基于定量遥感反演的内陆水体藻类监测

叶绿素作为衡量湖泊富营养化的重要指标,利用遥感技术对其进行实时动态监测具有重要意义。以太湖为例,通过对水体实测光谱和水质采样数据的分析,建立了光谱反射率比值与叶绿素a浓度的回归模型。结果显示,700 nm附近波段与625 nm附近波段所构建的比值模型R2最高,710 nm以后波段与其他可见光波段所构建的比值模型的R2会随可见光波长的增大而逐渐下降。在高光谱遥感估算模型的基础上,应用同步MODIS卫星遥感数据进行了太湖叶绿素a浓度的空间分布反演,并基于MODIS绿度指数建立了太湖藻华水体信息提取模型,从叶绿素a浓度估算和藻华信息提取两个方面实现了太湖藻类空间分布特征的定量反演,为太湖等大型内陆水体藻类的实时定量遥感监测提供了新的研究思路。     

基于珠海一号高光谱卫星的巢湖叶绿素a浓度反演

叶绿素a是重要的水质参数,可以衡量水体的富营养化程度。遥感技术可以实时、快速、大范围地获取水体中叶绿素a的浓度与分布,对于水生态环境的评价及治理具有重要意义。内陆水体的光谱特征复杂,宽波段的多光谱遥感难以精确获取水体的光谱信息。国产珠海一号高光谱卫星因其光谱分辨率高,波段多等优势在内陆湖泊的遥感监测中具有广阔的应用前景。基于珠海一号高光谱数据,充分发挥其高光谱分辨率的优势,对巢湖的叶绿素a浓度进行反演,从影像中提取实测点处的遥感反射率曲线,筛选具有显著光谱特征的波段,并以OIF指数衡量不同波段组合获取水体组分信息的能力,以此构建与实测叶绿素a浓度相关性较高的波段组合。结果表明珠海一号OHS-2A星影像的14,16和19波段所构建的三波段模型[R_rs(700 nm)-1-R_rs(670 nm)-1]×R_rs(746 nm)在巢湖的叶绿素a浓度反演中取得了较高的精度,相对误差和均方根误差分别为19.97%和10.85 mg·m-3。由模型反演巢湖2019年5月10日的叶绿素a浓度空间分布图可知,叶绿素a浓度自东向西呈上升趋势,全湖南部和东北部的叶绿素a浓度较低,西巢湖的北部叶绿素a浓度最高。西巢湖的整体叶绿素a浓度是全湖最高的,尤其是其北部水域,水质情况较差,已经出现了一定面积的水华,其主要原因在于该地区紧邻合肥市,人类活动强烈,污水废水排放量大。珠海一号高光谱卫星对于内陆湖泊的水质反演具有一定的优势,但也存在着数据处理困难,波段利用率低,反演模型普适性差等局限,今后仍需借助珠海一号高光谱数据开展更多的湖泊遥感研究,不断提出高光谱遥感影像处理的新方法,提高反演模型的精度与普适性,充分挖掘数据源的潜力,使其更好地服务于水质的遥感监测工作。     

基于二维相关光谱的水体叶绿素含量探测

利用Shimadzu UV2450分光光度计测量了含有不同叶绿素浓度的湖水样本在可见光和近红外区域的透射光谱,并使用实验室手段测量了水体的叶绿素含量。分析了湖水样本的透射光谱特性,同时引入二维相关光谱技术,利用叶绿素浓度值作为微扰量,得到水体叶绿素的动态光谱,进而结合二维同步谱图和异步谱图确定表征水体叶绿素浓度的特征波段。综合观察二维相关光谱中的同步谱图和异步谱图,更加精确地阐明了水体光谱特征,同时剔除水体中其他物质对于光谱信息的影响,更有效、全面地提取反映水体叶绿素信息的敏感波段。利用所选特征波段构建归一化水体叶绿素指数,将特征波段与叶绿素指数分别与水体叶绿素浓度建立线性预测模型。结果显示,归一化水体叶绿素指数的预测模型测定R2达到0.771 2,均方根误差是45.509 8 mg·L-1,预测R2达到0.765 8,均方根误差是39.503 8 mg·L-1。模型精度较利用特征波段建立的多元线性回归模型有了较大的提高,达到了实用水平。     

基于固有光学量的高光谱数据反演城市河网水质

水体辐射传输模型是水体光谱特性分析的理论基础,水体固有光学量由水体组成决定,与水体表面光场无关。基于统计的半经验算法虽然能获取指定区域水质参数反演结果,但是缺乏物理意义;基于生物光学模型的分析算法,针对城市河网内陆Ⅱ类水体光学特性复杂、空间分布异质性强、水体细小、流动性大等特点,利用高光谱数据,研究基于固有光学量的城市河网水质参数反演模型,对内陆城市浑浊水体光谱特性研究具有重大意义。提出了适用于内陆城市河网水体的改进QAA算法,以获取水体固有光学量,改进包括后向散射估计模型调整和参考波段优化两个方面;计算参考波段总吸收系数、颗粒物后向散射系数等固有光学量,得到浮游植物吸收系数和剔除纯水吸收系数;对浮游植物吸收系数最优波段比值与叶绿素a浓度进行线性回归分析,构建叶绿素a水质浓度反演模型,对剔除纯水吸收系数最优波段比值与悬浮物浓度线性回归分析,构建悬浮物水质浓度反演模型。针对内陆河网Ⅱ类水体,以典型的河网城市嘉兴市为研究区域,获取了研究区域航空高光谱数据,以及水质采样化验数据和水面以上光谱数据等地面准同步测量数据;利用QAA算法和IIMIW算法对实测水面以上光谱进行固有光学量反演,对比分析两个算法并结合城市河网水体特点,提出改进QAA算法;利用改进的QAA算法实现了研究区域水体的固有光学量反演,基于反演的水体固有光学量建立了叶绿素a浓度和悬浮物浓度两项水色参数定量反演模型,反演模型决定系数R2分别为0.64和0.71;并用航空高光谱数据同步区域的4个地面样点实测数据,对反演结果进行验证分析。通过水质参数浓度反演值与实测值的对比,叶绿素a和悬浮物水质浓度反演的平均相对误差分别为9.2%和9.4%,反演得到的叶绿素a和悬浮物浓度分布图,也与城市河网的特点和实际情况相符,为城市河网水质监测提供方法和模型参考。     

基于生物光学模型的水体叶绿素浓度反演算法

文章提出了一种基于生物光学模型的二类水体叶绿素浓度反演算法.本算法根据生物光学模型,利用一系列已知各组分浓度的反射光谱计算各组分的吸收和后向散射系数,然后采用非负最小二乘法解得叶绿素浓度.研究是在实验室内进行了绿藻的培养,且在暗室内测定了具有不同叶绿素和非藻类悬浮物浓度的水体样本的反射光谱.并把实验室测得的反射光谱重采样到Landsat TM对应的波段以检验该算法在TM数据中的适用性,同时比较了利用不同TM波段组合反演叶绿素浓度和非藻类悬浮物浓度的精度.结果表明,对于绿藻而言,利用TM第二、三、四波段反射率数据的组合反演时的效果最好,叶绿素浓度反演结果的均方根误差为4.7 ug·L-1,其精度明显优于传统的回归分析算法.     

面向浑浊水体叶绿素a浓度遥感反演的光谱基线校正

根据浑浊水体中悬浮物的光学性质,提出使用线性基线校正方法来削弱水体光谱中的悬浮泥沙贡献。线性基线定义为450和750 nm的反射率值连线,基线校正为光谱反射率减去基线。2010年3月和2011年4月太湖梅梁湾水体的实测数据验证结果表明,光谱线性基线校正可以较好的提高叶绿素a浓度的反演精度,改进反演模型的诊断性。3月数据建立的波段比值反演模型中,校正前模型RMSE为4.11 mg·m-3,基线校正后模型RMSE为3.58 mg·m-3,同时,基线校正后模型残差的方差齐性和正态分布均有明显的改善。4月模型有类似结果,数据校正后的模型具有更小的误差。在没有水华发生的浑浊水体中,线性基线校正可以作为提高水体叶绿素a浓度反演精度的光谱数据处理方法。     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。     

基于生物光学模型的水体多源遥感图像融合算法研究EI北大核心CSCD

针对内陆湖泊水环境遥感监测缺乏合适数据源这一问题,基于水体生物光学模型与传统图像融合算法,开发了一种适用于复杂内陆二类水体的生物光学融合(BOF)算法,用于融合多光谱数据和高光谱数据。利用Hyperion数据生成模拟数据集进行算法验证,并将实验结果与小波变换算法、Gram-Schmidt变换算法和色彩标准化算法分别进行对比,结果表明:从视觉效果来看,BOF算法较好地融合了高光谱数据的色彩信息和多光谱数据的空间细节信息;从图像精度指标来看,BOF算法不仅在多种分辨率差异下都得到最好的精度,且精度对分辨率差异不敏感;在叶绿素a浓度估算实验中,BOF算法也得到了最优的效果,均方根误差(RMSE)为9.817,其他三种算法的RMSE分别为18.841、15.913和15.655。新算法有较强的应用潜力,有望为内陆二类水体遥感监测提供更合适的数据源。     

基于生物光学模型的水体多源遥感图像融合算法研究

针对内陆湖泊水环境遥感监测缺乏合适数据源这一问题,基于水体生物光学模型与传统图像融合算法,开发了一种适用于复杂内陆二类水体的生物光学融合(BOF)算法,用于融合多光谱数据和高光谱数据。利用Hyperion数据生成模拟数据集进行算法验证,并将实验结果与小波变换算法、Gram-Schmidt变换算法和色彩标准化算法分别进行对比,结果表明:从视觉效果来看,BOF算法较好地融合了高光谱数据的色彩信息和多光谱数据的空间细节信息;从图像精度指标来看,BOF算法不仅在多种分辨率差异下都得到最好的精度,且精度对分辨率差异不敏感;在叶绿素a浓度估算实验中,BOF算法也得到了最优的效果,均方根误差(RMSE)为9.817,其他三种算法的RMSE分别为18.841、15.913和15.655。新算法有较强的应用潜力,有望为内陆二类水体遥感监测提供更合适的数据源。     

基于谐波分析算法的干旱区绿洲土壤光谱特性研究

土壤有机质(SOM)含量是评价土壤肥力的重要指标。以新疆渭-库绿洲为研究区,对室内获取的SOM含量及反射光谱数据进行Savitzky-Golay (S-G)平滑和一阶微分(FD)预处理。在此基础上,为减小敏感波段遴选对建模精度的影响,引入谐波分析(HA)算法对全波段光谱数据进行谐波分解。基于主成分分析(PCA)降维后的7个主分量对SOM含量进行基于反向传播(BP)神经网络、遗传算法(GA)-BP神经网络和多元线性回归(MLR)方法的定量估算,并对估算精度进行比较。结果表明:HA预处理后的光谱数据与SOM含量的相关性相较于FD数据有了明显提高;非线性模型BP神经网络的估算精度明显高于线性模型MLR;在非线性模型中,GA-BP模型的估算精度最高,其决定系数为0.92,预测集的均方根误差为3.92×10~(-3),相对分析误差为1.93。验证了HA算法深度挖掘光谱数据的有效性,经过GA优化的BP神经网络模型可以提高SOM含量的估算精度,为土壤属性的光谱定量估算提供借鉴。     

湖泊水体叶绿素偏振高光谱反演模型研究

光进入水体中,经反射、 散射和吸收后,出射的偏振光与水体的物理、 化学特性密切相关,能够反映水体成分浓度的变化,可以作为高光谱遥感的有益补充,有利于动态定量监测湖泊复杂水体成分的变化。研究工作以巢湖为例,利用水面高光谱偏振多角度测量数据,在偏振光学理论和生物光学模型的基础上,建立了湖泊水体叶绿素三波段偏振高光谱半分析模型,并对模型进行检验。结果显示,偏振高光谱三波段组合与叶绿素浓度拟合的相关系数为0.844,均方根误差5.14 μg·L-1,平均相对误差31.44%,比传统的三波段辐射强度模型分别提高了4.1%,2.05 μg·L-1和5.46%,表明三波段偏振半分析模型对叶绿素a浓度具有较强的预测能力,体现出运用偏振高光谱信息监测湖泊水质的优势。     

基于高光谱和BP神经网络的棉花冠层叶绿素含量联合估算

冠层叶绿素能够有效反映植被的生长状况。为了基于高光谱精确估算冠层的叶绿素含量,以棉花为研究对象,实测棉花冠层光谱反射率和叶绿素含量,然后进行原始光谱数据转换,计算高光谱参数,分析叶绿素含量与高光谱参数之间的相关关系,构建估算棉花冠层叶绿素含量的BP神经网络模型。结果表明:包络线去除处理后,冠层反射率和叶绿素含量的相关性在560～740 nm波段范围内提高了10.7%,效果优于原始光谱和一阶微分光谱得到的结果;基于原始光谱和去除包络线光谱建立的植被指数mSR、mND、NDI、DD与叶绿素含量表现出较高的相关性,相关系数均在0.8左右;在所建的BP神经网络模型中,基于包络线光谱指数建立的模型的决定系数为0.85,均方根误差和相对误差分别为1.37、1.97%,这一结果优于基于红边参数、原始光谱植被指数和一阶微分光谱指数建立的模型。本研究可为作物叶绿素含量估算的实际应用提供理论依据和技术支持。     

利用反射光谱及模拟多光谱数据定量反演北方潮土有机质含量

基于北京市52个潮土样本的高光谱数据和Landsat TM、环境减灾卫星(HJ)影像的波段响应函数,生成宽波段多光谱模拟数据,对比分析了室内实测光谱数据、宽波段模拟数据与土壤有机质含量的相关性,筛选敏感波段,利用偏最小二乘法构建北方潮土有机质含量预测模型。研究表明：在宽波段模拟数据建立的模型中,由Landsat TM模拟数据的差值土壤指数(DSI)、比值土壤指数(RSI)、归一化土壤指数(NDSI)及其第3波段共同构建的模型最优,其决定系数与均方根误差分别为0.586和0.280;与实测光谱数据相比,模拟数据的最佳预测模型,均优于除一阶微分、弓曲差以外的其他10种高光谱模型。因此,利用多光谱数据预测潮土有机质含量是可行的。     

考虑水分光谱吸收特征的水稻叶片SPAD预测模型

叶绿素是植被光合作用的重要色素,传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。通过构建高精度SPAD光谱估算模型,可以实现对水稻叶片叶绿素含量的实时无损监测。以黑龙江省不同施氮水平下水稻为研究对象,采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。光谱探测范围350~2 500 nm。利用自带光源型手持叶片光谱探测器直接测定叶片光谱,光源为内置卤素灯。采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。叶片水分是植物光合作用的基本原料,也间接影响着叶绿素含量。叶片含水量降低则会影响植物正常的光合作用,导致其叶绿素含量随之降低。因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。随机森林模型是一个基于多个分类树的算法。算法在采样的过程中包括两个完全随机的过程,一是有放回抽样,可能会得到重复的样本,二是选取自变量是随机的。因此本文对叶片光谱反射率进行去包络线（CR）处理,综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数,综合分析光谱指标与SPAD相关关系,采用随机森林算法构建不同输入量的SPAD高光谱估算模型。结果表明: （1）水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围（600～690 nm）、红边范围（720~760 nm）、水分吸收波段范围（1 400~1 490和1 900~1 980 nm）均为0.75以上;（2）在光谱参数与SPAD 的相关分析中,NDVI,DP2与水稻叶片SPAD值相关性最好,相关系数为0.811和0.808;（3）以结合水分光谱信息后的CR_{(V1, V2, V3, V4)}为自变量所建立的随机森林模型精度最高,R2为0.715,RMSE为2.646,可作为水稻叶片叶绿素预测模型。研究结果揭示了不同品种水稻的光谱响应机制,提供了水稻叶片SPAD值高精度反演的技术方法,为监测与调控东北地区水稻正常生育进程提供技术支持。     

基于Sentinel-2A影像的玉米冠层叶绿素含量估算

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能,及时、准确地估算叶绿素含量对于农作物长势、养分含量监测、品质评价和产量估算具有重要意义。Sentinel-2卫星的重访周期为5 d,空间分辨率为10 m,具有13个光谱波段,其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段,是叶绿素含量估算的理想数据源。植被指数是基于农作物在不同波段的反射特性,通过不同波段组合方式刻画长势和叶绿素含量的差异,可用于大区域范围内的玉米冠层叶绿素含量快速、精确估算。以Sentinel-2A影像为数据源,开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。课题组于2016年8月6-11日在河北省保定市（115°29′-116°14′E,39°5′-39°35′N）进行玉米冠层叶绿素含量的实地测量,并在每个采样位置上采用中绘i80 智能RTK(real-time kinematic)测量系统进行定位。Sentinel-2A影像预处理工作包括几何校正、辐射定标和大气校正,其中大气校正使用Sen2Cor模型和SNAP模型。首先,基于预处理后的Sentinel-2A遥感影像,分别计算CI_green(green chlorophyll index), CI_red-edge(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。然后,建立样方位置上实测叶绿素含量与各植被指数的统计关系,从而构建玉米冠层叶绿素含量估算模型,并以野外实测玉米冠层叶绿素含量为依据,对基于各植被指数的估算结果进行精度评价。最后,利用筛选出的最优叶绿素含量估算模型,估算研究区内的玉米冠层叶绿素含量。研究的目标为：（1）通过比较分析,构建合适的玉米冠层叶绿素含量估算模型,估算精度以决定系数R2、均方根误差RMSE以及相对误差RE作为评价指标;（2）确定最优波段组合方案：在红边波段中选择与可见光、近红外波段组合效果更优的波段组合方案;（3）确定参与植被指数计算的红边波段的最优数量。精度评价结果表明：（1）选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系,其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果;红边波段引入后明显提高了可见光、近红外波段对叶绿素含量的拟合的精度,CI_{green(560, 705)}指数比CI_{green(560, 842)}的回归模型R2提高0.516,红边波段参与计算的DVI相对于RVI来说,估算结果更稳定。（2）对于不同的植被指数,参与运算的Sentinel-2A影像的两个红边波段,估算精度的提高程度不同。对于可见光波段参与计算的植被指数来说,在红边波段1（中心波长为705 nm）的估算精度较高,如LCI,CI_green,DVI和RVI等;对于近红外波段参与计算的植被指数来说,在红边波段2（中心波长为740 nm）的估算精度较高,如CI_red-edge,NDRE和NAVI等。（3）对于Sentinel-2A影像来说,两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。选用的植被指数中,MTCI_{(665, 705, 740)}指数与玉米冠层叶绿素含量估算精度最高,回归模型拟合精度R2为0.803,模型验证R2为0.665,RMSE为3.185,相对误差RE为4.819%。MTCI_{(665, 705, 740)}指数计算中使用了两个红边波段,突出红边波段反射率差值变化,与玉米冠层叶绿素含量表现出很好的相关性。最后,利用优选出的基于MTCI指数的叶绿素含量估算模型,对研究区范围内的叶绿素含量进行估算并完成空间制图。     

水体组分光谱耦合效应研究

自然水体不同组分光谱之间存在复杂的耦合作用机制,由此导致水体光学特性的高度复杂性,给水质参数遥感反演带来了很大的不确定性,目前对此缺乏系统性认识。基于水体光学Monte Carlo高光谱模拟,研究了典型可遥感水质参数叶绿素a(Chl.a)、总悬浮物(TSM)与黄色物质(CDOM)光谱特征之间的耦合效应。结果表明：水体组分之间的光学影响具有不对等性;Chl.a与CDOM的存在不影响TSM信息提取时特征波段的选择;由Chl.a主导的水体对TSM的信息提取影响甚微,而TSM对Chl.a反射光谱产生的影响非常显著。随着TSM浓度不断增加,Chl.a的浓度对反射率的响应不断减弱,当TSM浓度达到一定水平时,Chl.a的反射光谱对其浓度的变化完全失去响应。即使在Chl.a敏感的特征波段670 nm,当TSM较高时,其光学特性可完全湮没Chl.a的光谱响应,使得在高浓度TSM的水体中提取Chl.a的浓度信息非常困难。CDOM的存在使得蓝绿波段比值算法在Chl.a在中高浓度时失效;由TSM主导的水体比由Chl.a主导的水体对CDOM的光学影响更为显著,TSM对于短波区域CDOM的光学特性具有更强的抑制性。研究结果可为水质遥感波段的选取、水体组分反演算法的适用浓度范围及水色卫星传感器的波段设置等方面提供了理论基础,尤其对于二类水体水质遥感的发展具有较大的促进作用。     

基于CASI高光谱数据的作物叶面积指数估算

叶面积指数(LAI)的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。利用2012年7月7日在黑河流域张掖市获取的CASI高光谱数据,精确提取出了不同作物的光谱反射率,同时结合地面实测数据,对比分析了宽波段和“红边”植被指数在估算作物LAI方面的潜力,在此基础上,基于波段组合算法,筛选出作物LAI估算的敏感波段,并构建了两个新型光谱指数NDSI和RSI,最后对研究区域作物LAI的空间分布进行了分析。结果表明,在植被覆盖度较低的情况下,宽波段植被指数NDVI对LAI具有较好的估算效果,模型的精度R2与RMSE分别为0.52,0.45(p<0.01);对于“红边”植被指数,由于CI_{red edge}充分考虑了不同的作物类型,其对LAI的估算精度与NDVI一致;利用波段组合算法构建的光谱指数NDSI_{(569.00, 654.80)}和RSI_{(597.6, 654.80)}对LAI估算的效果要优于NDVI与CI_{red edge},其中,NDSI_{(569.00, 654.80)}主要利用了植被光谱“绿峰”和“红谷”附近的波段,模型估算的精度R2可达0.77(p<0.000 1);根据LAI与NDSI_{(569.00, 654.80)}之间的函数关系,绘制作物LAI的空间分布图,经分析,研究区域的西北部LAI值偏低,需增施肥料。研究结果,可为农业管理部门及时掌握作物长势信息、制定施肥策略提供技术支持。     

植物光学模型估算叶片类胡萝卜素含量的一种双归一化差值-比值植被指数

运用高光谱技术进行植物叶片探测具有快速、无损、高精度等特点,在叶片色素等生化成分含量估算方面应用前景广阔。类胡萝卜素作为叶片中重要光合色素之一,因其在可见光区域与叶绿素的光谱吸收特征存在重叠,且其含量远低于叶绿素,导致利用光谱信息估算叶片类胡萝卜素含量存在困难,国内外少有针对类胡萝卜素含量的植被指数。利用高光谱数据光谱信息丰富的特点,提出一种以波段组合遍历与相关分析为基础,通过多指数协同来构建组合式的植被光谱指数的新方法。在PROSPECT叶片辐射传输模型模拟出大量具有不同生化和生物物理特征的叶片光谱的基础上,成功构建了一种在叶片水平下具有良好稳定性的类胡萝卜素含量估算新指数RVI_DNDVI。结果表明,该方法构建的叶片类胡萝卜素光谱指数由两部分组成：由532和405 nm构建的窄波段NDVI(与类胡萝卜素、叶绿素均强相关)和由548和498 nm构建的窄波段NDVI(仅与叶绿素强相关)进行比值组合,能较好消除叶绿素含量对指数的干扰;通过减去对叶片结构高敏感的916 nm处反射率,能消除叶肉结构参数的影响,进一步提高指数的抗干扰能力。该研究得到的指数RVI_DNDVI仅对叶片类胡萝卜素具有高敏感性,相关系数达到-0.94,对其进行指数拟合的R2达到0.834 4。经与模拟数据和实测数据的验证,该指数有较好的估算效果。     

基于卷积神经网络的全球海洋叶绿素a浓度反演方法

作为浮游植物体内主要色素的叶绿素a能够指示水体富营养化的程度,因此准确地获取与预测叶绿素a浓度可为保护海洋环境提供依据。以中分辨率成像光谱仪获取的遥感影像作为数据源,将同一水域的叶绿素a浓度图像作为相对真值,采用卷积神经网络建立遥感反射率与叶绿素a浓度之间的关系模型,进而实现对海洋叶绿素a浓度的反演。首先,对2020年全球海洋反射率数据(波段组合为412, 469, 488, 547和667 nm)和叶绿素a浓度数据进行倍数放大、对数变换等预处理。其次,从中截取2020年1月太平洋与印度洋交界处的水域影像作为数据集,并将其划分为训练集和验证集,构建与训练海洋叶绿素a浓度的卷积神经网络反演模型,以决定系数(R²)、均方根误差(RMSE)和平均绝对误差(MAE)作为评价指标,优化反演模型。最后,使用2020年1月—12月的叶绿素a浓度数据作为测试集,验证模型的反演精度。结果表明,构建的反演模型R²=0.930, RMSE=0.132, MAE=0.103,证明模型给出的叶绿素a浓度的反演结果与真值具有较高的一致性,能够应用于基于遥感影像进行全球海...     

基于光谱指数的不同叶倾角分布下玉米冠层叶绿素含量反演

遥感是开展地面/近地面、航空及航天层次无损伤探测植物叶绿素信息的主要手段。目前多波段计算光谱指数方法已被广泛地应用于植被冠层叶绿素含量的经验/半经验反演及应用中。考虑不同作物及同种作物不同品种间存在着一定的植被叶倾角分布(LAD)特征差异,针对叶倾角分布对光谱指数反演冠层叶绿素含量(CCC)的影响进行分析,并开展针对叶倾角分布变化不敏感的叶绿素相关光谱指数优选和冠层叶绿素反演建模研究。基于PROSAIL辐射传输模型模拟了不同叶片叶绿素含量(LCC)、叶面积指数(LAI)和LAD对应的冠层反射率数据。模拟结果显示,在相同LAI和LCC条件下,不同LAD对应的冠层反射率有明显差异,冠层反射率随着平均叶倾角的增加而降低。通过计算12个常用的叶绿素相关光谱指数与CCC的相关性指标,来评估光谱指数在不同LAD下反演叶绿素含量的敏感性差异,并依次优选出MTCI,MNDVI8,MNDVI1和CI_red-edge4个对LAD变化较不敏感的叶绿素相关光谱指数。利用玉米实测数据对光谱指数进行冠层叶绿素估测的建模和模型检验,模型的建立和验证结果显示,MNDVI8对LAD变化最不敏感,反演模型的精度最高,决定系数R2=0.70,均方根误差RMSE=22.47 μg·cm-2。CI_red-edge(R2=0.63,RMSE=24.06 μg·cm-2),MNDVI(R2=0.66,RMSE=24.07 μg·cm-2)和MTCI(R2=0.65,RMSE=26.76 μg·cm-2)反演模型的精度较为接近并稍弱于MNDVI8。通过对反演结果分析得出结论,不同的光谱指数对LAD变化的敏感性不同,优选的光谱指数普遍对叶绿素含量具有较好的相关性和敏感性,其中MNDVI8受LAD影响最小,能较高精度的反演LAD变化下的玉米冠层叶绿素含量。优选的其他光谱指数MTCI,CI_red-edge和MNDVI1反演能力虽然稍弱于MNDVI8,但受LAD影响较小,同样具有较好的反演能力。该工作开展LAD对光谱指数叶绿素反演的敏感性分析和光谱指数优选研究,其实测数据的检验结果和模拟数据的分析结果一致;基于优选光谱指数的冠层叶绿素含量反演建模结果及精度分析结论,对开展缺乏叶倾角分布差异先验知识下的大范围作物叶绿素含量遥感估测和应用具有借鉴意义。