00遥感应用模型综述-复习版.pptVIP

计算机模拟模型 蒙特卡罗模型、真实景观模型，基于计算机的蒙特卡罗方法是通过在三维冠层内模拟大量光子的发生、碰撞、散射、消亡的过程，对其结果作出统计，从而估计冠层的方向反射或热辐射特性。 意义在于从仿真角度来生成模拟数据和检验模型，但是二者都需要大量计算，因而不适合成为运行算法，一般是作为模型研究的辅助工具。 半经验的“核”驱动模型 经验模型使用参数较少，表达式简单，具有一定的物理意义。（加权核、表面散射核、体散射核） 地表热辐射方向性模型 四类：几何光学模型、辐射传输模型、混合模型和计算机模拟模型。 几何光学模型，冠层被假定为一个不透光的实体，热辐射只来自植被冠层和土壤表面，每一组分表面被假定为具有一致的热辐射特性，方向性热辐射的角度变化来自于组分在视场内的可视面积比随着观察角度变化而变化。 热辐射传输模型，将可见光-近红外模型中经典的空隙率引入热辐射模型中，使用了空隙率概念 混合模型，各个部分由于三维结构相互遮挡状况随着观察角度在发生变化；每个组分内部的光学路径随着观察方向也在发生变化。 目前的冠层反射率模型能够在模拟准确性和计算简便性之间找到一个平衡点，对植被叶片和地表植被的二向性特征进行模拟。 定量遥感信息模型及其不确定性研究 均匀作物冠层的辐射传输模型—SAILE模型 行结构作物冠层的辐射传输模型 基于仿真三维结构的计算机模拟模型 均匀作物冠层的辐射传输模型—SAILE模型 PROSPECT叶片模型改进—EPROSPECT 叶片内生化物质均匀分布的假设总是会对叶片的模拟结果产生一定程度的误差，误差的大小依赖于生化物质的不均匀分布明显程度。 基于EPROSPECT模型的冠层模型改进--SAILE模型 EPROSPECT叶片模型在叶片尺度上考虑叶片正反两面反射率差异；在SAIL冠层反射率模型的基础上，将叶片正反两面反射率分别带入模型，在冠层尺度上考虑了叶片正反两面反射率的差异。 行结构作物冠层的辐射传输模型 行结构二向性反射模型 光照土壤、阴影土壤、光照植被、阴影植被 冬小麦穗叶复合模型 1）视场内各组分的热辐射特性：光照土壤、阴影土壤、光照麦穗、阴影麦穗和叶片 2）小麦冠层的几何结构和太阳-目标体-传感器的几何关系 3）模拟小麦冠层方向亮温 结论：方向性亮温的角度分布可以用于农业生产大范围的生长期监测，判断小麦是否到了抽穗期。 地表参数定量遥感反演及其不确定性 植被指数遥感提取及方向性校正 叶面积指数遥感反演 地表反照率遥感反演 地表温度遥感反演 植被指数遥感提取 NDVI与叶面积指数、绿色生物量、植被有效光合作用系数等生物物理参数有关。 可以从辐射传输模型或观测数据获得。 由于植被的冠层反射率与许多因素有关，如土壤属性，植被类型，太阳辐照及大气条件，传感器的观测几何，所以，即使对于特定的传感器，LAI与VI之间不存在刻意适用于任何地方与任一时间的唯一关系。 叶面积指数遥感反演 1）辐射传输模型(假设水平均匀，如农田作物，SAIL模型)，优点：较好描述植被冠层内部的多次散射；缺点：水平均匀的假说往往与实际地表不符 2）几何光学模型（GO） 几何光学模型把植被简化为立方体、圆锥、椭球或圆柱等离散的几何实体，以简洁的形式描述了产生离散植被反射和热辐射方向性的主要原因，得到学术界的广泛认可。 3）混合模型 如：将几何光学模型与辐射传输模型结合。具体方法：将传感器视场内的地物目标仍按几何模型一样处理成具有一定形状和空间分布特征的组分。群体内部的每个单体组分的处理方法类似于辐射传输模型，每个单体组分被看作有更小单元组成的具有一定光学性质的散射体集合。 植被指数方向性校正 大气影响、土壤影响、角度影响 反射率纠正常用BRDF模型 植被指数直接进行BRDF纠正方法 VI与LAI的关系式不仅数据表达式有多种形式（线性，指数，对数等），而且这些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的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的关系表达式常是多种多样，具有地域性与尺度性，很难将这种经验关系用于大尺度的遥感图像。 农作物叶面积指数反演 混合像元问题对LAI反演所带来的不确定性问题。研究的混合像元由两种情况构成。 一种，由不同长势的作物所构成的混合像元； 另一种，情况是由不同端元形成的混合像元。 结果表明：不同长势形成的混合像元对LAI的准确反演影响不大；不同组分形成的混合像元对LAI反演影响很大。从验证的角度讲，地面实测点的LAI数据不能代表一定分辨率区域的LAI的值，对于像元LAI的验证要注意正确获得像元的LAI。 森林叶面积指数反演 主要有经验模型方法（LAI与光谱指经验关系）、物理模型反演方法和其他非参数方法。 经验模型方法，用遥感测量反射率所构成的变