杉木红边参数估算叶绿素含量模型研究

摘要

随着高光谱遥感技术的发展、数据处理算法的多样化以及对森林生态系统掌握的迫切需求，利用高光谱遥感数据对森林生化成分含量进行估测就显得极具价值。叶绿素是植被生理特征的主要表征之一，对叶绿素含量进行准确地估算，也就间接掌握了森林的健康状况。利用高光谱遥感技术，建立高光谱特征参数与叶绿素含量间的高精度估算模型，可改进传统森林冠层叶片叶绿素含量测定方法，为实现大区域、实时、准确、无损估测森林叶绿素含量及变化，建设与研究森林生态系统服务。
　　 以湖南攸县黄丰桥国有林场杉木幼龄、中龄、成熟林为研究对象，利用便携式ASD野外光谱辐射仪对冠层叶片光谱进行测定，利用分光光度法对叶片叶绿素含量进行提取。采用光谱微分技术提取杉木11个红边参数，并对其与叶绿素含量进行了相关性分析；选取相关关系达极显著水平的参数建立估算叶绿素含量的一元统计回归模型；将杉木11个红边参数作为待选变量，运用逐步回归分析法建立用于估算叶绿素含量的多元线性回归模型；对杉木11个红边参数利用主成分分析进行降维，以主成分得分作为网络输入，用遗传算法优化单隐层BP神经网络得到网络初始权值和阈值，并对网络进行训练，建立基于PCA的GA—BP神经网络模型，对杉木冠层叶片叶绿素含量进行预测。采用国际上常用的决定系数(R2)、均方根差(RMSE)、相对误差(RE)对模型的预测值和实测值之间的符合度进行评价和验证。结果表明：
　　 1．与杉木冠层叶片叶绿素含量呈极显著相关关系的参数有：红边位置、红边振幅、红边面积、红边幅值各向异性指数以及红边宽度。
　　 2．以红边位置为自变量建立的幂函数y=3．23×10—52X18．14703回归模型预测精度最高，达到99．765％。
　　 3．多元线性回归模型y=—20．984+0．031x1+0．009x2+29．619X3(x1代表红边位置；x2代表红边宽度；x3代表红边振幅)预测精度达到91．9％。
　　 4．对单隐层不同神经元数(4、6、8、10、12、14)的神经网络模型预测精度进行对比发现：隐含层神经元数设定为10时，R2达到0．976，预测精度达到97．372％，具有相对最优的预测效果。
　　 5．利用杉木红边参数快速估算叶绿素含量是可行的，所建立的叶绿素含量估算模型预测精度均达到91．0％以上，其中以红边位置为自变量建立的幂函数估算模型预测精度最高，可选定为最优估算模型。

目录

文摘

英文文摘

1 绪论

1.1 高光谱遥感简介

1.1.1 高光谱遥感概念与特征

1.1.2 高光谱遥感发展概况

1.1.3 高光谱遥感在林业研究中的应用

1.2 高光谱遥感提取植被生化组分研究

1.2.1 高光谱遥感提取植被生化组分原理

1.2.2 高光谱遥感提取植被生化组分研究方法

1.3 高光谱遥感反演叶绿素含量研究

1.3.1 提取植被叶绿素含量的意义

1.3.2 高光谱遥感反演叶绿素含量研究进展

1.4 研究背景、意义和内容

1.4.1 课题背景

1.4.2 研究目的与意义

1.4.3 研究内容

2 材料与方法

2.1 试验点概况

2.2 技术路线

2.3 研究方法

2.3.1 样本数据采集

2.3.2 光谱数据采集

2.3.3 叶绿素含量测定

2.3.4 数据预处理

2.3.5 红边参数定义

2.3.6 多元线性回归模型简介

2.3.7 人工神经网络简介

2.3.8 BP神经网络简介

2.3.9 遗传算法

2.3.10估算模型的精度检验

3 杉木红边参数估算叶绿素含量可行性分析

3.1 杉木冠层光谱特征

3.1.1 杉木冠层反射光谱特征

3.1.2 杉木冠层一阶微分光谱特征

3.1.3 杉木冠层光谱与叶绿素含量间相关性分析

3.2 红边参数间相关性分析

3.3 红边参数与叶绿素含量间相关性分析

4 杉木红边参数估算叶绿素含量统计回归模型

4.1 样本相关性分析

4.2 杉木红边参数估算叶绿素含量一元统计回归模型

4.2.1 基于红边位置的统计回归模型

4.2.2 基于红边振幅的统计回归模型

4.2.3 基于红边面积的统计回归模型

4.2.4 基于红边幅值各向异性指数的统计回归模型

4.2.5 基于红边宽度的统计回归模型

4.2.6 一元统计回归模型精度检验

4.3 杉木红边参数估算叶绿素含量多元线性统计回归模型

4.3.1 估算叶绿素含量的多元线性统计回归模型的建立

4.3.2 多元线性回归模型精度检验

5 杉木红边参数估算叶绿素含量GA-BP神经网络模型

5.1 主成分分析

5.1.1 主成分分析定义

5.1.2 主成分分析原理

5.2 基于PCA的GA-BP神经网络估算叶绿素含量模型建立

5.2.1 估算模型建立流程

5.2.2 主成分分析实现

5.2.3 遗传算法实现

5.2.4 网络模型实现

5.3 模型预测精度检验

6 结论与讨论

6.1 结论

6.2 讨论

参考文献

附录 A:遗传算法得到的最优初始权值和阈值

附录 B:攻读学位期间的主要学术成果

致谢