融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型,利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而,地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足,不能完全支持LAI等地表参数的估算,易造成“病态”反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息,并将其用于代价函数的构建,利用PROSAIL辐射传输模型和遗传算法,分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m,验证对应尺度LAI结果,评价引入先验信息对于提高LAI反演精度的作用。研究表明,引入先验信息有助于提高不同分辨率下LAI反演精度,且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比,以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R²由0.55提高至0.65,RMSE由1.29下降至0.38。在250 m尺度,以500 m LAI反演结果作为先验信息反演的叶面积指数,其精度优于以MODIS LAI产品为先验知识的估算结果,验证精度R²增加了0.08,RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身,没有地面实测数据的参与,在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型,利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而,地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足,不能完全支持LAI等地表参数的估算,易造成"病态"反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息,并将其用于代价函数的构建,利用PROSAIL辐射传输模型和遗传算法,分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m,验证对应尺度LAI结果,评价引入先验信息对于提高LAI反演精度的作用。研究表明,引入先验信息有助于提高不同分辨率下LAI反演精度,且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比,以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R2由0.55提高至0.65,RMSE由1.29下降至0.38。在250 m尺度,以500 m LAI反演结果作为先验信息反演的叶面积指数,其精度优于以MODIS LAI产品为先验知识的估算结果,验证精度R2增加了0.08,RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身,没有地面实测数据的参与,在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index, LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detec-tion and Ranging, LiDAR） 和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest, RF） 回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m²,研究发现最高的点密度（420 points/m²）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获得的LAI反演精度（PLSR：R²=0.874,RMSE=0.317;RF：R²=0.942,RMSE=0.222）高于基于植被指数获得的LAI反演精度（PLSR： R²=0.741,RMSE=0.454;RF：R²=0.861,RMSE=0.338）,而使用组合变量构建预测模型的反演精度（PLSR：R²=0.885, RMSE=0.304;RF：R²=0.950,RMSE=0.203）优于使用单一变量建立的LAI预测模型,其中利用联合LiDAR变量和植被指数建立的随机森林回归模型为最优预测模型。因此,将两种数据源融合在提高植被LAI反演精度方面具有一定的潜力。     

基于DART模型和随机森林估算山地叶面积指数

地形效应会使遥感影像中的地表反射率发生畸变,进而影响基于反射率估算的叶面积指数(Leaf Area Index,LAI)精度。为了减弱或消除地形对LAI反演的影响,基于三维辐射传输模型DART(Discrete Anisotropic Radiative Transfer)构建坡地反射率与LAI数据集作为训练数据。以反射率为输入,LAI为输出,利用随机森林算法进行训练,构建山地LAI反演模型。结合实际遥感影像数据实现山地LAI的估算,并利用实测数据对反演结果开展精度评价。同时,基于DART模型和随机森林构建了平地LAI反演模型作为参照以评价本文发展方法的有效性。结果表明：考虑了地形影响的山地LAI反演模型具有较强的估算能力,验证结果的精度(决定系数(R²)=0.57,均方根误差(RMSE)=0.77 m²/m²)优于平地反演模型(R2=0.46,RMSE=0.86 m2/m2);基于DART模型构建的山地反演模型能够捕捉到坡度和坡向对地表反射率的影响,其反演结果较好地还原了研究区LAI的空间分布,与地面真实情况接近。研究...     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R ²为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数（Vegetation Index,VI）,利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58;RMSE为0.16~0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58,RMSE=0.16）;6种植被指数与LAI高度相关,相关性系数R ²为0.85~0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R2为0.66~0.72,RMSE为0.12~0.14;其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72,RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

基于机载LVIS和星载GLAS波形LiDAR数据反演森林LAI

波形激光雷达（Light Detection And Ranging, LiDAR）已经大量用于森林叶面积指数（Leaf Area Index, LAI）估算,但是波形LiDAR数据估算森林LAI易受地形影响。地形坡度引起的波形展宽使得地面回波和植被冠层回波信息混合在一起,难以得到准确的地面回波和冠层回波,进而影响到LAI估算精度。为了估算不同地形坡度条件下的LAI,本文采用一种坡度自适应的方法处理机载LVIS和星载GLAS波形数据。通过坡度自适应的方法得到地面波峰位置,基于高度阈值来区分地面回波和冠层回波,进而得到能量比值用于LAI估算。基于LVIS和GLAS数据,估算了不同森林站点的LAI,并利用实测LAI数据进行检验。结果表明：利用波形LiDAR数据可以估算森林LAI,坡度自适应方法可以改善地形的影响,提高LAI估算精度。对于机载LVIS,估算新英格兰森林LAI精度为R²=0.77和RMSE=0.21;对于星载GLAS,估算塞罕坝森林LAI精度为R²=0.81和RMSE=0.28。无论机载还是星载数据,该方法都有着较高的精度,对于复杂地形估算LAI具有一定潜力。     

巴音河流域高时空分辨率叶面积指数数据集

叶面积指数（Leaf Area Index，LAI）是表征地表特征变化的重要指标之一，也是陆表、水文等模型的重要参数。本数据集是基于增强型时空自适应反射率融合模型（ESTARFM），将全球陆地表层卫星（GLASS）LAI（8d/500m）、中分辨率成像光谱仪（MODIS）MOD13A1和MYD13A1、陆地卫星Landsat-7 ETM+和Landsat-8 OLI数据，进行融合，得到8 d/30 m分辨率的LAI，通过分段线性内插最终得到巴音河流域高时空分辨率LAI（1 d/30 m）。对比高时空分辨率LAI（1 d/30 m）与GLASS LAI产品的时空特征，验证数据集精度。结果表明：与原始GLASS LAI相比，本数据集在空间上具有与GLASS LAI一致的分布特征，且轮廓与纹理更为清晰。在时间上，二者具有相同的月际变化特征，且由1 d/30 m LAI估算的区域月平均LAI和区域8日平均LAI与原始GLASS LAI存在显著正相关性，R²分别为0.95、0.94，Pearson积矩相关系数均为0.97，P值均小于0.01。此数据集可为陆表过程、水文循环等模拟提供重要的数据支持，为监测植被-陆表-大气循环的变化提供重要依据。     

基于AMSR2和MODIS数据融合的雪深降尺度算法研究—以北疆地区为例

高空间分辨率雪深数据对于区域气候、水文研究具有重要的意义。利用10 km空间分辨率的AMSR2 L1B亮度温度数据,结合500 m空间分辨率的MODIS逐日无云积雪面积比例数据,发展了一种多源数据融合的空间动态降尺度雪深反演算法（SDD）。基于该算法获取了北疆地区500 m空间分辨率的雪深数据（SDDsd）,并利用研究区30个气象台站和野外实测的雪深数据对该算法反演雪深的精度进行了评估。结果表明：基于SDD方法获取的雪深数据与实测雪深数据之间的决定系数R²为0.74,均方根误差RMSE为3.47 cm;雪深反演的精度与下垫面类型密切相关,草地精度最高,城镇和建设用地次之,耕地相对较差;雪深反演的精度也会受到地形的影响,精度随坡度的增加而降低。相对于微波遥感雪深数据直接重采样结果,新的算法有效提高了浅雪区雪深反演精度,同时能更精细地描述积雪的空间分布,为理解区域气候变化、水文循环提供了可靠的数据支撑。此外,随着长时间序列全球尺度逐日无云FSC数据的生产,结合现有的长时间序列全球尺度AMSR2数据,该算法有望制备全球的降尺度雪深产品。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View，GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band，RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure，FCC）定量反演中的潜力，本研究以GF-1 WFV多光谱数据为基础，添加哨兵2号（Sentinel-2A）红边波段，模拟GF-6红边波段特性，并提取相关纹理信息（Texture Information，TI）、植被指数（Vegetation Index，VI）和红边指数（Red- edge Index，RI），同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors，TF）对FCC估测的影响，利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS）模型，实现了内蒙古大兴安岭根河研究区FCC的定量反演，并对比逐步多元线性回归（Stepwise Multiple Linear Regressions，SMLR）和支持向量机（Support Vector Machine，SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性，R²=0.52，RMSE=0.08；GF-1 WFV+VI+TI估测结果为R²=0.56，RMSE=0.08；GF-1 WFV+RE+RI+TI的精度明显提高，R²=0.63，RMSE=0.07；GF-1 WFV+RE+RI+TI+TF的精度最高，R²=0.68，RMSE=0.07，并高于SMLR（R²=0.39，RMSE=0.10）和SVM（R²=0.49，RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测，且添加红边信息经地形校正后，能有效提高FCC的估测精度。     

西南地区不同山地环境梯度叶面积指数遥感反演

叶面积指数(LAI)遥感估算是植被定量遥感研究的热点之一,监测植被LAI时空变化对于研究陆地生态系统碳循环及全球变化等具有非常重要的意义。在我国西南山区设置10个50km×50km的观测样区作为研究区,其中包括5个森林生态系统样区、3个农田生态系统样区和2个草地生态系统样区。分别获取不同优势植被类型LAI地面实测数据,结合同期获取的遥感数据,考虑地形因素影响,基于偏最小二乘原理分别构建各样区LAI遥感估算模型,并采用交叉验证的方式对模型精度进行评价。结果表明:考虑了海拔、坡度和坡向等地形因子的森林LAI遥感反演模型与未考虑地形变量的模型相比,其验证精度有所提高,R2由0.30~0.75提高至0.50~0.80,RMSE由0.52~0.93m2/m2降低至0.48~0.89m2/m2;所有样区优势植被类型LAI反演模型验证R2在0.40~0.80之间,RMSE在0.22~0.89m2/m2之间。发展的LAI遥感估算方法有助于认知山地植被LAI反演的地形效应问题,可为进一步的山地植被长势监测提供科学依据。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子,分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度）,开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483,RMSE为29.522 t/hm²;阔叶林：R²为0.470,RMSE为21.632 t/hm²;混交林：R²为0.351,RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319,RMSE为28.352 t/hm²;阔叶林：R²为0.353,RMSE为18.991t/hm²;混交林：R²为0.281,RMSE为26.637 t/hm²）略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

Retrieval of AOD from Sentinel-2 Data based on Deep Blue Algorithm

Medium-to-high resolution aerosol information is of great significance for surface reflectance inversion and urban ambient air quality monitoring. However, the high-precision aerosol optical thickness (AOD) retrieval in bright areas, such as cities and sparse vegetation areas, has long plagued the quantitative remote sensing applications. Taking Beijing urban area and Baotou desert area as examples, using MODIS surface reflectance products to construct prior knowledge constraints, the AOD inversion of 13 scenes Sentinel-2 images in bright areas was realized based on the deep blue algorithm. To verify the accuracy of the algorithm, the result were compared with the Sentinel-2 official algorithm processing result, the Landsat-8 official aerosol products and the ground-measured AOD data from the Global Aerosol Automated Observing Network (AERONET). The results indicate that the retrieved AOD values from deep blue algorithm is significantly correlated with the measured value of AERONET(R² > 0.90, RMSE = 0.056 0), and the AOD spatial distributions are also well consistent with those from Landsat-8, which reflects the characteristics of human activities. But, whether in desert bright area or urban bright area with less vegetation, the AOD values retrieved by Sen2Cor plug-in are fixed, no spatial distribution and do not conform to the actual situation. In general, compared with the current official products, the deep blue algorithm is suitable for aerosol retrieval in high-brightness areas of Sentinel-2 data，and has obvious advantages in terms of estimation accuracy and spatial distribution trend.     

Inversion of a radiative transfer model for estimating vegetation LAI and chlorophyll in a heterogeneous grassland

Radiative transfer models have seldom been applied for studying heterogeneous grassland canopies. Here, the potential of radiative transfer modeling to predict LAI and leaf and canopy chlorophyll contents in a heterogeneous Mediterranean grassland is investigated. The widely used PROSAIL model was inverted with canopy spectral reflectance measurements by means of a look-up table (LUT). Canopy spectral measurements were acquired in the field using a GER 3700 spectroradiometer, along with simultaneous in situ measurements of LAI and leaf chlorophyll content. We tested the impact of using multiple solutions, stratification (according to species richness), and spectral subsetting on parameter retrieval. To assess the performance of the model inversion, the normalized RMSE and R² between independent in situ measurements and estimated parameters were used. Of the three investigated plant characteristics, canopy chlorophyll content was estimated with the highest accuracy (R² = 0.70, NRMSE = 0.18). Leaf chlorophyll content, on the other hand, could not be estimated with acceptable accuracy, while LAI was estimated with intermediate accuracy (R² = 0.59, NRMSE = 0.18). When only sample plots with up to two species were considered (n = 107), the estimation accuracy for all investigated variables (LAI, canopy chlorophyll content and leaf chlorophyll content) increased (NRMSE = 0.14, 0.16, 0.19, respectively). This shows the limits of the PROSAIL radiative transfer model in the case of very heterogeneous conditions. We also found that a carefully selected spectral subset contains sufficient information for a successful model inversion. Our results confirm the potential of model inversion for estimating vegetation biophysical parameters at the canopy scale in (moderately) heterogeneous grasslands using hyperspectral measurements.     

基于涡度数据的东北草地光能利用率模型构建与验证

草地作为地球上分布最广的植被类型,在陆地碳循环中发挥着重要作用.草地生产力是估算产草量的基础,准确模拟生产力对草原资源合理利用及生态保护具有重要意义.以东北草地生产力为研究核心,利用涡度相关通量观测数据、遥感数据和气象数据,构建和检验东北草地光能利用率模型.东北草地光能利用率模型以归一化物候植被指数(NDPI)代表光合...     

基于深蓝算法的Sentinel-2数据气溶胶光学厚度反演

中高分辨率气溶胶信息对于高精度地表反射率反演以及城市空气环境质量监测具有重大意义,但在城市及稀疏植被等高亮地表区域,气溶胶光学厚度(AOD)的高精度反演一直是定量遥感领域的难点之一。以北京城市区和包头沙漠区为例,利用MODIS地表反射率产品构建先验知识约束条件,基于深蓝算法实现了13景Sentinel-2高亮地表的AOD反演。为验证算法精度,将反演结果与全球气溶胶自动观测网(AERONET)站点实测值、Sentinel-2官方插件Sen2Cor处理结果、Landsat-8反演值作对比。结果表明:①采用深蓝算法反演的AOD值与AERONET实测值具有显著的相关性(R^2>0.9,RMSE=0.056);②无论是沙漠高亮区还是植被较少的城市高亮区,Sen2Cor插件反演的AOD值整景均为固定值,无空间分布,不符合实际情况;③Sentinel-2深蓝算法反演结果与准同步过境的Landsat-8反演的AOD产品在空间分布上具有高度一致性,较好地反映了人类活动特征。相比于目前官方产品,深蓝算法适合Sentinel-2数据高亮区域的气溶胶反演,在绝对精度和空间分布趋势方面均具有明显优势。