本文来源：定量遥感建模与反演
叶面积指数(Leaf Area Index, LAI)指水平地面单位面积上单面绿叶面积的总和。它是表征植被冠层结构的一个重要生物物理参数，与蒸腾、光合作用，乃至全球气候和物质能量循环等过程密切相关。基于传统神经网络的LAI反演方法需要基于辐射传输模型模拟或现有遥感产品构建大量的训练样本，而且这些训练样本是面向特定传感器的。因此，现有的针对某一传感器构建的训练样本训练的神经网络不能直接用于从其他传感器获取的遥感数据中估算LAI。此外，目前可用的被视为“真值”的LAI地面测量数据还未被用于构建神经网络的训练数据集，以提高LAI反演的准确性。总而言之，对于机器学习的实际应用，需要进一步解决不同传感器观测值之间的知识迁移和使用小样本训练神经网络的问题。
为解决这些问题，本研究提出了一种基于深度迁移学习的方法从VIIRS地表反射率数据估算LAI值。该方法利用深度置信网络(Deep Belief Network, DBN)构建了一个可迁移的模型，并将LAI地面测量值作为标签参与反演过程，具体流程见图1。DBN由受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)和反向传播网络(Back Propagation Neural Network, BPNN)组成。首先，使用生产多尺度卫星遥感(MUltiscale Satellite remotE Sensing, MUSES) LAI产品的训练数据集预训练DBN，该训练数据集由预处理的MODIS地表反射率数据以及MODIS和CYCLOPES LAI产品融合后的LAI值构成。然后，冻结预训练后的DBN的所有RBM网络参数，通过由VIIRS地表反射率数据和LAI地面测量组成的小样本数据集对BPNN参数进行微调。最后，使用微调后的DBN_TL模型从VIIRS地表反射率数据中反演LAI。
图1 构建DBN_TL模型的流程图
反演的LAI值在具有不同植被类型的站点与地面测量数据进行直接验证，并与MODIS和VIIRS LAI产品进行比较。结果表明，对于不同的植被类型站点，反演的LAI值显示出合理的季节变化，如图2所示。图3所示的直接验证结果表明，经过微调的LAI反演值明显优于未经微调的LAI反演值。
在本研究中，基于深度迁移学习的LAI反演方法能够通过使用少量的LAI地面测量来提高反演性能，并可实现不同传感器数据之间的知识迁移。
图2 2014年至2020年(a) DSNY, (b) TALL, (c) DELA和(d) SRER站点反演LAI (DBN_TL LAI)以及MODIS和VIIRS LAI的时间序列曲线
图3 GBOV站点高分辨率参考影像LAI与(a) DBN_TL模型反演的LAI和(b) DBN模型反演LAI的散点图，以及IMAGINES站点高分辨率参考影像LAI与(c) DBN_TL模型反演LAI和(d) DBN模型反演LAI的散点图
论文链接
https://authors.elsevier.com/a/1hPjy3I9x1mzTE
参考文献
Juan Li, Zhiqiang Xiao, Rui Sun, Jinling Song. A method to estimate leaf area index from VIIRS surface reflectance using deep transfer learning. ISPRS Journal of Photogrammetry and Remote Sensing 202 (2023) 512–527.
Juan Li, Zhiqiang Xiao, Rui Sun, Jinling Song. Retrieval of the Leaf Area Index from Visible Infrared Imaging Radiometer Suite (VIIRS) Surface Reflectance Based on Unsupervised Domain Adaptation. Remote Sensing, 2022, 14, 1826.
Zhiqiang Xiao, Jinling Song, Hua Yang, Rui Sun and Juan Li. (2022). A 250 m resolution global leaf area index product derived from MODIS surface reflectance data. International Journal of Remote Sensing, 43(4), 1199-1225.
Zhiqiang Xiao, Shunlin Liang, Jindi Wang, Yang Xiang, Xiang Zhao, Jinling Song. Long Time-Series Global Land Surface Satellite (GLASS) Leaf Area Index Product Derived from MODIS and AVHRR Data, IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(9), 5301-5318.
Zhiqiang Xiao, Shunlin Liang, Jindi Wang, Ping Chen, Xuejun Yin, Liqiang Zhang, and Jinling Song, Use of General Regression Neural Networks for Generating the GLASS Leaf Area Index Product from Time Series MODIS Surface Reflectance. IEEE Transactions on Geoscience and Remote Sensing, vol.52, no.1, pp. 209-223 2014.
转自：“生态遥感前沿”微信公众号
如有侵权，请联系本站删除！
