植被生物物理与生物化学参量反演方法可分为哪些类型？

植被生物物理与生物化学参量反演方法可归结为三种类型。

(1)传统的多元统计分析方法

通常是利用逐步回归分析方法筛选出反射率光谱或其变换形式(如导数光谱、对数光谱等)与某个生物物理或生物化学参量关系密切的若千个波段,建立统计回归方程;然后利用该方程对未知样本的参量进行预测,估算精度。这种方法的优点是简单易行,对实验室可控条件下测得的光谱进行应用时，一般都能取得满意的结果。但是应用到野外测量数据或遥感图像上时，由于受大气、冠层几何条件、冠层结构、土壤背景等因素的影响，所建立的回归方程往往缺乏鲁棒性和普适性，即波段选择对所使用的数据依赖性很强,不同研究者使用不同的数据集选中的波段差异很大,而且有些入选的波段根本与待预测的变量间没有直接或间接的联系。

为此，不少研究者尝试对多元回归方法进行改进。Kokaly和Clark先对反射率光谱去包络，然后利用吸收深度(或吸收面积)进行归一化，在此基础上采用逐步多元回归方法对植物氮、木质素和纤维索含量进行估测，获得了很好的验证效果。Curran等应用该方法对叶片生化组分进行了反演，证实Koka-ly和Clark的改进方法在一定条件下表现良好。

(2)基于光谱特征分析的方法

本方法基于单个特征参量或两个(或多个)特征波段组合的光谱指数，建立它们与某个生理或生化参量的经验方程，因此又分为特征参量法和光谱指数法。

特征参量法:将光谱上某个吸收特征(谷)或反射峰特征参量化，建立关联方程。应用最广泛的特征是植被所特有的“红边”，定义为反射率光谱在680 ~750 nm波长之间的一阶导数最大值对应的波长位置。由此又派生出红边斜率(红边对应的一阶导数值)等参量，这些红边参量对叶绿素、生物量、氮、物候等的变化很敏感。另外,一些吸收特征对参量反演也很有用处，如Tian在室内条件下测定叶片光谱反射率,将1.65~1.85 μm波长间的水汽吸收特征以三个参量表达，即吸收深度、吸收面积及非对称度，对叶片相对含水量进行了统计回归,取得了很好的反演效果。但需要注意的是，该光谱吸收特征在室外大田条件下将被大气水汽吸收所淹没。

光谱指数法:将两个或者多个特征波段经线性或非线性组合，构成对某个生理生化参量敏感的光谱指数。我们所熟知的宽波段归一化差异植被指数NDVI就属于此类,它是植被光谱所特有的红光吸收谷和近红外反射峰肩部特征经比值归一化得到,可用于估算植被覆盖度、叶绿素含量、生物量等参数。它的优势在于可以部分消除太阳高度角、遥感器观测角和大气等的影响,但是它对土壤背景的变化较为敏感。高光谱遥感数据的诸多窄波段为发展一个对植敏感，且最大程限抑制大气、土壤等影响的光谱指数提供了更多选择空间，的土壤调整植被指数(OSAVI)。

OSAVI属于土壤调整植被指数(SAVI)一类,但它的确定不需要土壤的光学信息。因此,0SAVI相对宽波段植被指数更适合于观测与监测农作物长势的变化。

事实上,由于植被遥感影响因子的多样性和复杂性，要发展-一个具有广泛普适性的光谱指数仍是任重道远。正如Verstraete通过数学和物理角度所阐述的那样:设计一个对于任意一个影响光谱的因子完全敏感，而对于其他干扰因子完全不敏感的光谱指数是不可能的。因而光谱指数的发展必须遵循这样一个原则，该指数对背景因子干扰尽量不敏感，而对于待反演的植被参量尽量敏感。改进与发展光谱指数仍是高光谱植被遥感研究的热点之一。

(3)物理模型方法

由于前两种方法得到的反演模型均属于经验或半经验的统计模型,对植被参量反演缺乏普适性和可移植性,特别是对不同的植被类型(或数据源)需要重新拟合模型参数或调整波段。具体来讲，最明显的例子是针对某种作物建立的模型应用到别的作物或林地类型时往往效果不理想或完全失效。有鉴于此，物理模型反演方法日益得到研究者的关注。

物理模型可以根据用户输入模型的必需参数模拟植被叶片或冠层光谱，此过程称为正演;如果已知植被光谱，通过模型的后向过程，可以得到相应的植被参数,此时称为反演。物理模型又分叶片模型和冠层模型，前者对叶片的反射率光谱进行模拟和参量反演,后者对冠层反射率光谱进行模拟和参量反演。

叶片模型又分N流模型Raytracing模型、随机模型、平板模型和针叶模型等五种类型。目前应用最多的是PROSPECT模型，它是一个基于Allen等开发的平板模型的辐射传输模型。在该模型中，植被叶片被看作是一层紧密且透明的平板，表面平行,并且假设平板是各向同性的。但是该模型将叶片看作是一层紧密的叶，因而在许多情况下(如双子叶和老叶)是不适用的。UPROSPECT模型需要输入的关键参数包括折射指数n和a(a取决于反射表面的几何性质，但也因植株的不同而异)、叶绿素含量(ug/cm²)水分含量(cm)等。大部分现有的叶片模型是针对阔叶结构的，阔叶具有伸展的平面和明显的层,但是针叶具有自己特殊的结构，即没有明显的栅栏组织,其剖面几乎都是球形细胞。如何表征和模拟叶片的元素存在很多问题，而且针叶叶片的形状和尺寸使得光谱特性测量也很困难。因此平板模型不能用于针叶，针叶模型的发展也受到了诸多限制。Dawion等，发展了一个针对针叶结构的模型，即LIBERTY模型,利用该模型可以模报针叶簇叶结构和单叶的光谱特性。

冠层模型可归纳为四种，即辐射传输模型，几何光学模型，混合模型和计算机模拟模型(如MonteCaro模型)。其中，辐射传输模型最适合于浓密植被冠层:几何光学模型更适合于具有规则形状的稀疏植被冠层;混合模型是辐射传输模型和儿何光学模型的结合应用;计算机模拟模型多用于理解辐射传输机理和验证一些简化的模型。不同冠层类型呈现不同的结构特征，因而需要根据模型所作假设选择合适的模型。如SAIL模型是将冠层结构假设为水平均匀的混浊介质，比较适合于农作物冠层。SAIL模型在叶片方位角均匀分布的假设条件下考虑任意叶倾角的情况，将冠层二向反射率看作是观测角度的函数;假设叶方位角随机分布，可以以叶倾角分布函数为权重计算任意叶倾角分布的吸收和散射系数。SAILH是基于SAIL模型的改进版,对热点效应考虑得更为细致,SAILH在计算二向反射率对单次散射的贡献时，考虑了叶片的尺寸和阴影的影响。SAIL和SAILH在目前高光谱植被遥感研究中应用较为广泛。