Resumen:
La inversión de modelos de transferencia radiativa basada en tablas de consulta (LUT) se considera un método físicamente sólido y robusto para recuperar parámetros biofísicos de los datos de observación de la Tierra, pero se necesitan estrategias de regularización para mitigar los inconvenientes de la mala posición. Se evaluaron sistemáticamente varias opciones de regularización para mejorar el contenido de clorofila foliar (LCC) y el índice de área foliar (LAI) en tierras agrícolas, incluyendo el papel de (1) las funciones de costo (CFs); (2) el ruido agregado; y (3) las soluciones múltiples en la inversión basada en LUT. Se compararon tres familias de FCs: medidas de información, estimaciones M y métodos de contraste mínimo. Sólo hemos seleccionado FCs sin parámetros adicionales para ser ajustados, y por lo tanto pueden ser implementados inmediatamente en las cadenas de procesamiento. El modelo acoplado de hoja/cubierta PROSAIL fue invertido contra imágenes simuladas de Sentinel-2 a 20 m de resolución espacial (8 bandas) y validado contra los datos de la campaña SPARC liderada por la ESA (Barrax, España). Para las 18 FCs consideradas, con introducción de ruido y optando por la media de las múltiples mejores soluciones, las recuperaciones mejoraron considerablemente; los errores relativos pueden reducirse dos veces en comparación con las que no tienen estas opciones de regularización. M-estimaciones se encontraron más exitosas, sino también la normalización de datos influences la exactitud de las recuperaciones. Aquí, las mejores recuperaciones de LCC se obtuvieron utilizando una función normalizada de "estimación de L1" con un error relativo del 17,6% (r2 : 0,73), mientras que las mejores recuperaciones de LAI se obtuvieron mediante un "estimador de mínimos cuadrados" (LSE) no normalizado con un error relativo del 15,3% (r2: 0,74).
Descripción:
Lookup-table (LUT)-based radiative transfer model inversion is considered a physically-sound and robust method to retrieve biophysical parameters from Earth observation data but regularization strategies are needed to mitigate the drawback of ill-posedness. We systematically evaluated various regularization options to improve leaf chlorophyll content (LCC) and leaf area index (LAI) retrievals over agricultural lands, including the role of (1) cost functions (CFs); (2) added noise; and (3) multiple solutions in LUT-based inversion. Three families of CFs were compared: information measures, M-estimates and minimum contrast methods. We have only selected CFs without additional parameters to be tuned, and thus they can be immediately implemented in processing chains. The coupled leaf/canopy model PROSAIL was inverted against simulated Sentinel-2 imagery at 20 m spatial resolution (8 bands) and validated against field data from the ESA-led SPARC (Barrax, Spain) campaign. For all 18 considered CFs with noise introduction and opting for the mean of multiple best solutions considerably improved retrievals; relative errors can be twice reduced as opposed to those without these regularization options. M-estimates were found most successful, but also data normalization influences the accuracy of the retrievals. Here, best LCC retrievals were obtained using a normalized “L1 -estimate” function with a relative error of 17.6% (r2 : 0.73), while best LAI retrievals were obtained through non-normalized “least-squares estimator” (LSE) with a relative error of 15.3% (r2: 0.74).
Repositorio Institucional Aramara
Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess
