联合Sentinel-1与Sentinel-2的高时空分辨率玉米叶面积指数反演

叶面积指数(leaf area index,LAI)是单位地表面积上总叶面积的一半,是影响光合作用、蒸腾作用和能量平衡等地表过程的关键生物物理变量。鉴于光学遥感数据易受天气的影响,雷达遥感数据易受土壤等的影响,二者在叶面积指数反演方面各有利弊,提出了一种考虑不同数据反演结果不确定性的融合方法。研究测试了多种机器学习模型在中国张掖地区的玉米农田上估算LAI的性能。结果表明,光学和雷达两种数据分别作为模型输入进行LAI反演时,高斯过程回归(Gaussian process regression,GPR)的表现均为最优。随后,基于Sentinel-1雷达数据和Sentinel-2光学数据,使用GPR模型生成了研究区2019年的两种LAI及不确定性时空分布图。考虑不同数据反演结果的差异,使用加权滤波方法将两种LAI融合,实现了高时空分辨率玉米LAI制图。通过定性和定量分析,融合后的LAI时间序列分布图变化连贯,空间分布均匀,精度相较于融合之前有了明显改善。

植被生物物理参数的光学遥感反演方法综述

传感器技术的迅速发展为植被生物物理参数反演提供了大量可用的光学遥感数据,处理这些海量数据需要稳健高效的反演技术支持。本文总结了利用光学遥感影像定量获取植被生物物理参数的反演方法,将这些方法分为参数回归、非参数回归、基于物理模型和混合方法。首先,回顾了这些方法的理论基础,并分析了它们各自的优缺点。然后,介绍了已发表的应用案例,展示了这些方法在植被生物物理参数反演处理中的实际运用。最后,对这些方法在未来的发展和应用前景进行了展望。