ROI(Region of Interest)区域的BRDF反演

本文介绍了ROI区域的BRDF反演理论,涵盖了数据准备、模型简介(包括Kernel、Hapke和RPV模型)、模型求解(推荐最小二乘法)以及可视化结果。着重讨论了如何通过半经验模型处理多角度反射率数据以获取精确的BRDF分布。
摘要由CSDN通过智能技术生成

基本知识

首先,由于地球并非朗伯体(Lambertian)特性,所以地表的反射特性既不是理想的漫反射,也不是镜面反射,也不是二者的组合,而是一种“方向反射”。BRDF(Bidirectional Reflectance Distribution Function)这个概念形成比较早,1977年由Nicodemus等人定义如下:
BRDF原始公式
等式括号中从左到右依次为:太阳入射天顶角、太阳入射方位角、观测天顶角、观测方位角、波长;
分式中:分母表示在一个微分面积元上,入射光方向的微分立体角内光谱辐射照度的增量,分子为入射光增量引起反射光方向的光谱辐射亮度的增量,如图:
(李小文、王锦地,1995)
在这里插入图片描述
朗伯体:朗伯体(Lambertian)是一种理想的漫反射表面模型,漫反射是光在表面上均匀散射的过程。漫反射通常由朗伯定律描述,即入射光线与法线的夹角越大,表面的亮度就越暗。

从BRDF的定义可以看出,BRDF是反映地球表面自身特性的物理量,与测量方法无关。严格定义的BRDF不可测量,一般所讲的BRDF测量,实际是测量反映地表二向反射特性的BRF或者半球方向反射率因子(HDRF)。从数值上看,BRDF与BRF存在pi倍关系,地表二向性反射率因子(bidirectional reflectance factor,BRF)定义为在入射光和传感器等因素不变的情况下,面元向某一方向反射的辐射亮度与假定该面元为一理想漫反射表面时该方向的辐射亮度的比值。公式为:
BRF
BRDF与BRF关系
这里提出二向反射率因子,是为了我们能在实际BRDF建模中,利用标准漫反射参考板获取地物的入射辐射,以获取地物相对准确的反射率。


一、数据准备

按照原始公式的定义,我们需要获取多角度反射率信息包括:
太阳天顶角SZA(Solar Zenith Angle);
太阳方位角SAA(Solar Azimuth Angle);
观测天顶角VZA(View Zenith Angle);
观测方位角VAA(View Azimuth Angle);
以及以上角度组合起来对应的反射率,如图:
多角度数据
表中从左到右依次为:SZA、VZA、SAA、VAA、Reflectance。


二、模型简介

如果只是单纯的利用BRDF的定义式,对于求解ROI区域内的BRDF分布是不够的。为了准确衡量区域内的各向反射异性,我们需要根据研究区域选择更为具体且适用的BRDF模型,并通过模型的求解与优化,从而获得比较精确的BRDF分布。根据模型的属性,可分为:

  • 经验模型:也称为统计模型,一般使用一些常用的数学函数,对已有的观测数据进行拟合。这种方法一般高度依赖于观测数据的数量和质量,且模型本身基本不涉及一些具体参数,所以函数形式较为简单且缺少物理意义,如Minnaert模型(1941),Walthall模型(1985)。
  • 物理模型:物理模型一般是通过研究光与地表相互作用的物理过程建立。依据模型的物理机理和物理过程的数学表达形式不同,可进一步分为辐射传输模型与几何光学模型或二者的混合模型。物理模型的参数都是具有实际物理意义的,该模型要求数据的多样性,且复杂度较高。如几何光学辐射传输模型(GORT)
  • 半经验模型:半经验模型本身是通过对物理模型的近似和简化,降低模型的复杂度,又考虑了经验模型的可拟合性,所以模型的性能一般介于经验模型和物理模型之间,也是目前使用最广泛的模型之一。如Kernel模型、Hapke模型、RPV模型等。
  • 计算机模型:利用计算机产生的真实结构场景,与光线追踪,辐射度等方法结合,模拟场景的光照与二向反射
    经验性的模型(统计模型)。该模型基于模拟场景与大数据支持,一般精度也比较高,如North模型,RGM模型。

这里主要介绍使用最为广泛的半经验模型。

1.Kernel模型

kernel模型

2.Hapke模型

Hapke

3.RPV模型

RPV在这里插入图片描述

三种模型的基本表达式如上三式,对于模型中各个参数的求解,根据ROI区域的地表类型及分布特点可选择不同的计算方法。但整体上还是三种模型的原型为主,不同之处在于对模型中的参数进行微调等。总的来说,所需要测量的原始数据基本都与多角度信息下的反射率有关。


三、模型求解

模型求解的方法比较多,使用神经网络来寻找一组观测数据与真值之间的关系是非常有效的,但这里更推荐最小二乘法或者Matlab自带的观测值加权的最小二乘法。原因是从目前的研究领域所展示出的结果来看,这种半经验的模型使用较为简单且鲁棒的求解方法,已经可以获得至少95%以上的准确度,且最小二乘法操作简单,优化方便。
这里再简单介绍一下最小二乘法:
最小二乘法是一种常用的参数估计方法,用于在给定一组数据点时,拟合一个模型以最小化观测数据与模型预测之间的误差的平方和。它的基本思想是通过调整模型的参数,使得模型的预测值尽可能地接近实际观测值。
最小二乘法可以应用于各种不同的模型拟合问题,包括线性回归、多项式拟合、非线性回归等。通常情况下,可以使用数值优化方法(如梯度下降、牛顿法等)来求解最小二乘问题,找到使得误差平方和最小的参数值。


四、可视化结果

这里简单放一下根据以上方法求解的ROI区域的BRF分布(BRDF与BRF在数值上有pi倍的转化关系):
在这里插入图片描述

详细的反演流程及求解方法,及各种模型的拟合差异见:https://www.mdpi.com/2072-4292/16/3/543


  • 38
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值