植被冠层反射模型.ppt

EVI 为了克服归一化植被指数（NDVI）高植被区易饱和、低植被区易受土壤背景影响的缺点，研究者们针对MODIS数据的特点，发展了一种基于MODIS数据的新植被指数， 称之为“ 增强性植被指数EVI 。 EVI是综合处理土壤、大气、饱和问题的增强型植被指数，是NDVI的继承和改进。已有研究表明EVI比NDVI能更好地与叶面积指数、生物量和光合有效辐射分量等建立线性关系。 EVI数据集由Red、NIR、Blue三个波段来生成的，基本公式为： EVI =G×(ρNir-ρRed)/(ρNir +C1×ρRed - C2×ρBlue +L) 式中L=1，为土壤调节参数；参数G =2.5；参数Cl =6，为大气修正红光校正参数；C2=7.5，为大气修正蓝光校正参数。EVI是耦合了抗大气植被指数和土壤调节植被指数。 植被指数方向性校正 绝大部分的物体均具有各向异性的反射特性,其反射率不仅与传感器的位置有关,而且还与入射光源位置有关,称之为二向性反射. 去除这些角度变化引起的植被指数变化（如使角度影响归一化），使系列数据具有可比性，否则，定量推算植被指数研究的基础就不稳固。 一种多日或多角度观测数据 另一种将反射率BRDF模型带入植被指数公式，通过一定的简化建立指标指数与角度关系的模型，进行指标指数角度纠正的方法。 反射率纠正常用BRDF模型 植被指数直接进行BRDF纠正方法 叶面积指数遥感反演 农作物叶面积指数反演： 植被指数与LAI的关系，表达式的经验系数主要依赖于植被类型，这样就需要大量的地面实测数据与相应遥感数据去建立这种经验关系，并且由于土壤与植被覆盖类型的复杂多样，通过植被指数计算LAI的关系表达式是多种多样的，具有地域性与尺度性。 通过描述冠层反射率信息与冠层生物物理参数的植被冠层模型来反演，BRDF模型可以将地表的物理属性与遥感测量的在某个波段、某个角度的信号联系起来，优点是这种方法是一种有物理基础的方法，是独立于植被类型的一种反演方法。 叶面积指数反演常用模型 辐射传输模型，偏重于光的电磁波特性，主要适用于水平均匀植被或浑浊介质。 几何光学模型，侧重于光的粒子特性，假设光线是沿直线传播，即忽略衍射和极化，利于处理两种不同介质边界表面粗糙度大于电磁波波长时的反射、辐射及吸收。 几何光学模型和辐射传输模型分别在不同尺度上具有各自的优势，李小文的几何光学-辐射传输混合模型，将几何光学模型在解释阴影投影面积和地物表面空间相关性上的基本优势和辐射传输在解释均匀介质中多次散射的优势结合起来。 计算机模拟模型，采用计算机模拟模型研究植被表面反射特征时，通常首先生成随机或真实结构的场景，再用蒙特卡罗方法进行光子跟踪，由于需要参数多、计算量大等问题，不能直接反演，但其模拟的数据与真实数据接近，当实测数据不足时，可以代替实测数据进行方法分析。 农作物叶面积指数反演法 植被冠层结构参数的反演有两种方案，一是用光谱信息建立植被指数与冠层参数的关系进行；二是通过多角度遥感信息进行反演（模型反演）。 迭代算法：通过最小化代价函数来确定最优的模型参数。 查找表法：依靠提前计算出大量的模型参数与冠层反射率之间的对应关系，将计算时间用于反演前而不是反演时来提高反演速度。 混合算法：是大量前向模拟与非参数的反演方法的结合，模拟数据用于训练非参数的反演方法。 农作物叶面积指数反演法 不确定性一般表现为随机性和模糊性，可以从反演过程中合理地引入先验知识，反演叶面积指数时冠层反射率模型的选择，对参与反演的多角度遥感数据集进行合理的分析，混合像元对叶面积指数反演的影响等方面进行研究，以减少叶面积指数的反演的不确定性，提高叶面积指数的反演精度；例如波谱库的支持对提高LAI的反演精度作用很大。 影响叶面积指数提取精度的因素很多，只要在把握影响叶面积指数提取精度因素的基础上，有针对性地降低各个影响因素的作用，就可以提高叶面积的反演精度。 森林叶面积指数反演 经验模型法，用遥感测量反射率所构成的变量，与LAI进行相关回归，然后用回归方程反演；缺点是（1）其它变量的影响没考虑；（2）关系建立必须有观测数据；（3）模型通常只在研究区有效，不易推广。 物理模型法，优点是帮助研究者弄清辐射与植被指数的相互作用（模型考虑阴影及多次散射的影响），不像统计模型那样是针对某样地、传感器或季节的，能应用于大多数场地和采样条件；缺点是需要大量参数难以获得。 代价函数算法：《教材》62页 查找表法： 《教材》63页 人工神经网络法： 《教材》63页 森林叶面积指数反演 聚类方法的对比： K均值方法，将给定的数据集合分成确定的若干组.定义k个中心点,每组一个,由于不同的初始中心位置产生不同的聚类结果。通过使它们之间的距离尽可能大,使给定的所有数据点结合到离它最近的中心点的聚类中.当所有的数据点