基于k-NN算法的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。

叶面积指数三类遥感估算方法叶面积指数（Leaf Area Index，LAI）是一个衡量植物叶片覆盖程度的重要指标，可通过遥感技术进行估算。

下面是关于叶面积指数估算方法的十条描述：1. 植被指数法：植被指数法是通过计算可见光或近红外波段的植被指数（如归一化植被指数，NDVI）并与地面测量的LAI进行回归分析来估算LAI。

这种方法使用简便，但由于植被指数与LAI之间的关系复杂，估算结果的精度有限。

2. 基于VegeSAIL模型的方法：VegeSAIL模型是一种基于光谱的LAI估算模型，它将植被覆盖度和植被构型与LAI进行建模。

通过遥感数据和该模型对比分析，可以估算出植被的LAI。

3. 基于PROSAIL模型的方法：PROSAIL模型是一种基于物理过程的植被辐射传输模型，可以模拟不同植被类型和结构的辐射反射特性。

通过将遥感数据与该模型相结合，可以估算出植被的LAI。

4. 基于NERD模型的方法：NERD模型是一种基于点源和线源的辐射传输模型，可以模拟植被的光谱反射特性。

通过将遥感数据与该模型相结合，可以估算出植被的LAI。

5. 基于深度学习的方法：深度学习是一种利用神经网络模拟大脑处理信息的方法。

通过训练神经网络模型，可以利用遥感数据估算出植被的LAI。

6. 基于回归分析的方法：这种方法通过建立遥感数据与地面测量LAI之间的回归关系，利用回归模型对LAI进行估算。

回归分析方法适用于区域尺度的估算，但可能受到数据不一致性和空间变异性的限制。

7. 基于的时序遥感的方法：时序遥感数据包含不同时期植被的遥感信息，可以通过比较不同时期的遥感数据，推断植被的LAI变化。

这种方法可以监测植被的动态变化，但需要较长的时间序列数据。

8. 基于植被指标的方法：这种方法通过使用特定的植被指标（如NDVI和EVI）与LAI 之间的经验关系，对植被的LAI进行估算。

这种方法简单易用，但精度较低。

9. 基于遥感图像分割的方法：这种方法通过将遥感图像分割为不同的植被对象，然后分别估算每个植被对象的LAI。

基于多源遥感数据的西兰花不同生育期冠层叶面积指数反演基于多源遥感数据的西兰花不同生育期冠层叶面积指数反演摘要：冠层叶面积指数（L）是评估植物生长状态和生理活动的重要指标之一。

本研究基于多源遥感数据，通过反演方法，探究了西兰花不同生育期的冠层叶面积指数。

结果表明，利用多源遥感数据可以有效地估算西兰花的L，并且不同生育期的西兰花的L存在一定的差异。

1. 引言冠层叶面积指数（Leaf Area Index, L）是指单位地面上叶片所占面积的比值，是评估植物生长状态和生理活动的重要指标。

L的准确反演可以为农业管理和植被生态研究提供有力的支持。

遥感技术的快速发展和大量的遥感数据提供了一种有效的方法来估算植被的L。

2. 材料与方法本研究选择位于某地的西兰花作为研究对象，通过野外调查和现地观测获取了植被指数（Vegetation Index, VI）和L的参考值。

同时，利用多源遥感数据，包括Landsat 8 OLI和Sentinel-2A MSI影像，获取了不同生育期的植被表面反射率数据。

基于逐点观测和社区指数加权Kriging插值方法，反演了西兰花不同生育期的L。

3. 结果与分析通过对多源遥感数据的处理和分析，我们获得了西兰花不同生育期的L值。

结果显示，西兰花的L随着生育期的不同而变化，呈现出逐渐增加的趋势。

在生长初期，L较低，主要受限于植被生长的初始阶段。

随着生长的推进，L逐渐增加，达到生长的顶峰。

随着生育期的结束，L开始下降，这可能是由于生长周期的结束和植被的老化导致的。

4. 讨论与展望本研究基于多源遥感数据成功反演了西兰花的L，并且得到了不同生育期的L变化趋势。

然而，在实际应用中仍存在一些问题需要进一步研究和优化。

例如，反演方法的准确性和可靠性需要进一步提高，特别是在复杂地貌和植被类型的情况下。

此外，研究还可以进一步探索不同遥感数据的组合和融合，以提高L反演结果的精度和稳定性。

综上所述，本研究通过基于多源遥感数据的反演方法，成功地估算了西兰花不同生育期的L，并研究了其变化趋势。

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
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。

中国区域植被叶面积指数时空分布——机理模型模拟与遥感反演比较黄玫;季劲钧【摘要】叶面积指数是表征植被冠层特征的重要参数,同时也是决定生态系统净初级生产力的重要因子,它对全球变化和生态系统碳循环研究具有重要意义.目前大范围的叶面积指数只能通过遥感反演和机理模型模拟获得,而通过这两种方法获取的叶面积指数都存在一定的不确定性.利用大气-植被相互作用模型(AVIM2)在0.1°×0.1°经纬度网格上模拟产生了中国区域叶面积指数并与两套使用不同遥感反演方法生成的叶面积指数在空间分布和季节变化特征方面进行了比较.通过比较说明中国区域植被叶面积指数分布主要受水分条件限制,整体呈现东南部高西北部低的趋势.中国区域植被生长的季节变化受季风影响显著,与气温及地表太阳辐射的季节变化趋势相一致.中国区域叶面积指数整体呈现夏季高、春秋季次之而冬季低的趋势.【期刊名称】《生态学报》【年(卷),期】2010(030)011【总页数】8页(P3057-3064)【关键词】叶面积指数;AVIM2;遥感反演;样带;中国区域【作者】黄玫;季劲钧【作者单位】中国科学院地理科学与资源研究所生态网络观测与模拟重点实验室,北京,100101;中国科学院地理科学与资源研究所生态网络观测与模拟重点实验室,北京,100101;中国科学院大气物理研究所,北京,100029【正文语种】中文叶面积指数(LAI)是衡量生态系统与大气能量和物质交换强度的重要参数，它通过影响冠层的能量、水分平衡和碳光合固定而决定植被的净初级生产力和生态系统的整体功能。

它有多种定义方法[1]目前较为普遍的是定义为单位面积上总叶面积的一半[2]。

过去的许多研究已经证明叶面积指数在控制大气与植被之间能量、动量和物质交换中的重要性[3-6]。

过去的研究同时指出，叶面积指数估计误差是引起净初级生产力估计不确定性的重要原因之一[7-8]，没有对叶面积指数的准确估计就不能正确评估全球变化情景下生态系统植被的生长和净初级生产力变化[9]。

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.。

基于Geosail模型和SVR算法的叶面积指数遥感反演杨维;张学霞;赵静瑶【期刊名称】《中国水土保持科学》【年(卷),期】2018(16)6【摘要】叶面积指数(LAI)控制着植物冠层的多种生理和生态过程,是陆地生态、水文模型中不可或缺的植被参数,因此准确反演区域LAI对研究植被与土壤侵蚀具有重要意义。

本文以北京地区阔叶林为研究对象,利用Geosail模型模拟LAI和7种植被指数:比值植被指数(RVI)、归一化植被指数(NDVI)、绿波段植被指数(GNDVI)、重归一化植被指数(RDVI)、土壤调整植被指数(SAVI)、调整土壤亮度植被指数(OSAVI)和修正的土壤调整植被指数(MSAVI),并采用支持向量机回归(SVR)算法和4种统计回归方法(线性函数、二次函数、指数函数和对数函数)建立LAI反演模型,同时通过Landsat 8 OLI遥感数据和实测数据验证模型精度。

研究表明:1) SVR算法相比其他统计回归方法可以提高LAI反演的模型精度和预测精度; 2) OSAVI指数在LAI反演方面的表现要优于NDVI等指数;3) NDVI指数的建模精度很高,但预测精度较低; 4) OSAVI和SVR算法构建的模型精度和稳定性更好,是LAI反演的优选模型,其预测结果最为精确。

因此,基于Geosail模型和SVR算法的反演方法可提高LAI反演精度,为大区域LAI反演的应用提供了新的思路,扩展了Geosail模型、SVR算法和Landsat 8 OLI遥感数据在LAI反演方面的应用潜力。

【总页数】8页(P48-55)【作者】杨维;张学霞;赵静瑶【作者单位】北京林业大学水土保持学院【正文语种】中文【中图分类】S771.8【相关文献】1.基于k-NN算法的叶面积指数遥感反演 [J], 孙华;罗朝沁;林辉;严恩萍;罗喜华;罗孝云2.基于随机森林算法的冬小麦叶面积指数遥感反演研究 [J], 张春兰;杨贵军;李贺丽;汤伏全;刘畅;张丽妍3.基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演 [J], 林卉;梁亮;张连蓬;杜培军4.基于MK-SVR模型的小麦叶面积指数遥感反演 [J], 王丽爱;谭昌伟;杨昕;周旭东;朱新开;郭文善5.基于Prospect,Liberty和Geosail模型的森林叶面积指数的反演 [J], 李海洋;范文义;于颖;杨曦光因版权原因，仅展示原文概要，查看原文内容请购买。