基于模型模拟和遥感图像的叶绿素含量估算

摘要

绿色植物是陆地生态系统中最重要的组成部分，具有保持水土、防风固沙、涵养水源、美化环境等多种生态功能。植物内部包含的叶肉结构参数N、等效水厚度Cw、干物质含量Cm、叶绿素含量Cab等称为植物的生化组分参数。其中，叶绿素含量是定量表示植物光合作用能力的一种生物物理参量，是植物生长状态的监测器。因此实时动态地估算绿色植物所包含的叶绿素含量，可以及时为农业决策者监测作物长势、防止病虫害提供信息，为现代农业的可持续发展提供重要的理论依据。 2017年5月16-18日在河北省石家庄市栾城区进行野外实测，收集43个冬小麦采样点的经纬度、叶面积指数LAI、叶倾角MTA、株高等参数，通过室内实验室方法测定冬小麦叶绿素含量、含水量等数据。选取与叶绿素含量相关性较高的归一化植被指数NDVI和光化学植被指数PRI，使用PROSAIL模型模拟植被指数对生化组分参数的敏感性。利用植被指数与叶绿素含量建立叶绿素含量估算模型，结合2017年5月15日的Landsat-8 OLI影像数据，估算冬小麦叶绿素含量。基于神经网络算法（BPNN），建立基于BPNN的叶绿素含量估算模型并进行精度验证。结论如下： 通过PROSAIL模型，对叶片生化组分进行模拟，得到NDVI和PRI对各生化组分的敏感性。在叶片尺度下，NDVI对叶肉结构参数N和叶绿素浓度Cab变化有着高敏感性；NDVI对干物质浓度Cm和等效水厚度CW不敏感。在冠层尺度下，NDVI对叶面积指数LAI、观测天顶角VZA、叶倾角分布LAD和太阳高度角均具有较高的敏感性。PRI对叶肉结构参数N、干物质含量Cm以及叶绿素含量Cab的敏感性较高；对等效水厚度Cw的敏感性较低。在冠层尺度上，PRI对LAI和VZA具有较低的敏感性，对LAD和太阳高度角的敏感性较高。 通过PROSAIL模型模拟，分析了不同植被指数与叶绿素含量的关系。当VZA为0°、30°、60°、90°时，随着叶绿素含量的增加，叶绿素植被指数CVI、光化学植被指数PRI、比值植被指数RVI、归一化植被指数NDVI、优化型土壤调节植被指数OSAVI、差值植被指数DVI的值逐渐增加。优化型叶绿素吸收率指数MCARI、归一化绿红差值植被指数NDGRI和增强型植被指数EVI的值随着叶绿素含量的增加而降低。植被指数CVI、PRI、RVI、NDVI、OSAVI和NDGRI的值，随着VZA的增大而减小；MCARI、EVI和DVI的值，随着VZA的增大而增大。 将野外实测数据和Landsat-8 OLI遥感影像结合，建立叶绿素含量估算模型，估算出栾城区冬小麦叶绿素含量。通过植被指数与实测叶绿素含量决定系数R2可知，CVI与叶绿素含量之间的R2为0.485，其次是RVI，NDVI最低。由精度验证可知，CVI实测值与估算值的决定系数0.697，均高于RVI和NDVI；均方根误差RMSE和相对误差RE的大小顺序：RVI＜CVI＜NDVI，RVI的RMSE仅为2.729，相对误差为0.095。因此基于遥感图像和植被指数对叶绿素进行估算时，RVI和CVI可以够取得更高的估算精度，估算效果较好。 基于BP神经网络模型估算叶绿素含量，利用CVI、NDVI和RVI三种植被指数建立了叶绿素估算模型，并进行精度验证。从40个点中选取20个点建立叶绿素含量估算模型，CVI、RVI和NDVI与叶绿素含量估算值的R2分别为0.547、0.522、0.478。利用剩余20个点进行精度验证，CVI的估算值与实测值之间的决定系数为0.729，均高于RVI（0.702）和NDVI（0.674）。CVI的均方根误差和相对误差均高于RVI和NDVI，而RVI的均方根误差为2.558，相对误差仅为0.046，RVI的估算值与实测值之间两种误差均较小。综上分析，基于BPNN的三种叶绿素估算模型中，利用RVI建立的估算模型可以取得较好的估算效果。

目录

声明

1 引 言

1.1 研究目的及意义

1.2 遥感估算叶绿素含量的基础和优势

1.3 国内外研究进展

1.4 技术路线

2 研究区概况与数据资料

2.1 研究区概况

2.2 数据收集

3 模型参数的设定及数据处理

3.1 PROSAIL模型介绍

3.2 模型参数设定

3.3 Landsat-8 OLI数据预处理

3.4 植被指数的选择与计算

4 PROSAIL模型模拟及敏感性分析

4.1 模型参数的敏感性分析

4.2 NDVI敏感性分析

4.3 PRI敏感性分析

5 基于模型模拟和遥感图像的叶绿素含量估算

5.1 不同植被指数与叶绿素含量的关系

5.2 基于模型模拟的叶绿素含量估算模型

5.3 实测与模型模拟的植被光谱的比较

5.4 基于Landsat-8 OLI影像的叶绿素估算模型的建立

5.5 叶绿素含量估算成图

6 基于BP神经网络算法的叶绿素含量估算

6.1 BP神经网络模型介绍

6.2 BP神经网络冬小麦叶绿素反演模型

7 结论与展望

7.1 结论与讨论

7.2 展望

参考文献

致谢

攻读学位期间取得的科研成果清单