论文部分内容阅读
叶面积指数(Leaf Atea Index，简称LAI)作为农作物的一项重要的生理结构参数，在农作物估产中具有重要意义。实践表明，在大尺度上进行LAI的测量是很难实现的，因此，寻找一种合适的统计模型或者物理模型进行LAI反演是目前研究的主流。本文提出应用MODIS地表反射率数据，将MODIS像元简化为冬小麦冠层与裸土组成的混合像元，基于人工神经网络(Artificial NetJral Network，简称ANN)进行叶面积指数反演的方法，得到了北京顺义地区冬小麦试验田在2001年4—5月间一个连续时间序列的叶面积指数。
MODIS-Terra传感器的MOD09地表反射率数据前四个波段为可见光、近红外波段，像元分辨率在星下点为500米。在实验区域内，MODIS—Terra传感器每天可提供一次对地观测数据。除所需反射率数据外，MODIS数据产品还包括太阳天顶角、观测天顶角、太阳方位角、观测方位角等光照几何和观测几何数据。本文采用TM卫星影像分类统计，得到了实验区内每个MODIS像元中植被冠层所占的相对面积比例。本文设计了三层误差反向传播神经网络模型(BP网络模型)，通过前向模型模拟地表反射率构造训练数据集训练神经网络，训练后的神经网络可以应用于大尺度LAI的反演。神经网络输入层设计的八个节点分别为MOD09中1、2、3、4波段反射率、三个观测角度以及像元中植被冠层覆盖面积所占比例；中间层和输出层设计的节点个数分别为10个节点和1个节点，输出层节点为待反演参数LAI。本文反演结果与MODIS自己算法生产的LAI产品——MOD15进行了比对，并进行了地面若干测量点的采样验证。由于MOD15的像元分辨率在星下点为1km，比对前进行了空间聚合。验证结果表明，采用人工神经网络方法能够较好的获取大区域尺度上的LAI。2001年在顺义同步进行了“星-机-地定量遥感综合试验”，获取了分辨率为1.36米的AMTIS航空影像。本文同时对顺义数据进行了LAI反演工作，在统一了空间分辨率后与本文得到的反演结果进行了对照，也进一步验证了本文所提出的方法。