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。

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)。

病态反演
陆地遥感反演的根本问题，在于定量遥感往往需要用少量观测数据估计非常复杂的地表系统的当前状态。

已知远少于未知。

先验知识
反演不会创造信息，不妥善利用先验知识，就不能很好地分配新观测到的信息到感兴趣的时空多变参数中去。

先验知识越完善，反演结果越可靠。

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）
利用遥感反演叶面积指数的依据
植被的光谱特征-红光波段和近红外波段
红-光合作用吸收谷–低反射率
近红-高反射峰–高反射率
―一峰一谷”是植被的光谱特征，与地表其它地物的光谱特征存在很大差别，所以这一特征成为遥感识别植被并判断植被状态的主要依据。

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。

经验模型物理利用定量遥感反演植被LAI 的方法
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 。

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。

模型
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
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”。

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
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。

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。

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。

经验反演的特点
优点：
简单易行
缺点：
1）由于函数和函数中的系数是经验型的，这些系数随着植被类型
及地点的不同而改变，并且植被指数受到诸如地形、土壤条件和大气状况等非植被因素和林冠层的几何结构等植被因素的影响，也存在很多缺点；
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。

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??
物理模型反演方法?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
及PROSAIL 模型
几何光学模型、辐射传输模型
PROSAIL 模型
BRDF 模型PROSPECT 模型、SAIL 模型
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）。

几何光学模型与辐射传输模型特点对照表
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）。

优点：考虑了植被冠层的二向性反射；
缺点：没有考虑冠层内的多次散射。