基于小波分析的玉米叶绿素a与LAI高光谱反演模型研究
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。
《2024年岱海叶绿素a遥感反演模型及藻华监测研究》范文
《岱海叶绿素a遥感反演模型及藻华监测研究》篇一一、引言随着现代科技的飞速发展，遥感技术在水质监测、海洋生态保护等领域发挥着越来越重要的作用。
其中，叶绿素a作为水体中藻类生物量的重要指标，其浓度变化直接反映了水体的营养状况和生态环境的健康状况。
因此，准确快速地监测叶绿素a的浓度变化，对预防水体富营养化及藻华等环境问题具有重要意义。
岱海作为一个典型的内陆湖泊，其水质的监测和藻华的预警对于当地生态环境的保护至关重要。
本文将详细介绍岱海叶绿素a的遥感反演模型及其在藻华监测中的应用。
二、岱海叶绿素a遥感反演模型1. 遥感数据的选择与处理遥感数据的选择对于反演模型的准确性至关重要。
本文选取了卫星遥感数据，包括可见光、近红外和红边波段等数据。
在数据处理过程中，进行了大气校正、辐射定标等预处理工作，以消除大气、太阳高度角等因素对遥感数据的影响。
2. 叶绿素a遥感反演模型的建立基于遥感数据的特性，本文采用经验统计法和半分析法相结合的方法，建立了岱海叶绿素a的遥感反演模型。
该模型通过分析遥感数据与叶绿素a浓度的相关关系，建立了数学模型，实现了从遥感数据中提取叶绿素a浓度的目的。
三、模型验证与精度评估为了验证模型的准确性和可靠性，本文采用现场实测数据对模型进行了验证。
通过对比实测数据与模型反演结果，发现该模型具有较高的精度和可靠性，能够准确反映岱海叶绿素a的浓度变化。
四、藻华监测应用1. 藻华监测原理基于叶绿素a遥感反演模型，可以实时监测岱海的水质状况。
当叶绿素a浓度超过一定阈值时，表明水体可能出现富营养化及藻华等问题。
因此，通过监测叶绿素a的浓度变化，可以及时掌握岱海的藻华状况。
2. 藻华监测实践本文利用建立的遥感反演模型，对岱海进行了长期的藻华监测。
通过分析历史数据，发现岱海的藻华状况呈现出一定的季节性和周期性。
在富营养化严重的季节，及时采取措施控制污染源，有效减缓了藻华的发生。
五、结论本文建立了岱海叶绿素a的遥感反演模型，并对其在藻华监测中的应用进行了研究。
基于连续小波变换的土壤有机质含量高光谱反演
中国农业科技导报ꎬ２０２１ꎬ２３(５):１３２－１４２ＪｏｕｒｎａｌｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ㊀收稿日期:２０２０￣０８￣２４ꎻ接受日期:２０２０￣１０￣２４㊀基金项目:内蒙古自治区科技重大专项(２０１９ＺＤ００３)ꎮ㊀联系方式:陈昊宇Ｅ￣ｍａｉｌ:ｃｈｅｎｈａｏｙｕ０８０７＠１６３.ｃｏｍꎻ∗通信作者杨光Ｅ￣ｍａｉｌ:ｙｇ３３１＠１２６.ｃｏｍ基于连续小波变换的土壤有机质含量高光谱反演陈昊宇ꎬ㊀杨光∗ꎬ㊀韩雪莹ꎬ㊀刘昕ꎬ㊀刘峰ꎬ㊀王宁(内蒙古农业大学沙漠治理学院ꎬ内蒙古自治区风沙物理与防沙治沙工程重点实验室ꎬ呼和浩特０１００１０)摘㊀要:以托克托县境内１２０个土壤有机质含量以及对应光谱数据为数据源ꎬ探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性ꎬ采用连续小波变换对原始光谱(Ｒ)㊁光谱倒数(１/Ｒ)㊁光谱对数(ＬｎＲ)㊁光谱一阶微分(Ｒᶄ)进行分解生成小波系数并与土壤有机质进行相关系分析ꎬ提取特征波段建立ＢＰ神经网络与支持向量机模型(ＳＶＭ)ꎮ结果表明:①Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质相关系数经过连续小波变换后ꎬ较之前增加了０.２０４㊁０.０９０㊁０.１９９㊁０.２５２ꎬ表明连续小波变换可深度挖掘光谱潜在信息ꎬ提升与有机质含量之间的相关系数ꎮ②未经过连续小波处理前ꎬＳＶＭ无法实现对当地土壤有机质含量的预测ꎬ经过处理后ꎬ模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ的精度决定系数分别达到了０５０㊁０.５６ꎬ均方根误差为０.１７㊁０.１５ꎬ相对分析误差为１.６２㊁１.５３ꎬ实现了对土壤有机质的有效估算ꎮ③经过连续小波变换后ＢＰ神经网络预测模型结果得到提升ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳ꎬ精度决定系数达到０.７６ꎬ较之前ＢＰ￣ＬｎＲ提升了０.２ꎻ均方根误差达到０ １５ꎬ降低０.０４ꎻ相对分析误差为２.１２ꎬ增加了０.８７ꎮ因此利用ＢＰ￣ＣＷＴ￣ＬｎＲ高光谱反演模型进行区域土壤有机质遥感监测ꎬ可为当今精准农业提供理论参考与技术支持ꎮ关键词:连续小波变换ꎻＢＰ神经网络ꎻ支持向量机ꎻ精准农业ｄｏｉ:１０.１３３０４/ｊ.ｎｙｋｊｄｂ.２０２０.０７４２中图分类号:Ｓ１２７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１００８￣０８６４(２０２１)０５￣０１３２￣１１ＨｙｐｅｒｓｐｅｃｔｒａｌＩｎｖｅｒｓｉｏｎｏｆＳｏｉｌＯｒｇａｎｉｃＭａｔｔｅｒＣｏｎｔｅｎｔＢａｓｅｄｏｎＣｏｎｔｉｎｕｏｕｓＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍＣＨＥＮＨａｏｙｕꎬＹＡＮＧＧｕａｎｇ∗ꎬＨＡＮＸｕｅｙｉｎｇꎬＬＩＵＸｉｎꎬＬＩＵＦｅｎｇꎬＷＡＮＧＮｉｎｇ(ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｅｏｌｉａｎＰｈｙｓｉｃｓａｎｄＤｅｓｅｒｔｉｆｉｃａｔｉｏｎＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇｆｒｏｍＩｎｎｅｒＭｏｎｇｏｌｉａＡｕｔｏｎｏｍｏｕｓＲｅｇｉｏｎꎬＣｏｌｌｅｇｅｏｆＤｅｓｅｒｔＣｏｎｔｒｏｌＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＨｏｈｈｏｔ０１００１０ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔａｋｉｎｇｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｓｏｆ１２０ｓｏｉｌｓａｍｐｌｅｓａｎｄｃｏｒｒｅｓｐｏｎｄｉｎｇｓｐｅｃｔｒａｌｄａｔａｉｎＴｕｏｋｅｔｕｏＣｏｕｎｔｙａｓｄａｔａｓｏｕｒｃｅｓꎬｔｈｅｆｅａｓｉｂｉｌｉｔｉｅｓｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｔｙｐｅｏｆｓｏｉｌｓａｎｄｌａｎｄｓｏｆｄｉｆｆｅｒｅｎｔｕｓｅｗｅｒｅｅｘｐｌｏｒｅｄ.Ｔｈｅｏｒｉｇｉｎａｌｓｐｅｃｔｒｕｍ(Ｒ)ꎬｓｐｅｃｔｒａｌｒｅｃｉｐｒｏｃａｌ(１/Ｒ)ꎬｓｐｅｃｔｒａｌｌｏｇａｒｉｔｈｍ(ＬｎＲ)ａｎｄｓｐｅｃｔｒａｌｆｉｒｓｔ￣ｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌ(Ｒᶄ)ｗｅｒｅｄｅｃｏｍｐｏｓｅｄｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏｇｅｎｅｒａｔｅｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓꎬａｎｄｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓｗａｓａｎａｌｙｚｅｄꎬａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ(ＳＶＭ)ｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｂｙｅｘｔｒａｃｔｉｎｇｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｂａｎｄｓ.Ｔｈｅｒｅｓｕｌｔｓｗｅｒｅｆｏｌｌｏｗｅｄ.①ＴｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｂｅｔｗｅｅｎＲꎬ１/ＲꎬＬｎＲꎬＲᶄａｎｄｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｗｅｒｅｉｎｃｒｅａｓｅｄｂｙ０.２０４ꎬ０.０９０ꎬ０.１９９ａｎｄ０.２５２ａｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｓｈｏｗｅｄｔｈａｔｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｃｏｕｌｄｄｅｅｐｌｙｍｉｎｅｔｈｅｐｏｔｅｎｔｉａｌｌｙｓｐｅｃｔｒａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｅｎｈａｎｃｅｔｈｅｃｏｒｒｅｌａｔｉｏｎｗｉｔｈｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔ.②ＢｅｆｏｒｅｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｐｒｏｃｅｓｓｉｎｇꎬＳＶＭｃｏｕｌｄｎｏｔｐｒｅｄｉｃｔｔｈｅｃｏｎｔｅｎｔｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒꎬｗｈｉｌｅａｆｔｅｒｐｒｏｃｅｓｓｉｎｇꎬｔｈｅａｃｃｕｒａｃｉｅｓ(Ｒ２)ｏｆＳＶＭ￣ＣＷＴ￣ＲａｎｄＳＶＭ￣ＣＷＴ￣Ｒᶄｗｅｒｅ０.５０ａｎｄ０.５６ꎬＲｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒｓ(ＲＭＳＥ)ｗｅｒｅ０.１７ａｎｄ０.１５ꎬｒｅｓｉｄｕａｌｐｒｅｄｉｃｔｉｖｅｄｅｖｉａｔｉｏｎｓ(ＲＰＤ)ｗｅｒｅ１.６２ａｎｄ１.５３ꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｒｅａｌｉｚｅｄｔｈｅｅｆｆｅｃｔｉｖｅｅｓｔｉｍａｔｉｏｎｏｆＳＯＭ.③ＡｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｔｈｅｒｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｗｅｒｅｉｍｐｒｏｖｅｄ.ＡｍｏｎｇｔｈｅｍꎬＢＰ￣ＣＷＴ￣ＬｎＲｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｈａｄｔｈｅｂｅｓｔｅｆｆｅｃｔꎬＲ２ｗａｓ０.７６ꎬｗｈｉｃｈｗａｓｈｉｇｈｅｒｔｈａｎＢＰ￣ｌｎＲꎬＲＭＳＥｗａｓ０.１５ｒｅｄｕｃｅｄｂｙ０.０４ꎬＲＰＤｗａｓ２.１２ｉｎｃｒｅａｓｅｄｂｙ０.８７.ＴｈｅｒｅｆｏｒｅꎬｔｈｅＢＰ￣ＣＷＴ￣ＬｎＲｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｃｏｕｌｄｐｒｏｖｉｄｅｔｈｅｏｒｅｔｉｃａｌｒｅｆｅｒｅｎｃｅａｎｄｔｅｃｈｎｉｃａｌｓｕｐｐｏｒｔｆｏｒｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ.Ｋｅｙｗｏｒｄｓ:ｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎻＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎻｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎻｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ㊀㊀精准农业作为目前农业发展的主要方向ꎬ是一种基于信息和知识管理的现代化生产系统ꎬ主要是通过３Ｓ(ＧＰＳ㊁ＧＩＳ和ＲＳ)技术与现代农业相结合ꎬ最大限度地提高农业生产力ꎮ所以快速㊁无损㊁精确地获取土壤中水分㊁养分的空间分布成为了实现精准农业的关键环节ꎬ近年来ꎬ光谱分析在土壤化学分析领域得到了迅猛发展ꎬ为实现土壤养分的快速诊断提供了新思路[１]ꎮ有机质是土壤养分供应能力和肥力的重要指标之一ꎬ在全球碳循环中发挥着重要作用ꎮ因此ꎬ快速准确地估测土壤有机质含量对于发展精准农业具有重要意义[２]ꎮ传统的土壤有机质测定方法虽然精度比较高ꎬ但周期较长㊁成本较高ꎬ只能达到瞬测量ꎬ很难进行长时间大面积测量ꎮ高光谱遥感具有波段多㊁波段窄㊁信息丰富和实时高效等特点ꎬ为快速测量土壤有机质含量提供了一种新的方法和手段[３]ꎮ国内外已经有大量研究表明ꎬ通过对光谱数据进行不同的数学变换(主要通过对光谱进行倒数㊁对数㊁微分㊁平方根㊁吸收峰深度㊁包络线去除等方法)可以有效提高光谱数据与土壤有机质含量之间的相关系数ꎬ有效筛选出光谱信息中的敏感波段[４]ꎮ现在各学者主要将研究重心放到了模型建立上[５]ꎬ普遍运用的线性模型有多元逐步回归与偏最小二乘回归[６]ꎻ常见的非线性模型包括ＢＰ神经网络[７]㊁支持向量机[８]㊁决策树[９]等ꎬ而且随着非线性模型算法的逐步改良与完善ꎬ在土壤有机质含量估算中已经成为不可取代的一部分ꎮ随着小波算法的改进与发展ꎬ最初仅运用于植物叶绿素㊁冠层成分含量预测中[１０￣１１]ꎬ目前已成为土壤养分预测的热点问题[１２￣１３]ꎬ连续小波变换是目前被广泛应用的一种方法ꎮ王祥浩[１４]选择土地裸露地区为样区ꎬ利用神经网络算法对光谱连续小波变换㊁一阶导数㊁对光谱的平均值处理㊁光谱背景及深度４种方法建模ꎬ模型结果表明ꎬ小波变换方法得到的神经网络模型精度最高ꎻ包青岭等[１５]选择渭干河－库车河三角洲具有代表性的干旱区绿洲为研究区ꎬ对光谱进行８层分解ꎬ结果表明小波变换不同分解层ꎬ从低频到高频范围内与土壤有机质含量的相关性呈现先减后增的趋势ꎬ结合随机森岭模型可以对干旱区土壤有机质含量进行有效的估算ꎻ王延仓等[１６]以北京东部区潮土为例ꎬ对不同梯度重采样的光谱进行连续小波变换后ꎬ利用偏最小二乘法建立模型ꎬ结果表明连续小波分析算法可深入挖掘土壤光谱内的有益信息ꎬ提升对有机质含量的估测能力ꎬ与土壤高光谱反射率相比ꎬ经连续小波技术处理后ꎬ模型精度得到了有效的提升ꎻ叶红云等[１７]同样针对干旱区土壤ꎬ通过对两种常用光谱变换Ｒᶄ㊁Ｌｎ(１/Ｒ)进行连续小波变换建立偏最小二乘模型ꎬ结果表明连续小波变换不会因人类干扰程度的提高而使模型精度大幅度降低ꎬ更加适用于干旱区有机质含量的预测ꎻ林鹏达等[１８]通过解决黑土有机质高光谱野外反演的困难ꎬ同样证明了连续小波变换可有效提升模型精度ꎮ小波技术在土壤有机质高光谱反演研究中逐渐趋于成熟ꎬ但目前学者的研究多数都在同一土壤类型下或同一区域内ꎬ对于不同土壤类型及土地利用下土壤有机质高光谱反演是否存在影响的研究目前并不多ꎮ本文研究区内土壤类型主要包括３类:沙壤土㊁栗钙土㊁盐碱土ꎬ且部分区域土壤盐渍化程度严重ꎬ导致土壤养分空间分布上存在较大差异ꎬ取样表层土地利用类型主要包括:耕地㊁林地㊁草地㊁盐渍地㊁荒地ꎮ通过对原始光谱(Ｒ)㊁原始光谱倒数(１/Ｒ)㊁原始光谱对数(ＬｎＲ)以及原始光谱一阶微分(Ｒᶄ)４种不同情况进行连续小波变换ꎬ利用ＢＰ神经网络以及支持向量机２种模型ꎬ探究了不同土壤类型与不同土地利用类型下是否会对土壤有机质高光谱反演模型产生影响ꎬ小波变换前后土壤有机质反演模型的精度ꎬ旨为区域土壤有机质含量监测及实现精准农业提供理论与技术支持ꎮ１㊀材料与方法１.１㊀研究区概况托克托县隶属于内蒙古自治区呼和浩特市ꎬ位于自治区中部㊁大青山南麓㊁黄河上中游分界处北岸的土默川平原上(图１)ꎮ地理坐标东经３３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演１１１ʎ２ᶄ３０ᵡ １１１ʎ３２ᶄ２１ᵡ㊁北纬４０ʎ５ᶄ５５ᵡ ４０ʎ３５ᶄ１５ᵡꎬ总面积１４０９.６７ｋｍ２ꎬ平均海拔１１１７ｍꎬ属于温带大陆性干旱气候ꎬ年均气温７.３ħꎬ年均降雨３６２ｍｍꎮ托克托县耕地总面积达４００ｋｍ２ꎬ其中古城镇㊁新营子镇和五申镇的耕地较多ꎬ占全县耕地面积的６０％以上[１９]ꎬ主要作物包括小麦㊁玉米㊁莜麦ꎮ工农业及生产生活用水主要来源于大黑河和黄河水资源ꎬ整个地形以大黑河为轴ꎬ呈现由丘陵向平原过渡的趋势ꎬ地势为东南高㊁西北和西南低ꎮ东南向西北土壤类型依次为栗钙土㊁砂壤石灰性冲积土㊁盐渍化石灰性冲积土[２０]ꎬ土壤类型的不同导致土壤养分存在差异性分布ꎮ植被类型从西向东依次为草甸草原㊁干草原和退化灌丛草原分布ꎮ以Ｌａｎｄｓａｔ８ＯＬＩ影像为基础数据源ꎬ运用人工目视解译与ＢＰ神经网络分类法得到托克托县２０１９年７月份土地利用数据ꎬ其中耕地面积最大为７３０.１２ｋｍ２ꎬ占５１.７９％ꎻ林草地３３８.７ｋｍ２ꎬ占２４.０２％ꎻ盐碱地１４１.１ｋｍ２ꎬ占１０.００％ꎮ详细土地利用空间分布见图１ꎮ图１㊀土样采集点及土地利用空间分布Ｆｉｇ.１㊀Ｃｏｌｌｅｃｔｉｏｎｐｏｉｎｔｓｏｆｓｏｉｌｓａｍｐｌｅｓａｎｄｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌａｎｄｕｓｅ１.２㊀研究方法１.２.１㊀土样采集与处理㊀土壤样本点均匀地分布在托克托县境内ꎬ采集方法为五点采样法ꎬ采集深度为０ ２０ｃｍꎬ共采集１２０个点ꎮ采集的土样置于通风干燥室内进行自然风干㊁研磨ꎬ过１０目筛ꎬ进行土壤光谱测定ꎻ过１００目筛ꎬ采用重铬酸钾外加热法进行土壤有机质含量测定ꎮ１.２.２㊀光谱测量及光谱处理㊀土壤光谱于暗室内测量ꎬ采用ＳＶＣＨＲ￣１０２４(北京东方佳气科技有限公司)便携式光谱仪ꎬ光谱范围在３５０~２５００ｎｍꎮ在３５０~１０００ｎｍ波段之间光谱分辨率ɤ３.５ｎｍꎻ在１０００~１８５０ｎｍ波段之间ꎬ光谱分辨率ɤ９.５ｎｍꎻ在１８５０~２５００ｎｍ波段之间ꎬ光谱分辨率ɤ６.５ｎｍꎮ光源采用与太阳光接近的５０Ｗ卤素灯ꎬ将土壤样品放入深２ｃｍ㊁宽１０ｃｍ的黑色器皿内ꎬ用直尺将土壤表面刮平ꎬ探头距离土样１０ｃｍꎬ光源距离土壤表面３０ｃｍꎬ天顶角为１５ʎꎮ测量前用白板进行标定ꎬ每个土样采集５条光谱作为该土样的光谱数据ꎮ由于受噪音与仪器暗电流的的影响ꎬ导致光谱数据混入噪音等信息ꎬ因此删除３５０~３９９ｎｍ和２４００~２５００ｎｍ的波段ꎬ采用五点平滑法对光谱进行平滑处理ꎬ并将光谱重采样至５ｎｍꎬ同时对原始光谱(Ｒ)进行一阶微分(Ｒᶄ)㊁倒数(１/Ｒ)㊁对数(ＬｎＲ)等传统数学变换ꎮ１.２.３㊀连续小波变换㊀采用连续小波变换ꎬ并用Ｍｅｘｈ小波母函数对原始光谱㊁原始光谱的倒数㊁对数㊁一阶微分进行１０层小波变换ꎬ生成一系列小波系数ꎮΨａꎬｂ＝１㊀ａΨλ－ｂａæèçöø÷(１)式中ꎬａ为伸缩因子ꎬｂ为平移因子ꎬλ为土壤高光谱数据的波段数ꎮＷｆａꎬｂ()＝ｆꎬΨａꎬｂ()＝ʏ＋ɕ－ɕｆλ()Ψａꎬｂλ()ｄｙ(２)式中ꎬｆλ()为土壤光谱反射率ꎬ小波系数Ｗｆａꎬｂ()包含二维ꎬ分别为波长(３５０~２５００)与分解尺度(１ꎬ２ꎬ３ １０)ꎬ故小波系数行为尺度数ꎬ列为波长数的矩阵[１６]ꎮ１.２.４㊀模型及精度验证㊀采用ＢＰ神经网络与支持向量机模型(ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎬＳＶＭ)建立土壤有机质预测模型ꎬ支持向量机采用线性核函数ꎬ相对于径向基函数(ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎꎬ４３１中国农业科技导报２３卷ＲＢＦ)来说计算高效ꎬ不易过拟合ꎮＢＰ神经网络的迭代次数设置为１０００ꎬ学习率０.０１ꎬ训练的均方根误差(ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒꎬＲＭＳＥ)小于０.００１ꎮ依据相关系数筛选的特征波段以及小波系数作为自变量ꎬ土壤有机质含量为因变量ꎬ分别建立模型ꎬ模型精度采用决定系数(Ｒ２)㊁均方根误差(ＲＭＳＥ)㊁相对分析误差(ｒｅｌａｔｉｖｅｐｅｒｃｅｎｔｄｅｖｉａｔｉｏｎꎬＲＰＤ)以及１ʒ１线共同评价ꎮＲ２表征模型的稳定性ꎬ越接近于１模型越稳定ꎬ拟合程度越好ꎮ均方根误差(ＲＭＳＥ)用来检验模型的预报能力ꎬＲＭＳＥ越小则表明模型的估测能力越好ꎮＲＰＤ是样本的标准差与ＲＭＳＥ的比值ꎬＲＰＤ<１.４时ꎬ模型无法对样品进行预测ꎻ１.４ɤＲＰＤ<２时ꎬ模型效果一般ꎬ可以用来对样品进行粗略评估ꎻＲＰＤȡ２时ꎬ模型具有极好的预测能力ꎮ１ʒ１线表示实测值与预测值构成的点偏离ｙ＝ｘ线的程度[２１]ꎮ２㊀结果与分析２.１㊀土壤有机质含量统计分析建模样品集㊁不同土地利用方式㊁不同土壤类型下土壤有机质含量描述性统计见表１ꎮ本研采样点内土地利用方式主要包括林地㊁草地㊁耕地㊁盐渍地ꎬ土壤有机质在草地内均值含量最大(０ ８０％)ꎬ其次为林地(０.７２％)㊁耕地(０.６７％)㊁盐渍地有机质含量最低(０.６３％)ꎻ土壤有机质含量最大值位于耕地(１.２８％)ꎬ最小值位于林地(０ １９％)ꎮ采样点内主要土壤类型为栗钙土㊁沙壤土㊁盐碱土ꎬ沙壤土有机质含量最高(０.７７％)ꎬ其次为盐碱土(０.６８％)和栗钙土(０.６７％)ꎬ土壤有机质含量最大值位于沙壤土内(１.２８％)ꎬ最小值位于盐碱土内(０.１９％)ꎮ表１㊀土壤有机质含量描述性统计结果Ｔａｂｌｅ１㊀Ｄｅｓｃｒｉｐｔｉｖｅｓｔａｔｉｓｔｉｃｓｒｅｓｕｌｔｓｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｓｏｉｌｓａｍｐｌｅｓ项目Ｉｔｅｍ样品集及类型Ｓａｍｐｌｅｓｅｔａｎｄｔｙｐｅ土样数Ｎｕｍｂｅｒｏｆｓａｍｐｌｅｓ最大值Ｍａｘｉｍｕｍ/％最小值Ｍｉｎｉｍｕｍｖａｌｕｅ/％均值Ｍｅａｎｖａｌｕｅ/％标准差Ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ/％模型样品集Ｍｏｄｅｌｓａｍｐｌｅｓｅｔ样品全集Ｗｈｏｌｅｓｅｔ１２０１.２００.１９４０.７１０.２７６建模集Ｍｏｄｅｌｉｎｇｓｅｔ９０１.２００.１９０.７２０.２２７验证集Ｖａｌｉｄａｔｉｏｎｓｅｔ３０１.２８０.２５０.７０.２５７土地利用方式Ｌａｎｄｕｓｅｐａｔｔｅｒｎ耕地Ｃｕｌｔｉｖａｔｅｄｌａｎｄ５５１.２８０.２００.６７０.２０林地Ｗｏｏｄｌａｎｄ２０１.１５０.１９０.７２０.２３草地Ｇｒａｓｓｌａｎｄ２５１.１８０.２５０.８００.２１盐渍地Ｓａｌｉｎｅｓｏｉｌ２０１.０３０.２５０.６３０.２２土壤类型Ｓｏｉｌｔｙｐｅ栗钙土Ｃｈｅｓｔｎｕｔｓｏｉｌ５４１.２０.２０.６７０.２２沙壤土Ｓａｎｄｙｌｏａｍ５１１.２８０.２５０.７７０.２４盐碱土Ｓａｌｉｎｅ￣ａｌｋａｌｉｓｏｉｌ１５１.１５０.１９０.６８０.２２２.２㊀土壤反射光谱特征对Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ进行小波变换ꎬ变换结果如图２所示ꎬＲ㊁１/Ｒ㊁ＬｎＲ光谱曲线较为平滑ꎬ分解曲线随波峰波谷变化.Ｒᶄ其光谱曲线并不规则存在较多波峰波谷ꎬ分解小波系数与前三者不同ꎮＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ分解后ꎬ小波系数均随分解尺度的增加而增加ꎬ同时可以看出ꎬ由Ｍｅｘｈ小波母函数进行的连续小波变换ꎬ对于光谱波峰与波谷有较高的敏感性ꎬ对于放大㊁挖掘光谱信息有着显著的作用ꎮ２.３㊀相关性分析２.３.１㊀不同导数变换光谱与土壤有机质含量相关性㊀土壤有机质含量与光谱相关性曲线及敏感波段见图３ꎮＲ与土壤有机质含量呈负相关关系(相关系数ｒ＝－０.４６３)ꎬ主要集中于７３５~７８０ｎｍ处波段ꎻ１/Ｒ与土壤有机质的相关性则与Ｒ相反ꎬ呈正相关关系(ｒ＝０.４６２)ꎬ集中于６００~８００ｎｍ与１８００~２２００ｎｍ处波段ꎻＬｎＲ的相关性曲线图与Ｒ相关性曲线类似ꎬ总体呈现负相关关系ꎬ相关系数(ｒ＝－０.４６５)ꎬ主要集中于７４５~７９５５３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演ｎｍ处的波段ꎻＲᶄ相关性在５００ｎｍ(ｒ＝－０.５８９)与１４００ｎｍ(ｒ＝－０.４１１)处为负相关ꎬ在８００ｎｍ(ｒ＝０.４０８)与１３８０ｎｍ(ｒ＝０.４１２)处为正相关ꎬ相关系数曲线变换趋势与前三者不同ꎬ呈无规律变化ꎮ２.３.２㊀不同分解尺度小波系数与土壤有机质含量的相关性㊀图４为不同光谱变换方式经过连续小波变换后与土壤有机质含量的相关系数矩阵图ꎬ其中红色代表相关性高的区域ꎬ蓝色代表相关性低的区域ꎮＲ在８００~１０００㊁１４００~１６００ｎｍ处相关性明显增加ꎬ在５００㊁８００㊁２２００ｎｍ波段处相关系数达到最大值(ｒ＝０.６６７)ꎻ１/Ｒ在８００~１２００ｎｍ处相关系数达到最大值(ｒ＝０.５５２)ꎬ在２４００~２５００ｎｍ处相系数达到０.４ꎬ受噪音和仪器本身的影响ꎬ此波段的相关系数不进行相关性参考ꎻＬｎＲ在分解尺度１下相关性较低ꎬ在２~１０尺度下ꎬ相关性出现最大值(ｒ＝０.６６４)ꎻＲᶄ相关性主要集中在５００~９００㊁１２００~１６００㊁２１００~２３００ｎｍ处ꎮ筛选的敏感波段与尺度如表２所示ꎮ有效的光谱信息主要存在于低分解尺度ꎬ随分解尺度的增加呈递减趋势ꎬ相关性最大值较未处理前分别增加了０.２０４㊁０.０９㊁０.１９９㊁０.２５２ꎬ对于挖掘潜在光谱信息有着重要意义ꎮ２.４㊀土壤有机质高光谱模型建立２.４.１㊀ＢＰ神经网络预测模型㊀采用ＢＰ神经网络构建反演模型ꎬ结果如表３所示ꎮ未进行连续小波变换处理的模型中ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ效果较好ꎬＲ２分别为０.６９和０.７３ꎬＲＰＤ为１.４５与１.５３ꎬ模型能粗略估算土壤有机含量ꎬＢＰ￣ＬｎＲ与ＢＰ￣１/Ｒ样本外预测能力较差ꎬ同时ＲＰＤ未达到１.４以上ꎬ不能对土壤有机质未能进行有效预测ꎻ连续小图２㊀连续小波变换光谱特性Ｆｉｇ.２㊀Ｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ６３１中国农业科技导报２３卷图３㊀土壤光谱相关性曲线及敏感波段Ｆｉｇ.３㊀Ｃｏｒｒｅｌａｔｉｏｎｃｕｒｖｅａｎｄｓｅｎｓｉｔｉｖｅｂａｎｄｏｆｓｏｉｌｓｐｅｃｔｒｕｍ图４㊀土壤有机质与小波系数相关性Ｆｉｇ.４㊀Ｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓ７３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演表２㊀筛选的敏感波段Ｔａｂｌｅ２㊀Ｓｅｎｓｉｔｉｖｅｂａｎｄｆｏｒｓｃｒｅｅｎｉｎｇ处理方式Ｔｒｅａｔｍｅｎｔｍｅｔｈｏｄ相关系数Ｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ分解尺度Ｄｅｃｏｍｐｏｓｉｔｉｏｎｓｃａｌｅ敏感波段Ｓｅｎｓｉｔｉｖｅｂａｎｄ/ｎｍＣＷＴ￣Ｒ０.６６７１~１０２１４㊁２１２㊁９１㊁９１㊁１０９㊁１０９㊁１０９㊁１１０㊁１１１㊁１１２ＣＷＴ￣１/Ｒ０.５５２１~７４００㊁２１２㊁１０８㊁１０８㊁１０８㊁１０８㊁１０９ＣＷＴ￣ＬｎＲ０.６６４２~８２１３㊁２１２㊁４５㊁４５㊁４５㊁１０９㊁１１０ＣＷＴ￣Ｒᶄ０.６６４１~１０２１２㊁２１５㊁２１５㊁２１６㊁９９㊁９９㊁９９㊁９８㊁９８㊁９８波变换处理之后的模型ꎬ仅ＢＰ￣ＣＷＴ￣１/Ｒ模型ＲＰＤ未达到预测水平ꎬ其余３种模型Ｒ２与ＲＰＤ较未处理前均有所增加ꎬＲＭＳＥ均减少ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ模型预测效果较好ꎬＲＰＤ达到２.１２可以有效地对土壤有机质进行预测ꎮ将ＢＰ￣ＣＷＴ处理的４个模型的实测值与预测值进行１ʒ１线分析ꎮ由图５可知ꎬ除ＢＰ￣ＣＷＴ￣１/Ｒ模型外ꎬ其余模型的实测值与预测值样点基本分布在１ʒ１线附近ꎬＢＰ￣ＣＷＴ￣ＬｎＲ效果较为明显ꎬ且估算精度高ꎬ可较好地进行土壤有机质含量的估算ꎮ２.４.２㊀支持向量机预测模型㊀ＳＶＭ构建反演模型ꎬ结果如表４所示ꎮ未经过连续小波处理的光谱特征波段未能较好地对土壤有机质进行预测反演ꎬ经过ＣＷＴ后模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ预测结果较之前有较大的提升ꎬＲ２分别达到了０.５０与０.５６ꎬ二者ＲＰＤ均达到１.４以上ꎬ可以粗表３㊀土壤有机质ＢＰ神经网络估测模型结果Ｔａｂｌｅ３㊀ＲｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｆｏｒｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＢＰ￣Ｒ０.６９０.１７０.５２０.１９１.４５ＢＰ￣１/Ｒ０.６８０.１７０.３３０.２２１.２５ＢＰ￣ＬｎＲ０.５６０.１９０.２４０.２２１.２５ＢＰ￣Ｒᶄ０.７３０.１６０.５２０.１８１.５３ＢＰ￣ＣＷＴ￣Ｒ０.８００.１４０.５４０.１７１.６２ＢＰ￣ＣＷＴ￣１/Ｒ０.６４０.１８０.２１０.２８０.９８ＢＰ￣ＣＷＴ￣ＬｎＲ０.７６０.１５０.７４０.１３２.１２ＢＰ￣ＣＷＴ￣Ｒᶄ０.７７０.１４０.６６０.１６１.７２表４㊀土壤有机质支持向量机估测模型结果Ｔａｂｌｅ４㊀Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｒｅｓｕｌｔｓｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＳＶＭ￣Ｒ０.２１０.２００.１９０.２０１.３８ＳＶＭ￣１/Ｒ０.２１０.２００.２００.２１１.３１ＳＶＭ￣ＬｎＲ０.２１０.２００.２００.２１１.３１ＳＶＭ￣Ｒᶄ０.４３０.１７０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒ０.５００.１６０.４８０.１７１.６２ＳＶＭ￣ＣＷＴ￣１/Ｒ０.２９０.１９０.１６０.２１１.３１ＳＶＭ￣ＣＷＴ￣ＬｎＲ０.４９０.１６０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒᶄ０.５６０.１５０.４１０.１８１.５３８３１中国农业科技导报２３卷图５㊀ＢＰ￣ＣＷＴ模型土壤实测值与预测值对比Ｆｉｇ.５㊀ＣｏｍｐａｒｉｓｏｎｏｆｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＢＰ￣ＣＷＴｍｏｄｅｌ略地对土壤有机质进行预测ꎮ同时根据图６ꎬＳＶＭ￣ＣＷＴ模型进行１:１线分析ꎬ二者实测值与预测值分布情况在４种模型下较好ꎬ虽然模型ＳＶＭ￣ＣＷＴＬｎＲ分布同样较为集中ꎬ但其样本外预测情况较差(ＲＰＤ＝１.３８)ꎬ综合考虑不对其进行土壤有机质预测ꎮ结合表３和表４的结果分析ꎬ连续小波变换能够有效地提升模型精度与模型泛化能力ꎬ对于光谱信息挖掘有着重要意义ꎬＢＰ神经网络与支持向量机对ＣＷＴ￣Ｒ与ＣＷＴ￣Ｒᶄ都能够提升Ｒ２减少ＲＭＳＥꎬ可对土壤有机质做出较好的预测ꎮ虽然ＢＰ神经网络与支持向量机在处理非线性回归问题中有较强的能力ꎬ但本身模型中存在不稳定性ꎬ对模型的环境设置同样要求较高ꎬ所以未能对所有数据集进行良好的预测ꎮ３㊀讨论本研究采用连续小波变换对光谱进行处理ꎬ用ＢＰ神经网络与支持向量机(ＳＶＭ)两种模型对土壤有机质含量进行反演预测ꎮ未经过连续小波变换前ꎬＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质的相关系系数最大值分别为－０.４６３㊁０.４６２㊁－０.４６５㊁０.５８９ꎬ可以看出ꎬＲᶄ与土壤有机质的相关系数最高ꎬ与吴倩等[２２]㊁张新乐等[２３]的研究结果相同ꎻ经过连续小波变换后ꎬＣＷＴ￣Ｒ㊁ＣＷＴ￣１/Ｒ㊁ＣＷＴ￣ＬｎＲ㊁ＣＷＴ￣Ｒᶄ相关系数最大值分别为０ ６６７㊁０.５５２㊁０ ６６４㊁０.６６２ꎬ较之前分别增加了０ ２０㊁０.０９㊁０.１９㊁０.０７ꎮ王延仓等[１]㊁于雷等[４]㊁叶红云等[１７]等同样证明连续小波变换可有效提高与土壤有机质含量的相关系数ꎮ不同分解尺度对于光谱数据的深度挖掘有着重要意义ꎬ本研究只利用Ｍｅｘｈ小波母函数进行处理ꎬ未对其他函数进行考虑ꎬ分解层数同样是根据前人经验所得[４ꎬ１０]ꎬ小波技术的研究与发展仍然有很大的探索空间ꎮ相对于两种模型来看ꎬ未进行连续小波处理９３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演图６㊀利用ＳＶＭ￣ＣＷＴ模型土壤实测值与预测值的对比Ｆｉｇ.６㊀ＣｏｍｐａｒｉｓｏｎｏｆｓｏｉｌｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＳＶＭ￣ＣＷＴｍｏｄｅｌ的支持向量机模型中ꎬ只有ＳＶＭ￣Ｒᶄ模型Ｒ２最高达到０.４３ꎬ其余三者均未到达０.４ꎮ综合多种模型评价方法ꎬ由于其ＲＰＤ未达到１.４以上ꎬ无法对土壤有机质含量进行预测ꎮ经过连续小波处理后ꎬ各模型的Ｒ２有明显提高ꎬ其中ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ模型效果较好ꎬＲ２分别提高了０.２９㊁０.１３ꎬＲＰＤ达到１.６２与１.５３实现了对土壤有机质有效的预测ꎬ但预测结果较ＢＰ神经网络较低ꎮ在ＢＰ神经网络预测模型中ꎬ未进行连续小波变换前ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ预测效果较好ꎬＲ２达到０.６９与０.７３ꎬＲＰＤ为１.４５与１.５３ꎻ进行连续小波处理后ꎬ除ＳＶＭ￣ＣＷＴ￣１/Ｒ模型未到达预测效果ꎬ其余３种模型预测结果较之前均有明显改善ꎬ可实现对土壤有机质较好的预测ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳Ｒ２达到０.７６ꎬＲＰＤ达到２.１２ꎮ根据１:１线分析图也可看出ꎬ其实测值与预测值分布较为集中ꎬ于雷等[４]㊁叶红云等[１７]㊁林鹏达等[１８]同样通过连续小波变换有效提升了模型的精度与泛化能力ꎮ针对土壤有机质高光谱反演研究中ꎬ姚聪[２４]对耕层土壤通过ＢＰ神经网络与支持向量机模型ꎬ反演精度Ｒ２分别为０.４２与０.６７ꎻ叶红云等[１７]采用连续小波变换对干旱区土壤有机质反演ꎬ模型精度Ｒ２＝０.７５㊁ＥＭＳＥ＝０.７１ꎻ谢文[２５]在森林土壤有机质反演研究中ꎬＢＰ神经网络模型Ｒ２＝０ ７８㊁ＥＭＳＥ＝０.７７ꎬ支持向量机模型Ｒ２＝０.８７㊁ＥＭＳＥ＝０.７６ꎮ本研究对耕地㊁林草地㊁盐碱地㊁栗钙土㊁沙壤土㊁盐渍土等不同土地利用类型与土壤类型进行综合反演ꎬ最佳反演模型为ＢＰ￣ＣＷＴＬｎＲꎬＲ２＝０.７６㊁ＥＭＳＥ＝０.１５㊁ＲＰＤ＝２.１２ꎬ与前人研究的结果基本相符ꎬ证明通过连续小波变换处理ꎬ不同土壤类型与土地利用类型未对土壤反演模型精度产生影响ꎮ所以采用连续小波变换进行光谱数据挖掘ꎬ采用ＢＰ￣ＣＷＴ￣ＬｎＲ神经网络建０４１中国农业科技导报２３卷立反演模型ꎬ可对不同土地利用于土壤类型条件下土壤有机质高光谱反演提供一定的理论支持与应用价值ꎮ参㊀考㊀文㊀献[１]㊀王延仓ꎬ杨秀峰ꎬ赵起超ꎬ等.二进制小波技术定量反演北方潮土土壤有机质含量[Ｊ].光谱学与光谱分析ꎬ２０１９ꎬ３９(９):２８５５－２８６１.ＷＡＮＧＹＣꎬＹＡＮＧＸＦꎬＺＨＡＯＱＣꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｂａｓｅｄｏｎｂｉｎａｒｙｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１９ꎬ３９(９):２８５５－２８６１. [２]㊀于雷ꎬ洪永胜ꎬ耿雷ꎬ等.基于偏最小二乘回归的土壤有机质含量高光谱估算[Ｊ].农业工程学ꎬ２０１５ꎬ３１(１４):１０３－１０９.ＹＵＬꎬＨＯＮＧＹＳꎬＧＥＮＧＬꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(１４):１０３－１０９. [３]㊀钟浩ꎬ李西灿ꎬ翟浩然ꎬ等.耕层土壤有机质高光谱间接估测模型[Ｊ].测绘科学技术学报ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５.ＺＨＯＮＧＨꎬＬＩＸＣꎬＺｈＡＩＨＲꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｄｉｒｅｃｔｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｕｇｈｌａｙｅｒ[Ｊ].Ｊ.ＧｅｏｍａｔｉｃｓＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５. [４]㊀于雷ꎬ洪永胜ꎬ周勇ꎬ等.连续小波变换高光谱数据的土壤有机质含量反演模型构建[Ｊ].光谱学与光谱分析ꎬ２０１６ꎬ３６(５):１４２８－１４３３.ＹＵＬꎬＨＯＮＧＹＳꎬＺＨＯＵＹꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｕｓｉｎｇｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１６ꎬ３６(５):１４２８－１４３３.[５]㊀ＳＴＥＮＢＥＲＧＢꎬＶＩＳＣＡＲＲＡＲＲＡꎬＭＯＵＡＺＥＮＡＭꎬｅｔａ１..Ｖｉｓｉｂｌｅａｎｄｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｉｎｓｏｉｌｓｃｉｅｎｃｅ[Ｊ].Ａｄｖ.Ａｇｒｏｎ.ꎬ２０１０ꎬ１０７:１６３－２１５.[６]㊀聂哲ꎬ李秀芬ꎬ吕家欣ꎬ等.东北典型黑土区表层土壤有机质含量高光谱反演研究[Ｊ].土壤通报ꎬ２０１９ꎬ５０(６):１２８５－１２９３.ＮＩＥＺꎬＬＩＵＸＦꎬＬＹＵＪＸꎬｅｔａｌ..ＨｙｐｅｒｓｐｅｃｔｒａｌｒｅｔｒｉｅｖａｌｏｆｓｕｒｆａｃｅｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｔｙｐｉｃａｌｂｌａｃｋｓｏｉｌｒｅｇｉｏｎｏｆｎｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｃｈｉｎ.Ｊ.ＳｏｉｌＳｃｉ.ꎬ２０１９ꎬ５０(６):１２８５－１２９３.[７]㊀沈润平ꎬ丁国香ꎬ魏国栓ꎬ等.基于人工神经网络的土壤有机质含量高光谱反演[Ｊ].土壤学报ꎬ２００９ꎬ４６(３):３９１－３９７.ＳＨＥＮＲＰꎬＤＩＮＧＧＸꎬＷＥＩＧＳꎬｅｔａｌ..Ｒｅｔｒｉｅｖａｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｆｒｏｍｈｙｐｅｒ￣ｓｐｅｃｔｒｕｍｂａｓｅｏｎＡｎｎ[Ｊ].ＡｃｔａＰｅｄｏｌ.Ｓｉｎ.ꎬ２００９ꎬ４６(３):３９１－３９７.[８]㊀沈强ꎬ张世文ꎬ夏沙沙ꎬ等.基于支持向量机的土壤有机质高光谱反演[Ｊ].安徽理工大学学报(自然科学版)ꎬ２０１９ꎬ３９(４):３９－４５.ＳＨＥＮＱꎬＺＨＡＮＧＳＷꎬＸＩＡＳＳꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ[Ｊ].Ｊ.ＡｎｈｕｉＵｎｉｖ.Ｓｃｉ.Ｔｅｃｈｎｏｌ.(Ｎａｔ.Ｓｃｉ.)ꎬ２０１９ꎬ３９(４):３９－４５.[９]㊀ＢＲＥＩＭＡＮＬꎬＦＲＩＥＤＭＡＮＪＨꎬＯＬＳＨＥＮＲＡꎬｅｔａｌ..ＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅｓ[Ｍ].Ｂｅｌｍｏｎｔ:ＷａｄｓｗｏｒｔｈＩｎｔｅｒｎａｔｉｏｎａｌＧｒｏｕｐꎬ１９８４.[１０]㊀方圣辉ꎬ乐源ꎬ梁琦.基于连续小波分析的混合植被叶绿素反演[Ｊ].武汉大学学报ꎬ２０１５ꎬ４０(３):２９６－３０２.ＦＡＮＧＳＨꎬＬＥＹꎬＬＩＡＮＧＱ.Ｒｅｔｒｉｅｖａｌｏｆｃｈｌｏｒｏｐｈｙｌｌｃｏｎｔｅｎｔｕｓｉｎｇｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔａｎａｌｙｓｉｓａｃｒｏｓｓａｒａｎｇｅｏｆｖｅｇｅｔａｔｉｏｎｓｐｅｃｉｅｓ[Ｊ].ＧｅｏｍａｔｉｃｓＩｎｆｏｒｍ.Ｓｃｉ.ＷｕＨａｎＵｎｉｖ.ꎬ２０１５ꎬ４０(３):２９６－３０２.[１１]㊀何汝艳ꎬ乔小军ꎬ蒋金豹ꎬ等.小波法反演条锈病胁迫下冬小麦冠层叶片全氮含量[Ｊ].农业工程学报ꎬ２０１５ꎬ３１(２):１４１－１４６.ＨＥＲＹꎬＱＩＡＯＸＪꎬＪＩＡＮＧＪＢꎬｅｔａｌ..Ｒｅｔｒｉｅｖｉｎｇｃａｎｏｐｙｌｅａｆｔｏｔａｌｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｏｆｗｉｎｔｅｒｗｈｅａｔｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(２):１４１－１４６. [１２]㊀陈红艳ꎬ赵庚星ꎬ李希灿ꎬ等.小波分析用于土壤速效钾含量高光谱估测研究[Ｊ].中国农业科学ꎬ２０１２ꎬ４５(７):１４２５－１４３１.ＣＨＥＮＨＹꎬＺＨＡＯＧＸꎬＬＩＸＣꎬｅｔａｌ..Ａｐｐｌｉｃａｔｉｏｎｏｆｗａｖｅｌｅｔａｎａｌｙｓｉｓｆｏｒｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌａｖａｉｌａｂｌｅｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｗｉｔｈｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅ[Ｊ].Ｓｃｉ.Ａｇｒｉｃ.Ｓｉｎ.ꎬ２０１２ꎬ４５(７):１４２５－１４３１.[１３]㊀高洪智ꎬ卢启鹏.土壤主要养分近红外光谱分析及其测量系统[Ｊ].光谱学与光谱分析ꎬ２０１１ꎬ３１(５):１２４５－１２４９.ＧＡＯＨＺꎬＬＵＱＰ.Ｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒａｌａｎａｌｙｓｉｓａｎｄｍｅａｓｕｒｉｎｇｓｙｓｔｅｍｆｏｒｐｒｉｍａｒｙｎｕｔｒｉｅｎｔｏｆｓｏｉｌ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１１ꎬ３１(５):１２４５－１２４９.[１４]㊀王祥浩.土壤有机质高光谱反演模型研究[Ｊ].黑龙江工程学院学报ꎬ２０１９ꎬ３３(５):３４－３９.ＷＡＮＧＸＨ.Ｒｅｓｅａｒｃｈｏｎｈｉｇｈｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ[Ｊ].Ｊ.ＨｅｉｌｏｎｇｊｉａｎｇＩｎｓｔｉｔｕｔｅＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３３(５):３４－３９.[１５]㊀包青岭ꎬ丁建丽ꎬ王敬哲ꎬ等.基于随机森林算法的土壤有机质含量高光谱检测[Ｊ].干旱区地理ꎬ２０１９ꎬ４２(６):１４０４－１４１４.ＢＡＯＱＬꎬＤＩＮＧＪＬꎬＷＡＮＧＪＺꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｄｅｔｅｃｔｉｏｎｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ[Ｊ].ＡｒｉｄＬａｎｄＧｅｏｇｒａｐｈｙꎬ２０１９ꎬ４２(６):１４０４－１４１４.[１６]㊀王延仓ꎬ张兰ꎬ王欢ꎬ等.连续小波变换定量反演土壤有机质含量[Ｊ].光谱学与光谱分析ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.ＷＡＮＧＹＣꎬＺＨＡＮＧＬꎬＷＡＮＧＨꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.[１７]㊀叶红云ꎬ熊黑钢ꎬ张芳ꎬ等.基于ＣＷＴ的人类不同程度干扰下干旱区土壤有机质含量估算研究[Ｊ].激光与光电子学进展ꎬ２０１９ꎬ５６(５):１１５－１２４.ＹＥＨＹꎬＸＩＯＮＧＨＧꎬＺＨＡＮＧＦꎬｅｔａｌ..ＣＷＴ￣Ｂａｓｅｄｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｒｉｄａｒｅａｕｎｄｅｒｄｉｆｆｅｒｅｎｔｈｕｍａｎｄｉｓｔｕｒｂａｎｃｅｄｅｇｒｅｅｓ[Ｊ].ＬａｓｅｒＯｐｔｏｅｌｅｃｔｒｏｎｉｃｓＰｒｏｇｒ.ꎬ２０１９ꎬ５６(５):１１５－１２４.[１８]㊀林鹏达ꎬ佟志军ꎬ张继权ꎬ等.基于ＣＷＴ的黑土有机质含量野外高光谱反演模型[Ｊ].水土保持研究ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.ＬＩＮＰＤꎬＴＯＮＧＺＪꎬＺＨＡＮＧＪＱꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｂｌａｃｋｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｗｉｔｈｆｉｅｌｄｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].Ｒｅｓ.ＳｏｉｌＷａｔｅｒＣｏｎｎｓｅｒｖ.ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.１４１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演[１９]㊀范晓冰ꎬ鲁丽波ꎬ范海娇.托克托县耕地动态变化及驱动因子分析[Ｊ].内蒙古师范大学学报ꎬ２０１７ꎬ４６(１):１５１－１５５.ＦＡＮＧＸＢꎬＬＵＬＢꎬＦＡＮＧＨＪꎬｅｔａｌ..ＡｎａｎａｌｙｓｉｓｏｆｄｙｎａｍｉｃｃｈａｎｇｅｓａｎｄｄｒｉｖｉｎｇｆａｃｔｏｒｓｏｆａｒａｂｌｅｌａｎｄｉｎＴｏｇｔｏｈｃｏｕｎｔｙ[Ｊ].Ｊ.ＩｎｎｅｒＭｏｎｇｏｌｉａＮｏｒｍ.Ｕｎｉｖ.ꎬ２０１７ꎬ４６(１):１５１－１５５. [２０]㊀李政葵.内蒙古托克托县潜水与土壤中氟化物的分布规律及其相关性研究[Ｄ].呼和浩特:内蒙古大学ꎬ硕士学位论文ꎬ２０１５.ＬＩＫＺ.ＤｉｓｔｒｉｂｕｔｉｏｎａｎｄｃｏｒｒｅｌａｔｉｏｎｏｆｆｌｕｏｒｉｄｅｂｅｔｗｅｅｎｕｎｃｏｎｆｉｎｅｄｗａｔｅｒａｎｄｓｏｉｌｏｆＩｎｎｅｒＭｏｎｇｏｌｉａＴｕｏｋｅｔｕｏｃｏｕｎｔｙ[Ｄ].Ｈｏｈｈｏｔ:ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１５.[２１]㊀ＶＩＳＣＡＲＲＡＲＡꎬＭＣＧＬＹＮＮＲＮꎬＭＣＢＲＡＴＮＥＹＡＢ.Ｄｅｔｅｒｍｉｎｉｎｇｔｈｅｃｏｍｐｏｓｉｔｉｏｎｏｆｍｉｎｅｒａｌ￣ｏｒｇａｎｉｃｍｉｘｅｓｕｓｉｎｇＵＶ￣ｖｉｓ￣ＮＩＲｄｉｆｆｕｓｅｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｏｓｃｏｐｙ[Ｊ].Ｇｅｏｄｅｒｍａꎬ２００７ꎬ１３７(１/２):７０－８２.[２２]㊀吴倩ꎬ姜琦刚ꎬ史鹏飞ꎬ等.基于高光谱的土壤碳酸钙含量估算模型研究[Ｊ/ＯＬ].国土资源遥感ꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.ＷＵＱꎬＪＩＡＮＧＱＧꎬＳＨＩＰＦꎬｅｔａｌ..Ｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｃａｌｃｉｕｍｃａｒｂｏｎａｔｅｃｏｎｔｅｎｔｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ[Ｊ/ＯＬ].ＲｅｍｏｔｅＳｅｎｓｉｎｇＬａｎｄＲｅｓｏｕｒｃｅｓꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.[２３]㊀张新乐ꎬ于滋洋ꎬ李厚萱ꎬ等.东北水稻叶片ＳＰＡＤ遥感光谱估算模型[Ｊ].中国农业大学学报ꎬ２０２０ꎬ２５(１):６６－７５.ＺＨＡＮＧＸＬꎬＹＵＺＹꎬＬＩＨＸꎬｅｔａｌ..ＲｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆＳＰＡＤｆｏｒｒｉｃｅｌｅａｖｅｓｉｎＮｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｊ.Ｃｈｉｎ.Ａｇｒｉｃ.Ｕｎｉｖ.ꎬ２０２０ꎬ２５(１):６６－７５.[２４]㊀姚聪.基于卷积神经网络的耕层土壤有机质含量估测模型研究[Ｄ].山东泰安:山东农业大学ꎬ硕士学位论文ꎬ２０２０.ＹＡＯＣ.Ｓｔｕｄｙｏｎｅｓｔｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｗｅｄｌａｙｅｒｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｄ].ＳｈａｎｄｏｎｇＴａｉａｎ:ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０２０.[２５]㊀谢文.基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[Ｄ].南昌:江西农业大学ꎬ博士学文论文ꎬ２０１７.ＸＩＥＷ.Ｓｔｕｄｙｏｎｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓｏｆｄｉｆｆｅｒｅｎｔｎｕｔｒｉｅｎｔｃｏｎｔｅｎｔｓｉｎｆｏｒｅｓｔｓｏｉｌｓｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｔｅｃｈｎｏｌｏｇｙ[Ｄ].Ｎａｎｃｈａｎｇ:ＪｉａｎｇｓｕＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＤｏｃｔｏｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１７.(责任编辑:陈凌云)２４１中国农业科技导报２３卷。
基于高光谱数据的玉米叶面积指数和生物量评估
差 rRMSE 为 15.94%。敏感波段反射率 （839~893 nm 和 1336~1348 nm） 对玉米单株地上部生物量估算效果
最佳，测试集 R2为 0.71，RMSE 为 12.31 g，rRMSE 为 15.89%。综上，田间非成像高光谱和无人机成像高光谱
在玉米 LAI 及生物量估算方面具有较好的一致性，能够快速有效地提取地块尺度玉米农学参数信息，本研究
可为高光谱技术在小区尺度的精准农业管理应用提供参考。
关键词：高光谱；玉米；叶面积指数；地上部生物量；偏最小二乘回归；无人机遥感
中图分类号：S127
文献标志码：A
文章编号：202102-SA004
引用格式：束美艳, 陈向阳, 王喜庆, 马韫韬 . 基于高光谱数据的玉米叶面积指数和生物量评估[J]. 智慧农业(中 英文), 2021, 3 (1): 29-39. SHU Meiyan, CHEN Xiangyang, WANG Xiqing, MA Yuntao. Estimation of maize leaf area index and aboveground biomass based on hyperspectral data[J]. Smart Agriculture, 2021, 3 (1): 29-39. (in Chinese with English abstract)
传统作物 LAI 和地上部生物量的田间观测方 法主要是人工测量，其过程繁琐，需要耗费大量 的人力物力 ［8］，结果有一定的滞后性，且大面积 的田间破坏性取样会影响群体作物的生长状况。
收稿日期：2021-01-28 修订日期：2021-03-11 基金项目：国家重点研发计划 （2016YFD0300202）；内蒙古自治区科技重大专项 （2019ZD024） 作者简介：束美艳 （1993－），女，博士研究生，研究方向为数字农业。E-mail：2448858578@。 * 通讯作者：1. 王喜庆 （1969－），男，博士，教授，研究方向为表型组技术。电话：010-62733596。E-mail：wangxq21@； 2. 马韫韬 （1977－），女，博士，副教授，研究方向为数字农业。电话：010-62733596。E-mail：yuntao.ma@。
基于高光谱图像的农作物遥感监测方法研究
基于高光谱图像的农作物遥感监测方法研究高光谱遥感图像在农作物监测中的应用已经成为遥感技术研究的热点之一。
通过利用高光谱遥感图像的丰富光谱信息，可以对农作物的生长状态、病虫害情况以及土壤水分等进行精确监测和分析。
本文将从高光谱图像获取与预处理、农作物遥感监测方法以及案例研究三个方面展开讨论，以探索基于高光谱图像的农作物遥感监测方法。
首先，高光谱图像获取与预处理是基于高光谱图像进行农作物监测的前提。
高光谱遥感图像一般由辐射采集仪器获得包含几百个连续波段的光谱数据。
然而，由于各种误差和噪声的存在，必须对图像进行预处理，以提升数据的质量和准确度。
对高光谱图像进行预处理的主要步骤包括：辐亮度校正、大气校正、波段选择、空间校正等。
这些步骤可以提高图像的质量，减少噪声，对后续的农作物监测具有重要意义。
其次，在农作物遥感监测方法方面，基于高光谱图像的农作物监测主要包括生长状态监测、病虫害监测、土壤水分监测等。
生长状态监测是通过分析农作物在不同阶段的反射光谱特征来评估其生长状况及产量水平。
病虫害监测是通过分析植物受到病虫害侵袭后的光谱特征来判断病虫害发生的情况及程度。
土壤水分监测是通过分析植物所吸收反射的光谱特征来评估土壤水分状况，为制定合理的农田灌溉策略提供依据。
除了这些基本的监测方法外，还可以通过高光谱图像进行农作物分类、农作物生长周期预测等分析。
最后，本文将通过案例研究的方式，探索基于高光谱图像的农作物遥感监测方法。
以小麦为例，通过获取小麦生长周期内不同阶段的高光谱图像数据，利用这些图像数据进行生长状态监测。
将分析不同阶段的小麦光谱特征，包括叶绿素含量、叶片氮含量等指标，并与实地采样结果进行比对验证。
根据实地调查和实验结果，确定不同生长阶段小麦的光谱特征与生长状况的对应关系，建立基于这些特征的农作物生长状态监测模型。
本研究还将利用高光谱图像数据开展病虫害监测。
以小麦叶枯病为例，通过采集不同感染程度的小麦叶片高光谱图像数据，提取出感染叶片的光谱特征。
基于Sentinel-2影像与PROSAIL模型参数标定的玉米冠层LAI反演
Vol 41,No. 6,ppl891-1897June , 2021第41卷，第6期2021 年6 月光谱学与光谱分析SpectroscopyandSpectralAnalysis基于Sentinel-2影像与PROSAIL 模型参数标定的玉米冠层LAI 反演苏伟1!!邬佳昱1!!王新盛1!!谢茈萱1!!张颖1!!陶万成1!!金添1!1. 中国农业大学土地科学与技术学院，北京1000832. 农业部农业灾害遥感重点实验室,北京100083摘 要 叶面积指数（LAI ）与植被光合作用、蒸腾作用、生物量的形成等有密切联系，是玉米长势监测、灾 害胁迫监测、产量预测等重要参数之一，也是辐射传输模型、作物生长模型等机理模型的一个重要参数$Sentinel-2卫星是“全球环境与安全监测/十划的第二颗卫星,具有较高的时空分辨率,且具有红边波段,其可见光和近红外波段的分辨率为10m ,是农业遥感应用的理想数据源$ PROSAIL 辐射传输模型是遥感反演 玉米冠层LAI 的有效途径，然而在反演中存在输入参数不确定性大、调参困难、病态反演、速度慢等问题$ 模型的参数标定能够获取观测反射率及不确定性范围内的参数取值，提供丰富准确的参数信息，降低模型反演过程中的偏差$为探索参数标定在玉米冠层LAI 反演中的应用,研究以Sentinel-2A 卫星影像为数据 源,使用马尔可夫链蒙特卡洛方法（MCMC ）对PROSAIL 模型进行参数标定,通过加入5%的观测光谱不确定性，获取各参数在不确定性范围内的后验取值概率分布，以优化反演过程中的参数设置，提高LAI 反演精度$研究结果表明：（l ）PROSAIL 模型对可见光和近红外波段较为敏感的输入参数有LAI 、叶片叶绿素含 量及结构系数，将此三个参数作为查找表反演中的可变参数能够有效地进行LAI 的反演，反演精度的决定系数达0.7以上$ （2）MCMC 方法能够对PROSAIL 模型进行参数标定,获取研究区内玉米各参数取值分布信息，参数后验分布与实际情况接近，表明利用MCMC 方法进行参数标定可行有效$ （3）通过参数标定可以 有效提高LAI 的反演精度，在降低反演偏差和异常值方面尤为明显，参数标定优化后的反演平均偏差由原先的20%降低至8% ,同时估算精度由76%提高至90% $研究结果表明：利用MCMC 进行PROSAIL 模型参数标定，能够提高PROSAIL 模型的LAI 反演精度，降低反演偏差，为利用PROSAIL 辐射传输模型提高作物冠层参数反演精度提供借鉴$关键词 Sentinel-2卫星；PROSAIL 辐射传输模型；参数标定；LAI 反演；敏感性分析中图分类号：TP79文献标识码：A DOI ： 10. 3964/j. issn. 1000-0593（2021）06-1891-07引言叶片是玉米光合作用的主要器官，玉米的干物质积累大 多来自叶片，因此准确描述玉米叶片生长状态对于玉米长势监测、灾害胁迫监测、产量预测等具有重要意义山$叶面积 指数是单位土地面积上的植物叶片表面积的一半方，与植被各生理生化过程有密切联系, 是表征玉米长势的一种重要参数$遥感数据具有空间上的全覆盖性、时间上的连续性和数据类型的多样性, 能够以不同的时空尺度获取多种作物冠层信息$ 基于遥感影像反演玉米冠层叶面积指数, 可为玉米长势监测、病虫害胁迫监测、产量预测提供有效依据[3]$PROSAIL 辐射传输模型综合考虑了作物冠层结构、生 长状况以及遥感观测环境的影响, 能够准确模拟作物冠层反射率，由于其高敏感性与完善的辐射传输机理，PROSAIL 模型被广泛应用于叶面积指数deaf area index, LAI ）反演中$近年来，众多学者针对PROSAIL 模型的LAI 反演进行了诸 多研究，反演方法包括查找表法⑷、经验线性回归、机器学 习⑸以及模型耦合⑹等，取得了显著成果$其中查找表法是传统的反演算法, 通过建立大量情况下模型参数与冠层反射率之间的映射关系，使用代价函数进行迭代运算，将计算所需的时间转移至反演前，因此具有广泛的应用）7*$机器学习 等方法则弱化了模型的机理过程，训练模型更为灵活，近些 年发展迅速。
无人机高光谱遥感影像校正与叶绿素a反演研究
无人机高光谱遥感影像校正与叶绿素a反演研究
张忠婷;陈文惠;何欢
【期刊名称】《科学技术创新》
【年(卷),期】2024()4
【摘要】无人机高光谱遥感是水质监测研究中的一个重要手段,而太阳耀斑作为无人机高光谱遥感影像中的常见现象,对水质监测产生严重影响。
本文首先通过水体指数法去除了非水体区域,进而基于在近红外波段处离水辐射量近似为零的理论基础对影像中的太阳耀斑进行了校正,并在此基础上反演了叶绿素a浓度。
结果表明,耀斑校正效果良好,影像纹理特征与光谱特征都得到了较好的保留与恢复,叶绿素a 的反演效果也相对较好。
【总页数】4页(P217-220)
【作者】张忠婷;陈文惠;何欢
【作者单位】福建师范大学地理科学学院
【正文语种】中文
【中图分类】X832
【相关文献】
1.冬小麦冠层叶绿素质量分数高光谱遥感反演研究
2.武汉东湖叶绿素a和悬浮物浓度的高光谱遥感反演模型研究
3.基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究
4.联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演
5.基于欧比特高光谱影像的滇池叶绿素a浓度遥感反演研究
因版权原因，仅展示原文概要，查看原文内容请购买。
受污染胁迫玉米叶绿素含量微小变化的高光谱反演模型
射率 、叶片的叶绿素含量 、叶片和土壤 的重金属含量等数据 。对高光谱数据 的可见光波段 （０ ￣８ ０ｎ 进 ４０ ０ ｍ）
行导数光谱计算 和连续统去 除处理 ，得到吸收谷位置 、 收深度 、绿峰位置 、绿峰 处归一化反射 值 、红边位 吸
置、红边处归一化反射率 、 红肩位置 、吸收宽度 、 光谱不对称度等光谱特 征参数 。分析上述 参数 的物 理含义 并将其和玉米 叶绿素含量变化进行相关分析 ，选择并确定与玉米 污染胁迫 叶绿素微 小变化 有一定 关系 的参
素浓度¨ ｌ １ ３。然而 ， 农业生 产过 程中 ，土壤污染 物 的含 量相 对较少 ，只有在工业生产 区 、 区或采 用工业 污水灌 溉的农 矿 田，才会 出现相对较大浓度 的污染物含 量 ， 这种含 量通 常 而 也 比实验室添加污染物的含量要小得 多 。因此 ，作物 的反应 也相对 比较小 ， 叶绿素含量 的变化微 弱 ，在高光 谱遥感 数据 上也 没有 明显、直接 的反应 。如何有 效地识别 、增 强并 提取 这种 大范围内微 小变化 的遥感信息 ， 是遥感应 用领域 一个迫
具有可行性 。 这些研究 多利用 多元逐 步回归法建立 光谱数据 或其变 化 形 式 （ 植 被 指 数 ） 叶 片 生 化 参 数 的关 系 模 如 与 型ｌｌｌ ４０。但多元逐步 回归模 型中入选 波段常与 作物生化 组分 ＿
玉米冠层反射光谱差异 ， 究污染胁迫下 的玉米 高光谱反射 研 特性 ， 选取并计算能有效反映玉米受污染胁迫 影响的光谱 特 征参数作为输入值 ，构建 Ｂ Ｐ人 工神 经 网络模 型 ，逐步增 强
数 ， 为输 入因子 ， 作 建立 Ｂ Ｐ神经 网络模 型，逐步增强并提取农 田污染胁迫状态下 玉米叶绿 素含 量 的微小 变
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。
基于prosail模型并在冠层覆盖度参与优化下作物叶面积指数反演方法
基于ProSAIL模型的作物叶面积指数反演方法一、引言作物叶面积指数（Leaf Area Index, LAI）是衡量作物生长状态和生产力的重要指标之一。
准确地估计作物的叶面积指数对于作物生长监测、农业管理和粮食生产预测具有重要意义。
然而，传统的基于实地测量或遥感数据分析的LAI估算方法存在成本高、工作量大和时间耗费长等问题。
为了克服这些问题，基于反射率模型的LAI估算方法被广泛研究和应用。
本文将探讨基于ProSAIL模型并在冠层覆盖度参与优化下的作物叶面积指数反演方法。
二、ProSAIL模型基本原理ProSAIL模型是植被反射率模型的一种，它基于能量守恒和光传输原理模拟植被光谱响应。
该模型考虑了植被结构对光的吸收、散射和透射的影响，可以通过输入植被参数如叶面积指数、叶片角度分布和冠层覆盖度等来模拟不同植被类型的光谱响应。
三、冠层覆盖度参与优化的作物LAI反演3.1 数据采集和处理进行作物LAI反演需要获取多光谱遥感数据，如Landsat、MODIS等。
同时，还需要获取作物生长期间的实地LAI观测数据作为参考。
将遥感数据进行预处理，包括大气校正、几何校正和辐射校正等。
3.2 ProSAIL模型参数化ProSAIL模型的参数化是指根据实地观测数据或遥感数据来确定模型的输入参数，如叶面积指数、叶片角度分布和冠层覆盖度等。
通过对接触到的光的比例和各种辐射的比例进行测量与建模，可以获取作物的生物物理参数。
3.3 冠层覆盖度的优化传统的作物LAI反演方法往往忽略了冠层覆盖度的影响，将其视为一个固定的参数。
然而，作物的生长过程中，冠层覆盖度会发生变化，对LAI的估计产生影响。
因此，本方法引入冠层覆盖度作为优化参数，使用优化算法对LAI进行反演。
3.4 优化算法冠层覆盖度的优化可以使用多种优化算法，如遗传算法、粒子群算法等。
这些算法可以通过迭代计算，不断优化冠层覆盖度参数，使得ProSAIL模型得到的光谱响应与实际观测数据拟合最优。
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
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。
基于高光谱成像技术的玉米种子品质检测研究
基于高光谱成像技术的玉米种子品质检测研究基于高光谱成像技术的玉米种子品质检测研究随着农业科技的不断进步和发展，高效、准确的种子品质检测变得越来越重要。
玉米作为世界上重要的粮食作物之一，在全球范围内种植面积广大，并且种植者对于种子品质的要求也越来越高。
传统的种子品质检测方法通常需要耗费大量的时间和人力物力，并且往往无法准确、全面地评估种子的品质。
然而，基于高光谱成像技术的种子品质检测方法为这一问题提供了新的解决方案。
高光谱成像技术利用整个可见光和近红外光谱范围内的连续波段数据，能够提供更加详细和全面的信息。
通过对不同波段的反射率进行分析，可以获取种子的内部成分分布、形态特征以及表面质量等信息，从而实现对种子品质的全面评估。
在进行高光谱成像前，首先需要收集和准备一定数量的玉米种子样本。
这些样本应该具有不同的品种、不同的生长环境和不同的处理方法，以保证研究的全面性和可靠性。
然后，将这些种子样本置于高光谱成像设备下，在不同波段和不同角度下获取种子的光谱信息。
之后，通过对这些数据进行预处理和分析，可以得到种子的特征向量。
接下来，研究者需要建立种子品质与光谱数据之间的关系模型。
这一模型可以通过机器学习算法进行构建，比如支持向量机（SVM）和随机森林（Random Forest）等。
在建立模型时，需将样本数据分为训练集和测试集，以验证模型的准确性和稳定性。
通过迭代优化模型参数，最终得到一个能够准确预测种子品质的模型。
通过这种基于高光谱成像技术的种子品质检测方法，研究者可以实现种子品质的快速检测和评估。
与传统方法相比，这种方法大大缩短了检测时间，并且能够实现对种子品质的全方位评估。
同时，由于高光谱成像技术具有非接触性，可以避免对种子的破坏，保持种子的完整性和可用性。
此外，高光谱成像技术还可以用于种子病害和虫害的检测。
通过对病虫害发生区域的光谱特征进行分析，可以实现对种子病害和虫害的早期检测和预警。
这对于种子的防治和质量保障具有重要意义。
基于PROSAIL模型和无人机高光谱数据的冬小麦LAI反演
基于PROSAIL模型和无人机高光谱数据的冬小麦LAI反演李天驰;冯海宽;田坤云;杨福芹;杨佳琪【期刊名称】《麦类作物学报》【年(卷),期】2022(42)11【摘要】为及时准确高效监测小麦叶面积指数(leaf area index,LAI),获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回归法分别构建冬小麦LAI单变量、多变量预测模型,以实测LAI数据对预测结果进行精度评价,将最佳预测模型应用于无人机高光谱影像以分析LAI空间分布情况。
结果表明,冬小麦各生育时期的预测模型均具有较高的预测精度,单变量预测模型和多变量预测模型的决定系数分别为0.598~0.717和0.577~0.755,其中以基于植被指数的多变量预测模型表现最优,其在开花期的验证精度最高,RMSE和MAPE分别为0.405和12.90%。
在LAI空间分布图中,开花期预测效果优于挑旗期,各试验小区的LAI分布较为均匀。
【总页数】11页(P1408-1418)【作者】李天驰;冯海宽;田坤云;杨福芹;杨佳琪【作者单位】天津科技大学海洋与环境学院;河南工程学院土木工程学院;国家农业信息化工程技术研究中心;河南工程学院资源与安全工程学院【正文语种】中文【中图分类】S512.1;S314【相关文献】1.基于PROBA/CHRIS遥感数据和PROSAIL模型的春小麦LAI反演2.基于新型植被指数的冬小麦LAI高光谱反演3.基于无人机成像高光谱影像的冬小麦LAI估测4.基于无人机高光谱和数码影像数据的冬小麦生物量反演5.基于Sentinel-2影像与PROSAIL模型参数标定的玉米冠层LAI反演因版权原因，仅展示原文概要，查看原文内容请购买。
基于垂直植被指数的东北黑土区玉米LAI反演模型研究
Ｒ 、 ＶＩ Ｔ Ａ 、 ＶＩ ＶＩＮＤ 、 Ｓ ＶＩＧ 等植 被 指 数 ， ＶＩ 分 考 Ｐ 充
虑 了采样 区域 土壤 背景 的影 响 ， 效 地避 免 了对 遥 有 感影 像辐 射校 正精 度 的依 赖和 土壤 调节 系数难 以确 定等 缺点 。为 此 ， 文 选 择 了垂 直 植 被 指数 法 对 东 本 北 玉 米 Ｌ 进 行研 究 ， ＡＩ 筛选 出预测玉 米 Ｌ 最 佳 波 ＡＩ 段组 合 的垂 直植 被 指 数和 最 优 的 预测 估 算 模 型 ， 不
仅可 以 为利用 光谱法 监 测玉米 和预 报其产 量开辟 新
道路 ， 而且 为东北 地 区玉 米 的遥 感 监 测 和精 准 农 业 作物 长势 信息 的实 时快 速提取 提供 了重要 的技术 支
撑。
有一 定指 示 意义 的 各 种 数 值 ， 定 量 地 表 明 了植 被 它
活 力 。它 比用 单 波 段 来 探 测 绿 色 植 被 更 具 有 灵 敏
此基础上构建 垂直植被指数（ ｅｐｎ ｉ ｌ ｇｔｔ ｎＩｄ ｘ Ｐ Ｐ ｒｅｄｅ ａ Ｖｅｅａｉ ｎ ｅ ， ｖＤ， 出与 Ｌ Ｉ 有最佳相 关性 波段 组合 Ｐ ， ｏｒ ｏ 找 Ａ 具 ＶＩ建
立 玉 米 Ｌ Ｉ 算 模 型 。结 果 显 示 ， 样 波 段 间 隔越 窄 ， 演 精度 越 高 ， 采 样 波 段 间 隔 １ ４ｎ３的 Ｐ （ ７， １） Ａ 估 采 反 在 ． ｎ ． ＶＩＲ６ Ｒ９ ７ ８ 反演 ２０ ０ ４年 的 玉 米 Ｌ 模 型 中 ， 佳 回 归 方 程 是 指 数 函 数 ， 度 达 ９ ． ％ ， 准 差 为 ０ １９ ， ＭＳ ＡＩ 最 精 １１ 标 ．９ ７ Ｒ Ｅ＝０ ０ ９ ， ．３ ９ 通 过 了 ００ ． １极 显 著 验 证 。 采 用 高 光 谱 数 据 构 建 的 Ｐ 植 被 指 数 对 玉 米 Ｌ 的估 算 可 以取 得 较 高 的精 度 。 ＶＩ ＡＩ
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。
基于高光谱反射率的冬小麦生长后期氮素丰度监测研究
基于高光谱反射率的冬小麦生长后期氮素丰度监测研究唐强;李少昆;王克如;谢瑞芝;陈兵;王方永;刁万英;肖春华【摘要】生物量、氮素含量和LAI(leaf area index)是生态系统中表征作物长势最重要的参数,叶干重、叶片氮素含量和LAI实时动态监测对小麦氮素营养诊断和管理调控具有重要意义.选用了五个小麦品种和四个氮素水平的比较实验,研究不同处理冬小麦抽穗到黄熟期氮素丰度(NR)与光谱反射率差值(△R)的关系,建立冬小麦后期氮素丰度监测模型.结果表明,不同品种的冬小麦冠层叶片氮素丰度随生育进程推进而增加.不同氮素处理氮素丰度大小为NO>N3>N1>N2,光谱参量TCARI和VD672与氮素丰度的相关性最好,相关系数(r)分别为0.870和0.855,其建立氮素丰度估测模型的决定系数分别为0.757和0.731,预测准确率达84.56%和80.13%.光谱参数TCARI和VD672可以有效地评价小麦后期冠层叶片氮素状况,可以对氮素丰度进行准确可靠的监测.【期刊名称】《光谱学与光谱分析》【年(卷),期】2010(030)011【总页数】6页(P3061-3066)【关键词】氮素丰度(NR);反射率差值(△R);冬小麦;模型;监测【作者】唐强;李少昆;王克如;谢瑞芝;陈兵;王方永;刁万英;肖春华【作者单位】石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081【正文语种】中文【中图分类】O657.3;S127冬小麦生长后期氮素缺乏会造成早衰，导致结实率低、空秕率高，不仅影响了作物增产，而且降低作物品质。
不同生育期冬小麦叶面积指数高光谱遥感估算模型
不同生育期冬小麦叶面积指数高光谱遥感估算模型孟禹弛;侯学会;王猛【摘要】基于地面实测的冬小麦的生理生态参数数据和冠层光谱数据,分析返青期、拔节期、抽穗期、开花期冬小麦叶面积指数与原始光谱及其一阶微分的相关性,并构建基于等效TM数据的植被指数,建立不同生育时期的冬小麦叶面积指数(LAI)的高光谱遥感估算模型.结果表明:(1)返青期、拔节期、抽穗期的冬小麦LAI与原始光谱相关性较好,在400~720 nm波长范围内呈负相关,在720~900 nm之间呈正相关,开花期的冬小麦LAI与冠层光谱相关性较差;(2)返青期、拔节期冬小麦LAI与光谱一阶微分显著相关,分别在480~540 nm、550~580 nm形成波峰、波谷,在670~760 nm范围内形成"平台",相关系数达到0.8以上,但抽穗期、开花期LAI与光谱一阶微分的相关性较差;(3)在等效植被指数与返青期、拔节期和抽穗期LAI建立的回归模型中,分别使用mSRI、RVI与MSAVI2建立的幂函数模型或指数模型最佳,最优模型分别为y=0.053e4.962x,y=0.409x0.828,y=18.687x3.061,对应的r2分别为0.589、0.648、0.694,开花期不适宜使用等效植被指数建立遥感监测模型.【期刊名称】《江苏农业科学》【年(卷),期】2017(045)005【总页数】5页(P211-215)【关键词】冬小麦;生育期;叶面积指数;等效植被指数;高光谱遥感;估算模型【作者】孟禹弛;侯学会;王猛【作者单位】山东省农业可持续发展研究所,山东济南 250000;中国矿业大学资源与地球科学学院, 江苏徐州 221116;山东省农业可持续发展研究所,山东济南250000;山东省农业可持续发展研究所,山东济南 250000【正文语种】中文【中图分类】S127叶面积指数(leaf area index，简称LAI)是陆地植被生态系统中定量描述叶片面积的几何结构参量，通常是指单位面积上植物叶片的垂直投影面积的总和[1]。
- 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)。
基 于 小 波 分 析 的 玉米 叶绿 素 ａ与 Ｌ Ｉ Ａ 高光 谱 反 演模 型研 究
宋 开 山 ，刘 殿伟 ，王宗 明‘ ，吕冬 梅 ，张 柏 ，任春 颖 ，杜
１０ １ ； ３０ ２ １０ ２ ） ３０ ４
嘉
（．中国科 学院 东北地理与农业 生态研 究所 ，吉林 ，长春 １ ２ ．吉林建筑工程 学院 计算机科 学与工程 学院，吉林 长春
ａｅ ｄｘ（ Ａ ） ｃｒ ａｏｙｒｆ ｃ ｎｅｄ ｔ ｗ ｒ ｏｌ ｔ ｉ Ｓ ｐｃｒｒ ｉ ｅｅ （ ５ ｒａｉ ｅ Ｌ Ｉ ， ｏ ｃｎ ｐ ｌ ｔ ｃ ａ ｅｅｃｌ ｃ ｄｗ ｔ Ａ Ｄ ｓｅｔ ａ ｏ ｔｒ ３０～１５ ｎ ｎ ｎ ｅｅ ａ ａ ｅｅ ｈ ｏｄｍ ０ ０ ｍ）ｉ ２０ ｎ ０ ４ａ ｔｏ ｎ ０ ３ａ ｄ２０ ｔｗ
中图分 类号 ：Ｓ２ １７
文献标识码 ：Ａ
文章编号 ：１０ ０ ６ （ ０ １ ２— １４— ７ ０ １— ０ ８ ２ １ ）０ ０ ５ ０
Ｃｏ ｎ ｌ ｒ ｐ ｌ — ｎ ｅ ｔ ａ ｉ ｎ ｎｄ ＬＡＩ Ｅｓｉ ｔｏ ｏ ｌ ｓ ｄ ｏ ａ ｅｅ ｒ Ｃｈ ｏ ｏ ｈｙ ｌ— ａ Ｃｏ ｃ ｎ ｒ ｔｏ ａ ｔｍａ ｉ ｎ Ｍ ｄｅ ｓＢａ ｅ ｎ Ｗ ｖ ｌ ｔ Ｔｒ ｎ ｆ ｒ ｅ ｎｏ ｙ Ｈｙ ｅ ｓ ｅ ｔ ａ ｆｅ ｔ ｎｃ ａ ｓ ｏ ｍ ｄ Ｃａ ｐ ｐ ｒ ｐ ｃ ｒ ｌＲｅ ｃａ ｅ ｌ
Ｍ Ｖ２植被 指数可 以较 为准确 的估 算玉米叶绿素 ａ ＡＩ（ ．０ ；小波 能量 系数 回归模 型 可以进一 步提 高玉米叶 绿素 Ｔ Ｉ 、Ｉ Ｒ ＞０ ７ ） ａ 量、Ｌ Ｉ 含 Ａ 的估算水平 ，以一 个特 定小波能量 系数作为 自变量 的回归模 型 ，玉米叶绿素 ａ Ａ 回归确定 系数 Ｒ 、Ｌ Ｉ 分别 高达 ０ ７ 、０ ８ ；以多变量回归分析表 明玉米 叶绿素 ａ Ｉ ．９ ．２ 、Ｉ 实测值 与预 测值的 线性 回归确 定性 系数 Ｒ 分 别 高达 ０ ８ 、０ ９ 。 ． ７ ．０
以上结 果表 明 ，小波分析 可以对 高光谱数据 进行特征 变量提取 ，进 而反 演玉米 生理参数 ，对其他植被 生理参数 反 演具有一 定借鉴 意义。 图 ３ ，表 ４ ，参 １ 。 １
关 键 词 ：高 光 谱 ；叶 绿 素 ａ含 量 ；Ｌ Ｉ Ａ ；植 被 指 数 ； 小 波能 量 系数
ｓ ｍｐ ｉ ｇ ｓｔｓ ｎ ａ ｔ ａ ｇ ｈ ｎ ｓ ｂ ｒ ａ ｒ ａ ｎ ｈ ｔｅ ｓ ｉ ｉ ｎ Ｂ ａ ｋ Ｓ ｉ Ｅｃ ｌ ｇ ｔｔ ｎ， ｉ ｅ ｅ Ａｃ ｄ ｍｙ ｏ ｃ ． ａ ｌ ｉ ，ｏ ｅ ｗ ｓａ ｎ ｅ Ｃｈ ｎ ｃ ｕ ｕ ｕ ｂ ｎ ａ ｅ ，ａ ｄ ｔ ｅ ｏｈ ｒ ｗａ ｎ Ｈａ ｌ ｌｃ ｏｌ ｏｏ ｙＳ ａｉ ｕ ｏ Ｃｈ ｎ ｓ ａ ｅ ｆ ｉ Ｓ
第２ ７卷 第 ２期 ２ １ 年 ５月 ０１
农 业
系 统 科
学 与 综
合 研
究
Ｖ０． ７．Ｎｏ ２ １２ ． Ｍａ ｙ，２ １ ０１
Ｓ Ｔ Ｙｓ ＥＭ Ｃ ＥＮＣ Ｓ ＡＮＤ Ｃ ＳＩ Ｅ ＯＭＰ ＨＥＮＳ ＶＥ Ｓ ＵＤ Ｅ Ｎ ＲＥ Ｉ Ｔ Ｉ Ｓ Ｉ ＡＧＲＩ ＵＬ ＲＥ Ｃ ＴＵ
２ 等植被 指数建立 了玉米 叶绿 素 ａ与 Ｌ Ｉ ） Ａ 反演模型 ；应用 小波分析 对采 集的光谱 反射率数据进行 了能量 系数提取 ，并 以小
波能量 系数 作为 自变量进行 了单 变量与 多变量 回归分析 ，对玉米 叶绿 素 ａ与 Ｌ Ｉ Ａ 进行 估算 。研 究发现 Ｎ Ｖ 、Ｓ Ｖ 、 ｒ Ｉ Ｄ Ｉ Ａ Ｉ ｖ 、
Ａｂ ｔ ａ ｔ Ｉ ｒ ｅ ｏ ｅ ａｕ ｔ ｈ ｒｃ ｓｏ ｆｈ ｐ ｒｐ ｃｒ ｌｒｆ ｃ ａ ｃ ｄ ｌｆｒ ｍｏ ｉ ｒ ｇ ｃ ｒ ｈ ｏ ｏ ｈ ｌ ａ ｃ ｎ ｅ ｔ ｔ ｎ ａ ｄ ｌ ａ ｓ ｒ ｃ ：ｎ ｏ ｄ ｒ ｔ ｖ ｌ ａｅ ｔ ｅ ｐ ｅ ｉｉｎ ｏ ｙ ｅ ｓ ｅ ｔ ｅｌ ｔ ｎ ｅ ｍｏ ｅ ｏ ｎｔ ｉ ｏｎ Ｃ ｌｒ ｐ ｙ ｌ ｏ ｃ ｎ ｒ ｉ ｎ ｅ ｆ ａ ｅ ｏｎ ａｏ
摘 要 ：２０ ０ ３与 ２０ ０ ４年 分别在 长春 市 良种场与 中国科 学院海伦 黑土 生态 实验 站 ，实测 了大田耕作 与不 同经营制 度作 用下 玉米冠层 高光谱 反射率与 叶绿 素 ａ含 量 、叶面积 指 数 （ Ａ ） 数 据。采 用 Ｎ Ｖ Ｎ ｒ ｌ ｅ ｉｅｅｃ ｅｅ ｔ ｎｉｄｘ 、 ＬＩ Ｄ Ｉ（ ｏ ｉ ｄＤｆ ｒｎｅＶ ｇｔ ａ － ｉ， ＡＮ Ｚ ｎ － ｎ Ｌ ｎ — ｉ Ｚ Ｋａ・ｈ ｎ Ｌ Ｕ Ｄｉｎｗｅ Ｗ Ｇ ｏ ｇ ｍｉｇ ， Ｕ Ｄｏ ｇｍｅ ， ＨＡＮＧ ａ ， Ｎ ｕ —ｉｇ ， ｉ Ｂ ｉ ＲＥ Ｃｈ ｎｙｎ ＤＵ Ｊａ
（ ． ｏｔｅｓＩｓ ｔ ｅ ｆＧ ｏｒ ｈ ｎ ｇｉｕ ｕａ ｃｌ ｙ Ｃ Ｓ ｈ ｎｃｕ ３ ０２，Ｃ ｉ １Ｎ ｒ ａｔ ｎｔｕ ｅｇａ ｙａｄＡ ｒ ｌ ｒｌ ｏ ｇ ， Ａ ，Ｃ ａｇ ｈｎ １０ １ ． ｈ ａ； ｈ ｉｔｏ ｐ ｃｔ Ｅ ｏ ｎ
Ｓ Ｖ Ｓｉ— ｄｕｔ ｅｅ ｔ ｎＩｄｘ 、Ｔ Ｉ（ ｒｎｆｒ ｅ ｅｅ ｔ ｎＩｄｘ 、ＭＴ Ｉ （ ｏ ｉｅ ｒｎｆｒ ｅ ｅｅ ｔ ｎＩｄｘ Ａ Ｉ（ ｏｌ Ａ ｊｓ ｄＶ ｇｔ ｉ ｅ ） ｖ Ｔａｓ ｍ ｄＶ ｇｔｉ ｎｅ ） ｅ ａｏ ｎ ｏ ａｏ Ｖ２ Ｍ ｄｆ ｄＴａｓ ｍ ｄＶ ｇｔ ｉ ｎ ｅ ｉ ｏ ａｏ