光学卫星如何探测不同类型的树叶?

Question

在各种土地覆盖分类系统中，树木也以阔叶或针叶为基础进行分类。谁能告诉我卫星是通过什么机制检测到这种叶子型的?归一化植被指数(NDVI)在其中是否起作用?

例如，在GlobCover项目中，生成的土地覆盖图由23个土地覆盖类组成，包括阔叶林和针叶林等类。在那里，卫星传感器收集各种物候指标的数据，如NDVI等，并暂时平均它们，以获得这些指标的单一值。但并没有太多让步http://due.esrin.esa.int/files/GLOBCOVER2009_Validation_Report_2.2.pdf关于所有物候指标的计算。所以我的问题是，MERIS传感器是如何区分阔叶林和针叶林的?

Answer 1

简短的回答

不同的植物以不同的模式反射不同波长的光。如果你知道阔叶林和针叶林的反射模式，你可以将它们与卫星观测到的模式进行比较，并得出哪个森林更相似的结论。

长回答

光学遥感

光学传感器记录400到2400纳米之间不同波长的电磁辐射。这种辐射来自太阳，影响地球表面不同物质的表面，要么被吸收，要么被透射，要么被散射回去。散射回来的辐射量随后被地球观测传感器(如MERIS、MODIS或Landsat)探测并记录下来。由于不同材料的化学和物理性质，它们可以在每个波长吸收、透射和反射不同比例的辐射。由传感器记录的纯材料的反射率称为光谱特征。这种特征通常是一种材料唯一的特征。当光谱特征已知时，这可以帮助识别地球表面不同物质的存在。

在实验室里，有了更精密和精确的传感器，就有可能识别出单一纯化合物或分子的光谱模式。然而，如果我们按比例放大并考虑整个森林的光谱响应，你可以很容易地想象一切是如何被混合在一起的:许多不同比例的纯分子的光谱特征，在或多或少密集和几何上不同的树冠中来回分散，都被单个传感器单元感知(例如，我们卫星图像的一个像素)。

估计地球表面不同物质的存在和数量是一个非常复杂的问题，研究人员已经找到了许多方法来部分地克服它，并获得对地球表面覆盖的物质和数量的合理准确估计。通常，1)观测到的材料的混合光谱响应与现场测量数据在统计上联系起来，或者2)用计算模型模拟混合材料的光谱响应，并与观测到的光谱响应进行统计比较。

在这两种情况下，都可以使用整个光谱特征或从光谱的特定区域衍生出的特定指标，我们知道这些指标与某些物质的存在有关，这些物质与我们试图描述的物质有关。

植物的光谱特性

在过去的50年里，植物的光谱特性引起了人们的极大兴趣，所有绿色植被都有一个不可否认的光谱特征，它与土壤、岩石、人工材料和水的光谱特征有很大的区别，那就是所谓的红边。红边的特点是在可见光波段具有低反射率(由于叶绿素的吸收)，而在近红外波段具有高反射率。

归一化植被差异指数(NDVI)是量化红边特征的众多指标之一。该指数非常简单，只需要两个波段，没有特定于站点的调整常数:

NDVI = (Red-NIR)/(Red+NIR) Red =红光辐射反射率NIR =近红外辐射反射率

由于其简单性，NDVI可能是植被光学遥感中最常用的单一指数。

NDVI是红边特征的度量，因此它受叶绿素活性和其他营养组织的存在的影响。并成功地(经验地)与物候期、植物健康、生物量和叶面积指数进行了关联。

总之，如果你知道松树林和橡树林的预期光谱特征，你可以将它们与你观察到的任何像素的光谱特征进行比较，并估计像素的光谱特征与哪个森林最相似。

显然，NDVI可以用于比较，而不是整个签名，因为它的简单性和通用性;此外，其年际格局可以区分一年生林和多年生林，常绿林和落叶林。

然而，根据传感器的分辨率和项目的范围，可能有更多的度量标准，并且可以使用不同的分类方法。在植物光谱响应中还发现了其他几个特征。例如，木质素、淀粉、纤维素和水分在短波红外中的吸收特征。

如果你看一下下面的图片，你可以注意到，即使是针之间的年龄也可以通过非常高的光谱分辨率传感器检测到的光谱特征来区分。这种传感器通常是手持式的，而卫星传感器通常有5到15个点，你可以在下面看到一条连续的线。

图片来自:Rautiainen, M.， lukesi, P.， homolov， L.， Hovi, A.， Pisek, J.， and Mõttus, M.(2018)。针叶林的光谱特性:原位和实验室测量的综述。遥感，10

Answer 2

一般来说，NDVI不用于推导植被类型。NDVI对学习很有用物候学，但它不会告诉你被遥感的植物类型。良好的土地覆盖系统使用各种数据源来得出一般的植物类型(例如针叶树与落叶树)。例如，国家土地分类数据库(NLCD)描述状态:

国家土地覆盖数据库产品是通过多分辨率土地特征(MRLC)联盟开展的一个合作项目创建的。MRLC联盟是联邦机构的合作伙伴关系，包括美国地质调查局(USGS)，国家海洋和大气管理局(NOAA)，美国环境保护署(EPA)，美国农业部(USDA)自然资源保护局(NRCS)，美国林务局(USFS)，国家公园管理局(NPS)，美国鱼类和野生动物管理局(FWS)，土地管理局(BLM)，国家航空航天局，和露天采矿办公室(OSM)。

仅依赖卫星数据会导致分类问题(例如参见在这里和在这里)。然而，已经有人尝试从NDVI推导叶面积指数(LAI)。然后可以长期使用LAI来尝试区分针叶林和落叶林(例如通过比较冬季和夏季)。然而，在做出这类假设时，有许多错误的来源。在这里对此有一个很好的讨论，它指出从NDVI推导LAI越来越好，但仍然存在局限性。