植被含水量的遥感反演方式ppt课件
合集下载
植被指数遥感反演研究
植被指数遥感反演研究植被指数遥感反演是指利用遥感技术来获取植被指数信息的研究。
植被指数是一种用于评估植被覆盖状况和生长状况的指标，常用的植被指数有归一化植被指数（NDVI）、归一化差异植被指数（NDVI）、简化植被指数（EVI）等。
遥感技术是指通过利用传感器对地球表面进行观测，获取地球表面特征信息的一种技术。
遥感技术的发展使得人们可以从卫星、飞机等遥远距离上获取地球表面的影像数据，进而解决一系列的环境和资源问题。
而植被指数遥感反演研究则是利用遥感数据中的植被光谱信息，量化地表植被指数，从而达到对植被生长状况的评估和监测的目的。
植被指数遥感反演研究是一个多学科的研究领域，涉及植物生理学、光谱学、遥感科学等多个学科的交叉。
通过分析植被光谱反射特征，结合物理模型和数学统计方法，可以获取植被表面的光谱信息，从而推算出植被指数。
植被指数一般可以分为长波红外和可见光区域计算的，其中NDVI是最常用的植被指数之一植被指数遥感反演不仅可以用于评估植被覆盖状况，还可以用于监测植被的生长状况和进行植被变化分析。
例如，可以利用植被指数遥感反演技术来研究植被对气候变化的响应，评估植被对干旱、洪涝等自然灾害的影响，以及了解植被退化和生态恢复等情况。
植被指数遥感反演研究已经得到广泛应用。
例如，在农业领域，可以利用植被指数遥感反演监测农作物生长状况，预测农作物产量，进行农业资源管理和灾害风险评估。
在环境保护方面，植被指数遥感反演可以用来监测森林覆盖率、湿地变化和土地退化等情况，为环境保护决策提供科学依据。
此外，植被指数遥感反演还可以用于城市绿化监测、自然保护区管理等方面。
然而，植被指数遥感反演研究面临一些挑战。
首先，不同植被类型对光谱的反射特征存在差异，因此需要建立针对不同植被类型的反演模型。
其次，由于遥感数据的受云、阴影和大气等因素的影响，可能会导致植被指数的误差增大。
因此，在反演过程中，需要考虑这些影响因素，并进行预处理和校正。
实验课1-定量遥感--植被覆盖度反演PPT优秀课件
4
实验一 植被覆盖度的遥感反演
三、实习仪器与数据
（1）Landsat 8数据：LC81290392013110LGN01 仁寿县的县界*.shp文件
（2）根据自己的兴趣选择研究区，遥感影像以及矢量数据可以从网上获取。 数据来源：从网站下载免费数据，如：
◦ /data/ ◦ ◦ / 数据源请从（1）和（2）中任意选择一个。
7
实验一 植被覆盖度的遥感反演
◦ 3、计算植被覆盖度 方法一：(两种方法都要做)
根据公式（1），我们可以将整个地区分为三个部 分：
• 当NDVI小于NDVI0 ， fv取值为0； • NDVI大于NDVIv ， fv取值为1； • 介于两者之间的像元使用公式（1）计算。 利用ENVI主菜单->Basic Tools->Band Math，在公式 输入栏中输入进行计算. 请回顾ENVI中公式的写法
1
实验一 植被覆盖度的遥感反演
在线性像元分解模型中，最简单的模型假设像元只有植被 和非植被两部分构成。所得的光谱信息也只有这两个组分因子 线性合成。他们各自的面积在像元中所占的比率即为各因子的 权重，其中植被覆盖部分所占像元的百分比即为该像元的植 被覆盖度。
NDVI = fv*NDVIv + (1- fv)* NDVI0
(公式1）
NDVI为像元NDVI值，fv为像元的植被覆盖度，NDVIv和NDVI0分别 为植被覆盖部分和非植被覆盖部分的NDVI值。NDVIv和NDVI0这两个 参数值的确定是关键，将直接影响到植被覆盖度估算结果。
在实际工作中因缺少大面积地表实测数据作参考，以及不可避 免存在噪声，所以通常对NDVI 统计直方图给定置信区间，求该区间 内的最小和最大值来作为NDVI0和NDVIv值，或者取5%和95%频率的 NDVI 值作为NDVI0和NDVIv值。本实验中采取后一种取值方法。
实验一 植被覆盖度的遥感反演
三、实习仪器与数据
（1）Landsat 8数据：LC81290392013110LGN01 仁寿县的县界*.shp文件
（2）根据自己的兴趣选择研究区，遥感影像以及矢量数据可以从网上获取。 数据来源：从网站下载免费数据，如：
◦ /data/ ◦ ◦ / 数据源请从（1）和（2）中任意选择一个。
7
实验一 植被覆盖度的遥感反演
◦ 3、计算植被覆盖度 方法一：(两种方法都要做)
根据公式（1），我们可以将整个地区分为三个部 分：
• 当NDVI小于NDVI0 ， fv取值为0； • NDVI大于NDVIv ， fv取值为1； • 介于两者之间的像元使用公式（1）计算。 利用ENVI主菜单->Basic Tools->Band Math，在公式 输入栏中输入进行计算. 请回顾ENVI中公式的写法
1
实验一 植被覆盖度的遥感反演
在线性像元分解模型中，最简单的模型假设像元只有植被 和非植被两部分构成。所得的光谱信息也只有这两个组分因子 线性合成。他们各自的面积在像元中所占的比率即为各因子的 权重，其中植被覆盖部分所占像元的百分比即为该像元的植 被覆盖度。
NDVI = fv*NDVIv + (1- fv)* NDVI0
(公式1）
NDVI为像元NDVI值，fv为像元的植被覆盖度，NDVIv和NDVI0分别 为植被覆盖部分和非植被覆盖部分的NDVI值。NDVIv和NDVI0这两个 参数值的确定是关键，将直接影响到植被覆盖度估算结果。
在实际工作中因缺少大面积地表实测数据作参考，以及不可避 免存在噪声，所以通常对NDVI 统计直方图给定置信区间，求该区间 内的最小和最大值来作为NDVI0和NDVIv值，或者取5%和95%频率的 NDVI 值作为NDVI0和NDVIv值。本实验中采取后一种取值方法。
第五章植被遥感 ppt课件
遥感地学分析
Geography Analysis for Remote Sensing
第5章 植被遥感
2020/12/15
1
2020/12/15
2
精品资料
• 你怎么称呼老师？
• 如果老师最后没有总结一节课的重点的难点，你 是否会认为老师的教学方法需要改进？
• 你所经历的课堂，是讲座式还是讨论式？ • 教师的教鞭
中植被覆盖度时（25—80%）， NDVI值 随生物量的增 加呈线性迅速增加；
高植被覆盖度时（＞80%）， NDVI值 增加延缓而呈现 饱和状态，对植被检测灵敏度下降。
实验表明，作物生长初期NDVI将过高估计植被覆盖 度，而作物生长结束季节，NDVI值偏低。
NDVI 更适用于植被发育中期或中等覆盖度植被检测。
2020/12/15
44
比值植被指数可提供植被反射的重要信息，是植被长 势、丰度的度量方法之一
同理，可见光绿波段（叶绿素引起的反射）与红波段 之比G/R，也是有效的。
比值植被指数可从多种遥感系统中得到。
但主要用于Landsat的MSS、TM和气象卫星的 AVHRR。
2020/12/15
45
2020/12/15
14
根据叶子的结构可分为结构稀疏（典型的双子叶 植物）和结构紧凑（典型的单子叶植物）。
苹果、棉花、向日葵
小麦、水稻、竹子
2020/12/15
15
近红外波段的变化
2020/12/15
16
不同类型植物光谱曲线的差异
2020/12/15
17
叶子年龄的增长
随着叶龄的增长，背腹性叶子的叶肉间空隙增多
2020/12/15
47
2. 归一化植被指数（NDVI）
Geography Analysis for Remote Sensing
第5章 植被遥感
2020/12/15
1
2020/12/15
2
精品资料
• 你怎么称呼老师？
• 如果老师最后没有总结一节课的重点的难点，你 是否会认为老师的教学方法需要改进？
• 你所经历的课堂，是讲座式还是讨论式？ • 教师的教鞭
中植被覆盖度时（25—80%）， NDVI值 随生物量的增 加呈线性迅速增加；
高植被覆盖度时（＞80%）， NDVI值 增加延缓而呈现 饱和状态，对植被检测灵敏度下降。
实验表明，作物生长初期NDVI将过高估计植被覆盖 度，而作物生长结束季节，NDVI值偏低。
NDVI 更适用于植被发育中期或中等覆盖度植被检测。
2020/12/15
44
比值植被指数可提供植被反射的重要信息，是植被长 势、丰度的度量方法之一
同理，可见光绿波段（叶绿素引起的反射）与红波段 之比G/R，也是有效的。
比值植被指数可从多种遥感系统中得到。
但主要用于Landsat的MSS、TM和气象卫星的 AVHRR。
2020/12/15
45
2020/12/15
14
根据叶子的结构可分为结构稀疏（典型的双子叶 植物）和结构紧凑（典型的单子叶植物）。
苹果、棉花、向日葵
小麦、水稻、竹子
2020/12/15
15
近红外波段的变化
2020/12/15
16
不同类型植物光谱曲线的差异
2020/12/15
17
叶子年龄的增长
随着叶龄的增长，背腹性叶子的叶肉间空隙增多
2020/12/15
47
2. 归一化植被指数（NDVI）
遥感应用模型土壤含水量.pptx
• 夜间，净辐射Rn为负值，由LE、H和G来补偿，土壤热通量方向与白天相反， 也就是地面失去热量。
第28页/共53页
• 地表的净辐射通量Rn由以下方程式计算：
式中，Q为太阳总辐射，a为地表反照率
大气长波辐射
地表长波辐射
a为空气比辐射率， g为为地表发射率
第29页/共53页
• 土壤热通量G在裸地条件下可达净辐射的20％-50％，而在植被覆盖下大大小于净 辐射，仅占5%-20％，对蒸散量计算的影响很小。 式中，Gv和Gg分别为植被和裸地下土壤热通量，h为作物冠层高度。
第33页/共53页
• 潜在蒸散是在理想供水条件下，不存在水分亏缺的植物群体在单位时问内蒸 腾和土壤蒸发量之和。
• 对于充分湿润的下垫面，具有较低的反照率和较低的温度，热量交换主要通 过蒸发即潜热交换进行，此时的感热通量非常小，可近似认为潜在蒸散值是 地表净辐射和土壤热通量的差值
第34页/共53页
• 将缺水指数按照干旱等级进行分级 第35页/共53页
第19页/共53页
• 土壤含水量是一个无量纲的百分含量（%），遥感数据也是无量纲的灰度，因此 容易误认为两者既然都是无量纲的，可以直接进行统计分析。
• 其实不然，土壤含水量是真实的物理量数据，而从遥感影像上求出的表观土壤含水 量是虚拟的相对数据。
既然不同，为什么可以用遥感计算出 来的表观土壤含水量来替代实测的土壤 含水量呢?
• 传统的旱情监测方法，主要是根据有限的旱情测量站点测定土壤水分含量来监测土壤水分。 • 经典的土壤水分测量方法主要有称重法、中子水分探测法、快速烘干法、电阻法等。 • 因采样速度慢而且花费大量人力物力，范围有限，难以满足实时、大范监测的需要。随着遥感技术的迅
速发展，多时相、多光谱、高光谱遥感数据反映了大面积的地表信息，这些信息从定位、定量方面反映了 土壤水分状况。
第28页/共53页
• 地表的净辐射通量Rn由以下方程式计算：
式中，Q为太阳总辐射，a为地表反照率
大气长波辐射
地表长波辐射
a为空气比辐射率， g为为地表发射率
第29页/共53页
• 土壤热通量G在裸地条件下可达净辐射的20％-50％，而在植被覆盖下大大小于净 辐射，仅占5%-20％，对蒸散量计算的影响很小。 式中，Gv和Gg分别为植被和裸地下土壤热通量，h为作物冠层高度。
第33页/共53页
• 潜在蒸散是在理想供水条件下，不存在水分亏缺的植物群体在单位时问内蒸 腾和土壤蒸发量之和。
• 对于充分湿润的下垫面，具有较低的反照率和较低的温度，热量交换主要通 过蒸发即潜热交换进行，此时的感热通量非常小，可近似认为潜在蒸散值是 地表净辐射和土壤热通量的差值
第34页/共53页
• 将缺水指数按照干旱等级进行分级 第35页/共53页
第19页/共53页
• 土壤含水量是一个无量纲的百分含量（%），遥感数据也是无量纲的灰度，因此 容易误认为两者既然都是无量纲的，可以直接进行统计分析。
• 其实不然，土壤含水量是真实的物理量数据，而从遥感影像上求出的表观土壤含水 量是虚拟的相对数据。
既然不同，为什么可以用遥感计算出 来的表观土壤含水量来替代实测的土壤 含水量呢?
• 传统的旱情监测方法，主要是根据有限的旱情测量站点测定土壤水分含量来监测土壤水分。 • 经典的土壤水分测量方法主要有称重法、中子水分探测法、快速烘干法、电阻法等。 • 因采样速度慢而且花费大量人力物力，范围有限，难以满足实时、大范监测的需要。随着遥感技术的迅
速发展，多时相、多光谱、高光谱遥感数据反映了大面积的地表信息，这些信息从定位、定量方面反映了 土壤水分状况。
植被含水量的遥感反演方式
总结
统计模型相对比较简单,适用性强,在地面实况不清或遥感信号产生机理过于复 杂的情况下,是一种很好的工具来暂时回避困难,留待以后继续研究。 但是随着地面知识的积累和遥感观测波段的增加,统计模型的这一优势逐渐减弱。 并且当这些方法从实验室状态推广到室外冠层遥感数据的时候,就出现了大量的干扰 因素,包括不同的照明强度和角度、观测状态、冠层结构、下覆地表和大气状态等。 到目前为止,发展新的光谱指数仍然是一个活跃的研究领域,但是不论是经验或 半经验统计方法都缺乏鲁棒性和可移植性。可能在某些地点和时间,某种方法或指数 能够取得很好的效果,但事异时移,它们很可能就不适用了,因此人们逐渐考虑利用物 理模型反演得到植物的组分含量。
在使用PROSPECT 模型时考虑了三种生化组分:叶绿素,水分,干物质。其中干物 质代表纤维素、半纤维素、木质素、蛋白质、淀粉等,这些物质或者因其在叶片 内的含量极其微量,或者由于它们的吸收作用非常微弱,很难将他们的作用单独表 示出来,因此采用了总的干物质来表达这些物质的综合作用。PROSPECT 模型 是目前公认的叶片尺度最好的辐射传输模型之一,其输入参数只有4 个,为反演带 来了很大的方便。在这4个输入参数中,只有叶肉结构参数n 的确定无法通过测量
• 例如Penuelas等发现用水分指数WI(WI=R970/R900)能清楚地指示水分状况的变化.
• Penuelas和Inoue在随后的研究中还表明WI(WI=R900/R970)与NDVI(NDVI=(R900R680)/(R900+R680))的比值WI/NDVI不仅可以用来预测叶片的水分含量,还可以用来预 测植株或冠层的含水量,且显著提高了预测的精度.
物理模型方法：
叶片光学模型基于生物物理机制,通过描述光子在叶片内的散 射和吸收,模拟叶片的光谱特性,其前向过程通常都包含生化组分含 量,这些参数通常无法获得解析表达式,但是可以通过反向反演得到 。进一步可以将叶片模型耦合到冠层模型中,就可以利用冠层光谱 数据反演得到组分含量。由于物理模型解释了光与叶片物质的作 用机制,原理清楚,加之在模型的初始假设范围内,不受限于时间地点 等因素,因此成为植被生化组分参数提取研究的又一个方向。 目前应用于反演植被含水量的物理模型主要考虑基于辐射传 输方程的叶片光学模型PROSPECT 和冠层模型SAIL 及其耦合模 型。
植被覆盖地表土壤水分遥感反演
植被覆盖地表土壤水分遥感反演一、概述植被覆盖地表土壤水分遥感反演是当前遥感科学与农业科学交叉领域的重要研究方向。
随着遥感技术的不断进步，利用遥感手段对植被覆盖地表下的土壤水分进行反演，已经成为监测土壤水分动态变化的有效手段。
本文旨在深入探讨植被覆盖地表土壤水分遥感反演的基本原理、方法进展及实际应用，以期为相关领域的研究和实践提供有益的参考。
植被覆盖地表土壤水分遥感反演的基本原理在于，通过遥感传感器获取地表植被和土壤的综合信息，进而利用特定的反演算法提取出土壤水分含量。
这一过程中，植被覆盖对遥感信号的影响不可忽视，如何有效去除植被覆盖的影响，成为植被覆盖地表土壤水分遥感反演的关键问题。
在方法进展方面，近年来国内外学者提出了多种植被覆盖地表土壤水分遥感反演方法，包括基于植被指数的反演方法、基于热惯量的反演方法、基于微波遥感的反演方法等。
这些方法各有特点，适用于不同的研究区域和植被类型。
随着深度学习等人工智能技术的快速发展，其在植被覆盖地表土壤水分遥感反演中的应用也逐渐受到关注。
在实际应用方面，植被覆盖地表土壤水分遥感反演在农业、生态、环境等领域具有广泛的应用前景。
通过实时监测土壤水分状况，可以为农业生产提供科学的灌溉指导，提高水资源的利用效率也可以为生态环境监测和评估提供重要的数据支持，有助于维护生态平衡和可持续发展。
植被覆盖地表土壤水分遥感反演是一项具有重要意义的研究工作。
随着遥感技术的不断进步和反演算法的不断优化，相信这一领域的研究将会取得更加丰硕的成果。
1. 背景介绍：植被覆盖地表土壤水分的重要性及其在农业、生态和环境监测中的应用。
植被覆盖地表的土壤水分是地球水循环的重要组成部分，它直接影响着植被的生长和生态系统的平衡。
在农业领域，土壤水分是作物生长的关键因素之一，其含量和分布直接影响着作物的产量和品质。
准确获取植被覆盖地表的土壤水分信息，对于指导农业生产、优化水资源管理具有重要意义。
在生态方面，土壤水分与植被覆盖度之间存在着密切的相互作用关系。
遥感概论幻灯片
32
植物病虫害的遥感监测
33
植物在生长过程中受到病虫害侵袭后，内部 结构、叶绿素和水分含量就会发生不同程 度的变化，其反射光谱特性也随之变化， 病虫害越严重变化越大。
34
三、植被指数与植被信息提取
• 植被指数的概念 • 植被指数信息模型
35
3.1 植被指数的概念
• 红光和红外波段的不同组合统被称为植被 指数。
• 利用它们的比值、差分、线性组合等多种 组合来增强或揭示隐含的植物信息。
36
3.1 植被指数的概念
植被指数的定量测量可表明植被活力，而且 植被指数比单波段用来探测生物量有更好 的灵敏性。植被指数有助于增强遥感影像 的解译力，并已作为一种遥感手段广泛应 用于土地利用覆盖探测、植被覆盖密度评 价、作物识别和作物预报等方面，并在专 题制图方面增强了分类能力。
7
色素含量的影响
• 植物叶子中含有多种色素，如叶青素、叶红素、 叶绿素等。在可见光范围内，其反射峰值落在相 应的波长范围内。
8
不同生长状态 橡树叶子的反
射特性
9
叶子的组织构造的影响
• 绿色植物的叶子是由上表皮、叶绿素颗粒 组成的栅栏组织和多孔薄壁细胞组织（海 绵组织）构成。 叶子的多孔薄壁细胞组织（海绵组织）对 0.8～1.3μm的近红外光强烈地反射，形成光 谱曲线上的最高峰区。
植被的波谱特性与覆盖
度、生物量密切相关。
右图显示紫苜蓿在整个
生长周期光谱反射率的
变化。植被覆盖度从0
（裸地）→近100（几
乎全覆盖），光谱特征
从裸地光谱到植物光谱
占主导地位，生物量也
逐渐增加。
25
二、植被遥感解译
• 植被覆盖类型解译 • 植被地带性及植被区划解译 • 植被物候特征与植被长势分析
植物病虫害的遥感监测
33
植物在生长过程中受到病虫害侵袭后，内部 结构、叶绿素和水分含量就会发生不同程 度的变化，其反射光谱特性也随之变化， 病虫害越严重变化越大。
34
三、植被指数与植被信息提取
• 植被指数的概念 • 植被指数信息模型
35
3.1 植被指数的概念
• 红光和红外波段的不同组合统被称为植被 指数。
• 利用它们的比值、差分、线性组合等多种 组合来增强或揭示隐含的植物信息。
36
3.1 植被指数的概念
植被指数的定量测量可表明植被活力，而且 植被指数比单波段用来探测生物量有更好 的灵敏性。植被指数有助于增强遥感影像 的解译力，并已作为一种遥感手段广泛应 用于土地利用覆盖探测、植被覆盖密度评 价、作物识别和作物预报等方面，并在专 题制图方面增强了分类能力。
7
色素含量的影响
• 植物叶子中含有多种色素，如叶青素、叶红素、 叶绿素等。在可见光范围内，其反射峰值落在相 应的波长范围内。
8
不同生长状态 橡树叶子的反
射特性
9
叶子的组织构造的影响
• 绿色植物的叶子是由上表皮、叶绿素颗粒 组成的栅栏组织和多孔薄壁细胞组织（海 绵组织）构成。 叶子的多孔薄壁细胞组织（海绵组织）对 0.8～1.3μm的近红外光强烈地反射，形成光 谱曲线上的最高峰区。
植被的波谱特性与覆盖
度、生物量密切相关。
右图显示紫苜蓿在整个
生长周期光谱反射率的
变化。植被覆盖度从0
（裸地）→近100（几
乎全覆盖），光谱特征
从裸地光谱到植物光谱
占主导地位，生物量也
逐渐增加。
25
二、植被遥感解译
• 植被覆盖类型解译 • 植被地带性及植被区划解译 • 植被物候特征与植被长势分析
LAI与FAPAR反演-定量遥感 ppt课件
APAR=FAPAR×PAR
FAPAR
(
I TOC
I Ground
I Ground
I TOC
)
/
I TOC
ppt课件
4
4
在PAR区间叶绿素a、 叶绿素b和类胡萝卜素 的吸收率和总光合作用 效率
55
2. FAPAR野外测量
SUNSCAN冠层分析系统（SUNSCAN Canopy Analysis System）
FAPAR=1.21×NDVI-0.04 FAPAR=1.67×NDVI-0.08
FAPAR=0.105(0.323×NDVI)+(1.168×ND
VI2) FAPAR=3.257×SAVI-0.07
FAPAR=0.846×NDVI-0.08
FAPAR=1.723×MSAVI0.137
FAPAR=2.213×(ΔMSAVI)**
通过遥感方式可以获取植被FAPAR。随着遥感传感器分 辨率的多样化，遥感可以提供更广泛空间区域和时间范围 的FAPAR产品。
ppt课件
3
3
基本概念
PAR（photosynthetically Active Radiation），光合有效辐射，指陆地植 被光合作用所能吸收的从400到700 nm的太阳光谱能量。
算法
R2 取得经验值方法
植被类型
参考文献
FAPAR=1.2×NDVI-0.18
0.974
PAR 测量 春小麦，生长阶段
Hatfield et al.,1984
FAPAR=0.6(2.2×NDVI)+(2.9×NDVI2)
-
PAR 测量
玉米，生长阶段
FAPAR
(
I TOC
I Ground
I Ground
I TOC
)
/
I TOC
ppt课件
4
4
在PAR区间叶绿素a、 叶绿素b和类胡萝卜素 的吸收率和总光合作用 效率
55
2. FAPAR野外测量
SUNSCAN冠层分析系统（SUNSCAN Canopy Analysis System）
FAPAR=1.21×NDVI-0.04 FAPAR=1.67×NDVI-0.08
FAPAR=0.105(0.323×NDVI)+(1.168×ND
VI2) FAPAR=3.257×SAVI-0.07
FAPAR=0.846×NDVI-0.08
FAPAR=1.723×MSAVI0.137
FAPAR=2.213×(ΔMSAVI)**
通过遥感方式可以获取植被FAPAR。随着遥感传感器分 辨率的多样化，遥感可以提供更广泛空间区域和时间范围 的FAPAR产品。
ppt课件
3
3
基本概念
PAR（photosynthetically Active Radiation），光合有效辐射，指陆地植 被光合作用所能吸收的从400到700 nm的太阳光谱能量。
算法
R2 取得经验值方法
植被类型
参考文献
FAPAR=1.2×NDVI-0.18
0.974
PAR 测量 春小麦，生长阶段
Hatfield et al.,1984
FAPAR=0.6(2.2×NDVI)+(2.9×NDVI2)
-
PAR 测量
玉米，生长阶段
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
;.
9
2:水分的敏感光谱波段
对于MODIS数据而言,1230～1250nm比较适合用于预测含水量。Penuelas等指出近红外858nm波段 是反演水含量的一个好的选择,因为相对于更长的近红外和短波红外波段,此波段对水含量的变化不敏 感,故很适合用它来进行归一化处理。
Chen等在用Landsat数据反演含水量时发现短波红外位于1550～1750nm波段较佳,并且发现1640nm、 2130nm波段处对水分的吸收很敏感。
;.
10
植被含水量反演方法
• 在明确了水分于近红外-短波红外波段比较敏感后,许多学者对用光谱反射率诊断植株水分状况 进行了 可行性分析。国内外研究植被水分含量与光谱特征之间的关系,主要集中在两个方面:
• 一是利用统计模型,即对观测到的数据作经验性的统计描述,或进行相关分析,由叶片和冠层光谱特征估 算含水量,不解答为什么有这样的相关或统计结果这类问题;
;.
6
2:水分的敏感光谱波段
大量的研究表明植被水分对热红外波段 (6. 0～15. 0μm)、近红外(700～1300nm)和短波红外 (1300～3000nm)波段比较敏感。
自1963年提出以冠层温度指示植被水分亏缺以来,冠层温度法成为诊断作物水分状况的一个重要手 段。
30多年来,有关科学家相继提出了参考温度法、胁迫积温法、作物缺水指标法以及水分亏指数法等, 并在田间以及区域尺度上展开了大量的应用研究。
其中C为生化组分含量,N为入选的波段数,α0、αi分别为回归常数和第i个回归系数,D(λi)为入选的波段 光谱值。
;.
12
统计分析方法
• 确定了植被水分的敏感光谱后,在统计分析的基础上,前人提出了很多不同的指数和方法来诊断植物的 含水量。这些统计模型可以大致分为以下三类:
• 1:建立光谱指数 • 2:基于光谱导数变量建立模型 • 3包络线消除法
;.
4
植被含水量光谱反演原理及 水分的敏感光谱波段
• 1 植被含水量光谱反演原理 • 2 水分的敏感光谱波段
;.
5
1:植被含水量光谱反演原理
• 每一种物质对不同波长的电磁波的吸收和反射都不同,物质的这种对不同波段光谱的响应特性叫光谱 特性。植被光谱诊断便是基于植被的光谱特性来进行的。
• 植被反射波谱中某些波长的光谱反射和吸收差异是由植被中化学组分分子结构的化学键在一定辐射水 平的照射下发生振动引起的,从而产生了不同的光谱反射率,且该波长处光谱反射率的变化对该化学组 分的含量多少非常敏感(故称敏感光谱) 。植被含水量光谱诊断的实现便是以植被水分敏感光谱的反射 率与水含量的相关关系为基础的。
植被含水量反演
;.
1
介绍
近年来随着成像光谱技术的兴起,如何利用遥感数据监测植被化学特性,已成为全球变 化研究中重要的议题。
水分是控制植物光合作用、呼吸作用和生物量的主要因素之一,水分亏缺会直接影响植 物的生理生化过程和形态结构,从而影响植物生长和产量与品质,因此植物的水分在农林业 的应用中是一个重要的参数,研究植物水分状况具有重要的意义。利用成像光谱遥感估测植 物水含量有很大的潜力,它可以实时快速准确地监测或诊断出植物水分状况,从而可有效及 时指导精确植物灌溉,有效评价自然干旱情况,及时预测森林火灾。
在1971年, Thomas就用完全饱和的叶片在室温下逐渐干燥的方法来获取不同含水量下的反射光谱,并 研究了叶片含水量与光谱反射率之间的关系,结果表明叶片的光谱反射率随叶片含水量的下降而增 加,1450nm和1930nm波段的反射率与叶片的相对含水量显著相关。
Sims等经过研究指出950～970nm ,1150～1260nm和1520～1540nm波段和冠层水分相关性很好,尤其 在960nm和1180nm处没有大气的干涉,分的敏感光谱波段 但利用热红外波段反演植被水分仍受到环境状况的强烈影响,还不足以说明作物水分状况在时间
和空间上随环境的巨大变化而变化,并且热红外波段更适合于指示植被的蒸腾作用所以对植被含水量 的反演更多的焦点聚集于近红外-短波红外波段。
;.
8
2:水分的敏感光谱波段
为了明确水分的敏感光谱波段,早在1951年, Curcio就指出820nm、970nm、1200nm、1450nm和 1940nm处是水分的强吸收波段,可以用来诊断植物的含水量。
• RWC =(FW-DW)/(TW –DW)×100 %
• EWT =(FW-DW)/A
g/ cm^2
• 植物鲜重用FW表示;植物干重用DW表示;植物饱和鲜重用TW表示;单位都是g
• 叶面积用A表示 单位是cm^2
;.
3
• 把植物鲜重在80℃下烘干24小时以上直到恒重,就得到植物的干重
• 把新鲜植物水合至饱和就得到了植物饱和鲜重
• 研究表明,FMC、RWC和EWT是表征含水量的三个不相关量,是定量提取含水量的不同方法。
• 研究发现在用遥感数据反演含水量时,短波红外波段与EWT相关性较好,而与FMC相关性较差,并且表明 用EWT来表征含水量要优于用FMC表示,因为FMC要受叶子中的干物质影响。
• 在研究EWT和FMC的关系时发现,对于桉树叶,其近红外波段反射光谱与FMC有很好的相关性,而短波红外 波段的反射光谱与EWT高度相关。
• 二是建立物理模型,即建立含水量的叶片散射和吸收模型,将叶片模型耦合到冠层模型中反演整个冠层 的含水量。
;.
11
统计分析方法 • 叶片生化组分对应特定光谱的吸收特征,利用多元回归可以确定化学组分和光谱数据相关程度高的波
段和波段组合,从而反演出化学组分含量。在进行回归分析的过程中,采用逐步回归的方法,通过F检验, 使对因变量贡献大的因子随时可以进入方程,贡献小的因子又可以随时剔除,从而建立最优回归方程。
;.
2
植被含水量的定义
• 常用含水量表示方法有三种:
• 叶片含水量FMC( Fuel Moisture Content )
• 相 对 含 水 量RWC( Relative Water Content )
• 等效水深EWT ( Equivalent Water Thickness)
• FMC =(FW-DW)/(FW or DW) ×100 %