Title: A scale-wise model inversion method to retrieve canopy biophysical parameters from hyperspectral remote sensing data
Abstract: AbstractBiophysical parameters, such as leaf area index (LAI) and leaf chlorophyll content, play an important role in precision agriculture management, forest ecology monitoring, and global change research. Although many efforts have been made, robust and accurate estimation of these parameters from remote sensing data is still a challenge. In this study, a scale-wise scheme was developed for inverting a physical surface model. With this scheme, the model parameters were gradually approximated with dynamic scales during iterations. This scale-wise inversion method was validated based on the coupled PROSPECT and SAIL model using simulated and hyperspectral Compact Airborne Spectrographic Imager (CASI) data over agricultural fields. It was also compared to the widely used Marquet–Levenberg (ML) optimization method. With the simulated data, the results showed that the scale-wise inversion method generated very accurate LAI and leaf chlorophyll content, with maximum errors of less than 0.03 and 0.10 µg/cm2, respectively. Using the same initial values, the errors for the ML method were large, and for some cases the iterations were not converged. The results also showed that the scale-wise method was not sensitive to noise in the data. With the hyperspectral CASI data, the retrieved LAI values were shown to have a strong correlation with the ground measurements, with a root mean square error (RMSE) between them of as low as 0.36 and a R2 of 0.91. The RMSE and R2 values for the ML method are 0.79 and 0.76, respectively.Les paramètres physiques tels que l'indice de surface foliaire (LAI) et la teneur des feuilles en chlorophylle ont un rôle important en agriculture raisonnée dans la régie des cultures, dans le suivi écologique des forêts, et dans la recherche sur les changements climatiques. Bien que de grands d'efforts aient été investis, l'estimation fiable et précise de ces paramètres à l'aide de la télédétection représente toujours un défi de taille. Dans cette étude, un schéma respectant l'échelle a été développé pour inverser un modèle physique de surface. Avec ce schéma, les paramètres du modèle ont été estimés progressivement avec des échelles dynamiques au cours des itérations. La méthode d'inversion respectant l'échelle a été validée avec les modèles PROSPECT et SAIL en utilisant des données hyperspectrales simulées et mesurées provenant de l'imageur spectrographique aéroporté compacte (CASI) prises au-dessus de champs agricoles. Elle a aussi était comparée avec la méthode d'optimisation très utilisée de Marquet–Levenberg (ML). Avec les données simulées, les résultats ont montrées que la méthode d'inversion respectant l'échelle a permis de générer avec grande précision le LAI et la teneur des feuilles en chlorophylle avec des erreurs inférieures à 0,03 et 0,10 µg/cm2, respectivement. En utilisant les mêmes valeurs initiales, les erreurs de la méthode ML étaient importantes et dans certains cas, les itérations ne pouvaient pas converger. Les résultats ont montrés que la méthode d'inversion respectant l'échelle était insensible aux bruits dans les données. Les valeurs de LAI extraites du jeu de données hyperspectrales du CASI étaient fortement corrélées avec les mesures prises au sol avec l'erreur quadratique moyenne aussi faible que 0,36 et un coefficient de détermination de 0,91. L'erreur quadratique moyenne et le coefficient de détermination de la méthode ML étaient respectivement de 0,79 et 0,76.
Publication Year: 2008
Publication Date: 2008-01-01
Language: fr
Type: article
Indexed In: ['crossref']
Access and Citation
Cited By Count: 4
AI Researcher Chatbot
Get quick answers to your questions about the article from our AI researcher chatbot