CN107561022B - 一种改进的植物叶片干物质含量高光谱遥感反演方法 - Google Patents
一种改进的植物叶片干物质含量高光谱遥感反演方法 Download PDFInfo
- Publication number
- CN107561022B CN107561022B CN201710589601.4A CN201710589601A CN107561022B CN 107561022 B CN107561022 B CN 107561022B CN 201710589601 A CN201710589601 A CN 201710589601A CN 107561022 B CN107561022 B CN 107561022B
- Authority
- CN
- China
- Prior art keywords
- model
- mod
- transmittance
- inversion
- parameter
- 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.)
- Active
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种更准确地利用高光谱遥感数据结合辐射传输模型反演植被叶片干物质含量的方法。在现有应用最广泛的叶片辐射传输模型的基础上,在其叶片内部散射的计算过程中加入一个散射调整因子;并将散射调整因子作为反演过程中的中间变量用其它参数表示,避免加重模型病态反演出现的可能性,实现了不增加反演过程中的参数而达到对单层透过率作校正的目的,校正模型在模拟内部散射方面存在的偏差;进而利用改进模型(PROSPECT‑fs),由高光谱遥感数据寻优反演从而得到叶片干物质含量。利用实地测量的叶片高光谱遥感数据和生化参数数据对本方法进行了验证,结果表明干物质含量反演精度有了较大的提高,证明了本方法的可靠性和实用性。
Description
一、技术领域
本发明涉及一种利用改进的植物叶片辐射传输模型(PROSPECT-5模型)针对高光谱遥感数据反演叶片生物化学参数(干物质含量)的方法。具体地说,是考虑叶片内部结构特征的多样性,在PROSPECT-5模型输入参数中的结构参数N的基础上更进一步考虑叶片内部结构对叶片光谱的影响,使模型能更好地捕捉到叶片光学属性对叶片内部生化参数含量及结构特征的响应,从而降低由于叶片结构特征估算的不确定性对叶片生化参数估算的影响,进而能更好地反演叶片干物质含量的方法,属于遥感定量反演植被生物化学参数方法的研究领域。
二、背景技术
植物叶片生物化学参数(以下简称生化参数)如叶绿素、类胡萝卜素、水分、纤维素以及木质素和蛋白质(三者常统称为干物质)等,是影响植物生长的关键生理因素。这些生化参数为植物光合作用提供原材料,影响叶片内部光化学反应的环境,是决定植物光合作用能力的重要因素,在陆地生态系统碳循环中起到了至关重要的作用。这些生化参数也能较准确地反映植物的生长状态和发育阶段,对于监测植被对环境胁迫的生理响应与适应有重要意义。
随着遥感技术的飞速发展,诸如MODIS、MERIS、TM/ETM+、Sentinel-2MSI及Hyperion等多光谱及高光谱卫星传感器为植被生化参数的遥感反演提供了可靠的数据基础,推动了大范围长时间序列的植被生化参数的遥感监测研究与应用。如何准确地获取大区域尺度上的、多时间序列的植被生化参数含量是研究全球陆地生态系统碳循环亟需解决的问题。冠层和叶片尺度辐射传输模型能够模拟冠层或叶片内部光的辐射传输过程,具有较强的物理基础且具有普适性,将冠层尺度与叶片尺度的辐射传输模型耦合,是大区域范围内针对多种物种植被生化参数反演的较稳定可行的方法,且已有大量应用。在这种耦合冠层与叶片模型的方法中,叶片尺度的辐射传输模型直接将叶片生化参数和叶片光谱联系起来,是研究叶片生化参数对冠层光谱影响的基础,其模型精度直接影响了从冠层到叶片生化参数遥感反演的结果。
Jacquemoud和Baret在“Remote Sensing of Environment”1990年第34卷“PROSPECT:A model of leaf optical properties spectra”一文中提出PROSPECT模型,后经多个版本的改进,该模型可根据叶片叶绿素、类胡萝卜素、水分和干物质这几个生化参数及一个结构参数来模拟400-2500纳米叶片的半球反射率和透射率,通过其模型反演可由叶片反射率和透射率估算叶片生化参数的含量。它以较少的模型输入参数能达到较好的模拟结果,简单易用,成为目前叶片尺度应用最广泛的辐射传输模型,已成功应用于生长于不同地区和不同物种的冠层和叶片尺度植被生化参数的遥感反演并取得到较好的结果。
在不同的生态系统中,由于物种、生长阶段和外部环境等的差异会带来诸如叶片厚度、叶肉组织密度、气泡大小及分布等不同,导致叶片内部结构复杂多样。叶片内部结构直接影响了进入叶片内部光的散射过程,进而影响叶片的反射率和透射率。叶片内部结构的差异也可能会体现在叶片各生化参数的含量和比例上。在PROSPECT-5模型中叶片被假设为由多层同质的基本层叠加而成,每个基本层的结构是固定的,其折射率也不随样本变化,因此PROSPECT-5模拟的不同叶片内部结构的变化主要受层数(即结构参数N)的影响。PROSPECT-5中的结构参数与叶片内部生化参数的含量有一定的相关性,也能在一定程度上体现生化参数变化带来的部分结构变化。
然而,尽管PROSPECT-5能较好地模拟大部分样本,但对于部分样本也存在较大偏差。应用PROSPECT-5反演叶片干物质含量时,由于水分对吸收的主导作用以及模型在内部散射方面可能存在的偏差,导致PROSPECT-5在反演叶片(尤其是新鲜叶片)干物质含量方面结果并不太理想。造成这些样本模拟结果误差大的原因可能是由于光谱对内部结构特征的响应与模型假设有一定的差别所造成;另外PROSPECT中仅用一个结构参数来显式表达不同样本之间结构的差异,这可能也不足以表达结构差异对光谱的影响。
在近红外波段(700-1300纳米)由于各生化参数的吸收较低,叶片光学属性主要受叶片内部多次散射的影响,取决于叶片内部结构特征及组织之间光学属性差异。Feret等人在“PROSPECT-4 and 5:Advances in the leaf optical properties model separatingphotosynthetic pigments”一文中指出,将PROSPECT-5应用到某些数据集时在近红外波段模拟的叶片光谱与实测相差较大。在短波红外波段由于水分吸收占主导地位,干物质吸收对光谱的贡献较小;而在近红外波段虽然所有生化参数的吸收均较弱,但干物质的吸收相对其它生化参数来说对光谱的贡献最大,因此近红外波段反射率和透射率的模拟除了受散射的影响外,主要受干物质的影响,故近红外波段散射模拟的准确性也会影响干物质反演的精度,这也从侧面说明了PROSPECT-5在散射模拟方面需要进一步的改进。另外,干物质是叶片内部细胞壁等重要的组成成分,其含量也与叶片内部结构有一定的关系。
相对于叶片内部复杂的情况来说,仅用一个结构参数可能无法较准确地表达不同叶片结构上的差异,进而使得模型无法较好地捕捉到叶片内部生化参数及结构参数变化对叶片光学属性的影响,从而给生化参数的反演带来了一些误差。因此,需要更进一步地考虑叶片内部结构特征对反射率和透射率的影响。因此,为了满足生态系统碳循环模拟等方面对植被生化参数遥感反演的需求,通过耦合冠层到叶片辐射传输模型方法来较准确地反演大区域范围叶片生化参数,迫切需要更进一步地考虑叶片结构特性来改进叶片尺度叶片生化参数与光学属性之间关系的模拟,进而提高叶片乃至冠层尺度生化参数反演的精度。
三、发明内容
本发明的目的是:
基于实测的高光谱和生化参数含量数据,在原PROSPECT-5模型的基础上,更进地一步地考虑叶片内部结构对光的散射的影响,增加一个散射调整因子,校正PROSPECT-5模型在反演过程中模拟内部散射方面可能存在的偏差,提高模型反演干物质含量的精度。利用实地测量的叶片高光谱和生化参数数据对算法进行验证。
本发明的原理如下:
针对PROSPECT-5模型在模拟内部散射方面可能存在的偏差,加入一个散射调整因子fs对叶片单层透过率θ进行校正,以改进近红外波段反射率和透射率的模拟,并提高干物质的反演精度。为了避免在模型中增加参数从而导致反演时可能带来的病态反演问题,将fs作为模型反演的中间参数用其它参数表示出来,而不作为独立的模型输入参数。
本发明的技术方案主要包括以下步骤:
首先是数据采集与处理:
(1)采集植物叶片样本,测量叶片高光谱和生化参数:在植物叶片采摘下后立即进行叶片光谱(包括反射率和透射率)测量,采用高光谱测量仪器FieldSpec3(美国ASD公司)与积分球(RTS 3ZC,美国ASD公司)结合的方法。随后利用打孔器对叶片进行采样,打孔器所取的圆片的面积是固定且已知的,将采好的样装入密封袋放入冰箱保存,并尽快带回实验室。每个样本分为两份,一份用于叶绿素和类胡萝卜素测量,另一份用于水分和干物质的测量。首先取一份采用实验室研磨法用丙酮萃取叶绿素和类胡萝卜素,用分光光度计进行测量(UV1800,日本岛津公司)并计算叶绿素(Cab)和类胡萝卜素(Cxc)含量;另一份用高精度天平(1/1000精度,德国塞多利斯)测量叶片的鲜重,随后放入烘箱用70摄氏度至少烘48小时,直到叶片重量变化很小,测量叶片干重。叶片水分含量即可由叶片鲜重和干重之差求得,再除以面积即可得到所需的叶片水分含量EWT;叶片干重与面积之比即为干物质含量LMA。
(2)计算结构参数N:利用近红外波长范围内吸收最小、反射最大和透射率最大的三个波长λ1,λ2和λ3,通过寻优使得下面的代价函数最小,从而求得模型结构参数N:
其中kλ1,kλ2,kλ3分别为叶片在λ1,λ2和λ3三个波长处的总吸收系数,Rmes和Tmes为实测叶片反射率和透射率,Rmod和Tmod是指PROSPECT-5模型模拟的反射率和透射率。
(3)计算校正后的单层透过率选取PROSPECT-5模拟的吸收最小的波长1073纳米作为散射作用最强的波长λ0,根据实测的反射率和透射率以及求得的结构参数N,通过寻优使得下面的代价函数最小,从而求吸收最小波长λ0的单层透过率
然后,修正PROSPECT-5模型,修正后的模型记为PROSPECT-fs,并由遥感获得的反射率Rmes和透射率Tmes反演生化参数含量:
(4)给定五个生化参数含量Cab、Cxc、Cb、EWT和LMA的初始值;
kmod(λ0)=(EWTmod×kspe,w(λ0)+LMAmod×kspe,m(λ0))/N (3)
kspe,w(λ0)和kspe,m(λ0)分别为水分和叶片干物质在λ0处的吸收系数。公式中EWTmod和LMAmod非实测值,而是模型反演过程中的输入参数,因此用下标mod加以区分。
(7)将求得的散射调整因子fs应用到400-2500纳米波长范围,对原模型模拟的单层透过率作校正:
θ′=θ·fS (6)
其中θ为模型中模拟的单层透过率,θ’为校正后的单层透过率。透过率θ由单层吸收系数k通过以下公式计算得到:
k取决于叶片各生化参数的含量以及对应的吸收系数:
其中λ为波长,Ci是指生化参数i的含量,kspe,i是相应生化参数的吸收系数,模型中各物质的吸收系数为常数,N为结构参数。
(8)模拟反射率和透射率:根据修正后的单层透过率,在原PROSPECT-5基础上计算模拟的反射率和透射率:
[Rmod(λ),Tmod(λ)]=PROSPECT-fs(Cab,Cxc,Cb,EWTmod,LMAmod,N). (9)
(9)模型寻优:将步骤(8)中模拟得到的反射率Rmod和透射率Tmod与实测的反射率Rmes和透射率Tmes进行比较,计算下面的代价函数:
若代价函数满足最优化条件,即得到五个生化参数Cab、Cxc、Cb、EWT和LMA的反演结果;若不满足最优化条件,则修改生化参数的值,重复步骤(5)到步骤(9)直到满足最优化条件得到反演结果。以上所有寻优均利用Matlab软件中的FMINSEARCH.M软件包(美国MathWorks公司)进行优化得到。
具体有益效果如下:
本发明考虑叶片内部结构的复杂性以及其对叶片内部光的散射的影响,在PROSPECT-5模型中引入一个散射调整因子,对模型中叶片内部散射的模拟进行校正,提供了一种更准确的利用辐射传输模型反演植被干物质含量的方法。本发明可将散射调整因子fs用水分和干物质含量、结构参数以及由反射率和透射率求得的吸收最小波长的校正后的单层透过率表示出来,实现了不增加反演过程中的参数而达到对单层透过率作校正的目的,进而校正模型在模拟内部散射方面可能存在的偏差,提高利用高光谱遥感反演干物质含量的精度。
四、附图说明
图1为本发明的流程示意图;
图2为六个数据集估算的fs分布直方图;
图3针对六个数据集利用PROSPECT-5模型和PROSPECT-fs模型反演的干物质含量与实测结果的对比图。
五、具体实施方式
以下通过实例对本发明作进一步解释:
以六个数据集(LOPEX,ANGERS,XS,NX,BM和JTL,共1073组样本)为实例,据技术方案步骤(1)和步骤(2)所述,通过MATLAB程序的FMINSEARCHBND寻优方法计算所有样本的结构参数N。寻优计算过程中的N初始值设为1.5,变化范围1-5,3个波长的吸收系数k初始值设为0.01,变化范围0-1。
根据技术方案步骤(7)所述,在模型中将求得的fs应用到整个波段范围(400-2500纳米)对单层的透过作校正。
根据技术方案步骤(8)所述,根据修正后的单层透过率,在原PROSPECT-5基础上计算模拟的反射率和透射率。
根据技术方案步骤(9)所述,针对六个数据集的数据,利用PROSPECT-fs模型在上述5个步骤改进的基础上,通过寻优方法反演五个生化参数:Cab、Cxc、Cb、EWT和LMA。在模型反演过程中fs作为中间参数由其它参数表示。将改进后的模型与PROSPECT-5模型反演的LMA含量进行对比,附图3结果证明PROSPECT-fs模型比PROSPECT-5模型反演干物质含量的精度有较大的提高。
Claims (2)
1.一种改进的植物叶片干物质含量高光谱遥感反演方法,其主要包括以下步骤:
首先是数据采集与处理:
(1)采集叶片样本,测量叶片高光谱和生化参数:利用积分球和ASD光谱仪观测叶片样本的反射率Rmes和透射率Tmes;并测量叶绿素含量Cab、类胡萝卜素含量Cxc、花青素含量Cb、叶片含水量EWT和干物质含量LMA;
(2)计算结构参数N,利用近红外波长范围内吸收最小、反射最大和透射率最大的三个波长λ1,λ2和λ3,通过寻优使得下面的代价函数最小,求得模型结构参数N:
其中kλ1,kλ2,kλ3分别为叶片在λ1,λ2和λ3三个波长处的总吸收系数,Rmes和Tmes为实测叶片反射率和透射率,Rmod和Tmod是指PROSPECT-5模型模拟的反射率和透射率;
(3)计算校正后的单层透过率选取PROSPECT-5模拟的吸收最小波长1073纳米作为散射作用最强的波长λ0,根据实测的反射率和透射率以及求得的结构参数N,通过寻优使得下面的代价函数最小,求吸收最小波长λ0的单层透过率
然后,修正PROSPECT-5模型,并由遥感获得的反射率Rmes和透射率Tmes反演生化参数含量:
(4)首先给定五个生化参数含量Cab、Cxc、Cb、EWT和LMA的初始值;
kmod(λ0)=(EWTmod×kspe,w(λ0)+LMAmod×kspe,m(λ0))/N (3)
其中kspe,w(λ0)和kspe,m(λ0)分别为水分和干物质在波长λ0处的吸收系数,公式中EWTmod和LMAmod是模型反演过程中的输入参数;
(7)将求得的散射调整因子fs应用到400-2500纳米波长范围,对原模型模拟的单层透过率作校正:
θ′=θ·fs (6)
其中θ为模型中模拟的400-2500纳米波长范围的单层透过率,θ’为校正后的单层透过率,透过率θ由单层吸收系数k通过以下公式计算得到:
k取决于叶片各生化参数的含量以及对应的吸收系数:
其中λ为波长,Ci是指生化参数i的含量,kspe,i是相应生化参数的吸收系数,模型中各物质的吸收系数为常数,N为结构参数;
(8)模拟反射率和透射率,根据修正后的单层透过率,在原PROSPECT-5基础上计算模拟的反射率和透射率:
[Rmod(λ),Tmod(λ)]=PROSPECT-fs(Cab,Cxc,Cb,EWTmod,LMAmod,N). (9)
(9)模型寻优,将步骤(8)模拟得到的反射率Rmod和透射率Tmod与实测的反射率Rmes和透射率Tmes进行比较,计算下面的代价函数:
若代价函数满足最优化条件,即得到五个生化参数Cab、Cxc、Cb、EWT和LMA的反演结果;若不满足最优化条件,则修改生化参数的值,重复步骤(5)到步骤(9)直到满足最优化条件得到反演结果。
2.根据权利要求1所述的一种改进的植物叶片干物质含量高光谱遥感反演方法,其特征在于步骤(6)和步骤(7)中,加入一个散射调整因子fs对叶片单层透过率θ进行校正,fs仅作为模型反演的中间参数,而不作为独立的模型输入参数,避免在模型中增加参数而导致反演时潜在的病态反演问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589601.4A CN107561022B (zh) | 2017-07-10 | 2017-07-10 | 一种改进的植物叶片干物质含量高光谱遥感反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589601.4A CN107561022B (zh) | 2017-07-10 | 2017-07-10 | 一种改进的植物叶片干物质含量高光谱遥感反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107561022A CN107561022A (zh) | 2018-01-09 |
CN107561022B true CN107561022B (zh) | 2020-07-10 |
Family
ID=60973679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710589601.4A Active CN107561022B (zh) | 2017-07-10 | 2017-07-10 | 一种改进的植物叶片干物质含量高光谱遥感反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107561022B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702628B (zh) * | 2019-10-26 | 2022-10-11 | 山东科技大学 | 基于连续小波分析的光谱指数模型估算植被叶片叶绿素含量的方法 |
CN111220552B (zh) * | 2020-01-15 | 2022-10-04 | 杭州电子科技大学 | 考虑光照方向叶片辐射传输模型的叶绿素高光谱反演方法 |
CN113310904B (zh) * | 2021-06-15 | 2023-04-07 | 东南大学 | 一种植被覆盖下的土壤光谱还原的图像处理方法 |
CN113865523A (zh) * | 2021-09-29 | 2021-12-31 | 中国科学院东北地理与农业生态研究所 | 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法 |
CN113777055B (zh) * | 2021-11-08 | 2022-07-19 | 广东省科学院广州地理研究所 | 一种叶片经济型谱性状估测方法、存储介质和计算机设备 |
CN115329681B (zh) * | 2022-10-14 | 2022-12-09 | 成都理工大学 | 基于辐射传输模型的植被冠层含水量遥感反演方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN106202971A (zh) * | 2016-08-02 | 2016-12-07 | 浙江大学 | 基于folium模型叶片色素遥感反演方法 |
CN106290189A (zh) * | 2016-08-02 | 2017-01-04 | 浙江大学 | Folium模型与多色素叶片光谱模拟方法 |
-
2017
- 2017-07-10 CN CN201710589601.4A patent/CN107561022B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN106202971A (zh) * | 2016-08-02 | 2016-12-07 | 浙江大学 | 基于folium模型叶片色素遥感反演方法 |
CN106290189A (zh) * | 2016-08-02 | 2017-01-04 | 浙江大学 | Folium模型与多色素叶片光谱模拟方法 |
Non-Patent Citations (1)
Title |
---|
Remote Sensing of Environment;Jean-Baptiste Feret等;《PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments》;20080616;第112卷(第6期);第3030-3043页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107561022A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107561022B (zh) | 一种改进的植物叶片干物质含量高光谱遥感反演方法 | |
Doughty et al. | Predicting tropical plant physiology from leaf and canopy spectroscopy | |
CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
CN102175618B (zh) | 一种稻麦叶片氮含量光谱监测模型建模方法 | |
CN106442338A (zh) | 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 | |
CN103528965B (zh) | 一种小麦叶片等效水厚度高光谱监测方法 | |
Guo et al. | A robust method to estimate foliar phosphorus of rubber trees with hyperspectral reflectance | |
Nakaji et al. | Estimation of six leaf traits of East Asian forest tree species by leaf spectroscopy and partial least square regression | |
Darvishsefat et al. | Evaluation of spectral reflectance of seven Iranian rice varieties canopies | |
Nijat et al. | Estimation of spring wheat chlorophyll content based on hyperspectral features and PLSR model | |
Pang et al. | Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands: a case study in China. | |
Sun et al. | Water content detection of potato leaves based on hyperspectral image | |
CN111220552B (zh) | 考虑光照方向叶片辐射传输模型的叶绿素高光谱反演方法 | |
CN116879218A (zh) | 一种新陈小米的太赫兹时域光谱定量检测方法 | |
Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
Jing et al. | Using hyperspectral indices to estimate foliar chlorophyll a concentrations of winter wheat under yellow rust stress | |
Huang et al. | Estimation of chlorophyll content in pepper leaves using spectral transmittance red-edge parameters | |
Kong et al. | An integrated field and hyperspectral remote sensing method for the estimation of pigments content of Stipa Purpurea in Shenzha, Tibet | |
Sun et al. | Understanding optical absorption associated with phytoplanktonic groups in the marginal seas | |
Feng et al. | Estimating equivalent water thickness of apple leaves using hypersecptral data based on EFAST and PLS | |
ZhengYang et al. | A study on hyperspectral estimating models of tobacco leaf area index | |
CN114199793B (zh) | 一种基于高光谱的苹果叶片含氮量检测方法 | |
Yasir et al. | Estimation of leaf water content of different leaves from different species using hyperspectral reflectance data | |
Gao et al. | Combined use of spectral resampling and machine learning algorithms to estimate soybean leaf chlorophyll | |
Wang et al. | Nonlinear model prediction of needle chlorophyll content of Picea koraiensis Nakai at different needle ages based on hyperspectral features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |