CN109115725A - 一种玉米冠层lai和叶绿素含量联合反演方法和设备 - Google Patents

一种玉米冠层lai和叶绿素含量联合反演方法和设备 Download PDF

Info

Publication number
CN109115725A
CN109115725A CN201810615559.3A CN201810615559A CN109115725A CN 109115725 A CN109115725 A CN 109115725A CN 201810615559 A CN201810615559 A CN 201810615559A CN 109115725 A CN109115725 A CN 109115725A
Authority
CN
China
Prior art keywords
lai
chlorophyll content
parameter
canopy
maize canopy
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
CN201810615559.3A
Other languages
English (en)
Other versions
CN109115725B (zh
Inventor
苏伟
孙中平
黄健熙
刘哲
张明政
邬佳昱
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN201810615559.3A priority Critical patent/CN109115725B/zh
Publication of CN109115725A publication Critical patent/CN109115725A/zh
Application granted granted Critical
Publication of CN109115725B publication Critical patent/CN109115725B/zh
Active 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials

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

本发明提供一种玉米冠层LAI和叶绿素含量联合反演方法和设备，包括：获取各生育期的多光谱的实际玉米冠层光谱反射率；基于PROSAIL模型建立查找表，所述查找表中的输入参数包括玉米各生育期的叶面积指数LAI、叶绿素含量，查找表输出参数为对应的模拟玉米冠层光谱反射率；建立基于权重平方差和形式的代价函数，所述代价函数用于计算模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差，基于代价函数取最小值时对应模拟玉米冠层光谱反射率，对玉米冠层LAI和叶绿素含量进行反演。通过建立玉米冠层LAI和叶绿素含量参数的联合分布，以一套参数同时反演出LAI和叶绿素含量，提高参数反演效率。

Description

一种玉米冠层LAI和叶绿素含量联合反演方法和设备
技术领域
本发明涉及农业遥感技术领域，更具体地，涉及一种玉米冠层LAI和叶绿素含量联合反演方法和设备。
背景技术
地表植被生物物理和生物化学参数，如叶面积指数(Leaf Area Index，LAI)、叶绿素含量、叶片水分等，是解释植被冠层生物物理过程和定量评价地表与大气物质能量交换的关键结构变量。而遥感信息，尤其是可见光、近红外波段，则提供了反演这些关键地表植被变量的空间和时间连续分布信息。这是因为植被冠层反射率信息能够反映植被结构、叶片生化组成等特征，如LAI尤其对近红外(NIR)反射率波谱影响较大，可见光波谱则受叶绿素影响较显著，而叶片水分则是影响中红外波段反射率的最显著的因素。因此，可充分利用遥感光谱信息，有效提取区域时空连续植被关键生理生化参数(如LAI、叶绿素含量、叶片水分含量)，实现区域和全球尺度植被监测和气候变化等研究。
LAI是一种决定玉米植株光合作用速率的重要因子，直接反映玉米的生长状况、栽培条件、水肥措施；叶绿素是植被叶片中的基本组成物质，对光合进程、太阳辐射的光能利用、大气二氧化碳的吸收等具有密切关系；而且，叶绿素作为叶片中重要的含氮物质，对植物氮素营养的吸收和利用具有比较准确的指示作用；因此，准确估计植被叶绿素含量，对于研究植被的健康状况，生产力的估计，碳循环的研究有着重要的意义。在应用遥感手段估算植被叶绿素含量时，物理模型反演是一种较为常用且稳健的方法，但是该类方法应用于植被稀疏区域(如：幼苗期农作物)时，观测得到的反射率或植被指数往往不仅对叶绿素含量变化敏感，而且对土壤背景信息也十分敏感，土壤背景将会直接影响最终的叶绿素反演精度。
遥感技术具有遥感技术探测范围大，手段多，获取的信息量大等特点，其发展和应用给大面积反演叶面积指数和叶绿素含量提供了可能。利用遥感技术反演叶面积指数和叶绿素含量的主要方法有经验反演法和模型反演法两种。其中，经验反演法主要通过建立植被指数与叶面积指数和叶绿素含量的统计关系来反演叶面积指数，但由于经验反演方法所依据的物理模型过于简单，植被指数与叶面积指数的统计关系往往缺乏普适性，反演误差较大；模型反演方法目前比较常用的模型有几何光学模型、辐射传输模型以及混合模型，不同模型的侧重点有所不同，它们共同的特点是具有一定的物理基础，反演更接近于现实，如PROSAIL模型，PROSAIL模型反演LAI和叶绿素含量时存在参数互相影响、相互缠绕的问题，所以目前利用该模型的参数反演多是逐个参数进行。也就是说，需要利用不同的输入参数才能将同一时刻的LAI和叶绿素含量准确反演出来，这与农作物植株生长的实际情况不符，进行玉米冠层LAI和叶绿素含量的联合反演时，无法实现玉米生长过程监测、潜在农业灾害胁迫发现、精准水肥一体化管理等。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种玉米冠层LAI和叶绿素含量联合反演方法和设备，解决了现有技术中需要利用不同的输入参数才能将同一时刻的LAI和叶绿素含量准确反演出来，无法实现玉米生长过程监测、潜在农业灾害胁迫发现、精准水肥一体化管理等问题。
根据本发明的一个方面，提供一种玉米冠层LAI和叶绿素含量联合反演方法，包括：
获取各生育期的多光谱的实际玉米冠层光谱反射率；
基于PROSAIL模型建立查找表，所述查找表中的输入参数包括玉米各生育期的叶面积指数LAI、叶绿素含量，查找表输出参数为对应的模拟玉米冠层光谱反射率；
建立基于权重平方差和形式的代价函数，所述代价函数用于计算模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差，基于代价函数取最小值时对应模拟玉米冠层光谱反射率，对玉米冠层LAI和叶绿素含量进行反演。
一种玉米冠层LAI和叶绿素含量联合反演设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述玉米冠层LAI和叶绿素含量联合反演方法。
一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述玉米冠层LAI和叶绿素含量联合反演方法。
本发明提出一种玉米冠层LAI和叶绿素含量联合反演方法和设备，通过建立多生育期玉米冠层LAI和叶绿素含量知识库，减少反演过程中的参数确定盲目性；通过建立玉米冠层LAI和叶绿素含量参数的联合分布，以一套参数同时反演出LAI和叶绿素含量，提高参数反演效率。
附图说明
图1为根据本发明实施例的玉米冠层LAI和叶绿素含量联合反演流程示意图；
图2为根据本发明实施例的联合分布建立过程中空间分布情况示意图；
图3为根据本发明实施例的叶绿素含量与LAI联合分布过程示意图；
图4为根据本发明实施例的参数敏感性分析结果示意图；
图5为根据本发明实施例的LAI和叶绿素含量的联合反演结果示意图；
图6为根据本发明实施例的LAI和叶绿素含量联合反演的精度验证结果示意图；
图7为根据本发明实施例的玉米冠层LAI和叶绿素含量联合反演设备的结构框图。
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。
如图1所示，本实施例中示出了一种玉米冠层LAI和叶绿素含量联合反演方法，其特征在于，包括：
获取各生育期的多光谱的实际玉米冠层光谱反射率；即获取玉米冠层的多光谱反射率数据。
基于PROSAIL模型建立查找表，所述查找表中的输入参数包括玉米各生育期的叶面积指数LAI、叶绿素含量，查找表输出参数为对应的模拟玉米冠层光谱反射率；
建立基于权重平方差和形式的代价函数，所述代价函数用于计算模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差，基于代价函数取最小值时对应模拟玉米冠层光谱反射率，对玉米冠层LAI和叶绿素含量进行反演。
具体的，在本实施例中，基于PROSAIL模型建立查找表前还包括：
基于敏感性分析Sobol方法，对PROSAIL模型进行敏感性分析，将所述PROSAIL模型分解为参数与参数间相互组合的敏感度函数，通过参数对输出方差的贡献比例进行敏感性分级，并选取敏感性分级达到设定级别的色素类参数、叶片结构参数、冠层结构参数和环境参数为自由变量，将自由变量作为所述查找表的输入参数。
在本实施例中，采用蒙特卡洛法采样将模型分解为单个参数及参数之间的相互组合的敏感度函数，通过参数对输出方差的贡献比例进行敏感性分级，从而分析色素类参数、叶片结构参数、冠层结构参数和环境参数对模型的敏感性。
PROSAIL辐射传输模型是通过耦合PROSPECT叶片模型和SAILH冠层结构模型得到的。PROSPECT叶片模型是一个基于ALLEN等平板模型基础上发展的叶片光学模型，假设叶片是由N层同性层叠加起来的，中间层被N-1层空气间隔分割开来，第一层的上层是叶片表皮，存在光线的非漫射特性，即非各向同性，而在叶子内部，光线被认为是各向同性的。PROSPECT模型用来模拟叶片400～2500nm的光学特性，包括4个结构和生化输入参数，即叶片结构参数(Ns)、叶绿素含量(Cab)、干物质含量(Cm)和叶片等效厚度(Cw)。PROSPECT模型模拟计算得到的叶片光谱信息作为SAILH冠层辐射模型的输入参数。SAILH模型是在SAIL模型的基础上，通过引入热点的概念发展而来的冠层尺度上的辐射传输模型，将植被当作混合介质，假设叶片方位角分布均匀，考虑任意的叶片倾角，模拟冠层的双向反射率，包括8个输入参数，分别为叶面积指数(Leaf Area Index，LAI)、平均叶倾角(ALA)、热点参数(hspot，(叶子的平均大小与冠高之比)、土壤亮度参数(psoil)、天空漫散射比例(skyl)、太阳天顶角(tts)、观测天顶角(tto)以及观测相对方位角(psi)。
叶面积指数(leaf area index，LAI)又叫叶面积系数，是指单位土地面积上植物叶片总面积占土地面积的倍数，即：叶面积指数＝叶片总面积/土地面积，其作为进行植物群体和群落生长分析的一个重要植物学参数和评价指标，可为植物冠层表面最初能量交换描述提供结构化定量信息，对群落的光分布、光能利用和产量有显著影响，决定着陆地表面植被的生产力，影响着地表和大气之间的相互作用，因此，LAI是生态系统研究中最重要的结构参数之一。在植被定量遥感研究中,植被冠层的反射率与LAI之间的定量耦合关系的探讨是其中的核心问题之一。对于基于反射率遥感数据进行LAI的反演，进而估算植被第一生产率，评价生态系统质量等问题,具有至关重要的意义。
具体的，通过参数对输出方差的贡献比例进行敏感性分级，具体包括：
建立多个参数间的非线性模型：
式中，y＝f(x)，为非线性模型的输出；x＝[x1,x2,…,xk]T，为非线性模型的输入参数变量；式中，x被重新调整为一个k维的超立方体Ωk，Ωk＝{x|0≤xi≤1，i＝1,…,k}；V(y)为总方差，Vij是输入参数xi和输入参数xj相互作用的方差，参数xi的一阶敏感度Si和总体敏感度STi分别为：
式中，x～i表示所有输出参数的变化，xi、Si表示输入参数之间的相互作用对总方差的贡献度，E[]表示期望值。
具体的，所述查找表中的输入参数还包括叶倾角参数、叶片结构化参数、等效水厚度、干物质含量、类胡萝卜素含量、热点系数、太阳天顶角、观测天顶角、相对方位角、土壤系数。
具体的，基于PROSAIL模型建立查找表前还包括：
建立玉米冠层参数知识库，基于生育期各阶段玉米冠层LAI、叶绿素含量、冠层光谱、叶片光谱和土壤光谱，建立包含玉米冠层LAI、叶绿素含量、冠层光谱、叶片光谱和土壤光谱的玉米冠层参数知识库，可于玉米的关键生育期进行多次野外调查，测量玉米冠层LAI、叶绿素含量、冠层光谱、叶片光谱和土壤光谱等参数。
具体的，分别于苗期、拔节期、灌浆期、乳熟期进行玉米冠层LAI和叶绿素含量测量，建立多生育期玉米冠层LAI和叶绿素含量知识库，并统计各生育期的最大值、最小值、均值，统计结果如表1所示。
表1玉米冠层LAI和叶绿素含量测量值
利用改进的Sobol算法对PROSAIL模型进行全局敏感性分析，模型参数设置如表2所示：
表2PRSOAIL模型敏感性分析中参数输入范围
具体的，建立玉米冠层参数知识库后，还包括：
统计玉米各生育阶段的LAI和叶绿素含量最大值LAImax、Cabmax，最小值LAImin、Cabmin，并分别以均匀分布形式随机生成多个随机数，以LAImax、LAImin对应的Cabmax、Cabmin对随机数值域范围进行约束，并以归一化的形式联立LAI和叶绿素含量值域，建立各生育期LAI和叶绿素含量的联合分布函数。
在本实施例中，分别以均匀分布形式随机生成15000个随机数，随机数的空间分布情况如图2(a)所示；以随机数中的LAI和叶绿素含量最大值和最小值进行约束，并建立LAI—叶绿素含量散点图，基于约束后的LAI—叶绿素含量散点图，以归一化的形式联立，联立公式如下式，等式左边是叶绿素含量VCab对应叶面积指数取最小值时叶绿素含量的最大、最小值的归一化，等式右边是待定的叶绿素含量VCab *，对应当前叶面积指数的最大值、最小值的归一化。联合分布中，叶绿素含量的值域为(Vmin(LAImin)，Vmax(LAImax))，LAI的值域为(LAImin，LAImax)。
Vmin(LAI)＝Vmin(LAImin)+LAI*(Vmin(LAImax)-Vmin(LAImin))
Vmax(LAI)＝Vmax(LAImin)+LAI*(Vmax(LAImax)-Vmax(LAImin))
通过联合分布的形式，对于LAI、叶绿素含量的参数范围进行优化，再利用优化后的参数范围对随机生成的LAI、叶绿素含量值进行约束。图2(b)为公式(4)中VCab空间分布，图2(c)为公式(4)中VCab *的空间分布。LAI和叶绿素含量联合分布的建立过程如图3所示。
具体的，基于PROSAIL模型建立查找表，具体包括：
基于各生育期LAI和叶绿素含量的联合分布函数的值域约束范围设定步长，建立用于联合反演的查找表。
具体的，代价函数是估算参数的模拟值与观测值达到一致的标准，通过代价函数的约束将模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差最小化，在本实施例中代价函数为：
式中，D(P,Q)为代价函数，λi表示不同波段的光谱，p(λi)表示实际玉米冠层光谱反射率，q(λi)表示模拟玉米冠层反射率，wi为对应波段的权重。即当代价函数取最小时，对应模拟光谱的输入参数即为该位置上LAI以及叶绿素含量的反演结果。
本实施例中还示出了某地区2017年生长季(6月-9月)的玉米冠层LAI和叶绿素含量联合反演为例，本实施例的具体实施方法如下：
步骤1、在研究区内设置30个样方，测量LAI和叶绿素含量。LAI采用美国LI-COR公司生产的植物冠层分析仪LAI-2200C进行野外实测，每个样方上测4次叶下光，第一个值取在玉米垄上，第二个值取在两垄之间1/4处，第三个值在两垄中间1/2处，第四个值取在距离垄3/4处。叶绿素含量选用便携式SPAD-502Plus叶绿素含量测定仪无损测量，每个样方选择3～4株玉米，每株玉米选择6片玉米叶，每个叶片从叶基到叶尖测量3～5次，取平均值作为该样方的冠层叶绿素含量。
步骤2、利用改进的Sobol方法，进行PROSAIL模型的全局敏感性分析。图4(a)为色素类参数(Cab、Car、Cbp)的敏感性分析结果，图4(b)为叶片结构参数(N、Cw、Cm)的敏感性分析结果，图4(c)为冠层结构参数(LAI、LAD)的敏感性分析结果，图4(d)为环境参数(skyl、Soil Coeff、SZA、OZA、RAA)的敏感性分析结果。
从图4可以看出：叶绿素含量、LAI、平均叶倾角、太阳高度角、干物质含量等对PROSAIL模型总体敏感度较大；冠层反射率在可见光波段主要受叶绿素含量的影响，总体敏感度STi大于60％；在近红外波段，冠层反射率对干物质含量、叶面积指数、平均叶倾角以及太阳天顶角较为敏感，等效水厚度对中红外波段较为敏感。
步骤3、统计玉米冠层参数知识库中各生育阶段的LAI和叶绿素含量最大值、最小值，并分别以均匀分布形式随机生成15000个随机数；以LAImax、LAImin对应的Cabmax、Cabmin对随机数值域范围进行约束，并以归一化的形式联立LAI和叶绿素含量值域，从而建立各生育期LAI和叶绿素含量的联合分布函数。
步骤4、以各生育期LAI和叶绿素含量的联合分布约束为值域，设定一定的步长，建立用于联合反演的查找表，查找表中的输入参数包括LAI、叶绿素含量、叶倾角参数、叶片结构化参数、等效水厚度、干物质含量、类胡萝卜素含量、热点系数、太阳天顶角、观测天顶角、相对方位角、土壤系数，输出参数为光谱反射率；
步骤5、建立基于权重平方差和形式的代价函数，权重为输入影像反射率的倒数，当代价函数取到最小值时，对应模拟光谱的输入自由参数LAI以及叶绿素含量即为该位置上LAI以及叶绿素含量的反演结果。图5(a)、(e)为6月30日LAI和叶绿素含量反演结果，图5(b)、(f)为7月12日LAI和叶绿素含量反演结果，图5(c)、(g)为7月30日LAI和叶绿素含量反演结果，图5(d)、(h)为8月24日LAI和叶绿素含量反演结果。图6为LAI和叶绿素含量联合反演的精度验证结果，其中图6(a)、(d)为7月12日LAI和叶绿素含量联合反演精度验证结果，图6(b)、(e)为7月30日LAI和叶绿素含量联合反演精度验证结果，图6(c)、(f)为8月6日LAI和叶绿素含量联合反演精度验证结果。可以看出，本实施例中建立多生育期玉米冠层LAI和叶绿素含量知识库，减少反演过程中的参数确定盲目性；通过建立玉米冠层LAI和叶绿素含量参数的联合分布，以一套参数同时反演出LAI和叶绿素含量，提高参数反演效率。
图7是示出本申请实施例的玉米冠层LAI和叶绿素含量联合反演设备的结构框图。
参照图7，所述玉米冠层LAI和叶绿素含量联合反演设备，包括：处理器(processor)810、存储器(memory)830、通信接口(Communications Interface)820和总线840；
其中，
所述处理器810、存储器830、通信接口820通过所述总线840完成相互间的通信；
所述通信接口820用于该测试设备与显示装置的通信设备之间的信息传输；
所述处理器810用于调用所述存储器830中的程序指令，以执行上述各方法实施例所提供的玉米冠层LAI和叶绿素含量联合反演方法，例如包括：
获取各生育期的多光谱的实际玉米冠层光谱反射率；
基于PROSAIL模型建立查找表，所述查找表中的输入参数包括玉米各生育期的叶面积指数LAI、叶绿素含量，查找表输出参数为对应的模拟玉米冠层光谱反射率；
建立基于权重平方差和形式的代价函数，所述代价函数用于计算模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差，基于代价函数取最小值时对应模拟玉米冠层光谱反射率，对玉米冠层LAI和叶绿素含量进行反演。
本实施例公开一种玉米冠层LAI和叶绿素含量联合反演设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述玉米冠层LAI和叶绿素含量联合反演方法例如包括：
获取各生育期的多光谱的实际玉米冠层光谱反射率；
基于PROSAIL模型建立查找表，所述查找表中的输入参数包括玉米各生育期的叶面积指数LAI、叶绿素含量，查找表输出参数为对应的模拟玉米冠层光谱反射率；
建立基于权重平方差和形式的代价函数，所述代价函数用于计算模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差，基于代价函数取最小值时对应模拟玉米冠层光谱反射率，对玉米冠层LAI和叶绿素含量进行反演。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的玉米冠层LAI和叶绿素含量联合反演方法，例如包括：
获取各生育期的多光谱的实际玉米冠层光谱反射率；
基于PROSAIL模型建立查找表，所述查找表中的输入参数包括玉米各生育期的叶面积指数LAI、叶绿素含量，查找表输出参数为对应的模拟玉米冠层光谱反射率；
建立基于权重平方差和形式的代价函数，所述代价函数用于计算模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差，基于代价函数取最小值时对应模拟玉米冠层光谱反射率，对玉米冠层LAI和叶绿素含量进行反演。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的玉米冠层LAI和叶绿素含量联合反演方法，例如包括：
获取各生育期的多光谱的实际玉米冠层光谱反射率；
基于PROSAIL模型建立查找表，所述查找表中的输入参数包括玉米各生育期的叶面积指数LAI、叶绿素含量，查找表输出参数为对应的模拟玉米冠层光谱反射率；
建立基于权重平方差和形式的代价函数，所述代价函数用于计算模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差，基于代价函数取最小值时对应模拟玉米冠层光谱反射率，对玉米冠层LAI和叶绿素含量进行反演。
综上所述，本发明提出一种玉米冠层LAI和叶绿素含量联合反演方法和设备，通过建立多生育期玉米冠层LAI和叶绿素含量知识库，减少反演过程中的参数确定盲目性；通过建立玉米冠层LAI和叶绿素含量参数的联合分布，以一套参数同时反演出LAI和叶绿素含量，提高参数反演效率。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的显示装置的测试设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。

Claims (10)

1.一种玉米冠层LAI和叶绿素含量联合反演方法，其特征在于，包括：
获取各生育期的多光谱的实际玉米冠层光谱反射率；
基于PROSAIL模型建立查找表，所述查找表中的输入参数包括玉米各生育期的叶面积指数LAI、叶绿素含量，查找表输出参数为对应的模拟玉米冠层光谱反射率；
建立基于权重平方差和形式的代价函数，所述代价函数用于计算模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差，基于代价函数取最小值时对应模拟玉米冠层光谱反射率，对玉米冠层LAI和叶绿素含量进行反演。
2.根据权利要求1所述的方法，其特征在于，基于PROSAIL模型建立查找表前还包括：
基于敏感性分析Sobol方法，对PROSAIL模型进行敏感性分析，将所述PROSAIL模型分解为参数与参数间相互组合的敏感度函数，通过参数对输出方差的贡献比例进行敏感性分级，并选取敏感性分级达到设定级别的色素类参数、叶片结构参数、冠层结构参数和环境参数为自由变量，将自由变量作为所述查找表的输入参数。
3.根据权利要求2所述的方法，其特征在于，通过参数对输出方差的贡献比例进行敏感性分级，具体包括：
建立多个参数间的非线性模型：
式中，y＝f(x)，为非线性模型的输出；x＝[x1,x2,…,xk]T，为非线性模型的输入参数变量；式中，x被重新调整为一个k维的超立方体Ωk，Ωk＝{x|0≤xi≤1，i＝1,…,k}；V(y)为总方差，Vij是输入参数xi和输入参数xj相互作用的方差，参数xi的一阶敏感度Si和总体敏感度STi分别为：
式中，x～i表示所有输出参数的变化，xi、Si表示输入参数之间的相互作用对总方差的贡献度，E[]表示期望值。
4.根据权利要求2所述的方法，其特征在于，所述查找表中的输入参数还包括叶倾角参数、叶片结构化参数、等效水厚度、干物质含量、类胡萝卜素含量、热点系数、太阳天顶角、观测天顶角、相对方位角、土壤系数。
5.根据权利要求1所述的方法，其特征在于，基于PROSAIL模型建立查找表前还包括：
建立玉米冠层参数知识库，基于生育期各阶段玉米冠层LAI、叶绿素含量、冠层光谱、叶片光谱和土壤光谱，建立包含玉米冠层LAI、叶绿素含量、冠层光谱、叶片光谱和土壤光谱的玉米冠层参数知识库。
6.根据权利要求5所述的方法，其特征在于，建立玉米冠层参数知识库后，还包括：
统计玉米各生育阶段的LAI和叶绿素含量最大值LAImax、Cabmax，最小值LAImin、Cabmin，并分别以均匀分布形式随机生成多个随机数，以LAImax、LAImin对应的Cabmax、Cabmin对随机数值域范围进行约束，并以归一化的形式联立LAI和叶绿素含量值域，建立各生育期LAI和叶绿素含量的联合分布函数。
7.根据权利要求6所述的方法，其特征在于，基于PROSAIL模型建立查找表，具体包括：
基于各生育期LAI和叶绿素含量的联合分布函数的值域约束范围设定步长，建立用于联合反演的查找表。
8.根据权利要求1所述的方法，其特征在于，所述代价函数为：
式中，D(P,Q)为代价函数，λi表示不同波段的光谱，p(λi)表示实际玉米冠层光谱反射率，q(λi)表示模拟玉米冠层反射率，wi为对应波段的权重。
9.一种玉米冠层LAI和叶绿素含量联合反演设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至8任一所述的方法。
CN201810615559.3A 2018-06-14 2018-06-14 一种玉米冠层lai和叶绿素含量联合反演方法和设备 Active CN109115725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810615559.3A CN109115725B (zh) 2018-06-14 2018-06-14 一种玉米冠层lai和叶绿素含量联合反演方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810615559.3A CN109115725B (zh) 2018-06-14 2018-06-14 一种玉米冠层lai和叶绿素含量联合反演方法和设备

Publications (2)

Publication Number Publication Date
CN109115725A true CN109115725A (zh) 2019-01-01
CN109115725B CN109115725B (zh) 2020-04-14

Family

ID=64821907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810615559.3A Active CN109115725B (zh) 2018-06-14 2018-06-14 一种玉米冠层lai和叶绿素含量联合反演方法和设备

Country Status (1)

Country Link
CN (1) CN109115725B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109916836A (zh) * 2019-03-22 2019-06-21 中国农业大学 基于多光谱图像的玉米叶片含水量检测方法及装置
CN109977548A (zh) * 2019-03-27 2019-07-05 南京林业大学 一种针对不同范围的叶面积指数遥感反演方法
CN110147720A (zh) * 2019-04-10 2019-08-20 中国农业大学 一种玉米叶片等效水厚度反演方法及系统
CN110260789A (zh) * 2019-07-12 2019-09-20 南京农业大学 一种田间高通量作物表型监测系统及方法
CN111044516A (zh) * 2019-12-26 2020-04-21 沈阳农业大学 一种水稻叶绿素含量遥感估测方法
CN111652347A (zh) * 2020-04-23 2020-09-11 中国科学院空天信息创新研究院 一种粒子群算法改进神经网络反演叶面积指数方法
CN113218916A (zh) * 2021-05-13 2021-08-06 东北师范大学 一种利用各向异性系数估算叶绿素含量的方法
CN113268923A (zh) * 2021-05-17 2021-08-17 中国水利水电科学研究院 一种基于模拟多光谱的夏玉米产量估算方法
CN113345004A (zh) * 2021-08-05 2021-09-03 航天宏图信息技术股份有限公司 一种植被叶面积指数的估算方法和装置
CN113777055A (zh) * 2021-11-08 2021-12-10 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
CN115950838A (zh) * 2022-09-20 2023-04-11 中国水利水电科学研究院 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法
CN116187100A (zh) * 2023-04-25 2023-05-30 吉林大学 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法
CN116501925A (zh) * 2023-06-26 2023-07-28 山东大学 多源遥感数据下叶面积指数预测方法、系统、设备及介质
CN116593419A (zh) * 2023-04-14 2023-08-15 南京农业大学 一种缓解lcc与秸秆-土壤背景影响的小麦绿色lai估算方法
CN116756921A (zh) * 2023-05-10 2023-09-15 北京市农林科学院信息技术研究中心 基于冠层光合模型的高光效株型特征确定方法及系统
CN117520715A (zh) * 2023-12-29 2024-02-06 华中农业大学 一种基于prosail模型的水稻叶面积指数反演方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101718683A (zh) * 2009-11-10 2010-06-02 中国农业大学 快速检测叶片叶绿素含量的装置、建模方法及检测方法
CN102269576A (zh) * 2010-06-03 2011-12-07 曹春香 一种森林覆盖度及有效叶面积指数的主被动协同反演方法
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
CN105738293A (zh) * 2016-02-03 2016-07-06 中国科学院遥感与数字地球研究所 一种作物理化参数的遥感定量反演方法及系统
CN106504240A (zh) * 2016-10-31 2017-03-15 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
CN106501255A (zh) * 2016-10-31 2017-03-15 塔里木大学 一种枣树冠层总叶绿素含量的卫星遥感监测方法
CN106896077A (zh) * 2017-04-28 2017-06-27 浙江大学 基于叶绿素荧光成像的转基因玉米草甘膦耐受性表型的检测方法
CN107024439A (zh) * 2017-03-23 2017-08-08 西北农林科技大学 一种水稻不同生育期叶绿素含量高光谱估测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101718683A (zh) * 2009-11-10 2010-06-02 中国农业大学 快速检测叶片叶绿素含量的装置、建模方法及检测方法
CN102269576A (zh) * 2010-06-03 2011-12-07 曹春香 一种森林覆盖度及有效叶面积指数的主被动协同反演方法
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
CN102878957B (zh) * 2012-09-26 2015-05-27 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
CN105738293A (zh) * 2016-02-03 2016-07-06 中国科学院遥感与数字地球研究所 一种作物理化参数的遥感定量反演方法及系统
CN106504240A (zh) * 2016-10-31 2017-03-15 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
CN106501255A (zh) * 2016-10-31 2017-03-15 塔里木大学 一种枣树冠层总叶绿素含量的卫星遥感监测方法
CN107024439A (zh) * 2017-03-23 2017-08-08 西北农林科技大学 一种水稻不同生育期叶绿素含量高光谱估测方法
CN106896077A (zh) * 2017-04-28 2017-06-27 浙江大学 基于叶绿素荧光成像的转基因玉米草甘膦耐受性表型的检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SYLVAIN JAY 等: ""Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing: Comparison of vegetation indices and PROSAIL inversion for field phenotyping"", 《FIELD CROPS RESEARCH》 *
ZHENHAI LI等: ""Estimating winter wheat (Triticum aestivum) LAI and leaf chlorophyll content from canopy reflectance data by integrating agronomic prior knowledge with the PROSAIL model"", 《JOURNAL OF INTERNATIONAL JOURNAL OF REMOTE SENSING 》 *
宁艳玲等: ""基于改进的 PRI 方法对植被冠层叶绿素含量的反演"", 《航天返回与遥感》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109916836A (zh) * 2019-03-22 2019-06-21 中国农业大学 基于多光谱图像的玉米叶片含水量检测方法及装置
CN109977548A (zh) * 2019-03-27 2019-07-05 南京林业大学 一种针对不同范围的叶面积指数遥感反演方法
CN109977548B (zh) * 2019-03-27 2023-06-30 南京林业大学 一种针对不同范围的叶面积指数遥感反演方法
CN110147720A (zh) * 2019-04-10 2019-08-20 中国农业大学 一种玉米叶片等效水厚度反演方法及系统
CN110260789A (zh) * 2019-07-12 2019-09-20 南京农业大学 一种田间高通量作物表型监测系统及方法
CN110260789B (zh) * 2019-07-12 2020-09-29 南京农业大学 一种田间高通量作物表型监测系统及方法
CN111044516A (zh) * 2019-12-26 2020-04-21 沈阳农业大学 一种水稻叶绿素含量遥感估测方法
CN111652347A (zh) * 2020-04-23 2020-09-11 中国科学院空天信息创新研究院 一种粒子群算法改进神经网络反演叶面积指数方法
CN113218916A (zh) * 2021-05-13 2021-08-06 东北师范大学 一种利用各向异性系数估算叶绿素含量的方法
CN113268923A (zh) * 2021-05-17 2021-08-17 中国水利水电科学研究院 一种基于模拟多光谱的夏玉米产量估算方法
CN113345004B (zh) * 2021-08-05 2021-11-30 航天宏图信息技术股份有限公司 一种植被叶面积指数的估算方法和装置
CN113345004A (zh) * 2021-08-05 2021-09-03 航天宏图信息技术股份有限公司 一种植被叶面积指数的估算方法和装置
CN113777055A (zh) * 2021-11-08 2021-12-10 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
CN115950838A (zh) * 2022-09-20 2023-04-11 中国水利水电科学研究院 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法
CN116593419A (zh) * 2023-04-14 2023-08-15 南京农业大学 一种缓解lcc与秸秆-土壤背景影响的小麦绿色lai估算方法
CN116593419B (zh) * 2023-04-14 2024-02-27 南京农业大学 一种缓解lcc与秸秆-土壤背景影响的小麦lai估算方法
CN116187100A (zh) * 2023-04-25 2023-05-30 吉林大学 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法
CN116187100B (zh) * 2023-04-25 2023-07-04 吉林大学 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法
CN116756921A (zh) * 2023-05-10 2023-09-15 北京市农林科学院信息技术研究中心 基于冠层光合模型的高光效株型特征确定方法及系统
CN116501925A (zh) * 2023-06-26 2023-07-28 山东大学 多源遥感数据下叶面积指数预测方法、系统、设备及介质
CN116501925B (zh) * 2023-06-26 2023-09-05 山东大学 多源遥感数据下叶面积指数预测方法、系统、设备及介质
CN117520715A (zh) * 2023-12-29 2024-02-06 华中农业大学 一种基于prosail模型的水稻叶面积指数反演方法

Also Published As

Publication number Publication date
CN109115725B (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN109115725A (zh) 一种玉米冠层lai和叶绿素含量联合反演方法和设备
Righi et al. Capturing farm diversity at regional level to up-scale farm level impact assessment of sustainable development options
Haboudane et al. Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data
Qi et al. Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction
Vaesen et al. Ground-measured spectral signatures as indicators of ground cover and leaf area index: the case of paddy rice
Li et al. Estimating winter wheat (Triticum aestivum) LAI and leaf chlorophyll content from canopy reflectance data by integrating agronomic prior knowledge with the PROSAIL model
CN110082300A (zh) 基于光谱参量的冬小麦冠层含水率监测模型建立方法
Barillot et al. How good is the turbid medium-based approach for accounting for light partitioning in contrasted grass–legume intercropping systems?
CN110222475A (zh) 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法
Reyes et al. Reliability of different color spaces to estimate nitrogen SPAD values in maize
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
Song et al. Using multi-angle hyperspectral data to monitor canopy leaf nitrogen content of wheat
Gush et al. Estimation of streamflow reductions resulting from commercial afforestation in South Africa
CN106845428A (zh) 一种作物产量遥感估算方法及系统
CN108520127A (zh) 一种树种叶面积指数的高光谱反演方法
CN110118732A (zh) 土壤含水量检测方法及装置
Kuester et al. Simulation of multitemporal and hyperspectral vegetation canopy bidirectional reflectance using detailed virtual 3-D canopy models
CN111044516A (zh) 一种水稻叶绿素含量遥感估测方法
CN110455726A (zh) 一种实时预测土壤水分和全氮含量的方法
Li et al. Estimation of potato chlorophyll content using composite hyperspectral index parameters collected by an unmanned aerial vehicle
Zhu et al. Quantitative relationships of leaf nitrogen status to canopy spectral reflectance in rice
CN110069895A (zh) 冬小麦含氮量全生育时段光谱监测模型建立方法
Nilson et al. Forest reflectance modeling: theoretical aspects and applications
Lee et al. Intra-field canopy nitrogen retrieval from unmanned aerial vehicle imagery for wheat and corn fields
CN115443889A (zh) 作物精准灌溉方法及装置

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