使用高光谱遥感估算作物叶面积指数外文翻译资料

英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料

使用高光谱遥感估算作物叶面积指数

摘要:叶面积指数（LAI）是一个重要的植被参数，在许多应用中广泛应用。 已知遥感技术是有效的但廉价的估计作物的LAI的方法。在过去二十年中，高光谱遥感已经越来越多地用于作物LAI估计，与传统的多光谱数据相比，需要独特的技术程序，如去噪和降维。因此，我们提供了基于高光谱遥感技术的作物LAI估计的综合和深入的概述。首先，我们比较高光谱数据和多光谱数据，突出其在LAI估计中的潜力和局限性。 第二，我们将基于高光谱数据的作物LAI估计所使用的方法分为三种类型：基于统计模型的方法，物理模型（即冠层反射模型）和混合反演。 我们总结和评估了这些方法所采用的理论基础和不同方法（例如，LAI的特征参数，构建统计预测模型的回归方法，通常应用的物理模型和物理模型的反演策略）。因此，在清晰的概念框架中组织了许多模型和反演策略。 此外，我们强调可能阻碍作物LAI估计的技术难题，如“维数灾难”和不适当的问题。 最后，我们根据本评论中描述的以前的研究，讨论未来研究的前景。

关键词：高光谱，反演，叶面积指数，LAI，检索

1.介绍

叶面积指数（LAI）通常定义为单位面积单叶面积（Chen and Black 1992）。 LAI反映了植被的生化和生理过程，从而表明了植被的生产力，并且它作为陆地过程模型的输入变量。 因此，了解作物的LAI及其动态对于广泛的农业研究非常重要，如作物生长监测和作物产量估算（Fang 等.2011）。

已知遥感技术具有在大面积上获得多时空空间连续作物LAI数据的独特优点。 在大多数使用遥感的LAI估计的情况下，假设叶片是均匀分布的。 在这个假设下估计的LAI值被称为有效LAI（LAI eff）（Chen和Black 1992）。 LAI eff具有与真实LAI相同的主要功能。 LAI效应和真实LAI可以通过聚集指数相互转换（Chen 等.2005）。 传统的多光谱（也称宽带）遥感技术将不连续光谱覆盖分为几个宽带，经常用于随时间和空间获得LAI（Chen和Cihlar 1996; Cohen 等.2003; Fang and Liang 2005; Durbha 等.2007）。最近，高光谱遥感已经引起了LAI估计的越来越多的关注，因为它提供了连续的光谱覆盖，并且实现了10 -2lambda;（其中lambda;是波长）的光谱分辨率，即光谱分辨率在lt;10nm范围内 400-2 500 nm（Jensen 2009）。 可以根据平台识别三种类型的高光谱遥感数据使用：非成像或成像原位成像，机载图像和空间图像。 然而，由于用于LAI估计和空间异质性的方法的非线性，所获得的LAI值有所不同相对于空间分辨率，即缩放效应，当比较或整合使用以各种分辨率获取的数据估计的LAI或与不同类型的传感器（Garrigues等人2006））时应考虑的缩放效应。

一般来说，使用高光谱数据估算农作物LAI的方法可以根据所采用的方法分为三种类型：基于统计模型的方法，基于物理的方法模型（即冠层反射模型）和混合反演。 基于统计模型的方法首先计算与LAI显着相关的特征参数（也称为“估计量”）。 接下来，使用统计学方法，基于样本图中的特征参数和已知LAI值之间的关系来构建LAI的统计预测模型方法。 冠层反射率模型使用植被参数作为输入模拟冠层的反射率。可以通过使用光谱反射率作为输入和植被变量（包括LAI）作为输出计算物理模型来估计LAI。 即物理模型反演。混合反演方法涉及统计和物理模型的综合应用，以利用其各自的优点。 作物LAI检索采用高光谱数据具有潜在的问题，例如一些高光谱数据的低信噪比（SNR），“维度灾难”（见第2.2节），饱和问题（见第3.1节）和不适当的问题 反转物理模型（见第4.3节）。 此外，更为复杂的LAI检索方法可以进一步优化潜在的高光谱数据利用率研究（见2.1和6.2节）。

由于高光谱数据在LAI估计中的日益广泛的应用和相关方法的发展，这一审查旨在提供使用高光谱数据的作物LAI估计的概述。 首先，我们将高光谱数据与多光谱数据检查进行比较2.其次，基于统计模型和物理模型的作物LAI估计分别在第3节和第4节，并在第6.1节进行了比较。 最后，第6.2节介绍了LAI估计的听觉框架，并讨论了未来研究的前景。

2. 作物LAI估算的高光谱数据的优点和局限性
2.1.用于检索LAI的高光谱数据的优点

理论上，高光谱数据的优越的光谱分辨率应该产生在多光谱数据中被遮蔽的光谱细节（Schlerf等人.2005）。 然而，高光谱数据的优点与多光谱相比LAI估算数据仍有争议。 首先，高光谱数据有助于波形分析技术，例如使用红边参数的LAI检索（Herrmann等.2011）。 高光谱数据也提高了性能常规LAI估计; 例如光谱反射率（Lee等.2004），第二主成分（Pu和Gong .2004）以及第一或第二光谱衍生物（Fan等人，2010a）。许多研究表明，高光谱数据可以提高LAI估计的准确性（Lee 等.2004; Pu 2等.2008; Fan等.2010b; Verrelst 等.2012; Duan 等.2014）。 然而，反对意见也存在（Spanner等.1994; Jacquemoud等人1995; Li等人1997; Brogeand Leblanc 2000）。 例如，Li 等（1997）提出结构参数与频谱无关; 因此，增加频带数量不能提供关于这些参数的更多信息。 然而，这个结论只是基于对冠层反射率模型中使用的参数的灵敏度分析，而不考虑实际LAI检索过程中因素的影响，如高光谱带中LAI敏感度的细微差别，以及 模拟和遥感冠层反射率。此外，一些比较研究本身是不完美的（Lee 等.2004），例如使用早期代，低SNR机载可见/红外成像光谱仪（AVIRIS）数据（Spanner等人.1994）和依赖于过度的物理模型模拟而不是现场测量（Jacquemoud等人1995; Broge和eblanc 2000）。此外，大多数这些比较研究（Spanner等1994; Broge和Leblanc 2000; Lee等.2004; Schlerf 等 .2005）依赖于植被指数（VI），而不是更多的LAI创新估计（如红边参数）或用于检索LAI的创新方法（例如通过反转物理模型），这可以更有效地利用高光谱数据。 总之，今后需要进行更加复杂和全面的研究，以阐明高光谱数据是否提高LAI估算的可能性。

LAI估计的准确度受物理模型（如叶绿素含量和平均叶角度）外部因素（大气散射，土壤背景反射率和混合像素的影响）等参数的影响，即 “病态问题”（见第4.3节）。 据报道，高光谱数据有助于最终成员提取混合像素（Franke 等l。 2009），大气校正（Gao 等.2009; Perkins 等.2012），并提高了一些不敏感变量（如叶绿素含量和平均叶角度）的估计精度（Atzberger和Richter 2012）。因此，即使高等光谱数据在检索LAI方面没有提供直接和显着的改进，如Li等（1997）所述，这些数据具有更大的潜力来减少影响LAI检索的不确定性，从而提高所得到的准确性和稳定性 LAI间接地因此。 为了实现这一目标，目前用于LAI检索的技术需要大幅改进以适应高光谱数据; 即LAI和程序的估计量频段选择应设计用于高光谱数据; LAI估计最终应该从增加估计其他变量中获益。 见6.2节进一步讨论.

2.2.作物LAI估算的高光谱数据的限制

在以前的研究中，与高光谱数据相关的最重要的问题包括低SNR和频带之间的高相关性。

高光谱数据的质量取决于传感器，频带和观测方向。一些使用HyMap（Schlerf等人2005），UAV-HYPER（Duan等，2014）和DAIS-7915（ Ben-Dor等人2002）传感器具有低SNR。 因此，放射性质量较差的带应进一步分析。 一些图像具有指示图像质量的掩模层; 例如用于车载自主的紧凑型高分辨率成像光谱仪/项目（CHRIS / PROBA）（Li等人.2011）。 或者，我们必须计算手动信噪比 例如，Gao（1993）提出了基于小成像块中的局部平均值和局部标准偏差的可能算法。 此外，Othman和Qian（2006）和Fan等人（2010b）也证实，使用滤波方法也可以消除随机噪声。

高光谱数据包括许多高度相关的频带，但是谱带和随机误差之间的多重共线性导致所谓的“维度灾难”，这具有以下含义。 首先，使用高度相关样本构建的统计预测模型具有很高的测定系数，但预测能力差（Lee 等.2004）。 第二，对LAI不敏感的频段需要额外的计算时间，但是它们会使LAI检索的准确性变差。 因此，有必要降低高光谱数据的维度（Jensen 2009），这可以通过计算LAI的特征参数（见第3.1节）或通过选择包含原始数据中主要信息的相对不相关的波段来实现。前一种方法主要用于LAI的统计预测模型，后一种方法主要用于反转物理模型的LAI估计。 频带选择过程包括两个步骤：选择相对不相关的频带并选择对感兴趣的参数敏感的频带; 即LAI。 逐步的回归（Lee 等.2004; Huang 等.2011a）被证明是可行的识别多重共线性。 灵敏度和不确定性分析方法可用于选择LAI的敏感高光谱带。 其中，不确定度和敏感性矩阵（USM）（Li 等.1997，2001）和扩展傅立叶振幅灵敏度检验（Saltelli等，1999），相关分析和主成分分析（Huang 等.2011a） 特别推荐。LAI估计的最佳高光谱带仍有争议，不能提出普遍接受的原则。一些研究建议使用最敏感的乐队估计一个变量。 因此，用于LAI检索的所选频带主要在红NIR内（近红外）范围（Li等人1997; Zhu等人2011）。 一些其他研究选择了覆盖红NIR-SWIR（短波红外）光谱的光谱（Lee 等.2004; Huang 等.2011a，b）。 Eklundh等人 （2001），Cohen 等.（2003）和Lee等人（2004）提出了SWIR对LAI估计的重要性。一般来说，选择Red-NIR-SWIR范围内的不相关和最敏感的带来检索LAI。 还有研究忽略频带选择并使用所有高光谱带（Duan等，2014）。

应该指出的是，在一些应用中，大规模快速，有活力的作物监测能力通常是遥感技术最优选的优势（Yang 等.2007a; Wu等.2008，2010）。 在这种情况下，只有在获得的精度满足特定公差的情况下，多光谱数据才被认为是足够的。相反，对精度的过度关注通常会使算法复杂化并牺牲计算效率。此外，高光谱数据源（例如，Hyperion和CHRIS / PROBA）的重访期和图像覆盖范围，不如多光谱源（例如，中等分辨率成像光谱仪（MODIS）和陆地空间地面成像仪（OLI））在Landsat上8颗卫星）。 因此，在应用中，有必要全面检查研究范围，期望的精度和时间分辨率，以确定合适的光谱分辨率。

总之，高光谱数据被认为是对LAI检索有前途的，尽管它们可能具有潜在的低信噪比，并且受到诅咒维度 未来的研究可以探索使用高光谱数据进行LAI估计的方法。 在应用中，应考虑研究的要求来确定最合适的数据源。

3.基于统计模型的作物LAI估计

在基于统计模型的LAI估计中，首先从冠层光谱计算与LAI具有显着相关性的特征参数（也称为“估计量”）。 接下来，统计关系是在样本图中的特征参数和已知LAI值之间构建。 然后，该统计预测模型用于计算整个图像中的LAI值。

3.1. 估计作物LAI的特征参数

特征参数的流动类型通常用于LAI估计。 首先，VI被设计为用一维指数描绘植被的特征光谱特征，例如近似推断的带中的高反射率和红色波段的吸收。 针对高光谱数据开发了高光谱植被指数。 其中一些是用窄带反射计算的常规VI（Schlerf等人，2005），而其他的是使用波形分析技术新构建的（Broge和Leblanc 2000）。 不同的VI对不同因素或干扰具有特异的敏感性和抵抗力，但都受饱和问题的影响; 即当LAI大于3-6时，VI通常对LAI不敏感，因为VI-LAI相关性不是线性或稳定的，特别是在各种影响下（Haboudane 2004）。此外，VI抵御了土壤和大气层的干扰，但只有相当有限的水平（Broge和Leblanc 2000）。其次，描述植被特征谱的变量也用于LAI估计，例如：红边位置，红色 - 拐点位置（Pu 等.2003），红边峰面积，近红外平台位置，红边幅度（Filella和Penuelas 1994）和NIR平台幅度（Zhao 等.2002）。 据报道，与VI相比，它们是更好的估计量（Herrmann 2011）。 第三，许多研究使用光谱反射率和光谱衍生物。据报道，与VI相比，高光谱反射率在敏感性和稳定性方面与LA相比是更好的估计值（Xia等，2013）。 然而，高光谱反射率受到维度诅咒的影响（见第2.2节），它更容易受到大气散射和背景反射。因此，光谱的第一或第二导数已被用于去除背景和大气干扰，从而增强光谱反射率的微妙变化（Johnson和Billow 1996; Fan等人，2010b）。 然而，光谱导数增强了高频随机噪声，这意味着某些类型的降噪处理是必要的（Fan et al。2010b）。最后，主成分分析（PCA）和小波变换（WT）的一些特征也被广泛使用。 PCA和WT是数据压缩的数学程序，可以将高度相关的光谱反射率数据转换成几个不相关的“特征”，以避免诅咒维度 Pu和龚（2004）提出了从WT导出能量特征是最有效的LAI估计，接着主成分和光谱反射率。 此外，PCA和WT有效地降低了高光谱反射率的尺寸，从而避免了维度的诅咒。 然而，PCA和WT不会增强数据的光谱特性（Johnson和Billow 1996; 范等 2010b）。

3.2. 统计模型的构建

一旦计算了LAI的特征参数，就可以使用统计学方

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25631]，资料为PDF文档或Word文档，PDF文档可免费转换为Word