【案例实践】植被参数遥感反演与数据同化系列

【查看原文】植被参数遥感反演与数据同化系列

生态文明评价必须将生态系统健康作为基本内容，而作为生态系统健康评价的重要指标之一——植被参数（如生物物理、生物化学、结构参数等）如何获取日益受到重视。
传统的地面实测方法能够得到比较准确的植被参数（如叶面积指数、覆盖度、生物量、叶绿素、干物质、叶片含水量、FPAR等），但其获取信息有限，难以满足大范围提取植被参数的需求，尤其在异质地表区域。遥感技术的发展为植被生长状态及动态监测提供了重要的技术手段，与传统地面实测方法不同，遥感把传统的“点”测量获取的有限代表性信息扩展为更加符合客观世界的“面”信息（即区域信息），且不会对生态系统造成破坏，能够长期、动态、连续地估算植被参数，在区域或全球尺度植被参数估算中具有不可替代的优势。随着科学技术的发展和生态文明建设的需要，借助遥感数据反演植被参数，可为生态系统健康评价提供关键的数据支持，并且植被参数遥感反演是当前遥感应用研究的重要内容之一，也是国际遥感领域的热点研究方向。

【内容简述】：

一、遥感反演与数据同化知识点梳理
关键知识点梳理
地面观测
遥感反演
数据同化
编程软件安装
Anaconda Python
Visual Studio 2010
Compaq Visual Fortran

二、植被参数遥感反演理论与代码实现(一)
遥感反演理论
前向建模
PROSAIL模型反射率模拟
遥感反演模型(经验/物理模型/机器学习…)
代价函数
反演算法

三、植被参数遥感反演理论与代码实现(二)
基于'优化算法+PROSAIL模型'反演操作演示
反演算法(SCE-UA/遗传算法/模拟退火)
PROSAIL模型
代价函数求解

四、植被参数遥感反演理论与代码实现(三)
机器学习算法
PROSAIL模型
训练集与测试集划分
基于'机器学习+地面观测+遥感'反演操作演示
机器学习算法
地面观测

五、模型参数敏感性分析原理及实现过程
模型参数敏感性分析原理
局部敏感性分析
全局敏感性分析
具体操作步骤演示
EFAST全局敏感性分析方法
SimLab软件
经验模型/物理模型
PROSAIL模型

六、遥感数据同化原理与代码实现(一)
遥感数据同化原理
生态/水文/陆面模型
多模型之间的耦合
数据同化算法
同化对比对象
精度评价

七、遥感数据同化原理与代码实现(二)
多种同化方法与不同同化方式操作演示(Part1)
1. 同化方法
集合卡尔曼滤波
变分同化/优化算法
2. 同化方式
直接同化遥感观测反射率
直接同化遥感反演结果或产品

八、遥感数据同化原理与代码实现(三)
多种同化方法与不同同化方式操作演示(Part2)
1. 同化方法
集合卡尔曼滤波
变分同化/优化算法
2. 同化方式
直接同化遥感观测反射率
直接同化遥感反演结果或产品

【其它相关推荐】：

高光谱数值建模技术及在植被、水体、土壤信息提取领域应用技术

如何利用ArcGIS探究环境与生态因子对水体、土壤、大气污染物等影响

陆面生态水文模拟与多源遥感数据同化的实践技术应用

无人机遥感在农林信息提取中的实现方法与 GIS 融合制图

PROSAIL 模型前向模拟与植被参数遥感提取代码实现

无人机生态环境监测、图像处理与 GIS 数据分析综合应用

基于PyTorch深度学习无人机遥感影像目标检测、地物分类及语义分割教程

农林生态专业软件模型：DSSAT、Meta 分析、CASA、Biome-BGC、CENTURY、CMIP6、InVEST模型等

统计语言类教程：贝叶斯统计学、Copula、SEM、极值统计学、混合效应模型、PyTorch深度学习、科研数据可视化