技术摘要：
本发明公开了一种基于SAR和WFV数据的叶面积指数反演模型方法，该方法包括如下步骤：步骤1)模型隐含层采用Traindx训练函数和Tan‑Sigmoid传递函数，输出层采用Purelin线性传递函数，并确定初始权值和阈值。步骤2)基于GF‑1WFV影像和GF‑3SAR影像，提取出6种光学与微波极  全部
背景技术：
叶面积指数(LAI)是生物地球化学循环中重要的植被结构参数之一，与植被的呼 吸、光合和蒸腾等生物物理过程及地球生态系统的氮、钾和水循环等密切相关。本文将LAI 定义为单位地表面积上所有叶片面积之和的一半。LAI是估算植被覆盖度、监测和预报农作 物长势、生物量、产量等的重要指标，因此，快速准确估算LAI对农业监测、生物地球化学循 环等具有重要的研究意义。 目前，基于遥感技术的LAI反演模型主要有基于光学遥感影像采用光学植被指数 的经验模型和物理模型。其中，大部分学者基于光学影像采用光学植被指数反演LAI，但是 忽略了影像容易受到光学信息饱和的影响，使得反演精度降低，普适性较差，缺乏可移植 性。赵娟等(2013)采用6种宽带植被指数和4种窄带植被指数反演LAI；何亚娟等(2013)采用 NDVI与LAI构建回归模型对甘蔗LAI反演；王立辉等(2016)采用4种光学植被指数反演玉米 LAI；Le-Maire等(2012)提出SVI植被指数适合对森林反演LAI；Anne等(2008)证明了MTVI2 比NDVI与玉米LAI拟合相关性更强；Jonathan等(2019)证明NDVI比EVI更适合反演大豆LAI； Nahuel等(2016)基于Rapid  Eye影像证明了NDVIre比NDVI和MTVI2与玉米生物量相关性高。 上述方法虽然简单、直观，但机理性弱，受植被类型和地域等影响较大，稳定性解释较差。还 有少部分学者基于光学影像采用物理模型反演LAI，在精度和效率上相比光学植被指数反 演LAI有了很大的提高，但是忽视了光子在植被冠层内复杂的传输过程以及在全生育期的 条件下能否满足反演LAI高精度的要求。马茵驰等通过建立SAILH模型与裸土反射率组成的 线性光谱混合模型，在人工神经网络的基础上进行LAI反演；结果表明，此方法能够较好的 获取大区域的LAI；Jacquemoud等在冠层生物物理和辐射传输模型背景下对PROSAIL模型的 发展进行了回顾；谷成燕等采用PROSAIL辐射传输模型建立毛竹林LAI和冠层反射率查找 表，并结合Landsat  TM卫星遥感数据，实现了毛竹林LAI的定量反演，结果说明了PROSAIL各 输入参数的敏感性和反演结果与实测值的一致性；梁栋等(2014)采用LS-SVM模型反演农作 物LAI用来弥补遥感时间序列缺失问题；Kandasamy等利用SAIL和GEOSAIL模型评估复杂的 冠层结构对LAI估值的影响；Wang等(2019)证明NARX神经网络递归更新模型反演LAI，在反 演速率上较传统神经网络模型快。Durbha等采用SVM技术的SVR对LAI输入数据有良好的概 括能力，且运算效率较高；Baret等证明NN是处理复杂、多维、非线性关系的理想方法，运算 效率较高，表现出很好的反演精度；Herrmann等证明PLS能一定程度地克服统计量中多重共 线性和随机噪声的影响，因此特别适于处理高光谱数据反演LAI。上述模型机理性强，使用 的植被类型和空间范围更广，但模型参数较多且难获取，存在模型反演的病态问题。 虽然大部分国内外学者基于光学影像采用光学植被指数或物理模型反演LAI，但 3 CN 111598243 A 说　明　书 2/3 页 光学影像易受到分辨率和天气状况的影响，使反演精度不高，而且在农作物全生育期上反 演LAI也缺乏认证。考虑到以上问题，本发明充分利用WFV数据和SAR数据特点，研发了一种 具有典型区域特色的多源遥感数据协同反演叶面积指数的方法。
技术实现要素：
针对数据源单一、模型单一叶面积指数反演方法精度偏低等问题，本发明结合遗 传算法和神经网络模型，建立了一种基于WFV和SAR数据的叶面积指数反演方法。 本发明的目的通过以下技术步骤实现： 步骤1)该模型隐含层采用Traindx训练函数和Tan-Sigmoid传递函数，输出层采用 Purelin线性传递函数，确定初始权值和阈值； 步骤2)基于GF-1WFV影像和GF-3SAR影像，提取出6种光学与微波极化分解融合植 被指数(MEVI-LAI、MEVI2-LAI、MMSAVI-LAI、MNDVI-LAI、MRVI-LAI、MSAVI-LAI)，作为遗传神 经网络模型输入变量，并训练变量； 步骤3)使训练变量的误差作为适应度值，采用适应度比例、实数交叉和变异三种 方法增强训练和优化搜素能力，直到获取最优权值和阈值； 步骤4)根据均方根误差RMSE最小为依据，再迭代运算和更新权值和阈值，最终获 取最优叶面积指数和反演结果图，该方法经过多源数据协同、算法和神经网络模型融合，进 一步提高了叶面积指数反演精度。 附图说明 图1为遗传神经网络模型流程图； 图2为多种模型精度对比图； 图3为模型精度验证； 图4为基于GF-1WFV和GF-3SAR数据全生育期玉米叶面积指数反演结果图；