CN103868860A - 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 - Google Patents
一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 Download PDFInfo
- Publication number
- CN103868860A CN103868860A CN201410111720.5A CN201410111720A CN103868860A CN 103868860 A CN103868860 A CN 103868860A CN 201410111720 A CN201410111720 A CN 201410111720A CN 103868860 A CN103868860 A CN 103868860A
- Authority
- CN
- China
- Prior art keywords
- index
- savi
- nitrogen concentration
- muskeg
- vegetation
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法,包括:湿地植被冠层光谱、叶面积指数(LAI)和氮浓度测量;Hyperion高光谱遥感影像预处理;将SAVI指数改进为SAVI1510指数;构建应用于湿地植被冠层氮浓度监测的高光谱植被指数NDNI/SAVI1510;高光谱植被指数NDNI/SAVI1510应用于湿地植被冠层氮浓度监测性能的评估;基于高光谱植被指数NDNI/SAVI1510构建湿地植被冠层氮浓度监测模型。本发明的有益之处在于:本发明提供了一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法,降低了来自湿地植被复杂背景的多种散射信号对湿地植被冠层氮浓度估算精度的影响,能够以较高的精度估算湿地植被冠层氮浓度。
Description
技术领域
本发明属于湿地植被遥感技术应用领域,具体地说涉及一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法。
背景技术
湿地是地球上最具生产力的生态系统之一,也是最富生物多样性的生态系统之一。湿地在调节洪水流量、预防自然灾害、地下水补给、维护生物多样性、调节气候、控制土壤侵蚀、保持海岸线、降解环境污染物等方面能够起到其他生态系统无法替代的作用。湿地通过沉降、过滤、化学沉淀和吸附、微生物相互作用、植被吸收等过程可以降低富营养化水体中的氮浓度,湿地植被冠层氮浓度也相应发生变化。监测湿地植被冠层氮浓度有助于对湿地植被生理功能、湿地净化能力、湿地生态系统的生物化学过程等有更深入的理解。
遥感技术可以通过适用的波段或波段组合构成的光谱指数来无损估算植被的氮浓度状况。快速发展的高光谱遥感技术已成功用于预测包括小麦、水稻、玉米、棉花等多种植被的叶片和冠层氮浓度。植被反射光谱中的氮吸收特征波段是由氮-氢化学键的振动和相关波长处的相应变化产生的。1510nm被认为是一个主要的氮吸收特征波段。
光谱指数已被接受为是监测植被氮浓度的一种主要方法。在科研文献中已出现的用于监测植被冠层氮浓度的光谱指数主要包括:归一化氮指数(NDNI)、冠层叶绿素浓度指数(CCCI)、转换叶绿素吸收反射/优化土壤调节植被指数(TCARI/OSAVI)、绿光归一化植被指数(GNDVI)、光化学植被指数(PRI)。
湿地水分条件的变化主要体现在湿地水位的变化,河流水文周期、降水、蒸散、潮汐、海平面上升、土壤蓄水量变化和农业用水都会影响湿地水位的变化,因此水位波动在湿地生态系统中是普遍存在的。湿地水位的波动导致湿地植被背景状态复杂多变,显现为不同含水量的土壤或为水表面等多种状态。来自湿地植被复杂背景的多种散射信号会明显降低氮浓度的估算精度。因此,需要改进氮指数来降低背景信号的影响,以较高的精度估算湿地植被冠层的氮浓度。
发明内容
本发明要解决的技术问题在于,针对湿地植被冠层氮浓度遥感监测存在的主要问题,提供一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法,构建一个基于高光谱植被指数NDNI/SAVI1510的准确性高、预测能力强的湿地植被冠层氮浓度监测模型。
本发明技术方案如下:根据本发明的一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法,包括如下步骤:
(1)湿地植被冠层光谱、叶面积指数(LAI)和氮浓度测量。
(2)Hyperion高光谱遥感影像预处理。采用ENVI软件的FIAASH大气校正模块对覆盖研究区的Hyperion高光谱遥感影像进行大气校正;参考landsat TM影像,采用二次多项式校正方法,对Hyperion影像进行几何校正。
(3)将SAVI指数改进为SAVI1510指数。以1510 nm波段取代了SAVI指数中的红光波段,由此改进后的指数SAVI1510公式为: ,R800和R1510分别代表在800nm和1510nm波段处的光谱反射率;L为土壤调节系数。
(4)构建应用于湿地植被冠层氮浓度监测的高光谱植被指数NDNI/SAVI1510。NDNI/SAVI1510指数,包括能够估算湿地植被冠层氮浓度的NDNI指数项,以及能够降低背景信号影响的SAVI1510指数项,其计算公式为:,R1680代表在1680 nm波段处的光谱反射率。
(5)高光谱植被指数NDNI/SAVI1510应用于湿地植被冠层氮浓度监测性能的评估。基于相同的实验测量数据,采用线性回归分析,分析并对比NDNI/SAVI1510和文献中出现的同用途指数各自与测量的湿地植被冠层氮浓度之间的相关关系,计算对应的决定系数(R2)和均方根误差(RMSE)。同时,考察这些指数对湿地背景影响的敏感性(即考察这些指数与LAI的相关关系)。
(6)基于高光谱植被指数NDNI/SAVI1510构建湿地植被冠层氮浓度监测模型。
所述步骤(3)中,SAVI1510指数中土壤调节系数L的取值方法:将LAI值分为0-1、1.1-2、2.1-3、3.1-4、4.1-5五组,L以增加步长0.1从0变化到1,采用指数函数来拟合SAVI1510指数与LAI的关系,基于决定系数值(R2)确定对应于不同LAI分组值的L最优值。
所述步骤(3)中,分别采用植被信号/土壤噪音比值(S/N)和TVI(LAI)两个指标,来评估SAVI1510指数的性能。综合两个指标的评估结果,在增加湿地植被敏感性和降低背景噪音干扰方面,SAVI1510指数比SAVI指数呈现较好的性能。
所述步骤(5)中,相比于其它指数,高光谱植被指数NDNI/SAVI1510与湿地植被冠层氮浓度(N%)线性拟合结果的决定系数值最高(R2=0.88),表现出对湿地植被冠层氮浓度较好的敏感性。同时,NDNI/SAVI1510与LAI的相关性最低,决定系数值R2=0.27,对湿地背景影响不敏感。综合结论为:高光谱植被指数NDNI/SAVI1510具有稳定的估算湿地植被冠层氮浓度的性能。
所述步骤(6)中,基于研究区实验测量数据,NDNI/SAVI1510与湿地植被冠层氮浓度的最佳拟合关系为多项式函数关系,研究区湿地植被冠层氮浓度监测模型为y = -0.013x2 - 7.490x + 6.511,决定系数值R2=0.81。将该监测模型应用于覆盖研究区的Hyperion高光谱遥感影像,估算位于盘锦湿地两个实验区域的湿地植被冠层氮浓度。结果显示,实测值与估算值之间相关性较高(R2=0.79),获取了两个实验区域的湿地植被冠层氮浓度空间分布图。
本发明的有益效果:本发明的一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法,降低了来自湿地植被复杂背景的多种散射信号对湿地植被冠层氮浓度估算精度的影响,能够以较高的精度估算湿地植被冠层氮浓度。
附图说明
图1是不同湿地植被覆盖密度时SAVI1510指数和SAVI指数植被信号/土壤噪音比值(S/N)对比图。
图2是不同湿地植被LAI时SAVI1510指数和SAVI指数的性能对比图。
图3是各指数与湿地植被冠层氮浓度(N%)线性拟合结果比较。
图4是各指数与LAI线性相关结果比较。
图5是高光谱植被指数NDNI/SAVI1510与研究区湿地植被冠层氮浓度拟合结果图。即确定了研究区湿地植被冠层氮浓度监测模型为y = -0.013x2 - 7.490x + 6.511。
图6是湿地植被冠层氮浓度的实验测量值与基于Hyperion高光谱遥感影像的监测模型估算值的对比散点图。
图7是基于Hyperion高光谱遥感影像采用本发明建立的湿地植被冠层氮浓度监测模型,估算的位于盘锦湿地两个实验区域湿地植被冠层氮浓度空间分布图。其中,(a)图是人工种植芦苇实验区域,(b)图是自然生长芦苇实验区域。
具体实施方式
1、湿地植被冠层光谱、叶面积指数(LAI)和氮浓度测量
实验测量时间应尽量配合Hyperion高光谱遥感影像获取时间。
①湿地植被光谱测量。
使用ASD便携式光谱仪(波长范围为350-2500nm,测量视场角为25°)进行湿地植被光谱反射率测量。测量时间选在天气晴朗、风速较小9:00-15:00h进行。在湿地植被冠层顶上方1m处进行冠层光谱测量(观测半径为22.2cm,面积为1548cm2),实验中使用的参考板为99%的朗伯体白板。每种样本选取10个均匀分布采样点,每个采样点测量10次,取平均值以消除偶然误差。
②湿地植被叶面积指数(LAI)测量。
使用冠层分析仪LAI-2000进行LAI测量。每次测量分两个步骤进行,第一次测量沿芦苇生长行列对角线横断面方向进行1次冠层上方和4次冠层下方测量,第二次重复测量时需要进行8次冠层下方测量。这种LAI测量方法获取的LAI值与真实值最为接近。
③湿地植被冠层氮浓度测量。
在冠层光谱测量和LAI测量完成后,立即采集每个采样点的样本湿地植被,保存在放置冰块的密闭保温箱中送往实验室,杀青并烘干后称重。采用凯氏定氮法测量湿地植被氮浓度。为了减少随机误差,提高准确性,需要进行平行实验。
2、Hyperion高光谱遥感影像预处理
将覆盖研究区的Hyperion高光谱遥感影像进行包括大气校正和几何校正的预处理。采用ENVI软件的FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)大气校正模块进行Hyperion影像的大气校正。采用覆盖研究区经过几何校正的landsat TM影像,进行Hyperion影像的几何校正。
3、改进SAVI指数(SAVI1510)
SAVI(土壤调节植被指数,Huete,1988)是一个广泛使用的能够减小大气和土壤背景影响的植被指数,其计算公式为:
式中,RNIR和RRED分别代表在近红外波段和红光波段的光谱反射率;L为土壤调节系数。Huete(1988)在SAVI指数中通过调整参数L,来反映第一层土壤表面的变化。基于实验结果,Huete发现植被覆盖密度的增加会导致参数L数值的降低,并提出参数L的条件赋值:低植被覆盖密度时L=1;中等植被覆盖密度时L=0.5;高植被覆盖密度时L=0.25。由此,Huete为了减少不同植被覆盖密度时的背景土壤噪音问题,将土壤调节系数L的最优值定为0.5。但是,一些研究(Qi等,1994;Gilabert等,2002)发现,将L的值定为常数0.5,会导致植被种类和时相变化响应信息的损失。
通常,土壤的反射率在可见光和近红外(VNIR)波长区域较低,在短波红外(SWIR,1200-2500 nm)波长区域缓慢增加。而且,随着土壤水分含量的增加,土壤反射率逐渐降低。在湿地中,随着湿地水位的变化而导致土壤水分含量的不同,作为植被冠层背景的土壤表面,其反射率可对应为水面、泥面和较干燥土壤面三种表面的反射率。在湿地植被背景状态复杂多变的条件下,将L的值定为常数值是不适合的,因此需要优化不同湿地植被覆盖密度时背景影响的归一化值。
本发明以1510 nm波段取代了SAVI指数中的红光波段。由此,改进后的SAVI1510指数计算公式为:
式中,R800和R1510分别代表在800nm和1510nm波段处的光谱反射率。SAVI1510指数中参数L的取值,需要进行叶面积指数(LAI)和SAVI1510指数之间的相关分析和对比来确定,基于决定系数值(R2)确定对应于不同LAI值的L最优值。为了追踪对应于不同LAI值的L最优值的细微变化,将LAI值分为0-1、1.1-2、2.1-3、3.1-4、4.1-5五组。对于LAI每个分组,分别采用线性函数(y=ax+b)、指数函数(y=aebx)、对数函数(y=a+blgx)、多项式函数(y=ax2+bx+c),来拟合SAVI1510指数与LAI的关系(SAVI1510指数为自变量,LAI为因变量)。同时,SAVI1510指数中参数L以增加步长0.1从0变化到1。
4、构建应用于湿地植被冠层氮浓度监测的高光谱植被指数(NDNI/SAVI1510)
基于氮吸收特征波段,NDNI(Serrano等,2002)以1500 nm波段作为预测波段,并以1680 nm波段作为参考波段,其计算公式为:
式中,R1680代表在1680 nm波段处的光谱反射率。NDNI指数虽常被用于植被氮浓度的估算,但一些研究发现植被物候变化和土壤背景信号影响了NDNI指数估算植被氮浓度的精度。
既然单一的植被指数通常不足以反映不同背景状态时的湿地植被冠层氮浓度,可以通过两个指数的组合来改进氮指数估算湿地植被冠层氮浓度的精度。由此,改进后的应用于湿地植被冠层氮浓度监测的高光谱植被指数,包括能够估算湿地植被冠层氮浓度的NDNI指数项,以及能够降低背景信号影响的改进SAVI指数项(SAVI1510),其计算公式为:
本发明构建的应用于湿地植被冠层氮浓度监测的高光谱植被指数(NDNI/SAVI1510)所具有的优点有:首先,该高光谱植被指数采用了1510nm波段,该波段为经生理实验确定的主要氮吸收特征波段,并被普遍采用应用于植被氮浓度的估算;其次,1510nm波段位于SWIR波长区域,因此包含了可见光和近红外波长区域所不能获取的独特吸收特征信息;第三,包含1510 nm波段的改进SAVI指数,可以直接反映背景信号对于氮吸收光谱特征的影响。
5、高光谱植被指数NDNI/SAVI1510应用于湿地植被冠层氮浓度监测性能的评估
既然所构建的高光谱植被指数NDNI/SAVI1510主要用于植被冠层氮浓度的监测,需要验证NDNI/SAVI1510指数的性能。即基于相同的实验测量数据,将NDNI/SAVI1510与文献中出现的同用途指数(包括NDNI指数和表1中列出的指数)在湿地植被冠层氮浓度估算中的性能表现进行对比。采用线性回归分析来确定各指数与测量的湿地植被冠层氮浓度之间的相关关系,计算决定系数(R2)和均方根误差(RMSE)。分析并对比这些指数与测量的湿地植被冠层氮浓度的线性回归结果,同时考察这些指数对湿地背景影响的敏感性(即考察这些指数与LAI的相关关系)。
6、基于高光谱植被指数NDNI/SAVI1510构建湿地植被冠层氮浓度监测模型
在对高光谱植被指数NDNI/SAVI1510监测湿地植被冠层氮浓度性能验证(包括对湿地植被冠层氮浓度敏感和对湿地背景影响不敏感两个方面)的基础上,利用研究区的实验测量数据,建立以NDNI/SAVI1510为自变量的湿地植被冠层氮浓度监测模型。
7、实际具体的实施:
本发明应用于位于中国辽宁省盘锦湿地的研究区。盘锦湿地地处渤海辽宁湾顶部双台河入海处(东经40°45′-41°10′,北纬121°45′-122°00′),属暖温带大陆性半湿润季风气候。该地区主要河流为双台子河、大辽河、大陵河和饶阳河,在其与海洋的交互作用下形成了面积巨大的湿地生态系统。在该地区建立的盘锦双台河口湿地国家级自然保护区,是全国最大的湿地自然保护区。湿地主要植被类型为芦苇,其芦苇面积居世界第一。因此,研究区是监测湿地植被冠层氮浓度的典型区域。本发明以芦苇为实验对象。
①研究区实验数据测量和Hyperion高光谱遥感影像预处理
湿地植被芦苇的冠层光谱和LAI测量应同时进行,以保证在近乎相同的光照条件下。之后,应立即实施湿地植被芦苇冠层氮浓度的测量。
使用FLAASH大气校正模块对Hyperion影像进行大气校正时,大气输入参数采用了模块的缺省值,包括初始能见度(40km)、气溶胶scale高度(2km)、CO2混合比(390ppm)。大气模型选择中纬度夏季(Mid-Latitude Summer),气溶胶模型选择乡村(Rural)。其它输入参数可从影像的元数据中获取。
对Hyperion影像进行几何校正时,以TM影像为参考影像,选择40个地面控制点(GCP),采用二次多项式校正方法,重采样选择双线性内插法,误差控制在1个像元左右。
②土壤调节系数L的估算。
基于研究区的实验测量数据,以本发明所述方法估算土壤调节系数L。结果显示,拟合SAVI1510指数与LAI关系的最佳函数形式为指数函数,其决定系数值(R2)大于0.82,因此选用指数函数估算土壤调节系数L。对应于不同LAI分组值的L最优值如表2所示:
由于所构建的高光谱植被指数NDNI/SAVI1510包含SAVI1510指数项,因此首先需要对SAVI1510指数进行评估。分别采用植被信号/土壤噪音比值(S/N)和TVI(LAI)两个指标(Qi等,1994;Gilabert等,1998),来评估SAVI1510指数的性能,计算公式分别为:
图1为不同湿地植被覆盖密度时植被信号/土壤噪音比值(S/N)。如图1所示,SAVI1510指数的S/N值明显高于SAVI指数的S/N值。这反映了在不同湿地背景条件下,SAVI1510指数比SAVI指数的敏感性高。而且,低湿地植被覆盖密度时SAVI1510指数敏感性的改进,有助于减少背景影响精确提取湿地植被冠层氮浓度信息。
图2为不同湿地植被LAI时SAVI1510指数和SAVI指数的性能。T(%)代表TVI(LAI)公式的计算结果值,其值随着植被指数性能的提高而降低。如图2所示,对比于SAVI指数,SAVI1510指数在不同LAI时均呈现较低的T值。
综合图1和图2的结果,在增加湿地植被敏感性和降低背景噪音干扰方面,SAVI1510指数比SAVI指数呈现较好的性能。
④高光谱植被指数NDNI/SAVI1510对湿地植被冠层氮浓度敏感性的评估。
图3为各指数与湿地植被冠层氮浓度(N%)线性拟合结果比较。高光谱植被指数NDNI/SAVI1510呈现最高的决定系数值R2=0.88。相比于其它指数,高光谱植被指数NDNI/SAVI1510表现出对湿地植被冠层氮浓度(N%)较好的敏感性,因此基于高光谱植被指数NDNI/SAVI1510监测湿地植被冠层氮浓度的方法是可行的。
⑤高光谱植被指数NDNI/SAVI1510对湿地背景影响不敏感性的评估。
鉴于湿地植被复杂背景的影响会明显降低其氮浓度的估算精度,可以成功应用于湿地植被冠层氮浓度监测的高光谱植被指数,既要表现出对湿地植被冠层氮浓度敏感的性能,又应表现出对背景影响不敏感的性能。LAI是一个与背景影响程度负相关的参量,因此考察指数与LAI的相关关系,可以反映指数对背景影响的敏感程度。比较所构建的高光谱植被指数NDNI/SAVI1510和其他同用途指数(同上),分别与LAI的相关关系。
图4为各指数与LAI线性相关结果比较。在参加比较的指数中,高光谱植被指数NDNI/SAVI1510与LAI的相关性最低,决定系数值R2=0.27。因此,可以证明高光谱植被指数NDNI/SAVI1510对湿地背景影响不敏感。
综合高光谱植被指数NDNI/SAVI1510对湿地植被冠层氮浓度敏感和对湿地背景影响不敏感的性能表现,可以得出结论:高光谱植被指数NDNI/SAVI1510具有稳定的估算湿地植被冠层氮浓度的性能。
⑥基于高光谱植被指数NDNI/SAVI1510的湿地植被冠层氮浓度监测模型在研究区的估算应用。
根据实验测量数据,构建基于高光谱植被指数NDNI/SAVI1510的湿地植被冠层氮浓度监测模型。NDNI/SAVI1510与湿地植被冠层氮浓度的最佳拟合关系为多项式函数关系,研究区湿地植被冠层氮浓度监测模型为y = -0.013x2 - 7.490x + 6.511(图5),决定系数值R2=0.81。然后,将该监测模型应用于覆盖研究区的Hyperion高光谱遥感影像,估算位于盘锦湿地两个实验区域(包括一个自然生长芦苇的实验区域和一个人工种植芦苇的实验区域)的湿地植被冠层氮浓度。根据Hyperion高光谱遥感影像的波段设置,选取803.3 nm、1507.7 nm和 1679.2 nm三个波段计算高光谱植被指数NDNI/SAVI1510,因为这三个波段最接近于所构建的NDNI/SAVI1510指数建议使用的波长。
图6为湿地植被冠层氮浓度的实验测量值与基于Hyperion高光谱遥感影像的监测模型估算值的对比散点图。图6显示了实测值与估算值之间较高的相关性,决定系数值R2=0.79,RMSE=0.53。
图7为基于Hyperion高光谱遥感影像采用本发明建立的湿地植被冠层氮浓度监测模型,估算的两个实验区域湿地植被冠层氮浓度空间分布结果。图7将湿地植被冠层氮浓度估算值分为6个级别(除了数值小于1.0的土壤和河流):大于6.0、5.1-6.0、4.1-5.0、3.1-4.0、2.1-3.0、1.0-2.0(图中数值单位为%)。由于外来施氮水平的差异,图中湿地植被冠层氮浓度的空间分布特征和异质性差异较为明显。因为定期较高的施氮水平,人工种植芦苇的实验区域(图7a)比自然生长芦苇的实验区域(图7b)具有较高的氮浓度估算值,而且破碎化的分布特征在后者更为明显。
结果表明,基于本发明所构建的高光谱植被指数NDNI/SAVI1510建立的湿地植被冠层氮浓度监测模型,其准确性较高,预测能力较强。
以上所述仅是本发明的具体实施方式,本领域技术人员知悉,在不脱离本发明原理的前提下,可以进行若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (4)
1.一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法,其特征在于:包括如下步骤:
步骤一、湿地植被冠层光谱、叶面积指数(LAI)和氮浓度测量;
步骤二、Hyperion高光谱遥感影像预处理,采用ENVI软件的FIAASH大气校正模块对覆盖研究区的Hyperion高光谱遥感影像进行大气校正,参考landsat TM影像,采用二次多项式校正方法,对Hyperion影像进行几何校正;
步骤三、将SAVI指数改进为SAVI1510指数,以1510 nm波段取代了SAVI指数中的红光波段,由此改进后的指数SAVI1510公式为: , R800和R1510分别代表在800nm和1510nm波段处的光谱反射率;L为土壤调节系数;
步骤四、构建应用于湿地植被冠层氮浓度监测的高光谱植被指数NDNI/SAVI1510,所述NDNI/SAVI1510指数,包括能够估算湿地植被冠层氮浓度的NDNI指数项,以及能够降低背景信号影响的SAVI1510指数项,其计算公式为:,其中,R1680代表在1680 nm波段处的光谱反射率;
步骤五、高光谱植被指数NDNI/SAVI1510应用于湿地植被冠层氮浓度监测性能的评估,基于相同的实验测量数据,采用线性回归分析,分析并对比NDNI/SAVI1510和文献中出现的同用途指数各自与测量的湿地植被冠层氮浓度之间的相关关系,计算对应的决定系数(R2)和均方根误差(RMSE);
步骤六、基于高光谱植被指数NDNI/SAVI1510构建湿地植被冠层氮浓度监测模型。
2.根据权利要求1所述的一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法,其特征在于,所述步骤三中,SAVI1510指数中土壤调节系数L的取值方法:将LAI值分为0-1、1.1-2、2.1-3、3.1-4、4.1-5五组,L以增加步长0.1从0变化到1,采用指数函数来拟合SAVI1510指数与LAI的关系,基于决定系数值(R2)确定对应于不同LAI分组值的L最优值。
4.根据权利要求1所述的一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法,其特征在于:所述步骤五中,相比于其它指数,高光谱植被指数NDNI/SAVI1510与湿地植被冠层氮浓度(N%)线性拟合结果的决定系数值最高,表现出对湿地植被冠层氮浓度较好的敏感性,同时,NDNI/SAVI1510与LAI的相关性最低,对湿地背景影响不敏感。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410111720.5A CN103868860B (zh) | 2014-03-25 | 2014-03-25 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410111720.5A CN103868860B (zh) | 2014-03-25 | 2014-03-25 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103868860A true CN103868860A (zh) | 2014-06-18 |
CN103868860B CN103868860B (zh) | 2016-04-13 |
Family
ID=50907630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410111720.5A Expired - Fee Related CN103868860B (zh) | 2014-03-25 | 2014-03-25 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103868860B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992068A (zh) * | 2015-08-13 | 2015-10-21 | 四川农业大学 | 一种表层土壤氮素分布的预测方法 |
CN105043992A (zh) * | 2015-07-17 | 2015-11-11 | 辽宁师范大学 | 一种湿地土壤硝化微生物群落高光谱遥感监测方法 |
CN106226212A (zh) * | 2016-08-30 | 2016-12-14 | 上海交通大学 | 基于深度残差网络的高光谱霾监测方法 |
CN106501454A (zh) * | 2016-10-31 | 2017-03-15 | 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 |
CN107690925A (zh) * | 2017-11-09 | 2018-02-16 | 湖南杂交水稻研究中心 | 一种杂交水稻精确追肥方法 |
CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
CN109115951A (zh) * | 2018-07-31 | 2019-01-01 | 东北农业大学 | 基于冠层结构与冠层光谱的水稻植株全氮估测方法 |
CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
CN109596577A (zh) * | 2018-11-12 | 2019-04-09 | 河南农业大学 | 小麦白粉病病情监测模型的构建方法及宽角度适应的监测方法 |
CN109993062A (zh) * | 2019-03-04 | 2019-07-09 | 辽宁师范大学 | 一种湿地植被根际土壤微生物高光谱植被指数监测方法 |
CN111007042A (zh) * | 2019-12-24 | 2020-04-14 | 中央民族大学 | 一种基于遥感数据异质性的群落多样性估测方法 |
CN112986158A (zh) * | 2021-02-23 | 2021-06-18 | 内蒙古农业大学 | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 |
CN114813587A (zh) * | 2022-05-23 | 2022-07-29 | 西南大学 | 一种花椒树冠层氮浓度无损诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
CN103196838A (zh) * | 2013-03-15 | 2013-07-10 | 辽宁师范大学 | 一种海岸河口富营养化高光谱遥感监测方法 |
CN103293111A (zh) * | 2013-06-07 | 2013-09-11 | 南京农业大学 | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 |
-
2014
- 2014-03-25 CN CN201410111720.5A patent/CN103868860B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
CN103196838A (zh) * | 2013-03-15 | 2013-07-10 | 辽宁师范大学 | 一种海岸河口富营养化高光谱遥感监测方法 |
CN103293111A (zh) * | 2013-06-07 | 2013-09-11 | 南京农业大学 | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 |
Non-Patent Citations (4)
Title |
---|
J. QI,等: "A Modified Soil Adjusted Vegetation Index", 《REMOTE SENS. ENVIRON.》, vol. 48, 31 May 1994 (1994-05-31) * |
LYDIA SERRANO: "Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS data: Decomposing biochemical from structural signals", 《REMOTE SENSING OF ENVIRONMENT》, vol. 81, 31 August 2002 (2002-08-31) * |
M.A. GILABERT等: "A generalized soil-adjusted vegetation index", 《REMOTE SENSING OF ENVIRONMENT》, vol. 82, 30 October 2002 (2002-10-30) * |
王莉雯等: "植被氮素浓度高光谱遥感反演研究进展", 《光谱学与光谱分析》, vol. 33, no. 10, 30 October 2013 (2013-10-30), pages 2823 - 2827 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043992B (zh) * | 2015-07-17 | 2018-01-09 | 辽宁师范大学 | 一种湿地土壤硝化微生物群落高光谱遥感监测方法 |
CN105043992A (zh) * | 2015-07-17 | 2015-11-11 | 辽宁师范大学 | 一种湿地土壤硝化微生物群落高光谱遥感监测方法 |
CN104992068B (zh) * | 2015-08-13 | 2018-10-26 | 四川农业大学 | 一种表层土壤氮素分布的预测方法 |
CN104992068A (zh) * | 2015-08-13 | 2015-10-21 | 四川农业大学 | 一种表层土壤氮素分布的预测方法 |
CN106226212A (zh) * | 2016-08-30 | 2016-12-14 | 上海交通大学 | 基于深度残差网络的高光谱霾监测方法 |
CN106226212B (zh) * | 2016-08-30 | 2018-10-19 | 上海交通大学 | 基于深度残差网络的高光谱霾监测方法 |
CN106501454A (zh) * | 2016-10-31 | 2017-03-15 | 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 |
CN107690925B (zh) * | 2017-11-09 | 2020-01-31 | 湖南杂交水稻研究中心 | 一种杂交水稻精确追肥方法 |
CN107690925A (zh) * | 2017-11-09 | 2018-02-16 | 湖南杂交水稻研究中心 | 一种杂交水稻精确追肥方法 |
CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
CN109115951A (zh) * | 2018-07-31 | 2019-01-01 | 东北农业大学 | 基于冠层结构与冠层光谱的水稻植株全氮估测方法 |
CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
CN109141371B (zh) * | 2018-08-21 | 2020-04-03 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
CN109596577A (zh) * | 2018-11-12 | 2019-04-09 | 河南农业大学 | 小麦白粉病病情监测模型的构建方法及宽角度适应的监测方法 |
CN109993062A (zh) * | 2019-03-04 | 2019-07-09 | 辽宁师范大学 | 一种湿地植被根际土壤微生物高光谱植被指数监测方法 |
CN109993062B (zh) * | 2019-03-04 | 2022-11-18 | 辽宁师范大学 | 一种湿地植被根际土壤微生物高光谱植被指数监测方法 |
CN111007042A (zh) * | 2019-12-24 | 2020-04-14 | 中央民族大学 | 一种基于遥感数据异质性的群落多样性估测方法 |
CN112986158A (zh) * | 2021-02-23 | 2021-06-18 | 内蒙古农业大学 | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 |
CN114813587A (zh) * | 2022-05-23 | 2022-07-29 | 西南大学 | 一种花椒树冠层氮浓度无损诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103868860B (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103868860B (zh) | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 | |
CN103196838B (zh) | 一种海岸河口富营养化高光谱遥感监测方法 | |
Pan et al. | Extracting desertification from Landsat TM imagery based on spectral mixture analysis and Albedo-Vegetation feature space | |
Novoa et al. | Water quality assessment using satellite-derived chlorophyll-a within the European directives, in the southeastern Bay of Biscay | |
Sjöström et al. | Evaluation of satellite based indices for gross primary production estimates in a sparse savanna in the Sudan | |
Karbalaei Saleh et al. | Spatiotemporal ecological quality assessment of metropolitan cities: A case study of central Iran | |
CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
Xie et al. | Calculating NDVI for Landsat7-ETM data after atmospheric correction using 6S model: A case study in Zhangye city, China | |
Yan et al. | Mapping dustfall distribution in urban areas using remote sensing and ground spectral data | |
Ward et al. | Infrared and millimetre-wave scintillometry in the suburban environment–Part 1: Structure parameters | |
CN108876172B (zh) | 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 | |
Gámiz-Fortis et al. | Spatio-temporal variability in Ebro river basin (NE Spain): Global SST as potential source of predictability on decadal time scales | |
Shi et al. | Classification of inland waters based on bio-optical properties | |
Hang et al. | Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm | |
CN111783288A (zh) | 基于Landsat8对黄河三角洲土壤盐分的反演方法 | |
Abdelal et al. | Assessment of Sentinel-2 and Landsat-8 OLI for small-scale inland water quality modeling and monitoring based on handheld hyperspectral ground truthing | |
Yu et al. | Secchi depth inversion and its temporal and spatial variation analysis—A case study of nine plateau lakes in Yunnan Province of China | |
Qi et al. | Soil salinity inversion in coastal cotton growing areas: An integration method using satellite‐ground spectral fusion and satellite‐UAV collaboration | |
Sherman et al. | Chlorophyll dynamics from Sentinel-3 using an optimized algorithm for enhanced ecological monitoring in complex urban estuarine waters | |
CN112924401A (zh) | 一种植被冠层叶绿素含量半经验反演方法 | |
Yuan et al. | Selection of spectral channels for satellite sensors in monitoring yellow rust disease of winter wheat | |
Lao et al. | Retrieval of chlorophyll content for vegetation communities under different inundation frequencies using UAV images and field measurements | |
Wang et al. | Coupling analysis of surface runoff variation with atmospheric teleconnection indices in the middle reaches of the Yangtze River | |
Hong-wei et al. | The Modification of Difference Vegetation Index (DVI) in middle and late growing period of winter wheat and its application in soil moisture inversion | |
Yue et al. | Remote sensing of suspended particulate matter in optically complex estuarine and inland waters based on optical classification |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160413 Termination date: 20170325 |