一种基于反射光谱小波变换的植被参数遥感反演方法

摘要

一种基于反射光谱小波变换的植被参数遥感反演方法，包括：1)获取不同条件的植被参数及其原始光谱，对原始光谱进行光谱变换；2)将原始光谱利用不同小波函数进行连续小波变换，生成具有不同频率的小波系数；3)以不同尺度小波系数为自变量，以植被参数为因变量，进行逐步回归，选择植被参数反演所需的光谱波段，构建植被参数定量反演的模型，求算模型的R2；4)比较不同小波分解尺度所构建模型的建模R2，将建模R2最大的模型确定为最佳模型。本发明能够显著的提高植被参数高光谱遥感反演精度，特别是能够较好的提高生化参数的遥感反演精度，具有广泛的参数适用性，不仅适用于叶片或是冠层反射光谱，也适用于卫星遥感高光谱数据。

说明书

技术领域

本发明涉及高光谱遥感监测和定量反演领域，特别涉及一种基于反射光谱小波变换的植被参数遥感反演方法。

背景技术

植被参数分类两类：生物物理参数和生物化学参数（生化参数）。生物物理参数包括生物量、叶面积指数、覆盖度、植株高度、叶倾角等；生化参数包括叶绿素、氮素、蛋白质、木质素等。不同的生化参数具有不同的吸收反射特性，表现为不同的吸收反射峰和谷，这些吸收反射峰谷具有大小、深浅等特征，即具有不同的尺度特性。目前的遥感反演是用原始光谱或是导数、伪吸收系数等变化光谱建立统计模型直接反演生化参数，或是利用机理模型反演生化参数。这种直接利用原始光谱及其变化形式的光谱作为反演生化参数的方法没有考虑生化参数本身吸收反射特征的尺度信息，因此不能较好的满足日益提高的精准农业对生化参数反演的精度要求。

发明内容

为了解决现有生化参数反演方法未考虑光谱尺度效应进行的生化参数反演精度不高的问题，本发明提供一种考虑光谱尺度特征、精度较高的基于反射光谱小波变换的植被生化参数遥感反演方法。

本发明解决其技术问题所采用的技术方案是： 

一种基于反射光谱小波变换的生化参数遥感反演方法，所述反演方法包括以下步骤：

1）光谱数据变换：获取不同条件的植被参数及其原始光谱，对原始光谱进行光谱变换；

2）小波变换：将原始光谱利用不同小波函数进行连续小波变换，生成具有不同频率的小波系数；原始光谱的连续小波变换公式如下：

               （1）

式中，a,b为实数，小波系数是连续的，连续小波变换在任何尺度上进行。

3）构建逐步回归模型：以不同尺度小波系数为自变量，以植被参数为因变量，进行逐步回归，选择植被参数反演所需的光谱波段，构建植被参数定量反演的模型，求算建模R²；

4）确定最佳小波分解尺度：比较不同小波分解尺度所构建模型的建模R²，将建模R²最大的模型确定为最佳模型。

作为优选的一种方案：所述反演方法还包括以下步骤：

5）模型验证：利用独立样本的植被参数及光谱数据，对光谱数据进行小波变换，生成不同尺度的小波系数，将变换系数代入步骤3）所建立的回归模型，验证回归模型的监测效果。

    进一步，所述步骤2）中的小波含量包括53种小波：Haar 小波； Daubechies 小波系列：‘db2’、‘db3’、……‘db10’，共9种；Symlets小波系列： ‘sym2’ ‘sym3’、……‘sym8’，共7种；Coiflets小波系列：‘coif1’、 ‘coif2’、……‘coif5’，共5种；Biorthogonal小波系列：‘bior1.1’、 ‘bior1.3’、……‘bior6.8’，共15种； Reverse biorthogonal 小波系列：‘rbio1.1’、‘rbio1.3’、……‘rbio6.8’，共15种； 以及 Discrete Meyerpseudo 小波。

再进一步，所述步骤2）中的植被参数包括生物物理参数，所述生物物理参数包括生物量和叶面积指数。

更进一步，所述植被参数还包括生物化学参数，所述生物化学参数包括叶绿素和氮素。

本发明的技术构思为：植被参数具有不同的吸收反射特点，在光谱上表现为不同的吸收反射峰，这些反射特征具有一定的尺度特性。小波分析可以将植被叶片或是冠层的反射光谱在不同尺度上分解，因此可以利用适合与目标参数的尺度光谱信息反演植被参数，以提高植被参数的反演精度。

本发明的有益效果主要表现在：（1）、能够显著的提高植被参数高光谱遥感反演精度，主要是因为小波分析可以将光谱在不同尺度上分析，利用合适尺度的光谱信息更能表现植被参数的吸收特征；（2）、针对不同植被参数具有广泛的适用性，即可以根据植被参数自身的吸收、反射特征自动确定合适的分解尺度；（3）、不仅适用于叶片或是冠层反射光谱，也适用于卫星遥感高光谱数据。

附图说明

图1是基于反射光谱小波变换的植被参数遥感反演方法的流程图；

图2是图2 小波变换的尺度对建模效果的影响。

具体实施方式

下面结合附图对本发明做进一步的说明。

参照图1和图2，一种基于反射光谱小波变换的植被参数遥感反演方法，所述反演方法包括以下步骤：

1）光谱数据变换：获取不同条件的植被参数及其光谱，对光谱进行各种光谱变换，包括导数变换、伪吸收变化等；

2）小波变换：将原始光谱利用不同小波函数进行连续小波变换，生成具有不同频率的小波系数，原始光谱的连续小波变换公式如下：

               （1）

式中，a,b为实数，小波系数是连续的，连续小波变换可以在任何尺度上进行；

3）构建逐步回归模型：以不同尺度小波系数为自变量，以植被参数为因变量，进行逐步回归，选择植被参数反演所需的光谱波段，构建植被参数定量反演的模型，求算建模R²；

4）确定最佳小波分解尺度：比较不同小波分解尺度所构建模型的建模R²，将建模R²最大的模型确定为最佳模型；

所述反演方法还包括以下步骤：5）模型验证：利用独立样本的植被参数及光谱数据，对光谱数据进行小波变换，生成不同尺度的小波系数，将变换系数代入步骤3）所建立的回归模型，验证回归模型的监测效果。

   所述步骤2）中的小波含量包括53种小波：Haar 小波; Daubechies 小波(简称‘db’) 系列：‘db2’、‘db3’、……‘db10’; Symlets小波系列： (‘sym2’到‘sym8’); Coiflets小波系列： (‘coif1' to ‘coif5’)；Biorthogonal小波系列 (‘bior1.1’到‘bior6.8’); Reverse biorthogonal 小波系列(‘rbio1.1’到‘rbio6.8’); and Discrete Meyerpseudo 小波(‘dmey’)。

所述步骤2）中的植被参数包括生物物理参数，所述生物物理参数包括生物量和叶面积指数。所述植被参数还包括生物化学参数，所述生物化学参数包括叶绿素和氮素。

下面将以叶绿素反演为例，给出一个利用本发明反演叶片水平叶绿素含量的例子。要指出的是，所给出的实例是为了说明本发明方法的技术特点和功能特点，以使能更易于理解本发明，而不是限制本发明的使用范围。

1，它是本实施例基于反射光谱小波变换的植被参数遥感反演方法的流程图，具体步骤如下：

1）光谱数据变换：

在本实例中，叶绿素光谱数据包括叶片和穗的光谱数据，共1057个样本。导数变换的公式为：

                                                                （1.1）

其中λ_i是波段i的波长值、ρ(λ_i)是波长λ_i的光谱值，Δλ是波长λ_i-1到λ_i的差值。

2）小波变换：将原始光谱利用不同小波函数进行连续小波变换，生成具有不同频率的小波系数。

利用Matlab中的函数cwt进行小波变换，比如

cwt(tspec,[1,2,4,8,16,32,64,128],wavelet);

其中tspec表示用于小波变换的光谱，[1,2,4,8,16,32,64,128]表示小波变换的不同尺度，wavelet表示小波的类型，包括53种小波：Haar 小波; Daubechies 小波(简称‘db’) 系列：‘db2’、‘db3’、……‘db10’; Symlets小波系列： (‘sym2’到‘sym8’); Coiflets小波系列： (‘coif1' to ‘coif5’)；Biorthogonal小波系列 (‘bior1.1’到‘bior6.8’); Reverse biorthogonal 小波系列(‘rbio1.1’到‘rbio6.8’); and Discrete Meyerpseudo 小波(‘dmey’)。

3）构建逐步回归模型：以不同尺度小波系数为自变量，以植被参数为因变量，进行逐步回归，选择植被参数反演所需的光谱波段，构建植被参数定量反演的模型，求算所建模型的建模R²。表1为不同小波类型建模R²比较：

小波类型建模R²小波类型建模R²haar0.856649bior2.60.853819db20.773675bior2.80.855137

db30.84252bior3.10.757524db40.807951bior3.30.848066db50.857169bior3.50.851454db60.858151bior3.70.851779db70.860454bior3.90.841016db80.85704bior4.40.85245db90.855637bior5.50.763699db100.850022bior6.80.848465sym20.867482rbio1.10.856649sym30.856243rbio1.30.845798sym40.820994rbio1.50.86683sym50.857004rbio2.20.855633sym60.848173rbio2.40.831803sym70.865414rbio2.60.824675sym80.850978rbio2.80.820586coif10.803079rbio3.10.836826coif20.835393rbio3.30.854611coif30.847913rbio3.50.849852coif40.850575rbio3.70.856772coif50.850507rbio3.90.854308bior1.10.856649rbio4.40.813124bior1.30.853635rbio5.50.857419bior1.50.845676rbio6.80.850388bior2.20.700623dmey0.848805bior2.40.805738  

表1

通过比较不同小波类型的建模R²的大小（表1），可知以小波sym2对光谱反射率进行变换后对叶绿素含量估算和检验效果最好。

4）确定最佳小波分解尺度：比较不同小波分解尺度所构建模型的建模R²，将建模R²最大的模型确定为最佳模型（图2）。通过比较小波的尺度不同对所建模型的R²有不同的影响，总的趋势是随着小波尺度的增大，R²先变小，然后变大。本例中最佳尺度为cS128。最佳尺度和最佳小波对应的模型为：

Chlt=1.57+ 17.70 * R₄₀₀+ 9.46 * R₄₆₁+ 64.93 * R₅₃₅ -45.28 * R₅₃₆+ 476.30 * R₆₅₃ -471.07 * R₆₅₄+ 2903.11 * R₇₁₃ -11254.98 * R₇₁₆+ 8375.55 * R₇₁₇+ 8.12 * R₉₆₅+ 8.34 * R₁₃₅₉ -7.89 * R₁₅₅₂

式中Chlt表示叶绿素含量，R表示某一波段对应的光谱反射率的小波变换系数，例如R₄₀₀表示400 nm对应的光谱反射率的小波变换系数，R₄₆₁表示461 nm对应的光谱反射率的小波变换系数。

所选择的波段主要分布在叶绿素吸收比较强烈和蓝光和红光区域（400nm、461nm、653nm、654nm），以及对色素敏感范围比较大的绿光和近红外波段（535nm、536nm、713nm、716nm、717nm）。另外在近红外和短波红外也出现了三个波段（965nm、1359nm、1552nm）。

5）模型验证：利用独立样本的植被参数及光谱数据，对光谱数据进行小波变换，生成不同尺度的小波系数，将变换系数代入所建立的回归模型，验证回归模型的监测效果。结果如表2，表2为不同小波类型检验R²比较：

小波类型检验R² 小波类型检验R²haar0.850377 bior2.60.849326db20.783698 bior2.80.852738db30.850981 bior3.10.746046db40.820312 bior3.30.845364db50.859843 bior3.50.846596db60.850457 bior3.70.849249db70.858955 bior3.90.841106db80.858818 bior4.40.846927db90.854612 bior5.50.761645db100.844617 bior6.80.845797sym20.861867 rbio1.10.850377sym30.849972 rbio1.30.84123sym40.81358 rbio1.50.861647sym50.855954 rbio2.20.847086sym60.842863 rbio2.40.838745sym70.862252 rbio2.60.82365sym80.849039 rbio2.80.81782coif10.8038 rbio3.10.835281coif20.831136 rbio3.30.848867coif30.847471 rbio3.50.847783coif40.84849 rbio3.70.858317coif50.850332 rbio3.90.855419bior1.10.850377 rbio4.40.814239bior1.30.850268 rbio5.50.859466bior1.50.84482 rbio6.80.849988bior2.20.717875 dmey0.842166bior2.40.807392   

表2

利用验证数据对模型进行检验后发现，最佳小波仍然为sym2，检验模型的R²为0.861867。