融合机载全波形LiDAR与高光谱数据的玉米FPAR反演机理与方法研究

The fraction of absorbed photosynthetically active radiation (FPAR) is a critical biophysical parameter which can reflect the process of vegetation growth. Nowadays, remote sensing is the only available approach to acquire FPAR in large scale. However, there are vital problems of inversing FPAR by using traditional optical remote sensing methods, such as improvement of inversion accuracy, signal saturation effect, lack of vertical structure information and low universal applicability of inversion model. Through combining full waveform LiDAR and hyperspectral sensors, this project will explore the physical mechanism and methods of low vegetation FPAR estimation and carry out sensitivity analysis of the model for maize at different growth stages. The research focuses on intensity correction of waveform airborne LiDAR data, waveform decomposition, pseudo-waveform generation, estimation of canopy gap ratio and canopy openness, information extraction of maize canopy and soil reflectivity from hyperspectral image. In addition, the research aims to establish a physical model for inversing FPAR of maize at different growth phase based on the principle of energy balance and canopy reflectance model. Also, the accuracy and generalization ability of the model will be evaluated for improving its applicability and realizing FPAR inversion with high accuracy. The project results are supposed to provide innovative ideas and methods for FPAR estimation and reliable input data for crop growth monitoring, yield predication and ecological environment study, and meanwhile, extend the application of LiDAR in low vegetation research field.

光合有效辐射吸收比率(FPAR)是反映植被生长过程的重要生理参数，遥感是目前获取大尺度FPAR的唯一可行手段。传统光学遥感反演FPAR的主要问题是信号饱和、模型普适性较低、缺乏垂直结构信息等，导致FPAR反演精度不高，无法真正反映植被吸收太阳辐射和进行光合作用的能力，特别是低矮植被如农作物的FPAR反演。本项目联合全波形LiDAR和高光谱数据，以不同生长期玉米为对象，开展FPAR反演方法和物理机理模型研究，包括全波形机载LiDAR数据的强度校正、波形分解及伪波形生成方法；冠层间隙率和开放度、冠层和土壤反射率信息反演；基于能量平衡原理和冠层反射率模型，构建基于物理机理的玉米FPAR反演模型；评价模型的精度与泛化能力并进行应用，实现大区域玉米FPAR制图。项目成果将为FPAR反演提供新思路和新方法，为作物生长监测、产量估算等研究提供可靠的输入数据，同时拓展激光雷达在低矮植被的应用领域。

激光雷达提供植被的垂直结构信息，联合光学遥感提供的水平结构信息，已成为反演植被结构参数的有效手段和研究热点。玉米是重要的夏季作物，生长期短，fPAR直接描述了玉米植株对光能的吸收情况，是玉米长势监测、估产以及作物栽培等应用中关注的一个重要参量。为解决传统光学遥感在低矮植被/农作物应用中存在的植被指数饱和、fPAR反演精度低和激光雷达植被参数反演模型缺乏物理意义等问题，项目提出联合机载全波形激光雷达和高光谱数据的玉米fPAR反演方法，为作物生长精准监测和估产以及病虫害监测等提供科学数据支持。.项目以中科院怀来遥感综合实验站和张掖玉米田为实验区，获取了玉米的机载全波形LiDAR、高光谱数据和地面实测数据，开展了LiDAR全波形数据去噪、滤波、伪波形生成，高光谱数据校正、配准等预处理，提取能反映植被垂直结构的LiDAR指数和水平光谱特征的高光谱特征参数，进而实现玉米高度、LAI和fPAR反演方法和模型研究，并评价模型的精度与泛化能力，最终完成大区域玉米高度、LAI和fPAR制图。项目在执行期组织了多次飞行和实地测量实验，获取了多个年份多个时期的高密度高精度无人机LiDAR数据、高光谱数据以及地面实测数据，为模型构建和验证提供支持。.项目围绕玉米等低矮植被激光雷达数据与高光谱数据中提取特征参数及融合，以及模型精度不稳定、泛化能力不高、模型参数缺乏物理意义等关键技术难题，采用多种机器学习方法，获得玉米等低矮农作物数据的最佳反演模型及空间尺度；同时基于辐射传输模型、能量平衡及冠层反射率模型，构建基于物理/半物理机理的玉米LAI和fPAR反演模型。.研究成果拓展了LiDAR在低矮植被的应用领域，为低矮农作物高度、LAI和FPAR反演，以及作物生长监测、产量估算等提供新思路和新方法。