基于无人机高光谱影像的植被覆盖度遥感估算模型比较

为了探寻光谱解混模型估算植被覆盖度的精度及适用性,对广东省中山市民众镇义仓村内的一块香蕉林地,利用无人机高光谱数据,比较了3种植被覆盖度估算的经典模型(像元二分模型、Carlson模型和Baret模型)以及目前较为常用的3种光谱解混模型(线性光谱混合模型(Linear Mixed Model,LMM)、后验多项式非线性混合模型(Polynomial Post-nonliner Mixing Model,PPNMM)和考虑光谱变异的正态组分模型(Normal Compositional Model,NCM))估算植被覆盖度的效果.实验结果表明:像元二分模型高估了植被覆盖度;Carlson模型低估了植被覆盖度;Baret模型在低植被覆盖度区域内高估了植被覆盖度、在高植被覆盖度区域内低估了植被覆盖度;LMM模型在高植被覆盖度区域有较好的估算效果;PPNMM模型在低植被覆盖度出现小幅度高估;NCM模型估算的效果最佳.

考虑植被端元变异性的光谱解混方法

植被光谱变异性广泛存在于遥感图像当中,本文尝试通过PROSAIL辐射传输模型来描述植被端元变异性,并提出一种光谱解混方法,实现逐像元地估计植被变异性端元。具体地,面向植被—土壤背景两端元的场景,在非负矩阵分解框架下,利用PROSAIL辐射传输模型从机理上描述植被端元的变异性,并通过两组神经网络来分别实现辐射传输模型的反演与正算,从而更高效地拟合植被端元,最终得到一种能逐像元求解变异性植被端元的光谱解混算法。由于该方法求解了植被端元的空间变异光谱,因此,能够对植被参数遥感反演的尺度效应进行纠正。为此,本文进一步以LAI尺度效应为例,通过无人机图像实验来验证该方法的有效性。实验结果得出,经过光谱解混方法处理后,该方法能较准确地估计植被端元,并能使LAI尺度效应均方根误差RMSE能够从0.2151降低到0.0896,有望提升遥感植被信息提取的精度。