基于輻射傳輸模型提取葉片組分信息的研究.pdf

1、地物波譜研究是遙感理論與應用技術發(fā)展的基礎。植被是陸地生態(tài)系統(tǒng)的基本組成成分。獲取局部區(qū)域甚至全球尺度植被生化組分含量與分布狀況的信息十分重要。
　　 葉片是植被最重要的組分之一，其與入射輻射的相互作用直接影響了冠層光譜。無論是在冠層層次還是在葉片水平提取組分信息，葉片模型是必不可少的。PROSPECT模型是目前應用比較成功的一種葉片輻射傳輸模型，本文基于PROSPECT模型建立生化組分與葉片光譜之間的關系，從而為反演提取葉片組

2、分的含量信息打下基礎。
　　 植被物理模型一般都是輸入?yún)?shù)的非線性表達，因此不能像解線性方程組分那樣得到輸入?yún)?shù)的解析解，而只能通過最優(yōu)化的方法得到各參數(shù)的解估計。粒子群算法是一種基于群智能(Swarm Intelligence)的優(yōu)化算法。然而由于行為的隨機性，粒子群算法缺乏對其搜索空間的約束能力，而且在對噪聲數(shù)據(jù)反演時，也很難設定閾值。因此本文通過增加粒子行為約束方式，改變反演結束方式，從而建立反演模型。從反演結果來看，PR

3、OSPECT模型在數(shù)學上是完全可反演的，粒子群算法也具有很好的搜索性能。
　　 模型參數(shù)的敏感度將直接影響到反演結果的優(yōu)劣，本文提出了一種新的基于代價函數(shù)的敏感度，能夠?qū)Φ^程中的粒子行為及反演結果作出較好的解釋。反演策略是成功反演的重要因素，本文利用光譜的積分變換構成代價函數(shù)，對降低隨機噪聲的影響取得了一定的效果，并提出一種在代價函數(shù)中引入權重的方法，對提高相應參數(shù)的敏感度很有幫助。另外本文初步給出了一種波段選擇的方法，從而