本发明涉及一种针对不同范围的叶面积指数遥感反演方法。
背景技术：
叶面积指数(leafareaindex，lai)的定义是植被叶、茎、花、果等组分的总面积与土地面积的比值。它能反映出植被的水平覆盖状况和垂直结构，甚至枯枝落叶层厚薄和地下生物量多少，是植被冠层的重要结构参数，是陆面生态过程模型的重要输入参量，对植被冠层截流、光合、呼吸、蒸散、降水截持、碳循环和土壤侵蚀等起到关键作用。
lai的测定方法主要包括地面测量和遥感反演法。地面测量包括直接测量法(传统的格点法和方格法、描形称重法和仪器测定法)和间接测量法(点接触法、消光系数法和经验公式法)，适用于野外小范围的数据采集，局限性大。大区域尺度的lai反演多用遥感测定法，包括统计模型法、物理模型法、人工神经网络法、随机森林模型法等。统计模型法主要利用遥感影像提取植被指数(ndvi、rvi、pvi等)，利用经验统计方法构建植被指数或遥感反射率与lai之间的回归模型，计算简单，参数要求不高，但容易受到土壤、大气、地形等多种非植被因素的影响，难以用于大尺度、植被类型复杂的区域。物理模型法是基于明确的物理原理，考虑植被的双向反射率分布函数，基于辐射传输机理构建反演模型，以遥感反射率为输入变量反演lai。植被冠层辐射传输模型通常是模拟土壤、叶片和冠层之间的辐射传输过程，常用的模型分别有hapk模型、prospect模型、sail模型等。物理模型法具有明确的物理意义和理论基础，通用性和可移植性较强，在植被复杂的区域也有较好的反演精度，但是计算过程复杂、耗时，且反演过程中容易出现函数并不总是收敛的问题。
目前，反演lai所用的遥感影像分为单一角度和多角度遥感影像，多角度遥感影像由于其能够提供植被辐射方向性信息，隐含了植被立体结构特征，利用光谱信息和多角度立体结构信息，增加模型反演过程中的先验知识，改善传统单一角度数据植被结构参数反演精度比较低等问题，因而可以有效地提高森林lai反演精度。
技术实现要素：
本发明是针对现有技术存在的不足，提出一种基于多角度遥感数据，利用物理模型和统计模型，针对不同范围的叶面积指数遥感反演方法。
为解决上述问题，本发明所采取的技术方案如下：
一种针对不同范围的叶面积指数遥感反演方法，包括以下步骤：
步骤一、在实验室测定野外样方中各个树种的生化组分参数，包括叶片面积、叶片等效水厚度和干物质含量、叶绿素和类胡萝卜素等，根据树种在样方中所占权重，确定野外实测样方的生化组分参数；
步骤二、将实测样方的生化组分参数先输入prospect模型中，得到模拟的叶片反射率；
prospect模型的公式为：
(ρ1-τ1)＝prospect(n,cab,cw,cm)；
其中，ρ1为叶片反射率，τ1为叶片透射率，n为叶片内部结构参数，cab为叶片叶绿素含量(μg/cm2)，cw为叶片等效水厚度(cm)，cm为叶片干物质含量(g/cm2)；
步骤三、将模拟得到的叶片反射率和透射率输入sail模型中，得到各个样方的冠层模拟反射率；
sail模型公式为：
ρc＝sail(lai,ala,ρl,τl,hot,diff,θv,θs,φ)；
其中，ρc为冠层光谱反射率，lai为叶面积指数，ala为平均叶倾角(°)，ρl和τl分别为叶片反射率和透过率，由prospect模型计算得到，hot为热点参数，diff为漫反射系数，θv和θs分别为观测天顶角和太阳天顶角，φ为太阳与观测相对方位角；
步骤四、对多角度遥感影像进行去燥处理、云掩膜、大气校正和几何校正，利用地面控制点和影像几何信息得到高光谱反射率信息；
步骤五、提取五个角度的影像公共点的遥感反射率，与prosail模型得到的模拟反射率进行精度评价；
步骤六、选择多种常用的植被指数与实测lai进行相关性分析，垂直植被指数(perpendicularvegetationindex，pvi)与lai的相关性最高，将模拟冠层反射率得到的pvi与lai建立回归模型；
步骤七、在观测角度为0°的情况下，lai值以0.02的间隔从1.7变化到6.6，得到一系列模拟的冠层反射率，然后以一定的间隔将lai值分成两类，两类lai分别与pvi建立回归模型，统计所有模型的决定系数，决定系数值最大时，此时的lai值即为阈值；
步骤八、确定分类前和分类后lai反演模型的最佳观测角度，建立回归模型，并进行精度验证，结果表明分类后lai的反演精度明显提高，即对于不同范围的lai，需要进行分类反演。
本发明与现有技术相比较，本发明的实施效果如下：
本发明能够明显提高lai反演精度的方法，对于不同范围的lai，采用不同的反演方法，可明显提高lai反演精度。
具体实施方式
下面将结合具体的实施例来说明本发明的内容。
实施例：针对不同范围的叶面积指数遥感反演方法，包括以下步骤
步骤一、在实验室测定野外样方中各个树种的生化组分参数，包括叶片面积、叶片等效水厚度和干物质含量、叶绿素和类胡萝卜素等，根据树种在样方中所占权重，确定野外实测样方的生化组分参数。
步骤二、将野外实测样方的生化组分参数先输入prospect模型中，得到模拟的叶片反射率；
prospect模型的公式为：
(ρ1-τ1)＝prospect(n,cab,cw,cm)；
其中，ρ1为叶片反射率，τ1为叶片透射率，n为叶片内部结构参数，cab为叶片叶绿素含量(μg/cm2)，cw为叶片等效水厚度(cm)，cm为叶片干物质含量(g/cm2)；
步骤三、然后将模拟得到的叶片反射率和透射率输入sail模型中，得到各个样方的冠层模拟反射率；
sail模型公式为：
ρc＝sail(lai,ala,ρl,τl,hot,diff,θv,θs,φ)；
其中，ρc为冠层光谱反射率，lai为叶面积指数，ala为平均叶倾角(°)，ρl和τl分别为叶片反射率和透过率，由prospect模型计算得到，hot为热点参数(叶子的平均大小与冠高之比)，diff为漫反射系数，θv和θs分别为观测天顶角和太阳天顶角，φ为太阳与观测相对方位角；
根据待处理的多角度遥感影像的头文件信息得到辐射传输模型中的输入参数，包括太阳天顶角、太阳方位角、观测天顶角、观测方位角、太阳与观测相对方位角等；
步骤四、对多角度遥感影像进行去燥处理、云掩膜、大气校正和几何校正，利用地面控制点和影像几何信息得到高光谱反射率信息；
步骤五、提取五个角度的影像公共点的遥感反射率，与prosail模型得到的模拟反射率进行精度评价；
步骤六、选择多种常用的植被指数与实测lai进行相关性分析，垂直植被指数(perpendicularvegetationindex，pvi)与lai的相关性最高，将模拟冠层反射率得到的pvi与lai建立回归模型；
步骤七、在观测角度为0°的情况下，lai值以0.02的间隔从1.7变化到6.6，得到一系列模拟的冠层反射率，然后以一定的间隔将lai值分成两类，两类lai分别与pvi建立回归模型，统计所有模型的决定系数，决定系数值最大时，此时的lai值即为阈值；
步骤八、确定分类前和分类后lai反演模型的最佳观测角度，建立回归模型，并进行精度验证，结果表明分类后lai的反演精度明显提高，即对于不同范围的lai，需要进行分类反演。
综上所述，本发明是一种能够明显提高lai反演精度的方法，对于不同范围的lai，采用不同的反演方法可以明显提高lai反演精度。
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。