法律状态公告日
法律状态信息
法律状态
2020-03-31
授权
授权
2018-07-17
实质审查的生效 IPC(主分类):G01N21/17 申请日:20180103
实质审查的生效
2018-06-22
公开
公开
技术领域
本发明属于遥感反演技术领域,特别涉及一种基于PROSAIL模型的叶绿素含量半经验估算方法。
背景技术
叶绿素含量是植被叶片中的一个重要的生物物理参数,对植被的生长和营养状况(受氮素胁迫程度)、光合作用能力和发展、衰老各阶段具有真实有效的指示作用,其含量直接反映植被的含氮量、生理状态,因此对于动态监测农作物的长势、农作物产量、病虫害以及预测作物成熟期具有重要的意义。
目前利用遥感卫星数据已经成为通过遥感方法获取植被生物物理参数的有效方法。现有通过遥感手段对植被叶绿素含量进行估算主要有以下三类方法,即基于物理模型的反演方法、经验统计方法和物理模型模拟与经验统计二者相结合的半经验方法。其中:物理模型方法是通过物理模型来描述植被叶绿素含量与冠层反射率之间的物理机理,使得基于这些物理模型的叶绿素反演方法更具有普适性,但由于物理模型的复杂度较高,导致模型运算效率低下。经验统计方法是将光谱特征(如冠层光谱反射率或者植被指数)和实测样本叶绿素含量建立相关关系,然后再将其运用于其他样本中预测叶绿素含量。经验统计模型便捷、高效,但是根据统计建立的经验关系因时因地而异,不具备普适性。半经验模型结合了物理模型模拟和经验统计的优势,是一种灵活简便、稳定性较好的反演方法。半经验模型利用物理模型的模拟数据进行研究,具有理论基础,符合物理规律,与实测结果一致性较高,尤其是一些在实测中无法或很难获得的极端或低概率情况。
目前用于反演植被叶绿素的植被指数大部分为窄波段的高光谱植被指数,如红边指数Vog((R734-R747)/(R715-R720))、红边导数指数D(R715/R705)、光化学反射率指数PRI((R570-R531)/(R570-R531))、叶绿素反射吸收变化指数TCARI(3((R700-R670)-0.2(R700-R550)×(R700/R670))等。这些植被指数对叶绿素含量变化均比较敏感,在以往的估算研究中取得了不错的效果。然而,一方面,这些植被指数的建立需要窄波段反射率,很大程度上依赖于高光谱遥感数据,而高光谱遥感数据获取成本高,数据处理复杂,因而大大降低了这些植被指数的实用性。另一方面,在冠层叶绿素的估算过程中,计算得到的植被指数往往不仅对叶绿素含量变化敏感,而且对土壤背景信息也十分敏感,因此土壤背景将会直接影响最终的叶绿素估算精度。已经有学者在降低土壤背景影响方面做过部分工作,具体是通过结合土壤可调节指数OSAVI(1.16(R800-R670)/(R800+R670+0.16))来降低植被指数对土壤背景的敏感性。但是在基于多光谱数据的叶绿素含量半经验估算和背景影响去除方面仍存在很大的研究局限性。
发明内容
针对现有技术存在高光谱遥感数据获取成本高,传统基于PROSAIL模型反演叶绿素含量存在数据处理复杂,并且土壤背景对于叶绿素含量估算精度存在不利影响等问题,提供了一种叶绿素含量半经验估算方法,本方法利用多光谱植被指数并充分考虑植被指数CIgreen和G在二维空间所得交点,借此提高了半经验模型对叶绿素的敏感性且有效降低了土壤背景的影响。
本发明提供的技术方案具体如下:
一种基于PROSAIL模型的叶绿素含量半经验估算方法,其特征在于,包括如下步骤:
获取待测区域的多光谱遥感图像,并从所述多光谱遥感图像上提取植被指数CIgreen和G,然后将所述植被指数CIgreen和G代入如下公式:
式中Cab为叶绿素含量,a和b均为对数模型拟合的参数,x0,y0分别为植被指数CIgreen和G在二维空间所得交点的横纵坐标值;
即可计算得到待测区域植被的叶绿素含量。
进一步地,所述a和b通过如下方法获得:将叶绿素含量和叶面积指数设置为变量,利用PROSAIL模型进行光谱模拟,得到不同叶绿素含量和叶面积指数情况下植被指数CIgreen和G在二维空间的分布图;经拟合得到所述分布图上CIgreen与G的交点并确定所述交点的横纵坐标;以叶绿素含量为因变量,考虑两个植被指数在二维空间交点后二者的比值
进一步地,在从多光谱遥感图像上提取植被指数CIgreen和G之前还包括对多光谱遥感图像进行预处理的步骤,数据预处理包括辐射定标和大气校正。
进一步地,
相比现有技术,本发明的有益效果是:
本发明充分结合物理模型所具有的物理机理和经验方法的便捷高效等优势,既避免了物理模型反演带来的庞大计算量又避免了经验方法的通用性不强,普适性差的缺点。本发明提出的半经验估算方法采用多光谱遥感数据提取得到多光谱植被指数,相比现有技术利用高光谱植被指数反演叶绿素含量,降低了数据的获取成本,在获取低成本数据的基础上,提取相关性较大的光谱波段,考虑植被指数在二维空间分布拟合所得交点的情况下建立植被指数比率与叶绿素含量的模型,相比传统基于PROSAIL模型反演叶绿素含量,简化了数据处理的复杂程度,有效降低了土壤背景的影响。本发明提出的半经验模型对叶绿素敏感性高,数据处理效率高,测量可靠性强,实用性强,实现了精确和简便的定量估算,有利于大规模植被叶绿素含量的实时监测,尤其适用于对下垫面湿润的农作物中叶绿素含量估算。
附图说明
图1为植被指数CIgreen与G在不同叶绿素含量和叶面积指数情况下的二维空间分布图。
图2为考虑植被指数二维空间交点前,不同LAI条件下叶绿素含量与
图3为考虑植被指数二维空间交点后,下垫面湿润情况下,叶绿素含量与
图4为考虑植被指数二维空间交点后,下垫面干燥情况下,叶绿素含量与
具体实施方式
下面结合具体实施例和说明书附图对本发明提供的叶绿素含量半经验估算方法作进一步说明:
实施例:
叶面积指数(LAI)为单位土地面积上植物叶片占总土地面积的比例。LAI在一定程度上反映植被与土壤背景在遥感像元中的比例,因此,利用光谱指数反演叶绿素含量时,判断叶绿素含量是否受土壤背景的影响可以转化为观察所建立的相关关系是否受LAI的影响。本发明在上述宗旨的指导下提供了一种能够有效降低土壤背景影响的高敏感性叶绿素含量半经验估算方法,包括如下步骤:
步骤一:建立植被指数与叶绿素含量之间的相关关系;
式中Cab为叶绿素含量,a和b均为对数模型拟合的参数,x0,y0分别为植被指数CIgreen和G在二维空间所得交点的横纵坐标值;需要特别说明的是,a,b,x0和y0是根据研究区植被实际生长状况进行模拟计算得到的。
实际建模时,为准确起见,参数a和b需要根据待测区域确定,具体通过如下方法获得:
将叶绿素含量和叶面积指数设置为变量,利用PROSAIL模型进行光谱模拟,得到不同叶绿素含量和叶面积指数情况下植被指数CIgreen和G在二维空间的分布图;经拟合得到所述分布图上CIgreen与G的交点并确定所述交点的横纵坐标;再以叶绿素含量为因变量,考虑两个植被指数在二维空间交点后二者的比值
获取待测区域的多光谱遥感图像,并从所述多光谱遥感图像上提取植被指数CIgreen和G,然后将所述植被指数CIgreen和G代入所述半经验估算模型即可计算得到待测区域植被的叶绿素含量。
下面详细叙述建立叶绿素含量与植被指数之间的相关关系的理论基础:
本实施例利用本领域成熟的PROSAIL模型进行光谱模拟,由于植被指数CIgreen和G对于其余输入参数不敏感,主要对叶绿素含量和LAI敏感,因此选择植被指数CIgreen和G建立与叶绿素含量的相关关系。
首先对PROSAIL模型进行参数化,叶绿素含量和LAI设置为变量,其余输入参数根据研究区实际情况设置为定值,通过模拟即可得到不同叶绿素含量和叶面积指数情况下植被指数CIgreen和G在二维空间的分布图,如图1所示。
从图1中可知,对于所有的覆盖水平(即叶面积指数LAI),叶绿素含量沿着近似相同中心的弧线分布,高的值靠近x轴(G),低值靠近y轴(CIgreen)。如图1中示出的拟合所得两条直线为叶绿素含量等值线,这表明叶绿素含量近似只和等值线的斜率相关,而与LAI无关,并且随着叶绿素含量增加,等值线斜率减小,这表明利用
进一步地,本实施例还探究了所提出半经验模型对下垫面水分含量的敏感性,通过调整PROSAIL模型中的土壤因子Psoil值分析了下垫面在不同湿润条件下半经验模型的表现。结果如图3和图4所示,其中图3是Psoil=0.1的情况下即下垫面湿润的情况下的模拟结果,图4是Psoil=0.8的情况下即下垫面干燥的情况下的模拟结果。对比图3和图4可看出,本发明提出的半经验模型在下垫面干燥的情况下估算效果有所下降,因此,本发明所提出的估算模型更适用于下垫面较为湿润的植被(以农作物,水分含量充足的草地为代表)叶绿素含量估算,估算效果更好。
机译: 确定乘用车柴油机中影响曲轴扭矩的方法,涉及基于半物理或经验模型,基于检测到的力矩反作用来确定旋转力矩产生力矩反作用。
机译: 基于概率模型和模糊逻辑构建的基于理论和经验过程模型的业务过程行为一致性检查和诊断方法及系统
机译: 基于使用概率模型和模糊逻辑构建的理论和经验过程模型的业务过程行为一致性检查和诊断方法和系统