LAI与FAPAR反演-定量遥感精品课程班2015-2
基于神经网络的LAI遥感反演影响因素分析
基于神经网络的LAI遥感反演影响因素分析陈士城; 王宝水【期刊名称】《《地理空间信息》》【年(卷),期】2019(017)012【总页数】3页(P72-74)【关键词】BP神经网络; PROSAIL; 叶面积指数 LAI; 遥感反演【作者】陈士城; 王宝水【作者单位】苏州中科天启遥感科技有限公司江苏苏州 215000; 江阴市城市规划信息咨询中心江苏江阴 214400【正文语种】中文【中图分类】P237目叶面积指数（leaf area index，LAI）是描述植被冠层结构的重要参数之一，其定义为单位面积上方植被叶片表面积的总和（即全部表面LAI），或者可定义为单位面积上总叶片表面积的一半[1]。
作为反映农作物长势和农作物估产的重要参量，如何快速、有效、准确地获取LAI信息已成为当前的重要工作[2]。
其中，遥感观测技术具有速度快、观测范围大、周期性短等优点，为动态估测和快速监测提供了强有力的工具。
叶面积指数LAI的反演一直是遥感应用领域的热点、难点问题。
目前，主要有经验模型法、物理模型法和综合反演法等[3]。
经验模型法通常是在光谱和相关生化参量之间建立回归经验模型，是目前较为成熟的一种方法。
但该方法受限于饱和效应、场景和遥感传感器等方面的影响。
物理模型法是指以物理方法为依据的模型参数反演，该方法理论基础完善，具有明确的物理意义。
但该方法在反演过程存在迭代不收敛、结果不确定等缺陷，且对于大区域的图像数据来说反演非常耗时。
综合反演法包括神经网络、投影追踪和回归树方法等。
该类方法具有反演速度快、无需参数初始值和能有效考虑关键变量的变化等优点。
在综合反演方法中，基于BP神经网络和PROSAIL模型相结合的叶面积指数LAI 反演方法已被广泛采用[3]。
杨贵军等利用该反演方法成功反演了多种农作物的LAI，取得了较好的结果[4-6]。
但是，在反演过程中仍存在某些问题需要进一步分析，包括训练数据的模拟、网络结构的设计、参数估计及网络性能评价等。
定量遥感课件地表温度反演-最新课件
地表温度的反演-地表温度反演算法
• 单通道多角度法
同一物体从不同角度观测所经过的大气路径不 同而产生不同的大气吸收。 大气的作用可通过单通道在不同角度观测下所 获得的亮温的线性组合来消除。 大量的工作用于研究海水表面温度的反演 只有少量的关于陆面温度反演的研究。（由于 不同角度的地面分辨率不同，以及陆地表面状 况很不均匀和地物类型复杂）
Wan 和 Dozier(1989)把遥测地表温度当作一个地球物理 学的反演问题,通过Lowtran程序进行数值模拟,评价了温度反演 的可行性并提出了合理的波谱段范围,认为通过多波谱同时反演地 表温度和地表比辐射率是可行的。
Wan 和 Dozier(1996)通过大气传输模型进一步模拟计算 指出：1)统计回归的系数与传感器的视角有关；2)为了提高反演 精度，模拟计算回归系数时有必要把大气含水量、大气低层温度 和地表温度考虑进去,而不能在所有的情况下都用相同的系数来反 演地表温度。
MODIS
通道 3 4 5 20 22 23 29 31 32 33
波长范围 (mm) 3.54-3.94 10.32-11.32 11.41-12.38 3.660-3.840 3.929-3.989 4.020-4.080 8.400-8.700
10.780-11.280 11.770-12.270 13.185-13.485
设太阳的影响可忽略：
e T s i B i 1 B iT i R a ti i1 iR a ti
e
i
•大气参数的计算需要知道大气的温度和在通道上大气 吸收体密度的垂直廓线，而且还需知道这些大气吸收体 的物理特性。
地表温度的反演-地表温度反演算法
✓单通道法的精度取决于： ✓ 大气辐射传输模型的精度
定量遥感分析方法-赵英时
0° 植株密度 30° 植株平均半径 45° 植被方向覆盖度 60° 植被方向覆盖度
（ASTER）
0°
30°
Zhaoys et al
1. 方向性与多角度遥感 – 续
② 利用 MODIS、NOAA 等卫星数据的宽视域（±55.4°）和高时间
分辨率特点，选用单星连续多天获得多轨数据，通过轨道飘移 所产生的角度差异，经BRDF模型反演，可获得同一地区的多角 度方向信息。
可见，‘前向模型’的建立（正演）是‘反演’的先决 条件，而‘反演’地表参数更有实用价值，但难度更大 。 ‘遥感反演’涉及到许多参数，其中很多参数是未知 的或目前难以精确测量的。 因而， 要实现遥感定量反演就必须固定一些（不敏感） 参数、简化一些过程、假设一些条件，这就必然存在着 “无定解”（或不确定性）、敏感性等一系列理论方法问题
遥感数据的科学理解
二、定量遥感的 基本概念
遥感的成像过程是十分复杂的。它经历了从辐射源→大气层→ 地球表面→ 探测器等的过程。这里的每个环节都涉及到非常多的 参数，且许多参数间又是密切关联的。 以植被遥感系统为例： ① 辐射源{a }，包括太阳辐射和天空散射的强度、入射方向等； ② 大气{b }，包括大气中的悬浮微粒、水蒸气、臭氧等的空间密度 分布和本身因波长而异的吸收和反射特性； ③ 植被{c}，包括植被组分（叶、茎、干等）的光学参数（反射、透射）、 结构参数（几何形状、植株密度）及环境参数（温度、湿度、风速、降雨 量等）。一般说来这些参数都可能随波长、时间和空间位置而变； ④ 地面或土壤{d }，包括反射、吸收、表面粗糙度、结构及含水量等； ⑤ 探测器{e}，包括波谱响应、校准、位置及观察方向等。
f1
f1 f3 f2 f4
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。
利用交叉验证的小麦LAI反演模型研究
利用交叉验证的小麦LAI反演模型研究任哲;陈怀亮;王连喜;李颖;李琪【摘要】叶面积指数( leave area index,LAI)是表征植被冠层结构和生长状况的关键参数,采用遥感技术进行LAI反演是遥感反演领域的热点和难点之一。
利用小麦关键生育期的高光谱数据,计算其一阶和二阶导数,并构建植被指数( RVI,NDVI,EVI,DVI和MSAVI)及三边变量参数等高光谱变量；将上述参数与小麦LAI数据进行相关性分析,并利用交叉验证法进行多种回归分析,确定反演小麦LAI 的敏感参数,选择反演模型；最后使用敏感参数构建所有样本的小麦LAI反演模型,并比较其拟合效果。
研究结果表明：经过交叉验证的反演建模,其拟合结果的均方根误差( RMSE)整体上较未经交叉验证反演建模结果的RMSE小；在用敏感参数构建的回归模型中,RVI立方回归模型是用遥感数据反演小麦LAI的最优模型。
%Leaf area index ( LAI ) is the key parameter to signify the growth condition and canopy structure of vegetation. Inversion of LAI using remote sensing technology is always one of the hotspots and difficulties in the field of remote sensing. In this paper, the first and second order derivatives of hyperspectral data of wheat were calculated, and several vegetation indices (RVI, NDVI, EVI, DVI and MSAVI) and trilateral variable parameters were built for the analysis. The correlation analysis between the parameters and wheat LAI data was carried out, and the method of cross -validation was used for multiple regression analysis so as to determine the sensitive parameters for wheat inversion of LAI and choosing model type of inversion. At last, the inversion models of all the samples were built by using these sensitive parameters, and their imitative effects werecomparatively studied. The results show that the majority of root mean square errors( RMSE) of the inverse models using cross-validation are larger than those of the models which do not use cross-validation. In addition, among all the models built by the sensitive parameters, the cubic regression model of RVI is the optimal model for inversion of wheat LAI with remote sensing data.【期刊名称】《国土资源遥感》【年(卷),期】2015(000)004【总页数】7页(P34-40)【关键词】叶面积指数(LAI);遥感反演;交叉验证;小麦【作者】任哲;陈怀亮;王连喜;李颖;李琪【作者单位】南京信息工程大学江苏省大气环境监测与污染控制高技术研究重点实验室，南京 210044; 南京信息工程大学环境科学与工程学院，南京 210044;中国气象局河南省农业气象保障与应用技术重点实验室，郑州 450003;南京信息工程大学江苏省大气环境监测与污染控制高技术研究重点实验室，南京 210044; 南京信息工程大学环境科学与工程学院，南京 210044;中国气象局河南省农业气象保障与应用技术重点实验室，郑州 450003;南京信息工程大学江苏省大气环境监测与污染控制高技术研究重点实验室，南京 210044; 南京信息工程大学环境科学与工程学院，南京 210044【正文语种】中文【中图分类】TP751.10 引言叶面积指数(leaf area index，LAI)是表征植被冠层结构的关键参数，也是植被系统的一个重要参数。
遥感反演FAPAR模型及其尺度效应纠正的开题报告
遥感反演FAPAR模型及其尺度效应纠正的开题报告一、研究背景和意义随着遥感技术的发展，利用遥感方法研究植被生态效应已成为当前研究的热点。
FAPAR（Fraction of Absorbed Photosynthetically Active Radiation）是反映植被覆盖度及光能利用效率的重要指标，因此FAPAR模型的研究具有重要的理论和应用价值。
目前，已有许多FAPAR模型被提出，如背景生长模型、经验模型、物理模型等。
但这些模型在不同地区和不同时间尺度上的适用性存在差异。
尤其在全球尺度下对FAPAR进行估算时，需要对尺度效应进行纠正。
因此，本研究旨在开发针对不同尺度下遥感FAPAR反演的模型，并对其尺度效应进行纠正，为植被生态效应研究提供科学依据。
二、研究内容和方法本研究主要包括以下几个方面：1. FAPAR模型的开发本研究将开发基于遥感数据的FAPAR反演模型，考虑遥感数据与FAPAR之间的复杂关系，结合地形、气象、土壤等因素，探讨不同数据源对FAPAR估算的影响。
2. 尺度效应的纠正本研究将针对不同尺度下FAPAR反演结果的差异性进行分析，并开发基于尺度效应的纠正方法，使FAPAR模型在不同尺度下的适用性提高。
3. 模型测试与验证为验证模型的有效性和适用范围，本研究将选取中国大陆的不同地区进行模型测试，对模型的精度和稳定性进行评估。
4. 结果分析本研究将通过对模型获得的FAPAR反演结果进行统计分析和空间分布分析，研究FAPAR在不同地区和不同生态系统中的变化规律和影响因素，为植被生态效应研究提供数据支撑和理论指导。
三、研究进度计划1. 6月中旬-7月中旬：文献调研和研究方案设计2. 7月中旬-8月底：数据获取和处理3. 9月初-10月中旬：FAPAR模型开发和尺度效应分析4. 10月中旬-11月中旬：模型测试和结果分析5. 11月下旬-12月底：论文写作和答辩准备四、研究预期结果1. 开发适用于不同尺度下的遥感反演FAPAR模型，提高FAPAR估算的精度和适用性。
基于机载LiDAR和多光谱遥感的作物LAI反演方法研究
分类号：密级：公开学号：2015201120 单位代码：10759石河子大学硕士学位论文基于机载LiDAR和多光谱遥感的作物LAI反演方法研究学位申请人陈洪指导教师赵庆展教授申请学位门类级别工学硕士学科、专业名称农业信息化技术及应用研究方向空间信息技术及应用所在学院信息科学与技术学院中国·新疆·石河子2018年6月LAI Inversion Method For Crop Based On LiDAR And MultispectralRemote SensingA Dissertation Submitted toShihezi UniversityIn Partial Fulfillment of the Requirementsfor the Degree ofMaster of EngineeringByChen hong(Agricultural Information Technology and Application)Dissertation Supervisor:Prof. Zhao QingzhanJune，2018摘要大田种植是新疆农作物的主要种植方式，作物长势监测是对作物生长全周期状况及其变化的监测,是反映农情信息、指导生产和宏观管理决策的重要依据。
叶面积指数是描述植被冠层结构的众多参数之一，是冠层结构和作物长势的重要参数，又是表征生物量和作物产量的关键因素。
在农业精细遥感监测中，如何快速获取农作物叶面积指数，对农作物长势进行评判非常重要。
目前，利用遥感技术对农作物进行大面积的资源调查和遥感监测从技术角度上已较为成熟，但利用新型传感器如高精度激光雷达来反演叶面积指数的研究还较少。
本文的研究工作是利用无人机机载LIDAR技术，结合多光谱遥感技术实现对农作物LAI的反演。
主要内容、成果和结论为：1、基于不同飞行平台的飞行规划及数据获取方案。
利用无人机快速高效的特点，选择合适的研究区，获取激光雷达和多光谱数据。
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）。
LAI与FAPAR反演-定量遥感 ppt课件
FAPAR
(
I TOC
I Ground
I Ground
I TOC
)
/
I TOC
ppt课件
4
4
在PAR区间叶绿素a、 叶绿素b和类胡萝卜素 的吸收率和总光合作用 效率
55
2. FAPAR野外测量
SUNSCAN冠层分析系统（SUNSCAN Canopy Analysis System）
FAPAR=1.21×NDVI-0.04 FAPAR=1.67×NDVI-0.08
FAPAR=0.105(0.323×NDVI)+(1.168×ND
VI2) FAPAR=3.257×SAVI-0.07
FAPAR=0.846×NDVI-0.08
FAPAR=1.723×MSAVI0.137
FAPAR=2.213×(ΔMSAVI)**
通过遥感方式可以获取植被FAPAR。随着遥感传感器分 辨率的多样化，遥感可以提供更广泛空间区域和时间范围 的FAPAR产品。
ppt课件
3
3
基本概念
PAR（photosynthetically Active Radiation），光合有效辐射，指陆地植 被光合作用所能吸收的从400到700 nm的太阳光谱能量。
算法
R2 取得经验值方法
植被类型
参考文献
FAPAR=1.2×NDVI-0.18
0.974
PAR 测量 春小麦，生长阶段
Hatfield et al.,1984
FAPAR=0.6(2.2×NDVI)+(2.9×NDVI2)
-
PAR 测量
玉米，生长阶段
基于半经验半机理建模的冬小麦LAI反演及长势评估
基于半经验半机理建模的冬小麦LAI反演及长势评估刘昕哲;武璐;陈李金;马宇帆;李涛;吴婷婷【期刊名称】《农业工程学报》【年(卷),期】2024(40)1【摘要】为了提高无人机遥感对冬小麦叶面积指数(leaf area index,LAI)反演模型的精度与泛化能力,该研究利用无人机搭载多光谱相机获取不同氮素处理和不同复种方式的冬小麦生长实测数据,结合PROSAIL辐射传输模型生成包含机理信息的模拟数据,基于不同组合方式建立了5种LAI反演混合数据集,结合多种机器学习方法,以期构建经验与机理相结合的LAI高精度反演模型。
由于LAI反演受近红外波段(near infrared,NIR)反射率影响大,该研究筛选7种与NIR波段相关的植被指数提取冬小麦光谱特征,构建与混合数据集LAI的相关系数矩阵,进一步探究不同光谱特征对冬小麦LAI的影响程度。
在此基础上,采用具有代表性和普适性的4种机器学习方法,即贝叶斯岭回归模型、线性回归模型、弹性网络模型和支持向量回归模型,构建不同冬小麦LAI反演模型,用以评估基于半经验半机理数据反演冬小麦LAI的可行性,进一步探索其对不同氮素水平和复种方式的冬小麦长势评估能力。
结果表明:1)筛选的与NIR波段相关的植被指数与冬小麦LAI之间存在较强的相关性,其中归一化差异植被指数、增强植被指数、归一化差异红边指数、比值植被指数、红边叶绿素植被指数、土壤调节植被指数与LAI呈正相关,结构不敏感色素植被指数与LAI呈负相关;2)辐射传输模型中体现了冬小麦LAI影响太阳光线传播的机理,结果表明,与实测数据混合建立的模型,具有较强的鲁棒性和泛化能力。
相比于其他3种模型,支持向量回归模型在各种数据组合下均取得了较好的LAI预测性能,在C1、C2、C3、C4这4种训练-测试组合的训练集中R^(2)依次为0.86、0.87、0.88、0.91,RMSE依次为0.47、0.45、0.45、0.41;在测试集的R^(2)依次为0.85、0.19、0.89、0.87,RMSE依次为0.45、1.31、0.49、0.50;3)使用支持向量机生成试验区LAI反演图,对4种氮素水平和2种复种方式的冬小麦长势评估,结果表明,适当的施加氮素处理能提高冬小麦LAI值,麦-豆复种方式下的冬小麦LAI值普遍高于麦-玉复种的LAI值。
定量遥感课件光谱波谱分析技术
光谱/波谱分析技术在定量遥感或者高光谱遥感中，信息提取主要用到光谱/波谱分析技术。
本专题对光谱/波谱分析中涉及的流程及一些技术进行讲解，包括以下内容：∙ ∙●基本概念∙ ∙●遥感反演∙ ∙●波谱识别1 基本概念“光谱分析”在很多领域也有这个概念，比如医学、电子学、化学等。
如其中一个概念为：“光谱分析主要是以光学理论为基础，以物质与光相互作用为条件，建立物质分子结构与电磁辐射之间的相互关系，从而进行物质分子几何异构、立体异构、构象异构和分子结构分析和鉴定的方法。
”在遥感里面经常会看到光谱分析和波谱分析两个概念，可以将光谱分析视为在微观条件下定义；波谱分析在宏观上定义的。
也就是光谱分析是广义定义，波谱分析是狭义定义，在不太严格的情况下，两个概念是一样的。
遥感中的光谱分析技术可以理解为基于电磁辐射与物质相互作用产生的波长与反射强度，即地物波谱特征，而进行物质分析的技术。
在这个过程中，如果一种物质A中掺和其他物质B而造成物质A的波谱特征发生变化，可以建立物质A、物质B与波谱特征变化三者之间的关系，这个也是定量遥感中物质反演的一个基本过程之一；在这个过程中另外一个情况，地物波谱特征用图像或者波谱曲线表示，用已知的波谱曲线A 和未知的波谱曲线B进行对比分析，从而得出波谱曲线A和B是否一致，或者占多大比重。
这个是高光谱遥感中的波谱识别的基本原理。
因此，从应用角度上看，光谱分析就是定量遥感或高光谱遥感中的图像信息提取技术。
可分为遥感反演、地物识别和物质分类，后两个就是波谱识别范畴。
2 遥感反演遥感反演就是根据观测信息和模型，求解或推算描述地面实况的应用参数。
可以看到遥感反演的基础是描述遥感信号或遥感数据与地表应用之间的关系模型。
这种关系模型可以是遥感模型和应用模型，包括统计型和物理型。
统计模型基于陆地表面变量和遥感数据的相关关系，优点在于容易建立并且可以有效概括从局部区域获取的数据，缺点在于模型一般具有地域局限性，也不能解释因果关系；物理模型遵循遥感系统的物理规律，可以建立因果关系，地域变化时候，也可以方便修改变量，缺点在于模型的建立过程漫长而曲折（梁顺林等）。
植被BRDF模型,FAPAR遥感反演
19
三、植被BRDF模型—概述
（逆向拟合） （正向模拟） 将植被冠层分为三种类型：
遥感数据
模型选择
反演方法
应用
连续植被
行播作物
离散植被
辐射传输模型（RT）
RT或GO模型
几何光学模型(GO）
20
三、植被BRDF模型—概述
结构参数：
• 总的长、宽、高
• LAI(leaf area index)
• FAVD(Foliage area volume density)：某一高度上单位体积内 叶面积的总和，单位1/m。
LAI2000 LAI2200
7/17/2015
15 15
二、LAI地面测量方法
16
三、植被BRDF模型
• 概述 • BRDF模型研究进展
• 植被二向性统一模型
17 17
Directional Radiative Transfer Model
18
Bidirectional Reflectance Distribution Function (BRDF)
26
（图片来源：http://rami-benchmark.jrc.ec.europa.eu/HTML/RAMI-IV/RAMI-IV.php）
植被二向性反射统一模型 • 出发方程
• 群聚效应 • 离散植被BRDF模型
27
三、植被BRDF模型—统一模型
出发方程
不论连续植被还是离散植被，目标对太阳辐射的反射率可近似表达 为一次散射和多次散射的贡献之和 1 m
北京大学暑期研究生定量遥感精品课程班
植被叶面积指数与FAPAR遥感反演 ——植被BRDF模型与LAI反演
第四章 定量遥感
正演模型
已知地表上每一类目标地物的固有波谱特征等参数 和大气各种参数，求出观测目标区域所有目标地物 的电磁波（反射）强度，成为正演建模问题，即前 向建模问题 正演建模是从遥感机理出发，用数学物理模型来描 述电磁波传播过程，揭示电磁波与地表物质之间相 互作用规律，在此基础上形成遥感信息模型。
反演模型
混合像元模型
混合像元模型的公式可以表示为，像元反射率是 所组成端元的反射率、各端元所占的面积比例以 及其他参数函数，即：
• 其中j=1,….n表示端元序号，ρ为反射率，a为面积 比例，x表示其他各种参数（可能不止1个）
遥感进一步发展亟待解决的问题
•
需要实现从定性到定量的过渡
√ 精度要求越来越高
不同的地面目标像元结 构不同，方向反射特征 就不同，产生形状不同 的BRDF。 若能从多角度遥感信号 中获得地表像元的 BRDF，就可以从中定 量提取地表像元的结构 参数信息。
混合模型
李小文等在1994年 发展了植被BRDF几何光学 与辐射传输几何模型，试图综合用几何光学模型 （GO）在解释树冠阴影和辐射传输模型（RT） 在解释对此散射上各自的优势。GORT在解释林 下辐照及总反射上比较成功，但当树冠浓密时， 有过高估计对此散射的各向同性的倾向，从而导 致偏亮阴影。
尺度效应研究应该根据定量遥感反演需求来确定不同 的空间尺度，着重研究不同尺度信息的空间异质性特 点 ，尺度变化对信息量、信息分析模型和信息处理结 果的影响，并进行尺度转换的定量描述。 尺度效应研究不同分辨率遥感图像之间的关系。
MODIS和ASTER 的像元尺度对比
尺度效应不是一个新的概念，但定量地学描述是地 学与其他学科交叉的基础，是遥感科学的关键。 国外尺度效应研究基本上仍停留在不同尺度上 同一种量的线性或非线性关系的经验研究水平 上，我们用几何光学模型来解释不通过尺度上量 的内涵的变化，量的性质的改变，以及物理定 律的适用性。
基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究
基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究基于高光谱数据的玉米L和叶绿素含量遥感反演方法的研究摘要：随着农业遥感技术的发展，利用高光谱数据进行植被参数反演已成为农业生产管理和精准农业的重要工具之一。
本文通过分析基于高光谱数据的玉米L（叶面积指数）和叶绿素含量遥感反演方法的研究现状，提出了一种改进的方法，并对该方法进行了实验验证。
实验结果表明，该方法能够准确反演出玉米的L和叶绿素含量。
本研究为农业生产和精准农业管理提供了一种高效准确的遥感反演方法。
关键词：高光谱数据；玉米；L；叶绿素含量；遥感反演 1. 引言玉米作为我国重要的粮食作物之一，对其生长状态进行准确的遥感反演可以为农业生产管理和精准农业提供重要依据，进而提高农作物产量和质量。
而L和叶绿素含量是衡量植物生长状态和光合作用强度的重要参数，因此准确反演玉米的L和叶绿素含量对于进行农作物监测和精细化管理至关重要。
2. 研究现状目前，利用高光谱数据进行植被参数反演已成为广泛研究的方向之一。
一些学者利用高光谱数据进行L和叶绿素含量反演的方法已取得了一定的研究进展。
其中，最常用的方法包括指数比值法、指数的拟合方法、基于光谱反射率和植被指数的关系等。
然而，现有的方法在一定程度上存在一些不足之处，如对于大尺度和复杂地物的精确度较低，或者需要大量的实地数据采集和参数拟合等。
3. 研究方法为了克服现有方法的不足，本研究提出了一种改进的基于高光谱数据的玉米L和叶绿素含量遥感反演方法。
该方法首先通过采集不同生长阶段的玉米样本，获取其高光谱数据，并同时测量其实际的L和叶绿素含量。
然后，根据高光谱数据和地面的观测数据，建立反演模型。
在模型中，利用多元线性回归、主成分分析和支持向量机等方法，对高光谱数据进行特征提取和建模，最终实现对L和叶绿素含量的准确遥感反演。
4. 实验验证本研究选择某玉米田作为实验区域，采集了不同生长阶段的玉米样本，并获取其高光谱数据和实际的L和叶绿素含量。
高光谱遥感叶面积指数_LAI_反演研究现状
第35卷增刊2010年4月测绘科学Sc i ence o f Survey ing and M app i ngV o l 135Suppl 1A pr 1作者简介:邢著荣(1984-),女,在读硕士研究生,研究方向:多源多角度LA I 反演。
E -m a i:l x ingzhurong @1631co m 收稿日期:2010-03-02高光谱遥感叶面积指数(LAI)反演研究现状邢著荣¹º,冯幼贵¹,李万明»,王 萍¹,杨贵军º(¹山东科技大学摄影测量与遥感系,山东青岛 266510;º国家农业信息化工程技术研究中心,北京 100097;»山东省城乡建设勘察院,济南 250031)=摘 要>叶面积指数(LA I)是植被冠层结构的重要参数之一,获取LA I 对于了解植被的生长发育过程、农作物长势及产量预测等具有十分重要的意义。
本文首先对LA I 及高光谱遥感的概念做一概述,然后介绍了高光谱遥感估算LA I 的优势及常用方法,并总结了国内外LA I 反演研究进展情况,最后分析遥感反演研究的未来发展方向。
=关键词>叶面积指数(LA I);高光谱遥感;反演=中图分类号>TP79 =文献标识码>A =文章编号>1009-2307(2010)07-0162-041 引言植被生化和生理参数的精确定量化估算对于农业、生态、气象应用是很有用的,其时空分布作为重要的模型输入参数,常被用于定量化陆地表面和大气之间的物质和能量变换[1]。
植被叶面积指数(Lea f a rea i ndex,LA I)由于在植被冠层中起着控制其生理过程的角色,是植被重要的结构参数,亦是表征作物长势和预测作物产量的重要农学指标之一[2],被定义为单位土地面积上所有叶片表面积的总和,或单位面积上植物叶片的垂直投影面积的总和[3]。
武汉大学国重实验室15年摄影测量与遥感考研历年真题和答案分析
2、资料使用方法
1）非地理相关专业，流程如下 a、提早进行专业课复习，前期可通阅《遥感概论》彭望禄、 《遥感导论》梅安新等遥感基础书籍，获取遥 感基本概念；对遥感图像处理部分，有条件下，上机实践。 b、仔细阅读本资料版块 11 部分，了解《遥感原理与应用》各章节内容； c、尝试做历年真题答案；与本资料提供的答案进行比较，总结答题思路，完善答案； d、再次结合本资料 7、10、11 版块，再次将笔记、真题、答案、出题规律等糅合掌握； e、将历年真题答案完全记忆； g、临考前，了解附录中遥感趋势、发展现状、卫星基本情况等资料； 2）地理相关专业，除去 a 步骤即可。
二、出题特点和趋势
国重《遥感原理》科目出题有五大特点，具体来说： 1）国重《遥感原理》这几年的题目是越来越难了，也越来越发散了。以 2013 年为例，简 答题 2、3、5；分析题 1 都是遥感知识的具体应用，特别是主成分分析那个题目，如果 不真正理解主成分的原理，是很难做出回答的。所以，对遥感知识，不要死记硬背，一 定要理解再理解。 ……………… 4）国重遥感原理历年真题具有很高的参考价值，因为不论是名词解释还是论述题，都有一 定的重复性，如直方图均衡化与直方图正态化、遥感的发展趋势（要么是从技术上，要 么是平台上，要么从其他方面）。提醒一点，某一内容今年出的是名词解释，明年可能 出大题………… 6）国重对前沿东西考查的较少，除了考查当前发展趋势，对遥感领域出现的一些新词汇、 新术语基本不予考查，如小波分析、神经网络分析法、定量遥感等。建议临考前，再看下真 题答案或附录对应遥感趋势章节或网上简单了解即可。
Байду номын сангаас
3、资料更新说明
新的年份，考研范围、考试重点和大纲都会有新的变化，针对这种变化，本中心每年都会进行一次较大内 容更新，所以本套资料仅适用于 2015 年，请大家多加关注我们！谢谢。
高分六号遥感影像植被特征及其在冬小麦苗期LAI反演中的应用
高分六号遥感影像植被特征及其在冬小麦苗期 LAI 反演中的应用
张矞 勋 1,2 刘春虹 1,2
齐拓野 4 孙 源 3 王 磊 1,2,*
璩向宁 1,2
曹 媛 1,2
吴梦瑶 1,2
1 宁夏大学西北土地退化与生态系统恢复省部共建国家重点实验室培育基地, 宁夏银川 750021; 2 宁夏大学西北退化生态系统恢复与 重建教育部重点实验室, 宁夏银川 750021; 3 中国科学院遥感与数字地球研究所, 北京 100101; 4 宁夏大学生态环境学院, 宁夏银川 750021
Abstract: As Chinese first high-resolution satellite for precision agricultural observations, the GF-6 remote sensing satellite operates in a network with GF-1. In addition to having the same waveband as the GF-1 WFV sensor, red-edge band is added to the Chinese satellite firstly, which can effectively reflect the unique spectral characteristics of the crop. In order to evaluate the monitoring capabilities of the GF-6 satellite imagery for crops, the seedling stage of winter wheat was selected as the research object. Combined with the ground synchronous observation canopy spectrum and the LAI measured data, we analyzed the quantity of bands, the band spectrum and the features of the added red edge vegetation band of the GF-6 satellite image. Furthermore, we constructed vegetation indices by extracting reflectance data from GF-6 remote sensing images and made comparison between the inversion accuracy of the model established by the combination of different wavebands of GF-6 WFV sensor with the help of artificial neural network. Finally, the application ability of GF-6 WFV red edge band in inversing LAI of winter wheat at seeding stage was explored. The results showed that the GF-6 remote sensing image reflected the characteristics of vegetation more realis-
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
grasses & cereals shrubs broadleaf crops savanna broadleaf forest needle forest
a2 ( )
吸收项由两部分组成：
植被冠层对辐射的直接吸收 a1 ( ) 植被-地表多次反弹造成的植被冠层的吸收 a2 ( )
FAPAR
0.40.7 m
(a1 ( ) a2 ( ))
21
21
植被冠层对辐射的直接吸收
i
v
q1
p
冠层上界面
a q2
冠层下界面 土壤背景
e.g., erectophile LAD for grasses/cereals e.g., layered canopy for savanna
use 1-D and 3D numerical RT models (Myneni) to forward-model for range of LAI result in LUT of reflectance as fn. of view/illumination angles and wavelength LUT ~ 64MB for 6 biomes
由于q1 、q2 只与冠层的平均透过率有关，在一定的入射太阳天顶角时，假定 G已知，平均透过率只与LAI有关，所以再碰撞概率是LAI的函数，与碰撞次 数、波段等因素无关，在本文中暂时忽略角度 与碰撞次数对p的影响，所以再 碰撞概率在每次碰撞时都是相等的，即
p1 p2 p3
23
•再碰撞概率
14
15
16
17
18
JRC_FPAR 反演方法
JRC_FPAR是欧空局联合研究中心 （European commission Joint Research Center）开发的针对欧洲的植被状况的 FAPAR产品算法。
基于：连续植被冠层模型 （Gobron et al., 1997） 6S模型模拟陆地表面特征 （Vermote et al., 1997）
1D辐射传输方程 3D辐射传输方程 3D辐射传输方程 3D辐射传输方程 3D辐射传输方程 比尔朗伯定律 CASA 模型
稀疏植被
Moreau and Li,1996 Myneni et al.,1992
热带稀疏草原植被 Begue and Myneni,1996 热带稀疏草原植被 Begue and Myneni,1996 热带稀疏草原植被 Begue and Myneni,1996 Gower et al.,1999 Potter et al.,1993I TOCFra bibliotek)/I
TOC
4
在PAR区间叶绿素a、 叶绿素b和类胡萝卜素 的吸收率和总光合作用 效率
5
5
2. FAPAR野外测量
SUNSCAN冠层分析系统（SUNSCAN Canopy Analysis System） ACCUPAR 植物群体分析仪
SUNSCAN探测器 漫射系数传感器 （Beam fraction Sensor，BFS） DCT1型掌上电脑 （The Work-about） 一个三脚支架
30 : p 0.71 exp(0.014 LAI)- 0.66 exp(-0.78 LAI)
50 : p 0.7 exp(0.01 LAI)- 0.66 exp(-0.8 LAI)
24
•平均透过率
植被冠层内散射向下透射的平均透过率 q2 假定G=0.5，在太阳天顶角分别为0°，30°，50°时经验公式
北京大学暑期研究生定量遥感精品课程班
植被叶面积指数与FAPAR遥感反演 ——FAPAR遥感模型与反演
范闻捷 (fanwj@) 北京大学遥感所 2015.7.16
1
1
主要内容
1. 概述
2. FAPAR野外测量
3. FAPAR 经验反演方法
4. 主要FAPAR遥感产品反演算法
5. FAPAR—P遥感模型与反演
3
基本概念
PAR（photosynthetically Active Radiation），光合有效辐射，指陆地植 被光合作用所能吸收的从400到700 nm的太阳光谱能量。 APAR（ absorbed photosynthetically Active Radiation ）吸收光合有效辐 射，植被冠层吸收的参与光合生物量累积的光合有效辐射部分。
,0.95) 其中： SR=(1+NDVI)/(1-NDVI)
8
8
Δ**i为初始和最终 植被指数之差
9
4 主要FAPAR产品遥感反演算法
• MODIS FPAR算法（Myneni et al 1997, Knyazikhin et al 1998） • JRC_FPAR 反演方法
10
10
MODIS LAI/fAPAR algorithm
Max/Min 冬季Alaska/理论最大值
FAPAR=0.171×SR-0.186
FAPAR=0.248×SR-0.268 FAPAR=1.24×NDVI-0.23 FAPAR=1.164×NDVI-0.143 FAPAR=1.21×NDVI-0.04 FAPAR=1.67×NDVI-0.08 FAPAR=0.105(0.323×NDVI)+(1.168×ND VI2) FAPAR=3.257×SAVI-0.07 FAPAR=0.846×NDVI-0.08 FAPAR=1.723×MSAVI0.137 FAPAR=2.213×(ΔMSAVI)** FAPAR=1.71×(ΔNDVI)** FAPAR=1-e (LAI(-K)) FAPAR=min(
2
2
1. 概述
研究意义
植被是陆地生物态系统的主体，是全球生态系统的重要 组成部分。 吸收光合有效辐射比例（ FAPAR, Fraction of Absorbed Photosynthetically Active Radiation, ）是表征植被生长状态 的关键参数，影响着植被许多生物、物理过程，如光合、 呼吸、蒸腾、碳循环和降水截获量估算等。 通过遥感方式可以获取植被 FAPAR 。随着遥感传感器分 辨率的多样化，遥感可以提供更广泛空间区域和时间范围 的FAPAR产品。
19
19
•基于：连续植被冠层模型（Gobron et al., 1997）
•6S模型模拟陆地表面特征（Vermote et al., 1997）
FAPAR算法步骤：
第一：进行大气校正，消除大气及角度的影响； 第二，与数学方法相结合，计算FAPAR值。
20
20
5 FAPAR模型
i
v
a1 ( )
0：q 2 = 0.4174 exp(- 0.4775 LAI)
30：q 2 = 0.4234 exp( - 0.5031 LAI)
50：q 2 = 0.4275 exp( - 0.54 LAI)
25
•一个光子在其生命周期内的吸收
ac () (1 ) p(1 ) (p) 2 (1 ) (p) n1 (1 )
Stenberg (2005) p pmax 1 exp(k LAI b )
Pmax=0.88，k=0.7，b=0.75
假定G=0.5，在太阳天顶角分别为0°，30°，50°时p的经验 公式
0 : p 0.7 exp(0.0155 LAI)- 0.66 exp(-0.71 LAI)
R2
取得经验值方法
0.974 PAR 测量 PAR 测量
植被类型
春小麦，生长阶段 玉米，生长阶段
参考文献
Hatfield et al.,1984 Gallo et al.,1985
0.92 -
PAR 测量 Max/Min
Alfalal 热带雨林/沙漠
Pinter,1993 Ruimy et al.,1994 Helman and Keeling,1989 Sellers et al.,1994 Sellers et al.,1994 Breret et al.,1989 Myneni and Williams,1994 Goward et al.,1994 Moreau and Li,1996
FAPAR（Fraction of Absorbed Photosynthetically Active Radiation）吸收 光合有效辐射比例，植被吸收的光合有效辐射（PAR）占入射太阳辐 射的比例。
APAR=FAPAR×PAR
FAPAR ( I
TOC
I
Ground
I
Ground
11
表12-2 辐射传输模型角度全球陆地植被中的冠层结构分布
草地和谷类 作物 否 100% 否 否 否 灌木类 是 20-60% 否 否 否 阔叶作物 不确定 10-100% 否 否 否 草原 是 20-40% 是 绿色茎 阔叶林 是 >70% 是 是 针叶林 是 >70% 是 是
水平均一 地面覆盖度 竖直均一 （叶子光谱 和叶倾角） 茎/树干 下层植被 植被群聚 冠层阴影 背景亮度
草地 是 是 轻度 轻度 随机 中度 重度 重度 （minima （minimal） (random) （regular） （sever）（severe） l） 无 部分 无 无 有 有 中度 亮 暗 中度 暗 暗
12
12
13
MODIS LAI/fAPAR algorithm
have different VI-parameter relationships can make assumptions within cover types