植被参量的高光谱遥感反演方法

 植被生理、生化参量的精确估算对于生物多样性评价、陆地覆盖表征、生物量建模以及碳通量估算都具有非常重要的意义，高光谱遥感获取的连续的精细的光谱浓缩了植被冠层结构和生化参量，从而为植被的生理、生化参量的精确估测提供可能和条件。那么，植被参量的高光谱遥感反演方法有哪些呢？本文进行了简单总结。

植被遥感有关的生化物理参量

生物物理参量主要指用于陆地生态系统研究的一些关键变量，包括叶面积指数（LAI）、光合有效辐射吸收率（FAPAR）、生物量、植被覆盖度等。植被生化参量的估算主要集中于色素（主要是叶绿素）、各种营养元素（特别是氮）以及纤维素、木质素、可溶性糖、淀粉和蛋白质等。

植物的营养元素状况能影响到叶面积、冠层形态、内在生理特征，从而与光谱特征密切相关。不仅使快速、简易地诊断植被的营养状况成为可能，而且高光谱遥感技术的发展还使得大面积监测植物的营养状况（营养胁迫）和长势也取得了极大的进展。

植被参量的高光谱遥感反演方法

1. 传统的多元统计分析方法

通常是利用逐步回归分析方法筛选出反射率光谱或其变换形式（导数光谱、对数光谱等）与某个生物物理或生物化学参量的关系密切相关的若干个波段，建立统计回归方程，然后利用该方程对未知样本的参量进行预测、估算精度。优点：简单易行，对可控条件下测得的光谱应用时，结果较好。缺点：应用野外测量数据或遥感图像时，由于受到大气、冠层几何条件、结构、土壤背景等因素影响，所建立的回归方程往往对所使用的数据依赖性很强，使用不同的数据集所选的波段差异性较大。因此，先对反射率光谱去包络，然后利用吸收深度（和吸收面积）进行归一化，在此基础上建立的逐步多元回归方法对植被的氮、木质素和纤维素含量进行估测，效果较好。

2. 基于光谱特征分析方法

该方法主要是基于单个特征参量或两个（或多个）特征波段组合的光谱指数，建立它们与某个生理或生化参量的经验方程，即特征参量法和光谱指数法。

特征参量法：将光谱上某个吸收特征（谷）或反射峰特征参量化，建立关联方程。应用最广的是植被特有的“红边”，定义为反射率光谱在680-750nm波长之间的一阶导数最大值对应的波长位置。并且由此派生出来的红边斜率等参量，对植被的叶绿素、生物量、氮、物候等变化敏感。

光谱指数法：将两个或多个特征经线性或非线性组合，构成对某个生理生化参量敏感的光谱指数。例如我们熟知的NDVI，可用于估算植被覆盖度、叶绿素含量、生物量等参数。优点：简单易用，且高光谱遥感数据的诸多窄波段为发展一个对植被参量敏感，且最大程度抑制大气、土壤等影响的光谱指数提供了更多选择空间。缺点：此种反演模型属于经验或者半经验的统计模型，对植被参量的反演缺乏普适性和可移植性，特别是针对不同的植被类型（或数据源）需要重新拟合模型参数或调整波段。

3. 物理模型方法

物理模型反演方法的基础是辐射传输理论，对于某一特定时间的植被冠层而言，一般辐射传输模型可简化为：

S=F（λ,θS,λS,ΨV,C）

其中，λ为波长，θS,λS为太阳的天顶角和方位角，观测天顶角和方位角，C关于植被的特性参数，包括叶倾角、叶面积指数、叶片层数、叶绿素含量、水和干物质含量等。

物理模型又分为叶片模型和冠层模型。叶片模型又分为N流模型、Ray tracing模型、随机模型、平板模型和针状模型，目前应用最多的为PROSPECT模型（基于Allen等开发的平板模型的辐射传输模型）。冠层模型可归纳为四种：辐射传输模型、几何光学模型、混合模型和计算机模拟模型。大量研究表明，直接利用物理模型对植被参数进行反演相当困难，且就生化参量反演目前仅限于叶绿素含量和水分含量。物理模型更多的被用于大范围的多种可能条件下的植被光谱，基于这些光谱检验现在光谱指数的精度，并发展相应的光谱指数。