叶面积指数反演方法、装置、设备和介质制造方法及图纸

本发明专利技术涉及遥感数据处理技术领域，公开了一种叶面积指数反演方法、装置、设备和介质。该方法包括：获取目标区域对应的多个卫星观测数据；其中，卫星观测数据基于静止卫星对目标区域进行数据采集而得到；将多个卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程；对各叶面积指数反演方程进行优化求解，生成目标区域的叶面积指数数据。通过上述技术方案，提高了生成的目标叶面积指数数据的时间分辨率，并且当目标区域发生改变时，无需重新进行模型的重新训练，不受目标区域和数据源的影响，从而提高了叶面积指数反演方法的普适性和可行性，且具有明确的物理意义。且具有明确的物理意义。且具有明确的物理意义。

【技术实现步骤摘要】
叶面积指数反演方法、装置、设备和介质


[0001]本专利技术涉及遥感数据处理
，尤其涉及一种叶面积指数反演方法、装置、设备和介质。

技术介绍

[0002]叶面积指数(Leaf Area Index，LAI)是指单位水平地表面积上所有叶片总面积的一半，该叶面积指数是一个控制与地球表面植被相关的多个生物物理过程的重要参数。为了获得时间分辨率较高的LAI数据，相关技术中往往会利用时间分辨率较高的静止卫星的遥感卫星数据来反演LAI数据。
[0003]目前，利用静止卫星的遥感卫星数据进行LAI数据反演的方法主要是：对于研究区域中的每种地表类型，利用人工神经网络建立静止卫星所得的归一化植被指数(Normalized Difference Vegetation Index，NDVI)和LAI之间的换算关系，进而根据静止卫星的NDVI数据和该换算关系进行推算，获得每种地表类型下的静止卫星的LAI数据。
[0004]但是，上述方法所得的LAI数据的数据精度受限于NDVI数据的精度；并且，由于不同地区的地表类型可能不同、以及不同地区的相同地表类型的空间异质性问题，使得上述所得的换算关系无法适用于任一地区，致使上述方法的普适性不高，且该方法为基于数学统计获得的关系，因而物理意义并不明晰。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供了一种叶面积指数反演方法、装置、设备和介质。
[0006]第一方面，本专利技术提供了一种叶面积指数反演方法，包括：
[0007]获取目标区域对应的多个卫星观测数据；其中，所述卫星观测数据基于静止卫星对所述目标区域进行数据采集而得到，且所述卫星观测数据包括至少一个波段的二向反射因子数据、太阳天顶角、太阳方位角、所述静止卫星的观测天顶角和所述静止卫星的观测方位角；
[0008]将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程；其中，所述预设反演模型基于植被
‑
土壤系统的二向反射因子模型、四分量模型和光谱不变理论构建，所述二向反射因子模型用于表征所述植被
‑
土壤系统的二向反射因子由土壤引起的单次散射的二向反射因子、植被引起的单次散射的二向反射因子、植被间的多次散射引起的二向反射因子以及植被和土壤之间的多次散射的二向反射因子构成；
[0009]对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据。
[0010]在一些实施例中，所述波段为红光波段和/或近红外波段。
[0011]在一些实施例中，在所述获取目标区域对应的多个卫星观测数据之后，所述方法还包括：
[0012]基于所述卫星观测数据中包含的红光波段的所述二向反射因子数据和近红外波段的所述二向反射因子数据，按照预设植被指数的指数表达形式，确定所述卫星观测数据对应的预设植被指数数据；
[0013]所述将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程包括：
[0014]针对多个所述卫星观测数据，将所述预设植被指数数据、所述太阳方位角、所述太阳天顶角、所述观测天顶角、所述观测方位角输入改进反演模型，构建所述卫星观测数据对应的所述叶面积指数反演方程；
[0015]其中，所述改进反演模型由所述红光波段对应的所述预设反演模型和所述近红外波段对应的所述预设反演模型，按照所述指数表达形式来构建。
[0016]在一些实施例中，在所述预设植被指数为差值植被指数的情况下，所述改进反演模型为：
[0017][0018]其中，DVI(r
i
,r
v
)为差值植被指数，r
i
和r
v
分别为太阳方向和观测方向的单位向量；a、b和c为与太阳角度无关的量，且a＝ρ
s
(λ
n
)
‑
ρ
s
(λ
r
)、b＝ρ
c
(λ
n
)
‑
ρ
c
(λ
r
)、ρ
s
(λ
n
)和ρ
s
(ρ
r
)分别为所述近红外波段和所述红光波段的所述土壤反射率，ρ
c
(λ
n
)和ρ
c
(λ
r
)分别为所述近红外波段和所述红光波段的所述叶片反射率，p为再碰撞概率；P
g
(r
i
,r
v
)为光照土壤比例，μ
j
为r
j
和地平线法线交角的余弦，叶面积投影G(r
j
)(j＝i,v)为单位叶面积在r
j
方向上的平均投影，r
L
为叶片法向量，θ
L
为叶片法线的倾角，φ
L
为叶片法线方位角，g
L
(θ
L
)为叶倾角分布密度函数，u和v是与叶倾角的平均值和方差相关的无单位参数，B(u,v)为双参数的Beta分布函数，sL为叶片相对大小，小，<r
i
,r
v
>为r
i
和r
v
之间的角度，LAI为叶面积指数，Ω为聚集指数；P
c
(r
i
,r
v
)为光照叶片比例，Γ(r
i
,r
v
)为散射相函数，μ
v
为r
v
和地平线法线交角的余弦，LAI
e
为有效叶面积指数，P
g
(z,r
i
,r
v
)为植被冠层深度z处的双向间隙率，u
L
(z
′
)为
叶面积体密度；P(r
i
)为r
i
方向的间隙率；在所述改进反演模型中，LAI、u、v、a、b、c为反演求解参数。
[0019]在一些实施例中，所述对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据包括：
[0020]基于光照叶片比例的第一查找表和叶面积投影的第二查找表，对各所述叶面积指数反演方程进行迭代优化求解，生成所述叶面积指数数据；
[0021]其中，所述第一查找表用于记录第一参数值组合和所述光照叶片比例之间的对应关系，所述第二查找表用于记录第二参数值组合和所述叶面积投影之间的对应关系；
[0022]所述第一查找表和所述第二查找表是基于预设参数组合对目标反演模型进行模型运算而得到。
[0023]在一些实施例中，所述第一查找表基于所述第一参数值组合对目标反演模型进行模拟运算而得到；其中，所述目标反演模型包括所述预设反演模型或改进反演模型，所述第一参数值组合包括叶面积体密度u
L
...

【技术保护点】

【技术特征摘要】
1.一种叶面积指数反演方法，其特征在于，包括：获取目标区域对应的多个卫星观测数据；其中，所述卫星观测数据基于静止卫星对所述目标区域进行数据采集而得到，且所述卫星观测数据包括至少一个波段的二向反射因子数据、太阳天顶角、太阳方位角、所述静止卫星的观测天顶角和所述静止卫星的观测方位角；将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程；其中，所述预设反演模型基于植被
‑
土壤系统的二向反射因子模型、四分量模型和光谱不变理论构建，所述二向反射因子模型用于表征所述植被
‑
土壤系统的二向反射因子由土壤引起的单次散射的二向反射因子、植被引起的单次散射的二向反射因子、植被间多次散射的二向反射因子以及植被和土壤之间的多次散射的二向反射因子构成；对各所述叶面积指数反演方程进行优化求解，生成所述目标区域的叶面积指数数据。2.根据权利要求1所述的方法，其特征在于，所述波段为红光波段和/或近红外波段。3.根据权利要求1所述的方法，其特征在于，在所述获取目标区域对应的多个卫星观测数据之后，所述方法还包括：基于所述卫星观测数据中包含的红光波段的所述二向反射因子数据和近红外波段的所述二向反射因子数据，按照预设植被指数的指数表达形式，确定所述卫星观测数据对应的预设植被指数数据；所述将多个所述卫星观测数据输入预设反演模型，构建对应的叶面积指数反演方程包括：针对多个所述卫星观测数据，将所述预设植被指数数据、所述太阳方位角、所述太阳天顶角、所述观测天顶角、所述观测方位角输入改进反演模型，构建所述卫星观测数据对应的所述叶面积指数反演方程；其中，所述改进反演模型由所述红光波段对应的所述预设反演模型和所述近红外波段对应的所述预设反演模型，按照所述指数表达形式来构建。4.根据权利要求3所述的方法，其特征在于，在所述预设植被指数为差值植被指数的情况下，所述改进反演模型为：其中，DVI(r
i
，r
v
)为差值植被指数，r
i
和r
v
分别为太阳方向和观测方向的单位向量；a、b和c为与太阳角度无关的量，且a＝ρ
s
(λ
n
)
‑
ρ
s
(λ
r
)、b＝ρ
c
(λ
n
)
‑
ρ
c
(λ
r
)、ρ
s
(λ
n
)和ρ
s
(λ
r
)分别为所述近红外波段和所述红
光波段的所述土壤反射率，ρ
c
(λ
n
)和ρ
c
(λ
r
)分别为所述近红外波段和所述红光波段的所述叶片反射率，p为再碰撞概率；P
g
(r
i
，r
v
)为光照土壤比例，μ
j
为r
j
和地平线法线交角的余弦，叶面积投影G(r
j
)(j＝i，v)为单位叶面积在r
j
方向上的平均投影，r
L
为叶片法向量，θ
L
为叶片法线的倾角，φ
L
为叶片法线方位角，g
L
(θ
L
)为叶倾角分布密度函数，u和v是与叶倾角的平均值和方差相关的无单位参数，B(u，v)为双参数的Beta分布函数，sL为叶片相对大小，的平均值和方差相关的无单位参数，B(u，v)为双参数的Beta分布函数，sL为叶片相对大小，<r
i
，r
v
>为r
...

【专利技术属性】
技术研发人员：穆西晗，陈瑶瑶，谢东辉，阎广建，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：