基于高光谱数据的小麦叶绿素含量反演解读.docx
- 文档编号:12791101
- 上传时间:2023-06-08
- 格式:DOCX
- 页数:26
- 大小:88.74KB
基于高光谱数据的小麦叶绿素含量反演解读.docx
《基于高光谱数据的小麦叶绿素含量反演解读.docx》由会员分享,可在线阅读,更多相关《基于高光谱数据的小麦叶绿素含量反演解读.docx(26页珍藏版)》请在冰点文库上搜索。
基于高光谱数据的小麦叶绿素含量反演解读
第20卷第3期2004年5月
地理与地理信息科学
QDgraphyandG∞一lm)m忸t;onSci目1ce
Ⅷ20№.3
Mav2004
基于高光谱数据的小麦叶绿素含量反演
赵祥,刘素红”,王培娟,王锦地,田振坤
(北京师范大学地理学与遥感科学学院遥感与地理信息系统研究中心,北京100875;遥感科学国家重点实验室,北京100875;
环境遥感与数字城市北京市重点实验室.北京100875)摘要:
近年来,遥感高光谱技术为获取农作物的某些生理化参数提供了丰富的数据来源。
该文使用北京小汤山地
区实验获取的小麦高光谱数据,应用偏最小二乘回归方法,建立了冬小麦冠层波谱与叶绿索含量的回归反演计算模型。
研究结果显示:
模型在350~1060砌波段具有较高的反演精度。
本研究为应用高光谱数据反演冬小麦叶
绿紊含量提供了有效途径。
关键词:
高光谱数据;反演;叶绿索含量;小麦中图分类号:
S512.1十1
文献标识码:
A
文章编号:
1672—0504(2004)03—0036—04
光合作用过程中起吸收光能作用的色素有叶绿索A、叶绿索B与类胡萝h素,其中叶绿素是吸收光能的物质,对植被的光能利用有直接关系。
叶绿素含量和植被的光台能力、发育阶段以及氮素状况有较好的相关性,它们通常是氮素胁迫、光合作用能力和植被发育阶段的指示器”J。
在小麦生长环境分析和长势监测中,叶绿素含量是非常重要的评估内容之一。
随着遥感技术的发展,现在比较容易获得多种观察值。
可以分为多光谱、多方位、多时相和综合指数,它们分别载有不同的有关材料波谱和植被结构的信息【2J。
人们一直在寻找高光谱数据与农作物生理生化参数之间的定量关系,金震字等[3】指出水稻叶绿索含量与其反射光谱红边拐点位置之间有着良好的线性相关
析模型)于一体的典型地物渡谱知识库,为定量遥感理论与应用研究提供一个系统化和专业化的遥感波谱科学实验平台[5]。
波谱知识库将在典型地物波谱与图像数据积累的基础上,以波谱数据的知识化、定量化和实用化为目标,完成典型地物波谱、环境参数问的相互配套。
其存储的渡谱数据都是由实验人员按照测量规范采集到的数据,目前主要存储了农业、岩矿和水体等波谱数据及其配套参数。
从典型地物标准波谱知识库内提取的102条冬小麦波谱数据,是2001年在北京市昌平区小汤山精准农业示范区实验取碍。
实验地位于东经H6。
457,北纬40。
18’,土壤为棕壤土,小麦行距为O.15m,测量时间从2001年4月3日到5月17日。
实验所用光谱仪是
艇D
关系;}br∞、等£4】利用波谱删计算值的偏最小二
乘方法,估算出冬小麦冠层生理生化参数。
Ffdd卸心t,其视场角为25。
。
取出的波谱样本
060
波段范围为350~l
m,光谱分辨率为1nrn,样本
本文研究使用偏最小二乘回归方法构建冬小麦高光谱数据与叶绿索A、叶绿素B含量的定量计算模型。
结果显示,模型可有效地从冬小麦高光谱反射率数据反演出叶绿素A、叶绿素B的含量,反演结
果精度较高。
分布于冬小麦的五个主要生育期,样本数分别为:
起身期17个,拔节期19个,挑旗期22个,灌浆期z4个,抽穗期20个。
在测量光谱的同时,对样本进行了化学分析,取得的样本具有较宽的变量空间,具有一定的代表性。
例如,叶绿索A最小值为O.8316,最大值为3.598,具体值参见表1,样本波谱如图l所示。
1铀lel
1数据及处理方法
1.1数据获取
表1样本总体特性
11.epm邮b0f删smpl∞
O.8316O.2217
3.5981.362
0.6136O.2757
研究使用的数据为小麦高光谱反射率数据,均取自中国典型地物标准波谱知识库。
该波谱知识库是在国家863项目支持下开展的以典型地物为基础的波谱数据体系,是一个集波谱测量数据(古典型地物的遥感图像数据)和遥感先验知识数据(含遥感分
收疆B勰:
2003—12—16;修订日期:
2004—02—26
chlA
2.26630.8298
d惦
1.2数据预处理
目标物大小、形状、分布等物理因素不均一对光谱的影响较严重,选择合适的数据预处理方法可以
基金项目:
国家”863”计划项目(2001从135030);国家重点基础研究发展规划项目(G2伽00779);国家地质调查项目(200320130004)
作者简介:
赵样(1971一),男.在读博士研究生。
主要从事遥感与GIs应用研究。
*通讯作者E—n面l:
l枷hu
c耐.廿1
万方数据
第3期
赵祥等:
基于高光谱数据的小麦叶绿素含量反演第37页
图1冬小麦光谱曲线Hg-1
TkRemdan衅印ect埠curve0f咖‘盯舳
减小物理因素对近光谱的影响。
多重散射校正
(Multiplicative
Scatter
Cc目ecti饥,WSC)方法基于每
一样本与全部样本的均值光谱呈线性相关这一经验事实。
研究与应用[6.7]结果表明:
多重散射校正法具有较好的校正波谱能力,在应用反射波谱数据预处理中,可以有效减小物理因素对光谱的影响。
多重散射校正主要过程【61如下:
假设有m个样本,每一样本有n个波段,分析化学成分Y;xIk为波谱值,i为样本编号(i.1,…,m),k为波段编号(k=1,…,n);x;={x.k;k=1,…,nl为样本i的波谱。
基于上述每一样本对全部样本的均值光谱呈线性关系
的经验事实,第i个样本可表示为:
元=目十h・爻+q
(1)
式中:
i_l,…,m.为样本编号;卧bi、e。
分别为加性影响因子、乘性影响因子和误差;x={1/h1∑xik;k=1,…,n},为全部样本均值波谱。
可以用最小二乘回归法估计卧b。
,得到龟、6l,
即可计算出多重散射校正后的光谱:
文P=(竞一a,)危
(2)
式中:
爻P:
为样本i经过多重散射校正后的波谱,爻.
为原始样本i的波谱,:
。
、B,分别为计算出的样本i的加性和乘性影响因子。
任一样本与全部样本均值之间的关系可以使用散度图(ScatterEff。
吐)来直观地表示,图2为常见两种散度图,图2a为乘性影响因子构成的乘性散度图
(MultiplicativeScatterEffect),图2b为加性影响因
子构成的加性散度图(Additivescatt目Effect)。
实际工作中,需作出每一样本与全部样本均值的散度图,若散度图如图2a所示,需进行乘性校正;若散度图如图2b所示,需进行加性校正;若散度图具有两者的综合效果,则两种校正均需进行。
1.3偏最小二乘回归法
偏最小二乘回归(PartialI目stsquareSregrbsion,PLs)法最早出现于计量化学文献中,现已得到
万
方数据反射反射率
盛
(8)
(b)
国2每一样本与全部样本均值散度图示例
ng_2
An
e功n叫e0fs∞“盱eff钟t0f衄c1.翻Ⅱ甲Ie趣芦iI吼meanvm噼
广泛应用。
PLs法先构造了称之为成分的新变量,每个成分是自变量的线性组合,其系数由自变量和因变量的数据共同决定,然后用最小二乘法建立因变量和这些成分之间的回归方程。
PLs法构建的回归模型可表示为:
氟=口味+B1J1+…+B盘Tp(k=l,2,…,q)
(3)
式中:
T1,…,TD分别是光谱各波段的线性组合;口.k(j=O,…,p)为系数,可由最小二乘估计。
研究显示,当自变量的个数较多而样本最较少时,偏最小二乘回归计算法较有效。
关于PLS的基本算法,参阅文献[8],在此不作赘述。
本文主要利用HS方法对冬小麦反射波谱进行分析,构建计算模型。
反射波谱数据谱段多,具有影响的物理化学因素不确定,因此存在自变量多、含潜在因变量的问题。
P15法
具有解决这一问题的优势,并且可以从校正模型的残差中方便地剔除不适合样本,快速构建最佳模型。
1.4建模
当样本个数较小时,均匀抽样的样本平均偏差较小【9J,本研究按照均匀抽样法选择训练样本。
根据这一现象,将样本按相应变量排序,等间距地选出
51个校正样本,并将所有样本作为模型验证样本。
由于冬小麦叶片大小、形状、分布等都不均一,为了减少这种物理因素对波谱的影响,需对训练样本与验证样本进行多重散射校正。
可以通过每一样本对全部样本均值散度图判断进行何种多重散射校正,图3显示了任一样本对全部样本均值的散度图,图中每一样本都具有不同斜率,而且样本起始处并不在同一点,故样本具有加性与乘性双重散射的特点,需进行加性与乘性综合多重散射校正,校正样本挑选后即对样本进行了MSC校正。
№.3
围3任一样本与全部样本均值散度图
11.e№№曲dof∞ch印ech删l∞“印ec“
第38页
地理与地理信息科学
第20卷
在使用H5方法构建校正模型时,采用了全交叉验证法(F锄Qo§Ⅵ蛐撕m)确定成分个数。
利用P【s方法构建叶绿索A、叶绿索B计算模型时,考虑各成分对剩余方差的影响,均选择前10个成分进行计算,每一个成分均是各波段反射率的线性组合。
模型精度主要是通过估算值与实测值的相关系
数(r)及估算值的误差均方根m胚EP(胁t
M∞
Sauare
Err口喇ict)来验证。
础,圈乎计算公式为:
式中:
9,、yi分别为估算值和实测值。
一:
√军
(4)
2结果与讨论
基于PLs方法,使用训练样本构建的叶绿素A的计算模型可表述为:
ChIA=B0+m×C1+…+B10×C10
(5)
式中:
Ch认为回归计算的叶绿素A含量,Bo、B1、…、
B10为回归系数,其中,B0=2.266、Bl=2.379、B2=
2.369、B3=2.377、B4=2.374、B5=2.374、B6=2.376、B7=2.391、B8=2.381、B9=2.383、B10=
2.372:
c1、…、c10为10个成分,它们是各波段反射率的线性组合,每一成分在各波段的系数可以用其在各波段的权重表示。
叶绿素B回归计算模型及各成分载荷与叶绿素A形式类似,在此不再列出。
建好模型后,采用所有样本对模型进行验证,从所有样本波谱数据中估算叶绿素A、叶绿素B含量。
图4、图5分别显示了叶绿索A、叶绿素B实测值与估算值偏差(D晰ation)。
估算的结果表明:
该方法有效的对叶绿素进行了估算,叶绿素估算值与实测
值相关系数均高于0.90,RMSEP小于0.4(表2)a
4
删加
3《
妊
2嘶
亡
10
W2匿p
删加
2●i
妊曙0}
O
样本编号
圈5叶绿素B估算偏差强
嫠羼
Hg.5
1k蛐t王帷of曲h呷埘UB
万
方数据表2
PLs模型估算结果
I曲le
2
11*饵k山ted峭.1l协h伽H5
叶埠素A
lO
0.9054
0-327
生壁童呈!
Q.Q:
!
!
塑
Q:
!
堕
为了与其它计算方法进行对比,采用主成分回归方法(PcR)建立了相应回归模型,并用此回归模型进行估算,通过比较发现,使用PLs方法对样本预测时较PCR方法有明显提高,叶绿素A估算精度提高9.9%,叶绿紊B估算精度提高8.7%(表3)。
表3nMe
3
1Itc蛆n山tcd惜m协蛔nP球
PCR模型估算结果
吐鐾嚣娶!
Q
Q:
§墼§
Q:
!
堑
为了测试不同光谱区间对校正模型的影响,将波段范围分为三个区间,分别是B1:
350~590nrn,砬:
590~830rm,B3:
830~1060rn,针对这三个区间对叶绿素A、叶绿素B进行影响试验。
试验结果如表4所示,预测值的RM亚P变化范围为O.364~O.547;叶绿素A在三个区间模型估算值与真实值相关系数均高于0,86,叶绿素B在三个区间模型估算值与真实值相关系数均高于0.88。
结果表明:
叶绿素A与叶绿紊B对波谱的影响不是集中在某部分的光谱区间.也不是均匀地对光谱区间所有谱段产生等量影响。
表4不同波段区间PLs模型估算结果
m-bk4
m删姆ln珊H㈣hIndsJ岫吣
整基
旦;
毽
墅
叶绿曩A0-8640.863O.87l叶绿素ARMsEP
O.3640.5160547叶绿素B
0,904
0.883
O.895
堕塑塞量垦丛§基£Q:
翌§Q:
§墅Q:
2竖
3结语
遥感高光谱技术的迅速发展为利用定量遥感方法获取农作物生理生化参数提供了更精细的数据来源,选择合适的波段与处理方法可有效提取这些生理生化参数。
一般可以使用一些有代表性的样本,分析波谱内生理生化参数信息,构建定量估算模型,再用一些样本进行验证。
针对反射波谱数据,偏最小二乘回归法可以有效地从冬小麦反射波谱数据中获取冬小麦叶绿索的含量。
在构建模型之前,需要对数据进行预处理,去除波谱散射变化的影响,减少样本内在的不同散射变化,这可以通过多重散射校正完成。
此方法可推广到冬小麦乃至其它农作物的生理生化参数的确定,具有较高的实用价值。
参考文献:
[1】MINoLTAcLfchk衅崎II印AD一5。
2i难口删|蕊强nd[州
融盘眦tricI瑚机啦蛳☆0p啪6。
r坶[cJ
1孵9.17—21.
第3期
赵祥等:
基于高光谱数据的小麦叶绿紊含量反演
m山邱11删^ive
3∞ptc
第39页
[2]李小文,王锦地.植被光学遥感模型与植被结}暂参数化[M]北
京:
科学出版杜.1995
d丑诅[J】.c|圯rr删rb蜘dIntdli目∞tL8hⅫys蟑dnB,
A,MAES堑蛋nLCKRD,JoUAN—Rn枞UDD,
sc毗盯∞咄tbnmetI州南rp『e瞰鬯sing印比廿o.
【3]金震宇.田庆久,惠风鸣,等.水稻叶绿素浓度与光谱反射阜关
系研究【】).蘧感技术与应用,2003。
6:
134一】37.[4]H廿旧卧J
[7]
1995.29:
233—241
CAN∞LFl
60n
Rt如G铆辟rn跚u日咖t0f
∞∞pyb∞1a翳and矗臼j哪女虮blnw}瑚tqopsLd雌mmuI捌出‘
P
K
M.s咖0Ⅱ承INGJ
et址The{nnu匝雌ofdatap聘一pn)∞sir譬inthep毗em删o。
g面一
of咄i脚皿乜n衄r—lnh甜td
P.KoⅣALSKI
f∞蝌v嘲脚6∞id;瞄8fd瑚删le曲t4Ⅳa晴Ⅱ窖m9sbU].R8∞螗
‰md蹦HrrHⅡ.2003。
86:
542—553.
[5]苏理宏t李小文,粱_畈林。
等典型地物波谱库的数据体系与波
B曲矧;嗣圳y5is.1999,2l:
115—132.
[8]C9]
GELADI
3p钟na[J]PlM“T删6cd
and
BR.P叭“le喊一squ蛸tg暇b:
a
tut。
^d[】].ATlBlyti∞(mI疵龃Am。
1986,185:
1一17.
王兆军.均匀设计抽样的小样本均匀性【j].南开大学学摄,
1997(3):
27—30.
[6]赶LL帅I
谱模拟【J].地球信息科学,2002(4):
7一15,
s,NAEsT,I即-l(蹬0NT.R幽tedve商∞s
ofthe
A
Method
(&触,吐C轴甜弦风榭招‰昭口一G,S,&^o“。
,G,,忡砷,,&巧i馏№r,mzu”f蝴岫,脚i增加船巧;
A蛔晒d:
Inrec∞t
白blished
in
Z}{AO
hIverting(Momphyne蚰t蜘tofWheatUsiIlgHype唧ec删XlaIlg,LIUSu一}蚰g,WANGPei—juan,WANGJin—di,TIANZhm—k∞
for
ye蟠,hyp皤pem柚t删嘧7
s沁∞forgetting蛐eph西oIogic日1脚et∞for
thespectra
&巧i增脚Ld6D№蜘J谛船聊印蜘昭o,砌“册l舢扰t4耐D呼叫G啦s,&玎西珥m口扔,a{眦)
of
S缸比K钳‰娜。
,胁嘶‰醒铀e懈,B嘶{竹g】∞875;
R伽te汹ng
Thls
have
craps
b哪d岫i噌r砸dy。
枷ch鲫试des
on
pI曲ti“data
pap盯’wKchbasedPa而a1
L腓tsquaresRegre画onMet}嗣,铸-
getted
nrn
betwe卧c}ll唧hyu00nt∞tarldtheca城啊sp氍咖ofw}★∞t,商ngtkh辨H印∞b同dataofwheat
theh摊d驰廿吐fIom350X;aotar噼han.Tbe略I】1协i州i∞tedthatch咖hyu∞nt∞t。
fwh衄tw越hjgIlly
m。
dd
felative
to
t0
1060
K掣woll由:
h弭圮唧tral;irlver商叽;chIor印hyll∞nt髓t;whea‘
(上接第11页)
[26]DINGY,FD0
m.The州searchp∞md8
an
effectivemet}I。
d
t0estifnate
cMo工。
曲yuo∞t自nt
for
b,p町spec廿a10fwh既t.
s.0100lo盯re髓啦hmd姗bp悯t:
panl’a
[29]
Hun砒一G呻1put盯S吣d岫,1997,46:
293—310
reⅥ钾of011IoIo盯g∞锄th[J]I舶Ⅱ呲啪Sci啊雠,2002.28
(2):
234—260
UrTE卧眦HT0n吐W∞Ⅷ疏forG:
:
g
。
。
盯/10一Uj№mmrk.Ddf
1999
N口L.AN
(27]
DINGY,F00s蕊蛐re蝌rch町ddevdoPrr衄t:
p叭2一a
re晡eⅣof
s吐Im州i锄[日j/OL】ht中:
∥www龆,vI】.n】/~hdn盯/
phIc璐ta
ornnl。
盯m蜊ngand酬诵r崛【J].1—仪m毗i∞甑-
N.und啪tal一啦,h|;Ⅻflg,arId心rIg∞加b舒器[J].
[30]
ence,2002,28(5):
37s一388
[28]
GuARlN0
J,Sr删R.g如DADⅣ:
l晖jgm曲岫andAcLh
叽啦t一ⅫG1s【A].m∞函罄。
f她w:
瑚f邮‰蝴蒋
h忡却蛐缸日6nada:
M卫h期l,qc,2001.99—101.
Fd—z}踟
Ge0一mltolo盯
(I删l缸拓0,尺S&翻S,mi增踟i蝴,聊嗽j0087J,凸f加)
Abnract:
R∞earch笛oIlG田一on∞Iogyw.11haverevoIu百alary
rnan石c
SUNMin,a-D曰NXiu—wan,五删d呻G
si昏m瑚no皓f叫probl哪0ng∞g始p捌佃f。
nnatioflrⅨmding,髭-
int目口邮bjlity,spat湖data舱L瞬,datas}laring锄dmining,碣wdl路thed刊opn啪tof曲tellig∞taI】dpcpuIarne“毗GIS.
docⅢn叮l临that
Elut
byk,fdw
di∞e山te
and
Geo一∞t。
蛔“uy
and
ofm啾耐ngaTld∞alyzingtherdatedint髑嗯t;∞al
呻tationof(知。
一oIl幻l。
gy,the
stanb
up—t。
一date
rle。
商巧oftKs龙9earch,§ped柚lypr曲eintothe‰一∞toIogy嘲tralp酊ble粥anditS
d。
㈣tsandrep。
如,the洲th∞汕衄Ⅻ∞the删tand懒l-
sy吼脚1aticallycanbef叫ndm曲ternationalrm8画f螂.Q1thebasb
cDnstnlctl叽met}础,so
1‘ey
words:
(ht0109y;G∞一on咖;GlS
ast0
p士ovlde3c哪eref日tnceforfunh盯re辨arch墨on(;∞一∞tology.
万方数据
基于高光谱数据的小麦叶绿素含量反演
作者:
作者单位:
刊名:
英文刊名:
年,卷(期):
引用次数:
赵祥,刘素红,王培娟,王锦地,田振坤北京师范大学地理学与遥感科学学院遥感与地理信息系统研究中心,北京,100875;遥感科学国家重点实验室,北京,100875;环境遥感与数字城市北京市重点实验室,北京,100875地理与地理信息科学GEOGRAPHYANDGEO-INFORMATIONSCIENCE2004,20(3)10次
参考文献(9条)
1.MINOLTACLChlornphyⅡSPAD-502instructionmanual1989
2.李小文.王锦地植被光学遥感模型与植被结构参数化1995
3.金震宇.田庆久.惠凤鸣.陆建飞水稻叶绿素浓度与光谱反射率关系研究[期刊论文]-地理与地理信息科学2003(3)
4.HansenPM.SCHJOERRINGJKReflectancemeasurementofcanopybiomassandnitrogenstatusinwheatcropsusingnormalizeddifferencevegetationindicesandpartialleastsquaresregression2003
5.苏理宏.李小文.梁顺林.王锦地典型地物波谱库的数据体系与波谱模拟[期刊论文]-地理与地理信息科学2002(4)
6.HELLANDIS.NAEST.ISAKSSONTRelatedversionsofthemultiplicativescattercorrectionmethodforpreprcoessingspectroscopicdata1995
7.CandolfiA.MAESSCHALCKRD.JOUAN-RIMBAUDDTheinfluenceofdatapre-processinginthepatternrecognitionofexcipientsnear-infraredspectra1999
8.GeladiP.KOWALSKIBRPartialleast-squaresregression:
atutorial1986
9.王兆军均匀设计抽样的小样本均匀性[期刊论文]-地理与地理信息科学1997
(1)
相似文献(9条)
1.期刊论文张凤丽.万余庆利用高光谱数据进行植被生化成分反演方法研究-地球信息科学2001,3(4)
高光谱数据包含着丰富光谱信息,能够定量地分析物质成分[1].由高光谱数据,可以运用多元逐步线性回归方法反演植被生化组分含量,从而达到监测植被生长状况的目的[2].本文具体介绍了多元逐步线性回归方法,及其在氮、木质素和纤维素含量估算中的应用.
2.期刊论文段洪涛.闻钰.张柏.宋开山.王宗明.DUANHong-tao.WENYu.ZHANGBai.SONGKai-shan.WANGZong-ming应用高光谱数据定量反演查干湖水质参数研究-干旱区资源与环境2006,20(6)
湖泊水质下降和富营养化问题日益严重,传统监测方法已经日益不能满足水质监测的需要.该文通过野外高光谱仪器测定查干湖水体反射光谱,分析研究水体反射光谱特征与水质参数叶绿素a含量、透明度和浊度之间的关系,运用多种半经验算法建立反演模型.结果表明:
单波段光谱反射率与叶绿素a和浊度的相关系数较小,但与透明度相关系数较高;光谱反射率通过对数、比值转换,可以有效的提高叶绿素a和浊度估测模型的精度,却对透明度作用不大.总体来说,叶绿素a和浊度估测模型效果较好,透明度高光谱估测模型相对较差,需进一步研究.
3.期刊论文程洁.肖青.李小文.柳钦火.杜永明.CHENGJie.XIAOQing.LIXiao-wen.LIUQin-huo.DUYong-mi
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 光谱 数据 小麦 叶绿素 含量 反演 解读