叶面积指数遥感反演
LAI反演 lishumin
11
第二部分
单变量统计方法
是构建遥感信息单变量（不同波段的反射率值和各种VI） 和LAI的经验关系模型来反演LAI。
在拟和单变量和LAI的关系时，一般用到线性模型、指数 模型、对数模型、双曲线模型等预测模型，用总均方根差 （RMSE）来评价拟和的精度。
多变量统计方法
2）植被指数NDVI在消除土壤背景影响方面的能力较差，而 且NDVI的饱和点较低，很容易达到饱和，在LAI较大时反应 不灵敏；
模型精度没有保证。
LAI反演 lishumin
14
第二部分
方法二 物理反演
物理模型反演方法又称基于物理学的光学模型方法 目前，植被遥感物理模型分为几何光学模型、辐射
传输模型以及二者的混合模型，它们都是物理光学 模型
与单变量方法基本类似，不同之处在于前者是用多个遥 感信息变量与LAI建立经验统计关系模型。
多变量统计模型也可用RMSE来评价拟和精度。
LAI反演 lishumin
12
第二部分
植被指数VIs（vegetation indices） 植被指数种类繁多，它们有一个共同特点是很难消除
土壤背景影响和忽略地物二向性反射的基本特征。
土壤参数 客观参数
参数
叶绿素a+b浓度 Cab ( g cm2 )
水厚度
C (cm)
干物质含量
Cm
叶肉结构
LAI反演 lishumin
17
几何光学模型与辐射传输模型特点对照表
18
第二部分
几何光学模型 （Geometric-Optical，GO）
主要考虑地表的宏观几何结构，把地表假设为具有已知 几何形状和光学性质，按一定方式排列的几何体，通过 分析几何体对光线的截获和遮阴及地表面的反射来确定 植被冠层的方向反射（赵英时，2003）。
几何光学模型较好的解释了热点现象
LAI反演 lishumin
21
第二部分
二向性反射
由于大气或地表都不是理想的均匀层或朗伯体，即其表面 的反射辐射强度与入射辐射方向有关，而且在各反射方向 上不均匀分布。地表的反射特性通常既不是漫反射也不是 镜面反射，甚至不是二者的加权和。二向性反射是自然界 中物体对电磁波反射的基本宏观现象。
LAI反演 lishumin
26
第二部分
PROSPECT模型 –叶片水平
叶片散射率模型，此模型模拟叶片从可见光到中红外波段 （400nm~2500nm）的反射和透射率，并将它们作为叶 片结构参数和生物化学参数的函数。
基于Allen（1969）提出的“平板模型”，即把叶片看做为 一个表面粗糙的均匀平板，把非致密型叶片当做由N层平板 夹和N-1层空气组成。现在N已经被扩展到实数范围内，N 实际描述的是叶片内部的结构。
LAI反演 lishumin
22
第二部分
太阳 观测
方位角 天顶角 高度角
“二向反射率” 指反射率是由太阳光的入射方向和观测者的
观测方向共同决定。
多角度遥感
我们通常用的反射率是指星下点观测（垂直观测）的反射率。
LAI反演 lishumin
23
BRDF模型
二向性反射的研究主要是对二向性反射分布函数模型的研究。 二向性反射分布函数
及PROSAIL模型
16
第二部分
什么是几何光学模型和辐射传输模型？
在冠层反射率模型中，之所以分为这两类，主要是由于 地面植被（森林、草地、农作物）主要有两种外在形态
一种是几何特征明显（如树木、灌丛、成垄分布的农作 物等离散植被，GO）
另一种则无明显几何特征（如大面积草地、已封垄的农 作物等连续植被，RT）。
SAIL模型通过输入叶面积指数、叶倾角、太阳角度、观测 角度、叶片反射率、叶片透过率、土壤反射率等参数来模拟 一定观测条件下的植被冠层方向反射率。
LAI反演 lishumin
28
第二部分
植被叶片生 化水平
叶片结构参数N，叶 绿素，含水量，蛋 白质和纤维素含量
PROSPECT
叶片光谱反射和透射率
观测条件
率高、花费相对较少等优点。
可以用定量遥感方法反演区域LAI 作物生长模型模拟LAI
LAI反演 lishumin
5
第一部分
遥感反演
遥感的本质是反演，遥感模型是遥感反演研究的对象
从携带了地物信息的电磁信号中提取地物的特征。 遥感的反演问题，是根据观测信息(遥感数据)和前向模型(遥感 模型)，求解或推算描述地物特征的应用参数(或目标参数)。
LAI反演 lishumin
9
第二部分
利用定量遥感反演植被LAI的方法
经验 模型
通过建立植被指数（VIs）与叶面积指数的 统计关系来反演叶面积指数LAI。
物理 模型
基于植被-土壤波谱特性及非各向同性辐射 传输模型基础上的LAI反演。
LAI反演 lishumin
10
第二部分
方法一 经验反演
通过建立LAI与光谱数据和表征光谱数据的光谱指数之间 的统计关系求算LAI
与经验统计反演LAI方法相比较，物理模型反演是 更为可靠的方法 ??
LAI反演 lishumin
15
物理模型反演方法
几何光学模型、辐射传输模型 BRDF模型 PROSPECT模型、SAIL模型 PROSAIL模型
几何光学模型和辐射传输模型 二向性反射及BRDF模型 PROSPECT模型、SAIL模型
(Bi-directional Reflectance Distribution Function，简称BRDF)
BRDF模型
其研究的两个主要方向即正向问题和反演问题。
BRDF模型适用于所有植被类型
24
第二部分
总反射率
反向模型 正向模型
代表光源、植被冠 层、探测器、大气、 土壤等影响植被冠
层反射率的因素
最初，经验反演方法是以LAI为因变量，以光谱数据为自 变量建立估算模型；
后来发现，对于复杂的植被遥感，仅用个别波段或多个 单波段数据分析对比来提取植被信息是相当局限的，因 此往往选用多光谱遥感数据经分析运算（加、减、乘、 除等线性或非线性组合方式），得出某些对植被长势、 生物量等有一定指示意义的数值——即“植被指数” 。
那么，什么是先验知识 ??
在对地遥感反演中，先验知识分为两类： 1）有关地物类型的先验知识
表现在物理模型的选择和模型偏差的统计规律等方面。
2）具体地表目标的先验知识
表现为模型参数的物理边界、不确定性和相关性，以及季相变化等。
随着模型的选择，模型参数的物理限制，如叶片大小非负， 反射率非负且小于1，等等先验知识很自然地引入到反演之中， 作为参数的“硬边界”，对此人们很少异议。（李小文）
叶面积指数，叶倾角， 太阳角度，观测角度，
土壤反射率
PROSAIL模型将叶片模型耦合到冠层 模型中反演整个冠层的生化组分含量
SAIL
植被冠层反射率
PROSAIL模型可用于模拟不同生化水平及不同观测条件下 的不同植被冠层反射率。
LAI反演 lishumin
29
第二部分
PROSAIL模型输入参数
类别
冠层生理生化参数
反演模型的理论基础来自于正向模型。 而正向模型对植被冠层辐射传输的理解直接关系到反演的可 靠性，因此这两个方向都是十分重要的。
LAI反演 lishumin
25
第二部分
PROSAIL模型
PROSPECT模型和SAIL模型都属于BRDF模型 PROSAIL=PROSPECT+SAIL
即建立包含化学组分含量的叶片散射和吸收模型，将叶 片模型耦合到冠层模型中反演整个冠层的生化组分含量。
4
第一部分
叶面积指数获取方法
实测方法
长宽法、称重法 这些方法均需要消耗一定的人力进行实物测量。 借助有关测量工具 例如LAI-2000、LAI-2200、LI-3100C、
LI-3000、AccuPAR等，此方法仍需实地进行测量。
仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在 很大局限性，不能满足植被生态和作物长势监测需求 遥感反演方法 由于遥感数据具有覆盖范围广、时间与空间分辨
8
第一部分
有了遥感反演的方法，地面实测方法是否还需要呢？
1) 由于地表异质性，由低、中分辨率遥感图像模拟出的叶 面积指数有很大不确定性，需要对模拟数据的质量和精度 进行评估和验证； 2) 有些反演算法还只是处于理论研究阶段，需要利用实测 值进行验证。
因此，利用模型反演地表参数，需要积累大量的背景 测量数据的支持。
第三部分.研究实例
硕士论文——“基于MODIS/ASTER的区域冬小麦叶面
积指数PROSAIL模型反演研究”
LAI反演 lishumin
2
第一部分
叶面积指数 leaf area index
定义：单位土地面积上植被叶片总面积。 叶片总面积/占地面积
陆地生态系统的一个十分重要的参数： 农作物产量预估和病虫害评价； 反映作物生长发育的动态特征和健康状况。
PROSPECT模型需要以下5个参数：结构参数N，叶绿素， 含水量，蛋白质和纤维素含量就可以模拟出叶片的光谱反射 和透射率。
LAI反演 lishumin
27
第二部分
SAIL模型 –冠层水平
用来计算植被冠层方向反射率的辐射模型，此模型把植被当 作一个混合介质，假设叶片方位角分布均匀，冠层是同质植 被冠层。
使用植被指数反演精度不高的主要原因。
其中，归一化差植被指数NDVI (Normalized
Difference Vegetation Index)是最常使用的一种光谱 植被指数。
LAI反演 lishumin
13
叶面积指数遥感反演
叶面积指数遥感反演冬小麦叶面积指数(LAI)的遥感反演——经验模型和物理模型方法李淑敏2010/12/13第一部分.基础知识第二部分.遥感反演LAI 的方法第三部分.研究实例本次课程主要内容叶面积指数LAI 、遥感反演经验模型反演方法、物理模型反演方法几何光学模型、辐射传输模型PROSAIL 模型硕士论文——―基于MODIS/ASTER 的区域冬小麦叶面积指数PROSAIL 模型反演研究”BRDF 模型PROSPECT 模型、SAIL 模型叶面积指数leaf area index定义：单位土地面积上植被叶片总面积。
叶片总面积/占地面积陆地生态系统的一个十分重要的参数：农作物产量预估和病虫害评价；反映作物生长发育的动态特征和健康状况。
叶面积指数越大，表明单位土地面积上的叶面积越大。
那么，叶面积指数越大越好吗??以冬小麦为例了解叶面积指数变化情况图为不同群体叶面积指数消长模型（彭永欣等，1992）1—过大群体;2—高产群体;3—过小群体. 低增缓增快增衰减LAI 消长动态分为四个时期1. 低速增长期，叶片总数较多，但叶面积较小，总叶面积增速较低；2. 缓慢增长期，单叶面积渐次增加，但低温条件，出叶周期延长；3. 快速增长期，气温回升，植株生长快速，至孕穗期LAI 达峰值；4. 衰减期，植株生殖生长，叶片消亡叶面积衰减，至成熟期LAI 为0。
一个生长期内冬小麦叶面积指数变化叶面积指数获取方法实测方法长宽法、称重法这些方法均需要消耗一定的人力进行实物测量。
借助有关测量工具例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等，此方法仍需实地进行测量。
仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在很大局限性，不能满足植被生态和作物长势监测需求遥感反演方法由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。
可以用定量遥感方法反演区域LAI作物生长模型模拟LAI遥感反演遥感的本质是反演，遥感模型是遥感反演研究的对象从携带了地物信息的电磁信号中提取地物的特征。
考虑红边特性的多平台遥感数据叶面积指数反演方法研究
考虑红边特性的多平台遥感数据叶面积指数反演方法研究叶面积指数(Leaf Area Index,LAI)是最重要的植被结构参数之一,是作物长势监测、作物估产、肥水管理等精准农业必备的数据源。
遥感技术为大面积、及时获取LAI提供了有效手段。
红边波段能够用于研究植物养分及健康状态监测、植被识别和生理生化参数等信息,是定量遥感分析的理论基础。
利用不同遥感数据估测植被LAI各有其优劣性,叶面积指数反演过程中需要充分挖掘包含红边波段的不同数据源的特点。
例如,高光谱数据红边波段数量多、波段窄,但是存在波段间高度相关、数据冗余的问题;包含单个红边波段的多光谱数据,红边波段较宽,比高光谱数据的红边波段缺少了许多细节;包含多个红边波段的多光谱数据,可以反映更多红边区域的光谱细节,并且由于红边区域反射率迅速上升,红边区域内的不同波段之间存在较大差别,在实际反演中需要进行合理选择。
本文针对不同遥感数据源的特点,围绕红边波段进行叶面积指数反演研究,主要研究内容及结论如下:(1)基于近地和航空高光谱数据红边波段的叶面积反演方法研究。
基于研究区域采集的近地、航空高光谱数据和田间同步试验测量LAI 数据,探究航空和地面高光谱数据红边区域对冬小麦LAI的反演能力。
首先,建立高光谱植被指数反演模型,进而研究红边波段组合法和传统波段组合、逐波段组合方法对植被指数反演LAI精度的影响,结果显示在红边区域680-750nm波段范围内,波段组合得到的植被指数与LAI的相关性非常高。
最后,针对不同肥水条件下叶面积指数的特征光谱及参数随不同试验条件存在差异,本文基于航空和近地高光谱数据,以及田间实测数据,建立了基于高光谱植被指数MSAVI(Modified Soil-Adjusted Vegetation Index),NDVI(Normalized Difference Vegetation Index)和MTVI2(Modified Triangular Vegetation Index 2)的普适性强、精度高的冬小麦叶面积指数估算模型。
PROSAIL冠层光谱模型遥感反演区域叶面积指数
第29卷,第10期 光谱学与光谱分析Vol 129,No 110,pp2725227292009年10月 Spectroscopy and Spectral Analysis October ,2009 PR OSAIL 冠层光谱模型遥感反演区域叶面积指数李淑敏1,李 红13,孙丹峰2,周连第111北京市农林科学院农业综合发展研究所,北京 10009721中国农业大学资源与环境学院,北京 100193摘 要 大面积区域作物叶面积指数遥感反演,对指导作物管理具有非常重要的意义,验证和发展基于物理叶面积指数遥感反演可避免基于经验模型的缺点。
以北京地区青云店、魏善庄和高丽营为研究区,采用MODIS 和ASTER 两类不同空间分辨率遥感数据,探讨PROSA IL 物理模型反演冬小麦叶面积指数的可行性,尤其在不同空间分辨率遥感数据上的稳定性,并与经验模型进行了对比分析。
与经验模型相比,物理模型模拟L AI 值更具真实性;用线性组分加权的方法,对小尺度物理模型反演L A I 进行尺度扩展并与基于大尺度遥感数据的L AI 物理反演结果相对比,相差不大,说明L AI 物理反演方法在空间尺度上的稳定性。
关键词 叶面积指数;遥感反演;MODIS ;ASTER ;尺度转换;冬小麦中图分类号:TP72214,S127 文献标识码:A DOI :1013964/j 1issn 1100020593(2009)1022725205 收稿日期:2008210216,修订日期:2009201220 基金项目:国家“十五”科技攻关计划项目(2004BA617B04)和国家”十一五”科技支撑项目(2006BAD10A06203,2006BAB15B05)资助 作者简介:李淑敏,1983年生,北京市农林科学院农业综合发展研究所研究实习员 e 2mail :edelweiss 2bloom @1631com3通讯联系人 e 2mail :lihsdf @sina 1com引 言 植被叶面积指数(leaf area index ,L A I ),作为陆地生态系统的一个十分重要的植被特征参量,能够对植被冠层结构给出直接的量化指标。
植被物理遥感反演叶面积指数(lai)的基本原理
植被物理遥感是使用遥感手段对地球表面植被进行观测和研究的一门科学。
而植被的生长状态对于环境和气候变化有着重要的影响，因此研究植被的生长状态是遥感科学的重要内容之一。
而植被叶面积指数（L本人）作为一个重要的生长状态指标，在植被生长研究中有着重要的作用。
本文将从植被物理遥感的基本原理出发，结合L本人的意义和遥感技术的方法，对植被叶面积指数的反演进行详细介绍。
一、植被物理遥感的基本原理植被物理遥感是利用电磁波在地球大气和植被上的相互作用特性，通过遥感手段来获得植被信息的一种研究方法。
它主要基于以下几个基本原理：1. 光谱特征：植被反射和吸收不同波长的电磁波具有不同的特征，通过对这些特征的分析可以获取植被的信息。
2. 辐射传输：植被对不同波段的光有着不同的透过、反射和散射特性，通过对辐射传输的研究可以了解植被在不同波段下的特性。
3. 植被生理过程：植物的生长状况和生理过程与其在不同波段上的反射、吸收等特性存在相关性，通过对植被生理过程的研究可以推断植被在遥感数据中的表现。
以上基本原理为植被物理遥感的开展提供了理论基础，并为植被信息的提取和解释奠定了基础。
二、叶面积指数（L本人）的意义叶面积指数（Leaf Area Index，简称L本人）是指植被表面单位面积上叶片的总表面积与该单位面积的比值。
L本人的大小反映了植被的生物量、生长状态和生态功能，同时也是评价植被覆盖度和光能利用效率的重要参数。
1. 生物量：L本人与植被的生物量密切相关，L本人较高表示植被的叶面积较大，通常意味着植被覆盖度较高，生物量也较高。
2. 生态功能：L本人反映了植被的光合作用能力和蒸腾作用强弱，对于了解植被的生态功能和生态系统的健康状况有着重要的指导意义。
3. 环境变化：L本人的变化对于环境变化和气候变化有着一定的响应，通过监测L本人的变化可以了解植被对环境变化的响应和适应能力。
由于L本人在植被研究和生态环境监测中的重要作用，因此通过遥感手段反演L本人成为了研究的重要课题之一。
双季水稻叶面积指数在线式图像反演方法
双季水稻叶面积指数在线式图像反演方法
1.数据获取：需要获取高分辨率的卫星遥感影像，以及相关的植被指数数据。
常用的植被指数包括归一化植被指数（NDVI）和归一化差异植被指数（NDWI）等。
2.数据预处理：对获取到的遥感影像和植被指数数据进行预处理，主要包括去除云和阴影、辐射校正和大气校正等步骤，以提高数据质量和准确性。
3.样本收集：在水稻田地内随机选择若干个样本点，并在每个样本点内随机选取数片水稻叶片进行采样和测量。
采样过程中需要注意保证样本点的代表性和多样性。
4.建立反演模型：利用收集到的样本数据和遥感影像进行训练，建立反演模型。
常用的反演模型包括基于多元线性回归、支持向量机（SVM）和人工神经网络等。
6.精度评价：对反演结果进行精度评价，常用的评价指标包括均方根误差（RMSE）和决定系数（R2）等。
也可以通过与实地测量结果进行对比，验证反演方法的准确性和可靠性。
叶面积指数遥感反演模型与算法研究
叶面积指数遥感反演模型与算法研究近年来，随着遥感技术的发展和应用广泛，叶面积指数（Leaf Area Index，简称LAI）的遥感反演成为植被研究领域的重要课题之一。
LAI是描述植被叶片分布密度和叶片面积的指标，对于了解植被生长状态、生态环境监测以及农作物生产等方面具有重要的意义。
LAI反演的研究方法主要包括基于光谱反射信息的方法和基于光密度曲线的方法。
其中，基于光谱反射信息的方法是目前应用较多的一种方法，通过遥感数据获取植被光谱特征，进而建立LAI与光谱拟合曲线之间的关系。
这类方法的优势在于遥感数据获取相对容易，可以实现大范围和高时间分辨率的观测。
然而，由于植被光谱信息的受限以及大尺度观测中存在的光谱混合效应，该方法常常存在精度较低的问题。
为提高LAI反演的精度和准确性，研究人员提出了一系列的反演模型和算法。
例如，基于遥感数据的全谱反演模型在LAI反演中取得了很好的效果。
全谱反演模型利用不同波段的遥感数据，建立LAI与多波段反射率之间的数学关系，通过回归分析等方法得到LAI的估计值。
此外，还有基于机器学习算法的LAI反演模型，如支持向量机（Support Vector Machine，简称SVM）和随机森林（Random Forest）等算法。
除了基于光谱信息的反演方法外，还有一些基于结构参数和水分信息的反演模型。
这些模型通过获取植被结构参数的遥感数据，建立LAI与植被结构参数之间的关系，从而实现LAI的反演。
同时，一些结合物理模型的反演方法也被广泛应用于LAI反演研究中。
例如，利用射线传输理论，通过估计叶片表面饱和度和角度因子等参数，建立LAI与这些参数之间的联系，可以实现LAI的反演。
此外，还有一些新兴的技术和方法在LAI反演中得到了应用。
例如，基于人工智能的深度学习算法可以通过耦合遥感数据和地理数据，利用深度神经网络等方法进行LAI反演，具有较高的精度和准确性。
此外，时间序列的遥感数据分析方法也被广泛应用于LAI反演研究中，通过分析植被的时空动态变化，可以得到LAI的时序变化规律。
基于高光谱遥感的农作物叶面积指数反演方法的分析与比较
基于高光谱遥感的农作物叶面积指数反演方法的分析与比较摘要：高光谱遥感技术作为反演农作物叶面积指数（LAI）的一个有力工具，近几年来已经越来越被国内外学者所重视。
本文比较系统地总结了利用高光谱遥感反演LAI值的一般方法，即包括试验田建立、光谱数据采集、LAI值测定、HVI值计算、反演模型的生成五个步骤。
总结出了一些常见农作物的最佳的LAI 值定量反演模型，便于今后相关研究时查阅。
关键词：高光谱遥感；叶面积指数（LAI）；反演模型Abstract: High spectrum remote sensing technology as the inversion of crop leaf area index ( LAI ) are a powerful tool, in recent years it has been pay more and more attention of both domestic and foreign scholars. The paper systematically summed up the use of hyperspectral remote sensing inversion of LAI value general methods, including experimental field establishment, data acquisition, LAI value, HVI value calculation, determination of inversion model is generated in five steps. Summarizes some common crop optimal LAI value quantitative inversion model for future related research, consulting.Key words: remote sensing; leaf area index (LAI); inversion model引言遥感技术是指远距离、在不直接接触目标物体情况下,通过接收目标物体反射或辐射的电磁波,探测地物波谱信息,并获取目标地物的光谱数据与图像,从而实现对地物的定位、定性或定量的描述。
基于多元回归模型的叶面积指数遥感反演
２ ０ ｌｎ ａ ｏ ｙ ａ ａｙ ｅ ． Ｂａ ｅ ｎ ｔ ｅｄ ｔ ｆｒ ｍｏｅ ｓｎ ｉｇ ａ ｄ ｔ ｅ ｓ ｍｐ ｅ ｐ ｏｓ，ｆｒｔｔ ｎ ｌｚ ｌｖ ｎ ０ ０ ｐ ａ ｔｃ ｎ ｐ ｎ ｌｚｒ ｓ ｄ ｏ ｈ ａａ ｏ ｅ ｔ ｅ ｓｎ ｎ ｈ ａ ｌ ｌｔ ｉｓ ｏ ａ ａｙ ｅ ｅｅ ｅ
力和财力 ， 提高工作效率 。由于受 大气 、 地理位 置、 土
２ 数 据 处 理
２ １ 辐射 校正 ． 在遥感成像 时 ， 由于 存在大气 对 电磁 波辐射 的散
射和吸收 、 太阳高度 与传感器观察 角 的变化 以及 地形
起伏引起的辐射强 度变化等影 响 因素 ， 得遥感 图像 使
结合 ， 以湖南省株洲 市攸县黄 丰桥林 场的植被 为研究 对象 ， 用多元 回归法对其进行 叶面积指数反演 ， 旨在提
辐射畸变 ， 但仍存在 着大气散射 和吸收 引起 的辐 射误 差及太 阳高度角的地形等光照条件差异引起 的辐射误 差 。此次研究使 用 Ｅ Ｖ４ ８软件 采用 辐 亮度法 对 Ｎ Ｉ． 研究 区影像进行 辐射定标 后 ， 再用 Ｆ Ａ Ｓ Ｌ Ａ Ｈ模块 进行
叶面积指数是单位水平地面面积上所有叶子投 影 面积的总和 ， 是估计植物冠层功能的一个重要参数 ， 是 认识 和掌握植物冠 层空 隙的动态和平衡 的重要 指标 ， 也是生态 系统中最重要 的结构参 数之一 。叶面 积 指数直接 反映出在多样化 尺度 的冠 层尺度 中的能 量、
土壤水分平衡 、 生产力等直接 相关 ， 的变化体现 了植 它
ａｍｕ ｔ ｌ ｅ ｒ ｓｉｎ ｅ ｕ ｔｏ ｓ ｓａ ｌ ｈ ｄ ｂ ｗｏｐｒ ｃｐ ｌｃ ｍｐ ｎ ｎ ｓｗｈｃ ｒ ｅｅ ｔｄ ｂ ｔｐ ｓ ｅ ｌｉ ｅｒ ｇｅ ｓｏ ｑ ａｉｎ Ｗａ ｅ ｔｂ ｉ ｅ ｙｔ ｉ ｉ ａ ｏ ｏ ｅ ｔ ｉｈ ｗｅｅｓ ｌｃｅ ｙ ｓｅ ｗｉｅｒ — ｐ ｓ ｎ ｇｅ ｓｏ ｒ ｓ ｉｎ，ｐ ｅ ｉｔｄ ｔ ｅ ｌａ ｒ ａ ｉ ｄ ｘ ｏ ｔｄ ｒａ ａ ｄ ｔ ｅ ａ ｃ ｒｃ ｓ８ ．１ ％ ． Ｓ ｕ ｙ ｒ ｓ ｌｓ ｓ ｏ ｔ ａ ｒ ｄ ｃｅ ｈ ｅｆａ ｅ ｎ ｅ ｆｓｕ ｙ ａ ｅ ｎ ｈ ｃ ｕ ａ ｙ ｗａ ４ ７ ｔｄ ｅ ｕｔ ｈ ｗ ｈ ｔ
帽儿山地区叶面积指数遥感反演
Ａ ｓｒｃ： ｏ ｒ ｕ ｔｉ Ｆ ｒｓ Ｆ ｒ ｏ ｈ ｎ ｚｉ ｉ ｆ ｉ ｎ ｊ ｎ ｒ ｖｎ ｅ Ｆ ｒｓ Ｆ ｒ ｆ ｒ ｅｓ ｂｔ ｔ Ｍａ ｅ ａ Ｍｏ ｎａｎ ｏ ｅｔ ａｍ ｆ ａ ｇｈ ｔ ｏ ｌ ｇｉ ｇＰ ｏ ｊｃ （ ０ｅｔ ａｍ ｏ ｔ ａｔ Ｓ Ｃ ｙ Ｈｅ ｏ ａ Ｎｏ ｈ
１ 引 言
绿 色植 被 的冠 层 具 有 多种 生态 功 能 ， 中包 括 其
大 范围地 区快速 测 量 Ｌ ＡＪ 。因此本 文采 用 １种 值
间接估 算 植 被 Ｌ ＡＪ的方法 是 利用 遥感 技术 引。由
于遥感 数 据覆 盖 面积 大 ， 以用遥 感数 据能够 在较 所
蒸发蒸腾、 光合作用、 叶子掉落、 土壤固氮和气体发 散。叶面积指数（ ｅｆ ｒ ｄｘＬ Ｊ是研究植被 Ｌａ Ａ ｅ Ｉ ｅ ，Ａ ） ａｎ 生态系统结构 和 功能 的 最重 要 参数 之 一 ， 也是 估 算
２ １ ． ０ ０４
湖
北
林
业
叶面积指数遥感反演方法进展
叶面积指数遥感反演方法进展王东伟;孟宪智;王锦地;王磊【摘要】叶面积指数(LAI)是描述植被冠层结构的关键参数,而模型反演法是提取LAI的潜在有效方法. 论文综述了植被冠层辐射传输模型和辐射传输模型遥感反演LAI方法的理论发展,详述了植被冠层辐射传输模型和LAI反演的发展历程. 通过逐步的理论扩展,进而引出目前学者广泛关注的LAI提取同化算法,为遥感观测提取LAI或其它参数提供了理论参考.【期刊名称】《五邑大学学报（自然科学版）》【年(卷),期】2009(023)004【总页数】6页(P47-52)【关键词】LAI;辐射传输模型;反演;同化【作者】王东伟;孟宪智;王锦地;王磊【作者单位】海河水利委员会,水土保持监测中心站,天津,300170;海河水利委员会,水土保持监测中心站,天津,300170;北京师范大学,遥感国家重点实验室,北京,100875;海河水利委员会,网络信息中心,天津,300170【正文语种】中文【中图分类】TP751叶面积指数（LAI）是表征植被冠层结构最基本的参数之一，可定义为单位地面面积上所有叶子单面表面积的总和，卫星遥感为大区域研究LAI 提供了唯一的途径. LAI遥感提取方法本质上分为两类：经验公式法和物理模型反演法. 尽管近年来发展了查找表法（LUT）和非参数方法，但本质上它们还是物理模型反演，不同的是LUT采用了查找表来提高反演效率，而非参数法实际上还是在物理模型的基础上提取LAI. 本文仅对经验公式法进行简单回顾，重点论述物理模型反演的原理和方法，进而说明研究遥感数据同化算法反演LAI对传统遥感反演方法的发展和优势. 经验公式法获取LAI的依据是植被冠层光谱特征，绿色植物叶片的叶绿素在光照条件下发生光合作用，强烈吸收可见光，尤其是红光，因此红光波段反射率包含了冠层顶部叶片信息. 而近红外波段植被有很高的反射率、透射率和很低的吸收率，因此近红外反射率包含了冠层内叶片信息. 植被的这种光谱特征与地表其它因子的光学特性存在很大差别，这是LAI经验公式法的理论依据.经验公式法是以LAI为因变量，以光谱数据或其变换形式（例如植被指数（VI））作为自变量建立的估算模型，即LAI，其中x为光谱反射率或植被指数. 以VI为基础的LAI估算方法由于其简单易行而被广泛使用，但由于对植被类型和土壤背景的敏感性，此法不能在大区域上应用，另一个缺陷是植被指数的多样性导致应用不具有普适性.经验公式法形式灵活，但对不同数据源需要重新拟合参数，模型需要不断地调整. 因此，许多研究者致力于研究具有普适性的LAI定量提取模型. 辐射传输模型描述了植被冠层的二向性反射率分布函数，20世纪70年代是植被二向反射特性研究的活跃时期，出现了多种植被辐射传输模型. 一般的辐射传输模型[1]可以统一描述为：式中：为反射率；为波长；，分别为太阳天顶角和方位角；，分别为观测天顶角和方位角；为植被冠层物理结构参数（如植被LAI、叶面倾角分布等）. 从数学角度分析，只要得到上述函数以LAI为因变量的反函数，就可以实现LAI的物理模型反演方法.光在植被冠层中的辐射传输过程可以用辐射传输方程[1]12来表达：式中：为光亮度；是传输方向天顶角的余弦值；为叶倾角分布函数；为叶片反照率；为植被冠层相位函数.为求解辐射传输方程（2），从20世纪70年代开始应运而生了各种辐射传输模型，目前辐射传输模型的发展开始放慢，而更多的注意力则放在辐射传输模型应用上.2.1.1 SUITS、SAIL模型四通量方程（K-M方程）是对辐射传输方程的较好近似[1]14，其理论上将冠层中光传输量分为垂直向上和向下散射分量、入射直射分量和向上直射分量. Suits[2]基于AGR模型[1]14发展了著名的SUITS模型，而AGR模型理论则来源于K-M方程. SUITS模型将冠层叶片分别在水平和垂直方向进行投影，取代任意方向叶片对光的散射、吸收和透射作用，模型方程为：式中：为向下传输的直射辐射；为观测方向上的辐射通量密度；代表由植被土壤系统构成的由下向上传输的镜面反射辐射；方程（6）表明观测方向上的辐射亮度变化率是由与转化而来，在向上传输过程中又将经历吸收和散射的削弱.SUITS模型的缺陷是叶片投影假设，为此Verhoef[3]发展了SAIL模型，直接采用任意方向叶片计算消光系数. SAIL模型的方程形式类似SUITS模型，这里不再列出. 原始SAIL 模型的缺点是没有考虑热点效应，改进的SAIL 模型则考虑了热点效应.2.1.2 N-K模型Nilson和Kuusk[4]通过考虑植被内部不同观测方向上的间隙率，解决了热点效应问题，并构建了N-K模型. N-K 模型将冠层反射率分为3个分量：直射反射率、土壤直射反射率和植被-土壤多次散射反射率. 冠层直射反射率分量的值是不同冠层深度处散射相函数在两个不同观测方向间隙率的积分和. N-K模型通过引入相关函数描述了不同观测方向的联合观测概率，因而解决了热点效应；土壤直射反射率的计算类似对冠层直射反射的处理，实质是直射光经植被消光入射到土壤再经植被消光的两个连续过程；土壤和植被之间的多次散射反射率分量则直接采用Ross[5]得到的简化形式，N-K模型是Kuusk系列模型的基础，其形式为：其中：，，1，，，式中：代表冠层反射率；代表冠层直射反射率分量；代表土壤直射反射率分量；代表土壤-植被多次散射反射率分量；为植被的散射相函数；为植被深度；分别为太阳天顶角和观测天顶角余弦值；为植被深度处的叶面积体密度；为植被深度处太阳方向和观测方向间隙率；为土壤的二向反射率；为整个植被冠层LAI；，分别代表太阳和观测天顶角方向的叶面积；为太阳方向与观测方向夹角；是一个附加的参数，表示叶片几何特征尺度与植被深度之比；，T，n分别为叶片反射、透射和角质层菲涅尔折射系数.2.1.3 Kuusk、MSRM模型N-K模型中大量积分式的运算导致N-K模型计算效率低下. 因此，Kuusk[6]将N-K模型的直射反射和SAIL模型多次散射相结合形成了Kuusk模型. Kuusk模型是采用N-K模型变量代替原来SAIL模型中上行和下行散射方程中的模型系数的计算方式，然后再将N-K模型直射分量计算与SAIL的多次散射分量计算合成.Kuusk模型在实际应用中有许多参数难于确定[7]. 为此，Kuusk将描述叶片组分光谱的PROSPECT模型[8]引入Kuusk模型解决组分光谱问题，避免了不同波段提供不同叶片组分光谱的缺陷. 对土壤反射率，Kuusk将Price[9]描述土壤反射率的基函数引入来解决土壤反射率输入问题，Price用4个基函数来描述土壤的波谱特性，精度要求不高时可减少到两个. 天空光比在任何辐射传输模型中都是一个不易确定的参数，Kuusk通过引入Angstrom混浊系数解决了这个难题.2.1.4 MCRM、ACRM模型Kuusk将Kuusk模型应用于具有直立结构的作物类型（如玉米）时，发现Kuusk 模型模拟结果与实测结果有一定差别，Kuusk认识到Kuusk模型在模拟此类植被时的缺陷. 他认为这种直立结构冠层不同子层之间的光传输具有马尔可夫性质[10]. 由此修改Kuusk模型的G函数表达式为：式中：；为马尔可夫系数；为原来的函数，含义与方程（2）类似.为进一步考虑两层植被的辐射传输问题，Kuusk[11]将MSRM和MCRM模型结合形成了ACRM模型. ACRM 模型是一个比较完善的辐射传输模型，对应ACRM 模型还开发了应用于林地的FRT模型[12]. 除了上述模型，还有大量的研究者开发了不同的辐射传输模型[13-15].辐射传输模型反演就是要通过反转式方程（1）由反射观测率值获取模型参数，可以是任何一个模型（包括以上模型）. 一般的辐射传输模型都比较复杂，不能直接用来反演，而是把作为输入值，采用迭代的方式以优化技术逐步调整模型参数，直到模型输出结果与遥感观测资料达到一致，最后的迭代结果就是反演结果.2.2.1 SSE方法模型反演首先要构建反演所需的代价函数，代价函数设定了认为被反演参数能使模型模拟与遥感观测达到一致的标准. 不同研究者出于不同目的、可利用数据等提出了不同的代价函数形式. 比较早的是平方差和形式（SSE）[1]118：式中：是第波段模型模拟反射率，是第波段观测反射率. 这种方法是基于反射率坐标空间范围内多维模拟反射率空间位置与多维观测反射率空间位置最近的原理. Privette[16]等人和Gemmell[17]都采用这种方法对模型进行反演.2.2.2 WSSE方法植被冠层在不同波段的反射率量级有较大区别，尤其从可见光波段过渡到近红外波段. SSE法认为所有波段都具有同等重要性，这是SSE法的缺陷. 因此将SSE法修改为WSSE形式：WSSE方法充分考虑了不同波段反射率之间的差异，增加了权重系数，是应用较广泛的一种方法. WSSE法的变种形式很多，有些甚至可以单独认为是一种模型反演方法，但着眼于权重的概念，则将它们统一划分为WSSE类.2.2.3 WSSEWP方法有研究者注意到WSSE方法反演得到的最优化参数x存在越界现象，即超出了理论范围，这是个严重问题. 因此在WSSE方法中增加罚函数项，称之为带罚点平方加权和WSSEWP[1]121方法：Nilson[4]126等人对N-K模型反演时采用了WSSEWP方法，虽然代价函数形式有些差异，但从归一化的角度看，本质上还是WSSEWP方法.2.2.4 基于先验知识遥感反演获取LAI在反演LAI等参数的过程中，被反演参数的先验信息引起了研究者的注意，随着研究深入，这种信息源逐渐增多. 由方程（10）、（11）可知，这些方法的权重采用了不同形式，没有统一标准. 因此又得到一种基于先验知识的反演方法[18]：式中：代表被反演参数，代表被反演参数的先验信息，代表被反演参数的先验误差协方差矩阵；，分别代表模拟和观测反射率值，为二者的误差协方差矩阵. 基于先验知识的反演方法具有完善的理论体系，可以从贝叶斯后验概率公式推出. 它不仅引入先验信息，也统一了权重形式，同时综合了先验和观测项的全部信息，为遥感模型反演提供了潜在空间. 此方法是现今遥感反演研究者关注的一个方向，Kuusk 在发布ACRM模型的同时也提供了反演算法，虽然在反演代价函数中增加了罚函数项，但理论上并没有突破方程（12）.2.2.5 遥感数据同化反演LAI方法上述遥感反演方法都采用了单个时刻的遥感观测数据，对方程（12）进行一个基本的扩展得：式中：代表反演时刻，是不同反演时刻被反演参数矢量的矢量，描述为一个扩展矢量，为的分量，为不同反演时刻的被反演参数. 一个不可忽视的问题是不同时刻被反演参数之间具有相关性，如何描述这种相关性是一个值得注意的问题. 一种解决方式是对方程（13）施加外部约束，例如对植被可以采用植被生长模型.基于上述遥感反演模型和方法的发展，可以认为辐射传输模型已经比较成熟；而遥感反演方法的发展还远没有得到完善. 传统遥感反演的SSE、WSSE、WSSEWP方法和基于先验知识的反演方法无疑都局限于单个遥感观测时刻的参数反演，而数据同化算法则不仅继承了基于先验知识遥感反演方法的优点，而且能够将被反演参数进行时间上的扩展，同时也通过动态模型的引入，对不同反演时刻被反演参数之间的关系进行有效约束.【相关文献】[1] 李小文，王锦地. 植被光学遥感模型与植被结构参数化[M]. 北京：科学出版社，1995.[2] SUITS G H. The calculation of the directional reflectance of a vegetative canopy[J]. Remote Sensing of Environment, 1972, 2: 117-125.[3] VERHOEF W. Light scattering by leaf layers with application to canopy reflectance modeling: the SAIL model[J]. Remote Sensing of Environment, 1984, 16: 125-141.[4] NILSON T, KUUSK A. A reflectance model for the Homogeneous plant canopy and its inversion[J]. Remote Sensing of Environment, 1989, 27: 157-167.[5] ROSS J. The radiation regime and architecture of plants stands[M]. Boston: Kluwer Academic Publishers Group, 1980.[6] KUUSK A. A fast invertible canopy reflectance model[J]. Remote Sensing of Environment, 1995, 51: 342-350.[7] KUUSK A. A multispectral canopy reflectance model[J]. Remote Sensing of Environment, 1994, 50: 75-82.[8] JACQUEMOUD S, BARET F. Prospect: a model of leaf optical properties spectra[J]. Remote Sensing of Environment, 1990, 34: 75-91.[9] PRICE J C. On the information content of soil reflectance spectra[J]. Remote Sensing ofEnvironment, 1990, 33: 113-121.[10] KUUSK A. A markov chain model of canopy reflectance[J]. Agricultural and Forest Meteorology, 1995, 76: 221-236.[11] KUUSK A. A two-layer canopy reflectance model[J]. Journal of Quantitative Spectroscopy & Radiative Transfer, 2001, 71: 1-9.[12] KUUSK A, NILSON T. Forest reflectance and transmittance FRT user guide[J]. Science in China (Series D), 2002, 41: 580-586.[13] GOBRON N, PINTY B, VERSTRAETE M M, et al. A semidiscrete model for the scattering of light by vegetation[J]. Journal of Geophysical Research, 1997, 102: 9 431-9 446.[14] NORTH P R J. Three-dimensional forest light interaction model using a monte carlo method[J]. IEEE Transactionson Geoscience and Remote Sensing, 1996, 34: 946-956. [15] THOMPSON R L, GOEL N S. Two models for rapidly calculating bidirectional reflectance: photon spread (ps) model and statistical photon spread (sps) model[J]. Remote Sensing Reviews, 1998, 16: 157-207.[16] PRIVETTE J L, EMERY W J, MYNENI R B, et al. Invertibility of a 1-D discrete ordinates canopy reflectance model[J]. Remote Sensing of Environment, 1994, 48: 89-105.[17] GEMMELL F. An investigation of terrain effects on the inversion of a forest reflectance model[J]. Remote Sensing of Environment, 1998, 65: 155-169.[18] 李小文，王锦地. 先验知识在遥感反演中的作用[J]. 中国科学（D辑），1998, 28(1): 67-72.。