枯草参数率定方法

摘要

本发明公开了一种枯草参数率定方法，利用PROSAIL模型结合地面实测数据探究枯草生理生态参数合理的阈值区间并完成关键参数的取值范围参考表。首先通过实地测量获得枯草反射光谱及相应的生理生态参数，利用实测枯草参数结合已有研究资料设定PROSAIL的参数范围，模拟产生15000组以上数据，将枯草光谱提取出来。对模拟光谱进行敏感性分析和不确定性分析，固定低敏感性参数的取值，优化高敏感性参数的取值区间。最终，以99%置信区间为标准、余弦距离为评价函数，OFAT方式再次运行模型，对比不同取值下的模拟光谱与实测光谱间的余弦距离，界定枯草敏感的参数阈值。为提高对高寒冬季枯草性状特征的科学认识及探究遥感反演应用技术方法提供理论依据与基础数据。

权利要求

1.一种枯草参数率定方法，其特征在于，基于PROSAIL模型，包括以下步骤：提取枯草模拟光谱；

提取枯草模拟光谱的方法包括：首先剔除红光波段反射率‑绿光波段反射率<0的模拟光谱，再对筛选出的模拟光谱序列分别进行线性拟合，以95%置信区间为标准，选出决定系2

数R在0.95以上的光谱序列作为枯草模拟光谱；

对枯草模拟光谱进行敏感性分析和不确定性分析，固定低敏感性参数的取值，优化高敏感性参数的取值区间；

以99%置信区间为标准、余弦距离为评价函数，OFAT方式再次运行模型，对比不同取值下的模拟光谱与实测光谱间的余弦距离，界定枯草敏感的参数阈值。

2.根据权利要求1所述的方法，其特征在于，所述提取枯草模拟光谱包括：通过实地测量获得枯草反射光谱及相应的生理生态参数，利用实测枯草的生理生态参数结合已有研究资料设定PROSAIL模型的参数范围，模拟产生15000组以上数据，提取得到枯草模拟光谱。

3.根据权利要求2所述的方法，其特征在于，实地测量获得枯草反射光谱及相应的生理生态参数包括：

光谱数据采集：使用光谱仪对采集点进行光谱采集，对每个采集点的同一位置采集至少两次冠层反射光谱；

野外数据采集：使用叶绿素仪测量牧草的SPAD值，确定若干样方，每个样方随机选择不少于两株牧草，测量时在牧草的上中下三部分各采集一次取平均值作为该株牧草的SPAD值；测量冠层高度L、平均叶片长度D，计算冠层高度L、平均叶片长度D两者的比值获得点参数Hspot，量取叶倾角；收集样方中所有牧草，同步记录观测时的时间和经纬度；

实验室数据采集：分别测量收集得到的样方中所有牧草的鲜重；将同一样方的叶片均匀、不重叠地摆放后并拍照，计算叶面积；测量牧草干重，将鲜重与干重相减得到水分含量。

4.根据权利要求3所述的方法，其特征在于，测量牧草干重的方法为，将牧草放入烘箱，设定温度70°，烘至牧草重量不再改变时取出再次称重作为干重。

5.根据权利要求1所述的方法，其特征在于，所述敏感性分析包括以下步骤：使用EFAST方法对PROSAIL模型进行全局敏感性分析，通过输入参数的范围，设定参数分布函数、取样次数进行蒙特卡洛分析，得到各输入参数的敏感性值；

根据全局敏感性分析结果将输入参数分为高敏感性参数和低敏感性参数，其中，所述高敏感性参数的敏感性指数百分比≥40%，所述低敏感性参数的敏感性指数百分比＜40%，将低敏感性参数的取值固定，同时优化高敏感性参数的取值范围，为参数阈值提供合理的率定范围。

6.根据权利要求5所述的方法，其特征在于，所述敏感性分析包括以下步骤：计算全局敏感性指数值与局部敏感性指数值的差值，得到各参数与其它参数的耦合关系强弱以及高耦合波段，解耦高耦合参数，标记高耦合波段，选取低不确定性的通道。

说明书

枯草参数率定方法

技术领域

[0001] 本发明涉及草地遥感领域，具体的说，涉及一种枯草参数率定方法。

背景技术

[0002] 现有草地监测技术分为地面实测法和基于遥感技术的估测法。地面实测法在待监测区域设定监测站，完成草地生理生态参数的测量。其中叶面积指数、叶倾角、干物质含量、
水分含量等参数可在监测站完成测量，光合色素（如叶绿素，类胡罗卜素等）需要采集草样
送往实验室进行测量，另需当地的气象站点提供对应的气象数据。

[0003] 基于遥感技术的传统参数估测方法主要有经验统计法、半经验法。经验统计方法是将光谱特征(如冠层光谱反射率或其变化形式)和植被生理生态参数含量建立相关关系
（通常是结合植被指数）进行回归，然后再将其运用于其他样本中预测参数含量。半经验模
型结合了物理模型模拟和经验统计的优势，需要地物先验知识以及地表目标的先验知识
（包括模型物理边界，季相变化，不确定性和相关性等），通常是发展与某一生理生态参数含
量高度相关而对其它干扰因子不敏感的植被指数。

[0004] 对于地面实测法，传统的草地监测一般从牧草反青开始到枯黄结束，并未覆盖作为非生育期的冬季，即一般没有进行枯草监测。且地面建站成本高昂，化验周期长，众多参
数的采集费时费力，而冬季气候恶劣，进一步限制了野外观测的有效期。此外，少量观测站
数据无法代表广域特征，大量建站既不科学也不现实。

[0005] 用遥感数据估算植被的生理生态参数是当下的热点和难点。它在农业、林业中也有重要的潜力来跟踪作物的发展和产量预测。经验统计法是根据统计建立的经验关系因时
因地而异，这种方法通常稳定性较差、局限性较强，不能准确地进行跨时空提取，不具备普
适性。半经验法对训练数据集有着极强的依赖性，需要积累大量的背景测量数据支持，往往
在消除土壤背景影响方面的能力较差，而饱和点较低，在某些情况下容易得到饱和影响灵
敏度，在进行推广时效果往往很差。

发明内容

[0006] 本发明针对现有技术存在的不足，提供了一种枯草参数率定方法。解决的技术问题主要是现有植被生理生态参数估测技术费时费力、稳定性和灵敏度较低、没有广域普适
性的缺陷。

[0007] 本发明的具体技术方案如下：

[0008] 一种枯草参数率定方法，基于PROSAIL模型，包括以下步骤：

[0009] 提取枯草模拟光谱；

[0010] 对枯草模拟光谱进行敏感性分析和不确定性分析，固定低敏感性参数的取值，优化高敏感性参数的取值区间；

[0011] 以余弦距离为评价函数，对比不同取值下的模拟光谱与实测光谱间的余弦距离，以99%置信度为参考，选取余弦值在0.99以上的枯草模拟光谱对应的参数取值作为敏感性
参数阈值。

[0012] 作为优选，所述提取枯草模拟光谱包括：

[0013] 通过实地测量获得枯草反射光谱及相应的生理生态参数，利用实测枯草的生理生态参数结合已有研究资料设定PROSAIL模型的参数范围，模拟产生15000组以上数据，提取
得到枯草模拟光谱。

[0014] 作为优选，实地测量获得枯草反射光谱及相应的生理生态参数包括：

[0015] 光谱数据采集：使用光谱仪对采集点进行光谱采集，对每个采集点的同一位置采集至少两次冠层反射光谱；

[0016] 野外数据采集：使用叶绿素仪测量牧草的SPAD值，确定若干样方，每个样方随机选择不少于两株牧草，测量时在牧草的上中下三部分各采集一次取平均值作为该株牧草的
SPAD值；测量冠层高度L、平均叶片长度D，计算冠层高度L、平均叶片长度D两者的比值获得
点参数Hspot，量取叶倾角；收集样方中所有牧草，同步记录观测时的时间和经纬度；

[0017] 实验室数据采集：分别测量收集得到的样方中所有牧草的鲜重；将同一样方的叶片均匀、不重叠地摆放后并拍照，计算叶面积；测量牧草干重，将鲜重与干重相减得到水分
含量。

[0018] 作为优选，测量牧草干重的方法为，将牧草放入烘箱，设定温度70°，烘至牧草重量不再改变时取出再次称重作为干重。

[0019] 作为优选，提取枯草模拟光谱的方法包括：首先剔除红光波段反射率‑绿光波段反射率<0的模拟光谱，再对筛选出的模拟光谱序列分别进行线性拟合，以95%置信区间为标
2
准，选出决定系数R在0.95以上的光谱序列作为枯草模拟光谱。

[0020] 作为优选，所述敏感性分析包括以下步骤：

[0021] 使用EFAST方法对PROSAIL模型进行全局敏感性分析，通过输入参数的范围，设定参数分布函数、取样次数进行蒙特卡洛分析，得到各输入参数的敏感性值；

[0022] 根据全局敏感性分析结果将输入参数分为高敏感性参数和低敏感性参数，其中，所述高敏感性参数的敏感性指数百分比≥40%，所述低敏感性参数的敏感性指数百分比＜
40%，将低敏感性参数的取值固定，同时优化高敏感性参数的取值范围，为参数阈值提供合
理的率定范围。

[0023] 作为优选，所述敏感性分析包括以下步骤：计算全局敏感性指数值与局部敏感性指数值的差值，得到各参数与其它参数的耦合关系强弱以及高耦合波段，解耦高耦合参数，
标记高耦合波段，选取低不确定性的通道。

[0024] 有益效果在于：

[0025] 本发明可以在只有少量地面测量数据的情况下，利用PROSAIL模型对枯草进行辐射传输模拟，从机理上揭示了10项关键生理生态参数（叶片结构参数（N）、叶绿素含量（Cab）、
干物质含量（Cm）、等效水厚度（Cw）、棕色素含量（Cbr）、类胡罗卜素（Car）、花青素（Cant）、叶面
积指数（LAI）、平均叶倾角（LAD）、热点参数（Hspot））与枯草冠层反射光谱的关系。

[0026] 本发明避免了传统地面观测数据处理繁多，观测难度大，成本高等问题。同时由于使用模型进行模拟，具有理论基础，符合物理规律，对于一些地面很难测量的地方或低概率
情况有着较好的描述，可以充分考虑各种气候和植被状况造成的影响。不会出现经验法和
半经验法灵敏度低、广域适用性差的缺点。

[0027] 本发明科学地完成枯草参数的范围率定可以从机理上理解枯草的衰落原理与各组分的含量变化情况，可以有效提高对枯草的认识，也为枯草研究和参数反演提供了基础
数据范围。

附图说明

[0028] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件
或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

[0029] 图1是枯草绿草典型平均光谱对比图。

[0030] 图2是光谱预处理后的典型枯草局部反射特征图。

[0031] 图3是2020年12月30日海北试验场实测枯草反射光谱示意图（第1‑5样本）。

[0032] 图4是筛选出的枯草模拟光谱序列最值图。

[0033] 图5是PROSAIL模拟的枯草10个主要输入参数的敏感性指数百分比面积堆叠图。

[0034] 图6是400‑2500nm各波段参数耦合关系强度图。

具体实施方式

[0035] 下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普
通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的
范围。

[0036] 需要说明的是，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如
果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

[0037] 另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、
“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含
义是至少两个，例如两个，三个等，除非另有明确具体的限定。

[0038] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并
不用于限定发明。

[0039] 现在结合说明书附图对本发明做进一步的说明。

[0040] 本发明利用PROSAIL模型结合地面实测数据探究枯草生理生态参数合理的阈值区间并完成关键参数的取值范围参考表。首先通过实地测量获得枯草反射光谱及相应的生理
生态参数。利用实测枯草参数结合已有研究资料设定PROSAIL的参数范围，模拟产生15000
组以上数据，并提出的判别式将枯草光谱提取出来。对模拟光谱进行敏感性分析和不确定
性分析，固定低敏感性参数的取值，优化高敏感性性参数的取值区间。最后，以余弦距离为
评价函数，对比不同取值下的模拟光谱与实测光谱间的余弦距离，以99%置信度为参考，选
取余弦值在0.99以上的模拟光谱对应的参数取值作为敏感性参数阈值。

[0041] 数据采集

[0042] 光谱数据的采集：

[0043] 使用美国ASD公司的FieldSpec 4便携式地物光谱仪进行光谱采集。该光谱仪采集波长范围为350 2500nm，在可见光和近红外采样间隔为3nm，短波红外为8nm，单次采集时间
~
为0.2秒，探头视场角θ为25°。将仪器预热30分钟，光纤线缆末端瞄准参考白板并保持原位
不动进行暗电流测试(DC)和参考板校正（RP）。完成标定后迅速移动探头垂直对准牧草样
方，为保证视场范围R大致为35厘米的一个圆，将探头高度H保持在80厘米附近（式1），对每
个采集点在同一个位置采集10次冠层反射光谱。

[0044]                                (1)

[0045] 为解决光谱仪光栅间的“阶梯”和毛刺以及降低测量的随机误差，需要对筛选出的光谱数据进行预处理。利用ViewSpecPro软件进行抛物线修正，并计算同一样方的平均光
谱。

[0046] 野外数据采集：

[0047] 光谱采集完毕后使用柯尼卡美能达公司的SPAD502叶绿素仪（测量窗口2mmx3mm，精度±1.0SPAD，采样间隔2秒，重现性±0.5SPAD内）测量牧草的SPAD值。每个样方随机选择
3株牧草，测量时在牧草的上中下三部分各采集一次取平均值作为该株牧草的SPAD值。使用
直尺测量冠层高度L、平均叶片长度D，计算点参数Hspot（式2），再使用量角器量取叶倾角。
随后用剪刀齐根剪下样方中所有牧草并装袋带回实验室。同步记录观测时的时间和经纬
度。

[0048]                                (2)

[0049] 实验室数据采集：

[0050] 在实验室使用精密天平（可读性0.01g）测量牧草的鲜重。随后将同一样方的叶片均匀、不重叠地摆放在A3纸上并拍照，利用PhotoShop软件计算叶面积。完毕后将牧草放入
烘箱，设定温度70°，烘至牧草重量不再改变时取出再次称重作为干重。将鲜重与干重相减
得到水分含量。

[0051] 光谱模拟

[0052] PROSAIL模型运行及光谱筛选：

[0053] PROSPECT‑D模型与4SAIL模型耦合可以组成PROSAIL模型，该模型首先通过PROSPECT‑D向前运行得到叶片的半球反射率和半球透射率，再将其输入4SAIL模型结合其
它必要参数输出冠层反射率，将PROSAIL向后反演则可获得各项生理生态参数含量。

[0054] 根据实测枯草实测生理生态数据，参考LOPEX93数据库与已有研究资料预设了模型输入初值。并在此基础上设定了一较宽的模型运行参数范围，以保证实际参数范围一定
落在此范围中。利用MATLAB对PROSAIL模型进行编程和优化，根据上述参数范围以蒙特卡洛
采样法获得15000组参数组合对，运行模型产生了对应的15000组模拟反射光谱。

[0055] 由于模型设定的参数阈值范围较宽且输入参数随机组合。因此，PROSAIL模型生成的15000组模拟光谱序列中，存在着反映绿草特征以及由绿至枯过渡阶段特征甚至“错误”
的光谱。因此，需要依据枯草的光谱特征，进行非枯草特征光谱数据的筛选排除。

[0056] 观察图1可以发现，枯草在可见光波段与绿草有显著光谱差异，尤其是红光波段吸收谷的存在与否，可作为绿/枯草区分与判别划界依据。即：由于绿草红光波段吸收谷与绿
光波段小反射峰的存在，绿草绿光波段反射值将必定大于红光波段，而枯草则是红光波段
大于绿光。因此，模拟结果中枯草光谱的筛选可通过下式判别：

[0057]                                (3)

[0058] 其中：Rred代表红光波段，本发明选取660nm反射率；Rgreen代表绿光波段，选取560nm反射率。

[0059] 当该式计算值大于0时，视该模拟光谱值反映了枯草光谱特征。以此完成15000组模拟数据的初级筛选,并得到枯草相关光谱序列。

[0060] 基于5组典型枯草样方光谱序列的分析（图2），枯草与绿草光谱在1300‑2500nm波段虽然数值差异较大，但波谱特征相似，难以区分，而在400‑1300nm波段二者间数值与分布
特征均有显著差异。

[0061] 此外，图1中1300‑2500nm波段枯草光谱分布区间分散，最大值与最小值的极值分布区间宽，与非枯草地物光谱区间重叠范围较大。而400‑1300nm波段，枯草的极值分布区间
窄而收敛性强，波形特征与其它地物具有显著差异性。因此，本发明从枯草400‑1300nm波段
波形特征出发，进一步区分枯草光谱。

[0062] 从经过数据预处理后400‑1300nm波段实测枯草反射光谱可以发现（图3），这一区间枯草光谱呈准线性分布，波形线性特征显著。对这一区间内实测光谱数据序列的线性拟
合结果表明，绝大多数观测样本线性拟合方程的决定系数R2达到了99%置信区间，所有23个
2
观测样本的线性拟合R均通过95%置信区间。因此，以400‑1300nm区间模拟光谱数据序列线
2
性拟合方程系数R>0.95作为枯草光谱二级筛选的方法与阈值。

[0063] 利用上述两项判别式将枯草光谱从模拟光谱序列中筛选出来。首先剔除红光波段反射率‑绿光波段反射率<0的模拟光谱，再对筛选出的模拟光谱序列分别进行线性拟合，以
2
95%置信区间为标准，选出决定系数R在0.95以上的光谱序列作为枯草模拟光谱。

[0064] 1.3.2 模型敏感性分析

[0065] 敏感性分析是定量或定性的分析模型参数对模型结果产生的影响程度，对模型输入参数进行敏感性分析是进行参数率定的前提。

[0066] EFAST法是一种高阶全局敏感性分析法，可以通过方差分解可以得到各参数的方差贡献比重（参数敏感性指数），来识别参数的敏感性。

[0067] 使用EFAST方法对PROSAIL模型进行全局敏感性分析，通过输入参数的范围，设定参数分布函数，取样次数等进行蒙特卡洛分析，最终得到各输入参数的敏感性值。

[0068] 根据全局敏感性分析结果将输入参数分为高敏感性参数（敏感性指数百分比≥40%）和低敏感性参数（敏感性指数百分比＜40%）。将低敏感性参数的取值固定，同时优化高
敏感性参数的取值范围，为参数阈值提供合理的率定范围。

[0069] 1.3.3 模型不确定性分析

[0070] 物理模型的不确定性，一方面是由模型简化替代造成的不确定性，另一方面则是在参数率定过程中，参数估值无法完成全局最优的判断导致的不确定性。不确定性分析可
以识别模型不确定性的来源并量化参数对输出不确定性的贡献。进行不确定性分析有助于
提高枯草各参数组分间相互作用的认识和枯草衰落机理的理解。

[0071] 当参数间不存在耦合作用时，EFAST高阶敏感性应等于局部敏感性值。如果某个参数的全局敏感性指数值为0，则说明该参数对模型输出不存在影响。显然，全局敏感性指数
值与一阶（局部）敏感性指数值的差值便可反映该参数与其它参数间耦合关系的强弱。

[0072] 最终可得到各参数与其它参数的耦合关系强弱以及高耦合波段。解耦高耦合参数，标记高耦合波段，选取低不确定性的通道，有助于提高反演的精度。

[0073] 1.3.4 枯草高敏感性参数率定

[0074] 枯草反射光谱受不同草品种，倒伏状态，枯黄程度等影响，在波形相似的情况下反射率绝对值波动较大，所以选取注重维度差异而不是数值差异的评价函数是必要的。

[0075] 余弦距离又称余弦相似度。衡量维度间取值方向的一致性，同时修正了变量间可能存在的度量标准不统一问题。其不同于以距离为测度的欧式距离，也不同于以单位变化
相似程度为依据的相关系数，在具有时序特性并对趋势（方向）敏感的曲线相似度评价中更
有优势。

[0076] OFTA（one factor at a time）方法是一种局部敏感性分析方法，其优点在于仅考虑单个参数变化对模型的贡献。在已完成全局敏感性分析的情况下，OFTA法可以用于快速
进行模型运行，完成高敏感性参数率定。

[0077] 以余弦距离作为评价函数，通过对比不同取值下的模型模拟反射光谱与实测反射光谱间的余弦距离完成关键参数的率定。以99%置信度为参考，选取余弦值在0.99以上的模
拟曲线对应的参数取值作为参数阈值范围。

[0078] 本发明实施例，基于上述原理，进行了实地实验，具体如下。

[0079] 1、样本介绍

[0080] 样本采集于青海海北西海镇高寒冬季牧草遥感监测野外观测试验场。该试验场地处青海湖东北畔，海拔3140米，属典型高寒草甸草原。

[0081] 在该试验场设置23个50×50cm样方，选择在牧草衰落明显的12月30日进行样本采集。对天然状态牧草在晴朗无风，地方时9：30‑15：30间进行反射光谱观测与对应生理生态
数据采集。最终获得反射光谱230条，参数数据207条。

[0082] 2、具体实施

[0083] 2. 1 光谱数据预处理

[0084] 对实测获得的230条反射光谱进行筛选，申请人从中选取了完整度较好的一部分用于本研究。本发明实施例仅展示筛选出的第1‑5样本，如图3所示。

[0085] 2. 2 模型运行

[0086] 根据实测数据与LOPEX93数据库、已有研究资料完成模型模拟参数初始值设定，并在此基础上设定了一较宽的模型运行参数范围（表1），以保证模拟结果处于可能的波动范
围区间。

[0087] 其中LAI、LAD、Cw、Cm、Cab、Hspot根据实测数据确定。例如：Cm实测值在0.003‑0.020之间，平均值为0.010，所以设定Cm参数运行范围为0.002‑0.050。而Cbr，Car，Cant，N根据已有
研究资料设置初值，OZA、SZA、RAA由试验点坐标和时间确定。

[0088] 表1 模型运行初值及范围设定

[0089]

[0090] 利用MATLAB对PROSAIL模型进行编程和优化，根据表1参数范围以蒙特卡洛采样法获得15000组参数组合对，运行模型产生了对应的15000组模拟反射光谱。模拟光谱区间内，
基本涵盖了枯草反射光谱的所有可能形式。

[0091] 2. 3 枯草特征光谱段筛选

[0092] 根据判别式，先行筛选出符号判别式的模拟光谱，再将模拟光谱序列分别进行线2
性拟合，以95%置信区间为标准，选出决定系数R 在0.95以上的光谱序列作为枯草模拟光
谱。

[0093] 2.4 枯草光谱模拟结果

[0094] 2.1.3筛选出的模拟光谱如图4所示（本发明实施例仅展示最大与最小值）。可以看出，在400nm时光谱反射率波动范围为0.01‑0.02，差距极小；而在1400nm的吸收峰时波动范
围为0.21‑0.34，相比400nm时波动范围扩大了13倍左右，这与前文我们观察到的实测枯草
反射光谱特征是高度相似的。

[0095] 从全局光谱范围来看，模拟光谱与平均实测光谱有着极高的相似性。对筛选出的模拟光谱进行评价，其决定系数在0.904‑0.994之间，在0.01级别显著相关，通过了P检验。
说明PROSAIL模型模拟冬季高寒牧草效果较好，筛选出的模拟光谱可以作为枯草光谱进一
步使用。

[0096] 2.5 模型敏感性分析

[0097] 使用EFAST方法对PROSAIL模型进行全局敏感性分析，通过输入参数的范围，设定参数分布函数，取样次数等进行蒙特卡洛分析，最终得到各输入参数的敏感性值。

[0098] 如图5所示为PROSAIL模型模拟枯草10个重点输入参数在400‑2500nm的全局敏感性指数百分比面积堆叠图。从图中可以看出：在VIS波段(400‑700nm)，叶面积指数、平均叶
倾角、叶绿素对枯草光谱影响较大。在NIR波段（700‑1350nm），干物质和平均叶倾角影响显
著，影响幅度均接近50%，而在这一波段叶片结构参数也有持续少量影响，值得注意的是，褐
色素仅在700‑800nm之间有近40%的影响。在SWIR波段（1350‑2500nm），主要影响因素依次为
干物质含量、叶面积指数、等效水厚度及叶倾角。其中干物质含量除了在两个水分吸收带指
数值较低外，其余波段均维持在50%左右，等效水厚度则仅在两个典型水分吸收谷（1450nm，
1940nm）有突出影响，叶倾角的影响程度则随波长逐渐变小。

[0099] 根据全局敏感性分析结果将输入参数分为高敏感性参数（LAI、LAD、Cm、Cab、Cw）和低敏感性参数（Cbr、Car 、Cant 、N、Hspot）。将低敏感性参数的取值固定，同时优化高敏感性参
数的取值范围，为参数阈值提供合理的率定范围。

[0100] 由于低敏感性参数对模型输出的影响较小，几乎可以忽略不计，所以将低敏感性参数的取值固定，取值为筛选出的模拟枯草光谱序列对应的参数平均值。

[0101] 参照图4枯草光谱极值分布范围，基于敏感性分析结果，分别统计5个枯草敏感参数的光谱值区间内数值分布，准确界定其数值分布范围，逼近理想阈值区间的同时，实现了
模型初始运行时相对宽泛阈值区间的缩小与优化。

[0102] 枯草参数敏感性分析优化的结果如表2所示。从表2与表1的对比可以看出，LAI由0.2‑2.5变动区间缩小至0.2‑1.5，说明枯草叶面积指数最高阈值界限低于绿色植被的同
时，其阈值范围明显偏窄。同样，LAD的下限阈值由0提高到11，Cab的阈值范围由0‑35缩窄聚
集至0.03‑25。枯草敏感的5个参数阈值区间得到了较精准化的界定，为最终实现枯草参数
率定进一步缩小了范围。

[0103] 表2 基于敏感性分析优化的PROSAIL枯草参数阈值

[0104]

[0105] 2.6 模型不确定性分析

[0106] 使用EFAST方法进行全局敏感性分析时会计算出全局敏感性指数与一阶（局部）敏感性指数，通过将两者做差可得到模型各参数间的耦合作用强弱，结果如表3所示。

[0107] 可以看出，LAI，LAD，Cw受其它参数影响程度较大，耦合关系很强，其余参数的耦合关系均较弱。说明LAI，LAD，Cw三参数的取值更容易受其它参数的影响，在后期反演时，不能
简单地将三者看作独立变量进行分析，需进一步考虑该参数和其它参数的耦合关系带来的
不确定性影响。

[0108] 表3 枯草参数耦合关系指数

[0109]

[0110] 为更进一步探讨枯草性状参数耦合响应程度在不同波段的表现差异性，求得所有参数在400‑2500nm各波长的耦合关系指数值之和（图6）。容易发现VIS波段受参数耦合影响
最大，NIR波段中耦合影响随波长的增大而降低，而在SWIR波段与水分吸收对应的1450nm和
1940nm附近受参数耦合影响较大。这提示利用卫星数据进行枯草反演，选用高耦合影响波
段时，需要关注所反演参数的不确定性，尽量避免高耦合波段或发掘替代波段。

[0111] 2.7 枯草关键参数阈值率定结果

[0112] 采用OFTA方法，以表2中的参数优化范围为界，在完成敏感性分析和不确定性分析的基础上进行模型运行。仅改变被率定参数的取值，将其它参数取值固定为筛选出的枯草
模拟光谱参数平均值，假设该参数在运行范围为均匀分布，运行模型得到不同参数取值下
的模拟反射光谱。

[0113] 以余弦距离作为评价函数，通过对比不同取值下的模型模拟反射光谱与实测反射光谱间的余弦距离完成关键参数的率定。以99%置信度为参考，选取余弦值在0.99以上的模
拟曲线对应的参数取值作为参数阈值范围，结果如表4所示。

[0114] 需要注意的是虽然叶绿素含量对高寒冬季牧草来说是非敏感性参数，但由于其在牧草衰落中具有重大研究价值，也对其范围进行率定。

[0115] 表4 枯草关键参数取值区间参考表

[0116]

[0117] 综上，本发明利用物理辐射传输模型PROSAIL，结合实测光谱与生理生态参数，归纳枯草在机理和光谱上的特性并率定高寒冬季牧草的关键参数阈值范围，主要结论如下：

[0118] 本发明中的方法模拟枯草效果较好，模拟光谱序列的决定系数为0.904‑0.994，在0.01级别显著相关。叶面积指数、叶倾角、干物质的敏感性较大，在不同波段对冠层反射率
各自有着较大影响。棕色素、类胡罗卜素、花青素、叶片结构参数、热点参数的敏感性较小，
在枯草研究中可以少考虑甚至不考虑其影响。叶面积指数、叶倾角、等效水厚度的不确定性
较大，对其进行反演时需注意参数耦合作用的影响。在光谱上，1450nm、1950nm等位置受参
数耦合影响较大，在反演时应尽量避开这些高耦合影响波段，提高反演精度。最终得到了
LAI、LAD、Cm等关键参数的取值范围参考表。

[0119] 以上结论表明，本发明所使用的率定方法快速有效，得到的关键参数取值范围参考表可以有效提高对枯草的认识，也为枯草研究和参数反演提供了基础模拟数据范围。

[0120] 以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各
实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而
这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其
均应涵盖在本发明的权利要求和说明书的范围当中。