一种基于多尺度遥感的非均质地表叶面积指数反演方法

1.本发明涉及大面积非均质地表叶面积指数反演技术领域，具体涉及一种基于多尺度遥感的非均质地表叶面积指数反演方法，属于定量遥感技术领域。


背景技术：

2.叶面积指数（lai）是表征植被生长的一个重要参数，它被定义为每单位地面面积的总绿叶面积的二分之一。众所周知，lai是全球气候观测系统（gcos）认可的一个基本气候变量（ecv），在陆地生态系统的模型模拟中发挥着重要作用。许多研究都集中在各种lai的应用上，如植被动态监测和作物产量估算。因此，在全球范围内生成一个长期的lai数据集是捕捉由人类活动或气候变化引起的植被生长的时空变化的先决条件。高频率的地球观测对于捕捉植被生长动态的关键阶段至关重要。现有的几个具有高时间分辨率（≤1天）的百米级分辨率（》100米）地表反射率产品，包括modis、vegetation、avhrr、proba-v和viirs，已被广泛用于生成全球尺度的lai时间序列。然而，百米级分辨率的lai产品的不确定性普遍大于0.6，不能满足gcos建议的lai数据集的不确定性要求。因此，如何缓解地表异质性影像以提高百米级分辨率lai产品精度是一个难点。
3.传统上，lai是通过实地调查获得的，如破坏性取样、叶夹和植物冠层分析。这些方法也许是定期实地考察中测量lai的最准确途径。然而，它们费时、费钱，而且在大空间区域内收集时间上连续的lai是不现实的。遥感技术为量化大面积的生物物理变量提供了一种快速、可重复、同步和具有成本效益的方法，被广泛用于生成全球规模的lai数据集。目前，一些卫星，如landsat-5/7/8/9、sentinel-2和gaofen-1/6，可以提供非计量分辨率的遥感图像，使得在百米分辨率的像素网格中引入亚像素信息成为可能。其中，sentinel-2a于2015年6月发射，为包括作物监测和生物物理估算在内的大量土地应用提供了宝贵的非计量分辨率信息。哨兵-2任务可以提供具有高空间（10-60米）和时间（≤5天）分辨率的多光谱图像。此外，开源的哨兵应用平台（snap）中实施的简化二级原型处理器（sl2p），是为哨兵-2 msi图像开发的，用于量化生物物理变量。因此，sentinel-2的lai可以很容易地由sl2p工具生成，并且在多个验证活动中显示它与不同尺度的地面lai测量高度一致。然而，由于云层污染的影响，sentinel-2的lai不能满足大范围内植被生长的动态监测。因此，如何整合sentinel-2 lai提供的亚像元信息来改进百米分辨率的lai检索，仍然是一个需要解决的难题，以最大限度地发挥高频lai数据集的作用。


技术实现要素：

4.本发明的目的在于针对现有技术长时序百米级lai产品精度不高的问题，结合百米级反射率受地表异质性影像特点，协同使用多尺度的遥感数据，提供一种基于多尺度遥感的非均质地表叶面积指数反演方法，根据“先平均后反演”的升尺度规则将十米级反射率影像聚合至百米级尺度，构建得到lai-reflectance数据集，利用先验知识的采样策略选取样本，优选机器学习反演模型，从而实现非均质地表百米级lai反演。
5.本发明的上述目的通过以下技术手段实现：一种基于多尺度遥感的非均质地表叶面积指数反演方法，包括以下步骤：步骤一、获取研究区的sentinel-2 l2a数据、modis的mod09a1反射率数据、mcd12q1土地覆盖数据和imagines的高分参考图数据；步骤二、基于sentinel-2 l2a数据生成sentinel-2lai数据；步骤三、基于sentinel-2 lai数据获得实际的sentinel-2 lai聚合值，实际的sentinel-2 lai聚合值与匹配的mod09a1反射率数据以及mcd12q1土地覆盖数据构成一个样本点，各个样本点构成lai-reflectance数据集；步骤四、基于先验知识对lai-reflectance数据集进行代表性样本点进行选取；步骤五、利用代表性样本点对预测模型进行训练，获得训练完成的预测模型，输入待预测的mod09a1反射率数据到预测模型，获得预测的sentinel-2 lai聚合值，对预测的sentinel-2 lai聚合值进行反演得到非均质地表的叶面积指数。
6.如上所述步骤三中实际的sentinel-2 lai聚合值基于以下步骤获得：将sentinel-2 lai数据转换为sinusoidal投影，根据研究区的范围，对转换为sinusoidal投影的sentinel-2 lai数据进行裁剪，将裁剪后的sentinel-2 lai数据利用简单平均法，聚合到 modis像素格网上，得到实际的sentinel-2 lai聚合值。
7.如上所述将裁剪后的sentinel-2 lai数据利用简单平均法，聚合到 modis像素格网上具体包括以下步骤：将裁剪后的sentinel-2 lai数据对应到每一个modis像素格网内部取平均，如果每一个sentinel-2 lai 亚像元值在0-10之间，则判定sentinel-2 lai 亚像元值为有效值，否则判定sentinel-2 lai 亚像元值为无效值，计算每一个modis像素格网中sentinel-2 lai亚像元的有效值比例，若有效值比例大于等于90%，则计算modis像素格网中的sentinel-2 lai亚像元平均值，获得实际的sentinel-2 lai聚合值，索引得到modis像素格网对应的modis 像元反射率，若有效值比例小于90%，则掩膜该500米分辨率的modis像素格网对应的像元。
8.如上所述步骤四包括以下步骤：首先抽取设定个数样本点作为待确定样本点，计算待确定样本点的目标函数of；其次，迭代置换若干待确定样本点，比较优化前后待确定样本点的目标函数，若迭代置换后的目标函数小于迭代置换前的目标函数，则接受待确定样本点迭代置换，否则拒绝放弃上一次待确定样本点的迭代置换；最后，目标函数小于阈值或达到预设迭代次数，则输出各个待确定样本点作为代表性样本点。
9.如上所述目标函数of基于以下公式：，其中，是反射率平均偏差，是植被类型平均偏差，是最近邻指数，i1为mod09a1反射率数据中反射率波段序号，a为mod09a1反射率数据中反射率波段的数量。
10.如上所述反射率平均偏差基于以下公式：
，其中，n是待确认样本点数，指反射率，和是第i个反射率区间的最小反射率和最大反射率，表示求取某一类反射率波段band的反射率大于等于且小于的待确认样本点的个数，所述植被类型平均偏差基于以下公式：，其中，m指待确认样本点的植被类型的总数，是属于第t类植被类型的待确认样本点的数量，k
t
是lai-reflectance数据集中属于第t类植被类型的样本点的占比，所述最近邻指数nni基于以下公式：，其中，min(d
ij
)代表待确认样本点i与最近的待确认样本点j之间的地理位置距离，n是待确认样本点的数量，a是研究区的面积。
11.如上所述预测模型为人工神经网络预测模型、随机森林回归模型、高斯过程回归模型、以及支持向量机回归模型中的一种或者多种；当预测模型为多种时，构建mod09a1反射率数据和实际的sentinel-2 lai聚合值作为样本点的测试集，将测试集中的mod09a1反射率数据输入到训练完成的预测模型中，输出对应的预测的sentinel-2 lai聚合值，根据测试集中的实际的sentinel-2 lai聚合值和对应的预测的sentinel-2 lai聚合值，计算每种预测模型的实际的sentinel-2 lai聚合值与预测的sentinel-2 lai聚合值之间的均方根误差rmse、平均偏差bias和决定系数r2，选择rmse小于等于0.5，且r2大于等于0.8，且bias小于等于0.01的预测模型作为最佳的预测模型。
12.本发明相对于现有技术，具有以下有益效果：本发明为解决长时序百米级叶面积指数反演精度低的问题，协同十米级遥感影像和百米级遥感影像，生成lai-reflectance数据集，结合基于先验知识的采样策略，优选预测模型进行非均质地表的叶面积指数反演。最终基于多尺度遥感数据的协同，通过优选的预测模型提高了百米级叶面积指数的反演精度，缓解叶面积指数反演中的地表异质性效应。
附图说明
13.图1是本发明的方法的流程示意图。
具体实施方式
14.为了便于本领域普通技术人员理解和实施本发明，下面结合实例对本发明作进一步的详细描述，此处所描述的实施示例仅用于说明和解释本发明，并非是对本发明的限制。
实施例
15.如图1所示，本发明公开一种基于多尺度遥感的非均质地表叶面积指数反演方法。包括以下步骤：步骤一、获取研究区study area的level-1c级别的sentinel-2 l2a数据、modis的mod09a1反射率数据、mcd12q1土地覆盖数据和imagines的高分参考图数据。研究区study area分别选定为位于肯尼亚、西班牙、法国和乌克兰的高分参考图上200公里
×
200公里的区域。具体而言，步骤一的详细操作步骤为：从欧空局下载了低云量覆盖度的sentinel-2 l1c的影像数据。由于sentinel-2 l1c的影像数据提供的是toa反射率，本发明使用的欧空局提供的sen2cor大气校正插件对sentinel-2 l1c的影像数据进行大气校正，生成sentinel-2 l2a数据。sen2cor大气校正插件为影像提供了云层检测，并将结果存储在了l2a数据的场景分类波段中，用于像元质量筛选以去除云覆盖、云阴影和非植被地表覆盖的影响。
16.从nasa网站下载terra modis 8天合成mod09a1反射率数据，分辨率是500米。利用mod09a1 产品中内置的质量控制波段（qa）对mod09a1反射率数据进行额外的质量控制，以去除积雪、部分或完全云覆盖、云阴影或低像素质量的影响。这个步骤输出mod09a1反射率数据，包括六个反射率波段（红波段：620-670nm；近红外波段：841-876nm；绿色：545-565nm；中红外波段：1230-1250nm，1628-1652nm，2105-2155nm），三种太阳视角的观测几何学（太阳天顶角、视角天顶角和相对方位角）。
17.下载全球年度三级土地覆盖类型的mcd12q1土地覆盖数据，选用mcd12q1产品的第三套方案，即基于 modis 叶面积指数/光合有效辐射方案，用于筛选mod09a1产品中植被与非植被类型像素，以排除非植被类型引入的不必要的误差。这个步骤输出mcd12q1土地覆盖数据，包括八种植被类型，分别是草原、灌木丛、阔叶农田、热带草原、常绿阔叶林、落叶阔叶林、常绿针叶林、落叶针叶林。
18.从imagines网站下载研究区study area内的高分参考图，旨在获取实地lai测量值，以验证由卫星反演得到的lai值。
19.步骤二、基于sentinel-2 l2a数据生成sentinel-2lai数据基于步骤一得到的sentinel-2 l2a数据，使用snap工具箱生成20米分辨率的sentinel-2 lai数据。具体而言，步骤二的详细操作步骤为：将步骤一所得的sentinel-2 l2a数据输入snap软件，利用陆地生物反演算法（sentinel-2 land bio-physical processor, sl2p）反演得到20m分辨率sentinel-2 lai数据。sl2p 算法是欧空局针对sentinel-2影像基于神经网络开发的生物量反演算法。具体来说，该算法的过程包括三个主要步骤：通过辐射传输模型（rtm）即prosail生成训练数据集、校准神经网络和使用训练好的神经网络预测生物物理变量。在prosail模型中考虑了八个波段信息（b3、b4、b5、b6、b7、b8a、b11 和 b12）和方向信息（观察天顶、太阳天顶和相对方位角），以模拟相应的冠层反射率。利用ann神经网络针对8个波段信息和3个方向信息进行训练。最后利用校准好ann网络参数，对sentinel-2 l2a数据进行预测获得sentinel-2lai 数据。
20.步骤三、基于sentinel-2 lai数据获得实际的500m sentinel-2 lai聚合值，实际的500m sentinel-2 lai聚合值与匹配的mod09a1反射率数据以及mcd12q1土地覆盖数据构
成一个样本点，各个样本点构成lai-reflectance数据集；将步骤二所得到的sentinel-2 lai数据进行投影转换。sentinel-2 lai数据为utm-wgs84投影，为了与mod09a1反射率数据投影保持一致，将 sentinel-2 lai 数据转换为sinusoidal投影。根据研究区study area的范围，对转换为sinusoidal投影的sentinel-2 lai数据进行裁剪。将裁剪后的sentinel-2 lai数据利用简单平均法，聚合到 500米分辨率的modis像素格网上，得到实际的500m sentinel-2 lai聚合值，构建由实际的500m sentinel-2 lai聚合值与mod09a1反射率数据和mcd12q1土地覆盖数据匹配得到的lai-reflectance数据集。简单平均法即基于500米分辨率的modis像素格网，将裁剪后的20米分辨率的sentinel-2 lai数据对应到每一个500米modis像素格网内部取平均。
21.聚合规则如下：（1）如果每一个20米分辨率的sentinel-2 lai 亚像元值在0-10之间，则判定20米分辨率的sentinel-2 lai 亚像元值为有效值，否则判定20米分辨率的sentinel-2 lai 亚像元值为无效值。（2）计算每一个500米分辨率的modis像素格网中的20米 sentinel-2 lai亚像元的有效值比例。若有效值比例大于等于90%，则利用简单平均法计算500米分辨率的modis像素格网中的20米 sentinel-2 lai亚像元平均值，得实际的500m sentinel-2 lai聚合值，并索引得到500米分辨率的modis像素格网对应的modis 像元反射率。若有效值比例小于90%，则掩膜该500米分辨率的modis像素格网对应的像元。
22.步骤四、基于先验知识对lai-reflectance数据集进行代表性样本点进行选取；步骤三所得到lai-reflectance数据集，lai-reflectance数据集中包含若干样本点，每个样本点由实际的500m sentinel-2 lai聚合值，以及与实际的500m sentinel-2 lai聚合值匹配的mod09a1反射率数据和mcd12q1土地覆盖数据组成。对lai-reflectance数据集进行基于先验知识的样本选取。
23.利用基于先验知识采样策略进行采样，该方法通过模拟退火算法迭代确保样本在多种特征属性变量和地理空间中的均匀离散分布。为了兼顾样本获取效率和样本获取准确度，拟基于先验知识，在所选研究区study area进行采样。拟构建两方面评价指标以评估：（1）计算所选样本点的mod09a1反射率数据和mcd12q1土地覆盖数据的代表性（和），作为属性空间代表性指标；（2）对于地理空间位置的代表性的评价，计算样本点的最近邻指数（nni），作为地理空间代表性指标。基于、和nni计算目标函数(of)，再利用模拟退火算法迭代优化样本点，具体方法如下：通过模拟退火算法迭代优化样本点。首先抽取一定样本点sample，作为待确定样本点，计算待确定样本点的目标函数（of）；其次，迭代置换若干待确定样本点，比较优化前后待确定样本点的目标函数，若迭代置换后的目标函数小于迭代置换前的目标函数，则接受待确定样本点迭代置换，否则拒绝放弃上一次待确定样本点的迭代置换；最后，目标函数小于阈值或达到预设迭代次数，则输出各个待确定样本点作为代表性样本点。各项指标计算如下：首先，针对lai-reflectance数据集中mod09a1反射率数据反射率波段band，将各个（n个）待确认样本点的mod09a1反射率数据的某一类反射率波段对应的反射率从小到大排列，依次等分为n个反射率区间。再计算所有待确认样本点的该类反射率波段的反射率落入各个反射率区间的频数。理论假设待确认样本点应该均匀落在每一个反射率区间，即每
一个反射率区间都应该有一个待确认样本点。基于以下公式计算反射率平均偏差：，其中，n是待确认样本点数，指反射率，和是第i个反射率区间的最小反射率和最大反射率，表示求取某一类反射率波段band的反射率大于等于且小于的待确认样本点的个数。
24.针对lai-reflectance数据集中mcd12q1土地覆盖数据的第t类植被类型，计算lai-reflectance数据集属于第t类植被类型的待确认样本点的数量占比。再计算待确认样本点sample的属于第t类植被类型的待确认样本点在所有待确认样本点的占比的数量。最后计算实际上待确认样本点落入每一个反射率区间的频数与理论上待确认样本点落入每一个反射率区间的频数的平均偏差，即是待确认样本点sample的属于第t类植被类型的数量与lai-reflectance数据集中属于第t类植被类型的数量之间的植被类型平均偏差，由以下关系给出：，其中，m指待确认样本点的植被类型的总数，是属于第t类植被类型的待确认样本点的数量，是属于第t类植被类型的待确认样本点，k
t
是lai-reflectance数据集中属于第t类植被类型的样本点的占比。
25.最近邻指数nni的计算方法如下：，其中，min(d
ij
)代表待确认样本点sample中每一个待确认样本点i与其最近的待确认样本点j之间的地理位置距离，d
ij
是待确认样本点i与待确认样本点j之间的地理位置距离，n是待确认样本点sample的数量，a是研究区study area的面积。
26.目标函数（of）是由属性空间代表性指标（和）和地理空间代表性指标（）共同计算得到，具体如下：，其中，是反射率平均偏差，是植被类型平均偏差，和均为属性空间代表性指标，是最近邻指数，为地理空间代表性指标，a指mod09a1反射率数据中反射率波段的数量，默认为6，i1为mod09a1反射率数据中反射率波段序号，为mod09a1反射率数据中各反射率波段的植被类型平均偏差的总和。
27.对于红波段，研究区内所选样本点的反射率都在0-0.3的区间。对于近红外波段，所选样本点反射率都在0-0.6之间。对于绿波段，所选样本点的反射率都在0-0.2之间。在三个波段的采样结果中，样本点与lai-reflectance数据集的反射率差异都控制在5%以内。四个统计指标包括meandev、stddev、skdev和kudev，分别代表样本点与lai-reflectance数据
集在平均值、标准差、偏度和峰度的差异。与lai-reflectance数据集，通过代表性样本选择的样本点几乎没有差异（meandev 《 0.005, stddev 《 0.005, skdev 《 0.2, kudev 《 0.5）。
28.步骤五、优选机器学习模型反演叶面积指数利用步骤四中选取的代表性样本点进行建模，结合四种机器学习的预测模型中的一种或多种（人工神经网络预测模型，ann；随机森林回归模型，rfr；高斯过程回归模型，gpr；支持向量机回归模型，svr）。将代表性样本点中的mod09a1反射率数据（六个反射率波段：红波段、近红外波段、绿色和三个中红外波段；三种太阳视角的观测几何学：太阳天顶角、视角天顶角和相对方位角）作为输入数据，预测的500m sentinel-2 lai聚合值作为输出数据，学习输入数据和输出数据之间的关系。
29.将步骤四得到的代表性样本点随机化分为预测模型的训练集（80%）和预测模型的验证集（20%）。随机划分20次，生成20组训练集和对应的20组验证集，即20组随机的训练集和对应的20组验证集都将单独进行建模和验证，用于测试不同机器学习模型的稳定性。为了验证预测模型是否具有泛化能力，选取了研究区的3景和5景实测数据的高分参考图对应的mod09a1反射率数据进行检验。将高分参考图利用简单平均法聚合到500m modis 格网上，与去除云雾和非植被类型的mod09a1产品进行像素匹配，得到mod09a1反射率数据和实际的500m sentinel-2 lai聚合值作为预测模型的测试集。
30.一般基于训练集和验证集进行预测模型的训练，通过测试集可以计算实际的500m sentinel-2 lai聚合值与预测的500m sentinel-2 lai聚合值之间的均方根误差（rmse）、平均偏差（bias）和决定系数（r2），rmse通常大于0，数值越小则代表模型精度越高。bias大于0，则表示模型高估；bias小于0，则表示模型低估；bias约趋近于0，则表示模型精度越高。r2的数值一般在0-1之间，越趋近于1，则表示模型精度越高。通过对四种机器学习进行性能评估后，选择rmse小于等于0.5，而r2大于等于0.8，同时bias趋近于0的模型（可选小于等于0.01），优选输出拟合得到的最佳的预测模型，可通过输入待预测的mod09a1反射率数据到最佳的预测模型，获得预测的500m sentinel-2 lai聚合值，进一步对预测的500m sentinel-2 lai聚合值进行反演得到非均质地表的叶面积指数。若不满足rmse小于等于0.5，而r2大于等于0.8，同时bias趋近于0，则返回步骤一。
31.本实施例中，四种机器学习模型参数设置如下：ann的输入层设置为9个神经元，分别代表着6个反射率波段和3个方向信息波段。隐藏层中神经元设置为18个，输入层的两倍，可以使得神经网络的性能最大化。lai是输出层唯一的输出变量。使用带平方损失函数的levenberg-marquardt学习算法学习输入数据和输出数据之间的非线性关系。
32.在rfr中，假设有n个样本点，m个属性变量。首先，每一个独立决策树通过有放回的抽样获取n个样本点，该样本作为该决策树根节点处的样本。其次，该决策树每个根节点随机选取mtry个属性变量（mtry《《m），作为该根节点的分裂属性。在决策树形成过程中，每个节点都通过上一步进行分裂，直到该决策树不能再分裂。随机森林回归预测的结果是ntree个决策树结果的平均值，设置mtry=m/3，即节点值为输入数据集属性变量个数的三分之一。设置ntree=500，即决策树的数量为500。
33.gpr由于它基于核的特性，使其所有的超参数都可以通过最大化边际似然有效地
学习训练集。gpr超参数的调整采用自动优化超参数算法，该算法通过自动调整超参数，找到使五倍交叉验证损失值最小的超参数。
34.svr原理是求解能够正确划分训练数据集并且几何间隔最小的分离超平面。通过使用自动超参数优化，找到最大限度减少五倍交叉验证损失的超参数。
35.对于预测模型的拟合精度，rfr平均精度（bias=0.000、r2=0.966和rmse=0.187），优于ann平均精度（bias=0.000、r2=0.913和rmse=0.287）、gpr平均精度（bias=0.002、r2=0.891和rmse=0.321）和svr平均精度（bias=0.017、r2=0.868和rmse=0.358）。
36.对于预测模型的验证精度，gpr平均精度（bias=-0.002，r2=0.892和rmse=0.326）与ann平均精度（bias=0.002、r2=0.903和rmse=0.305），优于svr平均精度（bias=-0.017、r2=0.874和rmse=0.345）和rfr平均精度（bias=0.003、r2=0.881和rmse=0.328）。
37.根据20组训练集和对应的20组验证集的r2、rmse和bias的分布，通过数值波动评估模型的稳定性，其中rfr和ann的精度稳定性较差，数值波动较大，gpr和svr的精度稳定性较好，数值波动小。
38.测试集中有5836个像元，对于四种预测模型的测试精度，gpr最佳精度为（bias=-0.308，r2=0.826和rmse= 0.593），优于svr最佳精度（bias=-0.333、r2=0.824和rmse=0.612）、rfr最佳精度（bias=-0.366、r2=0.769和rmse= 0.687）和ann最佳精度（bias=-0.316、r2=0.793和rmse=0.644）。根据测试集的r2、rmse和bias的分布，通过数值波动评估模型的稳定性，其中ann的精度稳定性较差，数值波动较大，gpr、svr和rfr的精度稳定性较好，数值波动小。综合评估四种模型的拟合精度、验证精度、测试精度和以及其稳定性，gpr的精度表现最好，被选为最优机器学习模型。
39.需要指出的是，本发明中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。

技术特征：
1.一种基于多尺度遥感的非均质地表叶面积指数反演方法，其特征在于，包括以下步骤：步骤一、获取研究区的sentinel-2 l2a数据、modis的mod09a1反射率数据、mcd12q1土地覆盖数据和imagines的高分参考图数据；步骤二、基于sentinel-2 l2a数据生成sentinel-2lai数据；步骤三、基于sentinel-2 lai数据获得实际的sentinel-2 lai聚合值，实际的sentinel-2 lai聚合值与匹配的mod09a1反射率数据以及mcd12q1土地覆盖数据构成一个样本点，各个样本点构成lai-reflectance数据集；步骤四、基于先验知识对lai-reflectance数据集进行代表性样本点进行选取；步骤五、利用代表性样本点对预测模型进行训练，获得训练完成的预测模型，输入待预测的mod09a1反射率数据到预测模型，获得预测的sentinel-2 lai聚合值，对预测的sentinel-2 lai聚合值进行反演得到非均质地表的叶面积指数。2.根据权利要求1所述一种基于多尺度遥感的非均质地表叶面积指数反演方法，其特征在于，所述步骤三中实际的sentinel-2 lai聚合值基于以下步骤获得：将sentinel-2 lai数据转换为sinusoidal投影，根据研究区的范围，对转换为sinusoidal投影的sentinel-2 lai数据进行裁剪，将裁剪后的sentinel-2 lai数据利用简单平均法，聚合到 modis像素格网上，得到实际的sentinel-2 lai聚合值。3.根据权利要求2所述一种基于多尺度遥感的非均质地表叶面积指数反演方法，其特征在于，所述将裁剪后的sentinel-2 lai数据利用简单平均法，聚合到 modis像素格网上具体包括以下步骤：将裁剪后的sentinel-2 lai数据对应到每一个modis像素格网内部取平均，如果每一个sentinel-2 lai 亚像元值在0-10之间，则判定sentinel-2 lai 亚像元值为有效值，否则判定sentinel-2 lai 亚像元值为无效值，计算每一个modis像素格网中sentinel-2 lai亚像元的有效值比例，若有效值比例大于等于90%，则计算modis像素格网中的sentinel-2 lai亚像元平均值，获得实际的sentinel-2 lai聚合值，索引得到modis像素格网对应的modis 像元反射率，若有效值比例小于90%，则掩膜该500米分辨率的modis像素格网对应的像元。4.根据权利要求3所述一种基于多尺度遥感的非均质地表叶面积指数反演方法，其特征在于，所述步骤四包括以下步骤：首先抽取设定个数样本点作为待确定样本点，计算待确定样本点的目标函数of；其次，迭代置换若干待确定样本点，比较优化前后待确定样本点的目标函数，若迭代置换后的目标函数小于迭代置换前的目标函数，则接受待确定样本点迭代置换，否则拒绝放弃上一次待确定样本点的迭代置换；最后，目标函数小于阈值或达到预设迭代次数，则输出各个待确定样本点作为代表性样本点。5.根据权利要求4所述一种基于多尺度遥感的非均质地表叶面积指数反演方法，其特征在于，所述目标函数of基于以下公式：，
其中，是反射率平均偏差，是植被类型平均偏差，是最近邻指数，i1为mod09a1反射率数据中反射率波段序号，a为mod09a1反射率数据中反射率波段的数量。6.根据权利要求5所述一种基于多尺度遥感的非均质地表叶面积指数反演方法，其特征在于，所述反射率平均偏差基于以下公式：，其中，n是待确认样本点数，指反射率，和是第i个反射率区间的最小反射率和最大反射率，表示求取某一类反射率波段band的反射率大于等于且小于的待确认样本点的个数，所述植被类型平均偏差基于以下公式：，其中，m指待确认样本点的植被类型的总数，是属于第t类植被类型的待确认样本点的数量，k
t
是lai-reflectance数据集中属于第t类植被类型的样本点的占比，所述最近邻指数nni基于以下公式：，其中，min(d
ij
)代表待确认样本点i与最近的待确认样本点j之间的地理位置距离，n是待确认样本点的数量，a是研究区的面积。7.根据权利要求6所述一种基于多尺度遥感的非均质地表叶面积指数反演方法，其特征在于，所述预测模型为人工神经网络预测模型、随机森林回归模型、高斯过程回归模型、以及支持向量机回归模型中的一种或者多种；当预测模型为多种时，构建mod09a1反射率数据和实际的sentinel-2 lai聚合值作为样本点的测试集，将测试集中的mod09a1反射率数据输入到训练完成的预测模型中，输出对应的预测的sentinel-2 lai聚合值，根据测试集中的实际的sentinel-2 lai聚合值和对应的预测的sentinel-2 lai聚合值，计算每种预测模型的实际的sentinel-2 lai聚合值与预测的sentinel-2 lai聚合值之间的均方根误差rmse、平均偏差bias和决定系数r2，选择rmse小于等于0.5，且r2大于等于0.8，且bias小于等于0.01的预测模型作为最佳的预测模型。

技术总结
本发明公开了一种基于多尺度遥感数据的非均质地表叶面积指数反演，下载不同尺度的遥感卫星的卫星影像，如十米级遥感影像和百米级遥感影像；基于十米级遥感影像获取LAI；十米级LAI结果与百米级遥感影像的反射率进行协同，构建LAI-reflectance数据集；基于先验知识的采样策略进行样本选取；基于多种机器学习模型进行反演模型优选，获取精度较高的非均质地表的叶面积指数。本发明协同多种尺度遥感卫星影像，通过基于先验知识和模拟退火算法的样本选取方法，充分协同十米级遥感影像的信息和百米级遥感影像的信息，提高了非均质地表叶面积指数的反演精度。数的反演精度。数的反演精度。


技术研发人员：徐保东 金文捷 胡琼 王聪
受保护的技术使用者：华中农业大学
技术研发日：2023.06.30
技术公布日：2023/8/1