CN111766224B - 一种仅利用辐亮度数据反演叶绿素荧光光谱的方法 - Google Patents
一种仅利用辐亮度数据反演叶绿素荧光光谱的方法 Download PDFInfo
- Publication number
- CN111766224B CN111766224B CN202010641670.7A CN202010641670A CN111766224B CN 111766224 B CN111766224 B CN 111766224B CN 202010641670 A CN202010641670 A CN 202010641670A CN 111766224 B CN111766224 B CN 111766224B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- fluorescence
- components
- fluorescence spectrum
- data
- 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种仅利用辐亮度数据反演叶绿素荧光光谱的方法,包括以下步骤:步骤1:基于模拟和实测数据获取各种生态条件下的叶绿素荧光光谱曲线和无荧光光谱,组成训练光谱库;步骤2:分别对获取的两类光谱数据进行奇异向量分解,得到各自的奇异分量;步骤3:分别将前10个荧光光谱分量和无荧光光谱分量的组合输入模型,利用最小二乘方法进行拟合,逐个计算辐射传输模型中的未知数,同时计算对应的贝叶斯指数;步骤4:利用贝叶斯指数最小时所用的叶绿素荧光光谱分量和无荧光光谱分量个数作为模型输入,反演得到叶绿素荧光光谱。本发明只需辐亮度光谱数据即可反演得到叶绿素荧光光谱,不再受同步辐照度数据的限制。
Description
技术领域
本发明属于植被日光诱导叶绿素荧光反演的技术领域,特别是涉及一种仅利用辐亮度数据反演叶绿素荧光光谱的方法。
背景技术
日光诱导叶绿素荧光是叶绿素分子吸收太阳辐射之后发出的在640-850nm范围内的电磁信号,它有两个发射峰,分别位于685nm(左峰)和740nm(右峰)。叶绿素荧光与植被光合固碳及热耗散同根同源,作为光合作用的副产品,它携带着大量的生物生理信息,并且可以作为光合作用状态的直接和非入侵性指标,能够用于估算植被出生总产总值并监测植物的早期胁迫等,具有重要的研究意义。
在之前的大多数研究中,都只反演了单波段或多宽波段处的叶绿素荧光(常用的吸收线有O2-A波段、O2-B波段和夫琅和费暗线等),往往忽略了荧光发射范围内其他波段处的荧光信息。研究表明,叶绿素荧光发射范围内其他波长处的叶绿素荧光也很重要,如荧光峰值比与植被的叶绿素含量、光能利用率、胁迫状态等有关,荧光波谱两个峰对应的波长、半高宽和荧光关于波长的积分值与植被的养分胁迫有关等。因此,近年来有相关的学者对叶绿素荧光光谱的反演也进行了一些研究,并发展了一些全波段荧光光谱反演方法。现有的荧光光谱反演方法包括Fluorescence Spectrum Reconstruction(FSR)、advancedFluorescence Spectrum Reconstruction(aFSR)和Full-spectrum Spectral FittingMethod(F-SFM)等,这些方法均能实现全波段叶绿素荧光光谱的反演,但有一个共同的缺点,就是必须提供同步的太阳辐照度数据,这一缺陷在一定程度上限制了现有算法的推广性。
发明内容
为了解决上述技术问题中的不足之处,本发明提供了一种仅利用辐亮度数据反演叶绿素荧光光谱的方法,可以不再受同步辐照度数据的限制。
为了解决上述技术问题,本发明采用的技术方案是:
一种仅利用辐亮度数据反演叶绿素荧光光谱的方法,包括以下步骤:
步骤1:基于模拟和实测数据获取各种生态条件下的叶绿素荧光光谱曲线和不包含叶绿素荧光信息的辐亮度光谱曲线,不包含叶绿素荧光信息的辐亮度光谱曲线简称无荧光光谱,组成训练光谱库;
步骤2:分别对训练光谱库中的两类光谱数据进行奇异向量分解,得到各自的奇异分量;
步骤3:分别将前10个荧光光谱分量和无荧光光谱分量的组合辐射传输输入模型,利用最小二乘方法进行拟合,逐个计算辐射传输模型中的未知数,同时计算对应的贝叶斯指数;
步骤4:利用贝叶斯指数最小时所用的叶绿素荧光光谱分量和无荧光光谱分量个数作为辐射传输模型输入,反演得到叶绿素荧光光谱;
所述的仅利用辐亮度数据反演叶绿素荧光光谱的方法,所述步骤1中,利用SCOPE模型、FluorWPS模型以及实测数据获取各种条件下的叶绿素荧光光谱和无荧光光谱,作为训练光谱库。
所述的仅利用辐亮度数据反演叶绿素荧光光谱的方法,所述步骤2中,对光谱库中的数据进行奇异向量分解的过程包括以下步骤:
步骤201:对叶绿素荧光光谱数据进行奇异向量分解,得到荧光光谱奇异分量;
步骤202:对无荧光光谱数据进行奇异向量分解,得到无荧光光谱奇异分量。
所述的仅利用辐亮度数据反演叶绿素荧光光谱的方法,奇异向量分解具体如下:
M=USVT (5)
式中,M是要分解的矩阵,对应的行列数分别为光谱数和光谱波段数,U为左奇异向量矩阵,S为奇异值组成的对角矩阵,V为右奇异向量矩阵,T为转置符。其中奇异分量由矩阵V的各列向量表示。
所述的仅利用辐亮度数据反演叶绿素荧光光谱的方法,所述步骤3中,首先确定荧光光谱分量和无荧光光谱分量的组合,具体为依次增加的荧光光谱分量个数分别对应逐次累加的无荧光光谱分量个数,两种分量的最大个数均为10,共有100种组合方式;然后将不同组合方式的数据输入模型,用最小二乘拟合方法求解模型中的未知数,同时计算出每次拟合对应的贝叶斯指数。
所述的仅利用辐亮度数据反演叶绿素荧光光谱的方法,所述步骤3中,所用的辐射传输方程如下:
贝叶斯指数计算方式入下:
BYS=nλln(RSS/nλ)+kln(nλ) (2)
式中,BYS代表贝叶斯指数,nλ代表波段数,k代表模型中未知数的个数,RSS代表拟合光谱与实测光谱间的残差平方和。RSS的计算公式如下:
所述的仅利用辐亮度数据反演叶绿素荧光光谱的方法,所述步骤4中,比较不同荧光光谱分量和无荧光光谱分量个数组合下得到的贝叶斯指数,贝叶斯指数最小时,利用最小二乘方法拟合,得到模型中的未知数,即可反演得到叶绿素荧光光谱。
本发明主要发展了一种仅利用辐亮度数据反演叶绿素荧光光谱的方法,可以不再受同步辐照度数据的限制。该方法将辐亮度看作无荧光信号与荧光信号的叠加,同时认为无荧光信号可以由无荧光光谱分量的线性组合表达,荧光信号可以由荧光光谱分量的线性组合表达。首先获取大量的荧光光谱和无荧光光谱构成训练光谱库,然后利用奇异向量分解技术对光谱数据进行分解,得到对应的分量,再将分量个数的不同组合数据输入模型进行最小二乘拟合,并计算出对应的贝叶斯指数,当贝叶斯指数最小时,对应的荧光光谱分量和无荧光光谱分量个数为最佳,即可反演得到叶绿素荧光光谱。
本发明具有以下有益效果:提供了仅利用辐亮度数据一种反演叶绿素荧光光谱的方法。该方法可以仅利用辐亮度数据进行叶绿素荧光光谱的反演,不必像现有的反演方法一样,必须同时获得同步的辐亮度和辐照度数据以及反射率光谱数据库,同时还引用了贝叶斯准则以保证本方法反演得到的叶绿素荧光光谱是精度最高的。该方法降低了反演叶绿素荧光光谱对输入数据类型的要求,原理简单,更容易进行推广应用。
附图说明
图1为叶绿素荧光光谱反演结果;
图2为叶绿素荧光光谱反演结果与真实数据对比;
具体实施方式
步骤1:利用FluorWPS模型和SCOPE模型模拟各种生理条件下的荧光光谱和无荧光光谱数据;利用参考白板获取多种天气条件下实测数据,结合现有叶绿素荧光光谱反演算法,得到对应的荧光光谱和无荧光光谱数据;将模拟数据和实测数据进行结合,构成具有足够代表性的训练光谱库。其中,选用的现有叶绿素荧光光谱反演方法是aFSR,其辐射传输模型如下:
式中,L(λ)代表辐亮度,E(λ)代表对应的辐照度,φrj和φfi分别为反射率分量和荧光分量,crj和cfi分别对应反射率分量和荧光分量的待拟合系数,Nr和Nf分别为反射率分量和荧光分量的个数。
步骤2:利用奇异向量分解技术分别对光谱库中的荧光光谱和无荧光光谱数据进行奇异向量分解,以获得荧光光谱分量和无荧光光谱分量。奇异向量分解的具体公式如下:
M=USVT (5)
式中,M是要分解的矩阵,对应的行列数分别为光谱数和光谱波段数,U为左奇异向量矩阵,S为奇异值组成的对角矩阵,V为右奇异向量矩阵,T为转置符。其中奇异分量由矩阵V的各列向量表示。
步骤3:首先确定荧光光谱分量和无荧光光谱分量的组合,具体为依次增加的荧光光谱分量个数分别对应逐次累加的无荧光光谱分量个数,两种分量的最大个数均为10,共有100种组合方式。然后将不同组合方式的数据输入模型,用最小二乘拟合方法求解模型中的未知数,同时计算出每次拟合对应的贝叶斯指数。所用的辐射传输模型如下:
贝叶斯指数计算公式如下:
BYS=nλln(RSS/nλ)+kln(nλ) (2)
式中,BYS代表贝叶斯指数,nλ代表波段数,k代表模型中未知数的个数,RSS代表拟合光谱与实测光谱间的残差平方和。RSS的计算公式如下:
步骤4:通过比较,找出与所有拟合数据对应的贝叶斯指数,取其最小值;将贝叶斯指数最小时对应的模型未知数输入模型(1)进行重新组合,即可反演得到精度最高的叶绿素荧光光谱。反演的叶绿素荧光光谱结果与真实光谱如图1所示,散点图如图2所示。从图1、2可以看出,利用本文发展的叶绿素荧光光谱反演方法可以较为真实的还原真实荧光光谱曲线,两者之间光谱形状高度一致,尤其是第二个波峰处最为明显。本方法可以实现高精度的叶绿素荧光光谱反演,其反演偏差(bias)为-0.001mW/m2/sr/nm,均方根误差(RMSE)为0.017mW/m2/sr/nm。Bias和RMSE的计算公式如下:
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (1)
1.一种仅利用辐亮度数据反演全波段叶绿素荧光光谱的方法,其特征在于,包括以下步骤:
步骤1:基于模拟和实测数据获取各种生态条件下的叶绿素荧光光谱曲线和不包含叶绿素荧光信息的辐亮度光谱曲线,不包含叶绿素荧光信息的辐亮度光谱曲线简称无荧光光谱,组成训练光谱库;利用SCOPE模型、FluorWPS模型以及实测数据获取各种条件下的叶绿素荧光光谱和无荧光光谱,作为训练光谱库;
步骤2:分别对训练光谱库中的两类光谱数据进行奇异向量分解,得到各自的奇异分量;对光谱库中的数据进行奇异向量分解的过程包括以下步骤:
步骤201:对叶绿素荧光光谱数据进行奇异向量分解,得到荧光光谱奇异分量;
步骤202:对无荧光光谱数据进行奇异向量分解,得到无荧光光谱奇异分量;
奇异向量分解具体如下:
M=USVT (5)
式中,M是要分解的矩阵,对应的行列数分别为光谱数和光谱波段数,U为左奇异向量矩阵,S为奇异值组成的对角矩阵,V为右奇异向量矩阵,T为转置符;其中奇异分量由矩阵V的各列向量表示;
步骤3:分别将前10个荧光光谱分量和无荧光光谱分量进行组合,将不同组合方式的数据输入模型,利用最小二乘方法进行拟合,逐个计算辐射传输模型中的未知数,同时计算对应的贝叶斯指数;首先确定荧光光谱分量和无荧光光谱分量的组合,具体为依次增加的荧光光谱分量个数分别对应逐次累加的无荧光光谱分量个数,两种分量的最大个数均为10,共有100种组合方式;然后将不同组合方式的数据输入模型,用最小二乘拟合方法求解模型中的未知数,同时计算出每次拟合对应的贝叶斯指数;
所用的辐射传输方程如下:
贝叶斯指数计算方式入下:
BYS=nλln(RSS/nλ)+kln(nλ) (2)
式中,BYS代表贝叶斯指数,nλ代表波段数,k代表模型中未知数的个数,RSS代表拟合光谱与实测光谱间的残差平方和;RSS的计算公式如下:
步骤4:利用贝叶斯指数最小时所用的叶绿素荧光光谱分量和无荧光光谱分量个数作为辐射传输模型输入,反演得到叶绿素荧光光谱;具体为:比较不同荧光光谱分量和无荧光光谱分量个数组合下得到的贝叶斯指数,贝叶斯指数最小时,利用最小二乘方法拟合,得到模型中的未知数,即可反演得到叶绿素荧光光谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641670.7A CN111766224B (zh) | 2020-07-06 | 2020-07-06 | 一种仅利用辐亮度数据反演叶绿素荧光光谱的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641670.7A CN111766224B (zh) | 2020-07-06 | 2020-07-06 | 一种仅利用辐亮度数据反演叶绿素荧光光谱的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111766224A CN111766224A (zh) | 2020-10-13 |
CN111766224B true CN111766224B (zh) | 2021-12-07 |
Family
ID=72723789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641670.7A Active CN111766224B (zh) | 2020-07-06 | 2020-07-06 | 一种仅利用辐亮度数据反演叶绿素荧光光谱的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111766224B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416297A (zh) * | 2018-03-09 | 2018-08-17 | 河北省科学院地理科学研究所 | 一种基于叶绿素荧光的植被信息快速识别方法 |
CN108693154A (zh) * | 2018-04-25 | 2018-10-23 | 南京大学 | 一种多角度观测精确反演植被阴阳叶日光诱导叶绿素荧光的方法 |
CN109765204A (zh) * | 2019-01-08 | 2019-05-17 | 中国农业科学院农业资源与农业区划研究所 | 一种基于碳卫星数据的ki夫琅和费暗线反演叶绿素荧光的方法 |
-
2020
- 2020-07-06 CN CN202010641670.7A patent/CN111766224B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416297A (zh) * | 2018-03-09 | 2018-08-17 | 河北省科学院地理科学研究所 | 一种基于叶绿素荧光的植被信息快速识别方法 |
CN108693154A (zh) * | 2018-04-25 | 2018-10-23 | 南京大学 | 一种多角度观测精确反演植被阴阳叶日光诱导叶绿素荧光的方法 |
CN109765204A (zh) * | 2019-01-08 | 2019-05-17 | 中国农业科学院农业资源与农业区划研究所 | 一种基于碳卫星数据的ki夫琅和费暗线反演叶绿素荧光的方法 |
Non-Patent Citations (3)
Title |
---|
Retrieval and global assessment of terrestrial chlorophyll fluorescence from GOSAT space measurements;Guanter L 等;《Remote Sensing of Environment》;20120630;第121卷(第6期);第236-251页 * |
基于碳卫星的中国东北地区叶绿素荧光反演;李石磊等;《中国农业信息》;20181231;第30卷(第6期);第53-62页 * |
日光诱导叶绿素荧光遥感反演及碳循环应用进展;章钊颖;《遥感学报》;20190131(第01期);第37-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111766224A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Hyperspectral remote sensing of plant biochemistry using Bayesian model averaging with variable and band selection | |
Zhao et al. | Reconstruction of the full spectrum of solar-induced chlorophyll fluorescence: Intercomparison study for a novel method | |
Zhang et al. | Detection of canopy chlorophyll content of corn based on continuous wavelet transform analysis | |
CN106441575B (zh) | 一种太赫兹时域光谱稀疏成像方法 | |
Chen et al. | Comparison between back propagation neural network and regression models for the estimation of pigment content in rice leaves and panicles using hyperspectral data | |
CN110579186B (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
CN112200770A (zh) | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 | |
CN108007881A (zh) | 一种基于光谱技术的水产养殖水质总氮含量检测方法 | |
CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
Tan et al. | Soil nitrogen content detection based on near-infrared spectroscopy | |
CN115479902A (zh) | 基于波长的叶绿素含量测定模型构建方法及其系统 | |
Cao et al. | Nondestructive detection of lead content in oilseed rape leaves based on MRF‐HHO‐SVR and hyperspectral technology | |
CN111766224B (zh) | 一种仅利用辐亮度数据反演叶绿素荧光光谱的方法 | |
CN111751342B (zh) | 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法 | |
Zhao et al. | Simultaneous quantification and visualization of photosynthetic pigments in Lycopersicon esculentum mill. Under different levels of nitrogen application with visible-near infrared hyperspectral imaging technology | |
CN113065230A (zh) | 基于优化光谱指数建立水稻叶片spad的高光谱反演模型 | |
CN115080905B (zh) | 一种高原湖泊叶绿素a浓度遥感反演方法 | |
Qiong et al. | Field monitoring of wheat seedling stage with hyperspectral imaging | |
CN114943142B (zh) | 高光谱地表反射率和大气参数一体化反演方法及装置 | |
Wan et al. | A stacking-based ensemble learning method for available nitrogen soil prediction with a handheld micronear-infrared spectrometer | |
CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
CN115438566A (zh) | 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法 | |
CN108444980A (zh) | 基于代数重建关联向量求解的libs定量分析方法 | |
Kong et al. | An integrated field and hyperspectral remote sensing method for the estimation of pigments content of Stipa Purpurea in Shenzha, Tibet | |
CN112949038A (zh) | 一种计算海洋水体不同浮游植物种群比吸收系数的方法 |
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 |