ANFIS在植被叶绿素含量高光谱反演中的应用

利用ASD便携式野外光谱仪和SPAD-502叶绿素计实测了落叶阔叶树法国梧桐、毛白杨叶片的高光谱反射率与叶片绿度,建立了10个常见植被指数叶绿素含量估算模型,并采用相关系数较大波段作为BP人工神经网络模型(ANN-BP)的输入变量进行了叶绿素含量的估算,将自适应神经模糊推理系统(ANFIS)应用到植被叶绿素含量高光谱反演中。结果表明:10个常见植被指数中归一化植被指数可以较为精确反演叶绿素含量,法国梧桐、毛白杨归一化植被指数回归模型确定性系数R2分别为0.795 7和0.754 6,法国梧桐、毛白杨ANN-BP预测值与实测值之间的线性回归的确定性系数R2分别为0.935 2和0.917 1,ANFIS可以大大提高反演精度,法国梧桐、毛白杨预测值与实测值之间的线性回归的确定性系数R2分别为0.9998和0.995 6,是一种良好的植被叶绿素含量高光谱反演模式。     

利用高光谱植被指数估测苹果树冠层叶绿素含量

叶绿素含量是反映植物生长状况的重要参数。利用ASD FieldSpec 3光谱仪,测定春梢停止生长期苹果冠层高光谱反射率,对原始光谱进行微分变换,与苹果叶绿素含量进行相关分析确定敏感波段,通过分析敏感区域400～1 350 nm范围内所有两波段组合的植被指数,选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：(1)苹果冠层叶绿素含量的敏感波段区域为400～1 350 nm。(2)利用筛选得到的植被指数CCI(D₇₉₄/D₇₆₃)构建的估测模型能较好的估测苹果冠层叶绿素含量。(3)以CCI(D₇₉₄/D₇₆₃)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。因此,利用高光谱技术能够较快速、精确的对苹果冠层叶绿素含量进行定量化反演,为苹果长势的遥感监测提供理论依据。     

基于光谱分析的草地叶绿素含量估测植被指数

对现有叶绿素遥感估测研究方法进行比较,确定植被指数法是其中最实用、普适性最强的研究方法。近年来,草地退化问题日益严峻,需要进一步从光谱分析、植物生化参数估测的角度加以研究,因而亟需建立一种用于反演草地植被叶绿素含量的植被指数。首先对四川省松潘草原和内蒙古自治区贡格尔草原的草地实测反射率光谱曲线及其一阶微分曲线进行分析,通过这两种光谱与叶绿素含量的相关性分析,找到红边区域（red-edge position, REP）与草地叶绿素含量之间的规律,即叶绿素含量越高,反射率一阶微分曲线的红边拐点（red-edge inflection point, REIP）取值越高,由此构建草地叶绿素含量估测植被指数（grassland chlorophyll index, GCI）,选取最适宜反演的波段,最后采用卫星高光谱影像计算GCI,将计算结果与野外试验观测的叶绿素含量数据进行精度分析验证。结果证明,对于草地叶绿素含量来说,GCI比其他叶绿素指数的敏感性更强,具有较高的草地叶绿素含量估测精度。GCI是第一个针对草地叶绿素含量估测而被提出的植被指数,其对遥感反演草地叶绿素含量具有广泛应用潜力。同时这种基于光谱分析的草原植被叶绿素含量估测方法为其他的草原植被生化参数估测、草原植被生长状况评价以及草地生态环境变化大面积监测提供了新的研究思路。     

应用近地成像高光谱估算玉米叶绿素含量

图谱合一的近地成像高光谱是现代数字农业对田块尺度的作物长势信息进行动态临测和实时臀理的需要,是促进农业定量遥感发展的重要手段之一.文章通过自主研制的田间扫描成像光谱仪近地获得盆栽和大田玉米的冠层高光谱影像,从影像中精确提取玉米不同层位的叶片反射光谱并计算TCARI,OSA-VI,CARI,NDVI等多种光谱植被指数.构...     

利用无人机高光谱估算冬小麦叶绿素含量

叶绿素含量（SPAD）是作物长势评价的重要指标,可以监测农作物的生长状况,对农业管理至关重要,因此快速、准确地估算SPAD具有重要意义。以冬小麦为研究对象,利用无人机高光谱获取了拔节期、挑旗期和开花期的影像数据,获取植被指数和红边参数,研究植被指数与红边参数估算SPAD的能力。先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析,再基于植被指数、植被指数结合红边参数,通过偏最小二乘回归（PLSR）方法估算SPAD,最后制作SPAD分布图验证模型的有效性。结果表明,（1）大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平（0.01显著）;（2）单个植被指数构建的SPAD估算模型中,LCI表现最好（R2=0.56,RMSE=2.96,NRMSE=8.14%）,红边参数中Dr/Dr_min表现最好（R2=0.49,RMSE=3.18,NRMSE=8.76%）;（3）基于植被指数结合红边参数构建的SPAD估算模型效果最佳,优于仅基于植被指数构建的SPAD估算模型,同时,随着生育期推移,两种模型均在开花期达到最高精度,R2分别为0.73和0.78,RMSE分别为2.49和2.22,NRMSE分别为5.57%和4.95%。因此,基于植被指数结合红边参数,并使用PLSR方法可以更好地估算SPAD,可以为基于无人机遥感的SPAD监测提供一种新的方法,也可为农业管理提供参考。     

光谱指数的植物叶片叶绿素含量估算模型

叶片叶绿素能够有效监测植被的生长状况,利用光谱指数反演植被叶绿素含量是目前的通用方法。实测了盐生植物光谱反射率和叶片叶绿素含量。对SPAD值进行变换,对比Pearson与VIP方法探讨盐生植被叶片叶绿素含量与植被指数的相关性并进行精度验证,从中选出最佳拟合模型。研究表明,通过对Pearson与VIP相关性分析,最终选定VIP方法建立植被指数的叶片叶绿素估算模型,NDVI₇₀₅,ARVI,CI_{red edge},PRI,VARI,PSRI和NPCI的VIP值均大于0.8,因此选定这七个植被指数为最优植被指数;预测结果显示,所有模型的相关性都在0.7以上,预测值与实测值相关性最好的是经过倒数变换的SPAD值,R=0.816,RMSE=0.007。基于VIP方法的反演模型能较好地估算研究区植被叶绿素含量,该方法为植物叶绿素含量诊断的实际应用提供了重要的理论依据和技术支持。     

植被冠层水平叶绿素含量的高光谱估测

植物的叶绿素含量指示了其健康状况。大区域范围内植被叶绿素含量信息的提取可以用于评价植被的生长状况,实现对生态环境的监测。对于农田系统而言,作物叶绿素含量的估测还可以对施肥等田间操作提供支持。文章利用辐射传输模型模拟多组不同状态下的植被冠层光谱反射率,通过对模拟数据的冠层叶绿素含量以及冠层光谱之间关系的分析,构建了估测植被冠层水平叶绿素含量的光谱指数模型。该模型对冠层叶绿素含量的方差解释量达到了75%以上。分别使用野外实测冠层光谱和Hyperion高光谱遥感影像对试验区进行验证。结果证明该模型对冠层水平的叶绿素含量估测效果较好,具有应用价值。     

基于多角度成像数据的新型植被指数构建与叶绿素含量估算

叶绿素含量的快速估算对于及时了解作物的长势、病虫害监测以及产量的评估都具有重要意义。利用自主研发的多角度成像观测系统获取了不同生育期玉米的高光谱影像,精确地提取出主平面内各个观测角度下玉米冠层的反射率。通过对ACRM模型模拟值和实测值的分析,计算出玉米冠层红波段下的热点-暗点指数(HDS),并利用该指数对TCARI进行改进,提出一个基于多角度观测的新型植被指数HD-TCARI,最后使用多角度高光谱成像数据对其进行了地面验证。结果表明,HD-TCARI能够减小LAI对叶绿素估算的影响,当叶绿素浓度大于30 μg·cm-2,HD-TCARI与LAI的相关性R2仅为26.88%～28.72%;当叶绿素浓度较高时,HD-TCARI具有抗“饱和”的特性在LAI在1～6之间变化时,HD-TCARI与叶绿素浓度的线性关系R2较TCARI提高了约9%左右。利用多角度高光谱成像数据对HD-TCARI进行地面验证,其与叶绿素浓度的线性关系(R2=66.74%)明显优于TCARI所建立的估算模型(R2=39.92%),证明了HD-TCARI指数具有更好地估算叶绿素浓度的潜力。     

利用高光谱植被指数监测紧凑型玉米叶绿素荧光参数F_v/F_m

为进一步评价遥感监测紧凑型玉米叶绿素荧光参数Fv/Fm的可行性,通过开展小区紧凑型玉米试验,分析紧凑型玉米整个生育期Fv/Fm与高光谱植被指数的相关关系,建立紧凑型玉米Fv/Fm高光谱监测模型。结果表明,紧凑型玉米Fv/Fm与选取的高光谱植被指数均呈极显著正相关,其中结构敏感色素指数(SIPI)与Fv/Fm的相关性最好,相关系数(r)为0.88。用SIPI建立紧凑型玉米Fv/Fm的监测模型,其决定系数(R2)为0.812 6,均方根误差(RMSE)为0.082。研究表明,利用高光谱植被指数可以有效地监测紧凑型玉米整个生育期的Fv/Fm。     

利用叶片正反面反射光谱估算叶绿素含量

叶片叶绿素含量的快速无损估算方法对研究植被生长和环境胁迫都具有重要意义。传统叶绿素光谱估测方法,主要是基于叶片正面光谱信息。而在实际遥感观测中,传感器不仅会接收植被叶片正面光谱信息,植被叶片反面光谱信息也会同时被接收。该研究主要目的是找到在同时考虑叶片正反面光谱信息时也能精确估算叶片叶绿素含量的分析方法。对比了简单差值植被指数(SD),简单比值植被指数(SR),归一化植被指数(ND)与偏最小二乘(PLS)建模方法,并对检验样本集进行了精度比较。结果发现用PLS方法估算两种植被正反面叶片的叶绿素含量与真实叶片叶绿素含量的拟合精度更高,R2为0.91,RMSE为5.21 μg·cm-2。因此可以认为PLS方法在同时考虑植被叶片的正反面光谱信息时对植被叶片叶绿素含量的估算更准确。     

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。     

基于高光谱数据和模型反演植被叶面积指数的进展

植被叶面积指数(Leaf Area Index , LAI)是陆面过程中影响陆-气交换的重要参数,也是表征植被冠层结构最基本的参量之一。准确而快速地获取LAI是植被-气候相互作用、植被生态和农作物估产研究不可缺少的工作。本文首先针对LAI和高光谱遥感进行概述,然后从不同平台高光谱传感器数据和不同反演方法两个角度总结了国内外近些年来高光谱遥感LAI的研究进展,最后分析了高光谱遥感反演LAI的未来发展方向。     

光谱指数的植被叶片含水量反演

利用光谱技术监测植被水分状况是了解植被生理状况及生长趋势的重要手段之一。选择艾比湖湿地自然保护区作为靶区。采用聚类分析、变量投影重要性分析(VIP)以及敏感性分析等方法,对植被不同含水量进行分级,并针对不同等级的植被含水量进行估算及验证。结果表明： (1)基于聚类分析中的欧氏距离的方法将植被叶片相对含水量划分为高等、中等、低等三个等级,其范围分别为70.76%～80.69%,53.27%～70.76%,31.00%～53.27%。在中红外与远红外(1 350～2 500 nm)之间,反射率越低植被含水量越高;波长380～1 350 nm范围,无此现象。(2)应用VIP方法可知,所选的8种植被水分指数VIP值均超过了0.8,说明植被水分指数预测能力均较强且差别不显著。其中MSI,GVMI与植被叶片相对含水量的非线性三次拟合函数效果最佳,MSI决定系数R2为0.6575和GVMI决定系数R2为0.674 2。植被叶片相对含水量在30%～45%范围,MSI指数的NE值最低,在45%～90%范围时,GVMI指数的NE值最低。NDWI₁₂₄₀指数的NE值在70%左右起伏较大,说明NDWI₁₂₄₀ 指数在植被含水量为70%左右,预测能力较差。(3)通过误差分析可知GVMI指数反演的结果误差最小,不同的植被指数对不同含水量的植被估算结果相差较为明显,因此分段估算植被含水量是有必要的。综上所述,利用高光谱遥感技术对监测艾比湖保护区植被生长及干旱环境提供基础研究。     

基于光谱指数法的植被含水量遥感定量监测及分析

在分析植被光谱特征与光谱和植被水分相关性的基础上,初步确定几个波段或波段组合为植被含水量的光谱指数.利用数据对植被含水量FMC(Fuel Moisture Content)与上述水份光谱指数分别建立最优函数关系.通过分析不同光谱指数的关系及其相对误差,确定以1600 nm和820 nm处反射率的比值SR作为建立本研究区植被含水量模型的特征参数;并利用实测光谱反射率与植被含水量建立SR与FMC之间的模型关系.根据植被含水量模型、ETM和ASTER遥感数据.在IDL7.0开发平台下实现研究区植被含水量的定量反演,并利用区内实测数据和本底调查数据对反演结果进行了综合评价与分析.结果表明,光谱指数SR可以较好地剔除环境背景以及冠层结构等外界因素的影响,植被含水量遥感反演精度较高,能真实反映研究区植被含水量的时空变化规律与特征.     

基于无人机高光谱遥感的冬小麦全氮含量反演

氮素是作物生长发育必需的营养元素之一,作物的全氮含量是表征其氮素状况的主要指标。田块尺度的冬小麦全氮含量空间分布监测可以辅助其精准定量追肥,减少环境污染。无人机高光谱遥感具有分辨率高、时效性高、成本低等优势,可为作物长势信息反演提供重要数据源。XGBoost（extreme gradient boosting）作为一种新兴集成学习算法,运行效率高,泛化能力强,可以有效的应用于构建冬小麦全氮含量遥感反演模型,预测田块尺度冬小麦全氮含量空间分布。以农业部蒙城砂姜黑土生态环境站内拔节期冬小麦为研究对象,开展以下工作: （1）以低空无人机搭载高光谱成像仪获取冬小麦拔节期冠层成像光谱影像,结合地面采样数据,获取126个样点全氮含量数据;（2）分析拔节期冬小麦冠层光谱特征,并根据Person相关系数分析176个波段的光谱反射率与全氮含量之间的相关性;（3）构建基于XGBoost算法的不同土壤肥力条件下拔节期冬小麦全氮含量无人机高光谱反演模型。结果表明: （1）176个波段（400~1 000 nm）的光谱反射率与冬小麦全氮含量之间具有较强的相关性,除了735.5 nm外其他波段光谱反射率与全氮含量之间的相关系数均大于0.5;（2）基于XGBoost算法构建的拔节期冬小麦全氮含量无人机高光谱遥感反演模型具有较高的反演精度（R2=0.76,RMSE=2.68）;（3）基于XGBoost算法的冬小麦全氮含量反演模型可以获取不同土壤肥力条件下田块尺度的全氮含量空间分布图,总体上呈现较为显著的空间差异。该研究可为冬小麦精准定量追肥提供一定的科学依据,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

基于叶片光学属性的作物叶片水分含量反演模型研究

叶片含水量是反映作物生理特性的一个重要参数,对生态环境的研究具有重要意义。采用小波分析方法,分析叶片含水量对反射率的影响特征,建立综合利用多波段信息的作物叶片水分含量反演模型。基于PROSPECT模型的辐射传输理论,推导出由叶片反射率光谱的小波系数反演叶片水分含量C_W的理论模型。利用六种常用的小波函数,对叶片组分水、干物质和白化基本层的吸收光谱进行小波分解。选取对水分变化最敏感,同时对其他组分不敏感的分解尺度和波段位置,找到能稳定突出水的光谱特征的小波系数。结果表明：bior1.5小波函数在尺度为200 nm,波段位置为1 405和1 488 nm的小波系数具有上述特征。建立由叶片反射率光谱的bior1.5小波系数反演叶片水分含量C_W的反演模型,模型有两个转换系数a和Δ都受叶片结构参数N的影响。利用PROSPECT模型生成模拟光谱数据集,校正建立的叶片水分含量反演模型中的两个转换系数a和Δ,并与LOPEX93实验光谱数据集结合验证反演模型。结果表明：反演模型不仅比传统基于植被指数的统计模型在精度上有提高(反演值与实测值的R2最高达到0.987),而且更加稳定,普适性更高。研究表明,小波分析方法在利用高光谱数据反演作物叶片水分含量方面具有独特的优势。     

矿区土壤Cu含量高光谱反演建模

为探究高光谱遥感手段反演土壤Cu含量方法的可行性,以湖南省某矿区为例,利用ASD地物光谱仪和实验室电感耦合等离子发射光谱法测定83个土壤样品350～2 500 nm光谱信号和Cu含量。在光谱重采样、一阶/二阶微分、标准正态变换预处理对比分析基础上,分别采用主成分分析与相关分析对潜在建模变量进行初步筛选,运用逐步回归方法确定最终模型变量,建立土壤Cu含量反演模型,基于最优模型识别Cu含量光谱指示特征波段。结果表明,相对于传统主成分分析方法,标准正态变换后的光谱全要素主成分分析逐步回归建模方法因保留土壤样品弱光谱信号能有效提升土壤Cu含量估算能力,R2达0.86,模型对于预测样本的估计效果较好,建模样本和预测样本的残差分别为0.76和1.29,且通过F检验;360～400,922～1 009,1 833～1 890与2 200～2 500 nm波段对研究区土壤Cu含量有较好指示性。研究结果将丰富南方矿区土壤Cu含量估算典型案例,同时为发展基于高光谱遥感的土壤环境监测手段提供理论支撑。