CN102200576B - 叶绿素a浓度反演方法及系统 - Google Patents
叶绿素a浓度反演方法及系统 Download PDFInfo
- Publication number
- CN102200576B CN102200576B CN 201110058041 CN201110058041A CN102200576B CN 102200576 B CN102200576 B CN 102200576B CN 201110058041 CN201110058041 CN 201110058041 CN 201110058041 A CN201110058041 A CN 201110058041A CN 102200576 B CN102200576 B CN 102200576B
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- concentration
- remote sensing
- sensing data
- chl
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种叶绿素a浓度反演方法及系统,该方法包括:S1:获取环境一号卫星的多光谱遥感数据;S2:判断是否有所述多光谱数据获取的日期,若有且所述日期能够和叶绿素a浓度季节类反演模型匹配,则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算,否则,选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。本发明通过利用环境一号卫星的多光谱和高光谱数据,解决了反演模型受到时间和空间限制的问题,并可实现计算机自动运行与业务化运行。
Description
技术领域
本发明涉及环境信息监测技术领域,特别涉及一种叶绿素a浓度反演方法及系统。
背景技术
叶绿素a是藻类植物中最丰富的色素,它将阳光转变成能量,存在于藻类植物细胞内的叶绿体中,反射绿光并吸收红光和蓝光,使藻类呈现绿色。监测藻类中的叶绿素a浓度是水环境遥感中主要的监测项目之一,是反映水体富营养化程度的一个重要的参数指标。
叶绿素a浓度定量遥感反演的方法也大致可分为经验方法、半经验方法和分析方法三种。20世纪80-90年代以经验方法为主,90年代后以半经验方法为主,目前关于分析方法的研究有所上升。分析方法虽然目前因为受条件限制发展比较缓慢,但是代表着未来水质遥感定量反演的趋势。
(1)经验方法
经验方法是应用较为广泛的叶绿素a浓度反演方法,它是通过建立遥感数据与地面监测的水体叶绿素a浓度值之间的统计关系来实现叶绿素a浓度的定量遥感反演。由于水体叶绿素a浓度与遥感数据之间的因果关系不能保证,所以该方法的结果缺乏物理依据,且反演模型受时间和空间特殊性限制很大,可移植性差。
(2)半经验方法
该方法由于对于特定水体进行了实地光谱侧量以确定最佳反演波段或波段组合,因而具有一定的物理意义。具体来说,它是将已知的水质参数光谱特征与统计分析模型相结合,选择最佳的波段或波段组合作为相关变量估算水质参数的方法。参与建模的变量主要有叶绿素a特征吸收谷和反射峰所在波段的反射比、特征反射峰的位置以及690nm附近反射率的一阶微分值等。由于水体叶绿素a浓度与遥感数据之间的关系因为实测高光谱数据的先验知识作保证,所以该方法具有一定的物理依据,结果可信度较高,但这种方法得到的反演模型同样受到时间和空间特殊性限制,对于不同时间和地域的水质参数反演则需要进行参数校正。
(3)分析方法
分析方法是指用生物光学模型描述水体各组分(包括浮游植物、悬浮物、可溶性有机物等)与辐照度比之间的关系,模拟水中光场分布,进而反演水质参数,其中,以水体后向散射与水体中吸收与散射的比值模拟水体反射的模型被称为分析模型。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何解决反演模型受到时间和空间限制,以及如何实现计算机自动运行与业务化运行的问题。
(二)技术方案
为解决上述技术问题,本发明提供了一种叶绿素a浓度反演方法,包括以下步骤:
S1:获取环境一号卫星的多光谱遥感数据;
S2:判断是否有所述多光谱数据获取的日期,若是且所述日期能够和叶绿素a浓度季节类反演模型匹配,则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算,否则,选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。
其中,步骤S2中,在根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算之前,对所述多光谱遥感数据进行处理,以获得多光谱遥感数据的反射率图像。
其中,
所述叶绿素a浓度季节类反演模型为:
判断所述日期所属的季节,
若为春季,则根据式(1)进行叶绿素a浓度的计算,
Chl-a=exp(0.0542+0.1668*NDVI) (1)
若为夏季,则根据式(2)进行叶绿素a浓度的计算,
Chl-a=exp(0.0456+0.2262*NDVI) (2)
若为秋季,则根据式(3)进行叶绿素a浓度的计算,
Chl-a=exp(0.0405+12.814*NDVI) (3)
其中,NDVI=(NIR-R)/(NIR+R),Chl-a为叶绿素a浓度,NDVI为归一化植被指数,NIR为所述多光谱遥感数据的反射率图像的红外波段,R为所述多光谱遥感数据的反射率图像的红波段。
其中,步骤S2中,所述基于波段优化的叶绿素a模型为:
Chl-a=1060.6x+34.465
其中,Chl-a为叶绿素a浓度, 为环境一号卫星的高光谱遥感数据660nm处反射率的倒数,为环境一号卫星的高光谱遥感数据690nm处反射率的倒数,Rrs(745)为环境一号卫星的高光谱遥感数据745nm处遥感反射率。
本发明还公开了一种叶绿素a浓度反演系统,其特征在于,包括:
图像获取模块,用于获取环境一号卫星的多光谱遥感数据;
浓度计算模块,用于判断是否有所述多光谱数据获取的日期,若是且所述日期能够和叶绿素a浓度季节类反演模型匹配,则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算,否则,选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。
(三)有益效果
本发明通过利用环境一号卫星的多光谱和高光谱数据,解决了反演模型受到时间和空间限制的问题,并可实现计算机自动运行与业务化运行。
附图说明
图1是按照本发明一种实施方式的叶绿素a浓度反演方法的流程图;
图2是按照本发明一种实施方式的叶绿素a浓度反演系统的结构框图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1是按照本发明一种实施方式的叶绿素a浓度反演方法的流程图,包括以下步骤:
叶绿素a浓度反演方法,包括以下步骤:
S1:获取环境一号卫星的多光谱遥感数据;
S2:判断是否有所述多光谱数据获取的日期,若是且所述日期能够和叶绿素a浓度季节类反演模型匹配(由于叶绿素a浓度季节类反演模型只有春季、夏季和秋季的计算方法,而冬季因为业务量少的关系未提供计算方法,因此,若所述时间为冬季,则使用基于波段优化的叶绿素a模型进行叶绿素a浓度的计算),则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算,否则,选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。
其中,步骤S2中,在根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算之前,对所述多光谱遥感数据进行处理,以获得多光谱遥感数据的反射率图像。
其中,
所述叶绿素a浓度季节类反演模型为:
判断所述日期所属的季节,
若为春季,则根据式(1)进行叶绿素a浓度的计算,
Chl-a=exp(0.0542+0.1668*NDVI) (1)
若为夏季,则根据式(2)进行叶绿素a浓度的计算,
Chl-a=exp(0.0456+0.2262*NDVI) (2)
若为秋季,则根据式(3)进行叶绿素a浓度的计算,
Chl-a=exp(0.0405+12.814*NDVI) (3)
其中,NDVI=(NIR-R)/(NIR+R),Chl-a为叶绿素a浓度,NDVI为归一化植被指数,NIR为所述多光谱遥感数据的反射率图像的红外波段,R为所述多光谱遥感数据的反射率图像的红波段。
其中,步骤S2中,所述基于波段优化的叶绿素a模型为:
Chl-a=1060.6x+34.465
其中,Chl-a为叶绿素a浓度, 为环境一号卫星的高光谱遥感数据660nm处反射率的倒数,为环境一号卫星的高光谱遥感数据690nm处反射率的倒数,Rrs(745)为环境一号卫星的高光谱遥感数据745nm处遥感反射率。
本发明还公开了一种叶绿素a浓度反演系统,如图2所示,包括:
图像获取模块,用于获取环境一号卫星的多光谱遥感数据;
浓度计算模块,用于判断是否有所述多光谱数据获取的日期,若是且所述日期能够和叶绿素a浓度季节类反演模型匹配,则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算,否则,选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (3)
1.一种叶绿素a浓度反演方法,其特征在于,包括以下步骤:
S1:获取环境一号卫星的多光谱遥感数据;
S2:判断是否有所述多光谱数据获取的日期,若是且所述日期能够和叶绿素a浓度季节类反演模型匹配,则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算,否则,选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算;
其中,所述叶绿素a浓度季节类反演模型为:
判断所述日期所属的季节,
若为春季,则根据式(1)进行叶绿素a浓度的计算,
Chl-a=exp(0.0542+0.1668*NDVI) (1)
若为夏季,则根据式(2)进行叶绿素a浓度的计算,
Chl-a=exp(0.0456+0.2262*NDVI) (2)
若为秋季,则根据式(3)进行叶绿素a浓度的计算,
Chl-a=exp(0.0405+12.814*NDVI) (3)
其中,NDVI=(NIR-R)/(NIR+R),Chl-a为叶绿素a浓度,NDVI为归一化植被指数,NIR为所述多光谱遥感数据的反射率图像的红外波段,R为所述多光谱遥感数据的反射率图像的红波段;
其中,步骤S2中,所述基于波段优化的叶绿素a模型为:
Chl-a=1060.6x+34.465
2.如权利要求1所述的叶绿素a浓度反演方法,其特征在于,步骤S2中,在根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算之前,对所述多光谱遥感数据进行处理,以获得多光谱遥感数据的反射率图像。
3.一种叶绿素a浓度反演系统,其特征在于,包括:
图像获取模块,用于获取环境一号卫星的多光谱遥感数据;
浓度计算模块,用于判断是否有所述多光谱数据获取的日期,若是且所述日期能够和叶绿素a浓度季节类反演模型匹配,则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算,否则,选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算;
其中,所述叶绿素a浓度季节类反演模型为:
判断所述日期所属的季节,
若为春季,则根据式(1)进行叶绿素a浓度的计算,
Chl-a=exp(0.0542+0.1668*NDVI) (1)
若为夏季,则根据式(2)进行叶绿素a浓度的计算,
Chl-a=exp(0.0456+0.2262*NDVI) (2)
若为秋季,则根据式(3)进行叶绿素a浓度的计算,
Chl-a=exp(0.0405+12.814*NDVI) (3)
其中,NDVI=(NIR-R)/(NIR+R),Chl-a为叶绿素a浓度,NDVI为归一化植被指数,NIR为所述多光谱遥感数据的反射率图像的红外波段,R为所述多光谱遥感数据的反射率图像的红波段;
其中,所述基于波段优化的叶绿素a模型为:
Chl-a=1060.6x+34.465
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110058041 CN102200576B (zh) | 2011-03-10 | 2011-03-10 | 叶绿素a浓度反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110058041 CN102200576B (zh) | 2011-03-10 | 2011-03-10 | 叶绿素a浓度反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102200576A CN102200576A (zh) | 2011-09-28 |
CN102200576B true CN102200576B (zh) | 2013-01-09 |
Family
ID=44661409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110058041 Expired - Fee Related CN102200576B (zh) | 2011-03-10 | 2011-03-10 | 叶绿素a浓度反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102200576B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508959A (zh) * | 2011-10-31 | 2012-06-20 | 南京师范大学 | 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型 |
CN102721650B (zh) * | 2012-06-13 | 2014-05-14 | 中国地质科学院矿产资源研究所 | 基于特征指标的矿物成分遥感信息提取方法及装置 |
CN102721644B (zh) * | 2012-06-21 | 2014-07-23 | 中国科学院对地观测与数字地球科学中心 | 一种水环境遥感数据处理方法及装置 |
CN102750455B (zh) * | 2012-07-10 | 2015-03-25 | 中国科学院对地观测与数字地球科学中心 | 一种水环境遥感反演模型选择方法及装置 |
CN103970994B (zh) * | 2014-05-05 | 2016-09-14 | 南京师范大学 | 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 |
CN103983584B (zh) * | 2014-05-30 | 2016-06-01 | 中国科学院遥感与数字地球研究所 | 一种内陆二类水体叶绿素a浓度的反演方法及装置 |
CN104820224B (zh) * | 2015-05-08 | 2017-11-03 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 |
CN106092969A (zh) * | 2016-05-23 | 2016-11-09 | 塔里木大学 | 一种枣树冠层叶绿素a含量的检测方法 |
CN105954226B (zh) * | 2016-06-08 | 2019-06-14 | 北京大学深圳研究生院 | 对叶表结构不敏感的叶绿素含量的检测方法 |
CN106290171B (zh) * | 2016-07-27 | 2019-01-22 | 内蒙古大学 | 玉米叶片叶绿素含量及表型参数测定方法 |
CN107991249B (zh) * | 2016-10-26 | 2020-07-28 | 南京吉泽信息科技有限公司 | 一种内陆水体叶绿素a浓度的普适性遥感估算方法 |
CN106501454B (zh) * | 2016-10-31 | 2018-08-31 | 塔里木大学 | 一种枣树冠层叶绿素b含量的卫星遥感监测方法 |
CN106504240B (zh) * | 2016-10-31 | 2019-10-15 | 塔里木大学 | 一种枣树冠层叶绿素a含量的卫星遥感监测方法 |
CN106769903B (zh) * | 2017-01-12 | 2020-05-19 | 南京渔管家物联网科技有限公司 | 一种养殖水体藻类浓度检测方法 |
CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
CN110082349B (zh) * | 2019-02-01 | 2021-11-02 | 南京师范大学 | 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法 |
CN111504915B (zh) * | 2020-04-27 | 2023-07-04 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN111650131B (zh) * | 2020-06-18 | 2023-12-19 | 中国科学院烟台海岸带研究所 | 一种高泥沙含量水体表层叶绿素a浓度反演方法 |
CN112131746B (zh) * | 2020-09-24 | 2024-05-31 | 中国科学院空天信息创新研究院 | 叶绿素a浓度反演方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477036B (zh) * | 2009-01-13 | 2012-06-06 | 中国科学院遥感应用研究所 | 基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法 |
US20110125477A1 (en) * | 2009-05-14 | 2011-05-26 | Lightner Jonathan E | Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets |
CN101852722B (zh) * | 2010-05-20 | 2012-07-04 | 北京航空航天大学 | 一种实现水体叶绿素a遥感反演精度评估方法 |
-
2011
- 2011-03-10 CN CN 201110058041 patent/CN102200576B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102200576A (zh) | 2011-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102200576B (zh) | 叶绿素a浓度反演方法及系统 | |
Righi et al. | Capturing farm diversity at regional level to up-scale farm level impact assessment of sustainable development options | |
CN102072885B (zh) | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 | |
Lutz et al. | Valuing albedo as an ecosystem service: implications for forest management | |
CN109508693A (zh) | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 | |
Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
Zhang et al. | In-season variable rate nitrogen recommendation for wheat precision production supported by fixed-wing UAV imagery | |
Song et al. | Using partial least squares-artificial neural network for inversion of inland water chlorophyll-a | |
CN111523587B (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN105954207A (zh) | 一种枣树冠层叶绿素b含量的检测方法 | |
CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
Cao et al. | Applying spectral fractal dimension index to predict the SPAD value of rice leaves under bacterial blight disease stress | |
Yin et al. | Study on the quantitative relationship among canopy hyperspectral reflectance, vegetation index and cotton leaf nitrogen content | |
Cheng et al. | Evaluation of the effect of leaf spatial aggregation on chlorophyll content retrieval in open-canopy apple orchards | |
CN105279738A (zh) | 基于遥感影像植被参数估算中阴影问题的应对方法 | |
CN115684107B (zh) | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 | |
CN114398760A (zh) | 区域植被覆盖度与降水关系非一致性识别方法 | |
Robson | Representing the effects of diurnal variations in light on primary production on a seasonal time-scale | |
Hongyun et al. | Study on nitrogen nutrition diagnosis of rice leaves based on hyperspectrum | |
Jin et al. | Improved estimation of gross primary production with NIRvP by incorporating a phenophase scheme for temperate deciduous forest ecosystems | |
Xiang et al. | RPIOSL: construction of the radiation transfer model for rice leaves | |
CN102507403A (zh) | 反演亚热带浅水湖泊悬浮颗粒物浓度的基于DSFs的SVR模型 | |
Cheng et al. | Utilizing in Situ Directional Hyperpectral Measurements to Validate Reflectance and Bio-Indicator Simulations for Vegetation Canopies | |
Cao et al. | Applying Spectral Fractal Dimension to Predict the SPAD Value of Rice Leaves Under Disease Stress | |
Li et al. | Quantification of the Cumulative Shading Capacity in a Maize–Soybean Intercropping System Using an Unmanned Aerial Vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130109 Termination date: 20210310 |
|
CF01 | Termination of patent right due to non-payment of annual fee |