CN108732137A - 基于高光谱遥感数据估算植物物种多样性的模型及方法 - Google Patents

基于高光谱遥感数据估算植物物种多样性的模型及方法 Download PDF

Info

Publication number
CN108732137A
CN108732137A CN201810794038.9A CN201810794038A CN108732137A CN 108732137 A CN108732137 A CN 108732137A CN 201810794038 A CN201810794038 A CN 201810794038A CN 108732137 A CN108732137 A CN 108732137A
Authority
CN
China
Prior art keywords
model
data
spectral
plant
reflectivity
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
Application number
CN201810794038.9A
Other languages
English (en)
Other versions
CN108732137B (zh
Inventor
彭羽
夏建新
范敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Minzu University of China
Original Assignee
Minzu University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Minzu University of China filed Critical Minzu University of China
Priority to CN201810794038.9A priority Critical patent/CN108732137B/zh
Publication of CN108732137A publication Critical patent/CN108732137A/zh
Application granted granted Critical
Publication of CN108732137B publication Critical patent/CN108732137B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于高光谱遥感数据估算植物物种多样性的模型及方法，模型公式为：Y＝321.434FD654‑38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258。该模型的构建方法包括：采用高光谱测量仪进行现场测量；数据矫正和检验；数据平滑处理；计算一阶光谱导数；选择特征波段；逐步回归，选择逐步显著性最高的模型作为优化模型。本发明根据光谱异质性‑物种多样性假说，可以快速估算植物物种的多样性，可广泛适用于草原、草地、灌丛、农田及苗圃地等的植物物种多样性快速评估。

Description

基于高光谱遥感数据估算植物物种多样性的模型及方法
技术领域
本发明涉及一种模型及方法，尤其涉及一种基于高光谱遥感数据估算植物物种多样性的模型及方法。
背景技术
高光谱遥感技术已经广泛的应用于生态环境监测、农作物病虫害与作物估产、地矿勘探等方面，发挥着越来越重要的作用。植物的光谱特征是由生理生态特征、组成结构特征引起的对光的吸收、透射和反射的变化，能够利用高光谱数据定量反演植被生理和生化参数，主要涉及植被覆盖度、生物量、叶面积指数，以及叶片或冠层的水分含量、叶绿素含量、矿质营养含量、纤维素、木质素、淀粉和蛋白质含量、光合生理参数等。
我国草地面积广阔，约占国土面积的1/3以上，其中约50％—60％的天然草地存在着不同程度的退化现象。为了治理生态退化，需采取多种措施进行生态恢复。植被生态恢复是个长期的过程，不同生态恢复阶段植被群落特征表现不同，群落里面的优势植物物种是生态恢复的重要指标。不同生态恢复阶段优势植物物种的矿质营养状况、生理生态状况、形态结构特征也不相同。大面积监测不同生态恢复阶段草原的表现，对于传统的植物样方调查法来说，需要大量人力物力，往往耗时数月才能完成。高光谱遥感由于能够有效监测植物的矿质营养状况、生理生态状况和生长状况，同时具有较高的光谱分辨率，在大面积生态恢复监测上具有优势。目前，高光谱数据处理方法主要包括降维运算、红边效应分析、导数运算、数据压缩技术等，其中导数运算和红边效应分析在植被生理生态信息提取中广为应用。但是植物物种多样性的监测尚没有有效的高光谱监测模型，因此，亟需开发一套适合草地、草原、农田等对象的植物物种多样性快速评估的高光谱遥感模型。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于高光谱遥感数据估算植物物种多样性的模型及方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于高光谱遥感数据估算植物物种多样性的模型，表现公式为：
Y＝321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中，FD654表示654nm处光谱反射率的一阶导数；同理，FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数；将各波段处光谱反射率的一阶导数记为FDλ(j)，则：
FDλ(j)＝(Rλ(j+1)-Rλ(j))/Δλ
其中，Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔。
一种基于高光谱遥感数据估算植物物种多样性的模型的构建方法，整体步骤为：
A、采用高光谱测量仪进行现场测量，获取待测植物样方的高光谱数据，每个待测定样方测定5次，获取325-1075nm之间的光谱数据；
B、将获取的高光谱数据进行矫正和检验，确保无数据错误；
C、将获取的高光谱数据进行平滑处理，以相邻的4个数据为基础，获取中间数据的均值；
D、将处理后的数据计算一阶光谱导数；
E、采用相关性分析法，选择与植物物种多样性相关性最高的波段作为特征波段；
F、对选择的特征波段与植物多样性指数进行逐步回归，选择逐步显著性最高的模型作为优化模型；优化模型的表现公式为：
Y＝321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中，FD654表示654nm处光谱反射率的一阶导数；同理，FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数；将各波段处光谱反射率的一阶导数记为FDλ(j)，则：
FDλ(j)＝(Rλ(j+1)-Rλ(j))/Δλ
其中，Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔。
进一步地，高光谱测量仪为手持式地物光谱仪，其光谱范围为325-1075nm,光谱分辨率为3nm,采样间隔为1nm。
进一步地，光谱测量在风力小于3级的晴朗天气下进行，采集时间为地方时10:00—15:00，测量仪探头垂直向下，保持在冠层上方2-2.2m内，确保待测植物样方冠层充满测量仪的视场角，每一样本重复测量10次取均值。
进一步地，测量前均同步测量参考白板反射的辐射光谱用于标定，并定时进行系统优化，以消除环境变化所带来的影响。
本发明根据光谱异质性-物种多样性假说，可以快速估算植物物种的多样性，可广泛适用于草原、草地、灌丛、农田及苗圃地等的植物物种多样性快速评估。
附图说明
图1为实施例一的测量方法的示意图。
图中：1、高光谱测量仪；2、测量仪探头；3、植物样方。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种基于高光谱遥感数据估算植物物种多样性的模型，表现公式为：
Y＝321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中，FD654表示654nm处光谱反射率的一阶导数；同理，FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数；将各波段处光谱反射率的一阶导数记为FDλ(j)，则：
FDλ(j)＝(Rλ(j+1)-Rλ(j))/Δλ
其中，Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔。
一种基于高光谱遥感数据估算植物物种多样性的模型的构建方法，整体步骤为：
A、采用高光谱测量仪进行现场测量，获取待测植物样方的高光谱数据，每个待测定样方测定5次，获取325-1075nm之间的光谱数据；
B、将获取的高光谱数据进行矫正和检验，确保无数据错误；
C、将获取的高光谱数据进行平滑处理，以相邻的4个数据为基础，获取中间数据的均值；
D、将处理后的数据计算一阶光谱导数；
E、采用相关性分析法，选择与植物物种多样性相关性最高的波段作为特征波段；
F、对选择的特征波段与植物多样性指数进行逐步回归，选择逐步显著性最高的模型作为优化模型；优化模型的表现公式为：
Y＝321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中，FD654表示654nm处光谱反射率的一阶导数；同理，FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数；将各波段处光谱反射率的一阶导数记为FDλ(j)，则：
FDλ(j)＝(Rλ(j+1)-Rλ(j))/Δλ
其中，Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔。
【实施例一】
以手持式地物光谱仪采集植物光谱(可选用FieldSpec H2，或者ASD或者其他参数符合要求的光谱仪)，其光谱范围为325-1075nm,光谱分辨率为3nm,采样间隔为1nm。光谱测量在风力小于3级的晴朗天气下进行，采集时间为地方时10:00—15:00。测量人员着深色服装，避免遮挡阳光，规避光谱干扰。测量仪探头垂直向下，保持在冠层上方2-2.2m内，确保待测植物样方冠层充满测量仪的视场角，每一样本重复测量10次取均值。测量前均同步测量参考白板反射的辐射光谱用于标定，并定时进行系统优化，以消除环境变化所带来的影响。测量方法的示意图如图1所示。
评估模型的构建方法为：
A、采用高光谱测量仪进行现场测量，获取待测植物样方的高光谱数据，每个待测定样方测定5次，获取325-1075nm之间的光谱数据；
B、将获取的高光谱数据进行矫正和检验，确保无数据错误；
C、将获取的高光谱数据进行平滑处理，以相邻的4个数据为基础，获取中间数据的均值；
D、将处理后的数据计算一阶光谱导数；
E、采用相关性分析法，选择与植物物种多样性相关性最高的波段作为特征波段；
F、对选择的特征波段与植物多样性指数进行逐步回归，选择逐步显著性最高的模型作为优化模型；优化模型的表现公式为：
Y＝321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中，FD654表示654nm处光谱反射率的一阶导数；同理，FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数；将各波段处光谱反射率的一阶导数记为FDλ(j)，则：
FDλ(j)＝(Rλ(j+1)-Rλ(j))/Δλ
其中，Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔。
本专利基于对已有植被参数模型的应用、反复试验和改良，根据不同植物物种的遥感光谱信息的生成与分解原理，按照不同波段光谱反射率的生物学特征，采用相关分析、特征波段提取、拟合度检验等方法，开发了新的能够反演植物物种多样性指数的模型。
本发明不同于实地样方调查耗费的大量人力物力，或者购买遥感影像的大量花费，可以快速测定出植物物种的多样性指数，无需大量人力物力投入，具有信息处理高效、节省投入成本的优点。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (5)

1.一种基于高光谱遥感数据估算植物物种多样性的模型，其特征在于：所述模型的表现公式为：
Y＝321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中，FD654表示654nm处光谱反射率的一阶导数；同理，FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数；将各波段处光谱反射率的一阶导数记为FDλ(j)，则：
FDλ(j)＝(Rλ(j+1)-Rλ(j))/Δλ
其中，Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔。
2.一种如权利要求1所述的基于高光谱遥感数据估算植物物种多样性的模型的构建方法，其特征在于：所述方法的整体步骤为：
A、采用高光谱测量仪进行现场测量，获取待测植物样方的高光谱数据，每个待测定样方测定5次，获取325-1075nm之间的光谱数据；
B、将获取的高光谱数据进行矫正和检验，确保无数据错误；
C、将获取的高光谱数据进行平滑处理，以相邻的4个数据为基础，获取中间数据的均值；
D、将处理后的数据计算一阶光谱导数；
E、采用相关性分析法，选择与植物物种多样性相关性最高的波段作为特征波段；
F、对选择的特征波段与植物多样性指数进行逐步回归，选择逐步显著性最高的模型作为优化模型；优化模型的表现公式为：
Y＝321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中，FD654表示654nm处光谱反射率的一阶导数；同理，FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数；将各波段处光谱反射率的一阶导数记为FDλ(j)，则：
FDλ(j)＝(Rλ(j+1)-Rλ(j))/Δλ
其中，Rλ(j)是波段j的反射率；Rλ(j+1)是波段j+1的反射率，Δλ是波长j到j+1的间隔。
3.根据权利要求2所述的基于高光谱遥感数据估算植物物种多样性的模型的构建方法，其特征在于：所述高光谱测量仪为手持式地物光谱仪，其光谱范围为325-1075nm,光谱分辨率为3nm,采样间隔为1nm。
4.根据权利要求3所述的基于高光谱遥感数据估算植物物种多样性的模型的构建方法，其特征在于：光谱测量在风力小于3级的晴朗天气下进行，采集时间为地方时10:00—15:00，测量仪探头垂直向下，保持在冠层上方2-2.2m内，确保待测植物样方冠层充满测量仪的视场角，每一样本重复测量10次取均值。
5.根据权利要求4所述的基于高光谱遥感数据估算植物物种多样性的模型的构建方法，其特征在于：测量前均同步测量参考白板反射的辐射光谱用于标定，并定时进行系统优化，以消除环境变化所带来的影响。
CN201810794038.9A 2018-07-19 2018-07-19 基于高光谱遥感数据估算植物物种多样性的模型及方法 Expired - Fee Related CN108732137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810794038.9A CN108732137B (zh) 2018-07-19 2018-07-19 基于高光谱遥感数据估算植物物种多样性的模型及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810794038.9A CN108732137B (zh) 2018-07-19 2018-07-19 基于高光谱遥感数据估算植物物种多样性的模型及方法

Publications (2)

Publication Number Publication Date
CN108732137A true CN108732137A (zh) 2018-11-02
CN108732137B CN108732137B (zh) 2020-12-25

Family

ID=63926646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810794038.9A Expired - Fee Related CN108732137B (zh) 2018-07-19 2018-07-19 基于高光谱遥感数据估算植物物种多样性的模型及方法

Country Status (1)

Country Link
CN (1) CN108732137B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110967300A (zh) * 2019-12-24 2020-04-07 中央民族大学 一种维管植物物种丰富度估测的高光谱遥感方法
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
CN111476172A (zh) * 2020-04-09 2020-07-31 中央民族大学 植物物种beta多样性的估算方法及系统
CN112683822A (zh) * 2020-12-17 2021-04-20 淮阴师范学院 基于可见光波段的植被与非植被识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007146176A2 (en) * 2006-06-08 2007-12-21 The Board Of Regents Of The University Of Nebraska-Lincoln System and methods for non-destructive analysis
CN105352895A (zh) * 2015-11-02 2016-02-24 北京理工大学 高光谱遥感数据植被信息提取方法
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007146176A2 (en) * 2006-06-08 2007-12-21 The Board Of Regents Of The University Of Nebraska-Lincoln System and methods for non-destructive analysis
CN105352895A (zh) * 2015-11-02 2016-02-24 北京理工大学 高光谱遥感数据植被信息提取方法
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴迪等: "《作物和杂草叶片的可见-近红外反射光谱特性》", 《光学学报》 *
彭羽等: "《半干旱草原不同生态恢复阶段优势植物的高光谱特征分析》", 《光谱学与光谱分析》 *
马维维等: "《牧草品质的高光谱遥感监测模型研究》", 《光谱学与光谱分析》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110967300A (zh) * 2019-12-24 2020-04-07 中央民族大学 一种维管植物物种丰富度估测的高光谱遥感方法
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
CN110967300B (zh) * 2019-12-24 2022-03-25 中央民族大学 一种维管植物物种丰富度估测的高光谱遥感方法
CN111007042B (zh) * 2019-12-24 2022-04-22 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
CN111476172A (zh) * 2020-04-09 2020-07-31 中央民族大学 植物物种beta多样性的估算方法及系统
CN111476172B (zh) * 2020-04-09 2023-07-04 中央民族大学 植物物种beta多样性的估算方法及系统
CN112683822A (zh) * 2020-12-17 2021-04-20 淮阴师范学院 基于可见光波段的植被与非植被识别方法
CN112683822B (zh) * 2020-12-17 2024-04-05 淮阴师范学院 基于可见光波段的植被与非植被识别方法

Also Published As

Publication number Publication date
CN108732137B (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
Li et al. PROCWT: Coupling PROSPECT with continuous wavelet transform to improve the retrieval of foliar chemistry from leaf bidirectional reflectance spectra
CN102788752B (zh) 基于光谱技术的农作物内部信息无损检测装置及方法
Stroppiana et al. Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry
Feng et al. Remote detection of canopy leaf nitrogen concentration in winter wheat by using water resistance vegetation indices from in-situ hyperspectral data
Li et al. Evaluating chlorophyll density in winter oilseed rape (Brassica napus L.) using canopy hyperspectral red-edge parameters
CN108732137A (zh) 基于高光谱遥感数据估算植物物种多样性的模型及方法
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
CN110376167A (zh) 基于无人机高光谱的水稻叶片氮含量监测方法
CN109187398A (zh) 一种小麦植株氮含量的高光谱测定方法
CN107505271B (zh) 基于氮素组分辐射传输模型的植株氮素估算方法和系统
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
CN104502283A (zh) 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型
Zhao et al. Relationships of leaf nitrogen concentration and canopy nitrogen density with spectral features parameters and narrow-band spectral indices calculated from field winter wheat (Triticum aestivum L.) spectra
CN102175618A (zh) 一种稻麦叶片氮含量光谱监测模型建模方法
Zeng et al. Using remote sensing to estimate forage biomass and nutrient contents at different growth stages
Wang et al. Assessing canopy nitrogen and carbon content in maize by canopy spectral reflectance and uninformative variable elimination
CN110189793A (zh) 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类
CN109060676A (zh) 基于高光谱的夏玉米冠层spad值估算模型的确定方法
CN103940748A (zh) 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法
CN109187417A (zh) 一种无人机载的太赫兹波及高光谱遥感农作物监测系统
CN112816618A (zh) 一种氮高效小麦品种的筛选方法
Yin et al. Study on the quantitative relationship among canopy hyperspectral reflectance, vegetation index and cotton leaf nitrogen content
He et al. Remote estimation of leaf water concentration in winter wheat under different nitrogen treatments and plant growth stages
Zhang et al. Evaluating maize grain quality by continuous wavelet analysis under normal and lodging circumstances
CN112362812A (zh) 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201225

Termination date: 20210719

CF01 Termination of patent right due to non-payment of annual fee