述目标反演模型包括所述预设反演模型或改进反演模型，所述第一参数值组合包括叶面积体密度uL(z′)在取值范围(0.1-5)中按照步长0.1取值所得的数值、ai和av分别在取值范围(0.1-5)中按照步长0.1取值所得的数值以及Δ在取值范围(0.1-10)中按照步长0.1取值所得的数值；
所述第二查找表基于所述第二参数值组合对所述目标反演模型进行模拟运算而得到；其中，所述第二参数值组合包括叶倾角分布密度函数在取值范围(0-90°)中按照步长1取值所得的数值、以及u和v分别在取值范围(0.4-3)中按照步长0.1取值所得的数值。
在一些实施例中，所述卫星观测数据基于葵花8号卫星的观测数据得到。
第三方面，本发明提供了一种的电子设备，该电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行本发明任意实施例中所说明的叶面积指数反演方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或所述指令使计算机执行本发明任意实施例中所说明的叶面积指数反演方法的步骤。
本发明实施例提供的技术方案相对于现有技术具有一下优点：
1、通过使用静止卫星获取的卫星观测数据，实现了对于目标区域的高频次观测，提高了生成的目标叶面积指数数据的时间分辨率，因而可以满足植被物候监控、气候变化、灾害趋势等应用场景下的快速响应需求；
2、静止卫星具有观测角度不变的特点，因而在预设反演模型的构建过程中可以将变量分为与太阳角度相关和与太阳角度无关，实现了预设反演模型的简化，同时可以充分使用多个太阳角度的卫星观测数据，构建的叶面积指数反演方程数量较多，提高了生成的LAI的准确性；
3、预设反演模型为物理模型，该预设反演模型的输入参数中包括了目标区域的卫星观测数据，当目标区域发生改变时，改变输入的卫星观测数据即可，与相关技术中的经验模型相比，无需重新进行模型的训练，不受目标区域和数据源的影响，从而提高了叶面积指数反演方法的普适性和可行性。
4、本方法是利用植被辐射传输模型构建的，具有明确的物理意义。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，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是本发明实施例提供的一种叶面积指数反演方法的流程图；
图2是本发明实施例提供的另一种叶面积指数反演方法的流程图；
图3是本发明实施例提供的一种利用葵花8号卫星数据反演的LAI数据与相关技术中的LAI数据基于不同季节的对比图；
图4是本发明实施例提供的另一种利用葵花8号卫星数据反演的LAI数据与相关技术中的LAI数据基于不同地表类型的对比图；
图5是本发明实施例提供的一种叶面积指数反演装置的结构示意图；
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将对本发明的方案进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但本发明还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本发明的一部分实施例，而不是全部的实施例。
相关技术中，为了提高叶面积指数的获取效率，多采用遥感卫星数据进行叶面积指数数据的反演。
一方面，可以使用物理模型法获得该叶面积指数，该物理模型法以极轨卫星的遥感卫星数据作为基础数据，具体地，该物理模型法的原理是利用植被冠层的辐射传输理论来模拟冠层中的辐射传输过程，从而构建地表反射率与LAI等生物物理参数的前向模型，在进行数据处理时需要同时根据太阳角度和观测角度进行求解，因而模型较为繁琐，且时间分辨率较低。
另一方面，在相关技术中，还可以利用静止卫星的遥感卫星数据进行LAI数据反演，该方法主要是：对于研究区域中的每种地表类型，利用人工神经网络建立静止卫星所得的归一化植被指数(Normalized Difference Vegetation Index，NDVI)和LAI之间的换算关系，进而根据静止卫星的NDVI数据和该换算关系进行推算，获得每种地表类型下的静止卫星的LAI数据。但是，上述方法所得的LAI数据的数据精度受限于NDVI数据的精度；并且，由于不同地区的地表类型可能不同、以及不同地区的相同地表类型的空间异质性问题，使得上述所得的换算关系无法适用于任一地区，致使上述方法的普适性不高，且该方法物理意义不明晰。
本发明实施例提供的叶面积指数反演方法，主要适用于利用静止卫星的遥感卫星数据进行LAI计算的场景。本发明实施例提供的叶面积指数反演方法可以由叶面积指数反演装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在具有一定的运算能力的电子设备中，例如可以是笔记本电脑、台式电脑或服务器等。
图1是本发明实施例提供的一种叶面积指数反演方法的流程图。参见图1，该叶面积指数反演方法具体包括：
S110、获取目标区域对应的多个卫星观测数据；其中，卫星观测数据基于静止卫星对目标区域进行数据采集而得到，且卫星观测数据包括至少一个波段的二向反射因子数据、太阳天顶角、太阳方位角、静止卫星的观测天顶角和静止卫星的观测方位角。
其中，目标区域为需要获取叶面积指数数据的区域，该目标区域可以根据用户需求和/或应用场景等进行设置，本发明实施例对该目标区域的所属季节和/或所属地表类型等不作限制。例如，该目标区域的所属季节可以为春季、夏季、秋季、冬季中的任一种，该目标区域的地表类型包括但不限于：草地、林地、灌木、耕地中的任一种。卫星观测数据可以为基于静止卫星对该目标区域进行数据采集而得到。静止卫星是指运行轨道为对地静止轨道的人造地球卫星，该静止卫星与地面各点相对静止不动。可以理解地，该静止卫星与目标区域也为相对静止，该静止卫星可以一天内多次对目标区域进行数据采集，因而基于该静止卫星采集获得的卫星观测数据的时间分别率精度较高，时间分辨率可以达到10min的级别，并且静止卫星相对于极轨卫星而言，有观测角度不变的特点。该静止卫星的型号等可以根据应用场景进行选择，本发明实施例不做限制。一种可选的实施方式中，该静止卫星可以为葵花8号(Himawari-8)卫星，则该卫星观测数据为基于葵花8号卫星观测获得的数据。
其中，卫星观测数据包括至少一个波段的二向反射因子数据、太阳天顶角、太阳方位角、静止卫星的观测天顶角和静止卫星的观测方位角。静止卫星能够采集获得一个或多个波段的数据，在本实施例中，至少选择其中一个波段进行叶面积指数数据的计算，具体波段以及波段的数量等可以根据应用场景等进行设置，本发明实施例不作限制。例如，该波段可以为红光波段和/或近红外波段，这是因为该两个波段对植被特性敏感，可以良好地表征植被变化，且受大气的吸收、折射、散射等影响较小，从而到达地面的光量较大，从而能够降低卫星观测数据的噪声，提高计算获得的LAI的准确性。二向反射因子(Bi-directionalReflectance Factor，BRF)数据为在一定的辐照和观测条件下，目标区域内的目标地物的反射辐射通量与同条件下标准参考面(理想朗伯反射面)的反射辐射通量之比，BRF数据的获取方法有多种，本发明实施例不做限制。例如，可以根据该静止卫星提供的大气顶层反射率计算确定该BRF数据，也可以直接获取其他机构提供的BRF数据。太阳天顶角可以为太阳光线入射方向和天顶垂直方向的夹角；太阳方位角可以为以目标物的北方向为起始方向，以太阳光的入射方向为终止方向，按顺时针方向所测量的角度；静止卫星的观测天顶角可以为静止卫星的观测方向与水平法线方向的夹角；静止卫星的观测方位角可以为静止卫星的观测方向在水平面的投影与太阳方向在水平面投影的夹角。上述太阳天顶角、太阳方位角、静止卫星的观测天顶角和静止卫星的观测方位角可以为静止卫星观测获得的。
在本发明实施例中，静止卫星对目标区域进行观测，首先获取静止卫星关于目标区域短时间内高频观测的多个卫星观测数据。
S120、将多个卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程。
预设反演模型为基于植被-土壤系统的二向反射因子模型、四分量模型和光谱不变理论构建的反演模型，其是以LAI等参数为输入的二向反射因子(BRF)模型。本发明实施例中，可以利用四分量模型和光谱不变理论中的相关变量来表征植被-土壤系统的二向反射因子模型中的各部分变量，从而得到预设反演模型。
上述植被-土壤系统的二向反射因子模型用于表征植被-土壤系统的二向反射因子，其包括三部分，该三部分分别为：土壤引起的单次散射的二向反射因子、植被引起的单次散射的二向反射因子、植被间多次散射的二向反射因子以及植被和土壤之间的多次散射的二向反射因子。四分量模型为一种几何光学模型，在该几何光学模型中，假设树冠是规则几何体，并充分考虑树冠阴影对反射率的影响，将冠层反射率表示为光照土壤分量、光照植被分量、阴影土壤分量、阴影植被分量四个分量的线性相加，且该四个分量对应的比例求和为1。光谱不变理论可以用来近似表示植被冠层的吸收、散射和反射特性，在光谱不变理论中，可以通过冠层拦截率i0、再碰撞概率p和逃逸概率ρ来描述植被冠层的结构。
在本发明实施例的预设反演模型中存在输入参数和求解参数，其中上述步骤获得的卫星观测数据为输入参数，将该输入参数输入预设反演模型中，从而生成关于求解参数的、对应的叶面积指数反演方程。在该叶面积指数反演方程中，求解参数至少包含叶面积指数。需要说明的是，在本发明实施例中，土壤反射率以及植被反射率可以设置相应的阈值区间，从而将该阈值区间作为反演求解的约束条件。
在本发明实施例中，对于每个被选中的波段对应的多个卫星观测数据，将该卫星观测数据代入预设反演模型，得到多个叶面积指数反演方程。可以理解地，当采用多个波段进行LAI计算时，对应的叶面积指数反演方程也可以为多个。
S130、对各叶面积指数反演方程进行优化求解，生成目标区域的叶面积指数数据。
确定叶面积指数反演方程之后，对各叶面积指数反演方程进行优化求解，从而生成目标区域的叶面积指数(Leaf Area Index，LAI)数据。其中，对各叶面积指数反演方程进行优化求解的方法有多种，可以根据用户需求等进行设置，本发明实施例不作限制。例如，可以通过数学求解的方法求解各叶面积指数反演方程；也可以通过预先构建的查找表求解各叶面积指数反演方程，通过预先构建的查找表能够在叶面积指数反演方程的参数较多的情况下，加速求解的过程。
本发明实施例提供的上述叶面积指数反演方法，使用静止卫星获取的卫星观测数据，实现了对于目标区域的高频次观测，提高了生成的目标叶面积指数数据的时间分辨率，因而可以满足植被物候监控、气候变化、灾害趋势等应用场景下的快速响应需求，并且静止卫星具有观测角度不变的特点，因而在预设反演模型的构建过程中可以将变量分为与太阳角度相关和与太阳角度无关，实现了预设反演模型的简化，同时可以充分使用多个太阳角度的卫星观测数据，构建的叶面积指数反演方程数量较多，提高了生成的LAI的准确性。并且预设反演模型为物理模型，该预设反演模型的输入参数中包括了目标区域的卫星观测数据，当目标区域发生改变时，改变输入的卫星观测数据即可，与相关技术中的经验模型相比，无需重新进行模型的重新训练，不受目标区域和数据源的影响，从而提高了叶面积指数反演方法的普适性和可行性。且本方法是利用植被辐射传输模型构建的，具有明确的物理意义
图2是本发明实施例提供的另一种叶面积指数反演方法的流程图。其在“获取目标区域对应的多个卫星观测数据”之后增加了“基于卫星观测数据中包含的红光波段的二向反射因子数据和近红外波段的二向反射因子数据，按照预设植被指数的指数表达形式，确定卫星观测数据对应的预设植被指数数据”。在此基础上，还可以进一步对“将多个卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程”进行优化。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2，该叶面积指数反演方法包括：
S210、获取目标区域对应的多个卫星观测数据。
在本实施例中，基于红光波段和近红外波段计算目标区域的叶面积指数数据。在本实施例中获取的目标区域的多个卫星观测数据中包括红光波段以及近红外波段的二向反射因子数据、太阳天顶角、太阳方位角、静止卫星的观测天顶角和静止卫星的观测方位角。
S220、基于卫星观测数据中包含的红光波段的二向反射因子数据和近红外波段的二向反射因子数据，按照预设植被指数的指数表达形式，确定卫星观测数据对应的预设植被指数数据。
其中，预设植被指数是对地表植被状况的度量，通过预设植被指数能够更加敏感的反映植被的变化，降低反演的误差，提高反演的稳定性。不同预设植被指数存在对应的指数表达形式，该预设植被指数可以根据应用场景和/或用户需求等进行设置，本实施例不做限制。例如，可以将该预设植被指数设置为由红光波段和近红外波段构建的差值环境植被指数(Difference Vegetation Index，DVI)、比值植被指数(Ratio Vegetation Index，RVI)或归一化植被指数NDVI。
在本实施例中，获取卫星观测数据中的红光波段的二向反射因子数据和近红外波段的二向反射因子数据，并按照预设植被指数的指数表达形式，对红光波段的二向反射因子数据和近红外波段的二向反射因子数据进行相应形式的计算，得到预设植被指数对应的预设植被指数数据。
举例而言，若预设植被指数为DVI，则对应的指数表达形式为近红外反射率减红光反射率；若预设植被指数为NDVI，则对应的指数表达形式为近红外反射率与红光反射率之差比上近红外反射率与红光反射率之和。
S230、针对多个卫星观测数据，将预设植被指数数据、太阳方位角、太阳天顶角、观测天顶角、观测方位角，输入改进反演模型，构建卫星观测数据对应的叶面积指数反演方程。
其中，改进反演模型由红光波段对应的预设反演模型和近红外波段对应的预设反演模型，按照指数表达形式来构建。例如，预设指标指数为DVI时，可将近红外波段对应的预设反演模型与红光波段对应的预设反演模型相减，得到改进反演模型。
在本实施例中，将预设植被指数数据、太阳方位角、太阳天顶角、观测天顶角、观测方位角输入改进反演模型中，从而构建卫星观测数据对应的叶面积指数反演方程。需要说明的是，在本发明实施例中，对于红光波段的土壤反射率和植被反射率以及近红外波段的土壤反射率和植被反射率可以设置相应的阈值区间，从而将该阈值区间作为反演求解的约束条件。
示例性的，在预设植被指数为差值植被指数的情况下，改进反演模型为：
其中，DVI(ri,rv)为差值植被指数，ri和rv分别为太阳方向和观测方向的单位向量；a、b和c为与太阳角度无关的量，且a＝ρs(λn)-ρs(λr)、b＝ρc(λn)-ρc(λr)、
ρs(λn)和ρs(r)分别为近红外波段和红光波段的土壤反射率，ρc(λn)和ρc(λr)分别为近红外波段和红光波段的叶片反射率，p为再碰撞概率；Pg(ri,rv)为光照土壤比例，
μj为rj和地平线法线交角的余弦，叶面积投影G(rj)(j＝i,v)为单位叶面积在rj方向上的平均投影，
rL为叶片法向量，θL为叶片法线的倾角，φL为叶片法线方位角，gL(θL)为叶倾角分布密度函数，
u和v是与叶倾角的平均值和方差相关的无单位参数，B(u,v)为双参数的Beta分布函数，sL为叶片相对大小，
<ri,rv>为ri和rv之间的角度，LAI为叶面积指数，Ω为聚集指数；Pc(ri,rv)为光照叶片比例，Γ(ri,rv)为散射相函数，μv为rv和地平线法线交角的余弦，LAIe为有效叶面积指数，Pg(z,ri,rv)为植被冠层深度z处的双向间隙率，
uL(z′)为叶面积体密度；P(ri)为ri方向的间隙率，在改进反演模型中，LAI、u、v、a、b、c为反演求解参数，LAI为本发明实施例的最终计算所得参数。
具体地，该改进反演模型的推导过程如下所示：
在四分量模型中，Pg+Pz+Pc+Pt＝1，其中，Pg为光照土壤比例，Pc为光照叶片比例，Pz为阴影土壤比例，Pt为阴影叶片比例。为了计算简便，可以将冠层高度H设置为1，那么光照土壤比例为冠层深度z＝1时土壤的双向间隙率，则光照土壤比例Pg(ri,rv)为：
其中，ri和rv分别为太阳方向和观测方向的单位向量，
μj为rj和地平线法线交角的余弦，叶面积投影G(rj)(j＝i,v)为单位叶面积在rj方向上的平均投影，
rL为叶片法向量，θL为叶片法线的倾角，φL为叶片法线方位角，gL(θL)为叶倾角分布密度函数，
u和v是与叶倾角的平均值和方差相关的无单位参数，B(u,v)为双参数的Beta分布函数，sL为叶片大小参数，
<ri,rv>为ri和rv之间的角度，LAI为叶面积指数，Ω为聚集指数。
光照叶片比例Pc(ri,rv)为：
其中，μv为rv和地平线法线交角的余弦，LAIe为有效叶面积指数，
uL(z′)为叶面积体密度。Γ(ri,rv)为散射相函数，该散射相函数能够表示单位面积叶片将光从一个方向散射到另一个方向的概率，其数学表达为：
本实施例中，植被-土壤系统的BRF包括土壤引起的单次散射BRFs、植被引起的单次散射BRFc、植被间以及植被和土壤间的多次散射BRFm，具体地，植被-土壤系统的BRF为：
BRF＝BRFs+BRFc+BRFm。
其中，土壤的单次散射BRFs为：BRFs(ri,v)＝ρs(λ)·Pg(ri,rv)。其中，ρs(λ)为土壤反射率，λ为波长，Pg(ri,rv)为光照土壤比例。植被的单次散射BRFc为：BRFc(ri,rv)＝ρc(λ)·ρc(ri,rv)其中，ρc(λ)为叶片反射率，λ为波长，Pc(ri,rv)为光照叶片比例。
对于植被间以及植被和土壤间的多次散射BRFm，可以由三部分组成，分别为：只发生在植被间的多次散射,表示为BRFmb；在植被与土壤之间发生多次散射且第一次散射发生在植被上，表示为BRFmc；在植被与土壤之间发生多次散射且第一次散射发生在土壤元素上，表示为BRFms。
进一步地，基于光谱不变理论，在场景反射率中，由植被冠层导致的部分可以表示为：BRFc＝i0wλ(1-p)+i0wλpwλ·(1-p)+i0wλpwλ·pwλ·(1-p)+…。其中，i0为冠层拦截率、p为再碰撞概率、ρ为逃逸概率。去除BRFc计算公式中的一次散射项i0wλ(1-p)，得到植被间的多次散射BRFmb的表达式为：BRFmb＝i0wLpwλ·(1-p)+i0wλpwλ·pwλ·(1-p)+…，即，BRFmb＝i0wλ[pwλ·(1-p)+pwλ·pwλ·(1-p)+…]，该公式可以视为等比数列求和，公比为pwλ，第一项为i0wλpwλ·(1-p)，最终植被间的多次散射表达式为：
式中，i0为冠层拦截率，p为再碰撞概率，wλ为波段λ的叶片反照率，该叶面反照率能够表示全波段的反射能量与入射能量之比。
其中，i0可基于间隙率进行表示，即i0＝1-P(ri)，而
式中，G(ri)为叶片投影函数，Ω为聚集指数。所以，基于间隙率模型，可将BRF与LAI这一结构参数结合。
进一步地，假设在多次散射中，p为与角度无关的参数，结合公式
i0＝1-P(ri)、
则只发生在植被间的多次散射表达式BRFmb为：BRFmb＝c(1-P(ri))，其中，
基于该表达式可以确定c与太阳角度无关。
对于植被与土壤之间发生多次散射且第一次散射发生在植被元素上的情况，即太阳照射在叶片上，然后在植被冠层和土壤间发生多次散射，最后被传感器接收的情况下，BRFmc与冠层拦截率成正比，与BRFmb＝c(1-P(ri))相同。对于第一次散射发生在土壤元素上的情况，即部分太阳辐射透过缝隙，照射在土壤上，然后被土壤和冠层多次散射的情况下，BRFmc与P(ri)成正比，但这种情况下BRFmc由少量的三阶和高阶散射贡献，对该场景下整体的反射率贡献较小，为减少变量不考虑第一次散射发生在土壤元素上的情况。
综上，在红光波段预设反演模型为：
BRFr(ri,rv)＝ρs(λr)·Pg(ri,rv)+ρc(λr)·Pc(ri,rv)+cr(1-P(ri))；
在近红外波段的预设反演模型为：
BRFn(ri,rv)＝ρs(λn)·Pg(ri,rv)+ρc(λn)·Pc(ri,rv)+cn(1-P(ri))。
若预设植被指数为差值植被指数DVI，则指数表达形式为近红外波段与可见光红波段数值之差，即DVI＝NIR-R，式中，NIR为近红外波段反射率，R为红光波段反射率。
进一步地，基于红光波段和近红外波段的BRF计算DVI，确定改进反演模型包括：
DVI(ri,rv)＝a·Pg(ri,rv)+b·Pc(ri,rv)+c(1-P(ri))。
式中，a、b、c为与太阳角度无关的量，由于静止卫星的观测角度不变，则a、b、c可以视为每天观测的常数。在改进反演模型中，LAI、u、v、a、b、c为反演所得参数，LAI为本发明实施例的最终计算所得参数。
S240、对各叶面积指数反演方程进行优化求解，生成目标区域的叶面积指数数据。
在一些实施方式中，预设植被指数为差值植被指数，基于该差值植被指数的改进反演模型，对各叶面积指数反演方程进行优化求解，生成目标区域的叶面积指数数据包括：基于光照叶片比例的第一查找表和叶面积投影的第二查找表，对各叶面积指数反演方程进行迭代优化求解，生成叶面积指数数据。
其中，第一查找表用于记录第一参数值组合和光照叶片比例之间的对应关系；第二查找表用于记录第二参数值组合和叶面积投影之间的对应关系。
第一查找表和第二查找表是基于预设参数组合对目标反演模型进行模型运算而得到。具体地，在确定第一查找表时，可以设定预设参数为第一参数值，根据第一参数值对目标反演模型进行模型运算，从而获得第一参数值对应的光照叶片比例，对多个第一参数值通过模型运算进行光照叶片比例的标定，能够获得第一参数值组合和光照叶片比例之间的对应关系；在确定第二查找表时，可以设定预设参数为第二参数值，根据第二参数值对目标反演模型进行模型运算，从而获得第二参数值对应的叶面积投影，对多个第二参数值通过模型运算进行叶面积投影的标定，能够获得第二参数值组合和叶面积投影之间的对应关系。
在本实施例中，若在对叶面积指数反演方程进行迭代优化求解的过程中求解参数中包括与光照叶片比例相关的第一求解参数和与叶面积投影相关的第二求解参数，则可以根据第一求解参数和第一查找表中的第一参数值组合进行比对，确定一致或较为接近的第一参数值，将该第一参数值对应的光照叶片比例作为该第一求解参数对应的求解结果；并且根据第二求解参数和第二查找表中的第二参数值组合进行比对，确定一致或较为接近的第二参数值，将该第二参数值对应的叶面积投影作为第二求解参数对应的求解结果，从而基于查找到的该光照叶片比例和叶面积投影简化各反演方程，并对简化后的各反演方程进行迭代优化求解，计算得到叶面积指数数据。
一种可选的实施方式中，可以通过下述方法构造第一查找表和第二查找表：第一查找表基于第一参数值组合对目标反演模型进行模拟运算而得到；其中，目标反演模型包括预设反演模型或改进反演模型，第一参数值组合包括叶面积体密度uL(z′)在取值范围(0.1-5)中按照步长0.1取值所得的数值、ai和av分别在取值范围(0.1-5)中按照步长0.1取值所得的数值以及Δ在取值范围(0.1-10)中按照步长0.1取值所得的数值。在构造第一查找表的过程中，可以在各第一参数值的取值范围内按照各第一参数值对应的步长对各第一参数值进行取值，针对取值的叶面积体密度uL(z′)、ai、av、Δ进行计算获得对应的光照叶片比例。
第二查找表基于第二参数值组合对目标反演模型进行模拟运算而得到；其中，第二参数值组合包括叶倾角分布密度函数在取值范围(0-90°)中按照步长1取值所得的数值、以及u和v分别在取值范围(0.4-3)中按照步长0.1取值所得的数值。在构造第二查找表的过程中，可以在各第二参数值的取值范围内按照各第二参数值对应的步长对各第二参数值进行取值，针对取值的叶倾角分布密度函数、u、v进行计算获得对应的叶面积投影。
本发明实施例的上述技术方案，选取了对植被特性敏感且受大气影响较小的近红外波段和红光波段进行计算，从而降低了卫星观测数据的噪声，采用差值植被指数作为预设植被指数，该差值植被指数的表达形式较为简洁，并且在差值植被指数中近红外反射率和红光反射率相减，不会改变BRF模型的表达形式，不会引入更多的变量，使得模型较为简单，提高了LAI的反演速度，并且DVI与使用单一的波段相比，可以更快的反映出植被的变化，同时增强反演的稳定性，且避免了单一波段受外界条件影响变化使反演精度降低，融合两个波段可以一定程度减小误差。基于查找表进行叶面积指数反演方程的迭代优化求解，能够降低计算难度，提高反演速度。
在本发明实施例中，在采用葵花8号卫星收集卫星观测数据并且植被指数为近红外波段和红光波段的差值植被指数的情况下，将根据本发明实施例中的叶面积指数反演方法获得的LAI数据与相关技术中已有的LAI数据进行比对，得到如图3和图4所示的对比结果。
图3中实线为本发明实施例获取的基于葵花8号卫星的遥感卫星数据获得的LAI(简称为Himawari-8LAI)，线段虚线为基于全球陆表卫星(Global LAnd SurfaceSatellite，GLASS)的遥感卫星数据获得的LAI，点虚线为基于中分辨率成像光谱仪(Moderate-resolution imaging spectroradiometer，MODIS)的遥感卫星数据获得的LAI。从图3中可以看出，基于本方案获得的LAI数据有良好的时间完整性，在春夏秋冬四个季节与MODIS LAI和GLASS LAI的季节性变化趋势一致，其波动变化与MODIS LAI相似，因而根据本方案获得的LAI数据具有一定的合理性，且基于本方案获得的LAI的频率分布较其他LAI更均匀。
图4中实线为Himawari-8LAI，线段虚线为GLASS LAI，点虚线为MODIS LAI。从图4中可以看出，基于本方案获得的LAI数据具有合理的空间分布，与在草地、林地、灌木、耕地四种地表类型下的MODIS LAI和GLASS LAI的空间分布一致。综上，本公开实施例中获得的Himawari-8LAI表现良好，有较好的相对质量，可以体现出该方法的合理性与有效性。
图5是本发明实施例提供的一种叶面积指数反演装置的结构示意图。参见图5，该装置500具体包括：
卫星观测数据获取模块510，用于获取目标区域对应的多个卫星观测数据；其中，所述卫星观测数据基于静止卫星对所述目标区域进行数据采集而得到，且所述卫星观测数据包括至少一个波段的二向反射因子数据、太阳天顶角、太阳方位角、所述静止卫星的观测天顶角和所述静止卫星的观测方位角；
方程构建模块520，用于将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程；其中，所述预设反演模型基于植被-土壤系统的二向反射因子模型、四分量模型和光谱不变理论构建，所述二向反射因子模型用于表征所述植被-土壤系统的二向反射因子由土壤引起的单次散射的二向反射因子、植被引起的单次散射的二向反射因子、植被间的多次散射的二向反射因子以及植被和土壤之间的多次散射的二向反射因子构成；
叶面积指数数据确定模块530，用于对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据。
本发明实施例提供的上述叶面积指数反演装置，使用静止卫星获取的卫星观测数据，实现了对于目标区域的高频次观测，提高了生成的目标叶面积指数数据的时间分辨率，因而可以满足植被物候监控、气候变化、灾害趋势等应用场景下的快速响应需求，并且静止卫星具有观测角度不变的特点，因而在预设反演模型的构建过程中可以将变量分为与太阳角度相关和与太阳角度无关，实现了预设反演模型的简化，同时可以充分使用多个太阳角度的卫星观测数据，构建的叶面积指数反演方程数量较多，提高了生成的LAI的准确性。并且预设反演模型为物理模型，该预设反演模型的输入参数中包括了目标区域的卫星观测数据，当目标区域发生改变时，改变输入的卫星观测数据，与相关技术中的经验模型相比，无需重新进行模型的重新训练，不受目标区域和数据源的影响，从而提高了叶面积指数反演方法的普适性和可行性。且本方法是利用植被辐射传输模型构建的，具有明确的物理意义
在一些实施例中，所述波段为红光波段和/或近红外波段。
在一些实施例中，叶面积指数反演装置还包括：
预设植被指数确定模块，用于基于所述卫星观测数据中包含的红光波段的所述二向反射因子数据和近红外波段的所述二向反射因子数据，按照预设植被指数的指数表达形式，确定所述卫星观测数据对应的预设植被指数数据；
方程构建模块用于：
针对多个所述卫星观测数据，将所述预设植被指数数据、所述太阳方位角、所述太阳天顶角、所述观测天顶角、所述观测方位角，输入改进反演模型，构建所述卫星观测数据对应的所述叶面积指数反演方程；其中，所述改进反演模型由所述红光波段对应的所述预设反演模型和所述近红外波段对应的所述预设反演模型，按照所述指数表达形式来构建。
在一些实施例中，在所述预设植被指数为差值植被指数的情况下，所述改进反演模型为：
其中，DVI(ri,rv)为差值植被指数，ri和rv分别为太阳方向和观测方向的单位向量；a、b和c为与太阳角度无关的量，且a＝ρs(λn)-ρs(λr)、b＝ρc(λn)-ρc(λr)、
ρs(λn)和ρs(λr)分别为所述近红外波段和所述红光波段的所述土壤反射率，ρc(λn)和ρc(λr)分别为所述近红外波段和所述红光波段的所述叶片反射率，p为再碰撞概率；Pg(ri,rv)为光照土壤比例，
μj为rj和地平线法线交角的余弦，叶面积投影G(rj)(j＝i,v)为单位叶面积在rj方向上的平均投影，
rL为叶片法向量，θL为叶片法线的倾角，φL为叶片法线方位角，gL(θL)为叶倾角分布密度函数，
u和v是与叶倾角的平均值和方差相关的无单位参数，B(u,v)为双参数的Beta分布函数，sL为叶片相对大小，
〈ri,rv〉为ri和rv之间的角度，LAI为叶面积指数，Ω为聚集指数；Pc(ri,rv)为光照叶片比例，Γ(ri,rv)为散射相函数，μv为rv和地平线法线交角的余弦，LAIe为有效叶面积指数，Pg(z,ri,rv)为植被冠层深度z处的双向间隙率，
uL(z′)为叶面积体密度；P(ri)为ri方向的间隙率；在所述改进反演模型中，LAI、u、v、a、b、c为反演求解参数。
在一些实施例中，所述叶面积指数数据确定模块用于：
基于光照叶片比例的第一查找表和叶面积投影的第二查找表，对各所述叶面积指数反演方程进行迭代优化求解，生成所述叶面积指数数据；
其中，所述第一查找表用于记录第一参数值组合和所述光照叶片比例之间的对应关系，所述第二查找表用于记录第二参数值组合和所述叶面积投影之间的对应关系；
所述第一查找表和所述第二查找表是基于预设参数组合对目标反演模型进行模型运算而得到。
在一些实施例中，所述第一查找表基于所述第一参数值组合对目标反演模型进行模拟运算而得到；其中，所述目标反演模型包括所述预设反演模型或改进反演模型，所述第一参数值组合包括叶面积体密度uL(z′)在取值范围(0.1-5)中按照步长0.1取值所得的数值、ai和av分别在取值范围(0.1-5)中按照步长0.1取值所得的数值以及Δ在取值范围(0.1-10)中按照步长0.1取值所得的数值；
所述第二查找表基于所述第二参数值组合对所述目标反演模型进行模拟运算而得到；其中，所述第二参数值组合包括叶倾角分布密度函数在取值范围(0-90°)中按照步长1取值所得的数值、以及u和v分别在取值范围(0.4-3)中按照步长0.1取值所得的数值。
在一些实施例中，所述卫星观测数据基于葵花8号卫星的观测数据得到。
本发明实施例所提供的叶面积指数反演装置可执行本发明任意实施例所提供的叶面积指数反演方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述叶面积指数反演装置的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
图6是本发明实施例提供的一种电子设备的结构示意图。参见图6，本发明实施例提供的电子设备600，其包括：处理器620和存储器610；所述处理器620通过调用所述存储器610存储的程序或指令，用于执行本发明任意实施例所提供的叶面积指数反演方法的步骤。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：一个或者多个处理器620，存储器610，连接不同系统组件(包括存储器610和处理器620)的总线650。
总线650表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备600典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备600访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器610可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)611和/或高速缓存存储器612。电子设备600可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统613可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线650相连。存储器610可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块615的程序/实用工具614，可以存储在例如存储器610中，这样的程序模块615包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块615通常执行本发明所描述的任意实施例中的功能和/或方法。
电子设备600也可以与一个或多个外部设备660(例如键盘、指向设备、显示器670等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出接口(I/O接口)630进行。并且，电子设备600还可以通过网络适配器640与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器640通过总线650与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
需要说明的是，图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储程序或指令，该程序或指令使计算机执行本发明任意实施例提供的叶面积指数反演方法步骤。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本发明范围。如本发明说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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述的这些实施例，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 (10)
1.一种叶面积指数反演方法，其特征在于，包括：
获取目标区域对应的多个卫星观测数据；其中，所述卫星观测数据基于静止卫星对所述目标区域进行数据采集而得到，且所述卫星观测数据包括至少一个波段的二向反射因子数据、太阳天顶角、太阳方位角、所述静止卫星的观测天顶角和所述静止卫星的观测方位角；
将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程；其中，所述预设反演模型基于植被-土壤系统的二向反射因子模型、四分量模型和光谱不变理论构建，所述二向反射因子模型用于表征所述植被-土壤系统的二向反射因子由土壤引起的单次散射的二向反射因子、植被引起的单次散射的二向反射因子、植被间多次散射的二向反射因子以及植被和土壤之间的多次散射的二向反射因子构成；
对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据。
2.根据权利要求1所述的方法，其特征在于，所述波段为红光波段和/或近红外波段。
3.根据权利要求1所述的方法，其特征在于，在所述获取目标区域对应的多个卫星观测数据之后，所述方法还包括：
基于所述卫星观测数据中包含的红光波段的所述二向反射因子数据和近红外波段的所述二向反射因子数据，按照预设植被指数的指数表达形式，确定所述卫星观测数据对应的预设植被指数数据；
所述将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程包括：
针对多个所述卫星观测数据，将所述预设植被指数数据、所述太阳方位角、所述太阳天顶角、所述观测天顶角、所述观测方位角输入改进反演模型，构建所述卫星观测数据对应的所述叶面积指数反演方程；
其中，所述改进反演模型由所述红光波段对应的所述预设反演模型和所述近红外波段对应的所述预设反演模型，按照所述指数表达形式来构建。
4.根据权利要求3所述的方法，其特征在于，在所述预设植被指数为差值植被指数的情况下，所述改进反演模型为：
其中，DVI(ri，rv)为差值植被指数，ri和rv分别为太阳方向和观测方向的单位向量；a、b和c为与太阳角度无关的量，且a＝ρs(λn)-ρs(λr)、b＝ρc(λn)-ρc(λr)、
ρs(λn)和ρs(λr)分别为所述近红外波段和所述红光波段的所述土壤反射率，ρc(λn)和ρc(λr)分别为所述近红外波段和所述红光波段的所述叶片反射率，p为再碰撞概率；Pg(ri，rv)为光照土壤比例，
μj为rj和地平线法线交角的余弦，叶面积投影G(rj)(j＝i，v)为单位叶面积在rj方向上的平均投影，
rL为叶片法向量，θL为叶片法线的倾角，φL为叶片法线方位角，gL(θL)为叶倾角分布密度函数，
u和v是与叶倾角的平均值和方差相关的无单位参数，B(u，v)为双参数的Beta分布函数，sL为叶片相对大小，
<ri，rv>为ri和rv之间的角度，LAI为叶面积指数，Ω为聚集指数；Pc(ri，rv)为光照叶片比例，Γ(ri，rv)为散射相函数，μv为rv和地平线法线交角的余弦，LAIe为有效叶面积指数，Pg(z，ri，rv)为植被冠层深度z处的双向间隙率，
uL(z′)为叶面积体密度；P(ri)为ri方向的间隙率；
在所述改进反演模型中，LAI、u、v、a、b、c为反演求解参数。
5.根据权利要求4所述的方法，其特征在于，所述对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据包括：
基于光照叶片比例的第一查找表和叶面积投影的第二查找表，对各所述叶面积指数反演方程进行迭代优化求解，生成所述叶面积指数数据；
其中，所述第一查找表用于记录第一参数值组合和所述光照叶片比例之间的对应关系，所述第二查找表用于记录第二参数值组合和所述叶面积投影之间的对应关系；
所述第一查找表和所述第二查找表是基于预设参数组合对目标反演模型进行模型运算而得到。
6.根据权利要求5所述的方法，其特征在于，所述第一查找表基于所述第一参数值组合对目标反演模型进行模拟运算而得到；其中，所述目标反演模型包括所述预设反演模型或改进反演模型，所述第一参数值组合包括叶面积体密度uL(z′)在取值范围(0.1-5)中按照步长0.1取值所得的数值、ai和av分别在取值范围(0.1-5)中按照步长0.1取值所得的数值以及Δ在取值范围(0.1-10)中按照步长0.1取值所得的数值；
所述第二查找表基于所述第二参数值组合对所述目标反演模型进行模拟运算而得到；其中，所述第二参数值组合包括叶倾角分布密度函数在取值范围(0-90°)中按照步长1取值所得的数值、以及u和v分别在取值范围(0.4-3)中按照步长0.1取值所得的数值。
7.根据权利要求1所述的方法，其特征在于，所述卫星观测数据基于葵花8号卫星的观测数据得到。
8.一种叶面积指数反演装置，其特征在于，包括：
卫星观测数据获取模块，用于获取目标区域对应的多个卫星观测数据；其中，所述卫星观测数据基于静止卫星对所述目标区域进行数据采集而得到，且所述卫星观测数据包括至少一个波段的二向反射因子数据、太阳天顶角、太阳方位角、所述静止卫星的观测天顶角和所述静止卫星的观测方位角；
方程构建模块，用于将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程；其中，所述预设反演模型基于植被-土壤系统的二向反射因子模型、四分量模型和光谱不变理论构建，所述二向反射因子模型用于表征所述植被-土壤系统的二向反射因子由土壤引起的单次散射的二向反射因子、植被引起的单次散射的二向反射因子、植被间的多次散射的二向反射因子以及植被和土壤之间的多次散射的二向反射因子构成；
叶面积指数数据确定模块，用于对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210483937.3A CN114996628A (zh) | 2022-05-05 | 2022-05-05 | 叶面积指数反演方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210483937.3A CN114996628A (zh) | 2022-05-05 | 2022-05-05 | 叶面积指数反演方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114996628A true CN114996628A (zh) | 2022-09-02 |
Family
ID=83025103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210483937.3A Pending CN114996628A (zh) | 2022-05-05 | 2022-05-05 | 叶面积指数反演方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114996628A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116297243A (zh) * | 2023-02-28 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
| CN117739871A (zh) * | 2024-02-20 | 2024-03-22 | 中国科学院空天信息创新研究院 | 叶面积指数测量方法、装置、系统、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011133451A (ja) * | 2009-11-27 | 2011-07-07 | Kyushu Univ | 光学的植生指数センサ |
| CN103293113A (zh) * | 2013-05-15 | 2013-09-11 | 南京农业大学 | 一种主动光源式作物冠层反射光谱测量装置及其方法 |
| CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
| CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
| CN107609695A (zh) * | 2017-09-04 | 2018-01-19 | 北京信德智图科技有限公司 | 基于可调植被指数的作物产量遥感估算方法 |
-
2022
- 2022-05-05 CN CN202210483937.3A patent/CN114996628A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011133451A (ja) * | 2009-11-27 | 2011-07-07 | Kyushu Univ | 光学的植生指数センサ |
| CN103293113A (zh) * | 2013-05-15 | 2013-09-11 | 南京农业大学 | 一种主动光源式作物冠层反射光谱测量装置及其方法 |
| CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
| CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
| CN107609695A (zh) * | 2017-09-04 | 2018-01-19 | 北京信德智图科技有限公司 | 基于可调植被指数的作物产量遥感估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘洋;刘荣高;刘斯亮;刘纪远;陈仲新;王利民;邹金秋;: "基于物理模型训练神经网络的作物叶面积指数遥感反演研究", 地球信息科学学报, no. 03, 15 June 2010 (2010-06-15) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116297243A (zh) * | 2023-02-28 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
| CN116297243B (zh) * | 2023-02-28 | 2024-02-02 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
| CN117739871A (zh) * | 2024-02-20 | 2024-03-22 | 中国科学院空天信息创新研究院 | 叶面积指数测量方法、装置、系统、电子设备及存储介质 |
| CN117739871B (zh) * | 2024-02-20 | 2024-05-03 | 中国科学院空天信息创新研究院 | 叶面积指数测量方法、装置、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nakajima et al. | Use of sky brightness measurements from ground for remote sensing of particulate polydispersions | |
| Jin et al. | Consistency of MODIS surface bidirectional reflectance distribution function and albedo retrievals: 1. Algorithm performance | |
| Kleinböhl et al. | Mars Climate Sounder limb profile retrieval of atmospheric temperature, pressure, and dust and water ice opacity | |
| Li et al. | Validation and understanding of Moderate Resolution Imaging Spectroradiometer aerosol products (C5) using ground‐based measurements from the handheld Sun photometer network in China | |
| Bourassa et al. | SASKTRAN: A spherical geometry radiative transfer code for efficient estimation of limb scattered sunlight | |
| Hou et al. | Improving Remote Sensing of Aerosol Microphysical Properties by Near‐Infrared Polarimetric Measurements Over Vegetated Land: Information Content Analysis | |
| Bourassa et al. | Stratospheric aerosol retrieval with optical spectrograph and infrared imaging system limb scatter measurements | |
| CN114996628A (zh) | 叶面积指数反演方法、装置、设备和介质 | |
| Hulley et al. | Moderate Resolution Imaging Spectroradiometer (MODIS) land surface temperature and emissivity product (MxD21) algorithm theoretical basis document collection-6 | |
| Yin et al. | Bayesian atmospheric correction over land: Sentinel-2/MSI and Landsat 8/OLI | |
| Huang et al. | Evaluation and comparison of MODIS collection 6.1 and collection 6 dark target aerosol optical depth over mainland China under various conditions including spatiotemporal distribution, haze effects, and underlying surface | |
| Hulley et al. | Moderate resolution imaging spectroradiometer (MODIS) MOD21 land surface temperature and emissivity algorithm theoretical basis document | |
| CN109932341B (zh) | 野外环境下典型目标的双向反射分布函数测量方法 | |
| Stap et al. | Multiangle photopolarimetric aerosol retrievals in the vicinity of clouds: Synthetic study based on a large eddy simulation | |
| Lee et al. | Improvements of 6S look-up-table based surface reflectance employing minimum curvature surface method | |
| Li et al. | Spatial and temporal distribution of the cloud optical depth over China based on MODIS satellite data during 2003–2016 | |
| Hulley et al. | Moderate resolution imaging spectroradiometer (MODIS) MOD21 land surface temperature and emissivity algorithm theoretical basis document | |
| Andres et al. | Time‐varying, ray tracing irradiance simulation approach for photovoltaic systems in complex scenarios with decoupled geometry, optical properties and illumination conditions | |
| CN115984715A (zh) | 基于先验地物光谱匹配的高光谱卫星自适应大气校正方法 | |
| Lyapustin et al. | Atmospheric correction of DSCOVR EPIC: version 2 MAIAC algorithm | |
| Burley et al. | A fast two-stream-like multiple-scattering method for atmospheric characterization and radiative transfer | |
| Ihalainen et al. | Spectral invariants in ultra-high spatial resolution hyperspectral images | |
| Li et al. | Impact of surface inhomogeneity on solar radiative transfer under overcast conditions | |
| Ma et al. | Application of an LAI inversion algorithm based on the unified model of canopy bidirectional reflectance distribution function to the Heihe River Basin | |
| Kikuchi et al. | An advanced retrieval algorithm for greenhouse gases using polarization information measured by GOSAT TANSO‐FTS SWIR I: Simulation study |
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 |