高光谱遥感数据植被信息提取方法

摘要

本申请公开了一种高光谱遥感数据植被信息提取方法，包括：在实验研究区域同步或准同步地获取高光谱遥感影像和待测植被生理生化参量的参考标准值；对所述高光遥感谱影像进行降维预处理，得到植被冠层光谱反射率数据；建立植被冠层光谱反射率数据与植被参量标准值之间的经验数学模型，得到植被生理生化参量的高光谱遥感估算方法；通过所述经验数学模型，由从高光谱影像得到的植被冠层光谱反射率数据得到植被参量的估算值；利用样本值对模型中的参数进行估算，最后检验模型的精度。如此方案，利用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，适合大面积开展，其测量区域甚至可以扩大到整个地球的尺度。

说明书

技术领域

本申请涉及植被信息提取技术领域，具体地说，涉及一种高光谱遥感数 据植被信息提取方法。

背景技术

传统上，植被生理生化参量主要是通过物理化学实验来获取的。这些实 验完全按照植被参量的定义来设计，因此测量精度比较高。缺点是需要在实 地采摘植被样本，费时费力，且对植被具有破坏性。这种实验不适合在大面 积开展，只能使用样本对整体进行估算。另外，对于人类不能够或者不容易 到达的区域，采用传统的方法提取植被信息是完全不可行的。

利用高光谱遥感数据实现对植被生理生化参量的估算，是生态学、农学、 全球变化等科学研究以及精准农业等应用行业的迫切需求。这种测量方法具 有快捷方便的特点，其测量区域甚至可以扩大到整个地球的尺度。并且它是 一种无损测量法，它不会对植被生长造成任何的影响。

利用高光谱遥感影像进行植被生理生化参量估算的主要方法有基于经 验模型的统计分析法和基于辐射传输模型的物理反演法。经验模型认为植被 冠层反射率光谱曲线的某些特征与植被的生理生化参量之间具有某种相关 关系，通过建立光谱特征与待测参量之间的统计回归方程对植被参量进行估 算。高光谱数据提取的特征可能是光谱反射率曲线在某些特殊波段上的取 值，或者是一阶导数光谱反射率曲线在某些特殊波段上的取值等。

通过人们对植被光谱的大量分析和研究，提出了将多个具有显著特征的 光谱波段进行组合，得到对植被的某个生理生化参量敏感的植被指数，并建 立植被指数与待测生理生化参量之间的经验方程。需要注意的是，由于植被 遥感影响因子的复杂性和多样性，要发展一个具有广泛普适性的光谱指数任 重而道远。光谱植被指数的发展需要遵循的原则是，尽量对背景干扰不敏感， 而对待估算的植被参量敏感。

不同的植被参量会直接造成光谱反射率曲线形状上的改变，将光谱曲线 的某个吸收特征或反射特征参量化，可以得到反映植被生理生化参量的指 标。应用最广泛的特征是植被所特有的“红边”，定义为光谱反射率曲线在 680—750nm波长之间的一阶导数最大值对应的波长位置。植被的红边特性 对叶绿素、氮、物候等的变化很敏感。

物理模型考虑了光在植被冠层以下的辐射传输机制，原理性强。且在模 型的初始假设范围内不会受到时间地点等因素的限制，在机理上准确分析了 植被生理参量对光谱反射率的影响，对噪声的鲁邦性好。但是由于涉及了植 被冠层和叶片的结构、辐射传输过程等复杂的问题，模型结构会比较复杂， 过多的变量可能会影响实际应用的效果。

经验模型法认为植被光谱反射率曲线的某些特征，例如特殊波段的反射 率或一阶导数反射率值、红边特征、植被指数等，与植被生理生化参量之间 具有统计意义上的相关性。采用经验模型法估算植被生理生化参量的步骤 是：首先建立光谱特征与植被参量之间的统计回归模型，然后利用样本点的 地面实测数据和高光谱遥感数据对模型中的参数进行估计，最后对模型的精 度进行检验。

发明内容

有鉴于此，本申请所要解决的技术问题是提供了一种高光谱遥感数据植 被信息提取方法，利用高光谱遥感数据实现对植被生理生化参量的估算，快 捷方便，不会对植被生长造成任何的影响，其测量区域甚至可以扩大到整个 地球的尺度。

为了解决上述技术问题，本申请有如下技术方案：

一种高光谱遥感数据植被信息提取方法，其特征在于，包括：

在实验研究区域同步或准同步地获取高光谱遥感影像和待测植被生理 生化参量的参考标准值；

对所述高光遥感谱影像进行降维预处理，得到植被冠层光谱反射率数 据；

建立植被冠层光谱反射率数据与植被参量标准值之间的经验数学模型， 得到植被生理生化参量的高光谱遥感估算方法；

通过所述经验数学模型，由从高光谱影像得到的植被冠层光谱反射率数 据得到植被参量的估算值；利用样本值对模型中的参数进行估算，最后检验 模型的精度。

优选地，其中，对所述高光遥感谱影像进行降维预处理进一步为：

对原高光谱影像X各个波段的数据进行标准化，得到标准化图像矩阵 X_c；

计算标准化矩阵X_c的协方差矩阵Σ_c；

求矩阵Σ_c的特征向量矩阵A_c，其中特征向量按照特征值递减的规律从左 向右排列；

利用求得的特征向量对图像数据进行线性变换得到PCA变换结果，计 算公式为：

$X_{pca}=A_c^T·X_c$

矩阵X_pca中第一行数据表示原高光谱图像的第一主成分，第二行数据表 示原高光谱图像的第二主成分，以此类推。

优选地，其中，所述建立植被冠层光谱反射率数据与植被参量标准值之 间的经验数学模型进一步为：

建立光谱特征与植被参量之间的线性统计回归模型：

y＝c₁x+c₂

利用样本点的地面实测数据和高光谱遥感数据对模型中的参数进行估 计，设观测值为y_i，回归值为最小误差平方和准则表示为：

$Q({\hat{c}}_1,{\hat{c}}_2)=\underset{c_1,c_2}{\min }\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2,({\hat{y}}_i=c_1{x}_i+c_2)$

令$\frac{\partial Q}{\partial c_1}=0$和$\frac{\partial Q}{\partial c_2}=0,$得到参数估算量为：

$\left(\begin{array}{c}{c}_1=\frac{\underset{i=1}{\overset{n}{\Sigma }}(x_i-\bar{x})(y_i-\bar{y})}{\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2}\\ c_2=\bar{y}-c_1\bar{x}\end{array}\right)$

对模型的精度进行检验：在线性回归模型中变量x与变量y之间有线性 的关系，采用变量x与变量y之间的相关系数来检验回归方程的显著性，表 达式如下：

$r=\frac{\underset{i=1}{\overset{n}{\Sigma }}\left(x_i-\bar{x}\right)\left(y_i-\bar{y}\right)}{\sqrt{\underset{i=1}{\overset{n}{\Sigma }}{\left(x_i-\bar{x}\right)}^2\underset{i=1}{\overset{n}{\Sigma }}{\left(y_i-\bar{y}\right)}^2}}$

相关系数r是表示变量x与变量y线性关系密切程度的量，其取值范围为 |r|≤1；当r＞0时，变量x与变量y呈正相关关系；当r＜0时，变量x与变量y 呈负相关关系；且|r|越大表示线性相关性越强；

对于一般的回归模型，由于随机误差或自变量x的变化，变量y的观测 值y_i不完全相同：

$\underset{i=1}{\overset{n}{\Sigma }}{(y_i-\bar{y})}^2=\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2+\underset{i=1}{\overset{n}{\Sigma }}{\left({\hat{y}}_i-\bar{y}\right)}^2$

其中，$S_T=\underset{i=1}{\overset{n}{\Sigma }}{(y_i-\bar{y})}^2$表示总变差平方和，$S_e=\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2$表示残差 平方和，表示随机误差对回归精度的影响，其标准化的值为均方根误差 RMSE，计算公式为：

$RMSE=\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{\left({\hat{y}}_i-y_i\right)}^2}{n}}$

式中，$S_R=\underset{i=1}{\overset{n}{\Sigma }}{\left({\hat{y}}_i-\bar{y}\right)}^2$为回归平方和，反映由于自变量x引起的因变量 y的分散程度；定义决定系数R²，计算公式为：

$R^2=\frac{S_R}{S_e}=\frac{\underset{i=1}{\overset{n}{\Sigma }}{({\hat{y}}_i-\bar{y})}^2}{\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2}$

决定系数R²的取值范围为R²≤1。

优选地，其中，所述植被生理生化参量包括叶面积指数和叶绿素含量， 所述叶面积指数利用归一化差植被指数计算得到，所述叶绿素含量利用反射 率光谱曲线的红边特征计算得到。

优选地，其中，利用归一化差植被指数计算所述叶面积指数的方法为：

通过以下公式计算得到归一化差植被指数NDVI：

$NDVI=\frac{R_{nir}-R_{red}}{R_{nir}+R_{red}}$

其中，R_nir和R_red分别代表光谱反射率在近红外和红光处的取值；

对于MODIS数据，叶面积指数的经验估算模型为：

LAI＝0.3775·exp(2.4293·NDVI)；

对于ASTER数据，叶面积指数的经验估算模型为：

LAI＝0.3773·exp(2.4317·NDVI)。

优选地，其中，利用反射率光谱曲线的红边特征计算所述叶绿素含量的 方法为：

采用线性外推法I在长波红光侧利用波长为680nm和694nm的两个点计 算直线方程，设位于长波红光侧的直线方程为：FDR＝m₁λ+c₁；在近红外侧利 用波长为724nm和760nm的两个点计算直线方程，设位于近红外侧的直线 方程为：FDR＝m₂λ+c₂；

得出红边波长计算公式为：

$REP=\frac{-(c_1-c_2)}{m_1-m_2}$

采用所述线性外推法I计算红边波长REP与叶绿素含量CC之间的回归 方程和精度为：CC＝-1111.01+1.63·REP,(R²＝0.75)。

优选地，其中，利用反射率光谱曲线的红边特征计算所述叶绿素含量的 方法为：

采用线性外推法II在长波红光侧利用波长为680nm和694nm的两个点 计算直线方程，设位于长波红光侧的直线方程为：FDR＝m₁λ+c₁；在近红外侧 利用波长为732nm和760nm的两个点计算直线方程，设位于近红外侧的直 线方程为：FDR＝m₂λ+c₂；

得出红边波长计算公式为：

$REP=\frac{-(c_1-c_2)}{m_1-m_2}$

采用所述线性外推法II计算红边波长REP与叶绿素含量CC之间的回归 方程和精度为：CC＝-866.41+1.28·REP,(R²＝0.70)。

与现有技术相比，本申请所述的方法和系统，达到了如下效果：

第一，本发明所提供的高光谱遥感数据植被信息提取方法，解决了传统 的植被生理生化参量通过物理化学实验来获取，费时费力，对植被具有破坏 性，不适合在大面积开展的问题。

第二，本发明所提供的高光谱遥感数据植被信息提取方法，利用高光谱 遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成 任何的影响，其测量区域甚至可以扩大到整个地球的尺度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部 分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的 不当限定。在附图中：

图1为本发明的所述一种方法高光谱遥感数据植被信息提取方法流程 图；

图2为本发明采用线性外推法确定红边位置的示意图。

具体实施方式

如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技 术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明 书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能 上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包 含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的 误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基 本达到所述技术效果。此外，“耦接”一词在此包含任何直接及间接的电性耦 接手段。因此，若文中描述一第一装置耦接于一第二装置，则代表所述第一 装置可直接电性耦接于所述第二装置，或通过其他装置或耦接手段间接地电 性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式，然 所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。 本申请的保护范围当视所附权利要求所界定者为准。

实施例1

参见图1所示为本申请所述一种高光谱遥感数据植被信息提取方法的具 体实施例，本实施例中所述方法包括以下步骤：

步骤101、在实验研究区域同步或准同步地获取高光谱遥感影像和待测 植被生理生化参量的参考标准值；

步骤102、对所述高光遥感谱影像进行降维预处理，得到植被冠层光谱 反射率数据；

步骤103、建立植被冠层光谱反射率数据与植被参量标准值之间的经验 数学模型，得到植被生理生化参量的高光谱遥感估算方法；

步骤104、通过所述经验数学模型，由从高光谱影像得到的植被冠层光 谱反射率数据得到植被参量的估算值；利用样本值对模型中的参数进行估 算，最后检验模型的精度。

物质的基本组成成分的异同而导致光谱反射率曲线的差异是基于高光 谱遥感影像进行地物分析与分类的物理依据，所以首先需要在实验研究区域 同步或准同步地获取高光谱遥感影像和待测植被生理生化参量的参考标准 值。高光谱遥感影像的波段数量多、波段间隔密，观测数据有一定程度的冗 余，此外，由于遥感探测器自身质量的问题，某些波段的图像可能有比较大 的噪声。因此，对高光谱影像进行降维预处理，可以得到植被冠层光谱反射 率数据。

上述方法中，对高光遥感谱影像进行降维预处理算法是主成分分析法， 其基本思路为：利用K-L变换，使用数据的方差来描述信息量，试图使得变 换后的数据按照信息量递减分布。它主要是采用线性投影法将原始数据投影 到新的坐标空间中，在新坐标空间中第一主成分包含的信息量最大，第二主 成分与第一主成分数据不相关并且在剩余成分中信息量最大，以此类推。对 于具有数十个波段的高光谱图像，一般前四、五个主成分就能够包含图像 90％以上的信息量，而更高的成分基本上没有什么信息。因此可以用前几个 主成分代替整幅高光谱图像，实现降维的目的。具体方法如下：

对原高光谱影像X各个波段的数据进行标准化，得到标准化图像矩阵 X_c；

计算标准化矩阵X_c的协方差矩阵Σ_c；

求矩阵Σ_c的特征向量矩阵A_c，其中特征向量按照特征值递减的规律从左 向右排列；

利用求得的特征向量对图像数据进行线性变换得到PCA变换结果，计 算公式为：

$X_{pca}=A_c^T·X_c$

矩阵X_pca中第一行数据表示原高光谱图像的第一主成分，第二行数据表 示原高光谱图像的第二主成分，以此类推。

上述方法中，建立植被冠层光谱反射率数据与植被参量标准值之间的经 验数学模型进一步为：

(1)建立光谱特征与植被参量之间的统计回归模型：

y＝c₁x+c₂

(2)利用样本点的地面实测数据和高光谱遥感数据对模型中的参数进 行估计，设观测值为y_i，回归值为最小误差平方和准则表示为：

$Q({\hat{c}}_1,{\hat{c}}_2)=\underset{c_1,c_2}{\min }\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2,({\hat{y}}_i=c_1{x}_i+c_2)$

令$\frac{\partial Q}{\partial c_1}=0$和$\frac{\partial Q}{\partial c_2}=0,$得到参数估算量为：

$\left(\begin{array}{c}{c}_1=\frac{\underset{i=1}{\overset{n}{\Sigma }}(x_i-\bar{x})(y_i-\bar{y})}{\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2}\\ c_2=\bar{y}-c_1\bar{x}\end{array}\right)$

(3)对模型的精度进行检验：在线性回归模型中变量x与变量y之间有 线性的关系，采用变量x与变量y之间的相关系数来检验回归方程的显著性， 表达式如下：

$r=\frac{\underset{i=1}{\overset{n}{\Sigma }}\left(x_i-\bar{x}\right)\left(y_i-\bar{y}\right)}{\sqrt{\underset{i=1}{\overset{n}{\Sigma }}{\left(x_i-\bar{x}\right)}^2\underset{i=1}{\overset{n}{\Sigma }}{\left(y_i-\bar{y}\right)}^2}}$

相关系数r是表示变量x与变量y线性关系密切程度的量，其取值范围为 |r|≤1；当r＞0时，变量x与变量y呈正相关关系；当r＜0时，变量x与变量y 呈负相关关系；且|r|越大表示线性相关性越强；

对于一般的回归模型，由于随机误差或自变量x的变化，变量y的观测 值y_i不完全相同：

$\underset{i=1}{\overset{n}{\Sigma }}{(y_i-\bar{y})}^2=\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2+\underset{i=1}{\overset{n}{\Sigma }}{\left({\hat{y}}_i-\bar{y}\right)}^2$

其中，$S_T=\underset{i=1}{\overset{n}{\Sigma }}{(y_i-\bar{y})}^2$表示总变差平方和，$S_e=\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2$表示残差 平方和，表示随机误差对回归精度的影响，其标准化的值为均方根误差 RMSE，计算公式为：

$RMSE=\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{\left({\hat{y}}_i-y_i\right)}^2}{n}}$

式中，为回归平方和，反映由于自变量x引起的因变量 y的分散程度；由于S_T＝S_e+S_R，当S_T给定后，S_R越大则S_e越小，变量x对变 量y的影响越显著。而S_R越小则S_e越大，变量x对变量y的影响越不显著。因 此，定义决定系数R²，计算公式为：

$R^2=\frac{S_R}{S_e}=\frac{\underset{i=1}{\overset{n}{\Sigma }}{({\hat{y}}_i-\bar{y})}^2}{\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2}$

决定系数R²反映了在选择的回归模型中变量x对变量y影响的显著性， 其取值范围为R²≤1。R²越大表示由变量x的改变引起变量y的改变越显著， 反之表示变量x的改变对变量y没有什么影响。

典型植被生理生化参量包括叶面积指数和叶绿素含量。叶面积指数由归 一化差植被指数计算得到，设R_nir和R_red分别代表光谱反射率在近红外和红光 处的取值，归一化差植被指数(NDVI)的计算公式为：

$NDVI=\frac{R_{nir}-R_{red}}{R_{nir}+R_{red}}$

对于MODIS数据，叶面积指数的经验估算模型为： LAI＝0.3775·exp(2.4293·NDVI)；

对于ASTER数据，叶面积指数的经验估算模型为： LAI＝0.3773·exp(2.4317·NDVI)。

利用反射率光谱曲线的红边特征计算所述叶绿素含量，其步骤为：

线性外推法能够跟踪峰值出现的700nm和725nm附近的斜坡变化，缓 解由于双峰问题导致的植被生理参量和红边位置关系的不稳定性。该方法对 红边附近的光谱反射率一阶导数曲线的两侧外推出两条直线，并通过计算两 条直线的交点来确定红边的位置，如图2所示。

第一条直线在长波红光侧，设其直线方程为：FDR＝m₁λ+c₁。

第二条直线在近红外侧，设其直线方程为：FDR＝m₂λ+c₂。

确定这两条直线的方法有两种。线性外推法I在长波红光侧利用波长为 680nm和694nm的两个点计算直线方程，在近红外侧利用波长为724nm和 760nm的两个点计算直线方程。线性外推法II在长波红光侧同样利用波长 为680nm和694nm的两个点计算直线方程，而在近红外侧利用波长为732nm 和760nm的两个点计算直线方程。

两条直线在交点处有相同的λ和FDR值，由此可得红边波长计算公式为：

$REP=\frac{-(c_1-c_2)}{m_1-m_2}$

采用所述线性外推法I计算红边波长REP与叶绿素含量CC之间的回归 方程和精度为：CC＝-1111.01+1.63·REP,(R²＝0.75)。

采用所述线性外推法II计算红边波长REP与叶绿素含量CC之间的回归 方程和精度为：CC＝-866.41+1.28·REP,(R²＝0.70)。

实施例2

以下提供本发明的一种应用实施例。

高光谱遥感数据植被信息提取方法包括：

(1)首先读取高光谱图像X；

(2)对图像进行主成份分析降维：首先计算标准化矩阵X_c及其协方差 矩阵Σ_c，求矩阵Σ_c的特征向量矩阵A_c，得到分析变换结果：

$X_{pca}=A_c^T·X_c$

(3)由降维后的图像得到植被光谱反射率；

(4)建立光谱特征与植被参量之间的线性统计回归模型：

y＝c₁x+c₂

设观测值为y_i，回归值为最小误差平方和准则表示为：

$Q({\hat{c}}_1,{\hat{c}}_2)=\underset{c_1,c_2}{\min }\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2,({\hat{y}}_i=c_1{x}_i+c_2)$

令$\frac{\partial Q}{\partial c_1}=0$和$\frac{\partial Q}{\partial c_2}=0,$得到参数估算量为：

$\left(\begin{array}{c}{c}_1=\frac{\underset{i=1}{\overset{n}{\Sigma }}(x_i-\bar{x})(y_i-\bar{y})}{\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2}\\ c_2=\bar{y}-c_1\bar{x}\end{array}\right)$

(5)对模型的精度进行检验：

$R^2=\frac{S_R}{S_e}=\frac{\underset{i=1}{\overset{n}{\Sigma }}{({\hat{y}}_i-\bar{y})}^2}{\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2}$

决定系数R²反映了回归模型中变量x对变量y影响的显著性，其取值范 围为R²≤1。R²越大表示由变量x的改变引起变量y的改变越显著。

(6)计算典型植被生理生化参量：

其中叶面积指数的计算方法为：

设R_nir和R_red分别代表光谱反射率在近红外和红光处的取值，归一化差植 被指数NDVI为：

$NDVI=\frac{R_{nir}-R_{red}}{R_{nir}+R_{red}}$

对于MODIS数据，叶面积指数的经验估算模型为：

LAI＝0.3775·exp(2.4293·NDVI)；

对于ASTER数据，叶面积指数的经验估算模型为：

LAI＝0.3773·exp(2.4317·NDVI)。

植被叶绿素含量的计算为：

红边附近的光谱反射率一阶导数曲线的两侧外推出两条直线，第一条直 线在长波红光侧，设其直线方程为：FDR＝m₁λ+c₁；第二条直线在近红外侧， 设其直线方程为：FDR＝m₂λ+c₂。

红边波长计算公式为：

$REP=\frac{-(c_1-c_2)}{m_1-m_2}$

采用线性外推法I计算红边波长REP与叶绿素含量CC之间的回归方程 和精度为：CC＝-1111.01+1.63·REP,(R²＝0.75)。

采用线性外推法II计算红边波长REP与叶绿素含量CC之间的回归方程 和精度为：CC＝-866.41+1.28·REP,(R²＝0.70)。

本发明所提供的高光谱遥感数据植被信息提取方法，首先对高光谱影像 进行主成份分析降维处理，得到植被冠层光谱反射率数据，然后建立植被冠 层光谱反射率数据与植被参量标准值之间的线性回归经验数学模型，得到生 理生化参量的高光谱遥感估算方法，最后由归一化差植被指数计算叶面积指 数、利用反射率光谱曲线的红边特征估算植被叶绿素含量。

通过以上各实施例可知，本申请存在的有益效果是：

第一，本发明所提供的高光谱遥感数据植被信息提取方法，解决了传统 的植被生理生化参量通过物理化学实验来获取，费时费力，对植被具有破坏 性，不适合在大面积开展的问题。

第二，本发明所提供的高光谱遥感数据植被信息提取方法，利用高光谱 遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成 任何的影响，其测量区域甚至可以扩大到整个地球的尺度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或 计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、 或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个 其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘 存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理 解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除， 而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内， 通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改 动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护 范围内。