CN109521437A - 面向植被生化参数探测的多光谱激光雷达波长选择方法 - Google Patents
面向植被生化参数探测的多光谱激光雷达波长选择方法 Download PDFInfo
- Publication number
- CN109521437A CN109521437A CN201811482434.4A CN201811482434A CN109521437A CN 109521437 A CN109521437 A CN 109521437A CN 201811482434 A CN201811482434 A CN 201811482434A CN 109521437 A CN109521437 A CN 109521437A
- Authority
- CN
- China
- Prior art keywords
- wavelength
- parameter
- combination
- model
- correlation
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种面向植被生化参数探测的多光谱激光雷达波长选择方法,包括对叶片辐射传输模型PROSPECT进行敏感性分析,获取模型叶片结构和各生化参数对预设波长范围内每一波长反射率的贡献度;分别建立模型每个参数的敏感波长序列表格;对PROSPECT模型进行正演,生成模拟光谱数据集;对模拟光谱数据集进行波段空间自相关性分析,检验预设波长范围内任意两两波长组合反射率的相关性;获取多组备选波长组合,通过有针对性的PROSPECT模型反演,检验每组备选波长组合对生化参数的反演精度,根据反演统计参数构建多光谱激光雷达叶片生化参数探测的最优波段子集。本发明可以运用于新型多光谱激光雷达仪器,支持直接同时获取目标地物的彩色激光光谱信息和激光点云空间信息。
Description
技术领域
本发明涉及测绘遥感综合应用技术领域,尤其涉及一种新型多光谱激光雷达波长选择方法。
背景技术
传统的单波长激光雷达技术在快速获取三维空间信息方面具有突出优点。但受制于传统激光雷达的单一波长限制,难以获取有效的地物光谱特征,对植被生长状态的监测能力有限。多光谱激光雷达的出现可以有效弥补这一缺陷。然而,多光谱激光雷达的波长不一定越多越好,更多的波长数目会增加仪器成本和系统复杂度,却不一定增加了有效信息。
发明内容
本发明的目的是提供一种基于物理模型的面向植被生化参数探测的多光谱激光雷达波长选择方法。
本发明的技术方案提供一种面向植被生化参数探测的多光谱激光雷达波长选择方法,包括以下步骤,
步骤1,对叶片辐射传输模型PROSPECT进行敏感性分析,获取模型叶片结构和各生化参数对预设波长范围内每一波长反射率的贡献度;分别建立模型每个参数的敏感波长序列表格;
步骤2,对PROSPECT模型进行正演,生成模拟光谱数据集;
步骤3,对模拟光谱数据集进行波段空间自相关性分析,检验预设波长范围内任意两两波长组合反射率的相关性;基于任意两两波长组合反射率的相关性,设置后续备选波长组合产生的相关性阈值;
步骤4,针对探测的生化参数及叶片结构参数的敏感波长序列表格,和所设置的波长组合相关性阈值,获取多组备选波长组合;通过有针对性的PROSPECT模型反演,检验每组备选波长组合对生化参数的反演精度,根据反演统计参数构建多光谱激光雷达叶片生化参数探测的最优波段子集。
而且,所述对叶片辐射传输模型PROSPECT进行敏感性分析,包括基于实测植被叶片样本分析假设PROSPECT模型各参数分布情况,考虑叶片生化参数之间较强的相关性,生成能够代表广泛的植被类型及生长状态的叶片结构参数和生化参数含量组合,用于敏感性分析和模型数据生成。
而且,所述对PROSPECT模型进行正演,是基于生成的叶片结构参数和生化参数含量组合,对PROSPECT模型进行正演,生成包含大量模拟光谱的数据集,能够代表广泛的植被类型及生长状态;其中每一条反射光谱的范围为400-2500nm,分辨率为1nm;模拟数据集中的每个样本均包含叶片结构参数和生化参数含量,及相应的范围为400-2500nm分辨率为1nm的模拟叶片高光谱反射率。
而且,步骤3中,对模拟光谱数据集进行波段空间自相关分析,利用模拟高光谱数据和敏感性分析结果,通过设置不同的波段相关性确定系数阈值和叶片结构参数、生化参数敏感波长个数,构建多组备选波段子集,设定波段相关性确定系数阈值支持实现冗余信息的消除。
而且,步骤4中,根据步骤3中模拟叶片反射光谱波段空间自相关性分析设置的波长相关性阈值,根据设计多光谱激光雷达探测波长总个数分配叶片结构参数敏感波长个数、目标生化参数敏感波长个数;执行以下步骤,
(1)调用模型敏感性分析结果中叶片结构参数敏感波长序列表格,选择排序第一的波长作为备选波长组合的一个波长;
调用模型敏感性分析结果中目标生化参数敏感波长序列表格,选择排序第一的波长进入备选波长组合的一个波长;
(2)调用模型敏感性分析结果中叶片结构参数敏感波长序列表格,选择排序中下一顺位的波长,测试其反射率相关性与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若是,则选择下一顺位的波长重新测试与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若不是,则将这一波长作为备选波长组合的一个波长;
(3)调用模型敏感性分析结果中目标生化参数敏感波长序列表格,选择排序中下一顺位的波长,测试其反射率相关性与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若是,则选择下一顺位的波长重新测试与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若不是,则将这一波长作为备选波长组合的一个波长;
重复上述步骤直至满足初始分配的叶片结构参数敏感波长个数和目标生化参数敏感波长个数,获得一组备选波长组合。
而且,为了检验每组备选波长组合对生化参数的反演精度,进行有针对性的PROSPECT模型反演,包括固定除叶片结构参数和目标生化参数外的生化参数含量在初始值,只利用备选波长组合进行模型反演,获取叶片结构参数和目标生化参数含量反演值。
该方法基于PROSPECT植被辐射传输模型、模型敏感性分析和波段空间自相关分析等理论,是一种具有物理基础的针对植被生化参数探测应用的多光谱激光雷达探测波段自动选择算法,可指导新型多光谱激光雷达的设计和研制。
本发明打破现有经验型波长选择方法的局限,创造性地提出利用物理模型反演进行多光谱激光雷达波长选择,选出的波长可直接用于模型反演植被叶绿素含量、水含量等生化参数。基于物理模型的波长选择,提升了所选波长对不同种类、不同生长状态植被探测的鲁棒性。
应用本发明技术方案时,所选出的波长的反射率不仅可直接进行模型反演获得叶片生化参数,也可以组成各种类型的植被指数对植被生长状态进行监测。可通过选用多个单波长激光器或白光超连续激光器作为所设计多光谱激光雷达的光源。结合多光谱激光雷达的三维信息获取能力,可以获得植被生化参数的三维分布,进而对植被生长状态进行准确探测和估计。本发明技术方案可以广泛运用于针对精细农业、林业监测等领域应用的多光谱激光雷达设计和研制,具有重要的市场价值。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的模拟叶片高光谱波段相关性分布示意图。
图3为本发明实施例的实测数据叶绿素含量反演示意图。
图4为本发明实施例的实测数据水含量反演示意图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
本发明提出,针对多光谱激光雷达这种新兴探测仪器的设计和研制,为了实现高效探测同时避免探测波长过多导致仪器成本和系统复杂度过高,需要针对特定探测应用进行波长选择工作,找到最佳探测波段。
本发明基于PROSPECT植被辐射传输模型、模型敏感性分析、波段空间自相关分析等理论,构建具有物理基础的针对植被生化参数探测应用的多光谱激光雷达数据波段自动选择算法。通过选出最敏感且信息量丰富的波段:去除冗余波段的干扰,指导多光谱激光雷达探测器的高效探测。参见图1,实施例的实现包括以下过程:
(1)对叶片辐射传输模型PROSPECT进行敏感性分析,获取模型叶片结构和各生化参数对400-2500nm波长范围内每一波长反射率的贡献度。分别建立模型每个参数的敏感波长序列表格;
具体实施时,根据需要,可以设定比400-2500nm更小的波长范围。
基于实测植被叶片样本分析假设PROSPECT模型各参数分布情况(包括均值、标准差、变化范围、分布函数等),考虑某些叶片生化参数之间较强的相关性,生成大量的、可以代表广泛的植被类型及生长状态的叶片结构参数和生化参数含量组合,用于敏感性分析和模型数据生成。
本步骤对PROSPECT模型进行敏感性分析,通过计算各个参数在不同波长的敏感系数,获取对模型各参数的敏感波长排序,为波段选择奠定基础;
敏感性分析有助于确定输入参数变化对输出反射率或透射率变化的贡献。为了计算一系列独立变量Xi的敏感指数,模型输出的总方差V(Y)可以分解为若干项:
其中,i,j,m,…,k为模型的参数序号。
s阶的一般敏感指数可以定义为
其中,i1,i2,…,is指输入因子。例如,因子Xi的Si被定义为Vi/V,而Sij是Xi和Xj的纯相互影响,即Y中由Xi和Xj导致的不能由Xi和Xj单独影响的和所解释的变化,等等。目前有两种类型的敏感性分析,局部敏感性分析和全局敏感性分析。前者提供每个输入参数的变化如何单独解释模型输出变化的信息,并忽略模型参数之间的相互作用(一阶敏感性指数),而后者提供每个输入参数的变化如何单独地及相互影响地解释模型输出变化的信息(一阶、二阶及更高阶敏感性指数)。全局敏感性分析需要搜索整个模型参数空间范围,包括模型参数的同时变化。一阶敏感度指数给出了相应参数的独立影响,而相互作用敏感度指数考虑了每个参数与其他参数的相互作用的影响。傅里叶幅度敏感性测试(FAST)方法计算每一个输入参数对输出变化的贡献,对应一阶敏感性指数。Sobol方法在计算更高阶相互作用项中优于FAST。本专利对PROSPECT模型进行了全局敏感性分析,进行更为准确的Sobol的分析方法计算一阶敏感性指数和模型参数组合的联合全局敏感性系数。
经过敏感性分析,可以获得PROSPECT-D模型中各输入参数(结构参数、叶绿素、类胡萝卜素、花青素、水、干物质)在400-2500nm波长范围内对反射率的贡献,从而识别各参数的敏感波长。
(2)对PROSPECT模型进行正演,生成包含大量模拟光谱的数据集。
本步骤利用PROSPECT模型正演,生成大量模拟光谱数据,包含广泛的叶片结构参数和生化参数含量,可以代表广泛的植被类型及生长状态;
基于生成的大量叶片结构参数和生化参数含量组合,对PROSPECT模型进行正演,生成包含大量模拟光谱的数据集,可以代表广泛的植被类型及生长状态。其中每一条反射光谱的范围为400-2500nm,分辨率为1nm。模拟数据集中的每个样本均包含叶片结构参数和生化参数含量,及相应的范围为400-2500nm,分辨率为1nm的模拟叶片高光谱反射率。
PROSPECT模型以“平板模型”为基础,将叶片看作是N层平板和N-1层空气组成的均匀介质系统。然而由于叶片内部表面的起伏不规则性,入射光辐射I0穿透叶片后仍会存在一个入射立体角,该立体角是根据与叶片表面法线相关的最大入射角θ来定义的。如此,反射率rθ与透射率tθ的公式可以写为:
式中,n为叶片平板的折射率,η为平板的透射系数;tav(θ,n)是介质表面的透射率,它是所有入射方向和偏振态的透射率的平均值;tav(90,n)为平板在90度立体角范围内的平均透射率。根据该模型的平板层-空气层构成叶片结构的假设,结构参数为N的叶片反射率,即总反射率可进一步表述为:
其中,t90为一层平板的透射率,r90为一层平板的反射率,R90,N-1为90度立体角范围内N-1层的总反射率。
上式表明叶片的反射光谱强度可由θ,n,η和N四个参数计算得到。如此便可对不同参数的叶片反射光谱进行模拟,以认识光辐射I0在叶片内部的作用机理和过程。
作为最常用的植被辐射传输模型之一,PROSPECT叶片光学模型提供了每种生化组分的在活体内的特定吸收系数,并确定了叶片内部的平均折射率。其结合了光合作用色素的影响,可以精细识别核心色素,对遥感的生物物理和生态应用具有重要意义。以PROSPECT模型的最新版本PROSPECT-D为例,其参数包括叶片结构参数,叶绿素含量,类胡萝卜素含量,花青素含量,等效水厚度和干物质含量。
为了进行植被高光谱数据的波段自相关性分析,本专利利用PROSPECT模型的正演生成了大量模拟叶片高光谱数据。PROSPECT模型正演通过输入叶片的结构参数、生化参数含量,输出400-2500nm波长范围的反射率和透射率。输入参数组合考虑了结构参数和各生化参数在给定范围内的同时变化,可以包含比实测数据集更广泛的叶片光谱。
根据大量实测光谱定义模型各参数的均值、标准差、变化范围,并考虑某些生化参数之间的较强相关性(例如叶绿素和类胡萝卜素,水和干物质),使用多元正态分布算法生成了大量的模拟叶片结构参数和生化参数组合。将不同的参数组合输入PROSPECT模型,可以获得大量的模拟叶片高光谱数据,为后续的高光谱波段自相关分析和波段选择奠定基础。
(3)对模拟光谱数据集进行波段空间自相关性分析,检验400-2500nm范围内任意两两波长组合反射率的相关性。基于任意两两波长组合反射率的相关性,可以根据需要设置后续备选波长组合产生的相关性阈值。
对步骤(2)中生成的包含大量模拟光谱的数据集进行波段空间自相关分析。利用模拟高光谱数据和敏感性分析结果,后续步骤4通过设置不同的波段相关性确定系数阈值和叶片结构参数、生化参数敏感波长个数,构建多组备选波段子集。设定波段相关性确定系数阈值可实现冗余信息的消除,一般可以设置为0.7。
参见图2,本步骤利用大量模拟光谱数据进行波段空间自相关分析,通过设置确定系数阈值实现对冗余波段干扰的消除;利用模拟高光谱数据和敏感性分析结果,通过PROSPECT模型反演测试不同波段组合的有效性,从而支持步骤(4)构建适合的备选波段子集;
其中,R2为决定系数,yj为观测值,y'j为预测值,为y的平均值,n为总观测个数。
叶片反射率的高光谱数据中存在很严重的冗余问题,为了选择出相关性较低的波长组合,本专利利用PROSPECT模型正演生成的大量模拟叶片高光谱数据,进行400-2500nm范围内的波段自相关性分析。具体为计算400-2500nm范围内任意波长两两组合的相关性确定系数。同时分析模拟高光谱反射率数据两两组合相关性的直方图分布。图中可以看出高光谱反射率数据普遍存在较强的相关性,波段选择有利于消除冗余波段,从而切实提高多光谱激光雷达的反演效果。
(4)波长选择过程:针对探测的生化参数及叶片结构参数的敏感波长序列表格,和所设置的波长组合相关性阈值,获取多组备选波长组合。通过有针对性的PROSPECT模型反演,检验每组备选波长组合对生化参数的反演精度,根据反演统计参数构建多光谱激光雷达叶片生化参数探测的最优波段子集。
本发明进一步提出:
根据模拟叶片反射光谱波段空间自相关性分析设置波长相关性阈值,根据设计多光谱激光雷达探测波长总个数分配叶片结构参数敏感波长个数、目标生化参数敏感波长个数;
调用模型敏感性分析结果中叶片结构参数敏感波长序列表格,选择排序第一的波长作为备选波长组合的一个波长;
调用模型敏感性分析结果中目标生化参数敏感波长序列表格,选择排序第一的波长进入备选波长组合的一个波长;
调用模型敏感性分析结果中叶片结构参数敏感波长序列表格,选择排序中下一顺位的波长,测试其反射率相关性与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若是,则选择下一顺位的波长重新测试与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若不是,则将这一波长作为备选波长组合的一个波长;
调用模型敏感性分析结果中目标生化参数敏感波长序列表格,选择排序中下一顺位的波长,测试其反射率相关性与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若是,则选择下一顺位的波长重新测试与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若不是,则将这一波长作为备选波长组合的一个波长;
重复上述步骤直至满足初始分配的叶片结构参数敏感波长个数和目标生化参数敏感波长个数,获得一组备选波长组合。
PROSPECT模型敏感性分析的结果是高光谱反射率空间自相关性的结果,通过设置波段组合确定系数阈值,获得对植被目标生化参数敏感性高且相关性低的多个波段组合。对大量模拟数据利用PROSPECT模型反演进行生化参数的估计,比较不同波段组合的反演精度,综合衡量波段组合相关性、对生化参数敏感度和总探测波长数目,确定备选波段子集。以叶绿素探测应用的波长选择过程为例,具体步骤如下:
a)设置三个参数,R2阈值(ε),叶片结构参数敏感波长个数(n1),叶绿素含量敏感波长个数(n2),则当前备选波长组合总共使用的波长个数为n1+n2。
b)选择备选波长组合的前两个波长:结构参数N的最敏感波长(w1)和叶绿素含量的最敏感波长(w2)。这两个波长在后续的波长选择中被赋予了最大的权重。当前备选波长组合中N的敏感波长个数定义为m1(m1=1),叶绿素浓度的敏感波长个数为m2(m2=1)。
c)若m1<n1,选择N的下一个敏感波长:首先尝试敏感性分析产生的N的敏感波长列表中在当前备选波长组合中尚未出现的下一顺位的敏感波长,测试其反射率相关性与当前备选波长组合中已有波长的相关性是否超过阈值ε。若是,由于该波长的权重低于备选波长组合中已有波长,其被排除在当前备选波长组合。重复该步骤直至N的下一个敏感波长与当前备选波长组合中已有波长之间的相关性满足ε的阈值设置。否则,进入步骤d)。
d)若m2<n2,选择叶绿素含量的下一个敏感波长。该步骤与c)中相似,区别在于当前检查的是叶绿素含量的敏感波长。否则,进入步骤c)。
e)确定备选波长组合:返回步骤c),重复c)和d)直至满足m1=n1,m2=n2。至此,产生了一个备选波长组合。
考虑到本专利的目的是使用尽可能少的波长,取得生化参数尽可能好的反演效果,n1和n2的和可由用户指定,并测试不同R2情况下的备选波长组合。接着,利用模拟高光谱反射率数据,对不同备选波长组合进行PROSPECT模型反演,只反演针对性的生化参数的含量和结构参数N,保持其他参数在初始值不进行反演。利用R2、RMSE和NRMSE三个参数对不同备选波长组合的表现进行评价。
(5)基于独立数据集的波长选择验证
为了进一步验证模拟数据的波长选择结果,可使用一个核心综合实测数据集(包含采集自广泛的生态系统种类的上千叶片信息)进行进一步的验证。使用的实测数据包含了叶片生物化学(叶绿素a,叶绿素b,类胡萝卜素,水和干物质)特性和光学特性(400nm至2450nm的方向-半球反射率和透射率)信息。
ANGERS数据集:于2003年获取于法国城市翁热。包括276片新鲜叶片样本,代表了49种木本和草本植物。数据体现了叶片内部结构、色素含量、水分含量和其他组分含量的多样性,因此叶片的光谱特性也在比较宽的范围内变动。叶片的光谱数据是从400nm-2450nm的半球反射率和透射率,采样间隔为1nm。
实施例中,以叶绿素和水含量反演为例,基于初始叶片结构参数和生化参数分布设置,采用该专利所述方法选择的一组探测波长进行模型反演,对叶绿素和水的估计值与真实值的对比及相应统计分析参见图3、4。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种面向植被生化参数探测的多光谱激光雷达波长选择方法,其特征在于:包括以下步骤,
步骤1,对叶片辐射传输模型PROSPECT进行敏感性分析,获取模型叶片结构和各生化参数对预设波长范围内每一波长反射率的贡献度;分别建立模型每个参数的敏感波长序列表格;
步骤2,对PROSPECT模型进行正演,生成模拟光谱数据集;
步骤3,对模拟光谱数据集进行波段空间自相关性分析,检验预设波长范围内任意两两波长组合反射率的相关性;基于任意两两波长组合反射率的相关性,设置后续备选波长组合产生的相关性阈值;
步骤4,针对探测的生化参数及叶片结构参数的敏感波长序列表格,和所设置的波长组合相关性阈值,获取多组备选波长组合;通过有针对性的PROSPECT模型反演,检验每组备选波长组合对生化参数的反演精度,根据反演统计参数构建多光谱激光雷达叶片生化参数探测的最优波段子集。
2.根据权利要求1所述的多光谱激光雷达波长选择方法,其特征在于:所述对叶片辐射传输模型PROSPECT进行敏感性分析,包括基于实测植被叶片样本分析假设PROSPECT模型各参数分布情况,考虑叶片生化参数之间较强的相关性,生成能够代表广泛的植被类型及生长状态的叶片结构参数和生化参数含量组合,用于敏感性分析和模型数据生成。
3.根据权利要求2所述的多光谱激光雷达波长选择方法,其特征在于:所述对PROSPECT模型进行正演,是基于生成的叶片结构参数和生化参数含量组合,对PROSPECT模型进行正演,生成包含大量模拟光谱的数据集,能够代表广泛的植被类型及生长状态;其中每一条反射光谱的范围为400-2500nm,分辨率为1nm;模拟数据集中的每个样本均包含叶片结构参数和生化参数含量,及相应的范围为400-2500nm分辨率为1nm的模拟叶片高光谱反射率。
4.根据权利要求1所述多光谱激光雷达波长选择方法,其特征在于:步骤3中,对模拟光谱数据集进行波段空间自相关分析,利用模拟高光谱数据和敏感性分析结果,通过设置不同的波段相关性确定系数阈值和叶片结构参数、生化参数敏感波长个数,构建多组备选波段子集,设定波段相关性确定系数阈值支持实现冗余信息的消除。
5.根据权利要求1所述多光谱激光雷达波长选择方法,其特征在于:步骤4中,
根据步骤3中模拟叶片反射光谱波段空间自相关性分析设置的波长相关性阈值,根据设计多光谱激光雷达探测波长总个数分配叶片结构参数敏感波长个数、目标生化参数敏感波长个数;执行以下步骤,
(1)调用模型敏感性分析结果中叶片结构参数敏感波长序列表格,选择排序第一的波长作为备选波长组合的一个波长;
调用模型敏感性分析结果中目标生化参数敏感波长序列表格,选择排序第一的波长进入备选波长组合的一个波长;
(2)调用模型敏感性分析结果中叶片结构参数敏感波长序列表格,选择排序中下一顺位的波长,测试其反射率相关性与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若是,则选择下一顺位的波长重新测试与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若不是,则将这一波长作为备选波长组合的一个波长;
(3)调用模型敏感性分析结果中目标生化参数敏感波长序列表格,选择排序中下一顺位的波长,测试其反射率相关性与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若是,则选择下一顺位的波长重新测试与当前备选波长组合中已有波长的相关性是否超过波长相关性阈值;
若不是,则将这一波长作为备选波长组合的一个波长;
重复上述步骤直至满足初始分配的叶片结构参数敏感波长个数和目标生化参数敏感波长个数,获得一组备选波长组合。
6.根据权利要求1或2或3或4或5所述多光谱激光雷达波长选择方法,其特征在于:为了检验每组备选波长组合对生化参数的反演精度,进行有针对性的PROSPECT模型反演,包括固定除叶片结构参数和目标生化参数外的生化参数含量在初始值,只利用备选波长组合进行模型反演,获取叶片结构参数和目标生化参数含量反演值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482434.4A CN109521437B (zh) | 2018-12-05 | 2018-12-05 | 面向植被生化参数探测的多光谱激光雷达波长选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482434.4A CN109521437B (zh) | 2018-12-05 | 2018-12-05 | 面向植被生化参数探测的多光谱激光雷达波长选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521437A true CN109521437A (zh) | 2019-03-26 |
CN109521437B CN109521437B (zh) | 2023-07-21 |
Family
ID=65794647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811482434.4A Active CN109521437B (zh) | 2018-12-05 | 2018-12-05 | 面向植被生化参数探测的多光谱激光雷达波长选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521437B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034480A (zh) * | 2020-07-16 | 2020-12-04 | 浙江大学 | 一种双波长海洋激光雷达探测的波长择优方法 |
CN113722990A (zh) * | 2021-08-23 | 2021-11-30 | 中国地质大学(武汉) | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 |
CN113945524A (zh) * | 2021-09-30 | 2022-01-18 | 中国地质大学(武汉) | 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统 |
CN115261996A (zh) * | 2022-05-26 | 2022-11-01 | 陈永安 | 一种莲纤维的智能抽取方法及莲纤维和纱线 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
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 |
WO2016000088A1 (zh) * | 2014-07-02 | 2016-01-07 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
CN106033052A (zh) * | 2015-03-13 | 2016-10-19 | 中国人民解放军沈阳军区司令部工程科研设计所 | 一种基于高光谱数据敏感波段的植被信息提取方法 |
CN107132204A (zh) * | 2017-06-08 | 2017-09-05 | 浙江大学 | 一种叶片叶绿素含量的测量装置及反演方法 |
CN108240806A (zh) * | 2018-01-15 | 2018-07-03 | 北京市遥感信息研究所 | 一种高光谱水深反演波段选择的方法 |
-
2018
- 2018-12-05 CN CN201811482434.4A patent/CN109521437B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
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 |
WO2016000088A1 (zh) * | 2014-07-02 | 2016-01-07 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
CN106033052A (zh) * | 2015-03-13 | 2016-10-19 | 中国人民解放军沈阳军区司令部工程科研设计所 | 一种基于高光谱数据敏感波段的植被信息提取方法 |
CN107132204A (zh) * | 2017-06-08 | 2017-09-05 | 浙江大学 | 一种叶片叶绿素含量的测量装置及反演方法 |
CN108240806A (zh) * | 2018-01-15 | 2018-07-03 | 北京市遥感信息研究所 | 一种高光谱水深反演波段选择的方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034480A (zh) * | 2020-07-16 | 2020-12-04 | 浙江大学 | 一种双波长海洋激光雷达探测的波长择优方法 |
CN112034480B (zh) * | 2020-07-16 | 2022-12-20 | 浙江大学 | 一种双波长海洋激光雷达探测的波长择优方法 |
CN113722990A (zh) * | 2021-08-23 | 2021-11-30 | 中国地质大学(武汉) | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 |
CN113722990B (zh) * | 2021-08-23 | 2023-10-10 | 中国地质大学(武汉) | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 |
CN113945524A (zh) * | 2021-09-30 | 2022-01-18 | 中国地质大学(武汉) | 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统 |
CN115261996A (zh) * | 2022-05-26 | 2022-11-01 | 陈永安 | 一种莲纤维的智能抽取方法及莲纤维和纱线 |
Also Published As
Publication number | Publication date |
---|---|
CN109521437B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521437A (zh) | 面向植被生化参数探测的多光谱激光雷达波长选择方法 | |
Sun et al. | Wavelength selection of the multispectral lidar system for estimating leaf chlorophyll and water contents through the PROSPECT model | |
Zhao et al. | Reconstruction of the full spectrum of solar-induced chlorophyll fluorescence: Intercomparison study for a novel method | |
Meroni et al. | Performance of spectral fitting methods for vegetation fluorescence quantification | |
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 | |
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 | |
Liu et al. | A method combining ELM and PLSR (ELM-P) for estimating chlorophyll content in rice with feature bands extracted by an improved ant colony optimization algorithm | |
CN109540836A (zh) | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 | |
CN104483271A (zh) | 光学反射模型与微波散射模型协同的森林生物量反演方法 | |
CN110569605B (zh) | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 | |
CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
CN109187443A (zh) | 基于多波长透射光谱的水体细菌微生物准确识别方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
CN106990056A (zh) | 一种土壤全氮光谱估算模型校正样本集构建方法 | |
Wang et al. | General model of multi-quality detection for apple from different origins by Vis/NIR transmittance spectroscopy | |
Liu et al. | Estimating leaf chlorophyll contents by combining multiple spectral indices with an artificial neural network | |
Zhang et al. | Comparison of various approaches for estimating leaf water content and stomatal conductance in different plant species using hyperspectral data | |
CN106202971A (zh) | 基于folium模型叶片色素遥感反演方法 | |
CN110070004A (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
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 | |
Zhao et al. | Simulation of solar-induced chlorophyll fluorescence by modeling radiative coupling between vegetation and atmosphere with WPS | |
Mõttus et al. | Scaling PRI between coniferous canopy structures | |
Liu et al. | Organic matter estimation of surface soil using successive projection algorithm | |
CN105954206B (zh) | 紫玉米叶片花色苷含量的测量方法及系统 |
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 |