高光谱遥感与林业生物物理参数反演

高光谱应用

光谱近红外区域（1000-2500 nm）的吸收特征是生化键（例如在氢—碳和氮—氧原子之间）的弯曲和拉伸振动及其谐波和泛音的函数。在可见光区域，叶绿素和类胡萝卜素由于电子能量跃迁而产生强吸收。存在不同的方法从反射测量中反演叶片和冠层特征。

（1）经验模型（指数和/或多元回归）： 原理是将在窄或大光谱带上测量的多个反射率构建成数学组合，并将它们与观测表面的特定特征相关联。这些关系基于实验或模拟反射数据库（建立在辐射传输模型上）进行校准。这类方法很简单，但有一些局限性：当校准到实验数据库时，关系的代表性仅限于数据库的代表性（图1）。此外，指数和多元回归可能对多个单一特征敏感。它们还对大气条件、成像几何和空间分辨率敏感，因此通常必须针对每个图像进行校准。

 △图1. 在森林研究框架内实施的从遥感数据提取森林属性的策略

（2）模型反演： 该方法使用模型模拟叶片、冠层和土壤特征的反射光谱，然后通过模型的反演来获取叶片和冠层参数。典型的数值反演方法包括将一些参数固定为合理值，并通过最小化观测反射率（Pmeas  ）和模拟反射率（Pmod）之间的差值函数来确定其他参数（自由参数）。该函数被称为评价函数。一种有效的最小化方法，如Nelder和Mead（1965）提出的单纯形优化法，是 Privette等人（1994）在测试了几种不同的反演方法之后推荐的方法。对于业务应用，基于预先计算的反射率数据库的反演技术通常比计算量更大的迭代方法更受青睐。经常使用的高效计算方法包括查找表和神经网络。

上述两种方法都依赖于模拟或测量的训练数据库。尽管测量和模型的不确定性可能会导致结果发生较大变化，但数值反演策略还必须应对其他困难：反演问题涉及确定期望的或观测结果的形成原因，或校准数学模型参数以复现观测结果。反演问题通常不满足适定性的重要假设：可能没有严格意义上的解，解可能不是唯一的和/或可能非持续地依赖于数据。此类模型的反演通常会给出大量不同的可能解，即是病态的。因此，使用有效的正则化策略（对最小化经验误差函数上加约束）对于数值反演策略具有重要意义。

 △图2. 高光谱林业生物物理参数采集