[发明专利]基于数值优化算法的植被叶片参数遥感反演方法及系统

说明书

本发明公开一种基于数值优化算法的植被叶片参数遥感反演方法及系统，涉及遥感反演技术领域，该方法根据各波段地表反射率数据，计算遥感观测的植被指数信息，构建以均方根误差为原型的代价函数，然后利用数值优化算法求解代价函数极小值点，以实现植被叶片参数反演，本方法能够动态引入先验知识，调整自由变量的维度和模型其它固定参数初值，并结合代价函数的梯度值信息，能够在一定程度上缓解病态反演问题。克服了基于传统查找表算法反演精度受到变量步长设置影响的缺点，且可针对不同遥感卫星数据，快速开展应用。该方法操作简单。

技术领域

本发明涉及遥感反演技术领域，特别是一种基于数值优化算法的植被叶片参数遥感反演方法及系统。

背景技术

利用遥感手段反演植被叶片参数的方法大致可分为基于统计模型和基于物理模型的估测方法。前者通过建立实测目标参数与遥感观测参数的经验拟合关系，实现目标参数的区域估算，这种方法往往依赖于实测数据，难以大范围适用，后者考虑了各参数对冠层反射率的影响机制，更具有普适性。基于物理模型反演植被叶片参数通常分为前向建模和后向反演两过程，针对草地连续植被冠层，常使用耦合植被辐射传输模型PROSAIL。后向反演时，首先结合卫星观测数据构建关于目标参数的代价函数，然后常利用查找表算法反演目标植被叶片参数。

不同于查找表算法反向寻优过程，最优化算法则是正向求解最优值过程，即通过数值迭代的方式求解代价函数极小值点，获取目标参数值。常见数值最优化算法包括最速下降法、共轭梯度法、POWEL等算法。这些算法常需要求解代价函数梯度，由于代价函数为遥感物理模型复合函数，因此梯度求解过程十分复杂，但可以采用数值微分或者自动微分技术实现。使用数值优化算法反演植被叶片参数时，可动态引入先验知识作为约束条件，相比传统优化算法，在植被叶片参数反演方面具有很大的应用潜力。

发明内容

有鉴于此，本发明的目的在于提供一种基于数值优化算法的植被叶片参数遥感反演方法及系统，该方法克服了基于传统查找表算法反演精度受到变量步长设置影响的缺点，且可针对不同遥感卫星数据，快速开展应用。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于数值优化算法的植被叶片参数遥感反演方法，包括以下步骤：

步骤1：获取各波段地表反射率数据，计算遥感观测的植被指数信息，所述植被指数至少包括归一化差分植被指数NDVI、增强植被指数EVI、归一化差分红外指数NDII；

步骤2：构建辐射传输模型，设置辐射传输模型的模型参数，所述模型参数包括模型变量、模型常量、显示变量；

步骤3：构建关于植被指数的且以均方根误差为原型的代价函数RMSE，设置RMSE对某变量的偏导数和代价函数梯度信息▽T；

步骤4：使用约束最优化算法求解构造的代价函数的极小值点X^*；得到草地冠层可燃物含水率。

进一步，所述步骤1中的植被指数按照以下公式进行计算：

其中，NDVI_o，EVI_o，NDII_o为从卫星数据提取的观测植被指数，ρ_Blue，ρ_Red，ρ_NIR，ρ_SWIR2分别是从卫星数据提取的蓝光、红光、近红外和短波红外波段的光谱反射率。

进一步，所述步骤2中的模型参数按照以下公式进行计算：

ρ(λ)＝PROSAIL(C_ab,EWT,FMC,LAI,psoil,...) (5)