植被的生物物理参数和生物化学参数控制着植被的许多生物、物理过程,如呼吸、蒸腾、碳循环和降水截获等,因此植被参数成为了许多气候和生态学模型的重要输入参数。遥感技术凭借非破坏性、稳定性、可重复测量、及全球覆盖、相对代价较小等优势,已经成为获取大区域植被参数的主要手段。　　 本文以物理方法为基础来确定植被参数。SLC模型为正向物理模型,通过分析该模型主要输入参数的敏感性,确定了待反演的植被参数:LAI、叶绿素含量和植被覆盖度。基于CHRIS遥感数据,采用模拟退火方法为正向模型的反演算法,进行了参数反演。最后,利用“黑河流域遥感-地面观测同步试验”获取的地面实测数据进行反演结果验证。　　 本文的研究内容和主要结论如下:　　 1、首先概述了植被参数反演方法的研究进展。利用遥感数据获取植被参数主要有三种方法:统计方法、物理方法和混合方法,本文就物理方法进行了综述。基于物理模型的植被参数反演方法的发展,主要依赖于物理模型的完善和正向模型反演算法的发展。物理模型分为三大类,辐射传输模型、几何光学模型、计算机模拟模型,本文详细地介绍了辐射传输模型中的PROSPECT叶片反射率模型和SAIL冠层辐射传输模型的原理及应用。　　 2、介绍了SLC模型,该模型耦合了改进后的Hapke土壤反射率模型、PROSPECT叶片反射率模型、4SAIL2冠层反射率模型。SLC相对于PROSAIL系列模型,其最大的改进就是耦合了土壤BRDF模块,考虑了土壤湿度对冠层反射率的影响,这对模型模拟精度的提高起到了很大的作用。在本文的实际应用中,将原来版本的叶片反射率模型替换为最新版的PROSPECT-5。并详细的介绍了SLC模型的基本原理、运行机制及其输入输出数据。　　 3、简单介绍了CHRIS传感器的工作方式、数据特性。详细地介绍了CHRIS数据的处理过程,包括噪声去除、几何纠正和大气校正等。针对预处理后的多角度反射率数据,分析不同垄向的玉米、小麦、小麦套种大豆、小麦套种玉米几种植被类型反射率的方向性。分析结果如下:　　 1)近红外波段(872nm)处,各地表覆被类型都体现出了近似为碗状的BRDF特性,且相互间的BRDF比例因子相差不明显,但是在可见光波段(442nm、551nm、672nm),不同类型间的BRDF比例因子差异比较显著。　　 2)小麦套种大豆模式下的BRDF特性在近红外波段与其他四种地表覆被类型一样,但是在可见光波段,其BRDF比例因子随观测天顶角的变化,成为了“钟状”。　　 3)在-36°观测角度下,小麦套种玉米的BRDF比例因子最大。　　 4、针对常用的8个输入参数,在五个观测角度上的分析SLC的敏感性,并从反射率变化的绝对值和敏感系数两方面来进行阐述。结果表明LAI、叶绿素浓度、植被覆盖度、LIDFa、叶片水分含量、干物质含量都比较敏感,可以用来进行参数反演,相关的研究中也证明了这一点。　　 5、根据SLC参数敏感性分析和研究区域的一些性质,最终选取了LAI、叶绿素浓度和植被覆盖度作为待反演的植被参数。两种SLC模型的参数化方案被选用于植被参数反演:方案1是将LIDFa、LIDFb,叶片含水量和叶片干物质量这四个参数作为优化的变量来求解；方案2是除了方案1的四个参数,将干土壤的光谱也作为优化的参数之一。　　 6、WATER实验的地面实测值被用于验证两种参数化方案反演的结果,结果表明方案2的反演结果要优于方案1,主要体现在:　　 1)LAI地面实测值的均值为3.6347,方案1反演的值最接近实测的均值,而方案2则要比实测均值大0.6左右。因为LAI地面验证数据获取时间要比CHRIS数据获取时间提前两日,这段时间正是制种玉米的拔节期,在2天之内,玉米LAI会有一定幅度的变高趋势,方案2反演的LAI更加符合实际的情况。并且方案2验证结果的RMSE为1.2614,要优于方案1的2.0744。　　 2)方案1反演的叶绿素浓度普遍较低,而参数化方案2得到的结果要明显的高于方案1,但是两种参数化方案下的值都要比实测值低。方案2在6月下旬验证数据下的RMSE为14.82μg/cm2,该值有些偏高,在文章中分析了引起偏差较大的因为。　　 最终,我们以参数化方案2为基础,对CHRIS影像进行参数反演,得到了叶面积指数、叶绿素浓度和植被覆盖度分布图。