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
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。
基于辐射传输模型的月表铁镁质矿物定量反演:以嫦娥三号着陆区为例
基于辐射传输模型的月表铁镁质矿物定量反演：以嫦娥三号着陆区为例孙灵芝;凌宗成;张江;李勃;郭弟均【期刊名称】《岩石学报》【年(卷),期】2016(032)001【摘要】我国嫦娥三号着陆于雨海北部的年轻玄武岩熔岩平原上,该区域的物质成分和矿物组成对于理解月球年轻的火山活动具有重要研究价值.月球全球勘探者(Lunar Prospector,LP)探测的元素数据揭示着陆区附近岩石类型主要为高铁中钛玄武岩(19.5％ FeO;5.2％ TiO2).本研究利用月球矿物绘图仪(Moon Mineralogy Mapper,M3)获取的嫦娥三号着陆区附近的新鲜撞击坑高光谱数据,采用Hapke辐射传输模型和修正高斯模型(MGM)联合分析,对其年轻月海玄武岩铁镁质矿物进行了定量反演.研究表明该区域玄武岩中矿物组成以单斜辉石矿物为主,存在较高比例的橄榄石.基于光谱库匹配方法和MGM优化分析,我们反演出单斜辉石,斜方辉石,橄榄石和钛铁矿四种矿物的相对体积比为57.6:18.0:15.3:9.1,这一研究结果有待于与嫦娥三号玉兔号月球车上搭载的红外成像光谱仪数据进行比对,以期从遥感和就位探测两个角度获得对于该地区矿物和岩石类型的全面认识.【总页数】10页(P43-52)【作者】孙灵芝;凌宗成;张江;李勃;郭弟均【作者单位】山东大学空间科学研究院,山东省光学天文与日地空间环境重点实验室,威海264209;山东大学空间科学研究院,山东省光学天文与日地空间环境重点实验室,威海264209;中国科学院月球与深空探测重点实验室,北京100012;山东大学空间科学研究院,山东省光学天文与日地空间环境重点实验室,威海264209;山东大学空间科学研究院,山东省光学天文与日地空间环境重点实验室,威海264209;中国科学院地球化学研究所,贵阳550002【正文语种】中文【中图分类】P691【相关文献】1.嫦娥三号着陆区月表辐射特性测算 [J], 宋馨;张有为;刘自军2.嫦娥三号着陆区月海玄武岩的年龄、成因及地质意义 [J], 李勃;凌宗成;张江;陈剑;孙灵芝;赵昊炜3.基于辐射传输模型的叶绿素含量定量反演 [J], 施润和;庄大方;牛铮;王汶4.嫦娥三号和玉兔软着陆的VLBI实时精密测定轨和月面定位 [J], 洪晓瑜;郑为民;王广利;刘庆会;黄勇;王伟华;王锦清;朱新颖;郝龙飞;张华;朱人杰;陈中;宋淑丽;张娟;王玲玲5.嫦娥三号成功月面软着陆中国探测器首登地外天体 [J],因版权原因，仅展示原文概要，查看原文内容请购买。
植被遥感上机课程-植被辐射传输模型
03
植被辐射传输模型的参数
叶片结构参数
叶片厚度
叶片的厚度影响对光的吸收和反射，是决定植被辐射传输的重要因素。
叶片排列
叶片在树冠中的排列方式影响光在植被中的散射和穿透，进而影响辐射传输。
叶片表面结构
叶片表面的粗糙度和气孔分布等结构特征影响光与叶片的相互作用。
叶片色素参数
叶绿素含量
叶绿素是植物进行光合作用的主 要色素，对光的吸收和利用有重 要作用。
05
植被辐射传输模型的应用案 例
植被覆盖度估算
总结词
通过遥感数据和辐射传输模型的结合，可以估算植被覆盖度，了解地表植被的空间分布和覆盖程度。
详细描述
利用遥感数据中的光谱信息，结合植被辐射传输模型，可以反演地表植被的叶面积指数（LAI），进而估 算植被覆盖度。这种方法能够快速获取大范围的地表植被覆盖信息，对于生态保护、土地利用和气候变化 研究等领域具有重要意义。
根据实际需求和数据情况，确定模型所需 的参数，如地表反射率、大气透过率等。
模型建立与训练
数据集划分
01
将数据分为训练集、验证集和测试集，用于模型的训练、验证
和测试。
模型训练
02
利用训练集对模型进行训练，调整模型参数，优化模型性能。
模型验证
03
使用验证集对训练后的模型进行验证，评估模型的性能和泛化
能力。
植被生长状况监测
总结词
通过分析遥感数据和辐射传输模型的输出结果，可以监测植被的生长状况，了解植物的生长趋势和健康状况。
详细描述
利用遥感数据中的光谱信息，结合植被辐射传输模型，可以反演植物的生物量、叶绿素含量等信息，进而监测植 被的生长状况。这种方法能够及时发现植物生长异常，为植物保护和农业生产提供科学依据。
基于带模型的叶绿素a浓度反演精度评估
基于带模型的叶绿素a浓度反演精度评估陈军;陆凯;王保军【摘要】为了评估遥感反演叶绿素a浓度的精度,以2004年8月19日太湖38个水质样本数据和同步Hyperion卫星遥感影像数据为基础,借鉴四波段半分析算法,结合空间数据不确定性原理,构建了基于四波段半分析算法的“带模型”.通过研究与探讨可知,当叶绿素a浓度为10～20 μg/L和50～100 μg/L时,叶绿素a浓度的反演误差较小,大约为±20％；当叶绿素a浓度在20～50 μg/L时,叶绿素a浓度的反演误差较大,大约为±40％,局部区段的误差高达±60％左右.与传统的误差表示方法相比较,“带模型”能更详细且能准确地给出太湖水体叶绿素a浓度反演结果的误差信息.%With the spectral experiment and the simultaneous observation results of Hyperion satellite on 19 August, 2004 as the basic dataset, the authors used the uncertainty principle of spatial data to develop a " bands model" for chlorophyll-a concentration retrieval algorithm of the subsection mapping retrieval model. It is thus found that in the ranges of 10 -20 μg/L and 50 - 100 μg/L, the retrieval error of chlorophy ll-a concentration is relatively low, (approximately ±20% ) , whereas in the range of 20 -50 μg/L, the retrieval error of chlorophyll-a concentration is relatively high, ( approximately ± 40% ). A comparison with the traditional methods for error describing shows that the "bands model" could include more detailed and accurate information of data quality for remote sensing products.【期刊名称】《国土资源遥感》【年(卷),期】2011(000)004【总页数】4页(P83-86)【关键词】遥感;带模型;叶绿素a;太湖【作者】陈军;陆凯;王保军【作者单位】国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071;国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071;国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071【正文语种】中文【中图分类】TP79;X832水色遥感产品(主要指叶绿素a浓度、悬浮泥沙浓度和可溶有机物质浓度遥感观测信息)的精度评估及表达是水色遥感研究的难点和热点之一。
无人机多光谱数据反演叶面积指数方法研究
对本文的可见光和近红外波段几乎没有影响，所以本
文中的这些参数取固定值；叶面积指数 LAI 和观测角
Oza 的变化对光谱曲线的影响很大,从而可以利用此模
型进行 LAI 的定量反演。
2.1.2
模型反演
玉米属于水平型比较均一的植被，所以本文采用
PROSAIL 模型进行叶面积指数的反演。简单来说，本
文利用无人机获取的多光谱影像，以玉米为研究对
便、快捷、实时性强的特点，使得利用航空遥感进行
叶面指数反演得到了迅猛发展，如 Berni
[1-2]
利用航拍数
象，利用顾及敏感性分析的 prosail 模型和统计模型进
行玉米叶面积指数反演的研究,为无人机作为植被评估
据联合叶子水平辐射传输模型 （PROSPECT），灌顶盖
area index inversion from UAV multi-spectral images. The inversion results show that R2 of PROSAIL model is 0.79, and R2 of GNDVI model
is 0.82.The experiment shows that UAV multi-spectral images can be used to invert corn leaf area index, and the effect is good.
(1. Henan Water Survey Co., LTD, University, Zhengzhou 450003, China)
Abstract: Taking corn in the Qingdao area as research object, we used PROSAIL model and vegetation index model to study the method of leaf
全球植被叶片叶绿素含量遥感反演
汇报人： 2024-01-08
目录
• 引言 • 全球植被叶片叶绿素含量遥感
反演技术概述 • 全球植被叶片叶绿素含量遥感
反演算法
目录
• 全球植被叶片叶绿素含量遥感 反演结果与分析
• 全球植被叶片叶绿素含量遥感 反演的挑战与展望
• 参考文献
01
引言
研究背景与意义
研究背景
研究目的与任务
研究目的：本研究旨在利用遥感数据，建立全球植被叶 片叶绿素含量的反演模型，提高反演精度，为相关研究 提供可靠的数据支持。 分析全球不同地区植被叶片叶绿素含量的分布特征；
构建基于遥感数据的叶绿素含量反演模型；
研究任务 研究遥感数据与植被叶片叶绿素含量之间的关系； 对反演模型进行验证和优化，提高反演精度。
样本验证
通过实地采集的样本数据，对遥感反演结果进行精度验证 ，评估反演结果的可靠性。
01
同其他方法比较
将遥感反演结果与其他传统测量方法的 结果进行比较，验证遥感反演的准确性 和可靠性。
02
03
误差来源分析
分析遥感反演过程中可能存在的误差 来源，如数据源的局限性、算法的不 完善等，并提出改进措施。
结果对比与分析
05
全球植被叶片叶绿素含量遥感 反演的挑战与展望
面临的挑战
数据获取难度大
01
全球范围内获取高精度、高分辨率的遥感数据存在技术难度和
成本限制。
叶绿素含量与光谱特征关系复杂
02
叶绿素含量与光谱特征之间的关系受多种因素影响，如光照条
件、叶片结构等。
反演算法精度要求高
03
叶绿素含量反演算法需要高精度、高稳定性的数据支持，以提
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。
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。
基于PROSPECT+SAIL模型的森林冠层叶绿素含量反演
区面积 ９ ． 万 ｈ ， １８ 年均温 ～２ ５℃，年均降水量 ４０ｉｌ。 ． ６ ｌ ｌｎ 塔河森林资源得天独厚 ， 森林覆 盖率 为 ８ ；蓄积量 ５３ ０ １ ４ 万 ｍ３ 其 中成过熟林蓄积为 ４ ８万 ｍ： ， ８ ； ，主要树种有樟子松 、
究统计模型时发 现光 谱特征 参数 可 以很 好地 估计 叶绿 素含 量ｌ ］ Ｅ 】 。但这种统计关 系通 常是在 特定 的时间和 空间特 征下
基于 Ｐ ＲＯＳ Ｅ Ｔ＋Ｓ Ｌ模 型 的森 林冠 层 叶绿 素含 量 反演 ＰＣ ＡＩ
杨 曦光 ，范文 义 ，于 颖 东北林业大学ຫໍສະໝຸດ ， 黑龙江 哈尔滨 １０ ４ ５０ ０
摘
要
森林冠层Ｉ 绿素含量直接反映着森林 的健康 和胁迫情况 。叶绿素含量 的准确估 测 ， 是研究森林 １ ｔ 更
生态 系统 循 环 模 型 的关 键 。 章 以 Ｐ （Ｓ Ｅ Ｔ＋ Ｓ Ｉ 型 为 基 础 ， 物 理 机 理 角 度 反 演 森 林 冠 层 叶 绿 素 含 文 Ｒ）Ｐ Ｃ Ａ Ｌ模 从
１ 数据和方法
１ １ 研 究 区域 ．
研究区域是黑龙江省塔 河县 ，位于黑龙 江省西北 部 ， 地 处东经 １３～１ ５， ２ 。 ２ 。 北纬 ５ 。 ５。 居 大兴安 岭地 区的 中心 ２～ ３ ，
地 带 ， 山丘 陵地 貌 。全 县 总 面 积 １４ ２万 ｈ ， 业 施 业 低 ４． ｍ。 林
和胁迫情况 。 研究 表明 ， 健康和受胁迫 的植 被光谱在 绿峰和 红边表现 出不 同的反射特 征Ｄ ］ － 。遥感技术 为定 量的提 取叶 ３ 绿素含量 ， 检测森林 的健康 和胁迫 提供 了一 种有 效的手 段。 １ Ｉ绿素含量反演最直接的方法是统计 方法－ 。 多学者在研 － ｒ ４ 很 ］
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０．０１３１㊁０．０１１９㊁０ ００９５㊁０．０１８４㊁０．０１５６㊁０．０１３９㊁０．０２１７㊁０．０２４８㊁０．０１９５m g /L ,检查点的叶绿素a 浓度为０ ０１２１㊁０．０１６８㊁０．００９５㊁０．０１８８㊁０．０２３８m 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。
利用遥感定量反演的参数
利用遥感定量反演的参数遥感技术是一种通过卫星、飞机等遥感平台获取地球表面信息的技术，可以获取大量的地球表面信息，包括地形、植被、土壤、水文等参数。
这些参数对于环境监测、资源管理、灾害预警等方面都有着重要的意义。
其中，利用遥感定量反演的参数有以下几种：1. 植被指数（Vegetation Index，VI）：植被指数是通过遥感技术获取的植被反射率数据计算得出的参数，常用的植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、简化植被指数（Simple Ratio，SR）等。
植被指数可以反映植被的生长状况，对于农业生产、生态环境保护等方面都有着重要的作用。
2. 土壤湿度（Soil Moisture，SM）：土壤湿度是指土壤中的水分含量，通过遥感技术获取土壤表面的微波辐射数据可以反演土壤湿度。
土壤湿度对于农业生产、水资源管理等方面都有着重要的意义。
3. 土地覆盖类型（Land Cover Type，LCT）：土地覆盖类型是指地表被不同类型的植被、裸地、水体等覆盖的情况，通过遥感技术获取的地表反射率数据可以反演土地覆盖类型。
土地覆盖类型对于生态环境保护、资源管理等方面都有着重要的作用。
4. 土地利用类型（Land Use Type，LUT）：土地利用类型是指人类对土地资源的利用方式，包括农业、林业、城市建设等。
通过遥感技术获取的地表反射率数据可以反演土地利用类型，对于土地资源管理、城市规划等方面都有着重要的意义。
5. 水体叶绿素浓度（Chlorophyll-a Concentration，Chl-a）：水体叶绿素浓度是指水体中的藻类叶绿素含量，通过遥感技术获取的水体反射率数据可以反演水体叶绿素浓度。
水体叶绿素浓度对于水环境监测、水资源管理等方面都有着重要的作用。
以上是利用遥感定量反演的一些常见参数，这些参数在环境监测、资源管理、灾害预警等方面都有着广泛的应用。
- 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。