利用高光谱技术反演作物叶绿素浓度

合集下载

基于高光谱和HJ-1 CCD的水旱地冬小麦叶绿素含量反演

ｍｏｎｉｔｏｒｉｎｇｄｙｎａｍｉｃｃｈａｎｇｅｓｏｆｐｌａｎｔｃｈｌｏｒｏｐｈｙｌｌｃｏｎｔｅｎｔｉｓａｎｉｍｐｏｒｔｎｔａｌｉｎｋｏｆｉｔｓｇｒｏｗｔｈｍｏｎｉｔｏｒｉｎｇ．ＴｈｅｗｉｎｔｅｒｗｈｅａｔｉｎＷｅｎｘｉＳｈａｎｘｉ
ＷＡＮＧＨｕｉ —ｑｉｎ，ＦＥＮＧＭｅｉ－ｃｈｅｎ，ＬＩＧｕａｎｇ —ｘｉｎ２，ＹＡＮＧＷｕ－ｄｅ，ＲＥＮＰｅｎｇ。，
ＬＩＵＴｉｎｇ — ｒｉｎｇ，ＧＵＯＸｉａｏ－ｌｉ，ＧＡＯＬｏｎｇ－ｍｅｉｌ，ＬＩＺｈｉ－ｈｕａ￣，ＺＨＡＯＪｉａ－ｊｉａ（１．ＩｎｓｔｉｔｕｔｅｏｆＤｒｙＦａｒｍｉｎｇＥｎｇｉｎｅｅｉｒｎｇ，ＳｈａｎｘｉＡｇｉｒｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｔａｉｇｕ０３０８０１，Ｃｈｉｎａ；
ａＳｓｔｕｄｙｓｕｂｊｅｃｔ，ｂａｓｅｄｏｎｈｙｐｅｓｐｒｅｅｔｒａｌａｎｄｍｅｓｕａｒｅｄｄａｔａ，ｗａｓｅｓｔｉｍａｔｅｄｑｕｎｔａｉｔａｔｉｖｅｌｙｔｈｅｃｈｌｏｒｏｐｈｙｌｃｏｎｔｅｎｔｏｆｗｉｎｔｅｒｗｈｅａｔａｔｊｏｉｎ卜

基于高光谱数据的小麦叶绿素含量反演解读

第２０卷第３期２００４年５月地理与地理信息科学ＱＤｇｒａｐｈｙａｎｄＧ∞一ｌｍ）ｍ忸ｔ；ｏｎＳｃｉ目１ｃｅⅧ２０№．３Ｍａｖ２００４基于高光谱数据的小麦叶绿素含量反演赵祥，刘素红”，王培娟，王锦地，田振坤（北京师范大学地理学与遥感科学学院遥感与地理信息系统研究中心，北京１００８７５；遥感科学国家重点实验室，北京１００８７５；环境遥感与数字城市北京市重点实验室．北京１００８７５）摘要：近年来，遥感高光谱技术为获取农作物的某些生理化参数提供了丰富的数据来源。

该文使用北京小汤山地区实验获取的小麦高光谱数据，应用偏最小二乘回归方法，建立了冬小麦冠层波谱与叶绿索含量的回归反演计算模型。

研究结果显示：模型在３５０～１０６０砌波段具有较高的反演精度。

本研究为应用高光谱数据反演冬小麦叶绿紊含量提供了有效途径。

关键词：高光谱数据；反演；叶绿索含量；小麦中图分类号：Ｓ５１２．１十１文献标识码：Ａ文章编号：１６７２—０５０４（２００４）０３—００３６—０４光合作用过程中起吸收光能作用的色素有叶绿索Ａ、叶绿索Ｂ与类胡萝ｈ素，其中叶绿素是吸收光能的物质，对植被的光能利用有直接关系。

叶绿素含量和植被的光台能力、发育阶段以及氮素状况有较好的相关性，它们通常是氮素胁迫、光合作用能力和植被发育阶段的指示器”Ｊ。

在小麦生长环境分析和长势监测中，叶绿素含量是非常重要的评估内容之一。

随着遥感技术的发展，现在比较容易获得多种观察值。

可以分为多光谱、多方位、多时相和综合指数，它们分别载有不同的有关材料波谱和植被结构的信息【２Ｊ。

人们一直在寻找高光谱数据与农作物生理生化参数之间的定量关系，金震字等［３】指出水稻叶绿索含量与其反射光谱红边拐点位置之间有着良好的线性相关析模型）于一体的典型地物渡谱知识库，为定量遥感理论与应用研究提供一个系统化和专业化的遥感波谱科学实验平台［５］。

波谱知识库将在典型地物波谱与图像数据积累的基础上，以波谱数据的知识化、定量化和实用化为目标，完成典型地物波谱、环境参数问的相互配套。

应用高光谱植被指数反演冬小麦叶绿素含量的光谱指标敏感性研究

应用高光谱植被指数反演冬小麦叶绿素含量的光谱指标敏感性研究田静国;王树东;张立福;马超;张霞【期刊名称】《科学技术与工程》【年(卷),期】2016(016)015【摘要】高光谱植被指数反演叶绿素含量的精度除与模型有关外,光谱指标中心波长、波段宽度、信噪比等的差异也会带来一定的影响.研究基于实测光谱数据,结合波段模拟、噪音分析等方法,研究不同的光谱指标对植被指数反演叶绿素含量的影响,分析用于反演的光谱指标的敏感性,结果表明:①最佳中心波长的位置与适用于高低覆盖的植被指数类型有关,反演精度在一定范围内并不随着波段宽度的增加而提高;②不同植被指数抗噪声能力有一定的差异,其中DVI(difference vegetation index),NDVI(normalized difference vegetation index)等抗噪能力比较强,MCARI (modified chlorophyll absorption ratio index)和TCARI(transformed chlorophyll absorption ratio index)抗噪能力比较弱;③联合反演模型反演结果为R2 =0.741 5,RMSE =0.4026,优于MTCI(MERIS terrestrial chlorophyll index)的反演结果,通过模拟HJ1 A-HSI,Hyperion等数据,研究出联合反演模型在不同高光谱传感器下有一定的适用性.【总页数】8页(P1-8)【作者】田静国;王树东;张立福;马超;张霞【作者单位】河南理工大学测绘与国土信息工程学院,焦作454000;中国科学院遥感与数字地球研究所高光谱遥感应用技术研究室,北京100101;中国科学院遥感与数字地球研究所高光谱遥感应用技术研究室,北京100101;中国科学院遥感与数字地球研究所高光谱遥感应用技术研究室,北京100101;河南理工大学测绘与国土信息工程学院,焦作454000;中国科学院遥感与数字地球研究所高光谱遥感应用技术研究室,北京100101【正文语种】中文【中图分类】P237【相关文献】1.基于光谱植被指数的冬小麦叶绿素含量反演 [J], 赵佳佳;冯美臣;王超;杨武德;李志花;朱智慧;任鹏;刘婷婷;王慧琴2.不同光谱植被指数反演冬小麦叶氮含量的敏感性研究 [J], 张潇元;张立福;张霞;王树东;田静国;翟涌光3.冬小麦典型多参量冠层高光谱反演的光谱指标敏感性研究 [J], 韩茜;张潇元;王树东;张立福;张霞;田静国4.基于新型植被指数的冬小麦LAI高光谱反演 [J], 束美艳;顾晓鹤;孙林;朱金山;杨贵军;王延仓;张丽妍5.扬花期冬小麦冠层叶绿素含量高光谱遥感反演 [J], 姜海玲;李耀;赵艺源;郑世欣;李悦因版权原因，仅展示原文概要，查看原文内容请购买。

利用高光谱技术反演作物叶绿素浓度

利用高光谱技术反演作物叶绿素浓度摘要：高光谱技术作为一种新兴光谱技术，被广泛应用于植物的无损检测中，植被叶片叶绿素含量的估测就是其中之一。

利用可见-近红外成像光谱仪采集不同生育期玉米和大豆的冠层“图谱”数据，在逐步提取影像中光照土壤、阴影土壤、光照植被、阴影植被四种组分光谱的基础上，通过选取的敏感波段构建光谱植被指数和叶绿素密度进行波段自相关分析，探讨各个分量对作物叶绿素密度反演的影响。

关键词：高光谱技术；叶绿素；反演0 引言植物通过光合作用获取营养物质，在植物光合作用中，植物细胞中的叶绿体占据了重要的地位，而叶绿体中的色素有叶绿素（叶绿素a，叶绿素b 和叶绿素a+b）与类胡萝卜素（胡萝卜素和叶黄素）。

其中，叶绿素是植物光合作用中最重要的色素，其作为主要吸收光能的物质，直接影响植物光合作用的光能利用率。

叶片单位面积的叶绿素含量是植物总体生长状况的一个重要指标。

叶片叶绿素含量的测定可以用来检测和研究植物突变、压力和营养状态，作物压力和萎黄病的检测对精细农业具有重要的潜在影响[1]。

随着光谱技术的发展，其被应用到各个领域。

而高光谱技术作为光谱技术的一种，由于具有众多优点，在光谱检测方面应用十分广泛，备受人们的青睐。

人类肉眼的视觉范围在380~780 nm 之间，而高光谱的波段非常宽，一些高光谱仪器的波段达350~2 500 nm。

因此，通过高光谱技术可以对绿色植物进行叶绿素的检测和定量分析。

本文对高光谱技术在植物，特别是在经济作物的叶绿素含量检测和定量分析中的应用加以概述[2]。

1 成像系统简介及数据处理1.1 高光谱成像技术简介高光谱成像技术是在多光谱成像的基础上发展而来的，在较宽的波段范围内，利用成像光谱仪对目标物体进行连续成像，从而获得每个像元的数十或数百条光谱信息。

其成像特点是：光谱范围广（200~2 500nm）、超多波段（上百个波段）、高的高光谱分辨率（几个nm）、波段窄（≤10-2λ）和图谱合一等。

基于高光谱和高分一号卫星影像的冬小麦叶绿素遥感反演

基于高光谱和高分一号卫星影像的冬小麦叶绿素遥感反演小麦是世界上分布范围最广,种植面积最大的粮食作物之一,也是我国的主要农作物之一。

而叶绿素含量与植物的光合作用能力与生长状态密切相关,是植被光合能力强弱、营养生理状况以及衰老进程的良好指示剂,其含量的测定对农作物长势监测、施肥调控与产量评估具有重要意义。

通过高光谱数据和卫星影像数据反演叶绿素等与农作物长势,产量密切相关的参数,可以实现农作物的长势监测从而为农作物生产提供指导作用和参考价值。

本研究以不同生育时期不同区域的冬小麦为研究对象,通过田间试验,获取了冬小麦高光谱数据、GF1卫星影像数据以及叶绿素含量（Chl）,通过计算和数理统计分析比较,构建了冬小麦叶绿素含量最佳估算模型,并借助GF-1影像对冬小麦拔节期冠层叶绿素含量进行空间反演及精度验证。

为冬小麦长势监测和田间精准管理提供理论依据和技术支撑。

取得的主要结论如下:（1）冬小麦叶片叶绿素含量（Chl）在不同生育时期差异显著,且随着生育进程的推进呈现出逐步上升的变化趋势;冬小麦冠层叶绿素含量（Chl）随着生育进程的推进呈现出先上升后下降的变化趋势。

总体来看,叶片尺度的Chl值均大于冠层尺度的Chl值。

（2）原始光谱随着叶绿素含量的增加,在可见光区域反射率降低而在近红外区域反射率增加;不同叶绿素水平的叶片光谱反射率均比冠层光谱反射率高,在可见光波段更显著;叶片在不同Chl水平下红边特征有差异,红边位置随Chl增加而不断发生“红移”,并且存在“双峰”或“多峰”的现象。

随着生育期的推进,叶片光谱反射率在可见光波段的反射率越来越低,在近红外波段反射率越来越高;冠层光谱反射率在可见光波段先降低后升高,在近红外波段相反。

不同生育期和不同叶绿素含量下,冬小麦冠层光谱红边位置分布在735 nm附近,而冬小麦叶片光谱红边位置分布于710nm附近。

（3）在4个生育期,一阶导数与Chl 值的相关性均强于原始光谱与Chl值的相关性,叶片光谱与Chl相关性强于冠层光谱。

植物叶绿素含量遥感监测及其应用

植物叶绿素含量遥感监测及其应用随着遥感技术的发展，越来越多的自然资源可以通过卫星遥感获取，其中植物叶绿素含量是一项热门研究领域。

植物叶绿素含量是植物光合作用的一个重要指标，可以反映植物的健康状况和生长发育情况。

因此，植物叶绿素含量的遥感监测和应用已经成为生态环境、农业和林业等领域的研究热点。

一、植物叶绿素含量遥感监测方法植物叶绿素含量的遥感监测方法主要是通过卫星的遥感数据来反演。

这些数据包括多光谱遥感数据和高光谱遥感数据。

多光谱遥感数据一般包括绿色波段、红色波段和近红外波段等，可以用来计算植被指数（例如归一化植被指数）和反演叶绿素含量。

高光谱遥感数据包含更多的光谱波段，可以更准确地反演叶绿素含量。

通过这些遥感数据，研究人员可以计算出反射率光谱曲线。

在这个过程中，需要对光谱计算进行校正，包括大气校正、地表反射校正等。

然后，可以使用遥感反演算法来计算植物叶绿素含量。

遥感反演算法基于统计模型、机器学习等方法，可以将反演光谱曲线和实测植物叶绿素含量之间的关系建立起来，从而计算出遥感获取的叶绿素含量。

二、植物叶绿素含量遥感监测应用1. 生态环境监测植物叶绿素含量可以反映生态系统和环境的状态。

通过遥感监测叶绿素含量，可以对全球性的环境进程进行追踪和评估，例如气候变化对生态系统的影响、湿地环境的变化、水质的污染状况等等。

我们可以将不同区域的植物叶绿素含量进行比较，从而了解环境变化的影响。

2. 农业生产植物叶绿素含量也广泛应用于农业领域。

在作物生长过程中，叶绿素含量与作物的生长状态和健康情况密切相关。

通过遥感监测农田中的叶绿素含量，可以对作物的生长情况进行评估并及时采取调控措施，提高作物产量和质量。

3. 森林监测森林是地球系统中重要的碳汇，森林生态系统的变化对于全球气候的影响非常重要。

植物叶绿素含量的遥感监测在森林监测中也有广泛的应用。

通过遥感监测森林中不同树种的生长状况，可以及时发现森林病虫害和火灾等问题，并采取措施预防和解决。

利用高光谱植被指数估测苹果树冠层叶绿素含量

５：Ｏ０，测量前进行标准白板校正。选择具有代表性的样本点，采用长度为５Ｉｌｌ的外加光纤观测冠层光
谱，观测时确保整个冠层在探测范围内［４］，每个样本记录５
个光谱，以其平均值作为该样本的光谱反射率。
苹果叶面积指数，并在测定的苹果树冠层外围各取４～６片健康叶片，装人保鲜袋、封口、编号，置于保鲜箱带回实验室进行室内化验分析。将新鲜的苹果叶片剪成细丝，避开叶脉，混匀后称取０．２ｇ，用９５乙醇提取叶绿素，对提取液用ＵＶ７６２紫外可见分光光度计比色，分别测定６６５ｉｒｍ（叶绿素
苹果冠层高光谱反射率，对原始光谱进行微分变换，与苹果叶绿素含量进行相关分析确定敏感波段，通过分析敏感区域４００￣１３５０ｎｍ范围内所有两波段组合的植被指数，选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：（１）苹果冠层叶绿素含量的敏感波段区域为４００１３５０ｎｍ。（２）利用筛选得到的植被指数ＣＣＩ（Ｄ／Ｄｓ。）构建的估测模型能较好的估测苹果冠层叶绿素含量。（３）以ＣＣＩ（Ｄｒ。／Ｄ７ｓ。）指数为
（１ｅａｆｃｈｌｏｒｏｐｈｙｌｌｃｏｎｔｅｎｔ，ＬＣＣ）反映单株植物的生长状况，
１实验部分
１．１样品
选择山东省苹果主产区之一蒙阴县，采集时间为２０１２年６月２２日，为苹果叶片营养相对稳定的春梢停止生长期，

基于思维进化优化BP神经网络的大豆叶片叶绿素含量高光谱反演

刘　润，张绍良，侯湖平，等．基于思维进化优化ＢＰ神经网络的大豆叶片叶绿素含量高光谱反演［Ｊ］．江苏农业科学，２０１８，４６（１３）：２１２－２１６．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０１８．１３．０５０基于思维进化优化ＢＰ神经网络的大豆叶片叶绿素含量高光谱反演刘　润１，张绍良１，侯湖平２，陈　浮２，田艳凤２，郝绍金２（１．中国矿业大学环境与测绘学院，江苏徐州２２１１１６；２．中国矿业大学低碳能源研究院，江苏徐州２２１１１６）摘要：为进一步研究优化神经网络算法在植物生化参量高光谱反演当中的应用问题，运用遗传算法和思维进化算法对ＢＰ神经网络进行优化来构建大豆叶片叶绿素含量反演模型。

利用实测光谱数据和对应叶绿素数据建立训练数据集，然后分别使用遗传算法和思维进化算法对ＢＰ神经网络进行优化训练，将训练好的模型用于叶绿素含量估算。

结果表明，基于思维进化优化ＢＰ神经网络模型能准确预测叶绿素含量，且模型最稳定，能够解决小样本情况下叶绿素含量估算问题，并保证估算精度，可以作为大豆叶片叶绿素含量估算的一种新的参考方法。

关键词：思维进化算法；ＢＰ神经网络；叶绿素含量；高光谱反演中图分类号：Ｓ１２６；Ｓ５６５．１０１文献标志码：Ａ文章编号：１００２－１３０２（２０１８）１３－０２１２－０４收稿日期：２０１７－０９－１２基金项目：国家科技支撑计划（编号：２０１２ＢＡＣ２４Ｂ０５－３）；国家自然科学基金（编号：５１４７４２１４）。

作者简介：刘　润（１９９３—），男，安徽桐城人，硕士研究生，研究方向为植被生态遥感。

Ｅ－ｍａｉｌ：ｌｒｕｎｓｔｙｌｅ＠１２６．ｃｏｍ。

通信作者：张绍良，博士，教授，博士生导师，主要研究方向为矿区生态监测与评价、生态恢复力。

Ｅ－ｍａｉｌ：ｓｌｚｈａｎｇ＠ｃｕｍｔ．ｅｄｕ．ｃｎ。

植物叶片叶绿素含量是表征植物生长状况和其光合作用能力的重要指标，是植被光合作用能力、植被生理状况的指示剂，其含量快速测定对农作物长势监测、病虫害防治及农作物估产等都有着重要意义［１－２］。

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

浓度明显。
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（０８．２０）基于辐射传输模．植物学通报２，１ — ２．５７７１４
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
１９；ｅｌｒｅ１１９；ｕｔｅｅ１１９）５Ｓｌｓｔ．５Ｊｓｉｔ．８。尽９ｅａ，９ｃａ，９
来反演Ｌ，ＡＩ但是随着ＬＩＡ的增加，Ｖ会出现一个明ＮＤＩ
显的饱和区域，这一区域的存在说明ＮＶＩＤ自身的一个
这３类植被指数而言，５ｍ和７５ｎ的叶片反射率更适合实际的叶绿素浓度反演。以７０ｎ和７５ｎ７０ｎ０ｍ５ｍ０ｍ代替８０ｎ／０ｍ７０ｎ０ｍ和６０ｎ成功地提高了３７ｍ类植被指数与叶绿素浓度的线性相关程度，中ＭＣＲ７和叶绿素浓度基本呈线性关系。其ＡＩ５０叶面积指数变化敏感性分析同样显示，５ｍ和７５ｎ以７０ｎ０ｍ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
（ｒｒｔ１１９；ｌｃｂｒ，９；ｅｕｌｓｎＣａｔ．６Ｂａｋｕｎ１８ＰＳｅａｄｅｅａ，９９ａ
定结构参数信息的变化，ＨＡＩ￣Ｌ和叶倾角分布（ａｎｌ１ｆｇｅｅａ

叶绿素反演流程

叶绿素反演流程引言：叶绿素是植物和藻类中存在的一种重要生物色素，它在光合作用中扮演着关键的角色。

叶绿素反演指的是通过遥感技术获取地表叶绿素含量的过程。

叶绿素反演流程包括数据获取、预处理、辐射传输模型建立、参数反演等步骤。

本文将详细介绍叶绿素反演的流程。

一、数据获取叶绿素反演的第一步是获取遥感数据。

常用的遥感数据包括高光谱数据和多光谱数据。

高光谱数据可以提供丰富的光谱信息，而多光谱数据则具有较高的空间分辨率。

通过卫星或无人机获取的遥感数据可以用于叶绿素反演。

二、预处理在进行叶绿素反演之前，需要对遥感数据进行预处理。

预处理的目的是去除噪声、纠正辐射定标系数以及大气校正。

常用的预处理方法包括辐射定标、大气校正以及影像配准等。

三、辐射传输模型建立辐射传输模型是叶绿素反演的关键环节，其目的是建立地表辐射与叶绿素含量之间的关系。

辐射传输模型通常基于物理原理，考虑了光的散射、吸收和透射等过程。

常用的辐射传输模型有PROSAIL、PROSPECT等。

四、参数反演在建立了辐射传输模型之后，可以通过参数反演来获取地表叶绿素含量。

参数反演的目标是找到最佳的模型参数，使模型模拟结果与实测数据尽可能吻合。

参数反演方法包括基于优化算法的全局搜索和基于统计学的回归分析等。

五、结果评估获得叶绿素反演结果后，需要对结果进行评估。

评估的指标包括误差分析、相关系数以及精度评价等。

通过评估可以判断叶绿素反演结果的可靠性和准确性。

六、应用与展望叶绿素反演的结果可以用于植被健康监测、农作物生长状况评估以及水质监测等领域。

未来，随着遥感技术的进一步发展，叶绿素反演的精度和应用范围将进一步扩大。

结论：叶绿素反演是通过遥感技术获取地表叶绿素含量的一种重要方法。

叶绿素反演流程包括数据获取、预处理、辐射传输模型建立、参数反演等步骤。

通过叶绿素反演可以实现对植被健康状态和水质状况的监测与评估，具有重要的应用价值。

未来，叶绿素反演技术将在农业、环境保护等领域发挥更大的作用。

应用近地成像高光谱估算玉米叶绿素含量

应用近地成像高光谱估算玉米叶绿素含量
张东彦，刘镕源，宋晓宇～，徐新刚，黄文江，朱大洲，王纪华。
１．浙江大学农业遥感与信息技术应用研究所，江杭州浙
２．国家农业信息化工程技术研究中心，京１０９北００７
谱探测仪器，如Ｈ本Ｍｉｏｔ司生产的ＳＡ５２叶绿素ｎｌａ公ＰＤ－０
‘
的叶绿素含量进行反演，结果在大田进行验证，以期采用将这种方法获得较高精度的预测模型，为农业定量遥感提供新
的研究手段。
；美尉（ｌｏ）ａｍａ公研制的手持式冠层长势仪Ｇｅｎ— ｋｈｒｅｓ
探测方面具有较大的应用潜力。
关键词
成像高光谱；被指数；米；叶绿素含量植玉
文献标识码：ＡＤ：１．９４ｊｉｓ．０００９（０１０ —７１０ＯＩ０３６／．ｓｎ１０ —５３２１）３０７ —５
中图分类号：Ｓ２１７
题成为研究的热点。基于此，本研究利用高光谱、高空间分辨率的田问成像光谱仪获取玉米植株影像，然后从影像中精
确提取不同层位叶片的光谱反射率，对自然生长环境下玉米
物养分、水分含量的光谱参量及数据库【司。基于作物覆盖度、养分和水分光谱探测原理，囤内外已经研制丫相关的光
谱仪进行成像高光谱采集。
１２高光谱成像采集系统．

应用光谱指数和机器学习反演紫丁香叶片的叶绿素面密度

二维光谱指数的基础上，引入三维光谱指数，基于原
始光谱（Ｒ）及其对应的一阶微分（ＲＦＤ）、二阶微分
（ＲＳＤ）光谱构建全波段不同维度的光谱指数，通过
皮尔逊相关系数法（ＰＣＣ）进行最优光谱指数筛选，
构建基于最优光谱指数和孪生支持向量回归机（ＴＳ⁃
ＶＲ）的紫丁香叶片叶绿素面密度反演模型。为进一
Ｈｕｉｊｕｎ（ＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｈｏｈｈｏｔ０１００２０，Ｐ．Ｒ．Ｃｈｉｎａ）；ＬｉＨｅｘｉｎ（ＳｅｃｏｎｄＦｏｒｅｓｔｒｙａｎｄＧｒａｓｓｌａｎｄ
ＴｅｓｔｉｎｇａｎｄＰｌａｎｎｉｎｇＩｎｓｔｉｔｕｔｅｏｆＩｎｎｅｒＭｏｎｇｏｌｉａ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（２）：７５－８３．
ｍｏｄｅｌｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｍａｘｉｍｕｍｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｂｅｔｗｅｅｎｔｈｅｏｐｔｉｍａｌｓｐｅｃｔｒａｌｉｎｄｅｘａｎｄｃｈｌｏｒｏｐｈｙｌｌ
ｃｏｎｔｅｎｔｕｎｄｅｒｄｉｆｆｅｒｅｎｔｄｉｍｅｎｓｉｏｎｓｗｅｒｅＩＴＢＩ３（ＲＳＤ７１４，ＲＳＤ７４５，ＲＳＤ７００）ｗｉｔｈａｖａｌｕｅｏｆ０．９０１５，ＩＳＲＩ（ＲＦＤ７０４，ＲＦＤ７３８）ｗｉｔｈａ
紫丁香（ＳｙｒｉｎｇａｏｂｌａｔａＬｉｎｄｌ．）是木犀科丁香属
谱技术能对植被进行微弱光谱差异的定量分析，具
植物，为落叶灌木或小乔木。因其独特的观赏价值
有信息获取量大、实时、无损等优势，弥补了传统方

基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究

基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究基于高光谱数据的玉米L和叶绿素含量遥感反演方法的研究摘要：随着农业遥感技术的发展，利用高光谱数据进行植被参数反演已成为农业生产管理和精准农业的重要工具之一。

本文通过分析基于高光谱数据的玉米L（叶面积指数）和叶绿素含量遥感反演方法的研究现状，提出了一种改进的方法，并对该方法进行了实验验证。

实验结果表明，该方法能够准确反演出玉米的L和叶绿素含量。

本研究为农业生产和精准农业管理提供了一种高效准确的遥感反演方法。

关键词：高光谱数据；玉米；L；叶绿素含量；遥感反演 1. 引言玉米作为我国重要的粮食作物之一，对其生长状态进行准确的遥感反演可以为农业生产管理和精准农业提供重要依据，进而提高农作物产量和质量。

而L和叶绿素含量是衡量植物生长状态和光合作用强度的重要参数，因此准确反演玉米的L和叶绿素含量对于进行农作物监测和精细化管理至关重要。

2. 研究现状目前，利用高光谱数据进行植被参数反演已成为广泛研究的方向之一。

一些学者利用高光谱数据进行L和叶绿素含量反演的方法已取得了一定的研究进展。

其中，最常用的方法包括指数比值法、指数的拟合方法、基于光谱反射率和植被指数的关系等。

然而，现有的方法在一定程度上存在一些不足之处，如对于大尺度和复杂地物的精确度较低，或者需要大量的实地数据采集和参数拟合等。

3. 研究方法为了克服现有方法的不足，本研究提出了一种改进的基于高光谱数据的玉米L和叶绿素含量遥感反演方法。

该方法首先通过采集不同生长阶段的玉米样本，获取其高光谱数据，并同时测量其实际的L和叶绿素含量。

然后，根据高光谱数据和地面的观测数据，建立反演模型。

在模型中，利用多元线性回归、主成分分析和支持向量机等方法，对高光谱数据进行特征提取和建模，最终实现对L和叶绿素含量的准确遥感反演。

4. 实验验证本研究选择某玉米田作为实验区域，采集了不同生长阶段的玉米样本，并获取其高光谱数据和实际的L和叶绿素含量。

基于无人机高光谱图像的枸杞冠层叶绿素含量反演

基于无人机高光谱图像的枸杞冠层叶绿素含量反演基于无人机高光谱图像的枸杞冠层叶绿素含量反演摘要：随着无人机技术的发展和高光谱遥感成像技术的成熟，我们可以利用无人机高光谱图像来监测和分析植物的生长状况。

本文以枸杞为研究对象，通过获取无人机高光谱图像并运用反射光谱特征提取方法，实现了枸杞冠层叶绿素含量的精确反演，并与传统手段进行了对比。

结果表明，基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法具有较高的准确性和实用性。

1. 引言枸杞是一种重要的药用和经济作物，其叶绿素含量对于枸杞植株的健康生长和产量具有重要意义。

传统上，通过野外调查和实验室分析的方法来测量枸杞植株叶绿素含量，需要大量的人力和时间成本。

而基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法，可以实现大范围、高效率的监测和分析，为农业生产提供了有力的技术支持。

2. 材料与方法2.1 研究区域和样地选择在研究中选择某农场作为观测区域，根据实际情况选择了若干枸杞样地，确保样地的生长状态基本相似。

2.2 采集无人机高光谱图像数据采用多光谱无人机进行航拍，确保获取到大范围的高分辨率高光谱图像。

利用高光谱传感器观察枸杞植株的反射光谱，获取到植株冠层的光谱特征。

2.3 枸杞冠层叶绿素含量反演模型构建通过对采集到的高光谱图像数据进行处理和分析，建立枸杞冠层叶绿素含量反演模型。

选取光谱指数、特征波段等作为输入参数，通过回归分析确定反演模型的回归系数。

3. 结果与分析在枸杞样地分析中，利用无人机高光谱图像反演得到的冠层叶绿素含量与实际测量结果进行对比，结果表明两者具有较高的相关性。

枸杞样地内叶绿素含量高的区域在图像上表现为反射光谱较高的区域，而叶绿素含量低的区域在图像上表现为反射光谱较低的区域。

该结果验证了基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法的可行性和准确性。

4. 对比与讨论与传统的野外调查和实验室分析方法相比，基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法具有多项优势。

叶绿素浓度反演实验报告

叶绿素浓度反演实验报告引言叶绿素是光合作用中的重要参与者，它能够吸收太阳光能并将其转化为化学能以支持植物的生长和发育。

叶绿素浓度是衡量植物健康状况的重要指标，因此反演叶绿素浓度对于环境监测、农作物健康评估等方面具有重要意义。

本实验旨在通过测量叶片反射率和吸收率，利用反射光谱的特征反演叶绿素浓度。

实验材料和方法实验材料1. 叶子样本：选择多种不同浓度的叶绿素样本，例如大豆、小麦、松树等；2. 光谱仪：用于测量叶片反射光谱，常见的光谱仪有多光束分光仪、扫描光谱仪等；3. 分光计：用于测量光源发出的光谱强度；4. 恒温槽：用于控制测量温度的恒定性；5. 叶绿素浓度测量仪：用于测量叶片中叶绿素的浓度。

实验方法1. 准备不同浓度的叶绿素样本，并记录其浓度值；2. 将光谱仪与分光计连接好，并将测量温度放置在恒温槽中；3. 选取一片叶子样本，将其放置在测量平台上，确保叶片表面平整；4. 打开光谱仪和分光计，记录光谱仪所测得的反射光谱数据；5. 分别计算不同波段的反射光谱和吸收光谱；6. 利用反射光谱和吸收光谱的特征，运用数学模型反演叶绿素浓度；7. 重复以上步骤对其他叶子样本进行测量。

实验结果与讨论通过对多个叶子样本的测量，我们得到了它们在不同波段下的反射光谱和吸收光谱数据。

根据经验，我们发现在特定的波段范围内，叶绿素具有较强的吸收能力。

因此，我们选取了这些波段范围内的反射谱线进行分析。

以大豆样本为例，我们在550nm到720nm范围内选取了若干个波段，分别计算了它们的反射光谱。

然后，通过构建数学模型，我们反演出了大豆样本中叶绿素的浓度。

实验结果显示，浓度较高的大豆样本在所选波段内表现出较低的反射率，而浓度较低的大豆样本则表现出较高的反射率。

这与我们的期望相符合，即叶绿素浓度越高，样本所吸收的光就越多，因此反射率就越低。

我们还对其他样本进行了类似的实验，并得到了类似的结果。

这表明，通过测量叶片的反射光谱，结合数学模型，我们能够较为准确地反演出叶绿素的浓度。

高光谱反演叶片叶绿素及全氮含量

谱数据存在冗余这一特性，次试验采取了偏最小二乘法来对光谱数据进行回归分析，行叶绿素和氮素含量的本进估算。同时，文也比较了叶片叶绿素含量和氪素含量在不同单位表达形式下，最小二乘法对其的估算精度。本偏试验结果表明，于偏最小二乘法分析叶片反射率估测叶片的叶绿素含量及全氮含量具有很好的结果，度全都基精
光谱反射率之间的相关关系，过偏最小二乘法构通
建了叶绿素与氮含量的估测模型，比较了在不同并的含量表达方式下二者的反演精度。
２材料与方法
试验区位于江西省内（６４１５０２。２。４Ｎ，１。４Ｅ；８
在叶片层次研究分析了叶绿素含量和氮含量与叶片
１引言
植被在生态系统中起着非常重要的作用，物植中的生化物质都直接或间接地参与生物地球化学循
环，生态系统的物质和能量循环中发挥重要的作在用［。其中植物的氮含量是评价植被长势的重要指１］
一
取部分叶片，取叶片中间均匀部分测量其面截
积及重量，于计算叶片密度。叶绿素含量的测定用采用分光光度计法。利用叶绿素ａ和叶绿素ｂ吸收

地面高光谱技术在生态环境反演中的应用

地面高光谱技术在生态环境反演中的应用
地面高光谱技术是一种基于光谱学原理的遥感技术，它可以获取地物的光谱信息，从而实现对生态环境的监测和反演。

地面高光谱技术在生态环境反演中的应用主要包括以下几个方面：
1. 植被参数反演：地面高光谱技术可以获取植被的光谱信息，通过对光谱数据的分析，可以反演出植被的参数，如叶面积指数、叶绿素含量、植被覆盖度等。

这些参数可以用于监测植被生长状况、评估植被生产力和生态系统服务功能等。

2. 土壤参数反演：地面高光谱技术可以获取土壤的光谱信息，通过对光谱数据的分析，可以反演出土壤的参数，如土壤水分、土壤养分含量、土壤质地等。

这些参数可以用于监测土壤质量、评估土壤侵蚀和土地退化等。

3. 水体参数反演：地面高光谱技术可以获取水体的光谱信息，通过对光谱数据的分析，可以反演出水体的参数，如水体透明度、叶绿素 a 含量、悬浮物浓度等。

这些参数可以用于监测水体质量、评估水体富营养化和水生态系统健康状况等。

4. 大气参数反演：地面高光谱技术可以获取大气的光谱信息，通过对光谱数据的分析，可以反演出大气的参数，如气溶胶光学厚度、水汽含量、二氧化碳浓度等。

这些参数可以用于监测大气质量、评估气候变化和大气环境影响等。

地面高光谱技术在生态环境反演中具有广泛的应用前景，可以为
生态环境监测和管理提供科学依据和技术支持。

基于高光谱遥感的长江口叶绿素a浓度反演

第４２卷第３期２０２１年㊀５月水生态学杂志J o u r n a l o fH y d r o e c o l o g yV o l ．４２,N o ．３M a y㊀２０２１D O I :１０．１５９２８/j．１６７４３０７５．２０１９０５２９０１３６㊀㊀收稿日期:２０１９０５２９㊀㊀修回日期:２０２００９０８基金项目:国家自然科学基金(６１９９１４５４).作者简介:沈蔚,１９７７年生,男,教授,主要从事海洋遥感㊁测绘和水下探测领域工程和技术研究.E Ｇm a i l :w s h e n ＠s h o u ．e d u ．c n基于高光谱遥感的长江口叶绿素a 浓度反演推算沈㊀蔚１,２,纪㊀茜１,２,邱耀炜１,２,吴忠强３(１．上海海洋大学海洋科学学院,上海㊀２０１３０６;２．上海河口海洋测绘工程技术研究中心,上海㊀２０１３０６;３．南京大学地理与海洋科学学院,江苏南京㊀２１００２３)摘要:为了解长江口的水质状况,现场测量叶绿素a 浓度,结合高光谱遥感影像,运用波段比值模型㊁一阶微分模型和水体叶绿素a 提取指数(W a t e rC h l o r o p h y l l Ｇa I n d e x ,W C I )对整个研究区域叶绿素a 浓度进行反演推算,并进行空间分布评价;利用实测数据和遥感影像的关系建立反演模型,并结合相关系数㊁均方根误差和平均相对误差分析和评价反演效果.结果显示,波段比值模型和叶绿素a 浓度的相关性达到０．９１,均方根误差为１．７９,平均相对误差为９．０９％;一阶微分模型的相关性为０．９５,均方根误差为２．２１,平均相对误差为１５．３１％;W C I 模型的相关性高达０．９８,均方根误差为１．４４,平均相对误差为６．２０％.利用W C I 模型对整个研究区域的叶绿素a 浓度进行模拟,可见研究区域的中间部分叶绿素a 含量较低,从中间到两边逐渐增大,南部出现最大值,造成此差异的原因可能是因为北接居民生活区,南邻上海青草沙水库,并且附近存在植被.研究表明,W C I 模型的反演效果优于波段比值模型和一阶微分模型,是一种计算简单㊁精度较高的方法,可以有效地提取水体叶绿素a 的浓度,未来可广泛应用于水体环境质量监测.关键词:高光谱遥感;叶绿素a ;长江口;水体叶绿素a 提取指数中图分类号:Q ３３４㊀㊀文献标志码:A㊀㊀文章编号:１６７４３０７５(２０２１)０３０００１０６㊀㊀近年来,内陆水体富营养化问题日益突出.我国１３１个主要湖泊中,已有超过５０％的湖泊达到富营养化(张兵等,２０１２;安如等,２０１３;李修竹等,２０１９).叶绿素是富营养化湖泊水体监测的一个重要参数,可用于估测浮游植物的生物量和生产力,在一定程度上能反映水质状况(W a n g eta l ,２０１５).传统的监测方法可精确测定出各项水质指标,但存在耗时长㊁成本高㊁效率低的问题,而且监测点的位置有限,不能完整反映水质指标的时空分布状况(阎福礼等,２００６;王桥等,２００９).高光谱遥感技术的快速发展,提供了成百上千的光谱通道,能够更精准识别目标地物.与多光谱遥感影像相比,波段数增加,光谱范围变窄,相邻波段相关性高,冗余信息也相对增加,波段之间更加连续,数据量大大增加,高光谱能够更有效监测和评价内陆水体.利用遥感技术反演水质参数是通过研究水体反射光谱特征与水质指标含量之间的关系,选择最佳光谱波段或波段组合与指标浓度进行最大程度的拟合,具有快速㊁大范围㊁低成本和周期性的特点,一定程度上能够有效检测叶绿素浓度的变化状况,也大大提高了反演精度.通过遥感技术反演水质参数,目前常见的方法有经验或半经验法和物理分析法.经验或半经验法是利用单波段水体反射率或者双波段组合等形式,建立其与实测数据之间的统计模型.李素菊等(２００２)利用高光谱数据反射率标志法和一阶微分法分别建立了叶绿素a 的遥感定量模型;马金峰等(２００９)构建三波段模型估算珠江口叶绿素a 浓度,结果表明适用性比较高,但经验法只对I 类水体叶绿素a 浓度反演相对准确,对环境复杂的I I 类水体反演精度较差.物理模型法是通过水体中辐射传输模型来确定水体中各种成分与水体反射率之间的关系,利用所建立的模型,运用水体反射率来反向计算水体中各种组分的含量.毕顺等(２０１８)建立了F L H 模型对叶绿素a 浓度进行估算;K u h n 等(２０１９)运用L a n d s a t ８和哨兵１号数据反演叶绿素a 浓度.建立物理模型的前提是必须明确水体的表现光学特性和固有光学特性,而内陆水体光学特性复杂,水体的反射率小,对模型的参数难以确定,建模难度较大.本文以长江口为研究区,利用实测点叶绿素a 含量数据与高光谱数据,对水体叶绿素a 提取指数(W a t e rC h l o r o p h yl l Ｇa I n d e x ,W C I )模型的波段进行优选,找出相关系数高的波段或波段组合,反演叶绿素a 浓度,并与波段比值模型和一阶微分模型反演结果进行对比,以此探究区域最佳叶绿素a 浓度的反演方法.１㊀材料与方法１．１㊀样点选取本次研究区位于长江口邻近海域(３１ʎ２９ᶄ７ᵡ~３１ʎ３２ᶄ１５ᵡN ,１２１ʎ２６ᶄ５９ᵡ~１２１ʎ４２ᶄ１５ᵡE ).因为长江口含有比较高的浮游植物色素㊁黄色物质以及悬浮物,参照彭水秀等(２０１６)的研究结果,枯水期表层叶绿素a 浓度与环境因子无显著相关性,因此研究时段选择枯水期.数据包括遥感数据和地面实测数据,遥感影像数据用芬兰A I S A 传感器机载成像获取,成像时间２０１６年３月.光谱分辨率为１０n m ,光谱范围３７８~９９５n m ,空间分辨率为１．２m ,飞行高度为１０００m ,包含２７０个波段.在拼接图像时,将信噪比较低的８９个波段剔除掉,剩余有效波段数为１８１个.为了减少环境及其他外在因素对反演结果误差的影响,对影像进行辐射定标㊁大气校正㊁几何校正等预处理.实测采样时间为２０１６年３月２６日和２８日１０ʒ００１４ʒ００,天气晴朗,无云,能见度良好,水面平静.分别采用在岸边取水和船上直接取水两种手段,共采集了１４个点位的水体表面反射率光谱数据,并通过室内试验同步实测了各个点位的叶绿素a 浓度,叶绿素a 浓度值在０．００９５~０．２４８m g /L ;其中的９个样本用于建立模型,另外５个用于模型验证,实验样点分布见图１.其中红色代表控制点,绿色代表检查点.控制点的叶绿素a 浓度为０．０１３１㊁０．０１１９㊁０００９５㊁０．０１８４㊁０．０１５６㊁０．０１３９㊁０．０２１７㊁０．０２４８㊁０．０１９５m g /L ,检查点的叶绿素a 浓度为００１２１㊁０．０１６８㊁０．００９５㊁０．０１８８㊁０．０２３８m g/L.图１㊀长江口采样点位置F i g ．１㊀L o c a t i o no f t h e s a m p l i n gpo i n t s a t t h e Y a n g t z eR i v e r e s t u a r y１．２㊀归一化处理由于水体中光谱辐射相差较小,不能很好地对比其运算结果.为了提高不同采样点光谱值之间的对比,对高光谱遥感影像进行归一化处理,以消除环境遮挡㊁测量角度变化等不确定性要素对遥感数据的影响,具体公式如下:R N (λi )＝R ０(λi )１n ð９４０４２０R ０(λi )①式中:R N (λi )是归一化后的水体遥感反射率;R ０(λi )是原始水体遥感反射率;n 是４２０~９４０n m 的波段数.归一化处理后的光谱曲线如图２所示.与原始影像相比,归一化处理后的数据之间可比性更明显,曲线相对更加集中,光谱曲线的峰谷特征更易于相互比较.从图２中可以看出,８００n m 附近具有强吸收作用,６００n m 和８４０n m 附近具有反射作用.图２㊀长江口采样点的水体归一化光谱曲线F i g ．２㊀N o r m a l i z e d s p e c t r a l c u r v e o f t h ew a t e r b o d y at t h e s a m p l i n gp o i n t s i n t h eY a n g t z eR i v e r e s t u a r y１．３㊀叶绿素a 浓度反演方法１．３．１㊀波段比值法㊀O ᶄR e i l l y 等(１９９８)提出用波段比值法来估算叶绿素a 含量,该方法是目前为止在遥感方面反演叶绿素a 含量使用较多的模型,其主要原理是利用近红外反射率最大值和红光反射率最小值附近两个波段的反射率比值,可以定量反演叶绿素a 浓度,计算公式如下:C ＝a R (λ１)R (λ２)＋b ②式中:C 表示叶绿素a 浓度;a 为回归系数;R (λ１)和R (λ２)表示波长为λ１和λ２处的水体辐射亮度.１．３．２㊀一阶微分法㊀R u n d qu i s t 等(１９９６)提出光谱反射率的一阶微分可以定义为其相对波长的变化率,通过将连续反射率值之间的差除以其波长间隔来计算一阶导数.对光谱数据的一阶微分处理可以去除部分线性或者接近线性的背景噪声的影响.使用该回归平滑算法处理光谱,通过高斯核函数,利用２第４２卷第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀水生态学杂志㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２１年５月N a d a r a y a ＧW a t s o n 方法(N a d a r a d y,１９６４)计算水面实测光谱的一阶微分公式如下:R (λi )ᶄ＝R (λi ＋１)－R (λi －１)λi ＋１－λi －１③式中:R (λi )ᶄ是波长为λi 时的一阶微分反射光谱;λi ＋１和λi １为相邻波长;R (λi ＋１)和R (λi １)分别为相邻波长的反射率.１．３．３㊀W C I 指数优化法㊀根据W C I 指数法反演研究区的叶绿素浓度(王金梁等,２０１４).通过分析特征波段,可以判断出３个波段所处的大致位置,但为了利用W C I 模型精确反演叶绿素a 浓度,需要确定波段的最佳位置,使变量[(B １B ２)/(B ２B ３)]叶绿素a 浓度的P e a r s o n 相关系数(r )达到最佳.为了准确选取B １㊁B ２和B ３波段,选择与３波段(半分析)法类似的循环迭代法来实现波段的优化计算(杜聪等,２００９).具体步骤如下:从光谱曲线中找出两个反射峰,并将B １和B ２初始化在这两个反射峰上,寻找B ３的最佳位置.通过在选取的波段中不断调整３个波段,计算[(B １B ２)/(B ２B ３]的值与叶绿素a 浓度之间的相关系数,选取其中最大值所对应的波段作为迭代结果,拟合出反演模型.１．４㊀叶绿素a 浓度反演模型通过分析长江口水体归一化反射光谱曲线特征,并计算各波段值与叶绿素a 浓度之间的相关系数,此过程运用P y t h o n 处理.经计算,波段比值模型选用７２０n m 和６７０n m ,一阶微分模型则选用波长为７１３n m 的波段.相关系数计算公式如下:γ＝ðni ＝１(X i －X )(Y i －Y )ðni ＝１(X i －X )２ðni ＝１(Y i －Y )２④式中:γ是光谱反射率与叶绿素a 浓度的相关系数;X i 是第i 个点处的光谱反射率;X 是所有点光谱反射率的平均值;Y i 是第i 个点的叶绿素a 浓度值;Y 是所有点的叶绿素a 浓度平均值.对于W C I 模型,根据光谱曲线图,将B １和B ２分别初始化在５８６n m 和８４８n m 处,寻找出B ３相关系数最高的波段,将B １波段和确定后的B ３波段作为初始值优化B ２波段,再将优化后的B ２和B ３作为迭代结果优化B １波段;重复上述步骤,将上一代迭代结果作为下一代迭代的初始值,进行新一轮的波段优化计算,直到所有波段位置不变为止,完成波段优化过程.从表１可以看出,优化后确定的B １㊁B ２㊁B ３波段均为７１０n m ㊁５８８n m 和７７１n m ,说明建立WC I 的３个波段都比较稳定,最终建立的W C I 形式如下:W C I＝(R ７１０R ５８８)/(R ５８８R ７７１)⑤式中:R i 代表中心波长为i n m 处的波段反射率;W C I 为新建的水体叶绿素a 含量反演指数.利用此指数构建线性模型,公式如下:C ＝a ˑW C I ＋b ⑥式中:C 是叶绿素a 浓度值;a 为回归系数.表１㊀W C I 波段迭代优化过程T a b ．１㊀I t e r a t i v e p r o c e s s f o rW C I b a n do pt i m i z a t i o n 迭代数B １/n m B ２/n m B ３/n m 相关系数０５８６８４８７９６１５８６５９４７９６０．８３７２７１０５９４７９６０．９２９６７１０５９４７７６０．９３５７２７１０５８８７７６０．９５４７７１０５８８７７６７１０５８８７７１０．９５８７３７１０５８８７７１７１０５８８７７１总计７１０５８８７７１０．９５８７㊀㊀注:表示本次迭代的最大相关系数与上一次相同.N o t e : i n d i c a t e s t h a t t h em a x i m u mc o r r e l a t i o n c o e f f i c i e n t o ft h i s i t e r a t i o n i s t h e s a m e a s t h e p r e v i o u s i t e r a t i o n ．２㊀结果与分析２．１㊀模型精度验证与比较为了验证W C I 模型反演水体叶绿素a 浓度的效果,采用均方根误差(R M S E )和平均相对误差(M R E )以及模型决定系数(R ２)为评价指标进行精度检验,并与波段比值模型㊁一阶微分模型进行比较,绘制出各模型反演值与实测值的关系如图３所示.由于W C I 模型选取波段的原因,剔除了一个异常值验证点.模型和水体叶绿素a 含量的R ２㊁R M S E ㊁M R E 以及反演模型见表２.图３直观地反映了各个检验点叶绿素a 浓度反演值和实测值的偏离情况,所有检验点越接近趋势线,偏离越小,反之亦然;可以看出,波段比值模型和一阶微分模型偏离程度大致差不多,反演效果较好.由表２可见,这两个模型的决定系数都很大,说明模型所选的波段和叶绿素a 浓度相关性都较高.其中,单波段模型中选择了R ７２０/R ６７０比值来反演叶绿素a 浓度,波段比值中的７２０n m 波段位于高反射率位置,保证了较高的信噪比,６７０n m 附近叶绿素a的吸收特征是唯一的,且两个波段之间彼此靠近,受非色素悬浮物及黄色物质的影响相似,保持了较低的噪声,所以该模型可以用来反演长江口表面水体的叶绿素a 浓度.鉴于影响叶绿素a 浓度的变化因３２０２１年第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀沈㊀蔚等,基于高光谱遥感的长江口叶绿素a 浓度反演推算子较复杂,如果运算波段单一,仅仅依靠单波段比值法不足以全面反映出叶绿素a 浓度.一阶微分模型的决定系数大于波段比值模型而小于W C I 模型,均方根误差和平均相对误差都是最大的.图３㊀叶绿素a 反演值和实测值关系F i g ．３㊀R e l a t i o n s h i p o f s i m u l a t e d v a l u e s o fC h l o r o p h y l l Ｇa c o n c e n t r a t i o nw i t hm e a s u r e d v a l u e s f o r e a c hm o d e l 表２㊀叶绿素a 浓度反演模型比较T a b ．２㊀S t a t i s t i c a l pa r a m e t e r s o f e a c hm o d e l f o r e s t i m a t i n g c h l o r o p h yl l Ｇa c o n c e n t r a t i o n 模型R ２R M S E M R E /％反演模型波段比值０．９１１．７９９．０９C ＝０．１０５２χ０．０７８９一阶微分０．９５２．２１１５．３１C ＝１．８４６６χ＋０．０１８０W C I０．９８１．４４６．２０C ＝０．１２３１χ＋０．０５８９㊀㊀与波段比值模型和一阶微分模型相比,W C I 能够在没有悬浮物等其他物质含量的情况下,准确反演水体叶绿素a 的浓度.通过水体光谱的变化信息来反映水体叶绿素a 的信息,利用波段差值的比值特征代表叶绿素a 吸收和反射的差异,构建的指数W C I 在剔除了异常点之后,与叶绿素a 浓度相关系数较高,均方根误差和平均相对误差均最小.选取的波段比较稳定,受其他水体所含物质影响较小,计算过程相对简单,便于使用.２．２㊀叶绿素a 浓度的W C I 反演总体来说,对于从相关性㊁均方根误差㊁平均相对误差３个评价指标对比,波段比值模型效果优于W C I 指数优化模型和一阶微分模型.用W C I 模型模拟整个研究区的叶绿素a 浓度,结果如图４所示.可以明显看到叶绿素a 含量的空间分布情况.总体上,研究区域的中间部分叶绿素a 含量较低,从中间到两边逐渐增大.南部出现最大值,造成这种差异的原因可能是因为北接居民生活区,南邻上海青草沙水库,并且附近存在植被.西南角出现最小值,可能是因为此地处于深水区,有少量淤泥,从而叶绿素a 含量少.相比丰水期而言,枯水期浮游植物种类减少,物种数量少,细胞丰度低,叶绿素a 浓度整体较低(李照等,２０１７).叶绿素a 浓度分布具有一定的时间和空间特征,冬季低于夏季,由近岸向远海浓度先增加㊁后降低,由于近海流况影响,季节变化明显,同时受到河流出口淡水的季节变化影响,造成叶绿素a 浓度季节变化明显(陈瑜丽和沈芳,２０１６;李照等,２０１６).图４㊀利用W C I 反演长江口叶绿素a 浓度分布F i g ．４㊀S p a t i a l d i s t r i b u t i o no f c h l o r o p h y l l Ｇa c o n c e n t r a t i o n s i n t h eY a n g t z eR i v e r e s t u a r y ba s e do n t h eW C Im o d e l ３㊀小结通过波段比值法㊁一阶微分和W C I 优化模型进行反演水体叶绿素a 浓度,W C I 的相关性最高,误差最小;一阶微分模型的相关性处于中间,误差最大;波段比值模型的相关性最低,误差都是处于中间.因此,W C I 模型反演水体叶绿素a 含量效果佳,尤其在实测数据较少且很难用其他方法反演的时候更具优势.由于长江口为I I 类水体,受人类活动等各种因素影响较大且环境复杂,限制了通过遥感技术来反演水质参数.实测数据只有叶绿素a 的浓度数据,忽略了其他物质的吸收和散射对不同波段的水体反射率的影响,并且采样点数量有限,这对反演模型的构建有一定的影响.一方面,本文仅对长江口的数据进行分析,对优化W C I 模型的适用性以及证明不够充分,需要更多的数据进行更充分的验证;另一方面,通过实测数据构建指数来建立模型仍然属于经验方法,得到的模型很大程度上仅仅适用于建模所用的条件.对于不同水体和不同环境来说是否具有普适性还有待更进一步的验证,尚需在以后的研究中不断完善.４第４２卷第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀水生态学杂志㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２１年５月参考文献安如,刘影影,曲春梅,等,２０１３．N D C I法Ⅱ类水体叶绿素a 浓度高光谱遥感数据反演[J]．湖泊科学,２５(３):４３７４４４．毕顺,李云梅,吕恒,等,２０１８．基于O L C I数据的洱海叶绿素a浓度估算[J]．湖泊科学,３０(３):７０１７１２．陈瑜丽,沈芳,２０１６．长江口及邻近海域悬浮颗粒物对叶绿素a遥感反演算法的影响分析[J]．遥感技术与应用,３１(１):１２６１３３．杜聪,王世新,周艺,等,２００９．利用H y p e r i o n高光谱数据的三波段法反演太湖叶绿素a浓度[J]．环境科学,３０(１０):２９０４２９１０．李素菊,吴倩,王学军,等,２００２．巢湖浮游植物叶绿素含量与反射光谱特征的关系[J]．湖泊科学,(３):２２８２３４．李修竹,苏荣国,张传松,等,２０１９．基于支持向量机的长江口及其邻近海域叶绿素a浓度预测模型[J]．中国海洋大学学报(自然科学版),４９(１):６９７６．李照,宋书群,李才文,２０１６．长江口及其邻近海域叶绿素a 分布特征及其与低氧区形成的关系[J]．海洋科学,４０(２):１１０．李照,宋书群,李才文,等,２０１７．丰㊁枯水期长江口邻近海域浮游植物群落结构特征及其环境影响初探[J]．海洋学报,３９(１０):１２４１４４．马金峰,詹海刚,陈楚群,等,２００９．珠江河口混浊高产水域叶绿素a浓度的遥感估算模型[J]．热带海洋学报,２８(１):１５２０．彭水秀,张坤,李晓明,等,２０１６．南漪湖春夏季节叶绿素a浓度变化及其与环境因子间的关系[J]．淮北师范大学学报(自然科学版),３７(１):５７６１．王金梁,秦其明,李军,等,２０１４．基于高光谱数据的水体叶绿素a指数反演模型的建立[J]．农业工程学报,３０(３):１２８１３４．王桥,杨煜,吴传庆,２００９．环境减灾１A卫星超光谱数据反演叶绿素a浓度的模型研究[J]．航天器工程,１８(６):１３３１３７．阎福礼,王世新,周艺,等,２００６．利用H y p e r i o n星载高光谱传感器监测太湖水质的研究[J]．红外与毫米波学报, (６):４６０４６４．张兵,李俊生,王桥,等,２０１２．内陆水体高光谱遥感[M]．北京:科学出版社．K u h n,C a t h e r i n e,d eM a t o sV a l e r i o,A l i n e,e t a l,２０１９．P e rＧf o r m a n c e o f L a n d s a tＧ８a n dS e n t i n e lＧ２s u r f a c e r e f l e c t a n c e p r o d u c t s f o rr i v e rr e m o t es e n s i n g r e t r i e v a l so fc h l o r oＧp h y l lＧaa n dt u r b i d i t y[J]．R e m o t eS e n s i n g o fE n v i r o nＧm e n t,２２４:１０４１１８．N a d a r a d y E A,１９６４．O ne s t i m a t i n g r e g r e s s i o n[J]．T h e o r y o fP r o b a b i l i t y a n d I t sA p p l i c a t i o n,９:１４１１４２．O＇R e i l l y JE,S tA p h a n e M a r i t o r e n a,M i t c h e l lB G,e ta l,１９９８．O c e a nc o l o rc h l o r o p h y l l a l g o r i t h m sf o rS e a W i F S [J]．J o u r n a l o f G e o p h y s i c a l R e s e a r c h O c e a n s,１０３(C１１):２４９３７２４９５３．R u n d q u i s tD C,H a nL,S c h a l l e sJF,e t a l,１９９６．R e m o t e m e a s u r e m e n t o f a l g a l c h l o r o p h y l l i n s u r f a c ew a t e r s:t h e c a s e f o r t h e f i r s td e r i v a t i v eo f r e f l e c t a n c en e a r６９０n m [J]．P h o t o g r a mm e t r i cE n g i n e e r i n g&R e m o t eS e n s i n g,６２(２):１９５２００．W a n g JL,Z h a n g YJ,Y a n g F,e t a l,２０１５．S p a t i a l a n d t e mＧp o r a l v a r i a t i o n s o f c h l o r o p h y l lＧa c o n c e n t r a t i o n f r o m ２００９t o２０１２i nP o y a n g L a k e,C h i n a[J]．E n v i r o n m e n t a l E a r t hS c i e n c e s,７３(８):４０６３４０７５．(责任编辑㊀万月华)５２０２１年第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀沈㊀蔚等,基于高光谱遥感的长江口叶绿素a浓度反演推算６第４２卷第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀水生态学杂志㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２１年５月E s t i m a t i o no fC h l o r o p h y l lＧaC o n c e n t r a t i o n s i n t h eY a n g t z eR i v e rE s t u a r yO b t a i n e d f r o m H y p e r s p e c t r a lR e m o t e S e n s i n g I m a g e sS H E N W e i１,２,J IQ i a n１,２,Q I U Y a oＧw e i１,２,WUZ h o n gＧq i a n g３(１．C o l l e g e o fM a r i n eS c i e n c e s,S h a n g h a iO c e a nU n i v e r s i t y,S h a n g h a i㊀２０１３０６,P．R．C h i n a;２．S h a n g h a i E n g i n e e r i n g R e s e a r c hC e n t e r o fE s t u a r i n e a n dO c e a n o g r a p h i cM a p p i n g,S h a n g h a i㊀２０１３０６,P．R．C h i n a;３．S c h o o l o fG e o g r a p h i c a n dO c e a n o g r a p h i cS c i e n c e s,N a n j i n g U n i v e r s i t y,N a n j i n g㊀２１００２３,P．R．C h i n a)A b s t r a c t:T h eu s eo f r e m o t es e n s i n g t e c h n o l o g y t oe s t i m a t ew a t e r q u a l i t yp a r a m e t e r s i sc h a r a c t e r i z e db y h i g he f f i c i e n c y a n d l o wc o s t,a n d c a nb eu s e d f o rw a t e r q u a l i t y m o n i t o r i n g o na l a r g e s c a l e．I n t h i s s t u d y, c h l o r o p h y l lＧad a t aw a s c o l l e c t e d t o a s s e s sw a t e r q u a l i t y i n t h eY a n g t z eR i v e r e s t u a r y a n dd e v e l o p am o d e l f o r e s t i m a t i n g c h l o r o p h y l lＧac o n c e n t r a t i o nf r o m h y p e r s p e c t r a l i m a g e sc o l l e c t e dr e m o t e l y．F i e l dd a t ao n c h l o r o p h y l lＧa c o n c e n t r a t i o nw e r e c o l l e c t e d a t１４s a m p l i n g s i t e s o nM a r c h２６a n d２８o f２０１６a n dh y p e r s p e cＧt r a l r e m o t e s e n s i n g i m a g e r y w e r eo b t a i n e d f o rM a r c ho f２０１６．C h l o r o p h y l lＧac o n c e n t r a t i o nw a s e s t i m a t e d f r o mr e m o t e l y s e n s e dh y p e r s p e c t r a l i m a g e r y u s i n g t h r e em o d e l s:a b a n d r a t i om o d e l,a f i r s tＧo r d e r d i f f e r e nＧt i a lm o d e l,a n dt h ew a t e rc h l o r o p h y l lＧa i n d e x(W C I)．A l l t h r e e m o d e l sw e r eb a s e do nr e l a t i o n s h i p sb eＧt w e e n t h em e a s u r e dc h l o r o p h y l lＧac o n c e n t r a t i o n sa n dh y p e r s p e c t r a l i m a g e r y．T h ea c c u r a c y o f t h e m o d e l s w e r e e v a l u a t e db y c o m p a r i n g t h em e a s u r e d v a l u e s o f c h l o r o p h y l lＧaw i t h t h em o d e l v a l u e s u s i n g t h e c o r r e l aＧt i o n c o e f f i c i e n t,r o o tm e a n s q u a r ee r r o r(R M S E)a n d m e a nr e l a t i v ee r r o r(M R E)．T h er e s p e c t i v ev a l u e s w e r e０．９１,１．７９,９．０９％f o r t h e b a n d r a t i om o d e l,０．９５,２．２１,１５．３１％f o r t h e f i r s tＧo r d e r d i f f e r e n t i a lm o d e l a n d０．９８,１．４４,６．２０％f o r t h e W C Im o d e l．A l l t h r e es t a t i s t i c a l p a r a m e t e r s i n d i c a t e t h a t t h e W C Im o d e l g i v e s t h em o s t r e l i a b l e e s t i m a t e s o f c h l o r o p h y l lＧa c o n c e n t r a t i o n．T h e c h l o r o p h y l lＧa c o n c e n t r a t i o no f t h e e nＧt i r e s t u d y a r e aw a s t h e ns i m u l a t e du s i n g t h e W C Im o d e l a n d t h e r e s u l t sw e r eu s e dt oa n a l y z e t h es p a t i a l d i s t r i b u t i o no f c h l o r o p h y l lＧa i n t h e e s t u a r y．T h e c h l o r o p h y l lＧa c o n t e n t i n t h e c e n t r a l s t u d y a r e aw a s l o wa n d g r a d u a l l y i n c r e a s e d f r o mt h e m i d d l et ot h en o r t ha n ds o u t h,w i t ht h e m a x i m u m v a l u eo c c u r r i n g i nt h e s o u t h e r n p o r t i o no f t h e s t u d y a r e a．T h en o r t h e r n p a r t o f t h e s t u d y a r e a i sn e a r a r e s i d e n t i a l a r e aa n dt h e s o u t h e r n p a r t i sn e a r S h a n g h a iQ i n g c a o s h a r e s e r v o i rw i t ha b u n d a n t v e g e t a t i o n．T h e s p a t i a l d i s t r i b u t i o no f c h l o r o p h y l lＧa c o n c e n t r a t i o n i n t h eY a n g t z eR i v e r e s t u a r y w a s a t t r i b u t e d t od i f f e r e n c e s i n l a n du s e．I n s u mＧm a r y,t h e W C I m o d e l g i v e s m o r er e l i a b l ee s t i m a t e so fc h l o r o p h y l lＧac o n c e n t r a t i o nt h a nt h eb a n dr a t i o m o d e l o r f i r s tＧo r d e r d i f f e r e n t i a lm o d e l a n d p r o v i d e s a n e c o n o m i c a l,a c c u r a t em e t h o d f o r e s t i m a t i n g c h l o r oＧp h y l lＧa c o n c e n t r a t i o n s i nw a t e r b o d i e s f r o mh y p e r s p e c t r a l i m a g e r y．W e e x p e c t t h a t r e m o t e s e n s i n g w i l l b e w i d e l y u s e d f o rw a t e r q u a l i t y m o n i t o r i n g i n t h e f u t u r e．K e y w o r d s:h y p e r s p e c t r a l r e m o t e s e n s i n g;c h l o r o p h y l lＧa;Y a n g t z eR i v e r e s t u a r y;w a t e r c h l o r o p h y l lＧa i n d e x。

湛江港海域叶绿素a浓度的高光谱遥感反演

湛江港海域叶绿素a浓度的高光谱遥感反演蒋城飞;廖珊;付东洋;王文芳;李薛;刘大召;张莹;黄雄杰【摘要】基于表观光学法研究冬季湛江港海域高光谱遥感叶绿素a浓度的反演模型构建,结果表明,该海域单波段遥感反射率与叶绿素a浓度相关性低,波段比值和遥感反射率的一阶微分法可提高叶绿素a浓度反演精度.665nm处的遥感反射率一阶微分值与叶绿素a浓度相关性良好,相关系数可达0.84.一阶微分相关系数大于0.8的波段大部分处于叶绿素a红光强烈吸收区域,对于富营养化的湛江港海域采用一阶微分方法构建叶绿素a浓度的遥感反演模型具有合理性.【期刊名称】《广东海洋大学学报》【年(卷),期】2016(036)006【总页数】7页(P107-113)【关键词】湛江港海域;叶绿素a浓度;高光谱遥感;定量反演【作者】蒋城飞;廖珊;付东洋;王文芳;李薛;刘大召;张莹;黄雄杰【作者单位】广东海洋大学海洋遥感与信息技术实验室,广东湛江524088;广东海洋大学海洋遥感与信息技术实验室,广东湛江524088;广东海洋大学海洋遥感与信息技术实验室,广东湛江524088;广东海洋大学海洋遥感与信息技术实验室,广东湛江524088;广东海洋大学海洋遥感与信息技术实验室,广东湛江524088;广东海洋大学海洋遥感与信息技术实验室,广东湛江524088;广东海洋大学海洋遥感与信息技术实验室,广东湛江524088;广东海洋大学海洋遥感与信息技术实验室,广东湛江524088【正文语种】中文【中图分类】TP79湛江港位于粤西海岸大尺度湾曲处，由硇洲岛、东海岛和南三岛所环绕，属于亚热带海区[1]。

湛江港及其临近海域是中国重要的海水养殖基地，同时也是重要工业生产和港口运输地，随着广东省重工产业湛江转移和沿岸经济的快速发展，每年向湛江港海域排放的污染物也快速的增长[2]。

根据国家海洋环境质量公报，2013年湛江湾四类和劣四类海水面积占98%，2014年湛江港湾春季劣四类水体占70%以上，秋季占90%以上。

anfis在植被叶绿素含量高光谱反演中的应用

anfis在植被叶绿素含量高光谱反演中的应用摘要：一、引言1.介绍植被叶绿素含量高光谱反演的重要性2.概述ANFIS 在植被叶绿素含量高光谱反演中的应用二、ANFIS 的原理与特点1.ANFIS 的定义与背景2.ANFIS 的核心原理3.ANFIS 的主要特点三、ANFIS 在植被叶绿素含量高光谱反演中的应用1.应用ANFIS 进行植被叶绿素含量预测2.对比分析ANFIS 与其他方法的优缺点3.结合实际案例，阐述ANFIS 在植被叶绿素含量高光谱反演中的具体应用四、ANFIS 在植被叶绿素含量高光谱反演中的前景与挑战1.未来发展趋势与前景2.目前所面临的挑战与解决方案五、结论1.总结全文内容2.强调ANFIS 在植被叶绿素含量高光谱反演中的重要性及应用价值正文：一、引言植被叶绿素含量高光谱反演是研究植被生长状况、生态环境监测等领域的重要手段。

近年来，自适应神经网络模糊推理系统（ANFIS）作为一种新型的智能优化算法，已经在许多领域取得了显著的应用成果。

本文将探讨ANFIS 在植被叶绿素含量高光谱反演中的应用及其优势。

二、ANFIS 的原理与特点ANFIS 是一种基于模糊逻辑与神经网络相结合的方法，它具有较强的非线性拟合能力、自适应学习和自组织能力。

ANFIS 通过调整模糊神经网络的参数，实现对输入数据的模糊划分，从而提高预测精度。

其主要特点包括：1）参数自适应调整；2）结构简化；3）具有处理不确定性和模糊性的能力。

三、ANFIS 在植被叶绿素含量高光谱反演中的应用近年来，研究者们将ANFIS 应用于植被叶绿素含量的高光谱反演，取得了良好的效果。

首先，通过构建ANFIS 模型，利用实际观测数据对植被叶绿素含量进行预测。

其次，对比分析ANFIS 与其他方法在植被叶绿素含量高光谱反演中的优缺点，发现ANFIS 具有更高的预测精度和稳定性。

最后，结合实际案例，如某地区植被叶绿素含量高光谱反演数据，阐述ANFIS 在植被叶绿素含量高光谱反演中的具体应用。