CN115329681A - 基于辐射传输模型的植被冠层含水量遥感反演方法 - Google Patents

基于辐射传输模型的植被冠层含水量遥感反演方法 Download PDF

Info

Publication number
CN115329681A
CN115329681A CN202211256300.7A CN202211256300A CN115329681A CN 115329681 A CN115329681 A CN 115329681A CN 202211256300 A CN202211256300 A CN 202211256300A CN 115329681 A CN115329681 A CN 115329681A
Authority
CN
China
Prior art keywords
data
water content
vegetation
canopy
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
Application number
CN202211256300.7A
Other languages
English (en)
Other versions
CN115329681B (zh
Inventor
李少达
刘亮
杨武年
王潇
罗新蕊
冉培廉
雷湘琦
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202211256300.7A priority Critical patent/CN115329681B/zh
Publication of CN115329681A publication Critical patent/CN115329681A/zh
Application granted granted Critical
Publication of CN115329681B publication Critical patent/CN115329681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G01N21/55—Specular reflectivity

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于辐射传输模型的植被冠层含水量遥感反演方法，包括以下步骤：获取第一数据、第二数据、第三数据和第四数据；模拟获取所述第一数据的分布和耦合关系，并生成植物叶片性状参数样本；将所述植物叶片性状参数样本代入耦合辐射传输模型并进行正向推导，计算得到二向反射率；根据光谱响应函数，将二向反射率转换为对应遥感传感器的波段反射率值；采用机器算法建立植被冠层含水量回归模型，并评价其理论精度；调用第三数据和第四数据，反演得到植被冠层含水量；根据所述第二数据，结合反演得到的所述植被冠层含水量，分析获取植被冠层含水量反演模型的实际精度。

Description

基于辐射传输模型的植被冠层含水量遥感反演方法
技术领域
本发明涉及植被定量遥感技术领域，具体是基于辐射传输模型的植被冠层含水量遥感反演方法。
背景技术
植被冠层含水量是水循环在土壤-植被-大气这一连续体中的重要组成部分，其在生态系统光合作用、蒸腾作用、冠层温度调节等方面发挥着关键性作用，具有重要的生态意义。植被冠层含水量是水文循环的重要组成部分，其对陆地生态系统碳循环和能量循环至关重要，因此影响陆地生态系统与气候的相互作用。此外，植被冠层含水量是农业管理和产量预测、水分胁迫和干旱评估以及洪水和森林火灾监测的关键生物物理变量。遥感技术具有空、天、地多平台、多时间分辨率、多空间分辨率、多光谱分辨率等特点，能够实现对植被的快速高效监测。因此，利用遥感反演植被冠层含水量有助于进一步掌握植被的水分状况，为水分胁迫和干旱评估、农作物管理与估产、林火及生态系统监测等提供科学依据。
利用遥感影像对植被冠层含水量进行反演的方法主要包括经验方法与物理方法。经验方法通过建立样地观测与影像波段的回归模型计算植被冠层含水量，该方法简单易懂，但其回归模型局限性较大，通常难以外推且对样地观测数据要求较高。与经验方法相比，物理方法其对物理过程的描述较为准确，易于外推到各种气候、植被、地形条件下，实现植被冠层含水量的准确反演。
发明内容
本发明的目的在于克服现有植被冠层含水量遥感反演技术对不同植被类型叶片干物质、水、叶绿素、类胡萝卜素含量间耦合关系、对森林冠层的非均匀且不连续特点缺乏准确描述以及查找表反演计算量大的不足，提供了一种基于辐射传输模型的植被冠层含水量遥感反演方法，通过先对获取的植被相关数据进行分类，再将分类后的数据分别代入相对应的耦合模型，以提高植被冠层含水量反演的准确性。
本发明的目的主要通过以下技术方案实现：
基于辐射传输模型的植被冠层含水量遥感反演方法，包括以下步骤：
获取野外植物叶片性状数据作为第一数据，获取野外植被冠层含水量数据作为第二数据，获取遥感影像作为第三数据，获取植被分类数据作为第四数据；
所述第一数据通过野外收集植物叶片经物理测量与生化成分分析得到，并将其划分为草本类数据、灌木类数据、树木类数据，分析得到所述叶片干物质、水、叶绿素、类胡萝卜素含量的分布和耦合关系，并生成植物叶片性状参数样本；
将所述植物叶片性状参数样本代入耦合辐射传输模型并进行正向推导，计算得到二向反射率；
采用光谱响应函数，将所述二向反射率转换为对应遥感传感器的波段反射率值；
获取耦合模型中的叶面积与叶片水含量参数并获取其对应的波段反射率，采用机器算法建立植被冠层含水量回归模型；
调用第三数据和第四数据，反演得到植被冠层含水量；
根据所述第二数据，结合反演得到的所述植被冠层含水量，分析获取植被冠层含水量反演模型的实际精度。
现有技术中，所述植被冠层含水量遥感反演的技术存在以下缺陷：（1）叶片尺度，缺乏对不同植被类型植物叶片性状间耦合关系的准确描述；（2）冠层尺度，缺乏对森林冠层的非均匀且不连续特点的准确描述；（3）建立查找表反演植被冠层含水量计算量较大且损失函数要求较高。
叶片干物质、水、叶绿素、类胡萝卜素含量是叶片尺度辐射传输模型的其中四个参数，当前对模型的参数化采用的是变量单独随机生成，没有考虑这四个参数在真实世界中（现实中的植物叶片）是相互关联的，如：枯萎的叶子含水量是0，而它的叶绿素含量不可能大于0，而随机的方法则会生成这样错误的参数。此外，不同植被类型间四个参数的依赖关系是存在较大差异，如：森林干物质含量与叶绿素含量是0.45的线性相关，而草地可能是0.7。
所以本发明将叶片干物质、水、叶绿素、类胡萝卜素含量的分布和耦合关系纳入植物叶片性状参数样本的生成基础，从而弥补了在进行反演时对这些参数考量的欠缺，使得计算结果更加现实，从而提高了反演的准确性。现有技术中在获取类似第一数据的相关参数后，并不会对第一数据进行参数分类的划分，从而导致在反演过程中的参数过于笼统，而本发明将叶片干物质、水、叶绿素、类胡萝卜素含量的分布和耦合关系纳入植物叶片性状参数样本的生成基础，从而使得参数间联系更加有效，避免了涉及参数间关联的误差，从而能够有效的提高植被冠层含水量反演的准确性。
在本发明中，所述辐射传输模型的输出是二向反射率，再通过遥感传感器所对应的光谱响应函数，计算得到光谱波段反射率。本发明中的二向反射率是指在一定的辐照和观测条件下，目标物的反射辐射亮度与处于同一辐照度和观测条件下的标准参考面(朗伯全反射面)的反射辐射亮度之比。所述光谱响应函数为多（高）光谱传感器获取的图像，其具有多个波段。每个波段记录的能量值与光谱响应函数均有关。每个波段都对应一定的中心波长和波段宽度。由于传感器硬件的限制，传感器在某个预定波长范围内的响应不能得到100% 响应。在实际情况中会产生类似于正态分布的单峰函数。在粗略计算中，一个中心波长和半高宽（也成半波宽）能够由数学公式计算出一个高斯分布曲线。所获得的高斯分布曲线即为光谱响应函数。
进一步的，将所述植物叶片性状参数样本根据所述第一数据划分为草本类样本、灌木类样本、树木类样本；
将所述草本类样本、灌木类样本代入PROSPECT-5B+4SAIL叶片-冠层尺度耦合的辐射传输模型，结合所述光谱响应函数，分别得到草本类模拟光谱反射率、灌木类模拟光谱反射率；
将所述草本类样本、树木类样本代入PROSPECT-5B+4SAIL +GeoSAIL叶片-冠层尺度耦合的辐射传输模型，结合所述光谱响应函数，得到森林模拟光谱反射率。
如果所选辐射传输模型无法准确模拟森林冠层非均匀不连续的特点，其冠层含水量则无法准确估算，所以本发明分植被类型分别选择恰当的辐射传输模型。
当前采用辐射传输模型的物理方法反演植被冠层含水量通常采用PROSPECT-5+4SAIL叶片-冠层耦合模型，通过参数设置与大量计算建立查找表进行反演，所以本申请中能够更加详细的将问题表述为：（1）叶片尺度，植物叶片性状间（如：叶片干物质、水、叶绿素、类胡萝卜素含量）存在一定的关联特征，且不同植被类型差异较大（如：草本、灌木、树木），而通常参数设置并没有考虑叶片性状间的联系，导致对叶片的模拟失真；（2）冠层尺度，4SAIL冠层辐射传输模型是基于均匀且连续的冠层假设，难以准确描述森林冠层的非均匀且不连续特点；（3）建立查找表反演植被冠层含水量计算量较大，对损失函数的设置要求较高。
在本发明中针对不同植被冠层结构特点，提出采用PROSPECT-5B+4SAIL耦合模型以准确描述草地、农作物、灌木均匀且连续的冠层，采用PROSPECT-5B+4SAIL+GeoSAIL耦合模型以准确描述森林异质、不连续的冠层。PROSPECT-5B是一个基于平板模型发展起来的叶片尺度辐射传输模型，主要描述植被叶片在400-2500nm光谱范围内的光学特征，4SAIL冠层尺度辐射传输模型基于水平均匀假设，通过求解四个向上和向下辐射通量的散射和吸收来模拟植物冠层的二向反射率，GeoSAIL冠层辐射传输模型通过将SAIL模型与Jasinski几何模型进行结合，将冠层场景更细致地划分为光照冠层、阴影冠层、光照背景、阴影背景四类，更准确地模拟冠层波段反射率，其可以用于模拟异质和不连续森林冠层的光谱模拟。植被冠层波段反射率直接反映其含水量信息。因此，分植被类型采用各自恰当的辐射传输模型，准确模拟其波段反射率，建立效率更高的反演模型，从而有效地提高了本发明中对植被冠层含水量反演的准确性。
进一步的，所述第一数据、第二数据、第三数据、第四数据的获取包括以下步骤：
选取野外样地并设立预设区域；
调查所述野外样地，记录所述野外样地经纬度，收集所述野外样地内的植物叶片样品，测量所述野外样地的样地叶面积指数；
收集并分析所述植物叶片样品，获取所述第一数据；
结合所述第一数据和所述样地叶面积指数数据并分析处理，生成所述第二数据；
采用遥感传感器对预设区域进行遥感成像，生成第三数据；
对所述第三数据进行植被类型划分，生成第四数据。
在本发明中，所述第一、二数据主要通过野外设置圆形或方形样地，进行实地调查获取。此外，第一数据还需要结合实验室称重、扫描、烘干、化学分析等具体操作。第三数据则通过卫星与无人机搭载的传感器的方式对预设区域进行拍摄获取遥感影像并经过预处理生成。第四数据则是在第三数据的基础上，采用监督或非监督方法进行植被类型划分获取。
进一步的，将所述第一数据划分为草本类数据、灌木类数据、树木类数据后，所述植物叶片性状参数样本采用copula算法分析得到。
本发明分植被类型单独建模，所以其参数也应该分类别，更重要的是这些参数在不同植被类型间其耦合关系是不一样的，所以对第一数据进行分类，利用copula模拟相对应的伪观测样本，再输入到所对应的类别的辐射传输模型中。
在本发明中，分植被类型采用copula算法实现准确描述叶片干物质、水、叶绿素、类胡萝卜素含量四个变量的分布及其耦合关系。通过构建单个变量的分布与变量间的耦合关系，copula能较为准确的描述多变量分布及之间的耦合关系，并可以生成具有高度相同的变量分布与耦合关系的新样本。
具体来说，叶片干物质、水、叶绿素、类胡萝卜素含量，其是多变量分布，可以采用copula进行模拟。Copula通过四个变量的单独分布（又称边缘分布）与协方差矩阵（表征四个变量两两之间的相关性）实现对该多变量分布的准确模拟。再对模拟的分布进行抽样生成更多的样本（这些样本符合单个变量的分布，同时也满足变量间的依赖关系），用于辐射传输模型正推。
进一步的，在获取波段反射率后，选择特征变量，建立植被冠层含水量机器算法回归模型；采用十折交叉验证的方法对模型的理论精度进行评价。
进一步的，所述特征变量为波段反射率及植被类型，所述植被冠层含水量为目标变量，利用随机森林算法建立植被冠层含水量回归模型，将所述植被冠层含水量回归模型代入十折交叉验证的方法中进行理论精度的评价。
进一步的，根据反演得到的所述植被冠层含水量数据，以野外观测点的经纬度与时间为参照，提取得到对应的植被冠层含水量遥感反演数值；
观测野外样地并获取观测数值，对所述植被冠层含水量遥感反演数值和所述观测数值进行线性回归分析，得到实际验证精度。
综上所述，本发明与现有技术相比具有以下有益效果：
本发明一种基于辐射传输模型的植被冠层含水量遥感反演方法，采用copula算法生成叶片性状间存在耦合关系的样本，可以使相应参数更符合客观实际情况，进而更为准确模拟光在叶片尺度的辐射传输过程。同时，采用PROSPECT-5B+4SAIL +GeoSAIL叶片-冠层尺度耦合的辐射传输模型模拟森林叶片到冠层的辐射传输过程更为准确。此外，采用机器算法建立植被冠层含水量回归模型进一步提高反演效率。综上所述，本发明采取的以上所述措施能够有效促进植被冠层含水量的准确、高效反演。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明方法流程示意图；
图2为本发明实施例中基于高斯copula模拟的草本植物叶片性状样本分布及耦合关系图；其中，（a）、（b）、（c）、（d）、（e）、（f）分别为草本植物叶片干物质含量与水含量、干物质含量与叶绿素含量、干物质含量与类胡罗卜素含量、水含量与叶绿素含量、水含量与类胡罗卜素含量、叶绿素含量与类胡罗卜素含量的样本分布及耦合关系的描述；
图3为本发明实施例中基于高斯copula模拟的灌木叶片性状样本分布及耦合关系图；其中，（a）、（b）、（c）、（d）、（e）、（f）分别为灌木叶片干物质含量与水含量、干物质含量与叶绿素含量、干物质含量与类胡罗卜素含量、水含量与叶绿素含量、水含量与类胡罗卜素含量、叶绿素含量与类胡罗卜素含量的样本分布及耦合关系的描述；
图4为本发明实施例中基于高斯copula模拟的树木叶片性状样本分布及耦合关系图；其中，（a）、（b）、（c）、（d）、（e）、（f）分别为树木叶片干物质含量与水含量、干物质含量与叶绿素含量、干物质含量与类胡罗卜素含量、水含量与叶绿素含量、水含量与类胡罗卜素含量、叶绿素含量与类胡罗卜素含量的样本分布及耦合关系的描述；
图5为本发明实施例中植被冠层含水量反演模型的理论精度图；其中，R2为相关系数，RMSE为均方根误差；
图6为本发明实施例中植被冠层含水量反演结果图；
图7为本发明实施例中草地冠层含水量反演精度评价图；其中，R2为相关系数，RMSE为均方根误差；
图8为本发明实施例中农作物冠层含水量反演精度评价图；其中，R2为相关系数，RMSE为均方根误差；
图9为本发明实施例中灌木冠层含水量反演精度评价图；其中，R2为相关系数，RMSE为均方根误差；
图10为本发明实施例中森林冠层含水量反演精度评价图；其中，R2为相关系数，RMSE为均方根误差；
图11为本发明实施例中植被冠层含水量反演总体精度评价图；其中，R2为相关系数，RMSE为均方根误差。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例：
如图1~图11所示，基于辐射传输模型的植被冠层含水量遥感反演方法，包括以下步骤：
获取野外植物叶片性状数据作为第一数据，获取野外植被冠层含水量数据作为第二数据，获取遥感影像作为第三数据，获取植被分类数据作为第四数据；
所述第一数据通过野外收集植物叶片经物理测量与生化成分分析得到，并将其划分为草本类数据、灌木类数据、树木类数据，分析得到所述叶片干物质、水、叶绿素、类胡萝卜素含量的分布和耦合关系，并生成植物叶片性状参数样本；
将所述植物叶片性状参数样本代入耦合辐射传输模型并进行正向推导，计算得到二向反射率；
采用光谱响应函数，将所述二向反射率转换为对应遥感传感器的波段反射率值；
获取耦合模型中的叶面积与叶片水含量参数并获取其对应的波段反射率，采用机器算法建立植被冠层含水量回归模型；
调用第三数据和第四数据，反演得到植被冠层含水量；
根据所述第二数据，结合反演得到的所述植被冠层含水量，分析获取植被冠层含水量反演模型的实际精度。
将所述植物叶片性状参数样本根据所述第一数据划分为草本类样本、灌木类样本、树木类样本；
将所述草本类样本、灌木类样本代入PROSPECT-5B+4SAIL叶片-冠层尺度耦合的辐射传输模型，结合所述光谱响应函数，分别得到草本类模拟光谱反射率、灌木类模拟光谱反射率；
将所述草本类样本、树木类样本代入PROSPECT-5B+4SAIL +GeoSAIL叶片-冠层尺度耦合的辐射传输模型，结合所述光谱响应函数，得到森林模拟光谱反射率。
所述第一数据、第二数据、第三数据、第四数据的获取包括以下步骤：
选取野外样地并设立预设区域；
调查所述野外样地，记录所述野外样地经纬度，收集所述野外样地内的植物叶片样品，测量所述野外样地的样地叶面积指数；
收集并分析所述植物叶片样品，获取所述第一数据；
结合所述第一数据和所述样地叶面积指数数据并分析处理，生成所述第二数据；
采用遥感传感器对预设区域进行遥感成像，生成第三数据；
对所述第三数据进行植被类型划分，生成第四数据。
将所述第一数据划分为草本类数据、灌木类数据、树木类数据后，所述植物叶片性状参数样本采用copula算法分析得到。
在获取波段反射率后，选择特征变量，建立植被冠层含水量机器算法回归模型；采用十折交叉验证的方法对模型的理论精度进行评价。
所述特征变量为波段反射率及植被类型，所述植被冠层含水量为目标变量，利用随机森林算法建立植被冠层含水量回归模型，将所述植被冠层含水量回归模型代入十折交叉验证的方法中进行理论精度的评价。
根据反演得到的所述植被冠层含水量数据，以野外观测点的经纬度与时间为参照，提取得到对应的植被冠层含水量遥感反演数值；
观测野外样地并获取观测数值，对所述植被冠层含水量遥感反演数值和所述观测数值进行线性回归分析，得到实际验证精度。
基于辐射传输模型的反演需要先设置叶片尺度和冠层尺度参数，以得到相应的冠层反射率，进而建立设置参数中冠层含水量（叶片尺度叶片含水量与冠层尺度叶面积指数的乘积）的回归关系（分草本、灌木、树木三类进行），然后通过模型逆推，基于回归关系和遥感卫星实际获取的冠层反射率数据，得到全球植被的冠层含水量。
在第一阶段正向的反演过程中，又根据植物性状特征（不同类型植物参数范围及参数之间依赖关系存在较大差异），分草本（包括草地、农作物）、灌木与树木（森林）三类，在逆向的阶段，这三类地物类型将与反射率数据一起作为预测变量估算含水量。所以本实施例可以准确描述草地、农作物、灌木冠层的均匀性与连续性，同时也可以准确描述森林冠层的异质性及不连续性的特点。
在本实施例中，预设区域一般为需要进行植被冠层含水量反演的区域，获取第一、二数据主要通过野外设置圆形或方形样地，进行实地调查获取。此外，第一数据还需要结合实验室称重、扫描、烘干、化学分析等具体操作。第三数据则通过卫星或无人机搭载的传感器的方式对预设区域进行拍摄获取遥感影像并经过预处理生成。第四数据则是在第三数据的基础上，采用监督或非监督方法进行植被类型划分获取。
所述叶片干物质、水、叶绿素、类胡萝卜素含量是PROSPECT-5B模型中的重要参数，它们之间存在一定的耦合关系且不同植被类型间具有差异，本申请创新地提出分植被类型采用copula算法实现准确描述叶片干物质、水、叶绿素、类胡萝卜素含量四个变量的分布及其依赖关系。通过构建单个变量的分布与变量间的耦合关系，copula能较为准确的描述多变量分布并可以生成具有高度相同的变量分布与耦合关系的新样本。
本实施例能够生成叶片性状间存在耦合关系的样本，使相应参数更符合客观实际情况，进而更为准确模拟光在叶片尺度的辐射传输过程。同时，对森林叶片到冠层的辐射传输过程的模拟更为准确，进一步提高反演效率，可实现植被冠层含水量的准确、高效反演。
在本实施例实施时，根据野外观测点经纬度提取对应遥感反演值，通过回归分析可以更为准确地检验植被冠层含水量反演的精度。
在本实施例的一种具体实施方式中，所述第一数据、第二数据、第三数据、第四数据的获取包括以下步骤：
野外建立背景均匀、尺度得到、具有代表性的样地；
对野外样地进行调查，利用GPS记录经纬度，收集植物叶片样品，利用鱼眼相机拍取冠层照片，计算样地叶面积指数；
对收集的植物叶片样品进行实验室分析，生成第一数据；
对第一数据及样地叶面积指数数据进行处理，生成第二数据；
对预设区域获取MODIS遥感影像，生成第三数据；
对所述的第三数据采用支持向量机分类算法进行植被类型划分，生成第四数据。
本实施例实施时，虽然在本实施例中公开了获取MODIS影像为第三数据，但是可以实现相同功能的Landsat-8、Landsat-9、Sentinel-2都应当被认为与本实施例所等同。此外，深度学习、随机森林、决策树等机器算法与本实施例中公开的支持向量机分类算法具有相同的功能，同样应当被认为与本实施例所等同。
本实施例中公开了原始光谱波段、植被类型作为特征波段，植被指数同样具有同等效果，应当被认为与本实施例所等同。此外，诸如高斯过程、梯度提升机等机器算法也当被认为与本实施例所提到的随机森林等同。
在上述实施例的基础上，公开了一个更加具体的实现方式，其中，预设区域为全球陆地植被覆盖区域，基于植物叶片性状观测数据与野外冠层含水量实测数据，更有效检验本发明对植被冠层含水量遥感反演的可行性。
步骤1：以通过野外实地调查获取的LOPEX1993和ANGERS2003叶片光学数据库、Canopy reflectance plant functional gradient IFGG/KIT冠层反射率植物功能梯度数据库及生态观测网络（NEON）所获取的叶片性状数据，通过预处理，生成第一数据；以NEON实测的样地叶面积指数（LAI）及叶片水含量（EWT）相乘，得到样地冠层含水量数据，为第二数据；以MODIS波段反射率产品（MCD43A4）为第三数据集；以MODIS土地覆盖类型产品（MCD12Q1）为第四数据集；
步骤2：对第一数据，分草本、灌木、树木三类，利用Python中的openturns库分别实现高斯copula，模拟三类植被的叶片干物质、水、叶绿素、类胡萝卜素含量四个变量的分布及耦合关系，并分别生成5000个随机样本，如图2~4所示；
步骤3：在MATLAB中，将草本、灌木随机样本带入PROSPECT-5B+4SAIL叶片-冠层尺度耦合的辐射传输模型，分别得到草本、灌木的模拟光谱反射率；将草本、树木随机样本带入PROSPECT-5B+4SAIL +GeoSAIL叶片-冠层尺度耦合的辐射传输模型，获得森林的模拟光谱反射率；
步骤4：在MATLAB中，将模拟的光谱利用AMRTO工具进行重采样等预处理，得到与MODIS相一致的波段；
步骤5：在统计分析与绘图软件R中，以波段反射率及植被类型为特征变量，以冠层含水量为目标变量，利用随机森林算法建立植被冠层含水量回归模型，采用十折交叉验证的方法对模型的理论精度进行评价，如图5所示；
步骤6：在谷歌地球引擎（GEE）中，调用第三数据和第四数据，利用随机森林回归模型反演得到全球植被冠层含水量如图6所示；
步骤7：根据第二数据，在GEE中提取对应时空的植被冠层含水量反演值，然后在统计分析与绘图软件R中进行线性回归分析，得到植被冠层含水量反演模型的实际精度，如图7~11所示。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于辐射传输模型的植被冠层含水量遥感反演方法，其特征在于，包括以下步骤：
获取野外植物叶片性状数据作为第一数据，获取野外植被冠层含水量数据作为第二数据，获取遥感影像作为第三数据，获取植被分类数据作为第四数据；
所述第一数据通过野外收集植物叶片经物理测量与生化成分分析得到，并将其划分为草本类数据、灌木类数据、树木类数据，分析得到所述叶片干物质、水、叶绿素、类胡萝卜素含量的分布和耦合关系，并生成植物叶片性状参数样本；
将所述植物叶片性状参数样本代入耦合辐射传输模型并进行正向推导，计算得到二向反射率；
采用光谱响应函数，将所述二向反射率转换为对应遥感传感器的波段反射率值；
获取耦合模型中的叶面积与叶片水含量参数并获取其对应的波段反射率，采用机器算法建立植被冠层含水量回归模型；
调用第三数据和第四数据，反演得到植被冠层含水量；
根据所述第二数据，结合反演得到的所述植被冠层含水量，分析获取植被冠层含水量反演模型的实际精度。
2.根据权利要求1所述的基于辐射传输模型的植被冠层含水量遥感反演方法，其特征在于，将所述植物叶片性状参数样本根据所述第一数据划分为草本类样本、灌木类样本、树木类样本；
将所述草本类样本、灌木类样本代入PROSPECT-5B+4SAIL叶片-冠层尺度耦合的辐射传输模型，结合所述光谱响应函数，分别得到草本类模拟光谱反射率、灌木类模拟光谱反射率；
将所述草本类样本、树木类样本代入PROSPECT-5B+4SAIL +GeoSAIL叶片-冠层尺度耦合的辐射传输模型，结合所述光谱响应函数，得到森林模拟光谱反射率。
3.根据权利要求1所述的基于辐射传输模型的植被冠层含水量遥感反演方法，其特征在于，所述第一数据、第二数据、第三数据、第四数据的获取包括以下步骤：
选取野外样地并设立预设区域；
调查所述野外样地，记录所述野外样地经纬度，收集所述野外样地内的植物叶片样品，测量所述野外样地的样地叶面积指数；
收集并分析所述植物叶片样品，获取所述第一数据；
结合所述第一数据和所述样地叶面积指数数据并分析处理，生成所述第二数据；
采用遥感传感器对预设区域进行遥感成像，生成第三数据；
对所述第三数据进行植被类型划分，生成第四数据。
4.根据权利要求1所述的基于辐射传输模型的植被冠层含水量遥感反演方法，其特征在于，将所述第一数据划分为草本类数据、灌木类数据、树木类数据后，所述植物叶片性状参数样本采用copula算法分析得到。
5.根据权利要求1所述的基于辐射传输模型的植被冠层含水量遥感反演方法，其特征在于，在获取波段反射率后，选择特征变量，建立植被冠层含水量机器算法回归模型；采用十折交叉验证的方法对模型的理论精度进行评价。
6.根据权利要求5所述的基于辐射传输模型的植被冠层含水量遥感反演方法，其特征在于，所述特征变量为波段反射率及植被类型，所述植被冠层含水量为目标变量，利用随机森林算法建立植被冠层含水量回归模型，将所述植被冠层含水量回归模型代入十折交叉验证的方法中进行理论精度的评价。
7.根据权利要求1所述的基于辐射传输模型的植被冠层含水量遥感反演方法，其特征在于，根据反演得到的所述植被冠层含水量数据，以野外观测点的经纬度与时间为参照，提取得到对应的植被冠层含水量遥感反演数值；
观测野外样地并获取观测数值，对所述植被冠层含水量遥感反演数值和所述观测数值进行线性回归分析，得到实际验证精度。
CN202211256300.7A 2022-10-14 2022-10-14 基于辐射传输模型的植被冠层含水量遥感反演方法 Active CN115329681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211256300.7A CN115329681B (zh) 2022-10-14 2022-10-14 基于辐射传输模型的植被冠层含水量遥感反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211256300.7A CN115329681B (zh) 2022-10-14 2022-10-14 基于辐射传输模型的植被冠层含水量遥感反演方法

Publications (2)

Publication Number Publication Date
CN115329681A true CN115329681A (zh) 2022-11-11
CN115329681B CN115329681B (zh) 2022-12-09

Family

ID=83915098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211256300.7A Active CN115329681B (zh) 2022-10-14 2022-10-14 基于辐射传输模型的植被冠层含水量遥感反演方法

Country Status (1)

Country Link
CN (1) CN115329681B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150127269A1 (en) * 2013-11-07 2015-05-07 Ppg Industries Ohio, Inc. Formulation of complex coating mixtures with effect pigments
CN107561022A (zh) * 2017-07-10 2018-01-09 南京大学 一种改进的植物叶片干物质含量高光谱遥感反演方法
CN109977548A (zh) * 2019-03-27 2019-07-05 南京林业大学 一种针对不同范围的叶面积指数遥感反演方法
CN110118742A (zh) * 2019-05-27 2019-08-13 成都理工大学 基于光谱分析的陆表植被冠层生态水含量遥感反演方法
CN111965117A (zh) * 2020-08-04 2020-11-20 中国水利水电科学研究院 基于prospect模型的冬小麦水分监测方法、监测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150127269A1 (en) * 2013-11-07 2015-05-07 Ppg Industries Ohio, Inc. Formulation of complex coating mixtures with effect pigments
CN107561022A (zh) * 2017-07-10 2018-01-09 南京大学 一种改进的植物叶片干物质含量高光谱遥感反演方法
CN109977548A (zh) * 2019-03-27 2019-07-05 南京林业大学 一种针对不同范围的叶面积指数遥感反演方法
CN110118742A (zh) * 2019-05-27 2019-08-13 成都理工大学 基于光谱分析的陆表植被冠层生态水含量遥感反演方法
CN111965117A (zh) * 2020-08-04 2020-11-20 中国水利水电科学研究院 基于prospect模型的冬小麦水分监测方法、监测系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
FENGHUA YU等: "Machine learning methods for crop chlorophyll variable retrieval", 《INT J PRECIS AGRIC AVIAT》 *
YANG W 等: "Leaf equivalent water thickness assessment by means of spectral analysis and a new vegetation index", 《JOURNAL OF APPLIED REMOTE SENSING》 *
于颖等: "基于PROSPECT和4-scale模型的光化学植被指数尺度转换", 《北京林业大学学报》 *
吕杰: "基于机器学习和辐射传输模型的农作物叶绿素含量高光谱反演模型", 《中国博士学位论文全文数据库(农业科技辑)》 *
张扬建等: "遥感在生态系统生态学上应用的机遇与挑战", 《生态学杂志》 *
毛前军等: "Distribution of radiation flux in focal plane for a parabolic dish solar system", 《JOURNAL OF HARBIN INSTITUTE OF TECHNOLOGY》 *
肖祥红等: "基于混合像元分解理论的路域植被等量水厚度遥感反演", 《测绘通报》 *
胡古月等: "叶面积指数遥感估算的三种回归模型分析", 《测绘科学》 *

Also Published As

Publication number Publication date
CN115329681B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
Jin et al. Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index
Sun et al. Red-edge band vegetation indices for leaf area index estimation from Sentinel-2/MSI imagery
Ali et al. Comparing methods for mapping canopy chlorophyll content in a mixed mountain forest using Sentinel-2 data
Richter et al. Evaluation of sentinel-2 spectral sampling for radiative transfer model based LAI estimation of wheat, sugar beet, and maize
Li et al. Airborne LiDAR technique for estimating biomass components of maize: A case study in Zhangye City, Northwest China
Haboudane et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture
Richter et al. Experimental assessment of the Sentinel-2 band setting for RTM-based LAI retrieval of sugar beet and maize
Heenkenda et al. Quantifying mangrove chlorophyll from high spatial resolution imagery
Malenovský et al. Variability and uncertainty challenges in scaling imaging spectroscopy retrievals and validations from leaves up to vegetation canopies
Bi et al. Estimating vertical chlorophyll concentrations in maize in different health states using hyperspectral LiDAR
CN112364681B (zh) 基于二维表的植被覆盖度估算方法及装置
Schaepman et al. Spectrodirectional remote sensing for the improved estimation of biophysical and-chemical variables: two case studies
Zhao et al. Evaluating the potential of airborne hyperspectral LiDAR for assessing forest insects and diseases with 3D Radiative Transfer Modeling
Bukowiecki et al. High-throughput prediction of whole season green area index in winter wheat with an airborne multispectral sensor
Cheng et al. Estimating canopy-scale chlorophyll content in apple orchards using a 3D radiative transfer model and UAV multispectral imagery
Masemola et al. Towards a semi-automated mapping of Australia native invasive alien Acacia trees using Sentinel-2 and radiative transfer models in South Africa
Hovi et al. Assessment of a photon recollision probability based forest reflectance model in European boreal and temperate forests
Yang et al. Improving estimation of maize leaf area index by combining of UAV-based multispectral and thermal infrared data: The potential of new texture index
Sun et al. Improving the retrieval of Forest canopy chlorophyll content from MERIS dataset by introducing the vegetation clumping index
Dai et al. A general methodology for the quantification of crop canopy nitrogen across diverse species using airborne imaging spectroscopy
Canisius et al. Evaluation of the information content of Medium Resolution Imaging Spectrometer (MERIS) data for regional leaf area index assessment
Cogliati et al. Red and far-red fluorescence emission retrieval from airborne high-resolution spectra collected by the hyplant-fluo sensor
Lin et al. A model for forest type identification and forest regeneration monitoring based on deep learning and hyperspectral imagery
CN115329681B (zh) 基于辐射传输模型的植被冠层含水量遥感反演方法
Singh et al. High resolution retrieval of leaf chlorophyll content over Himalayan pine forest using Visible/IR sensors mounted on UAV and radiative transfer model

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