CN111398178A - 叶片叶绿素含量反演方法、装置、电子设备及存储介质 - Google Patents
叶片叶绿素含量反演方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111398178A CN111398178A CN202010264111.9A CN202010264111A CN111398178A CN 111398178 A CN111398178 A CN 111398178A CN 202010264111 A CN202010264111 A CN 202010264111A CN 111398178 A CN111398178 A CN 111398178A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- leaf
- reflectivity
- target pixel
- vegetation index
- 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
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
-
- 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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G01N2021/1793—Remote sensing
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请实施例公开了一种叶片叶绿素含量反演方法、装置、电子设备及存储介质,利用遥感影像中目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算目标像素的叶绿素植被指数;根据叶绿素植被指数计算目标像素的叶片叶绿素含量。由于通过近红外波段的反射率、红边波段的反射率和蓝波段的反射率构造出的叶绿素植被指数对植被冠层信息和背景信息敏感度低于叶绿素植被指数对叶片叶绿素含量的敏感度,从而降低植被冠层信息和背景信息对叶片叶绿素含量计算的影响,进而提高基于叶绿素植被指数的叶片叶绿素含量反演方法的计算精度。
Description
技术领域
本申请涉及遥感技术领域,更具体地说,涉及一种叶片叶绿素含量反演方法、装置、电子设备及存储介质。
背景技术
叶片叶绿素含量反映了植物光合作用能力和发育阶段的重要信息,是衡量植物生理条件、生产力和胁迫的重要指标。目前的叶片叶绿素含量反演方法主要分为基于叶绿素植被指数的反演方法和基于物理模型的反演方法两种,其中,基于叶绿素植被指数的反演方法是利用叶片叶绿素含量与植被指数的经验关系计算叶片叶绿素含量,由于其思路简便、计算效率高,被广泛使用。然而,目前的基于叶绿素植被指数的反演方法在计算叶片叶绿素含量时会受到叶面积指数、叶倾角分布等植被冠层信息和土壤湿度等背景信息的影响,使得计算精度不高。
因而,如何提高基于叶绿素植被指数的叶片叶绿素含量反演方法的计算精度成为亟待解决的技术问题。
发明内容
本申请的目的是提供一种叶片叶绿素含量反演方法、装置、电子设备及存储介质,以提高基于叶绿素植被指数的叶片叶绿素含量反演方法的计算精度。
为实现上述目的,本申请提供了如下技术方案:
一种叶片叶绿素含量反演方法,包括:
获取遥感影像;
利用所述遥感影像中的目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算所述目标像素的叶绿素植被指数;所述叶绿素植被指数对植被冠层信息和背景信息的敏感度低于所述叶绿素植被指数对叶片叶绿素含量的敏感度;
根据所述叶绿素植被指数计算所述目标像素的叶片叶绿素含量。
上述方法,优选的,所述叶绿素植被指数与所述蓝波段的反射率成正比例关系,与所述红边波段的反射率成反比例关系,与反射率差值成正比例关系,与反射率和值成反比例关系;
其中,所述反射率差值为所述近红外波段的反射率与所述红边波段的反射率的差值;所述反射率和值为所述近红外波段的反射率与所述红边波段的反射率的和值。
上述方法,优选的,所述利用所述遥感影像中的目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算所述目标像素的叶绿素植被指数,包括:
利用如下公式计算所述目标像素的叶绿素植被指数:
其中,CSI为所述目标像素的叶绿素植被指数;K为增益系数;ρNIR是目标像素的近红外波段的反射率;ρRE1是目标像素的红边波段的反射率;ρblue是目标像素的蓝波段的反射率。
上述方法,优选的,所述根据所述叶绿素植被指数计算所述目标像素的叶片叶绿素含量,包括:
利用预置的叶片叶绿素含量与叶绿素植被指数的线性关系计算所述目标像素的叶片叶绿素含量。
上述方法,优选的,所述遥感影像为茂密植被的遥感影像,所述叶片叶绿素含量与叶绿素植被指数的线性关系为:
Chlleaf=76.92×CSI+2.00
其中,Chlleaf为叶片叶绿素含量。
一种叶片叶绿素含量反演装置,包括:
获取模块,用于获取遥感影像;
第一计算模块,用于利用所述遥感影像中的目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算所述目标像素的叶绿素植被指数;所述叶绿素植被指数对植被冠层信息和背景信息的敏感度低于所述叶绿素植被指数对叶片叶绿素含量的敏感度;
第二计算模块,用于根据所述叶绿素植被指数计算所述目标像素的叶片叶绿素含量。
上述装置,优选的,所述所述叶绿素植被指数与所述蓝波段的反射率成正比例关系,与所述红边波段的反射率成反比例关系,与反射率差值成正比例关系,与反射率和值成反比例关系;
其中,所述反射率差值为所述近红外波段的反射率与所述红边波段的反射率的差值;所述反射率和值为所述近红外波段的反射率与所述红边波段的反射率的和值。
上述装置,优选的,所述第二计算模块具体用于:利用预置的叶片叶绿素含量与叶绿素植被指数的线性关系计算所述目标像素的叶片叶绿素含量。
一种电子设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上任一项所述的叶片叶绿素含量反演方法的各个步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如上任一项所述的叶片叶绿素含量反演方法的各个步骤。
通过以上方案可知,本申请提供的一种叶片叶绿素含量反演方法、装置、电子设备及存储介质,利用遥感影像中目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算目标像素的叶绿素植被指数;根据叶绿素植被指数计算目标像素的叶片叶绿素含量。由于通过近红外波段的反射率、红边波段的反射率和蓝波段的反射率构造出的叶绿素植被指数对植被冠层信息和背景信息敏感度低于叶绿素植被指数对叶片叶绿素含量的敏感度,从而降低植被冠层信息和背景信息对叶片叶绿素含量计算的影响,进而提高基于叶绿素植被指数的叶片叶绿素含量反演方法的计算精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的叶片叶绿素含量反演方法的一种实现流程图;
图2-a为现有技术中基于CIre的叶片叶绿素含量反演方法的反演结果;
图2-b为现有技术中基于MTCI的叶片叶绿素含量反演方法的反演结果;
图2-c为现有技术中基于TCARI/OSAVI的叶片叶绿素含量反演方法的反演结果;
图3为本申请实施例提供的基于CSI的叶片叶绿素含量反演方法的反演结果;
图4为本申请实施例提供的叶片叶绿素含量反演装置的一种结构示意图;
图5为本申请实施例提供的电子设备的硬件结构框图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示的以外的顺序实施。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的发明人研究发现,目前已有的基于叶绿素植被指数的叶片叶绿素含量反演方法,是利用红波段、红边波段和近红外波段的信息计算叶绿素植被指数,虽然这些波段能够反应叶绿素含量的变化,但这些波段同时也会受叶面积指数的影响,比如,近红外波段的反射率受叶面积变化的影响很大等等。目前已有的基于叶绿素植被指数的叶片叶绿素含量反演方法无法实现更高精度反演结果的根本原因在于目前使用的这些波段的组合难以去除叶面积指数、叶倾角分布等植被冠层信息和土壤湿度等背景信息对叶绿素植被指数的影响。
为了克服上述问题,本申请的发明人进一步研究发现,近红外波段反射率会随着叶面积指数的增加而增加,但不随叶片叶绿素的增加而改变;红边波段会随叶面积指数和叶片叶绿素含量的增加而减小,但对叶片叶绿素的变化敏感;蓝波段的反射率会随叶面积指数的增加而减小,但对叶片叶绿素的变化不敏感。基于这一发现,可以利用近红外波段、红边波段和蓝波段的信息能够构造出对植被冠层信息和背景信息不敏感,而对叶片叶绿素含量敏感的叶绿素植被指数。基于此,
本申请的基本思想是,利用近红外波段的反射率、红边波段的反射率和蓝波段的反射率构造叶绿素植被指数,然后利用这个叶绿素植被指数,以及叶绿素植被指数和叶片叶绿素含量之间的经验关系来完成叶片叶绿素含量的反演。
请参阅图1,图1为本申请实施例提供的叶片叶绿素含量反演方法的一种实现流程图,可以包括:
步骤S11:获取遥感影像。
该遥感影像可以是任意覆盖有植物的区域的遥感影像,比如,可以是覆盖有茂密植被的区域的遥感影像,也可以是覆盖有稀疏植被的区域的遥感影像。
覆盖有茂密植被的区域可以包括但不限于:农田区域。覆盖有稀疏植被的区域可以包括但不限于:针叶森林。
步骤S12:利用遥感影像中的目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算目标像素的叶绿素植被指数;该叶绿素植被指数对植被冠层信息和背景信息的敏感度低于该叶绿素植被指数对叶片叶绿素含量的敏感度。
目标像素是遥感影像中的任意一个像素(也称为像元)。也就是说,对于遥感影像中的第i个像素,利用该第i个像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算该第i个像素的叶绿素植被指数。其中,i=1,2,3,…,N,N为遥感影像中的像素的个数。
叶绿素植被指数对植被冠层信息和背景信息的敏感度低于该叶绿素植被指数对叶片叶绿素含量的敏感度,具体是指:叶绿素植被指数随植被冠层信息和背景信息的变化而变化的程度,低于该叶绿素植被指数随叶片叶绿素含量的变化而变化的程度。
步骤S13:根据目标像素的叶绿素植被指数计算目标像素的叶片叶绿素含量。
可以根据目标像素的叶绿素植被指数,以及叶绿素植被指数和叶片叶绿素含量之间的经验关系计算目标像素的叶片叶绿素含量。
本申请实施例提供的叶片叶绿素含量反演方法,利用遥感影像中目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算目标像素的叶绿素植被指数;根据叶绿素植被指数计算目标像素的叶片叶绿素含量。由于通过近红外波段的反射率、红边波段的反射率和蓝波段的反射率构造出的叶绿素植被指数对植被冠层信息和背景信息敏感度低于叶绿素植被指数对叶片叶绿素含量的敏感度,从而降低植被冠层信息和背景信息对叶片叶绿素含量计算的影响,进而提高基于叶绿素植被指数的叶片叶绿素含量反演方法的计算精度。
另外,相比于现有技术,本申请实施例提供的叶片叶绿素含量反演方法的普适性更强。比如,目前已有的叶片叶绿素含量反演方法只适用于某一种植物,而基于本申请实施例提供的叶片叶绿素含量反演方法,则适用于多种植物。
在一可选的实施例中,目标像素的叶绿素植被指数与目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率具有如下关联关系:
目标像素的叶绿素植被指数与目标像素的蓝波段的反射率成正比例关系,与目标像素的红边波段的反射率成反比例关系,与反射率差值成正比例关系,与反射率和值成反比例关系;
其中,反射率差值为目标像素的近红外波段的反射率与目标像素的红边波段的反射率的差值;反射率和值为目标像素的近红外波段的反射率与目标像素的红边波段的反射率的和值。
由于近红外波段反射率会随着叶面积指数的增加而增加,但不随叶片叶绿素的增加而改变;红边波段会随叶面积指数和叶片叶绿素含量的增加而减小,但对叶片叶绿素的变化敏感;蓝波段的反射率会随叶面积指数的增加而减小,但对叶片叶绿素的变化不敏感,因而,基于上述关联关系得到的叶绿素植被指数会抑制部分叶面积指数的影响,同时增加叶绿素植被指数对叶片叶绿素含量的敏感度。
在一可选的实施例中,基于上述关联关系,可以通过如下公式计算目标像素的叶绿素植被指数:
其中,CSI为目标像素的叶绿素植被指数;K为增益系数;ρNIR是目标像素的近红外波段的反射率;ρRE1是目标像素的红边波段的反射率;ρblue是目标像素的蓝波段的反射率。
可选的,K的取值可以为2.5,以确保CSI的值落在0~1之间。当然,K的取值也可以为其它值,只要保证CSI的值能够落在0~1之间即可。
本实施例中,的值会随叶绿素含量的增加而增加,也会随叶面积指数的增加而增加,而蓝波段的反射率ρblue会随叶面积指数的增加而减小,不随叶绿素含量的改变而改变或改变很小,所以,乘以ρblue会在保证对叶片叶绿素敏感的同时抑制部分叶面积指数的影响。相似的,虽然红边波段的反射率ρRE1会随叶绿素含量的增加而减小,也会随叶面积指数的增加而减小,但其对叶绿素含量更敏感,会随叶绿素含量增加而减小,所以,除以ρRE1会更大的增加叶绿素植被指数CSI对叶绿素的敏感性。
在一可选的实施例中,上述根据目标像素的叶绿素植被指数计算目标像素的叶片叶绿素含量的一种实现方式可以为:
利用预置的叶片叶绿素含量与叶绿素植被指数的非线性关系计算目标像素的叶片叶绿素含量。
也就是说,本申请实施例中,叶绿素植被指数和叶片叶绿素含量之间的经验关系为非线性经验关系。
在另一可选的实施例中,上述根据目标像素的叶绿素植被指数计算目标像素的叶片叶绿素含量的一种实现方式可以为:
利用预置的叶片叶绿素含量与叶绿素植被指数的线性关系计算目标像素的叶片叶绿素含量。
也就是说,本申请实施例中,叶绿素植被指数和叶片叶绿素含量之间的经验关系为线性经验关系。
可选的,上述遥感影像为茂密植被的影像,比如农田的遥感影像,则上述叶片叶绿素含量与叶绿素植被指数的线性关系可以为:
Chlleaf=76.92×CSI+2.00 (2)
其中,Chlleaf为叶片叶绿素含量,单位为微克每平方厘米,μg/cm2。
以农作物为例,本实施例提供的叶片叶绿素含量反演方法可以用于大多数农作物,比如,可以用于大豆、花生、玉米、冬小麦等农作物的叶片叶绿素含量反演。而目前已有的叶片叶绿素含量反演方法仅适用于某一种农作物的叶片叶绿素含量反演。
下面以冬小麦和大豆两种植被类型为例,对本申请提供的基于CSI的叶片叶绿素含量反演方法和现有技术中基于叶绿素植被指数(CIre、MTCI、TCARI/OSAVI)的叶片叶绿素含量反演方法进行对比说明。
请参看图2和图3,图2-a为现有技术中基于CIre的叶片叶绿素含量反演方法的反演结果,图2-b为现有技术中基于MTCI的叶片叶绿素含量反演方法的反演结果,图2-c为现有技术中基于TCARI/OSAVI的叶片叶绿素含量反演方法的反演结果,图3为本申请提供的基于CSI的叶片叶绿素含量反演方法的反演结果。
每一个图中,45°斜线上的点表示叶片叶绿素含量反演值与地面实测的叶片叶绿素含量比值为1:1的点,理想情况下,叶片叶绿素含量反演值应该分布在该45°斜线上,但实际中叶片叶绿素含量反演值与叶片叶绿素含量的地面实测值是有一定的误差的。本示例中,从均方根误差、平均偏差,以及决定系数三个指标进行对比说明。
均方根误差(Root Mean Square Error,RMSE)是所有采样点的叶片叶绿素含量反演值与地面实测值的偏差的平方和的均值的平方根,用公式可以表示为:
均方根误差越小,表明反演结果精度越高。
平均偏差为所有采样点的叶片叶绿素含量反演值与地面实测值的偏差的均值,用公式可以表示为:
平均偏差越小,表明反演结果精度越高。
决定系数(R-square,R2)用公式可以表示为:
R2越接近于1,表明近红外波段的反射率、红边波段的反射率以及蓝波段的反射率对叶片叶绿素含量的解释能力越强,该叶片叶绿素反演模型对数据拟合的也越好。
显然,本申请提供的基于CSI的叶片叶绿素含量反演方法的反演结果的均方根误差比现有技术至少降低了1.8μg/cm2,决定系数比现有技术至少提高了0.23,平均偏差也比现有技术中大部分反演方法的平均偏差低。
综上,与现有技术相比,本申请提供的叶片叶绿素含量反演方法提高了计算精度,而且普适性更强。
与方法实施例相对应,本申请还提供一种叶片叶绿素含量反演装置,如图4所示,为本申请实施例提供的叶片叶绿素含量反演装置的一种结构示意图,可以包括:
获取模块41,第一计算模块42和第二计算模块43;其中,
获取模块41用于获取遥感影像;
第一计算模块42用于利用所述遥感影像中的目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算所述目标像素的叶绿素植被指数;所述叶绿素植被指数对植被冠层信息和背景信息的敏感度低于所述叶绿素植被指数对叶片叶绿素含量的敏感度;
第二计算模块43用于根据所述叶绿素植被指数计算所述目标像素的叶片叶绿素含量。
本申请实施例提供的叶片叶绿素含量反演装置,利用遥感影像中目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算目标像素的叶绿素植被指数;根据叶绿素植被指数计算目标像素的叶片叶绿素含量。由于通过近红外波段的反射率、红边波段的反射率和蓝波段的反射率构造出的叶绿素植被指数对植被冠层信息和背景信息敏感度低于叶绿素植被指数对叶片叶绿素含量的敏感度,从而降低植被冠层信息和背景信息对叶片叶绿素含量计算的影响,进而提高基于叶绿素植被指数的叶片叶绿素含量反演方法的计算精度。
另外,相比于现有技术,本申请实施例提供的叶片叶绿素含量反演装置的普适性更强。比如,目前已有的叶片叶绿素含量反演方案只适用于某一种植物,而基于本申请实施例提供的叶片叶绿素含量反演装置,则适用于多种植物。
在一可选的实施例中,所述所述叶绿素植被指数与所述蓝波段的反射率成正比例关系,与所述红边波段的反射率成反比例关系,与反射率差值成正比例关系,与反射率和值成反比例关系;
其中,所述反射率差值为所述近红外波段的反射率与所述红边波段的反射率的差值;所述反射率和值为所述近红外波段的反射率与所述红边波段的反射率的和值。
在一可选的实施例中,所述第一计算模块42具体可以用于:
利用如下公式计算所述目标像素的叶绿素植被指数:
其中,CSI为所述目标像素的叶绿素植被指数;K为增益系数;ρNIR是目标像素的近红外波段的反射率;ρRE1是目标像素的红边波段的反射率;ρblue是目标像素的蓝波段的反射率。
在一可选的实施例中,所述第二计算模块具体用于:利用预置的叶片叶绿素含量与叶绿素植被指数的线性关系计算所述目标像素的叶片叶绿素含量。
在一可选的实施例中,所述遥感影像为茂密植被的遥感影像,所述叶片叶绿素含量与叶绿素植被指数的线性关系为:
Chlleaf=76.92×CSI+2.00
其中,Chlleaf为叶片叶绿素含量。
本申请实施例提供的叶片叶绿素含量反演装置可应用于电子设备中,如PC终端、云平台、服务器及服务器集群等。可选的,图5示出了本申请实施例提供的电子设备的硬件结构框图,参照图5,该电子设备的硬件结构可以包括:
至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4。
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取遥感影像;
利用所述遥感影像中的目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算所述目标像素的叶绿素植被指数;所述叶绿素植被指数对植被冠层信息和背景信息的敏感度低于所述叶绿素植被指数对叶片叶绿素含量的敏感度;
根据所述叶绿素植被指数计算所述目标像素的叶片叶绿素含量。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于:
获取遥感影像;
利用所述遥感影像中的目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算所述目标像素的叶绿素植被指数;所述叶绿素植被指数对植被冠层信息和背景信息的敏感度低于所述叶绿素植被指数对叶片叶绿素含量的敏感度;
根据所述叶绿素植被指数计算所述目标像素的叶片叶绿素含量。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
应当理解,本申请实施例中,从权、各个实施例、特征可以互相组合结合,都能实现解决前述技术问题。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种叶片叶绿素含量反演方法,其特征在于,包括:
获取遥感影像;
利用所述遥感影像中的目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算所述目标像素的叶绿素植被指数;所述叶绿素植被指数对植被冠层信息和背景信息的敏感度低于所述叶绿素植被指数对叶片叶绿素含量的敏感度;
根据所述叶绿素植被指数计算所述目标像素的叶片叶绿素含量。
2.根据权利要求1所述的方法,其特征在于,所述叶绿素植被指数与所述蓝波段的反射率成正比例关系,与所述红边波段的反射率成反比例关系,与反射率差值成正比例关系,与反射率和值成反比例关系;
其中,所述反射率差值为所述近红外波段的反射率与所述红边波段的反射率的差值;所述反射率和值为所述近红外波段的反射率与所述红边波段的反射率的和值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述叶绿素植被指数计算所述目标像素的叶片叶绿素含量,包括:
利用预置的叶片叶绿素含量与叶绿素植被指数的线性关系计算所述目标像素的叶片叶绿素含量。
5.根据权利要求4所述的方法,其特征在于,所述遥感影像为茂密植被的遥感影像,所述叶片叶绿素含量与叶绿素植被指数的线性关系为:
Chlleaf=76.92×CSI+2.00
其中,Chlleaf为叶片叶绿素含量。
6.一种叶片叶绿素含量反演装置,其特征在于,包括:
获取模块,用于获取遥感影像;
第一计算模块,用于利用所述遥感影像中的目标像素的近红外波段的反射率、红边波段的反射率以及蓝波段的反射率,计算所述目标像素的叶绿素植被指数;所述叶绿素植被指数对植被冠层信息和背景信息的敏感度低于所述叶绿素植被指数对叶片叶绿素含量的敏感度;
第二计算模块,用于根据所述叶绿素植被指数计算所述目标像素的叶片叶绿素含量。
7.根据权利要求6所述的装置,其特征在于,所述所述叶绿素植被指数与所述蓝波段的反射率成正比例关系,与所述红边波段的反射率成反比例关系,与反射率差值成正比例关系,与反射率和值成反比例关系;
其中,所述反射率差值为所述近红外波段的反射率与所述红边波段的反射率的差值;所述反射率和值为所述近红外波段的反射率与所述红边波段的反射率的和值。
8.根据权利要求6所述的装置,其特征在于,所述第二计算模块具体用于:利用预置的叶片叶绿素含量与叶绿素植被指数的线性关系计算所述目标像素的叶片叶绿素含量。
9.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1-5中任一项所述的叶片叶绿素含量反演方法的各个步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-5中任一项所述的叶片叶绿素含量反演方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264111.9A CN111398178B (zh) | 2020-04-07 | 2020-04-07 | 叶片叶绿素含量反演方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264111.9A CN111398178B (zh) | 2020-04-07 | 2020-04-07 | 叶片叶绿素含量反演方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111398178A true CN111398178A (zh) | 2020-07-10 |
CN111398178B CN111398178B (zh) | 2023-05-16 |
Family
ID=71433818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010264111.9A Active CN111398178B (zh) | 2020-04-07 | 2020-04-07 | 叶片叶绿素含量反演方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398178B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033960A (zh) * | 2020-08-28 | 2020-12-04 | 大连海事大学 | 一种Kelvin尾迹可见光遥感成像方法及系统 |
CN115508314A (zh) * | 2022-09-23 | 2022-12-23 | 南京农业大学 | 一种基于冠层组分光谱分离的土壤影响消除与小麦叶片叶绿素含量高精度估算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125477A1 (en) * | 2009-05-14 | 2011-05-26 | Lightner Jonathan E | Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets |
CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
CN108195784A (zh) * | 2018-02-01 | 2018-06-22 | 兰州城市学院 | 一种番茄叶绿素含量多光谱估测方法 |
CN108195770A (zh) * | 2018-01-03 | 2018-06-22 | 电子科技大学 | 一种基于prosail模型的叶绿素含量半经验估算方法 |
CN110398466A (zh) * | 2019-08-05 | 2019-11-01 | 北京绿土科技有限公司 | 基于遥感反演的农作物生长状态监测方法 |
CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
-
2020
- 2020-04-07 CN CN202010264111.9A patent/CN111398178B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125477A1 (en) * | 2009-05-14 | 2011-05-26 | Lightner Jonathan E | Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets |
CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
CN108195770A (zh) * | 2018-01-03 | 2018-06-22 | 电子科技大学 | 一种基于prosail模型的叶绿素含量半经验估算方法 |
CN108195784A (zh) * | 2018-02-01 | 2018-06-22 | 兰州城市学院 | 一种番茄叶绿素含量多光谱估测方法 |
CN110398466A (zh) * | 2019-08-05 | 2019-11-01 | 北京绿土科技有限公司 | 基于遥感反演的农作物生长状态监测方法 |
CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
Non-Patent Citations (3)
Title |
---|
孙小香等: "基于水稻冠层高光谱的叶片SPAD值估算模型研究", 《江西农业大学学报》 * |
李丹等: "基于高光谱数据的荔枝SPAD值快速估测", 《热带地理》 * |
李粉玲 等: "基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算", 《农业机械学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033960A (zh) * | 2020-08-28 | 2020-12-04 | 大连海事大学 | 一种Kelvin尾迹可见光遥感成像方法及系统 |
CN112033960B (zh) * | 2020-08-28 | 2023-06-13 | 大连海事大学 | 一种Kelvin尾迹可见光遥感成像方法及系统 |
CN115508314A (zh) * | 2022-09-23 | 2022-12-23 | 南京农业大学 | 一种基于冠层组分光谱分离的土壤影响消除与小麦叶片叶绿素含量高精度估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111398178B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Yield estimation in cotton using UAV-based multi-sensor imagery | |
CN111289441B (zh) | 多光谱下的大田作物含水量确定方法、系统及设备 | |
CN111398178A (zh) | 叶片叶绿素含量反演方法、装置、电子设备及存储介质 | |
CN113345004B (zh) | 一种植被叶面积指数的估算方法和装置 | |
CN114005039B (zh) | 基于遥感图像的农作物长势评估方法、装置及电子设备 | |
CN107247690B (zh) | 估算气温的方法及服务终端 | |
CN112465893A (zh) | 一种植被叶片面积测量方法、装置、终端及存储介质 | |
CN114863369B (zh) | 激光雷达监测玉米倒伏的方法、装置、设备及介质 | |
CN111310639B (zh) | 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法 | |
CN114680029A (zh) | 基于土壤与作物根系的灌溉方法、装置、设备及存储介质 | |
CN116778345B (zh) | 山地森林火烧迹地植被盖度反演方法、装置及电子设备 | |
CN111507197A (zh) | 一种棉花脱叶剂施药处方图生成方法及装置 | |
CN111610159B (zh) | 地表温度降尺度估算方法及植被水分胁迫监测方法 | |
Prudente et al. | Use of terrestrial remote sensing to estimate soybeans and beans biophysical parameters | |
CN113887024A (zh) | 基于归一化温度构建的干旱指数反演表层土壤水分方法 | |
CN117612007A (zh) | 基于改进prosail模型的冬油菜冠层混合反演处理方法及系统 | |
CN116485174B (zh) | 一种臭氧污染对作物减产风险评估方法和装置 | |
CN110069877B (zh) | 一种总初级生产力确定方法、装置及电子设备 | |
CN113963263B (zh) | 多年生植被生长属性的确定方法、装置以及存储介质 | |
Bao et al. | Forecasting spring maize yield using vegetation indices and crop phenology metrics from UAV observations | |
CN110702166B (zh) | 一种用于植物冠层参数测量的装置 | |
JP2023174067A (ja) | メタン排出量推定システム及び方法並びにプログラム | |
CN114187538A (zh) | 一种多光谱植被监测干扰信息的剔除方法和装置 | |
Sá et al. | Analysis of the relationship between spatial pattern and spectral detectability of areas burned in southern Africa using satellite data | |
CN111985849B (zh) | 一种棉花地的地上生物量生成方法和装置 |
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 |