植被參量的高光譜遙感反演方法

 植被生理、生化參量的精確估算對于生物多樣性評價、陸地覆蓋表征、生物量建模以及碳通量估算都具有非常重要的意義，高光譜遙感獲取的連續的精細的光譜濃縮了植被冠層結構和生化參量，從而為植被的生理、生化參量的精確估測提供可能和條件。那么，植被參量的高光譜遙感反演方法有哪些呢？本文進行了簡單總結。

植被遙感有關的生化物理參量

生物物理參量主要指用于陸地生態系統研究的一些關鍵變量，包括葉面積指數（LAI）、光合有效輻射吸收率（FAPAR）、生物量、植被覆蓋度等。植被生化參量的估算主要集中于色素（主要是葉綠素）、各種營養元素（特別是氮）以及纖維素、木質素、可溶性糖、淀粉和蛋白質等。

植物的營養元素狀況能影響到葉面積、冠層形態、內在生理特征，從而與光譜特征密切相關。不僅使快速、簡易地診斷植被的營養狀況成為可能，而且高光譜遙感技術的發展還使得大面積監測植物的營養狀況（營養脅迫）和長勢也取得了極大的進展。

植被參量的高光譜遙感反演方法

1. 傳統的多元統計分析方法

通常是利用逐步回歸分析方法篩選出反射率光譜或其變換形式（導數光譜、對數光譜等）與某個生物物理或生物化學參量的關系密切相關的若干個波段，建立統計回歸方程，然后利用該方程對未知樣本的參量進行預測、估算精度。優點：簡單易行，對可控條件下測得的光譜應用時，結果較好。缺點：應用野外測量數據或遙感圖像時，由于受到大氣、冠層幾何條件、結構、土壤背景等因素影響，所建立的回歸方程往往對所使用的數據依賴性很強，使用不同的數據集所選的波段差異性較大。因此，先對反射率光譜去包絡，然后利用吸收深度（和吸收面積）進行歸一化，在此基礎上建立的逐步多元回歸方法對植被的氮、木質素和纖維素含量進行估測，效果較好。

2. 基于光譜特征分析方法

該方法主要是基于單個特征參量或兩個（或多個）特征波段組合的光譜指數，建立它們與某個生理或生化參量的經驗方程，即特征參量法和光譜指數法。

特征參量法：將光譜上某個吸收特征（谷）或反射峰特征參量化，建立關聯方程。應用最廣的是植被特有的“紅邊”，定義為反射率光譜在680-750nm波長之間的一階導數最大值對應的波長位置。并且由此派生出來的紅邊斜率等參量，對植被的葉綠素、生物量、氮、物候等變化敏感。

光譜指數法：將兩個或多個特征經線性或非線性組合，構成對某個生理生化參量敏感的光譜指數。例如我們熟知的NDVI，可用于估算植被覆蓋度、葉綠素含量、生物量等參數。優點：簡單易用，且高光譜遙感數據的諸多窄波段為發展一個對植被參量敏感，且最大程度抑制大氣、土壤等影響的光譜指數提供了更多選擇空間。缺點：此種反演模型屬于經驗或者半經驗的統計模型，對植被參量的反演缺乏普適性和可移植性，特別是針對不同的植被類型（或數據源）需要重新擬合模型參數或調整波段。

3. 物理模型方法

物理模型反演方法的基礎是輻射傳輸理論，對于某一特定時間的植被冠層而言，一般輻射傳輸模型可簡化為：

S=F（λ,θS,λS,ΨV,C）

其中，λ為波長，θS,λS為太陽的天頂角和方位角，觀測天頂角和方位角，C關于植被的特性參數，包括葉傾角、葉面積指數、葉片層數、葉綠素含量、水和干物質含量等。

物理模型又分為葉片模型和冠層模型。葉片模型又分為N流模型、Ray tracing模型、隨機模型、平板模型和針狀模型，目前應用最多的為PROSPECT模型（基于Allen等開發的平板模型的輻射傳輸模型）。冠層模型可歸納為四種：輻射傳輸模型、幾何光學模型、混合模型和計算機模擬模型。大量研究表明，直接利用物理模型對植被參數進行反演相當困難，且就生化參量反演目前僅限于葉綠素含量和水分含量。物理模型更多的被用于大范圍的多種可能條件下的植被光譜，基于這些光譜檢驗現在光譜指數的精度，并發展相應的光譜指數。