量化光谱叶片叶绿素含量反演中的不确定性：一种传播分析方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Quantifying Uncertainty in Spectral Leaf Chlorophyll Content Retrieval: A Propagation Analysis

　　

摘要：

从光谱测量中可靠地估算叶片叶绿素含量（LCC）需要明确量化测量和模型的不确定性。本研究使用自动化辐射传输模型运算符（ARTMO）对叶片级别的LCC反演进行了端到端的不确定性传播分析。使用ASD FieldSpec 4光谱辐射计和CCM-300叶绿素仪获取了冬小麦叶片的受控实验室数据集。利用Community Metrology（CoMet）工具包量化并传播了来自传感器噪声、重新剪切效应和参考面板特性的测量不确定性。通过主成分分析对两种机器学习回归算法——高斯过程回归（GPR）和核岭回归（KRR）进行了训练以降低维度，并通过分析方法（GPR）或自助法（KRR）估算了认知不确定性。结果表明，认知不确定性占总不确定性的主导地位，而测量不确定性的贡献相对较小（≈0.2% 对于反射率；≈5% 对于叶绿素仪读数）。GPR产生了平滑且连贯的不确定性估计，而KRR对采样效应更为敏感。该工作流程提供了可复制的不确定性预算和相关结构，并可应用于冠层或基于卫星的反演，支持在未来的高光谱任务中实现计量学上一致的不确定性传播。