[发明专利]一种从HJ-1卫星数据反演LAI的方法

权利要求书

1.一种从HJ-1卫星数据反演LAI的方法，其特征在于：该方法具体步骤如下：

步骤一：利用滤波算法对经过投影转换的时间序列MODIS LAI产品进行滤波，生成时空连续的1km LAI数据，根据滤波后的LAI数据构建植被动态生长方程，将此信息引入LAI的反演过程；

步骤二：用冠层反射模型模拟冠层的反射率生成查找表，并结合已有HJ-1反射率数据的光谱特征进行查找表的调整，训练调整后的查找表得到从LAI到反射率的条件概率分布；

步骤三：基于动态贝叶斯网络的滤波推理算法将植被动态生长方程、条件概率分布和当前时刻HJ-1反射率数据结合起来，计算得到当前时刻LAI后验概率分布，如此循环得到时间序列上LAI的后验概率密度分布；

步骤四：根据已有的LAI后验概率密度分布计算得到时间序列LAI反演结果。

2.根据权利要求1所述的一种从HJ-1卫星数据反演LAI的方法，其特征在于：步骤一所述的根据滤波后的LAI数据构建植被动态生长方程，其具体过程如下：

根据目前多数机理性植被生长模型对植被LAI变化过程的描述，LAI的动态变化简化为，在植被的生长阶段：

LAI_t+1＝LAI_t+ΔLAI                                (1)

在植被的衰落阶段：

LAI_t+1＝LAI_t*α                                   (2)

式(1)中的ΔLAI代表LAI从t时刻到t+1时刻的增长，是影响植被生长的多种因素综合作用的结果；式(2)中的α代表了LAI从t时刻到t+1时刻的衰减，衰减的速度是一些因子的指数函数；假定经过精心挑选的高质量的时间序列MODIS LAI表达植被生长的动态变化，我们可以将其看做是植被动态过程模型模拟的结果，进而可以对时间序列MODIS LAI数据进行拟合构建植被动态过程模型，这样，在植被的生长阶段，LAI的增长量ΔLAI由对应两个相邻时刻LAI的变化量计算得到，在植被的衰落阶段，LAI的衰减速度α在数值上则等于相邻时刻LAI的比值；

由于MODIS LAI数据在某些区域被高估或者低估，且经常出现一定的时空不连续性，因此，基于MODIS LAI数据建立动态过程模型时必须采取措施减小或者排除这些因素的影响；针对时序MODIS LAI数据存在的时空不连续现象，首先对MODIS LAI进行滤波得到时空连续的MODIS LAI数据，然后用滤波后的MODIS LAI数据模拟植被生长动态过程，针对在某些地区MODIS LAI高估或低估的问题，引入比例因子修正MODIS LAI值，

k＝LAI_t/l_t                                            (3)

式(3)中，k为比例因子，即MODIS LAI被高估或低估的系数，LAI_t为t时刻的LAI值，l_t为对应时刻滤波后的MODIS LAI值；据此，在植被的生长阶段：

LAIt+1=LAIt+ΔLAI]]>

=LAIt+LAIt×(lt+1-lt)lt=LAIt×lt+1/lt---(4)]]>

在植被的衰落阶段：

LAI_t+1＝LAI_t*α＝LAI_t×(k*l_t+1)/(k*l_t)                             

                                                      (5)

      ＝LAI_t×l_t+1/l_t

从公式(4)和(5)看出，基于MODIS LAI数据建立的动态过程模型在植被的生长阶段和衰落阶段表达形式相同，表达式为：

LAI_t+1＝LAI_t×l_t+1/l_t                                 (6)

模型是动态迭代方程，下一时刻的预测LAI值是上一时刻反演得到的LAI的函数；式中，LAI_t+1为t+1时刻方程预测LAI值，LAI_t为t时刻反演得到的LAI，l_t+1和l_t分别为t+1时刻和t时刻滤波后的MODIS LAI值；t＝1时，有l_t＝LAI_t。