[发明专利]基于LAI和多角度数据的植被覆盖与管理措施因子的遥感反演方法

摘要

本发明公开了基于叶面积指数和多角度数据的植被覆盖与管理措施因子遥感反演方法：步骤一、修正土壤流失方程中的次因子法；步骤二、对多角度遥感影像进行预处理，获取地表反射率；步骤三、主成分分析法筛选最佳波段；步骤四、将野外实测样方的生化组份参数输入辐射传输模型，得到样方模拟反射率；步骤五、建立实测LAI值和实测C值之间的回归关系模型，确定最佳C因子反演模型；步骤六、选择能反映林地LAI值变化的植被指数，确定最佳植被指数；步骤七、将植被指数和波段输入随机森林模型，输出反演得到的多角度LAI影像；步骤八、利用第五步建立的C因子反演回归方程，得到C因子的反演结果。本发明充分利用了LAI和多角度遥感影像信息，实用性较强。

主权项

1.一种基于LAI和多角度数据的植被覆盖与管理措施因子的遥感反演方法，其特征在于：该方法包括下列步骤：步骤一：在RUSLE模型中，C因子由前期土地利用方式、冠层覆盖、地表覆盖、表面粗糙度、土壤水分这五个次因子计算而得；具体公式为：C＝PLU×CC×SC×SR×SM其中，C为植被覆盖与管理措施因子，PLU为前期土地利用因子(Prior‑land‑use)，CC是林冠覆盖因子(Canpoy‑cover)，SC为地表覆盖因子(Surface‑cover)，SR为地表粗糙度(Surface‑roughness)，SM为土壤水分(Soil‑moisture)；CC＝1‑Fc×exp[‑0.1×H]其中，Fc为林冠覆盖占土地面积的比，H为平均树高；SC＝exp[‑b×Sp×(0.24/Ru)^0.08]其中，b和Ru为随机粗糙度，Sp为地表覆盖百分数(％)；SR＝exp[‑0.66×(Ru‑0.24)]；步骤二、对多角度遥感影像进行预处理，包括去燥处理、云掩膜、大气校正和几何校正，最终获得地表反射率；步骤三、利用主成分分析法获取最佳波段，根据贡献率的大小选取最佳波段，贡献率越大，表明该波段所含信息量越大；公式为：其中，P_nx为第n波段的x主成分特征向量，λ_x为第x主成分的特征向量，Var_n为协方差矩阵中第n波段的方差；步骤四、将实验室测定的野外样方中各个树种的生化组分参数，包括叶片面积、叶片等效水厚度和干物质含量、叶绿素和类胡萝卜素等，根据树种在样方中所占权重，确定野外实测样方的生化组分参数并输入PROSAIL模型中，得到样方的模拟冠层反射率；PROSAIL模型的公式为：ρc＝PROSAIL(LAI,ALA,N,Cab,Cw,Cm,HOT,Diff,θv,θs,φ)其ρ_c为冠层光谱反射率，LAI为叶面积指数，ALA为平均叶倾角(°)，N为叶片内部结构参数，C_ab为叶片叶绿素含量(μg/cm2)，C_w为叶片等效水厚度(cm)，C_m为叶片干物质含量(mg/cm2)，HOT为热点参数，Diff为漫反射系数，θ_v和θ_s分别为观测天顶角和太阳天顶角，φ为太阳与观测相对方位角；步骤五、利用SPSS软件建立实测LAI值和实测C值之间的回归关系模型，根据决定系数和相对误差确定最佳C因子反演模型；步骤六、选取常用的与LAI相关性较高的植被指数，在SPSS软件中与实测LAI进行皮尔森相关性分析，选择与LAI相关性最高的植被指数参与LAI的建模与反演；步骤七、将最佳植被指数和最佳波段输入随机森林模型，根据不同的角度组合，通过模型的误差来确定决策树的数量，最终根据模型输出的决定系数、平均相对误差和平均绝对百分误差来确定反演LAI的最佳角度，输出反演得到的多角度LAI影像；步骤八、根据第五步建立的基于LAI的最佳C因子反演回归方程，在ARCGIS或ENVI中得到C因子的反演结果。