Retrieving Leaf Area Index of Boreal Conifer Forests Using Landsat TM Images
1
1996
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
Retrieval of Canopy Biophysical Variables from Bidirectional Reflectance : Using Prior Information to Solve the Ill-posed Inverse Problem
6
2003
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
... [2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
... 在基于模型的遥感反演中,代价函数值是评价模型反射率模拟值与反射率观测值(近似真值)“相似度”的重要指标,代价函数通过最小化多个波段模拟反射率和观测反射率之间的差异,得到一个或多个生物物理参数的值[25].由于受模型和观测误差的影响,仅利用辐射信息参与遥感反演,反演结果具有不稳定性[2].通过在代价函数中引入先验信息,能够有效削弱观测数据等误差导致的不稳定,以获得最优函数解[22,25].本研究构建包含先验信息的代价函数形式如式1所示. ...
... 针对遥感“病态”反演问题,在反演过程中引入先验信息被认为是较为简单且有效的方法[2,27,28,46].本研究在LAI反演过程中引入MODSI LAI产品和已有LAI反演结果作为先验信息,验证结果表明,引入已有LAI遥感数据作为先验信息能够有效抑制遥感“病态”反演问题的影响,有效提高LAI反演结果精度,证明了LAI遥感产品作为先验信息参与LAI遥感反演的可行性与应用潜力.然而,相对准确和客观的先验知识对反演结果是极其重要的[46].Gao等[47]在验证不同地表覆被类型与NDVI之间关系时,将先验知识区分为适用于所有土地覆盖类型的一般性知识和针对不同地类的特殊性知识,研究发现,利用后者构建的模型能够更好地表达不同地类与NDVI之间的关系,利用该模型的反演结果可能优于利用一般性知识所构建的模型.本研究在250 m尺度利用不同遥感先验信息进行LAI反演,对比结果发现,不同先验信息的LAI反演结果有明显差异,且先验信息质量对反演结果有较大影响. ...
联合主被动遥感数据定量评价林下植被对叶面积指数估算的影响
1
2019
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
联合主被动遥感数据定量评价林下植被对叶面积指数估算的影响
1
2019
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
基于作物生长模型和多源数据的融合技术研究进展
1
2015
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
基于作物生长模型和多源数据的融合技术研究进展
1
2015
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
大尺度森林碳循环过程模拟模型综述
1
2018
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
大尺度森林碳循环过程模拟模型综述
1
2018
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
Hyperspectral Vegetation Indices and Novel Algorithms for Predicting Green LAI of Crop Canopies: Modeling and Validation in the Context of Precision Agriculture
2
2004
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
Optical Remote Sensing and the Retrieval of Terrestrial Vegetation Bio-geophysical Properties—A Review
3
2015
... 叶面积指数(Leaf Area Index, LAI)通常定义为单位地表面积上绿叶单面面积之和[1],是陆地生态系统中表征植被冠层结构特征和生物物理变化的关键参数,直接影响到植被的光合、蒸腾作用效率和能量平衡状态[2,3].同时,LAI也是生态气候模型、作物生长模型碳循环过程模型中的主要参数之一[4,5,6],其精确估算对于农业、生态、环境和气候变化研究具有十分重要的意义[7]. ...
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
西南地区不同山地环境梯度叶面积指数遥感反演
1
2016
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
西南地区不同山地环境梯度叶面积指数遥感反演
1
2016
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
三江平原湿地植被叶面积指数遥感估算模型
1
2008
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
三江平原湿地植被叶面积指数遥感估算模型
1
2008
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
Retrieving Leaf Area Index Using A Genetic Algorithm with a Canopy Radiative Transfer Model
1
2003
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
Generating Global Leaf Area Index from Landsat: Algorithm Formulation and Demonstration
1
2012
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
Inversion of A Radiative Transfer Model with Hyperspectral Observations for LAI Mapping in Poplar Plantations
2
2004
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 该式第一项代表反射率信息,第二项为正则化项,包含LAI等待求解参数先验信息.式中F表示代价函数适应度,当适应度F取最小值时,待求解参数的解达到最优状态.是第i个波段的反射率观测值;为PROSAIL模型模拟的第i个波段反射率;代表波段数量,即红光和近红外两个波段;代表第i个波段反射率的误差;为第j个待求解参数的先验信息;和分别为第j个待求解参数的取值区间上下限;代表第j个待求解参数先验信息的误差;代表待求解参数的数量,取值为4,即PROSAIL冠层辐射传输模型的4个待求解参数.其中,LAI先验信息在不同尺度分别由MODIS LAI产品和相应的LAI遥感反演结果提供;ALA、Cab、Cw变量则根据研究区植被类型、生长阶段、影像获取时间等因素设定各自取值区间和先验值;和的取值主要参考Combal等[23]和Meroni等[12]的研究确定. ...
Inversion of A Forest Reflectance Model to Estimate Structural Canopy Variables from Hyperspectral Remote Sensing Data
1
2006
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
基于PROBA/CHRIS遥感数据和PROSAIL模型的春小麦LAI反演
1
2011
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
基于PROBA/CHRIS遥感数据和PROSAIL模型的春小麦LAI反演
1
2011
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
Object-based Retrieval of Biophysical Canopy Variables Using Artificial Neural Nets and Radiative Transfer Models
1
93
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
Recent Developments in Estimating Land Surface Biogeophysical Variables from Optical Remote Sensing
1
2007
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
Modifying Geometric-Optical Bidirectional Reflectance Model for Direct Inversion of Forest Canopy Leaf Area Index
1
2015
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
A Four-scale Bidirectional Reflectance Model based on Canopy Architecture
1
1997
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
Light Scattering by Leaf Layers with Application to Canopy Reflectance Modeling: the SAIL Model
1
1984
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
PROSPECT-4 and 5: Advances in the Leaf Optical Properties Model Separating Photosynthetic Pigments
3
2011
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... PROSAIL辐射传输模型在LAI反演中被广泛使用[20,21,35].该模型由PROSPECT叶片光学模型[20]和SAIL冠层双向反射率模型[36]相耦合,同时考虑了叶倾角分布、叶片镜面反射、土壤的非朗伯特性以及植被冠层的热点效应,能够很好地模拟400~2 500 nm波段处均匀植被冠层的反射特性[21].PROSAIL模型将表征叶片生物化学特性的冠层反射光谱变化与指示冠层结构、土壤与植被变化的光谱反射方向变化相联系,这种联系为同时反演估算冠层生物化学变量和冠层结构变量提供了可能[21]. ...
... [20]和SAIL冠层双向反射率模型[36]相耦合,同时考虑了叶倾角分布、叶片镜面反射、土壤的非朗伯特性以及植被冠层的热点效应,能够很好地模拟400~2 500 nm波段处均匀植被冠层的反射特性[21].PROSAIL模型将表征叶片生物化学特性的冠层反射光谱变化与指示冠层结构、土壤与植被变化的光谱反射方向变化相联系,这种联系为同时反演估算冠层生物化学变量和冠层结构变量提供了可能[21]. ...
PROSPECT + SAIL Models: A Review of Use for Vegetation Characterization
6
2009
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... [21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... PROSAIL辐射传输模型在LAI反演中被广泛使用[20,21,35].该模型由PROSPECT叶片光学模型[20]和SAIL冠层双向反射率模型[36]相耦合,同时考虑了叶倾角分布、叶片镜面反射、土壤的非朗伯特性以及植被冠层的热点效应,能够很好地模拟400~2 500 nm波段处均匀植被冠层的反射特性[21].PROSAIL模型将表征叶片生物化学特性的冠层反射光谱变化与指示冠层结构、土壤与植被变化的光谱反射方向变化相联系,这种联系为同时反演估算冠层生物化学变量和冠层结构变量提供了可能[21]. ...
... [21].PROSAIL模型将表征叶片生物化学特性的冠层反射光谱变化与指示冠层结构、土壤与植被变化的光谱反射方向变化相联系,这种联系为同时反演估算冠层生物化学变量和冠层结构变量提供了可能[21]. ...
... [21]. ...
... PROSAIL冠层辐射传输模型所需输入参数主要包括叶片结构参数(N),叶绿素含量(Cab)、类胡萝卜素(Car)、叶片含水量(Cw)、叶片干物质含量(Cm)、叶面积指数(LAI)、热点参数(Hspot)、平均叶倾角(ALA)、土壤干湿因子(Psoil)、太阳天顶角(tts)、观测天顶角(tto)、相对方位角(psi).已有研究表明PROSAIL模型中LAI、ALA、Cab和Cm等对模拟反射率的影响较大[21,37].因此,本研究将这4个参数作为遥感反演过程中的待求解参数,而其他参数根据影像获取时间、地表植被类型和生长阶段等信息均设为常量.tts、tto和psi3个角度值根据MOD09GA反射率数据中相应角度数据设定. ...
Estimating Canopy Characteristics from Remote Sensing Observations: Review of Methods and Associated Problems
3
2008
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... [22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 在基于模型的遥感反演中,代价函数值是评价模型反射率模拟值与反射率观测值(近似真值)“相似度”的重要指标,代价函数通过最小化多个波段模拟反射率和观测反射率之间的差异,得到一个或多个生物物理参数的值[25].由于受模型和观测误差的影响,仅利用辐射信息参与遥感反演,反演结果具有不稳定性[2].通过在代价函数中引入先验信息,能够有效削弱观测数据等误差导致的不稳定,以获得最优函数解[22,25].本研究构建包含先验信息的代价函数形式如式1所示. ...
Improving Canopy Variables Estimation from Remote Sensing Data by Exploiting Ancillary Information, Case Study on Sugar Beet Canopies
2
2002
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 该式第一项代表反射率信息,第二项为正则化项,包含LAI等待求解参数先验信息.式中F表示代价函数适应度,当适应度F取最小值时,待求解参数的解达到最优状态.是第i个波段的反射率观测值;为PROSAIL模型模拟的第i个波段反射率;代表波段数量,即红光和近红外两个波段;代表第i个波段反射率的误差;为第j个待求解参数的先验信息;和分别为第j个待求解参数的取值区间上下限;代表第j个待求解参数先验信息的误差;代表待求解参数的数量,取值为4,即PROSAIL冠层辐射传输模型的4个待求解参数.其中,LAI先验信息在不同尺度分别由MODIS LAI产品和相应的LAI遥感反演结果提供;ALA、Cab、Cw变量则根据研究区植被类型、生长阶段、影像获取时间等因素设定各自取值区间和先验值;和的取值主要参考Combal等[23]和Meroni等[12]的研究确定. ...
陆表定量遥感反演方法的发展新动态
2
2016
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... [24]. ...
陆表定量遥感反演方法的发展新动态
2
2016
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... [24]. ...
Multiple Cost Functions and Regularization Options for Improved Retrieval of Leaf Chlorophyll Content and LAI through Inversion of the PROSAIL Model
3
2013
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 在基于模型的遥感反演中,代价函数值是评价模型反射率模拟值与反射率观测值(近似真值)“相似度”的重要指标,代价函数通过最小化多个波段模拟反射率和观测反射率之间的差异,得到一个或多个生物物理参数的值[25].由于受模型和观测误差的影响,仅利用辐射信息参与遥感反演,反演结果具有不稳定性[2].通过在代价函数中引入先验信息,能够有效削弱观测数据等误差导致的不稳定,以获得最优函数解[22,25].本研究构建包含先验信息的代价函数形式如式1所示. ...
... ,25].本研究构建包含先验信息的代价函数形式如式1所示. ...
先验知识在遥感反演中的作用
2
1998
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
先验知识在遥感反演中的作用
2
1998
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
光谱先验知识在植被结构遥感反演中的应用
3
2002
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
... 针对遥感“病态”反演问题,在反演过程中引入先验信息被认为是较为简单且有效的方法[2,27,28,46].本研究在LAI反演过程中引入MODSI LAI产品和已有LAI反演结果作为先验信息,验证结果表明,引入已有LAI遥感数据作为先验信息能够有效抑制遥感“病态”反演问题的影响,有效提高LAI反演结果精度,证明了LAI遥感产品作为先验信息参与LAI遥感反演的可行性与应用潜力.然而,相对准确和客观的先验知识对反演结果是极其重要的[46].Gao等[47]在验证不同地表覆被类型与NDVI之间关系时,将先验知识区分为适用于所有土地覆盖类型的一般性知识和针对不同地类的特殊性知识,研究发现,利用后者构建的模型能够更好地表达不同地类与NDVI之间的关系,利用该模型的反演结果可能优于利用一般性知识所构建的模型.本研究在250 m尺度利用不同遥感先验信息进行LAI反演,对比结果发现,不同先验信息的LAI反演结果有明显差异,且先验信息质量对反演结果有较大影响. ...
光谱先验知识在植被结构遥感反演中的应用
3
2002
... 传统的LAI地面获取方式是在研究区内选择有限的几个或几十个典型样点进行估计,效率低且具有破坏性,传统方法虽然在一定程度上能够保证数据观测的精度,但较难满足区域尺度获取植被LAI的需求[8].遥感技术的快速发展为估算区域尺度乃至全球范围陆表植被LAI提供了强有力的手段,是LAI获取方法的一次飞跃[9,10].利用遥感数据反演LAI的方法大致可分为经验模型法[6]和物理模型法[7,11].经验模型法,即回归分析方法,通常是在光谱植被指数与LAI之间建立线性或者非线性回归经验模型,是使用较为广泛的LAI反演方法[12].但经验模型存在饱和效应的缺点[13],且经验关系受限于具体实验区域、采样条件、传感器等方面因素,在不同的研究区域或物候季节条件下,该关系不具有普适性[14].物理模型能够将各个物理参量参数化及参量之间的关系公式化,并且这种物理关系相较于经验统计方法建立的回归关系具有更好的普适性[15].因此,基于物理模型的反演方法被认为是从对地观测数据中提取LAI等生物物理参数最可靠和稳健的方法之一[16].在反演LAI方面,以几何光学模型[17,18]和辐射传输模型[19,20,21]最具有代表性.但是,模型所需输入参数较多,有限的遥感观测信息不足以将参数的不确定性降低至合理范围[2,22,23],易导致遥感的“病态”反演问题[21,24,25,26,27].为克服遥感“病态”反演问题,学者们开展了一系列方法探索,比如多源数据融合、时空约束、多反演算法集成、数据同化等,这些方法统称为正则化方法[22].正则化方法的核心思想是增加参与反演的信息量,提高解的稳定性和精度[24]. ...
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
... 针对遥感“病态”反演问题,在反演过程中引入先验信息被认为是较为简单且有效的方法[2,27,28,46].本研究在LAI反演过程中引入MODSI LAI产品和已有LAI反演结果作为先验信息,验证结果表明,引入已有LAI遥感数据作为先验信息能够有效抑制遥感“病态”反演问题的影响,有效提高LAI反演结果精度,证明了LAI遥感产品作为先验信息参与LAI遥感反演的可行性与应用潜力.然而,相对准确和客观的先验知识对反演结果是极其重要的[46].Gao等[47]在验证不同地表覆被类型与NDVI之间关系时,将先验知识区分为适用于所有土地覆盖类型的一般性知识和针对不同地类的特殊性知识,研究发现,利用后者构建的模型能够更好地表达不同地类与NDVI之间的关系,利用该模型的反演结果可能优于利用一般性知识所构建的模型.本研究在250 m尺度利用不同遥感先验信息进行LAI反演,对比结果发现,不同先验信息的LAI反演结果有明显差异,且先验信息质量对反演结果有较大影响. ...
A Priori Knowledge Accumulation and Its Application to Linear BRDF Model Inversion
3
2001
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
... 针对遥感“病态”反演问题,在反演过程中引入先验信息被认为是较为简单且有效的方法[2,27,28,46].本研究在LAI反演过程中引入MODSI LAI产品和已有LAI反演结果作为先验信息,验证结果表明,引入已有LAI遥感数据作为先验信息能够有效抑制遥感“病态”反演问题的影响,有效提高LAI反演结果精度,证明了LAI遥感产品作为先验信息参与LAI遥感反演的可行性与应用潜力.然而,相对准确和客观的先验知识对反演结果是极其重要的[46].Gao等[47]在验证不同地表覆被类型与NDVI之间关系时,将先验知识区分为适用于所有土地覆盖类型的一般性知识和针对不同地类的特殊性知识,研究发现,利用后者构建的模型能够更好地表达不同地类与NDVI之间的关系,利用该模型的反演结果可能优于利用一般性知识所构建的模型.本研究在250 m尺度利用不同遥感先验信息进行LAI反演,对比结果发现,不同先验信息的LAI反演结果有明显差异,且先验信息质量对反演结果有较大影响. ...
... 不同传感器之间的空间分辨率差异能够为变量反演提供互补的遥感信息[48,49],在遥感信息误差较小情况下,LAI反演中提供其他遥感信息作为约束,将有助于降低反演结果的不确定性[28,50].本研究在反演高分辨LAI中引入低分辨率遥感数据作为先验信息优化反演结果,由统计和空间分布分析结果发现,低分辨率遥感数据能够为LAI反演提供更多的信息约束,提高反演的稳定性和合理性,增加高分辨率LAI的空间信息表达.该方法为优化高分辨率LAI的反演提供了有效借鉴. ...
Multitemporal and Multiresolution Leaf Area Index Retrieval for Operational Local Rice Crop Monitoring
1
2016
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
Exploitation of SAR and Optical Sentinel Data to Detect Rice Crop and Estimate Seasonal Dynamics of Leaf Area Index
1
2017
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
Bayesian Object-based Estimation of LAI and Chlorophyll from a Simulated Sentinel-2 Top-of-atmosphere Radiance Image
1
2014
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
Global Estimation of Biophysical Variables from Google Earth Engine Platform
1
2018
... 加入先验信息是解决遥感“病态”反演问题的一种简单有效方法[2].李小文等[26]指出在定量遥感反演中引入地表先验知识的重要性,并从理论上给出了遥感反演引入先验知识的方法,以实现对遥感数据及辅助信息的充分合理利用.目前,先验信息主要来自于地面实测或经过验证的遥感数据[2,27,28].小范围研究时,参数先验知识通常基于土地覆被类型和地面实测数据确定[7,29,30,31],然而,针对遥感的空间大尺度特性,遥感反演结果易受空间异质性影响,仅依赖离散的地面采样点观测作为先验信息,其代表性较弱,不足以准确刻画大尺度像元或者区域内所有地表参数信息的空间分布特征.在基于物理模型的大范围LAI反演中,以LAI遥感数据产品(如MODIS LAI)或遥感反演结果作为先验信息,相较于有限的LAI地面采样点数据,具有更好的代表性和可信度[32]. ...
Synergistic Algorithm for Estimating Vegetation Canopy Leaf Area Index and Fraction of Absorbed Photosynthetically Active Radiation from MODIS and MISR Data
1
1998
... MCD15A2H数据集为MODIS LAI/FPAR数据产品,时间分辨率为8 d,空间分辨率500 m.该数据集反演算法包含一个主算法和一个备用算法[33],主算法基于三维辐射传输模型,结合MODIS反射率遥感产品(MOD09GA)和MODIS多年土地覆被产品(MCD12Q1)信息利用查找表算法反演LAI.备用算法利用归一化植被指数(NDVI)与特定地类LAI之间的经验关系反演LAI.如果主算法反演失败则采用备用算法.选择2006年第161~168天MCD15A2H数据集中LAI数据作为反演算法中的遥感先验信息. ...
Early Spatial and Temporal Validation of MODIS LAI Product in the Southern Africa Kalahari
1
2002
... 采用2006年第161天MOD09GA、MOD09GQ反射率数据集作为遥感观测信息,空间分辨率分别为500 m和250 m,时间分辨率均为1 d.MOD09GA数据集包含红光、近红外等7个反射率波段信息以及太阳天顶角、太阳方位角和传感器天顶角与方位角等信息;MOD09GQ反射率产品包含红光、近红外两个反射率波段及质量控制等信息.其中,反射率数据均经过大气双向反射、太阳高度角校正和严格的大气分子散射、臭氧、气溶胶以及去云处理[34].为了保证观测信息与MODIS LAI先验信息所用波段信息的一致性,反射率数据均选择红光和近红外两个波段作为观测值参与LAI反演.以上MODIS数据均经过质量控制、投影转换等预处理. ...
基于PROSAIL辐射传输模型的毛竹林叶面积指数遥感反演
1
2013
... PROSAIL辐射传输模型在LAI反演中被广泛使用[20,21,35].该模型由PROSPECT叶片光学模型[20]和SAIL冠层双向反射率模型[36]相耦合,同时考虑了叶倾角分布、叶片镜面反射、土壤的非朗伯特性以及植被冠层的热点效应,能够很好地模拟400~2 500 nm波段处均匀植被冠层的反射特性[21].PROSAIL模型将表征叶片生物化学特性的冠层反射光谱变化与指示冠层结构、土壤与植被变化的光谱反射方向变化相联系,这种联系为同时反演估算冠层生物化学变量和冠层结构变量提供了可能[21]. ...
基于PROSAIL辐射传输模型的毛竹林叶面积指数遥感反演
1
2013
... PROSAIL辐射传输模型在LAI反演中被广泛使用[20,21,35].该模型由PROSPECT叶片光学模型[20]和SAIL冠层双向反射率模型[36]相耦合,同时考虑了叶倾角分布、叶片镜面反射、土壤的非朗伯特性以及植被冠层的热点效应,能够很好地模拟400~2 500 nm波段处均匀植被冠层的反射特性[21].PROSAIL模型将表征叶片生物化学特性的冠层反射光谱变化与指示冠层结构、土壤与植被变化的光谱反射方向变化相联系,这种联系为同时反演估算冠层生物化学变量和冠层结构变量提供了可能[21]. ...
Unified Optical-thermal Four-stream Radiative Transfer Theory for Homogeneous Vegetation Canopies
1
2007
... PROSAIL辐射传输模型在LAI反演中被广泛使用[20,21,35].该模型由PROSPECT叶片光学模型[20]和SAIL冠层双向反射率模型[36]相耦合,同时考虑了叶倾角分布、叶片镜面反射、土壤的非朗伯特性以及植被冠层的热点效应,能够很好地模拟400~2 500 nm波段处均匀植被冠层的反射特性[21].PROSAIL模型将表征叶片生物化学特性的冠层反射光谱变化与指示冠层结构、土壤与植被变化的光谱反射方向变化相联系,这种联系为同时反演估算冠层生物化学变量和冠层结构变量提供了可能[21]. ...
PROSAIL模型的参数敏感性研究
1
2014
... PROSAIL冠层辐射传输模型所需输入参数主要包括叶片结构参数(N),叶绿素含量(Cab)、类胡萝卜素(Car)、叶片含水量(Cw)、叶片干物质含量(Cm)、叶面积指数(LAI)、热点参数(Hspot)、平均叶倾角(ALA)、土壤干湿因子(Psoil)、太阳天顶角(tts)、观测天顶角(tto)、相对方位角(psi).已有研究表明PROSAIL模型中LAI、ALA、Cab和Cm等对模拟反射率的影响较大[21,37].因此,本研究将这4个参数作为遥感反演过程中的待求解参数,而其他参数根据影像获取时间、地表植被类型和生长阶段等信息均设为常量.tts、tto和psi3个角度值根据MOD09GA反射率数据中相应角度数据设定. ...
PROSAIL模型的参数敏感性研究
1
2014
... PROSAIL冠层辐射传输模型所需输入参数主要包括叶片结构参数(N),叶绿素含量(Cab)、类胡萝卜素(Car)、叶片含水量(Cw)、叶片干物质含量(Cm)、叶面积指数(LAI)、热点参数(Hspot)、平均叶倾角(ALA)、土壤干湿因子(Psoil)、太阳天顶角(tts)、观测天顶角(tto)、相对方位角(psi).已有研究表明PROSAIL模型中LAI、ALA、Cab和Cm等对模拟反射率的影响较大[21,37].因此,本研究将这4个参数作为遥感反演过程中的待求解参数,而其他参数根据影像获取时间、地表植被类型和生长阶段等信息均设为常量.tts、tto和psi3个角度值根据MOD09GA反射率数据中相应角度数据设定. ...
xiii(
2
1989
... 遗传算法的基本思想是生物进化过程中的自然选择,通过基因重组和突变实现基因组的随机选择和优化过程[38].一般的遗传算法包含参数编码、初始群体生成、适应度值评价、选择、交叉、变异、结果评估等步骤,其核心操作为选择、交叉和变异.完整的遗传还应包含遗传代数、每一代群体大小等参数,这些参数的设定与运算速度和精度相关,遗传算法详细参数设置和算法原理参考文献[38,39]. ...
... .一般的遗传算法包含参数编码、初始群体生成、适应度值评价、选择、交叉、变异、结果评估等步骤,其核心操作为选择、交叉和变异.完整的遗传还应包含遗传代数、每一代群体大小等参数,这些参数的设定与运算速度和精度相关,遗传算法详细参数设置和算法原理参考文献[38,39]. ...
Practical Genetic Algorithms
1
2004
... 遗传算法的基本思想是生物进化过程中的自然选择,通过基因重组和突变实现基因组的随机选择和优化过程[38].一般的遗传算法包含参数编码、初始群体生成、适应度值评价、选择、交叉、变异、结果评估等步骤,其核心操作为选择、交叉和变异.完整的遗传还应包含遗传代数、每一代群体大小等参数,这些参数的设定与运算速度和精度相关,遗传算法详细参数设置和算法原理参考文献[38,39]. ...
SCE-UA、遗传算法和单纯形优化算法的应用
1
2009
... 遗传算法作为全局随机搜索算法,能够在先验信息的约束下,基于整个解空间搜寻代价函数的最优参数解,降低反演结果落入局部极小值的可能性,保证反演结果的合理性.相较于一般的确定性搜索算法(如单纯形法、共轭方向集法),遗传算法具有更好的全局收敛性[40,41].因此,本研究选择遗传算法求解代价函数的最小值,进而得到LAI的最优估计值. ...
SCE-UA、遗传算法和单纯形优化算法的应用
1
2009
... 遗传算法作为全局随机搜索算法,能够在先验信息的约束下,基于整个解空间搜寻代价函数的最优参数解,降低反演结果落入局部极小值的可能性,保证反演结果的合理性.相较于一般的确定性搜索算法(如单纯形法、共轭方向集法),遗传算法具有更好的全局收敛性[40,41].因此,本研究选择遗传算法求解代价函数的最小值,进而得到LAI的最优估计值. ...
遗传算法及其在遥感线性、非线性模型反演中的应用效果分析
1
2002
... 遗传算法作为全局随机搜索算法,能够在先验信息的约束下,基于整个解空间搜寻代价函数的最优参数解,降低反演结果落入局部极小值的可能性,保证反演结果的合理性.相较于一般的确定性搜索算法(如单纯形法、共轭方向集法),遗传算法具有更好的全局收敛性[40,41].因此,本研究选择遗传算法求解代价函数的最小值,进而得到LAI的最优估计值. ...
遗传算法及其在遥感线性、非线性模型反演中的应用效果分析
1
2002
... 遗传算法作为全局随机搜索算法,能够在先验信息的约束下,基于整个解空间搜寻代价函数的最优参数解,降低反演结果落入局部极小值的可能性,保证反演结果的合理性.相较于一般的确定性搜索算法(如单纯形法、共轭方向集法),遗传算法具有更好的全局收敛性[40,41].因此,本研究选择遗传算法求解代价函数的最小值,进而得到LAI的最优估计值. ...
资源三号测绘卫星传感器校正产品几何模型
1
2013
... 研究利用研究站点10 m高空间分辨率 SPOT LAI数据分别验证500 m和250 m尺度LAI反演结果.首先对10 m分辨率SPOT LAI数据升尺度到500 m和250 m,与反演结果像元分辨率保持一致,然后再对结果进行验证.为消除多源卫星传感器间点扩散函数、几何定位精度及尺度问题的影响[42,43],分别对验证数据和两个尺度LAI反演结果采取滑动窗口取均值的方式进行预处理. ...
资源三号测绘卫星传感器校正产品几何模型
1
2013
... 研究利用研究站点10 m高空间分辨率 SPOT LAI数据分别验证500 m和250 m尺度LAI反演结果.首先对10 m分辨率SPOT LAI数据升尺度到500 m和250 m,与反演结果像元分辨率保持一致,然后再对结果进行验证.为消除多源卫星传感器间点扩散函数、几何定位精度及尺度问题的影响[42,43],分别对验证数据和两个尺度LAI反演结果采取滑动窗口取均值的方式进行预处理. ...
风云卫星中分辨率遥感数据几何定位误差分析
1
2018
... 研究利用研究站点10 m高空间分辨率 SPOT LAI数据分别验证500 m和250 m尺度LAI反演结果.首先对10 m分辨率SPOT LAI数据升尺度到500 m和250 m,与反演结果像元分辨率保持一致,然后再对结果进行验证.为消除多源卫星传感器间点扩散函数、几何定位精度及尺度问题的影响[42,43],分别对验证数据和两个尺度LAI反演结果采取滑动窗口取均值的方式进行预处理. ...
风云卫星中分辨率遥感数据几何定位误差分析
1
2018
... 研究利用研究站点10 m高空间分辨率 SPOT LAI数据分别验证500 m和250 m尺度LAI反演结果.首先对10 m分辨率SPOT LAI数据升尺度到500 m和250 m,与反演结果像元分辨率保持一致,然后再对结果进行验证.为消除多源卫星传感器间点扩散函数、几何定位精度及尺度问题的影响[42,43],分别对验证数据和两个尺度LAI反演结果采取滑动窗口取均值的方式进行预处理. ...
Intercomparison and Validation of MODIS and GLASS Leaf Area Index (LAI) Products over Mountain Areas: A Case Study in Southwestern China
1
2017
... 利用SPOT高分辨率LAI对MODIS LAI进行验证,如图3(a)所示,MODIS LAI产品与SPOT LAI数据之间的R2为0.49,RMSE为0.65.MODIS LAI产品值整体低于验证数据,且分布较为离散,在高值区明显存在少数误差较大的离散点,这可能归因于大气效应和地表异质性等因素对MODIS LAI产品的影响[44,45].对不引入先验信息的LAI反演结果进行验证(图3(b))可以看出,LAI反演结果集中度较高,与验证值之间的拟合曲线远离1∶1线,精度较低(RMSE=1.29).与MODIS LAI相比,不引入先验信息的LAI反演结果呈现更为明显的低估现象.究其原因,本研究仅利用MODIS红光和近红外两个波段反射率信息,不足以准确确定4个待求解参数值,造成“病态”反演问题,导致反演结果精度较差.对比图3(b)和3(c)发现,加入遥感先验信息的LAI反演结果精度优于不加入LAI先验信息时的反演场景,其R2提高0.1,RMSE减小0.91.与不加入先验信息的LAI反演结果相比,加入先验信息后的LAI反演结果与验证数据间的拟合曲线更加接近1∶1线,反演结果更加合理,这说明通过引入先验知识增加遥感反演时的信息量,能够有效抑制“病态”反演问题的影响,有利于提高LAI反演精度. ...
基于像元质量分析和异常值检测的LAI时序数据S-G滤波重建研究
1
2019
... 利用SPOT高分辨率LAI对MODIS LAI进行验证,如图3(a)所示,MODIS LAI产品与SPOT LAI数据之间的R2为0.49,RMSE为0.65.MODIS LAI产品值整体低于验证数据,且分布较为离散,在高值区明显存在少数误差较大的离散点,这可能归因于大气效应和地表异质性等因素对MODIS LAI产品的影响[44,45].对不引入先验信息的LAI反演结果进行验证(图3(b))可以看出,LAI反演结果集中度较高,与验证值之间的拟合曲线远离1∶1线,精度较低(RMSE=1.29).与MODIS LAI相比,不引入先验信息的LAI反演结果呈现更为明显的低估现象.究其原因,本研究仅利用MODIS红光和近红外两个波段反射率信息,不足以准确确定4个待求解参数值,造成“病态”反演问题,导致反演结果精度较差.对比图3(b)和3(c)发现,加入遥感先验信息的LAI反演结果精度优于不加入LAI先验信息时的反演场景,其R2提高0.1,RMSE减小0.91.与不加入先验信息的LAI反演结果相比,加入先验信息后的LAI反演结果与验证数据间的拟合曲线更加接近1∶1线,反演结果更加合理,这说明通过引入先验知识增加遥感反演时的信息量,能够有效抑制“病态”反演问题的影响,有利于提高LAI反演精度. ...
基于像元质量分析和异常值检测的LAI时序数据S-G滤波重建研究
1
2019
... 利用SPOT高分辨率LAI对MODIS LAI进行验证,如图3(a)所示,MODIS LAI产品与SPOT LAI数据之间的R2为0.49,RMSE为0.65.MODIS LAI产品值整体低于验证数据,且分布较为离散,在高值区明显存在少数误差较大的离散点,这可能归因于大气效应和地表异质性等因素对MODIS LAI产品的影响[44,45].对不引入先验信息的LAI反演结果进行验证(图3(b))可以看出,LAI反演结果集中度较高,与验证值之间的拟合曲线远离1∶1线,精度较低(RMSE=1.29).与MODIS LAI相比,不引入先验信息的LAI反演结果呈现更为明显的低估现象.究其原因,本研究仅利用MODIS红光和近红外两个波段反射率信息,不足以准确确定4个待求解参数值,造成“病态”反演问题,导致反演结果精度较差.对比图3(b)和3(c)发现,加入遥感先验信息的LAI反演结果精度优于不加入LAI先验信息时的反演场景,其R2提高0.1,RMSE减小0.91.与不加入先验信息的LAI反演结果相比,加入先验信息后的LAI反演结果与验证数据间的拟合曲线更加接近1∶1线,反演结果更加合理,这说明通过引入先验知识增加遥感反演时的信息量,能够有效抑制“病态”反演问题的影响,有利于提高LAI反演精度. ...
A Strategy to Integrate A Priori Knowledge for An Improved Inversion of the LAI from BRDF Modelling
2
2008
... 针对遥感“病态”反演问题,在反演过程中引入先验信息被认为是较为简单且有效的方法[2,27,28,46].本研究在LAI反演过程中引入MODSI LAI产品和已有LAI反演结果作为先验信息,验证结果表明,引入已有LAI遥感数据作为先验信息能够有效抑制遥感“病态”反演问题的影响,有效提高LAI反演结果精度,证明了LAI遥感产品作为先验信息参与LAI遥感反演的可行性与应用潜力.然而,相对准确和客观的先验知识对反演结果是极其重要的[46].Gao等[47]在验证不同地表覆被类型与NDVI之间关系时,将先验知识区分为适用于所有土地覆盖类型的一般性知识和针对不同地类的特殊性知识,研究发现,利用后者构建的模型能够更好地表达不同地类与NDVI之间的关系,利用该模型的反演结果可能优于利用一般性知识所构建的模型.本研究在250 m尺度利用不同遥感先验信息进行LAI反演,对比结果发现,不同先验信息的LAI反演结果有明显差异,且先验信息质量对反演结果有较大影响. ...
... [46].Gao等[47]在验证不同地表覆被类型与NDVI之间关系时,将先验知识区分为适用于所有土地覆盖类型的一般性知识和针对不同地类的特殊性知识,研究发现,利用后者构建的模型能够更好地表达不同地类与NDVI之间的关系,利用该模型的反演结果可能优于利用一般性知识所构建的模型.本研究在250 m尺度利用不同遥感先验信息进行LAI反演,对比结果发现,不同先验信息的LAI反演结果有明显差异,且先验信息质量对反演结果有较大影响. ...
Acquiring A Priori Knowledge from Ground and Spaceborne BRDF Measurements
1
2
... 针对遥感“病态”反演问题,在反演过程中引入先验信息被认为是较为简单且有效的方法[2,27,28,46].本研究在LAI反演过程中引入MODSI LAI产品和已有LAI反演结果作为先验信息,验证结果表明,引入已有LAI遥感数据作为先验信息能够有效抑制遥感“病态”反演问题的影响,有效提高LAI反演结果精度,证明了LAI遥感产品作为先验信息参与LAI遥感反演的可行性与应用潜力.然而,相对准确和客观的先验知识对反演结果是极其重要的[46].Gao等[47]在验证不同地表覆被类型与NDVI之间关系时,将先验知识区分为适用于所有土地覆盖类型的一般性知识和针对不同地类的特殊性知识,研究发现,利用后者构建的模型能够更好地表达不同地类与NDVI之间的关系,利用该模型的反演结果可能优于利用一般性知识所构建的模型.本研究在250 m尺度利用不同遥感先验信息进行LAI反演,对比结果发现,不同先验信息的LAI反演结果有明显差异,且先验信息质量对反演结果有较大影响. ...
Multi-temporal, Multi-sensor Retrieval of Terrestrial Vegetation Properties from Spectral–directional Radiometric Data
1
2015
... 不同传感器之间的空间分辨率差异能够为变量反演提供互补的遥感信息[48,49],在遥感信息误差较小情况下,LAI反演中提供其他遥感信息作为约束,将有助于降低反演结果的不确定性[28,50].本研究在反演高分辨LAI中引入低分辨率遥感数据作为先验信息优化反演结果,由统计和空间分布分析结果发现,低分辨率遥感数据能够为LAI反演提供更多的信息约束,提高反演的稳定性和合理性,增加高分辨率LAI的空间信息表达.该方法为优化高分辨率LAI的反演提供了有效借鉴. ...
SAR与SPOT数据融合方法研究
1
2010
... 不同传感器之间的空间分辨率差异能够为变量反演提供互补的遥感信息[48,49],在遥感信息误差较小情况下,LAI反演中提供其他遥感信息作为约束,将有助于降低反演结果的不确定性[28,50].本研究在反演高分辨LAI中引入低分辨率遥感数据作为先验信息优化反演结果,由统计和空间分布分析结果发现,低分辨率遥感数据能够为LAI反演提供更多的信息约束,提高反演的稳定性和合理性,增加高分辨率LAI的空间信息表达.该方法为优化高分辨率LAI的反演提供了有效借鉴. ...
SAR与SPOT数据融合方法研究
1
2010
... 不同传感器之间的空间分辨率差异能够为变量反演提供互补的遥感信息[48,49],在遥感信息误差较小情况下,LAI反演中提供其他遥感信息作为约束,将有助于降低反演结果的不确定性[28,50].本研究在反演高分辨LAI中引入低分辨率遥感数据作为先验信息优化反演结果,由统计和空间分布分析结果发现,低分辨率遥感数据能够为LAI反演提供更多的信息约束,提高反演的稳定性和合理性,增加高分辨率LAI的空间信息表达.该方法为优化高分辨率LAI的反演提供了有效借鉴. ...
Inversion Methods for Physically-based Models
1
2000
... 不同传感器之间的空间分辨率差异能够为变量反演提供互补的遥感信息[48,49],在遥感信息误差较小情况下,LAI反演中提供其他遥感信息作为约束,将有助于降低反演结果的不确定性[28,50].本研究在反演高分辨LAI中引入低分辨率遥感数据作为先验信息优化反演结果,由统计和空间分布分析结果发现,低分辨率遥感数据能够为LAI反演提供更多的信息约束,提高反演的稳定性和合理性,增加高分辨率LAI的空间信息表达.该方法为优化高分辨率LAI的反演提供了有效借鉴. ...