[发明专利]一种基于多尺度遥感的非均质地表叶面积指数反演方法

说明书

本发明公开了一种基于多尺度遥感数据的非均质地表叶面积指数反演，下载不同尺度的遥感卫星的卫星影像，如十米级遥感影像和百米级遥感影像；基于十米级遥感影像获取LAI；十米级LAI结果与百米级遥感影像的反射率进行协同，构建LAI‑reflectance数据集；基于先验知识的采样策略进行样本选取；基于多种机器学习模型进行反演模型优选，获取精度较高的非均质地表的叶面积指数。本发明协同多种尺度遥感卫星影像，通过基于先验知识和模拟退火算法的样本选取方法，充分协同十米级遥感影像的信息和百米级遥感影像的信息，提高了非均质地表叶面积指数的反演精度。

技术领域

本发明涉及大面积非均质地表叶面积指数反演技术领域，具体涉及一种基于多尺度遥感的非均质地表叶面积指数反演方法，属于定量遥感技术领域。

背景技术

叶面积指数（LAI）是表征植被生长的一个重要参数，它被定义为每单位地面面积的总绿叶面积的二分之一。众所周知，LAI是全球气候观测系统（GCOS）认可的一个基本气候变量（ECV），在陆地生态系统的模型模拟中发挥着重要作用。许多研究都集中在各种LAI的应用上，如植被动态监测和作物产量估算。因此，在全球范围内生成一个长期的LAI数据集是捕捉由人类活动或气候变化引起的植被生长的时空变化的先决条件。高频率的地球观测对于捕捉植被生长动态的关键阶段至关重要。现有的几个具有高时间分辨率（≤1天）的百米级分辨率（100米）地表反射率产品，包括MODIS、VEGETATION、AVHRR、PROBA-V和VIIRS，已被广泛用于生成全球尺度的LAI时间序列。然而，百米级分辨率的LAI产品的不确定性普遍大于0.6，不能满足GCOS建议的LAI数据集的不确定性要求。因此，如何缓解地表异质性影像以提高百米级分辨率LAI产品精度是一个难点。

传统上，LAI是通过实地调查获得的，如破坏性取样、叶夹和植物冠层分析。这些方法也许是定期实地考察中测量LAI的最准确途径。然而，它们费时、费钱，而且在大空间区域内收集时间上连续的LAI是不现实的。遥感技术为量化大面积的生物物理变量提供了一种快速、可重复、同步和具有成本效益的方法，被广泛用于生成全球规模的LAI数据集。目前，一些卫星，如Landsat-5/7/8/9、Sentinel-2和Gaofen-1/6，可以提供非计量分辨率的遥感图像，使得在百米分辨率的像素网格中引入亚像素信息成为可能。其中，Sentinel-2A于2015年6月发射，为包括作物监测和生物物理估算在内的大量土地应用提供了宝贵的非计量分辨率信息。哨兵-2任务可以提供具有高空间（10-60米）和时间（≤5天）分辨率的多光谱图像。此外，开源的哨兵应用平台（SNAP）中实施的简化二级原型处理器（SL2P），是为哨兵-2MSI图像开发的，用于量化生物物理变量。因此，Sentinel-2的LAI可以很容易地由SL2P工具生成，并且在多个验证活动中显示它与不同尺度的地面LAI测量高度一致。然而，由于云层污染的影响，Sentinel-2的LAI不能满足大范围内植被生长的动态监测。因此，如何整合Sentinel-2 LAI提供的亚像元信息来改进百米分辨率的LAI检索，仍然是一个需要解决的难题，以最大限度地发挥高频LAI数据集的作用。

发明内容

本发明的目的在于针对现有技术长时序百米级LAI产品精度不高的问题，结合百米级反射率受地表异质性影像特点，协同使用多尺度的遥感数据，提供一种基于多尺度遥感的非均质地表叶面积指数反演方法，根据“先平均后反演”的升尺度规则将十米级反射率影像聚合至百米级尺度，构建得到LAI-reflectance数据集，利用先验知识的采样策略选取样本，优选机器学习反演模型，从而实现非均质地表百米级LAI反演。

本发明的上述目的通过以下技术手段实现：

一种基于多尺度遥感的非均质地表叶面积指数反演方法，包括以下步骤：

步骤一、获取研究区的Sentinel-2 L2A数据、MODIS的MOD09A1反射率数据、MCD12Q1土地覆盖数据和ImagineS的高分参考图数据；

步骤二、基于Sentinel-2 L2A数据生成Sentinel-2LAI数据；