论文部分内容阅读
遥感的本质在于反演，即从遥感观测得到的地物光谱辐射中提取我们所需的地物特征信息。随着多角度多光谱遥感的发展，遥感的应用领域日益广泛，人们对遥感反演的精度要求也越来越高。本文以提高连续植被冠层反演参数的精度为目标，将冬小麦作为研究对象，以SAIL模型(ScatteringbyArbitrarilyInclinedLeaves，任意倾角叶片反射光模型)为例，研究辐射传输物理模型的模型误差，增加先验知识的内容，采用自适应遗传算法进行分阶段的遥感反演，并对结果的可靠性进行定量化的分析与验证。
SAIL，模型是经典的遥感辐射传输模型，并在实际应用中得到不断地改进与发展。SAIL，模型是非线性、多参数的模型，它的建立有很多基于对真实地表情况的理想假设，由这些假设引起的模型模拟结果与真实情况之间的误差称为模型误差。模型误差会对反演精度产生一定的影响，如何估计模型误差对反演的影响是本文的研究内容之一。真实值我们是不能得到的，一般都是观测数据，而观测数据本身会受到大气、地表状况以及观测仪器等因素的影响产生误差，从而给模型误差的分析带来了一定的困难。本文将基于真实地表的三维场景建立起来的计算机模拟模型得到的结果作为参照真值分析SAIL模型的模型误差，采用数理统计的方法得到误差的分布估计，从而作为先验知识的一部分应用到遥感反演中。
由于模型中各个参数对不同角度和波段数据的敏感性不同，对于反演结果的贡献也不同，因此分阶段的反演策略是非常必要的，即用敏感数据集先反演敏感性较大的参数。反演的方法采用全局最优化的搜索算法一自适应遗传算法。它能够根据适应度变化自动选择交叉概率和变异概率，是一种改进的遗传算法。适应度函数加入对模型误差分布的考虑，从而进一步提高反演精度。
论文最后对反演的结果做了评价和验证，研究了该反演方法的性能，对考虑模型误差分布前后的分阶段反演以及直接反演的结果做了定量化的分析和评价，并应用实测地表数据和遥感影像数据进行多阶段反演以验证反演方法的可靠性，结果表明，反演精度得到了提高。
本论文的研究工作由国家自然科学基金项目“基于估计先验知识分布的定量遥感多阶段反演方法”(项目号：40671129)资助，谨此表示感谢!