米级分辨率下的植被遥感反射波谱模型构建及叶面积指数反演方法研究

The rapid development of high spatial resolution satellites brings more development space for the research and application of vegetation remote sensing. As the basement of vegetation remote sensing the research on modelling and inversion method at the high spatial resolution is needed. This proposal firstly evaluates the applicability of the existing models at the scale of meter resolution, which found that the forests and row-planted crops are not applicable. Then the structure characteristics at the meter resolution are simulated and analyzed, and the optimal parameterization scheme is developed. Then the new vegetation canopy reflectance model which can be applied at the meter resolution is developed. Finally the leaf area index (LAI) retrieval algorithm at the meter resolution is developed. The innovation of this research includes (1) the existing models focus more on the radiation and scattering characteristics at the leaf-branch-canopy and community scale, while the new model can characterize the radiation and scattering process at a more microscopic scale, which is more suitable for the research on quantitative remote sensing for vegetation at the meter resolution. It is theoretically novel. (2) The developed LAI retrieval algorithm is more general. The input parameters can be more accurate than ever, which can improve the LAI retrieval accuracy ultimately. This new algorithm can serve as the algorithm basis for the global remotely sensed LAI products at the meter resolution, which shows the innovative characteristic and promising applications in the future.

高空间分辨率卫星的飞速发展为植被遥感研究及应用带来更大发展空间。作为理论基础的植被定量遥感需要开展针对性研究。本研究首先分析现有模型在米级分辨率适用性，针对不适用的森林及行播植被，通过模拟分析米级分辨率像元结构特征，提出最优参数化方案，构建米级分辨率像元适用的植被波谱模型；开展提高模型适用性、提高模型输入参数精度等方法研究，发展米级分辨率LAI反演算法体系。创新点体现在（1）以往模型假设场景关注叶片、枝、树冠及植被群落尺度辐散射特征，构建的米级分辨率植被模型描述叶片、枝及树冠或部分树冠尺度辐散射特征，对植被冠层辐散射过程进行更微观的描述，更加适合米级分辨率下植被定量遥感研究，具有一定理论创新性。（2）发展的LAI反演算法具有普适性，反演模型具有更好适用性和准确性，模型输入参数具有更高精度，进而提高了米级分辨率的LAI反演算法精度，为米级分辨率的全球LAI产品提供算法储备，具有创新性和特色。

在米级分辨率下，混合像元减少，像元多是单一植被类型，在中低分辨率下的混合效应减弱，不同像元中植被生理生化参数的差异带来的反射率差异变显著；像元中的山地场景不再像中低分辨率下的复杂的复合山地特征，而是较为单一的阴坡、阳坡等山地特征，山地特征更加简单，但全阴坡或陡坡等地形特征对LAI反演精度影响增强；米级分辨率卫星较中低分辨率卫星观测频次低，由于传感器及云雨天气影响，实际可获得的影像的时间分辨率更低，产品的时空缺失率高。针对这些问题，本项目围绕米级分辨率的建模、LAI反演算法及验证开展研究。项目首先针对现有模型高LAI模拟误差大，改进了透过率的计算方法，构建优化的三维辐射传输模型，对可见光饱和的高LAI时的模拟成功率由27%提高到71%。然后，针对现有LAI反演算法全球仅使用8种叶片光学特性模拟全球全年的植被叶片，带来较大的反演误差的问题，研究提出了对叶绿素含量更加敏感的红边指数CSI，构建了基于CSI的叶绿素含量反演算法，进一步提出了基于叶绿素含量计算叶片单次散射反照率进而基于三维辐射传输模型反演LAI的方法，验证结果显示RMSE从1.338下降至0.511，R2从0.747上升至0.825，标准差从1.741下降至0.702；构建了基于计算机模拟模型DART和随机森林模型的山地LAI反演算法，显著提高阴坡及陡坡的山地LAI反演精度；构建了基于气象数据考虑植被生长特征的LAI时间序列重建算法，对连续缺失多或在关键物候节点观测缺失的时间序列给出更加符合植被生长物候规律的LAI重建结果。在全国8个站点11个观测塔开展LAI日连续观测，实现了LAI时间序列产品的真实性检验。本项目提出的高分辨率LAI算法实现了具有更高精度的高分辨率的时空连续LAI产品算法体系，具有创新性。算法用于GF1/GF6宽幅相机的叶面积指数产品算法，生产了全国16m分辨率2018年1月至2020年6月的LAI月产品。高分辨率LAI反演产品为高分辨率植被生产力产品实现提供可能，有助于实现更高精度的农作物和草地的产量估算，具有应用意义。