辐射传输模型模拟与深度学习结合的高分一号卫星植被光合有效辐射吸收比例产品反演算法

植被光合有效辐射吸收比例 FPAR(Fraction of absorbed Photosynthetically Active Radiation)是碳循环光能利用率模型中的关键参数之一.高分系列卫星的发射,为反演定量遥感产品提供了高时空分辨率的卫星遥感数据,基于高分数据的植被光合有效辐射吸收比例产品能够为生态系统碳循环的分析评估提供更加精细、精度更高的输入参数产品.本文发展了一种基于深度学习的光合有效辐射吸收比例反演方法.该方法利用SAIL(Scattering by Arbitrarily Inclined Leaves)模型模拟多种太阳入射角度、观测角度、大气条件下的植被冠层光合有效辐射吸收比例及冠层反射率,形成海量输入—输出模拟数据集,具有鲁棒性及更好的普适性;基于深度信念网络对数据集进行训练,得到高分一号(GF-1)卫星光合有效辐射吸收比例遥感反演模型.利用中国科学院怀来遥感综合试验站及黑河流域地表过程综合观测网FPAR地面站点连续观测数据对玉米作物、芦苇草地等下垫面反演的FPAR进行了对比验证,RMSE分别为0.15和0.17.本方法以辐射传输模型模拟的多维大气及地表输入—植被冠层输出作为深度学习的训练样本库,弥补了训练样本数量不足及观测数据不全带来的深度学习训练过程中的误差,从而使得模型兼具机理性和高效性.同时,反演的输入为具有太阳角度、观测角度信息的地表反射率产品,降低了输入参数获取的难度,减少输入参数误差传递的影响,有利于实现产品的业务化生产.