论文标题：Gaussian Process Regression Hybrid Models for the Top-of-Atmosphere Retrieval of Vegetation Traits Applied to PRISMA and EnMAP Imagery

论文链接：https://www.mdpi.com/2072-4292/16/7/1211

期刊名：Remote Sensing

期刊主页：https://www.mdpi.com/journal/remotesensing

随着光学卫星任务的不断增加，我们能够持续监测地球陆地系统，获取植被和农田的相关参数信息，这在可持续农业领域尤为重要。为了使用卫星光谱数据量化植被特征，至关重要的是要减少大气中分子和气溶胶对测量卫星数据造成的吸收和散射效应。这个数据处理步骤被称为大气校正，它将大气顶层（top-of-atmosphere, TOA）辐射亮度数据转换为大气底层（top-of-atmosphere, TOA）反射率，是卫星数据处理中最具挑战性的步骤之一。然而，大气校正步骤复杂且容易引入误差，这可能会影响后续植被特征反演的准确性。因此，直接从TOA辐射亮度数据中反演植被特征，避免大气校正步骤，成为了一个具有潜力的研究方向。

来自西班牙瓦伦西亚大学的作者Ana B. Pascual-Venteo及其他学者开发了能够直接从TOA辐射亮度数据中反演植被特征的混合模型。具体而言，作者构建了基于辐射传输模型（radiative transfer model, RTM）模拟数据的混合模型，结合了植被SCOPE RTM和大气LibRadtran RTM，并与高斯过程回归（Gaussian process regression, GPR）相结合。研究的重点是植被冠层特征，包括叶面积指数（leaf area index, LAI）、冠层叶绿素含量（canopy chlorophyll content, CCC）、冠层含水量（canopy water content, CWC）、吸收光合有效辐射分数（fraction of absorbed active photosynthetic radiation, FAPAR）和植被覆盖分数（fractional vegetation cover, FVC）。本研究使用即将发射的哥白尼高光谱成像任务（Copernicus Hyperspectral Imaging Mission, CHIME）的波段设置来评估两种类型的混合GPR模型：一种在一级（level 1, L1）使用TOA辐射亮度数据训练，另一种在二级（level 1, L2）使用BOA反射率数据训练。最终，我们将这些模型应用于PRISMA和EnMAP图像，以验证模型的普适性和准确性。

两种采用混合 TOA 和 BOA 反演策略的流程图

研究过程与结果

第一步：生成训练数据集

作者借助SCOPE模型生成BOA反射率模拟数据。该模型综合考虑诸多参数，诸如LAI、叶倾角分布函数、土壤反射率等，以达到模拟出贴近现实的植被光谱特征的目的。为了将BOA反射率数据转换为TOA辐射亮度数据，作者引入LibRadtran模型。这一模型精准把控臭氧柱浓度、水汽柱浓度、气溶胶光学厚度等大气参数，确保从BOA到TOA的转换过程符合物理规律。面对海量模拟数据，作者运用主动学习技术对训练数据集进行优化。该技术能精准筛选出最具代表性的数据点，有效减少数据量，同时保障数据的代表性，为后续模型训练奠定坚实基础。

第二步：训练和验证混合模型

作者选定GPR作为混合模型的核心算法。GPR凭借其卓越的预测精度和对相关波段的精准洞察，在变量反演研究中脱颖而出，且能提供逐像素的不确定性估计，这对于理解模型预测质量至关重要。鉴于高光谱数据的光谱冗余特性，作者在将光谱数据输入GPR模型前，运用主成分分析法（Principal Components Analysis, PCA）进行降维。PCA不仅大幅降低数据维度，还保留了原始数据的绝大部分变异性，同时起到降噪作用，增强模型的鲁棒性。模型训练完成后，利用实地测量数据对BOA和TOA混合模型的准确性进行验证。验证过程中，作者细致评估了均方根误差（RMSE）、相对均方根误差（RRMSE）、归一化均方根误差（NRMSE）和决定系数（R²）等关键指标，全方位检验模型性能。

第三步：应用模型

作者将经过验证的混合模型应用于PRISMA和EnMAP卫星图像，高效生成植被特征地图。同时作者进一步比较了TOA和BOA模型生成的植被特征地图，深入分析两者间的一致性。通过对比不同统计指标，全面评估了模型在不同图像上的适用性，为模型的广泛推广积累了实证依据。

研究总结

本研究创新性地运用混合模型直接从TOA辐射亮度数据反演植被特征，规避了大气校正步骤，这一创新之举为行业带来新思路。在实用性层面，模型在PRISMA和EnMAP图像上的出色应用，为基于物理过程的机器学习混合模型的进一步开发和完善奠定了基础，特别是在即将开展的哥白尼高光谱成像任务（CHIME）的背景下，这一进步将简化全球植被特征制图的应用。