基于辐射传输模型的叶绿素含量定量反演(精)
MERIS遥感图像的太湖叶绿素浓度反演研究
MERIS遥感图像的太湖叶绿素浓度反演研究朱江山;王得玉【摘要】近年来,水体富营养化是太湖水污染面临的主要问题,而叶绿素浓度是水体富营养化的重要指标,及时、有效地对太湖水体的叶绿素浓度进行监测和评价对太湖环境保护是十分必要的.而遥感作为低成本、大面积获取水体表层水质信息的手段,有着常规监测不具备的优势.为此,利用MERIS数据和太湖同步水质监测数据,建立了叶绿素基线荧光高度遥感反演模型;将其应用到经过几何校正和大气校正等预处理后的MERIS数据,获得了太湖叶绿素浓度遥感反演分布图像,结合太湖的水文情况及水污染特征对叶绿素遥感反演图像作了分析.遥感图像分析结果表明,MERIS 数据客观地反映了太湖水体叶绿素浓度的空间分布规律,与实测的太湖叶绿素浓度空间分布情况基本吻合.由此可见,基线荧光高度模型对于反演太湖叶绿素浓度分布是可行的.%Recently,eutrophication is the main problem of Taihu Lake's water pollution,and chlorophyll-a concentration is an important index of eutrophication.It is quite necessary for the protection of the Taihu Lake's environment to evaluate and monitor efficiently the lake's chlorophyll-a concentration in time.The surface water quality of large area could be monitored using remote sensing technique with low cost,beyond the ability of regular survey technique.Based on MERIS data and synchronous water quality monitoring data in Taihu Lake,the fluorescence line height remote sensing model has been developed which reflects the relationship between chlorophyll-a concentration and fluorescence line height.Then the model has been applied to MERIS data which is pre-processed through geometric correction,atmospheric correction,etc.An image aboutchlorophyll-a concentration distribution of Taihu Lake has been bined with the feature of the hydrological conditions and water pollution in Taihu Lake,the image about chlorophyll-a remote sensing retrieval is analyzed.The results objectively show that the MERIS image reflects the spatial distribution pattern of chlorophyll-a concentration in Taihu Lake,corresponding to the measured chlorophyll-a concentration of space distribution.Therefore,it is feasible for the fluorescence line height model to retrieval the chlorophyll-a concentration in Taihu Lake.【期刊名称】《计算机技术与发展》【年(卷),期】2017(027)004【总页数】4页(P192-195)【关键词】MERIS;叶绿素;基线荧光高度;反演【作者】朱江山;王得玉【作者单位】南京邮电大学通信与信息工程学院,江苏南京 210003;南京邮电大学通信与信息工程学院,江苏南京 210003【正文语种】中文【中图分类】TP393随着太湖流域经济的快速发展，太湖的水体污染问题日趋恶化，主要表现在水体富营养化现象严重，严重的富营养化又导致蓝藻水华的大量爆发，影响了太湖水资源的利用。
基于TM数据的太湖叶绿素a浓度定量遥感反演方法研究
Quantitative Remote Sensing Inversion Methods of Chlorophyll-a Concentration in Taihu Lake Based on
TM Data
作者： 杨一鹏[1] 王桥[2] 肖青[3] 闻建光[3]
作者机构： [1]中国环境监测总站,北京100029 [2]南京师范大学地理信息科学江苏省重点
实验室,江苏南京210097 [3]中国科学院遥感应用研究所,北京100101
出版物刊名： 地理与地理信息科学
页码： 5-8页
主题词： TM 叶绿素a 定量遥感反演 太湖
摘要：探讨利用常规卫星遥感数据Landsat／TM定量反演太湖叶绿素a（Chl—a）浓度的
方法。
在对Landsat／TM影像进行几何校正、辐射定标、大气校正等预处理的基础上，选择适于太湖Chl—a浓度定量反演的最佳波段或波段组合，采用半经验回归模型和混合光谱分解模型
分别建立太湖Chl-a浓度定量反演模型，并对不同模型及反演结果进行对比分析。
基于1D－CNN_的植被等效水厚度反演研究
基于１Ｄ－ＣＮＮ的植被等效水厚度反演研究赵强１，２，３，曹骁４∗㊀（１．湖南省第三测绘院，湖南长沙４１０００４；２．湖南省地理空间信息工程技术研究中心，湖南长沙４１０００４；３．地理信息安全与应用湖南省工程研究中心，湖南长沙４１０００４；４．湖南省第一测绘院，湖南长沙４１０１１４）摘要㊀［目的］为实现高等级公路路域植被等效水厚度（ＥＷＴ）快速㊁连续㊁高效监测需求㊂［方法］以叶片尺度高光谱为数据源，首先对辐射传输模型ＰＲＯＳＰＥＣＴ－Ｄ模拟数据和实测光谱数据分别进行标准正态变量变换㊁归一化等光谱变换㊂应用相关性分析提取各变换光谱特征波段，基于ＰＲＯＳＰＥＣＴ－Ｄ模拟数据特征波段分别构建一维卷积神经网络（１Ｄ－ＣＮＮ）㊁支持向量机路域植被叶片ＥＷＴ反演模型，并用实测光谱数据进行模型验证㊂［结果］植被ＥＷＴ最优反演路径为对光谱进行归一化预处理后，构建ＰＲＯＳＰＥＣＴ－Ｄ与１Ｄ－ＣＮＮ组合模型，测试决定系数（Ｒ２Ｃ）为０．６４５㊁均方根误差（ＲＭＳＥＣ）为２．３６７，精度较高，满足应用需求㊂［结论］该研究为利用高光谱数据对南方丘陵地区高等级公路植被ＥＷＴ定量反演奠定了基础㊂关键词㊀辐射传输模型；ＰＲＯＳＰＥＣＴ－Ｄ；叶片等效水厚度；光谱变换；一维卷积神经网络中图分类号㊀Ｐ２３７㊀㊀文献标识码㊀Ａ㊀㊀文章编号㊀０５１７－６６１１（２０２３）１８－０００１－０５ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０５１７－６６１１．２０２３．１８．００１㊀㊀㊀㊀㊀开放科学（资源服务）标识码（ＯＳＩＤ）：ＳｔｕｄｙｏｎＩｎｖｅｒｓｉｏｎｏｆＶｅｇｅｔａｔｉｏｎＥｑｕｉｖａｌｅｎｔＷａｔｅｒＴｈｉｃｋｎｅｓｓＢａｓｅｄｏｎ１Ｄ⁃ＣＮＮＺＨＡＯＱｉａｎｇ１，２，３，ＣＡＯＸｉａｏ４㊀（１．ＴｈｅＴｈｉｒｄＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇＩｎｓｔｉｔｕｔｅｏｆＨｕｎａｎＰｒｏｖｉｎｃｅ，Ｃｈａｎｇｓｈａ，Ｈｕｎａｎ４１０００４；２．ＨｕｎａｎＧｅｏ⁃ｓｐａｔｉａｌＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈＣｅｎｔｅｒ，Ｃｈａｎｇｓｈａ，Ｈｕｎａｎ４１０００４；３．ＨｕｎａｎＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＧｅｏ⁃ｇｒａｐｈｉｃＩｎｆｏｒｍａｔｉｏｎＳｅｃｕｒｉｔｙａｎｄＡｐｐｌｉｃａｔｉｏｎ，Ｃｈａｎｇｓｈａ，Ｈｕｎａｎ４１０００４；４．ＴｈｅＦｉｒｓｔＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇＩｎｓｔｉｔｕｔｅｏｆＨｕｎａｎＰｒｏｖｉｎｃｅ，Ｃｈａｎ⁃ｇｓｈａ，Ｈｕｎａｎ４１０１１４）Ａｂｓｔｒａｃｔ㊀［Ｏｂｊｅｃｔｉｖｅ］Ｉｎｏｒｄｅｒｔｏｒｅａｌｉｚｅｔｈｅｒａｐｉｄ，ｃｏｎｔｉｎｕｏｕｓａｎｄｅｆｆｉｃｉｅｎｔｍｏｎｉｔｏｒｉｎｇｒｅｑｕｉｒｅｍｅｎｔｓｏｆｅｑｕｉｖａｌｅｎｔｗａｔｅｒｔｈｉｃｋｎｅｓｓ（ＥＷＴ）ｏｆｖｅｇｅｔａｔｉｏｎｉｎｔｈｅｒｏａｄａｒｅａｏｆｈｉｇｈ⁃ｇｒａｄｅｈｉｇｈｗａｙ．［Ｍｅｔｈｏｄ］Ｔａｋｉｎｇｔｈｅｌｅａｆ⁃ｓｃａｌｅｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｓｔｈｅｄａｔａｓｏｕｒｃｅ，ｆｉｒｓｔ，ｔｈｅｓｉｍｕｌａｔｅｄｄａ⁃ｔａｏｆｔｈｅｒａｄｉａｔｉｏｎｔｒａｎｓｆｅｒｍｏｄｅｌ（ＰＲＯＳＰＥＣＴ⁃Ｄ）ａｎｄｔｈｅｍｅａｓｕｒｅｄｓｐｅｃｔｒａｌｄａｔａｗｅｒｅｓｕｂｊｅｃｔｔｏｓｐｅｃｔｒａｌｔｒａｎｓｆｏｒｍａｔｉｏｎ，ｓｕｃｈａｓｓｔａｎｄａｒｄｎｏｒｍａｌｖａｒｉａｔｅｔｒａｎｓｆｏｒｍａｔｉｏｎ，ｎｏｒｍａｌｉｚａｔｉｏｎａｎｄｓｏｏｎ．Ｔｈｅｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｗａｓａｐｐｌｉｅｄｔｏｅｘｔｒａｃｔｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｂａｎｄｓｏｆｅａｃｈｔｒａｎｓ⁃ｆｏｒｍｓｐｅｃｔｒｕｍ．ＢａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｂａｎｄｓｏｆｔｈｅＰＲＯＳＰＥＣＴ⁃Ｄｓｉｍｕｌａｔｅｄｄａｔａ，ｔｈｅｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ（１Ｄ⁃ＣＮＮ）ａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｍｏｄｅｌｓｆｏｒｒｅｔｒｉｅｖｉｎｇｔｈｅｅｑｕｉｖａｌｅｎｔｗａｔｅｒｔｈｉｃｋｎｅｓｓｏｆｖｅｇｅｔａｔｉｏｎｌｅａｖｅｓｉｎｔｈｅｒｏａｄｄｏｍａｉｎｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｒｅｓｐｅｃｔｉｖｅｌｙ，ａｎｄｔｈｅｍｏｄｅｌｗａｓｖｅｒｉｆｉｅｄｗｉｔｈｔｈｅｍｅａｓｕｒｅｄｓｐｅｃｔｒａｌｄａｔａ．［Ｒｅｓｕｌｔ］Ｔｈｅｏｐｔｉｍａｌｉｎｖｅｒｓｉｏｎｐａｔｈｏｆｖｅｇｅｔａｔｉｏｎｅｑｕｉｖａ⁃ｌｅｎｔｗａｔｅｒｔｈｉｃｋｎｅｓｓｗａｓｔｏｃｏｎｓｔｒｕｃｔａｃｏｍｂｉｎｅｄｍｏｄｅｌｏｆＰＲＯＳＰＥＣＴ⁃Ｄａｎｄ１Ｄ⁃ＣＮＮａｆｔｅｒｔｈｅｎｏｒｍａｌｉｚｅｄｐｒｅｔｒｅａｔｍｅｎｔｏｆｔｈｅｓｐｅｃｔｒｕｍ．Ｔｈｅｔｅｓｔｄｅｔｅｒｍｉｎａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｗａｓ０．６４５，ａｎｄｔｈｅｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒｗａｓ２．３６７．Ｔｈｅｐｒｅｃｉｓｉｏｎｗａｓｈｉｇｈｅｎｏｕｇｈｔｏｍｅｅｔｔｈｅａｐｐｌｉｃａｔｉｏｎｒｅ⁃ｑｕｉｒｅｍｅｎｔｓ．［Ｃｏｎｃｌｕｓｉｏｎ］ＴｈｉｓｓｔｕｄｙｌａｙｓａｆｏｕｎｄａｔｉｏｎｆｏｒｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆＥＷＴｏｆｈｉｇｈ⁃ｇｒａｄｅｈｉｇｈｗａｙｖｅｇｅｔａｔｉｏｎｉｎｓｏｕｔｈｅｒｎｈｉｌｌｙａｒｅ⁃ａｓｕｓｉｎｇｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ．Ｋｅｙｗｏｒｄｓ㊀Ｒａｄｉａｔｉｏｎｔｒａｎｓｆｅｒｍｏｄｅｌ；ＰＲＯＳＰＥＣＴ⁃Ｄ；Ｂｌａｄｅｅｑｕｉｖａｌｅｎｔｗａｔｅｒｔｈｉｃｋｎｅｓｓ；Ｓｐｅｃｔｒａｌｔｒａｎｓｆｏｒｍａｔｉｏｎ；Ｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎ⁃ａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（１Ｄ⁃ＣＮＮ）基金项目㊀２０２２年湖南省自然资源重大科技研究项目 新型基础地理信息资源获取与应用关键技术研究 （湘自资科 ２０２２ ３号）㊂作者简介㊀赵强（１９７７ ），男，湖南益阳人，高级工程师，从事国土空间调查㊁评价㊁规划研究㊂∗通信作者，硕士，从事摄影测量与遥感研究㊂收稿日期㊀２０２３－０４－２２㊀㊀交通运输行业自改革开放以来迅猛发展［１－２］，高等级公路周边生态环境和地质条件在公路修建㊁运营过程中遭到了不可修复的破坏㊂保护植被㊁关注有限的路域生态环境对实现可持续发展具有极为重要的意义［３］，可以通过路域植被生长状况较为直观的反映［４］㊂叶片等效水厚度（ｅｑｕｉｖａｌｅｎｔｗａ⁃ｔｅｒｔｈｉｃｋｎｅｓｓ，ＥＷＴ）可以很好地表示植被生化过程，能够用以衡量植被生理状态和结构形态［５］，可较好地应用于高速公路路域植被环境的监测与评价，因此如何准确反演预测路域ＥＷＴ值得深入研究㊂目前应用遥感方法对ＥＷＴ进行反演已取得一定成果㊂Ｍｏｇｈａｄｄａｍ等［６］利用综合孔径雷达数据建立植被含水量与冠层介电常数的经验统计模型进行反演；郭云开等［７］基于优选水分指数，利用ＰＲＯ４ＳＡＩＬ构建多种ＥＷＴ估算模型，经精度分析验证，ＥＷＴ估算效果最优模型为ＲＦ－ＧＡ－ＳＶＭ；Ｙａｎｇ等［８］考虑不同波长之间的敏感性和相关性，提高了光谱波段选择的可靠性，在ＰＲＯＳＰＥＣＴ－Ｄ模型的基础上，初步检索５个生化特性参数；ＰＲＯＳＰＥＣＴ－Ｄ模型的性能优于以前的模型版本，模型预测不确定性降低，光合色素得到更好的检索，还能够在可见光域中以最小的误差模拟真实的叶片光学特性［９］㊂随着人工智能的快速发展，基于深度学习的植被生化参数反演取得较大的进展㊂汤森林［１０］在高光谱数据叶面积指数（ＬＡＩ）反演研究中，发现基于特征选择的深度学习长短期记忆神经网络算法（ＬＳＴＭ）在模拟数据和野外实测数据中精度均优于经典的遗传算法和偏最小二乘相结合的方法（ＧＡ－ＰＬＳＲ）机器学习算法；颜庆［１１］基于循环神经网络（ＲＮＮ）和长短期记忆神经网络（ＬＳＴＭ），构造了特征级融合归一化植被指数（ＮＤＶＩ）反演模型，通过试验对比得出，深度学习算法可有效融合不同的数据集，有效提高植被参数的反演精度；凌康杰［１２］针对传统特征与深度学习特征进行融合迁移，构建深度迁移网络，结果表明可以快速㊁高效㊁准确㊁无损测定柑橘叶片叶绿素真实值含量㊂然而，目前对于ＰＲＯＳＰＥＣＴ－Ｄ耦合深度学习反演植被叶片ＥＷＴ的研究较少，因此该研究首次提出了一种辐射传输模型ＰＲＯＳＰＥＣＴ－Ｄ耦合一维卷积安徽农业科学，Ｊ．ＡｎｈｕｉＡｇｒｉｃ．Ｓｃｉ．２０２３，５１（１８）：１－５㊀㊀㊀神经网络（１Ｄ－ＣＮＮ）反演ＥＷＴ，以期为南方丘陵地区高等级公路植被ＥＷＴ定量反演提供基础依据㊂１㊀资料与方法１．１㊀研究区概况㊀长常高速公路中长沙到益阳路段连接省会城市（长沙）和２个地级市（益阳㊁常德）是促进湘西北地区经济繁荣发展的重要通道㊂以长益高速公路及其沿线地带为研究区域，该路域处于南方典型的丘陵地带，属于中亚热带季风大陆型湿润气候，热量光照充足㊁降雨量丰沛㊁空气环境湿润，亚热带常绿阔叶林是典型植被㊂该路段在施工修建和营运过程中对沿线路域生态环境造成了不可修复的负面影响㊂１．２㊀野外实测数据㊀野外试验共有６０个样区，样区分布如图１所示（蓝色标记为样区）㊂样区选中心点１个及角点４个为测量点㊂在样区对具有代表性的植被类型叶片进行采样，对样本叶片标记编号后，将样本叶片放置于１ｍｇ精密分析天平上称得样本叶片鲜重（ＦＷ）㊂把已获取ＦＷ的样本叶片放入烘箱，在８０ħ下烘干至恒重，称得烘干后的样本叶片干重（ＤＷ）㊂利用手持叶面积仪ＹＭＪ－Ｂ现场测量叶片面积，同一样本叶片面积分别测３次计算平均值作为最终的样本叶面积（Ａ）㊂计算ＥＷＴ（ｇ／ｃｍ２）的公式如下：㊀㊀ＥＷＴ＝（ＦＷ－ＤＷ）／Ａ（１）图１㊀样区分布Ｆｉｇ．１㊀Ｄｉｓｔｒｉｂｕｔｉｏｎｏｆｓａｍｐｌｅａｒｅａｓ㊀㊀对从研究区域每个样区采集的典型植被叶片样品，使用Ａｖａｆｉｅｌｄ－３便携式高光谱地物波谱仪在实验室内测量叶片高光谱数据，再经过剔除异常光谱曲线㊁平滑处理㊁均值计算㊁重采样等预处理，得到５０组叶片反射率高光谱数据，实测光谱如图２所示㊂图２㊀实测原始光谱Ｆｉｇ．２㊀Ｍｅａｓｕｒｅｄｏｒｉｇｉｎａｌｓｐｅｃｔｒａ１．３㊀研究方法㊀该研究以辐射传输理论为基础，按照 理论研究－模型构建－精度验证－模型应用 的研究思路，研究技术路线见图３㊂１．３．１㊀ＰＲＯＳＰＥＣＴ－Ｄ模型基本原理㊂ＰＲＯＳＰＥＣＴ－Ｄ模型认为折射率独立于叶片样本，是在ＰＲＯＳＰＥＣＴ－５模型的基础上增加参数化后的花青素得到的，使得该模型具有更强的适用性㊂ＰＲＯＳＰＥＣＴ－Ｄ模型为了防止错误的吸收分配，将各类输入参数对应波长范围进行适当缩小，比如，将花青素对应的波长精确缩小至４００ ６６０ｎｍ㊂改良花青素反射率指数（ｍＡＲＩ）在使用留一交叉验证法时得到最佳结果［９］㊂该公式定义如下：ｍＡＲＩ＝（Ｒ－１ｇｒｅｅｎ－Ｒ－１ｒｅｄ，ｅｄｇｅ）ˑＲＮＩＲ（２）其中：Ｒ－１ｇｒｅｅｎ是绿波段对应的平均反射率；Ｒ－１ｒｅｄ，ｅｄｇｅ是红波段边缘对应的平均反射率；ＲＮＩＲ是７６０ ８００ｎｍ的平均反射率㊂然后从排除ｍＡＲＩ＞５和Ｃａｎｔｈ＞１２μｇ／ｃｍ２的样品的子集导出花青素估算的线性模型：Ｃａｎｔｈ＝２．１１ˑｍＡＲＩ＋０．４５（３）将公式（３）应用于ＡＮＧＥＲＳ数据集以确定Ｃａｎｔｈ㊂花青素含量在０ １７．１μｇ／ｃｍ２，平均值为１．７μｇ／ｃｍ２㊂１．３．２㊀一维卷积神经网络（１Ｄ－ＣＮＮ）㊂卷积神经网络（ｃｏｎｖ⁃ｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ＣＮＮ）中，卷积层的单元在一组滤波器的作用下连接上一层，它存在于特征图中，将连接起来的单元局部加权和非线性函数协同激发［１３］㊂所以卷积层的第ｋ个特征图由公式（４）定义：ｈｋｉｊ（ｘ）＝ｆ（（Ｗｋ㊃ｘ）ｉｊ＋ｂｋ）（４）式中：ｈｋｉｊ（ｘ）为单元激活值；Ｗｋ为局部连接权值；ｂｋ为偏置值；ｆ（ｚ）是非线性激活函数㊂池化层把相同信息进行融合，卷积和池化交替，然后普遍产生全连接层㊂池化层由公式（５）定义：ｘｋｓｌ＝ｆ（βｋｌｄ（ｘｋｄ）＋ｂｋｌ）（５）式中：ｘｋｓｌ为卷积层特征图的相应池化输出；ｄ（ｚ）是下采样函数；βｋｌ为乘性偏置；ｂｋｌ为加性偏置㊂最后通过对获取的特征图进行光栅化处理，将处理后数据输入到多层感知器（ｍｕｌｔｉｌａｙｅｒｐｅｒｃｅｐｔｒｏｎ，ＭＬＰ）进行连接㊂２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀安徽农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２３年通过计算损失函数的最小值进而有效估算网络参数并对每个权值进行训练㊂该研究使用一维卷积神经网络对不同波长处获取的光谱信息进行局部特征提取㊂２㊀结果与分析２．１㊀光谱预处理㊀经过标准正态变量变换（ＳＮＶ）处理，有效减少因粒度㊁散射及多重共线性变化产生的乘法效应，因叶表面散射㊁样品颗粒尺度不同以及光线路径差异对近红外漫反射光谱造成的不良影响也得到了有效消除㊂从图４可以看出，实测光谱反射率在ＳＮＶ处理前后具有较大差别，由［０，０．７５］变为［－２．２，１．８］㊂图３㊀技术路线Ｆｉｇ．３㊀Ｔｅｃｈｎｉｃａｌｒｏｕｔｅ图４㊀ＳＮＶ处理实测数据光谱Ｆｉｇ．４㊀ＳＮＶｐｒｏｃｅｓｓｉｎｇｏｆｍｅａｓｕｒｅｄｄａｔａｓｐｅｃｔｒｕｍ㊀㊀经过归一化（ＮＯＲ）处理，空间数据高度压缩，变化端元绝对量因此得以削弱，进而减小差异，以提高光谱解混精度，且不改变单元相关性及其高维特征空间相对位置㊂从图５可以看出，ＮＯＲ处理前后光谱反射率发生了明显变化，全波段光谱反射率显著降低，由［０，０．７５］变为［０，０．０４］㊂２．２㊀基于ＰＲＯＳＰＥＣＴ－Ｄ模型的高光谱模拟㊀结构参数是影响叶片光学性质的主要因素，其不确定性可直接导致模拟叶光学性质的不确定性，以及基于这些光谱区域的模型反演估计成分的不确定性［１４］㊂为使模拟光谱更加贴合叶片结构及生化成分实际情况，于Ｍａｔｌａｂ环境及ＰＲＯＳＰＥＣＴ－Ｄ程序支持下输入相关参数，以一定步长变化叶片结构参数和叶片ＥＷＴ模拟植被叶片光谱，有助于提高组合模型建模效果㊂模型输入参数如表１所示，模拟得到１２０６０组植被叶片光谱㊂同时对模拟光谱分别进行ＳＮＶ㊁ＮＯＲ光谱变换，为后续３５１卷１８期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀赵强等㊀基于１Ｄ－ＣＮＮ的植被等效水厚度反演研究利用组合模型反演ＥＷＴ提供训练集做准备㊂图５㊀ＮＯＲ处理实测数据光谱Ｆｉｇ．５㊀ＳｐｅｃｔｒａｏｆＮＯＲｐｒｏｃｅｓｓｅｄｍｅａｓｕｒｅｄｄａｔａ表１㊀ＰＲＯＳＰＥＣＴ－Ｄ模型参数设置及取值Ｔａｂｌｅ１㊀ＰＲＯＳＰＥＣＴ⁃Ｄｍｏｄｅｌｐａｒａｍｅｔｅｒｓｅｔｔｉｎｇｓａｎｄｖａｌｕｅｓ序号Ｎｏ．参数Ｐａｒａｍｅｔｅｒ取值Ｖａｌｕｅ步长Ｓｔｅｐｓｉｚｅ１叶片结构参数１ ３０．０１（２０１组）２叶绿素含量３０μｇ／ｃｍ２ ３类胡萝卜素含量１０μｇ／ｃｍ２４褐色素含量０μｇ／ｃｍ２５等效水厚度０．００１ ０．０６０ｇ／ｃｍ２０．００１（６０组）６干物质含量０．００９μｇ／ｃｍ２７花青素含量１μｇ／ｃｍ２ ２．３㊀相关性分析及特征波段提取㊀对５０组实测数据进行ＳＮＶ㊁ＮＯＲ光谱变换，并将未做光谱变换处理㊁已做光谱变换处理的反射光谱与对应的ＥＷＴ值进行双变量相关性分析，该过程在ＳＰＳＳ软件中进行，相关性如图６所示㊂㊀㊀由图６可见，经过ＳＮＶ㊁ＮＯＲ光谱变换处理后，５０组实测反射光谱与对应叶片ＥＷＴ相关性得到了普遍显著提高，其中，经过ＮＯＲ处理过后的光谱数据集与叶片ＥＷＴ相关性最高，ＳＮＶ处理过后的光谱数据集相关性次之㊂ＥＷＴ与各光谱变换处理最大相关性见表２㊂注：ａ．实测数据；ｂ．ＳＮＶ处理的数据；ｃ．ＮＯＲ处理的数据㊂Ｎｏｔｅ：ａ．Ｍｅａｓｕｒｅｄｄａｔａ；ｂ．ＳＮＶｐｒｏｃｅｓｓｅｄｄａｔａ；ｃ．ＮＯＲｐｒｏｃｅｓｓｅｄｄａｔａ．图６㊀反射光谱与ＥＷＴ的相关性分析Ｆｉｇ．６㊀ＣｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｂｅｔｗｅｅｎｒｅｆｌｅｃｔｉｏｎｓｐｅｃｔｒｕｍａｎｄＥＷＴ㊀㊀此外，经过实测数据集的验证，可从不同光谱变换处理后的相关性分析中提取相应的特征波段㊂经ＳＮＶ处理后数据集的特征波段为７５０ １１００㊁１４００ １８００㊁２１００２３００ｎｍ；经ＮＯＲ处理后数据集的特征波段为７５０ １１００㊁１４００ １８００㊁２０００ ２３００ｎｍ；原始数据集的特征波段为７５０ １１００㊁１４００ １５００㊁２０００ ２３００ｎｍ，这与马岩川等［１５］研究表明不同光谱波段对ＥＷＴ具有不同敏感性的结果一致㊂同时按照特征波段提取不同光谱变化㊁不同数据集下的光谱信息，为后续利用组合模型反演ＥＷＴ提供测试集做准备㊂４㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀安徽农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２３年表２㊀叶片等效水厚度与各光谱变换处理最大相关性Ｔａｂｌｅ２㊀Ｍａｘｉｍｕｍｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｂｌａｄｅｅｑｕｉｖａｌｅｎｔｗａｔｅｒｔｈｉｃｋ⁃ｎｅｓｓａｎｄｖａｒｉｏｕｓｓｐｅｃｔｒａｌｔｒａｎｓｆｏｒｍａｔｉｏｎｔｒｅａｔｍｅｎｔｓ光谱变换Ｓｐｅｃｔｒａｌｔｒａｎｓ⁃ｆｏｒｍａｔｉｏｎ波段Ｗａｖｅｂａｎｄʊｎｍ｜ｒ｜ｍａｘ实测Ｍｅａｓｕｒｅｄ４００㊁４０１０．３３１实测－ＳＮＶＭｅａｓｕｒｅｄ⁃ＳＮＶ１６２２ １６２８－０．４０４实测－ＮＯＲＭｅａｓｕｒｅｄ⁃ＮＯＲ１５４３ １５５１－０．４１７２．４㊀模型反演与分析㊀基于特征波段，该研究以１２０６０组模拟光谱及经ＳＮＶ㊁ＮＯＲ变换光谱数据作为训练集进行一维卷积神经网络（１Ｄ－ＣＮＮ）㊁支持向量机（ＳＶＭ）模型构建，选取相对应变换光谱的５０组实测数据作为测试集，采用决定系数（Ｒ２）㊁均方根误差（ＲＭＳＥ）和平均相对误差（ＭＲＥ）３种评价指标对ＥＷＴ反演模型构建以及预测精度进行评价㊂由表３可知，在１Ｄ－ＣＮＮ模型中，光谱经过ＮＯＲ处理后反演精度最高，训练集㊁测试集的Ｒ２ｘ㊁Ｒ２ｃ分别为０．９０２㊁０．６４５，ＲＭＳＥｘ㊁ＲＭＳＥｃ分别为９．５２１㊁２．３６７，ＭＲＥｘ㊁ＭＲＥｃ分别为０．３１２㊁０．２２１，模型稳定且精度最高㊂其余建模效果不理想㊂表３㊀实测数据不同光谱变换方法１Ｄ－ＣＮＮ预测精度比较Ｔａｂｌｅ３㊀Ｃｏｍｐａｒｉｓｏｎｏｆ１Ｄ⁃ＣＮＮｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｕｓｉｎｇｄｉｆｆｅｒｅｎｔｓｐｅｃｔｒａｌｔｒａｎｓｆｏｒｍａｔｉｏｎｍｅｔｈｏｄｓｆｏｒｍｅａｓｕｒｅｄｄａｔａ光谱变换Ｓｐｅｃｔｒａｌｔｒａｎｓｆ⁃ｏｒｍａｔｉｏｎ训练集ＴｒａｉｎｉｎｇｓｅｔＲ２ｘＲＭＳＥｘＭＲＥｘ测试集ＴｅｓｔｓｅｔＲ２ｃＲＭＳＥｃＭＲＥｃ原始Ｏｒｉｇｉｎａｌ０．９７２３．６７８０．１２１０．３０６４．７７２０．４４５ＳＮＶ０．９２８７．１６９０．２３５０．３０２１．９８８０．１８５ＮＯＲ０．９０２９．５２１０．３１２０．６４５２．３６７０．２２１㊀㊀由表４可知，在训练集中，ＳＮＶ－ＳＶＭ模型与未经光谱变换处理实测数据建模模型精度相差不大，但在测试集中，ＳＮＶ－ＳＶＭ模型较优；其余建模结果差，不能准确反演ＥＷＴ㊂ＳＶＭ建模方法在不同光谱变换中模型精度相差较大，模型稳定性不高㊂表４㊀实测数据不同光谱变换方法ＳＶＭ预测精度比较Ｔａｂｌｅ４㊀ＣｏｍｐａｒｉｓｏｎｏｆＳＶＭｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｂｅｔｗｅｅｎｄｉｆｆｅｒｅｎｔｓｐｅｃｔｒａｌｔｒａｎｓｆｏｒｍａｔｉｏｎｍｅｔｈｏｄｓｆｏｒｍｅａｓｕｒｅｄｄａｔａ光谱变换Ｓｐｅｃｔｒａｌｔｒａｎｓｆ⁃ｏｒｍａｔｉｏｎ训练集ＴｒａｉｎｉｎｇｓｅｔＲ２ｘＲＭＳＥｘＭＲＥｘ测试集ＴｅｓｔｓｅｔＲ２ｃＲＭＳＥｃＭＲＥｃ原始Ｏｒｉｇｉｎａｌ０．９７０３．２９２０．１０８０．１６９６．２７８０．５８５ＳＮＶ０．９３０４．５３４０．１４９０．５０４８．３３２０．７７７ＮＯＲ０．９４２４．１９８０．１３８０．１００１５．８１９１．４７４㊀㊀由此可见，对于实测数据集而言，不同的建模方法，光谱变换处理效果不同，光谱变换处理大都能够提升反演模型精度㊂１Ｄ－ＣＮＮ模型精度整体明显高于ＳＶＭ模型，且模型稳定性更好，１Ｄ－ＣＮＮ模型在权值共享㊁空间池化等方面优势突出，可对数据内部的本质关系进行深入学习，同时具备卷积计算能力和深度结构，有效提高了特征数据的鲁棒性，在ＰＲＯＳＰＥＣＴ－Ｄ模型基础上，１Ｄ－ＣＮＮ模型更能有效拟合非线性关系㊂因此，ＥＷＴ反演最优组合模型为ＮＯＲ－１Ｄ－ＣＮＮ，Ｒ２ｃ为０．６４５，ＲＭＳＥｃ为２．３６７，ＭＲＥｃ为０．２２１，预测集效果如图７所示㊂图７㊀实测数据最优反演模型ＮＯＲ－１Ｄ－ＣＮＮＦｉｇ．７㊀ＯｐｔｉｍａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌＮＯＲ⁃１Ｄ⁃ＣＮＮｆｏｒｍｅａｓｕｒｅｄｄａｔａ３㊀结论该研究基于特征波段应用ＰＲＯＳＰＥＣＴ－Ｄ模型分别与１Ｄ－ＣＮＮ㊁ＳＶＭ构建路域植被ＥＷＴ反演模型，并使用实测数据进行模型验证，结果表明最优反演模型为ＮＯＲ－１Ｄ－ＣＮＮ，Ｒ２ｘ㊁Ｒ２ｃ分别为０．９０２㊁０．６４５，ＲＭＳＥｘ㊁ＲＭＳＥｃ分别为９．５２１㊁２．３６７，ＭＲＥｘ㊁ＭＲＥｃ分别为０．３１２㊁０．２２１㊂因此该研究实现了路域植被叶片等效水厚度的精准预测，为更好监测与治理保护路域植被生态环境提供支持㊂参考文献［１］李丹娜．路域植被等效水厚度多光谱定量遥感反演研究［Ｄ］．长沙：长沙理工大学，２０１８．［２］张欣怡．铁路货运单据电子化设计与仿真研究［Ｄ］．北京：北京交通大学，２０１７．［３］安冠星．粒子群算法下辐射传输模型反演路域植被参数［Ｄ］．长沙：长沙理工大学，２０１７．［４］冯超．路域植被冠层含水量遥感定量反演及动态监测［Ｄ］．长沙：长沙理工大学，２０１６．［５］刘良云，王纪华，张永江，等．叶片辐射等效水厚度计算与叶片水分定量反演研究［Ｊ］．遥感学报，２００７，１１（３）：２８９－２９５．［６］ＭＯＧＨＡＤＤＡＭＭ，ＳＡＡＴＣＨＩＳＳ．Ｍｏｎｉｔｏｒｉｎｇｔｒｅｅｍｏｉｓｔｕｒｅｕｓｉｎｇａｎｅｓｔｉ⁃ｍａｔｉｏｎａｌｇｏｒｉｔｈｍａｐｐｌｉｅｄｔｏＳＡＲｄａｔａｆｒｏｍＢＯＲＥＡＳ［Ｊ］．ＩＥＥＥｔｒａｎｓａｃｔｉｏｎｓｏｎｇｅｏｓｃｉｅｎｃｅａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ，１９９９，３７（２）：９０１－６１６．［７］郭云开，张晓炯，许敏，等．路域植被等效水厚度估算模型研究［Ｊ］．地球信息科学学报，２０２０，２２（２）：３０８－３１５．［８］ＹＡＮＧＪ，ＹＡＮＧＳＸ，ＺＨＡＮＧＹＹ，ｅｔａｌ．Ｉｍｐｒｏｖｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｂａｎｄｓｅ⁃ｌｅｃｔｉｏｎｉｎｌｅａｆｂｉｏｃｈｅｍｉｃａｌｐｒｏｐｅｒｔｙｅｓｔｉｍａｔｉｏｎｃｏｎｓｉｄｅｒｉｎｇｉｎｔｅｒｒｅｌａｔｉｏｎｓａ⁃ｍｏｎｇｂｉｏｃｈｅｍｉｃａｌｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎｔｈｅＰＲＯＳＰＥＣＴ⁃Ｄｍｏｄｅｌ［Ｊ］．Ｏｐ⁃ｔｉｃｓｅｘｐｒｅｓｓ，２０２１，２９（１）：４００－４１４．［９］ＦÉＲＥＴＪＢ，ＧＩＴＥＬＳＯＮＡＡ，ＮＯＢＬＥＳＤ，ｅｔａｌ．ＰＲＯＳＰＥＣＴ⁃Ｄ：Ｔｏｗａｒｄｓｍｏｄｅｌｉｎｇｌｅａｆｏｐｔｉｃａｌｐｒｏｐｅｒｔｉｅｓｔｈｒｏｕｇｈａｃｏｍｐｌｅｔｅｌｉｆｅｃｙｃｌｅ［Ｊ］．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｅｎｖｉｒｏｎｍｅｎｔ，２０１７，１９３：２０４－２１５．［１０］汤森林．基于特征选择和长短期记忆神经网络的葡萄叶面积指数高光谱反演［Ｄ］．北京：中国科学院大学（中国科学院遥感与数字地球研究所），２０１９．［１１］颜庆．基于ＲＮＮ／ＬＳＴＭ导航卫星反射信号特征融合的植被指数ＮＤ⁃ＶＩ反演建模方法［Ｄ］．徐州：中国矿业大学，２０２２．．［１２］凌康杰．基于高光谱的柑橘叶片叶绿素反演模型研究［Ｄ］．广州：华南农业大学，２０１９．［１３］王璨，武新慧，李恋卿，等．卷积神经网络用于近红外光谱预测土壤含水率［Ｊ］．光谱学与光谱分析，２０１８，３８（１）：３６－４１．［１４］ＣＥＣＣＡＴＯＰ，ＦＬＡＳＳＥＳ，ＴＡＲＡＮＴＯＬＡＳ，ｅｔａｌ．Ｄｅｔｅｃｔｉｎｇｖｅｇｅｔａｔｉｏｎｌｅａｆｗａｔｅｒｃｏｎｔｅｎｔｕｓｉｎｇｒｅｆｌｅｃｔａｎｃｅｉｎｔｈｅｏｐｔｉｃａｌｄｏｍａｉｎ［Ｊ］．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｅｎｖｉｒｏｎｍｅｎｔ，２００１，７７（１）：２２－３３．［１５］马岩川，刘浩，陈智芳，等．基于高光谱指数的棉花冠层等效水厚度估算［Ｊ］．中国农业科学，２０１９，５２（２４）：４４７０－４４８３．５５１卷１８期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀赵强等㊀基于１Ｄ－ＣＮＮ的植被等效水厚度反演研究。
基于PROSAIL模型的高光谱遥感图像模拟研究
基于PROSAIL模型的高光谱遥感图像模拟研究莫云华;张文娟;张连蓬【期刊名称】《红外》【年(卷),期】2016(37)9【摘要】针对高光谱图像数据难以获取的情况,提出了一种基于PROSAIL辐射传输模型的高光谱图像模拟方法.首先,对PROSAIL模型的输入参数进行了敏感性分析.以此为基础,针对5个典型生化参数(叶片结构参数N、叶绿素含量Cab、叶片干物质含量Cm、类胡萝卜素含量Car和叶面积指数LAI),基于支持向量机构建了一种基于多光谱数据的参数计算模型.其次,根据得到的典型生化参数图,通过利用PROSAIL模型逐像元计算获得了高光谱模拟图像.对HJ1A环境卫星的CCD1多光谱图像数据进行了实验,实现了高光谱图像数据模拟.在将等效计算后的模拟结果与HJ1A CCD1多光谱图像数据进行对比后发现,两幅图像对应波段的平均结构相似度都超过了95％;除了蓝光波段之外,全图的相对误差均小于10％.结果表明,本文方法可以很好地实现基于多光谱数据的高光谱图像模拟.【总页数】7页(P1-7)【作者】莫云华;张文娟;张连蓬【作者单位】江苏师范大学城建与环境学部,江苏徐州221116;中国科学院遥感与数字地球研究所,北京100094;中国科学院遥感与数字地球研究所,北京100094;江苏师范大学城建与环境学部,江苏徐州221116【正文语种】中文【中图分类】TP701【相关文献】1.基于PROSAIL辐射传输模型的毛竹林分冠层反射率模拟研究 [J], 曾琪;余坤勇;姚雄;郑文英;张今朝;艾婧文;刘健2.基于PROSAIL辐射传输模型的毛竹林分冠层反射率模拟研究 [J], 曾琪;余坤勇;姚雄;郑文英;张今朝;艾婧文;刘健;;;;;;;;;;;;;3.基于PROSAIL模型和多角度遥感数据的森林叶面积指数反演 [J], 潘颖;丁鸣鸣;林杰;代侨;郭赓;崔琳琳4.基于Sentinel-2影像与PROSAIL模型参数标定的玉米冠层LAI反演 [J], 苏伟;邬佳昱;王新盛;谢茈萱;张颖;陶万成;金添5.基于PROSAIL模型和遗传算法优化的BP神经网络模型的不同大豆种群叶面积指数反演比较 [J], 赫晓慧;冯坤;郭恒亮;田智慧因版权原因，仅展示原文概要，查看原文内容请购买。
基于PROSPECT模型的植物叶片干物质估测建模研究
基于PROSPECT模型的植物叶片干物质估测建模研究王洋;肖文;邹焕成;陆婧楠;曹英丽;于丰华【摘要】为了快速、准确估测植物叶片干物质含量,为作物长势及健康状况监控提供数据支撑,利用光谱分析技术探讨了干物质含量敏感光谱波段提取方法及其估测建模方法.试验数据由叶片辐射传输模型PROSPECT在干物质含量(0.001~0.02)g?cm-2范围内进行模拟,随机产生1000条400~2500nm的光谱曲线,其中600条光谱曲线用于建模研究、400条光谱曲线作为模型验证数据,同时应用叶片光学特性数据库LOPEX93中325条叶片光谱-干物质含量数据进行进一步验证.首先应用试验数据进行局部敏感性分析,初步得到叶片干物质敏感波段范围,再运用改进Sobol算法进行全局敏感性分析,提取了干物质含量敏感的光谱波段范围,在此敏感波段范围运用波段组合算法计算归一化植被指数NDVI与叶片干物质含量相关系数,优选了4组相关性大的波段组合建立归一化干物质指数NDMI(1644,1719)、NDMI(1871,2294)、NDMI(2150,2271)、NDMI(1496,2282)用于干物质含量估测建模.结果表明:NDMI(1644,1719)和NDMI(1871,2294)模型中三次多项式形式(cubic)效果最佳、NDMI(1496,2282)模型中幂指数形式(power)效果最佳,三者中NDMI(1871,2294)的三次多项式模型最优,决定系数R2为0.837,对叶片干物质含量具有较好的估测能力.%In order to estimate the dry matter of plant leaves quickly and accurately and provide data support for crop growth and health status monitoring, we used spectral analysis technique to explore the extraction method of dry matter sensitive spectral bands and its estimation modeling method. The experimental data were simulated by leaf optical properties spectra (PROSPECT) in direct mode, when dry matter in the range of 0.001-0.02g?cm-2. From the randomly generated 1000 spectral curves between 400 nm and 2500 nm, 600 spectral curves were used for modeling studies, and 400 spectral curves were used as model validation data. The models were further validated by the 325 leaves spectral-dry matter data from the Leaf Optical Properties Experiment 93(LOPEX93). Firstly, local sensitivities of leaf dry matter were preliminarily obtained by using the experimental data, and then global sensitivity was analyzed by using the improved Sobol algorithm. The range of spectral bands sensitive to dry matter was extracted, and the spectral combination algorithm was used to calculate the correlation coefficient between the normalized vegetation index NDVI and the dry matter of plant leaves. Four groups of correlation bands NDMI (1644,1719), NDMI (1871,2224), NDMI(2150,2271) and NDMI (1496, 2282) were used as characteristic bands for dry matter estimation modeling. The results showed that the cubic polynomials in NDMI(1644,1719)andNDMI(1871, 2294)models were the best, and that the power exponent in NDMI(1496,2282)model was the best. Among the three models, the third-order polynomial model of NDMI(1871, 2294)was the best, and the coefficient of determination R2was 0.837, which had good estimation ability.【期刊名称】《沈阳农业大学学报》【年(卷),期】2018(049)001【总页数】7页(P121-127)【关键词】叶片干物质含量;敏感性分析;PROSPECT模型;LOPEX93数据集;光谱指数【作者】王洋;肖文;邹焕成;陆婧楠;曹英丽;于丰华【作者单位】沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161【正文语种】中文【中图分类】Q948;TP79植物叶片干物质含量是重要的生化参数之一，叶片干物质的有效积累可促进植物生长、提高植物光合作用效率，且与叶片寿命、抗逆性具有很大相关性[1-3]，是作物长势和健康状态的重要指标。
基于Hyperion数据的森林叶绿素含量反演
基于Hydrolight模型的太湖SDGSAT-1卫星悬浮物浓度反演研究
基于Hydrolight模型的太湖SDGSAT-1卫星悬浮物浓度反演研究王雅萍;胡雪可;李家国;姜晟;陈兴峰;赵利民;陈洪真【期刊名称】《航天返回与遥感》【年(卷),期】2024(45)1【摘要】利用卫星遥感反演水体中的悬浮物浓度对水质监测和保护具有重要意义,在悬浮物浓度反演过程中,如何避免或最大程度降低水体中叶绿素a、有色可溶性有机物(Colored Dissolved Organic Matter,CDOM)的干扰是当前的技术难点。
文章针对可持续发展科学卫星1号(SDGSAT-1)MII传感器,利用Hydrolight辐射传输模型,从理论上挖掘只与悬浮物强相关的反演因子,以此构建适用于MII影像的太湖悬浮物浓度反演模型,通过水体的实测数据和遥感数据对模型应用效果进行验证。
结果表明:反演因子R′(B_5/B_3)与悬浮物浓度为强相关,同时与叶绿素a、CDOM浓度弱相关;利用R′(B_5/B_3)作为反演因子构建的幂函数模型为最优反演模型;将幂函数模型分别应用于实测数据和2022年5月4日的太湖SDGSAT-1 MII数据,两次验证试验显示反演结果和现场测量结果具有较强一致性,模型适用性较好。
该研究可为SDGSAT-1卫星在湖泊水体悬浮物浓度监测、水资源评估与保护等提供一些技术参考。
【总页数】13页(P174-186)【作者】王雅萍;胡雪可;李家国;姜晟;陈兴峰;赵利民;陈洪真【作者单位】河南理工大学测绘与国土信息工程学院;中国科学院空天信息创新研究院;江苏省环境监测中心【正文语种】中文【中图分类】TP79【相关文献】1.基于HJ-1卫星CCD数据的长江中游武汉河段悬浮物浓度反演2.基于TM影像的太湖夏季悬浮物和叶绿素a浓度反演3.基于BP神经网络模型的太湖悬浮物浓度遥感定量提取研究4.基于HJ-1号卫星数据的太湖悬浮物浓度空间分布和变异研究5.基于SDGSAT-1影像的总悬浮物浓度反演方法研究因版权原因，仅展示原文概要，查看原文内容请购买。
基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进
关 键词 叶绿 素浓 度， 高光谱 ， 叶面 积指数 ， 感性 分析 ， 被指数 敏 植 吴朝 阳， 牛铮 （０ ８ ． ２ ０ ） 基于辐 射传输 模． 植物学 通报 ２ ， １ — ２ ． ５ ７ ７ １ ４
高光谱 以其特有 的精细光谱特征正受到人们 的广泛关 注 并加 以应用 。最 为突出 的是使 用高光谱 特定 波段 的光 谱数据构成植被指数来探测植被的生理和环境胁迫状况， 因为外界环境的变化会对植物 的生理特性产生相应的影
１ ９ ； ｅｌｒ ｅ １ １ ９ ； ｕ ｔ ｅｅ １ １ ９ ） ５ Ｓ ｌ ｓ ｔ ． ５ Ｊ ｓｉ ｔ ． ８ 。尽 ９ ｅ ａ ，９ ｃ ａ，９
来反 演 Ｌ ， ＡＩ但是 随着Ｌ Ｉ Ａ的增加 ， Ｖ 会 出现一个 明 ＮＤ Ｉ
显 的饱 和区域， 这一 区域 的存 在说 明 Ｎ ＶＩ Ｄ 自身 的一个
这３ 类植被指数而言， ５ ｍ 和７ ５ｎ 的叶片反射率更适合实际的叶绿素浓度反演。以７ ０ｎ 和７ ５ｎ ７ ０ｎ ０ ｍ ５ ｍ ０ ｍ代替 ８ ０ｎ ／ ０ ｍ ７ ０ｎ ０ ｍ和６ ０ｎ 成功地提高了３ ７ ｍ 类植被指数与叶绿素浓度的线性相关程度， 中ＭＣ Ｒ７ 和叶绿素浓度基本呈线性关系。 其 Ａ Ｉ５ ０ 叶面积指数变化敏感性分析同样显示， ５ ｍ和７ ５ｎ 以７ ０ ｎ ０ ｍ组成的植被指数能够获取更可靠的叶面积指数信息， 尤其对于高
植被的各种生化组分（ 如色素浓度） 和水体环境监测等中
（ ｒ ｒ ｔ １ １ ９ ； ｌｃ ｂ ｒ ， ９ ； ｅ ｕ ｌｓ ｎ Ｃａｔ ． ６ Ｂａ ｋ ｕ ｎ １ ８ Ｐ Ｓ ｅａ ｄ ｅ ｅａ ，９ ９ ａ
定结构参数信息的变化 ，ＨＡＩ ￣Ｌ 和叶倾角分布（ ａ ｎ ｌ １ ｆ ｇｅ ｅ ａ
- 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)。
生态学杂志ChineseJournalofEcology 2006,25(5):591~595 基于辐射传输模型的叶绿素含量定量反演*施润和1,2** 庄大方牛铮王汶21343(1中国科学院地理科学与资源研究所,北京100101;北京100101;4中国科学院研究生院,北京100049;中国科学院遥感应用研究所,中国人民大学环境学院,北京100872)摘要利用基于叶片内部辐射传输机制的PROSPECT模型模拟大量不同生化含量和叶肉结构的叶片光谱,研究利用高光谱植被指数定量反演叶绿素含量的可行性和精度,并比较各指数的稳定性和抗干扰能力。
结果显示,各指数在对叶绿素的敏感性方面相差不大,除三角植被指数(TVI)外,其它指数均随叶绿素含量的增加而减小。
叶片水分含量的差异对各指数的影响很小,干物质次之,叶肉结构影响最大。
在抵抗干物质影响和叶肉结构影响方面,结构无关色素指数(SIPI)明显优于其它四种指数,吸收中心波深归一化后的面积指数(ABNC)次之。
通过使用叶片光学模型的模拟光谱来研究叶绿素含量变化的光谱响应及其影响因素和反演策略,具有较强的理论性和普适性。
研究结果与实际观测相吻合,方法简单易行。
关键词辐射传输模型,叶绿素,高光谱,植被指数,反演中图分类号 Q945 11 文献标识码 A 文章编号 1000-4890(2006)05-0591-05 Quantitativeinversionofchlorophyllcontentbasedonradiativetransfermodel.SHIRunhe,Z HUANGDafang1,NIUZheng3,WANGWen4(1InstituteofGeographicalSciencesandNatu ralResourcesResearch,ChineseAcademyofSciences,Beijing100101,China;2GraduateUni versityofChineseAcademyofSciences,Beijing100049,China;3InstituteofRemoteSensingApplications,ChineseAcademyo fSciences,Beijing100101,China;4SchoolofEnvironmentandNaturalResources,RenminUniversityofChi na,Beijing100872).ChineseJournalofEcology,2006,25(5):591~595. PROSPECTmodelisawell knownleafopticalmodelbasedontheradiativetransferprocesseswithinaleaf,whichwasusedi nthispapertosimulatetheleafreflectancespectraofchlorophyll,water,anddrymattercon tentsandmesophyllstructureparameters,aimedtoinvestigatethefeasibilityandprecisionofhy perspectralvegetationindices(VIs)inchlorophyllprediction,andtheirresistantperformances againstleafwater,drymatter,andmesophyllstructure.Atotalof5widely usedVIsforpredictingchlorophyllcontent,i.e.ChlorophyllAbsorptionRatioIndex(CARI),TriangularVegetationIndex(TVI),PhotochemicalRef lectanceIndex(PRI),StructuredIndependentPigmentIndex(SIPI),andAreaofBandNormalizationtotheCenterofAb sorptionFeature(ABNC),wereconsidered.ThesimulationresultsshowedthatalltheVIsexceptTVIweredecreasedwithincreasingchlorophyllcontent.Watercontenthadlittleinfluenceo nVIs,becausethemajorabsorptionfeaturesofleafwaterwerelocatedat1300nmand1900nmwhichwerenotusedintheVI s.DrymattercontenthadsomeinfluenceonCARIandTVI,andmesophyllstructuregreatlyaffe ctedtheVIsexceptSIPI,becauseoftheinfluenceofmesophyllstructureontheleafreflectances pectraatbothvisibleandnearinfraredregions.TheuseofsimulatedspectrainstudyingtheaffectingfactorsofchlorophyllVIsw asasuccessfultrial,whichshowedconsistentresultswithmeasuredriceleafspectra.Itwasconfi rmedthattheuseofmodelsimulatedspectrawastheoreticallybased,simple,andgenerallyapplicable.Keywordsradiativetransfermodel,chlorophyll,hyperspectra,vegetationindex,inversion.1,21 引言占地球陆地表面70%以上的植被是陆地生态系统的基本组成部分,对全球物质和能量的交换与循环产生决定性影响。
遥感技术作为目前唯一的空间对地观测和信息获取手段,以其独特的大空间覆盖和多时相特征,在区域和全球生态学研究中得到广泛应用。
以森林为研究对象的林业遥感在森林的面积、蓄积量估测、树种分类、资源清查等方面都做出了积极贡献[3,4]。
近20年来,遥感正从对地目标的定性描述向定量表达发展,一些生态系统参数已实现通过遥感方法实时获取[2]。
随着高光谱技术的出现和成熟,利用传感器高达纳米级的光谱分辨*国家自然科学基金资助项目(40501057和40571130)。
**通讯作者收稿日期:2005-06-05 接受日期:2005-12-02592 生态学杂志第25卷第5期率,在分子水平对植被生化组分进行定量反演的研究也已在国内外展开[1,5,17]。
叶绿素是植物叶片中的基本组成物质,叶绿体是光合过程发生的载体,对光合进程、太阳辐射的光能利用、大气CO2的吸收等具有密切关系。
而且,叶绿素作为叶片中的重要含氮物质,对植物氮素营养的吸收和利用具有比较准确的指示作用。
此外,由于叶绿素的吸收特征集中在可见光区,其含量多少直接影响叶片和冠层可见光区的反射光谱特征[10]。
从生态模型角度上看,叶绿素作为重要的光合作用参与者,其含量常作为输入参数驱动生态模型,而该参数的实地获取,尤其是大范围原始森林地区叶绿素含量的获取困难较大,因此通过遥感手段反演叶绿素是一项具有科学意义的研究。
植被指数(VI)是将不同波段的光谱反射率(有时直接使用传感器上获得的灰度值),经线性或非线性组合,构成能够反映植物某种特征信息的指数。
由于植被指数在构建过程中,充分考虑了待反映特征的光谱特性,因此比传统统计回归的方法具有更好的稳定性和鲁棒性(robust),即指与某特定特征无关的其它参数在一定范围内的摄动,几乎不会对反映该特征的植被指数造成影响。
另外,与纯机理模型相比,植被指数更简单易用,是一种介于统计方法和物理方法之间的半经验方法。
高光谱技术的应用,使获得纳米级窄波段植被指数成为可能,避免了宽波段植被指数应用中,由于传感器的波段中心位置、波段宽度和波段响应曲线的差异造成不同传感器获得的植被指数之间缺乏可比性。
本文利用基于叶片内部辐射传输物理机制的PROSPECT模型模拟出不同叶绿素含量、不同水分含量、不同干物质含量以及不同叶肉结构参数下的叶片反射率数据,对利用高光谱植被指数反演叶片叶绿素含量进行尝试,并评价叶片中其它生化组分和叶片物理结构对其造成的影响,旨在推动分子水平植物生化组分遥感生态测量的发展2 PROSPECT模型及其模拟数据PROSPECT模型是从平板模型发展起来的一个基于辐射传输理论的叶片光学模型,用于计算叶片在可见光到近红外波段(400~2500nm)的半球反射率和透过率,适用于各种阔叶[12,13]。
其对原始平板模型做了以下两点重要改进。
首先,考虑到在[6] [8]有简单的各向同性特征,因此引入最大入射角概念,用于表示入射光线的立体角。
其次,考虑到实际叶片并非单层紧密叶,叶片中还含有与叶肉细胞具有不同折射系数的空气,因此引入叶肉结构参数N,假设叶片是由N层同性层叠加而成,由N 1层空气隔开,且光线的非漫射特性只存在与叶片顶层,光线一旦进入叶片就成为各向同性的漫射光。
这样,叶片的反射率和透过率可以表示如下:90RN-1,90(1)1- 90RN-1,90 TN-1,90TN, =(2)1- 90RN-1,90式中, 为定义入射立体角的最大入射角,等式右边RN, = +以为下标的参数表示顶层反射率和透过率,以90为下标的表示除顶层外的N-1层的反射率和透过率,RN-1,90和TN-1,90分别表示N-1层的总反射率和透过率。
顶层反射率和透过率的表达式很复杂,是关于折射指数、平板透过系数和电解板表面平均透过率的函数。
最终,理论上可用于模拟叶片光谱特性的PROSPECT模型仅需平板透过系数!和叶肉结构参数N两个参数,是迄今为止形式最简单的叶片辐射传输模型。
其中,!是联系叶片光学属性与生化组分的桥梁,其与吸收系数k具有如下关系:!-(1-k)e示为:Ci∀Ki(∀)(4)Ni式中,∀是波长;Ki是叶片第i种生化组分的光谱特k(∀)=ke(∀)+-k-kkx-1-xedx=0(3)而叶片总吸收系数k与生化组分浓度的关系可以表!定吸收系数,在PROSPECT模型中考虑了水、叶绿素和干物质三种生化组分的特定吸收系数曲线;Ci为第i种生化组分的浓度,包括叶绿素Cab,水Cw和干物质Cm;ke是白化叶在500nm前的非零吸收特征;N是叶肉结构参数。