基于多角度热红外遥感的混合像元组分温度演化反演方法

研究了多年来热红外多通道遥感反演陆面温度的成果后指出, 由于通道间信息高度相关, 以及不能直接反演混合像元组分温度, 所以它的反演精度及应用价值都受到极大的限制. 在建立非同温混合像元热辐射方向性模型基础上, 指出热红外多角度遥感提供了直接反演组分温度的可能性, 但这是一个多参数的同步反演问题. 通过数值模拟和实验验证表明, 演化算法是一个行之有效的多参数同步反演方法. 热红外多角度遥感与演化反演算法结合有望实现组分温度反演精度达到1 K以内的目的.

热红外多角度遥感和反演混合像元组分温度

在研究了混合像元热辐射方向性规律的基础上 ,以连续植被冠层为例 ,提出了利用热红外多角度遥感数据 ,直接反演混合像元组分温度的方法。与多通道数据相比 ,多角度信息间的相关性要低得多 ,它主要取决于植被冠层的叶倾角分布函数 (LAD)。因此更容易达到反演精度小于1K的目的。

关于热红外多角度遥感扫描方向的选取问题

通过蒙特卡罗模拟回答了表征农作物行播结构特征的植株高 (H)、垄宽 (W)与垄间距(D)对行播作物热辐射方向性产生何种影响的问题。为了减少多角度热辐射亮度值之间的相关性 ,只有当扫描方向与垄向相互垂直 (φ =90°)时 ,它的相关系数最少 ,有利于反演Tv 与Ts。而顺垄扫描则相关系数最高 ,且对方位角变化敏感 ,不利于Tv 与Ts 的精确反演。

论热红外多角度遥感数据的相关性及视角优选配置

根据热红外辐射矩阵表达式建立了组分温度反演的矩阵方法,并围绕获得稳定反演结果的条件问题,以行播冬小麦为例进行了以下研究:(i)矩阵(W_(k,j)的内在相关性是影响反演结果准确性的关键,(ii)提出了确定可反演独立成分及在反演运算前对反演误差进行正确评估的一般方法,(iii)利用绝对误差传递公式得到了求取“最优角度组合” 的方法,研究结果为多角度热红外遥感及组分温度反演等问题提供了理论依据。

用遗传算法反演连续植被的组分温度

由于热红外多波段数据间具有高度的相关性和混合像元的大量存在 ,使得多波段陆面温度反演精度难以提高 ,并且难以得到组分温度信息 .在连续植被热辐射方向性规律的基础上 ,以喜直型连续植被为例 ,进行了大量的Monte Carlo模拟 ,建立了组分有效比辐射率与土壤表面比辐射率和植被叶面积指数之间的经验函数关系 ,并以此构造目标函数 ,采用遗传算法 ,从热红外多角度数据中 ,同时反演混合像元组分温度和土壤比辐射率以及叶面积指数 .通过对模拟的观测数据进行遗传算法反演的大量试验 ,结果表明 ,遗传算法反演组分温度非常稳健 ,在宽松的先验知识条件下 ,遗传算法可以解决不确定性反演问题 .遗传算法反演结果和野外实测数据作了比较 ,证实了反演原理的正确性 ,为基于热红外方向性辐射模型反演组分温度 。

利用遗传算法优化神经网络实现混合像元组分参数的反演

采用热红外多波段遥感数据反演陆面温度(LST),由于波段间信息高度相关,以及难以直接反演混合像元组分温度,使得LST的反演精度和应用价值都受到很大的限制.在建立非同温混合像元热辐射方向性模型基础上指出,热红外多角度遥感提供了反演组分温度的可能性,但是,由于该模型是采用蒙特卡洛方法模拟而建立起来的数值概念模型,采用一般反演方法很难同时提取所有参数信息.为了有效获取各参数信息,使用神经网络模型.由于待反演参数中,组分温度、土壤比辐射率和叶面积指数(LAI)都是多角度辐射亮度的非线性函数,然而,使用经典的误差后传(BP)算法容易陷入局部最优解区域;虽然遗传算法(GA)可以搜索到全局最优解,但在微机上实现算法速度太慢,因此,采用GA训练神经网络,得到网络权重,然后再以GA训练得到的权重作为BP算法的初始权重,继续训练神经网络,直到获得满意结果.这样既可以发挥BP算法快速寻优的特点,又能得到网络权重的最优组合.数值模拟的结果表明,基于非同温混合像元热辐射方向性模型,采用GA优化的神经网络模型反演多维参数效果比较理想.