CN111882242A - 一种植被指数在牧草生物量估算研究中的评价方法 - Google Patents
一种植被指数在牧草生物量估算研究中的评价方法 Download PDFInfo
- Publication number
- CN111882242A CN111882242A CN202010782529.9A CN202010782529A CN111882242A CN 111882242 A CN111882242 A CN 111882242A CN 202010782529 A CN202010782529 A CN 202010782529A CN 111882242 A CN111882242 A CN 111882242A
- Authority
- CN
- China
- Prior art keywords
- ρnir
- index
- biomass
- ρred
- vegetation
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种植被指数在牧草生物量估算研究中的评价方法,属于牧草生物量估算领域,采用Sentinel‑2影像结合地面实测数据进行牧草生物量反演,分析了18种指数与生物量的拟合关系,通过精度评价和敏感性分析确定了不同指数模型的适用范围,提出利用组合指数方法来提高模型的制图精度,结果表明18种指数与生物量的最优模型表现出“类线性”的幂函数关系和指数函数关系两种趋势,其中幂函数关系模型中CIgreen呈现出最佳的验证精度和最优的敏感性,且当生物量大于0.65kg/m2时在所有指数中普适性最强。指数函数模型中NDII表现出最高的验证精度和最优的敏感性,且当生物量小于0.65kg/m2时在所有指数中普适性最强。
Description
技术领域
本发明涉及牧草生物量估算领域,尤其涉及一种植被指数在牧草生物量估算研究中的评价方法。
背景技术
牧草生物量作为草地生态系统的物质基础,不仅能够客观的反映了牧草的生长状况和草原载畜量大小,还是草地碳库的一个重要组成部分。及时、准确的估算并掌握牧草生物量的含量、分布以及动态变化情况对于评估草地生态系统、研究全球碳循环、合理开发草地资源及确保草地生态安全等具有重要意义。
目前,遥感技术被认为是最有效、最具潜力的牧草生物量估算方法。遥感估算是以植被指数为主要输入变量的基于像元的数理统计回归分析方法,通过不同尺度数据之间建立函数关系来完成由点及面的转换。植被指数的本质就是多波段反射率的数学变换,使变换后的数据在增强植被信息的同时最小化非植被特征,因此植被指数可以较好地反映植物的生长状况及空间分布。从1979年Tucker等发现通过对近红外波段和红光波段反射率的归一化处理获取的归一化植被指数(NDVI)对于生物量的变化十分敏感,此后为了消除各种噪声因子的影响,国内外学者相继提出了一系列的植被指数(至今已有40余种),如用于消除土壤噪声的优化土壤调节植被指数(OSAVI),消除大气干扰的大气阻抗植被指数(ARVI)。虽然大多数植被指数与生物量存在较好的耦合关系,但研究发现不同环境下的效果仍存在争论[7]。同时本研究组早期的研究结果发现在牧草生长期-枯黄期(10月份左右)生物量估算过程中由于植被覆盖度较高,植被指数模型多存在“过饱和”的问题。虽然一些用于缓解“过饱和”问题的植被指数被发展(如强型植被指数EVI),但研究发现这些指数并未有效缓解高生物量区域牧草估算中“过饱和”的问题。
Sentinel-2相较于Landsat数据,提供了更高空间分辨率(10m、20m)和更多的多光谱数据(13个波段),并且其独有的红边波段与植被的多种理化参数紧密相关,为植被监测提供了更多的波段选择,进而可以产生更多具有不同理化生态学意义的植被指数,具有更多大的潜力来估算牧草生物量。本研究以Sentinel-2数据提取的18种宽波段植被指数作为数据源,以青海省海晏县为研究区,构建不同指数与生物量之间的最优拟合模型,并对其进行了敏感性分析;讨论不同生物量范围内的最优指数及对应模型,探索利用组合指数的方法来提高牧草生物量空间分布制图精度的可能性。以期为牧草生物量遥感监测提供理论依据,为青海草原“智慧畜牧业”发展提供参考借鉴。
发明内容
本发明为解决上述问题,而提出的一种植被指数在牧草生物量估算研究中的评价方法。
为了实现上述目的,本发明采用了如下技术方案:
一种植被指数在牧草生物量估算研究中的评价方法,包括以下步骤:
S1、采集地面生物量数据,根据草地类型及长势等级梯度选择三个采样区进行,样方尽可能代表整个研究区域的植被生长状况,样方规格为0.5m×0.5m,齐地刈割,挑出石子和动物粪便等不可食部分称取鲜重并记录,记录内容包括样方编号、样方中心点GPS坐标,样本鲜重和照片编号;
S2、采集Sentinel-2遥感影像,包含13个波段,其中心波长为490nm、560nm、665nm和842nm的4个波段空间分辨率为10m,705nm、740nm、783nm、865nm、1610nm和2190nm的6个波段分辨率为20m,其余443nm、945nm和1375nm的3个波段分辨率为60m;并对采集数据进行预处理;
S3、选取常用于草地估产的18种植被指数,计算各植被指数的值,并利用S1中各样地记录的样方中心点GPS坐标,提取对应样地的各类植被指数;
S4、构建不同植被指数与对应生物量间的拟合模型,拟合方程包含线性函数和非线性函数,采用均方根误差RMSE和决定系数R2对模型精度进行评价;并使用十折交叉验证方法对最优模型进行精度验证,评价指标包括交叉验证决定系数R2 cv和交叉验证均方根误差RMSEcv。
优选地,所述S2中的预处理使用SNAP对影像进行预处理,经过辐射定标,大气校正后得到反射率数据,Sentinel-2数据各个波段的空间分辨率有所不同,采用最近邻插值法,将处理后的各波段重采样至10m
优选地,所述S3中选取中心波长在705nm的波段作为指数计算中的红边波段。
优选地,所述S3中短波红外波段则选取中心波长在2190nm的波段。
优选地,所述S3中的各类植被指数如下:
Normalized Vegetation Index(NDVI):(ρnir-ρred)/(ρnir+ρred);
Simple Ratio Index(SR):ρnir/ρred;
Modified NDVI(mNDVI):(ρnir-ρred)/(ρnir+ρred-2ρblue);
Red-edge NDVI(NDVIre):(ρnir-ρred-edge)/(ρnir+ρred-edge);
Red-edge Simple Ratio(SRre):ρnir/ρred-edge;
Modified Red-edge NDVI(mNDVIre):
(ρnir-ρred-edge)/(ρnir+ρred-edge-2ρblue);
Modified red-edge Simple Ratio(mSRre):
Green Chlorophyll Index(CIgreen):ρnir/ρgreen-1;
red-edge chlorophyll index(CIre):ρnir/ρred-edge-1;
Modified Terrestrial Chlorophyll Index(MTCI):
(ρnir-ρred-edge)/(ρred-ρred-edge);
Wide Dynamic Range Vegetation Index(WDRVI):
Normalized Difference Infrared Index(NDII):
(ρnir-ρswir)/(ρnir+ρswir);
Modified Triangular Vegetation Index 2(MTVI2):
Enhanced Vegetation Index(EVI):
2.5[ρnir-ρred/(ρnir+6ρred-7.5ρblue)];
Optimized Soil Adjusted Vegetation Index(OSAVI):
(ρnir-ρred)/(ρnir+ρred+0.16);
Normalized Difference Water Index(NDWI):
(ρgreen-ρnir)/(ρgreen+ρnir);
Global Vegetation Moisture Index(GVMI):
((ρnir+0.1)-(ρswir+0.02))/(ρnir+0.1)+(ρswir+0.02);
其中,ρnir、ρred、ρgreen、ρblue、ρred-edge和ρswir分别表示近红外、红、绿、蓝、红边和短波红外波段的反射率。
优选地,所述S4中的评价公式如下:
NEΔAGE=RMSE(VI vs AGB)/[d(VI)/d(AGB)]
式中,RMSE(VI vs AGB)表示植被指数关于生物量最优拟合函数的均方根误差,d(VI)/d(AGB)表示植被指数关于生物量的最优拟合函数对生物量的一阶导数。
与现有技术相比,本发明提供了一种植被指数在牧草生物量估算研究中的评价方法,具备以下有益效果:
1.“过饱和”是基于植被指数估算生长期-枯黄期牧草生物量过程中不可回避的问题,其中SR、mSRre、CIgreen、CIre和MTVI2与生物量呈“类线性”的幂函数关系,表明这些指数能够一定程度缓解“过饱和”问题的干扰。而NDVI、mNDVI、NDVIre、mNDVIre、WDRVI、NDII、EVI、OSAVI、NDWI和GVMI与生物量呈指数函数关系,均受到“过饱和”问题的干扰,但不同指数的饱和点的存在差异;
2.在生物量估算中,牧草的水分含量和叶绿素起主导作用,能够反映植被叶片/冠层水分含量的NDII和反映植被叶绿素含量的CIgreen最优拟合模型的估算精度均优于其他指数,其中CIgreen模型的验证精度为R2=0.72,RMSE=0.226,R2 cv=0.59,RMSEcv=0.230,NDII模型的验证精度为R2=0.73,RMSE=0.234,R2 cv=0.57,RMSEcv=0.234。同时,由于短波红外波段对植被水分变化十分敏感,而红边特征波段不受水分的影响,因此运用短波红外波段构建的植被指数估算模型整体高于红边特征指数模型;
3.综合考虑了不同植被指数最优拟合模型精度和等效噪声误差结果,生物量大于0.65kg/m2时CIgreen表现出更强的适用性,而NDII则在生物量小于0.65kg/m2时适用性更好。基于此结论提出的组合指数估算方法充分发挥了CIgreen和NDII区域,更好的完成了对研究区生物量空间分布的反演制图。
附图说明
图1为本发明提出的一种植被指数在牧草生物量估算研究中的评价方法的研究区位位置及样点分布图;
图2为本发明提出的一种植被指数在牧草生物量估算研究中的评价方法的调查点植被指数和地上生物量的最优拟合散点图;
图3为本发明提出的一种植被指数在牧草生物量估算研究中的评价方法的部分植被指数的敏感性分析图。
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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例1:
一种植被指数在牧草生物量估算研究中的评价方法,包括以下步骤:
S1、采集地面生物量数据,根据草地类型及长势等级梯度选择三个采样区进行,样方尽可能代表整个研究区域的植被生长状况,样方规格为0.5m×0.5m,齐地刈割,挑出石子和动物粪便等不可食部分称取鲜重并记录,记录内容包括样方编号、样方中心点GPS坐标,样本鲜重和照片编号;
S2、采集Sentinel-2遥感影像,包含13个波段,其中心波长为490nm、560nm、665nm和842nm的4个波段空间分辨率为10m,705nm、740nm、783nm、865nm、1610nm和2190nm的6个波段分辨率为20m,其余443nm、945nm和1375nm的3个波段分辨率为60m;并对采集数据进行预处理;
S3、选取常用于草地估产的18种植被指数,计算各植被指数的值,并利用S1中各样地记录的样方中心点GPS坐标,提取对应样地的各类植被指数;
S4、构建不同植被指数与对应生物量间的拟合模型,拟合方程包含线性函数和非线性函数,采用均方根误差RMSE和决定系数R2对模型精度进行评价;并使用十折交叉验证方法对最优模型进行精度验证,评价指标包括交叉验证决定系数R2 cv和交叉验证均方根误差RMSEcv。
进一步,优选地,S2中的预处理使用SNAP对影像进行预处理,经过辐射定标,大气校正后得到反射率数据,Sentinel-2数据各个波段的空间分辨率有所不同,采用最近邻插值法,将处理后的各波段重采样至10m
进一步,优选地,S3中选取中心波长在705nm的波段作为指数计算中的红边波段。
进一步,优选地,S3中短波红外波段则选取中心波长在2190nm的波段。
进一步,优选地,S3中的各类植被指数如下:
Normalized Vegetation Index(NDVI):(ρnir-ρred)/(ρnir+ρred);
Simple Ratio Index(SR):ρnir/ρred;
Modified NDVI(mNDVI):(ρnir-ρred)/(ρnir+ρred-2ρblue);
Red-edge NDVI(NDVIre):(ρnir-ρred-edge)/(ρnir+ρred-edge);
Red-edge Simple Ratio(SRre):ρnir/ρred-edge;
Modified Red-edge NDVI(mNDVIre):
(ρnir-ρred-edge)/(ρnir+ρred-edge-2ρblue);
Modified red-edge Simple Ratio(mSRre):
Green Chlorophyll Index(CIgreen):ρnir/ρgreen-1;
red-edge chlorophyll index(CIre):ρnir/ρred-edge-1;
Modified Terrestrial Chlorophyll Index(MTCI):
(ρnir-ρred-edge)/(ρred-ρred-edge);
Wide Dynamic Range Vegetation Index(WDRVI):
Normalized Difference Infrared Index(NDII):
(ρnir-ρswir)/(ρnir+ρswir);
Modified Triangular Vegetation Index 2(MTVI2):
Enhanced Vegetation Index(EVI):
2.5[ρnir-ρred/(ρnir+6ρred-7.5ρblue)];
Optimized Soil Adjusted Vegetation Index(OSAVI):
(ρnir-ρred)/(ρnir+ρred+0.16);
Normalized Difference Water Index(NDWI):
(ρgreen-ρnir)/(ρgreen+ρnir);
Global Vegetation Moisture Index(GVMI):
((ρnir+0.1)-(ρswir+0.02))/(ρnir+0.1)+(ρswir+0.02);
其中,ρnir、ρred、ρgreen、ρblue、ρred-edge和ρswir分别表示近红外、红、绿、蓝、红边和短波红外波段的反射率。
进一步,优选地,S4中的评价公式如下:
NEΔAGE=RMSE(VI vs AGB)/[d(VI)/d(AGB)]
式中,RMSE(VI vs AGB)表示植被指数关于生物量最优拟合函数的均方根误差,d(VI)/d(AGB)表示植被指数关于生物量的最优拟合函数对生物量的一阶导数;
实施例2:
研究区位于地理位置36°53'30"-37°5'30"N,100°47'30"-100°59'10"E;年日照时数2980小时,年平均温度1.7°,年降水量499mm,夏秋降水多,春冬降水少,属于高原内陆型气候,全县牧草草地面积占总面积49.35%,草场资源丰富,草种类型多样,是全国草地生态畜牧业试验区;草地类型以高寒草甸类、高寒草甸草原类和温性草原三大类型草地为主;研究区包含冬春草场和夏秋草场,研究区内植被分布较为均匀,混杂分布着高山嵩草、草地早熟禾、矮嵩草、紫花针茅、异针茅、芨芨草、珠芽蓼和条叶垂头菊等物种;
S1、采样点设置与生物量测定;
地面生物量数据根据草地类型及长势等级梯度选择三个采样区进行,包括一个夏秋草场(Ⅰ)和两个春冬草场(Ⅱ和Ⅲ),共97个样方,样方尽可能代表整个研究区域的植被生长状况,样方规格为0.5m×0.5m,齐地刈割,挑出石子和动物粪便等不可食部分称取鲜重并记录。记录内容包括样方编号、样方中心点GPS坐标,样本鲜重和照片编号。
S2、遥感数据获取及预处理;
本发明所选用的遥感数据为Sentinel-2遥感影像,包含13个波段,其中心波长为490nm、560nm、665nm和842nm的4个波段空间分辨率为10m,705nm、740nm、783nm、865nm、1610nm和2190nm的6个波段分辨率为20m,其余443nm、945nm和1375nm的3个波段分辨率为60m;使用SNAP对影像进行预处理,经过辐射定标,大气校正后得到反射率数据;Sentinel-2数据各个波段的空间分辨率有所不同,本发明使用最近邻插值法,将处理后的各波段重采样至10m。
选取常用于草地估产的18种植被指数,计算各植被指数的值,并利用各样地记录的GPS定位坐标,提取对应样地的各类植被指数;由于Sentinel-2包含3个红边波段,实验结果发现705nm处的反射率与生物量间的相关性优于740nm和783nm处的反射率,可能原因是由于705nm处的反射率与叶绿素含量存在更优的相关性,因此,本发明选取中心波长在705nm的波段作为指数计算中的红边波段;通过实验结果,短波红外波段则选取中心波长在2190nm的波段。
S3、模型建立与精度评价;
分别构建不同植被指数与对应生物量间的拟合模型,拟合方程包含线性函数和非线性(二项式、指数、幂数和对数)函数;采用均方根误差RMSE和决定系数R2对模型精度进行评价;并使用十折交叉验证方法对最优模型进行精度验证,评价指标包括交叉验证决定系数R2 cv和交叉验证均方根误差RMSEcv;
S4、生物量数据分析;
由于牧草生物量会受到草地类型和放牧强度等多种因素的影响,不同采样点的草地生物量差异很大;因此本发明根据研究区草地的分布状况设置了3个采样区。其中采样区I属于夏季牧场,由于长时间的放牧,旅游资源的开发,草地植被高度较矮,生物量最小值仅为0.04kg/m2;采样区II和采样区III属于冬季牧场,草地一直处于保育状态,生产力处于一年最高阶段,生物量较高,平均值达0.763~0.81kg/m2。三个采样区共包含了100个采样点,剔除部分异常值后剩余97个采样点。这些样点数据为研究植被冠层光谱特征与生物量的关系奠定了基础。
表1不同样区及生物量统计结果
S5、基于植被指数的生物量模型构建及精度验证
为了直观的展示植被指数与牧草生物量之间的响应关系,绘制了18种指数与生物量之间的散点图,并进行了拟合模型的构建与最优模型的筛选。结果如图2所示,从图中能够看出所选植被指数与牧草生物量之间均呈现显著的非线性拟合关系,R2介于0.52~0.73,RMSE则介于0.230~0.283kg/m2,说明选择的指数均能够较好的反映牧草地生长状况,但效果存在差异。其中SR、mSR、SRre、mSRre、CIgreen、CIre、MTCI和MTVI2与生物量呈幂函数关系,且幂函数的常数均在1附近(0.7<a<1.3,MTCI、mSRre、SRre三个指数的拟合精度较低,暂不考虑),也就是说这些指数与牧草生物量之间存在“类线性”的拟合关系(如图2所示),说明这些指数构建的估算模型受生物量变化影响较小,在普适性方面具有较大的潜力;而NDVI、mNDVI、NDVIre、mNDVIre、WDRVI、NDII、EVI、OSAVI、NDWI和GVMI与生物量呈指数函数关系,其中NDII的表现优于其他指数(R2=0.73,RMSE=0.234kg/m2)。但这些指数的拟合模型均受到不同程度“过饱和”问题的影响,且不同指数的饱和点存在差异。例如牧草生物量估算中表现最优NDII在0.65附近趋于饱和,所对应的牧草生物量范围为0.5~1.5kg/m2,也就是说NDII对于生物量变化敏感性下降。植被指数的“过饱和”问题已经成为植被高生物量估算中的一个重要制约因素。
为了进一步验证构建模型的可靠性,采用十折交叉验证方法对不同植被指数最优模型进行精度验证,验证结果如表3所示。由表3可以看出,不同植被指数最优模型精度评价结果和交叉验证结果基本一致,精度较高的植被指数同样具有较好的交叉验证结果。其中,常用的植被指数NDVI和SR具有较好的表现,而改进的mNDVI和mSR并没有表现出预期的结果,精度均低于NDVI和SR,可能原因是由于牧草冠层结构复杂,并参杂一定的干枯杂草。研究结果表明加入红边波段的指数不仅能够延缓指数的饱和趋势,而且能够提高生物量的反演精度,而本研究发现引入红边波段的指数并未显著提高生物量的估算精度(如NDVIre所对应的R2和RMSE与NDVI结果相当),甚至一些指数所对应的精度出现了明显降低(如SRre所对应的R2和RMSE分别为0.53和0.274kg/m2,精度远低于SR对应的0.70和0.238kg/m2),可能原因是植被的红边特征(705nm)对于水分的变化敏感性差,而在本实验中水分是牧草湿生物量的重要主导因素。而与植被叶面和冠层水分密切相关的植被指数NDWI、GVMI和NDII均具有良好的表现,尤其是GVMI和NDII对应的模型精度在所有指数中最高,是由于这两个指数包含了短波红外波段,而研究表明短波红外对于植被的水分含量变化十分敏感。而在生物量估算中另一个重要指标是叶绿素,由表2可知,反映叶绿素的CIgreen和Clre同样具有较好的估算结果。而其他反映植被叶面积指数(MTVI2、WDRVI)、缓解过饱和问题(EVI、WDRVI)、降低背景噪声(OSAVI)的植被指数并未在牧草生物量估算中表现出优于NDVI和SR的结果。综上所述,影响牧草生物量估算精度的主要因素是水分和叶绿素。
表2不同指数最优模型精度评价及交叉验证
S6、估算模型敏感性分析
NEΔAGE=RMSE(VI vs AGB)/[d(VI)/d(AGB)]
NEΔAGE能够反映在生物量变化范围内植被指数的响应能力。RMSE越小,一阶微分绝对值越大,NEΔAGE越小,就证明植被指数对生物量的敏感度和适用性就越强。以NDVI和SR建模精度和验证结果为标准,本文选择NDVI、SR、CIgreen、CIre、NDII、NDWI和GVMI2等7个植被指数进行等效噪声误差分析。结果如图3所示,选择的7种植被指数的NEΔAGE均随着生物量的增加呈现上升趋势。其中,NDVI、NDII、NDWI和GVMI2所对应的NEΔAGE与生物量的变化呈经过(0,0)点的线性关系,而CIgreen、CIre和SR的所对应的NEΔAGE与生物量的变化呈幂函数关系。两种不同NEΔAGE的变化趋势在0.6kg/m2附近相交。根据NEΔAGE值越小,植被指数对生物量的敏感度和适用性越强的原则,NDVI、NDII、NDWI和GVMI2等指数在生物量低于0.6kg/m2时保持较高的敏感性,而CIgreen、CIre和SR等指数在生物量高于0.6kg/m2时敏感性较高。
综合考虑不同植被指数所对应的生物量最优拟合模型精度和生物量估算等效噪声误差NEΔAGE,幂函数关系模型中NDII具有优于GVMI2、NDVI和NDWI的模型精度和验证精度,而对应的NEΔAGE斜率均小于GVMI2、NDVI和NDII,说明在幂函数关系模型中NDII适用性最佳;指数函数关系模型中CIgreen的模型精度和验证精度好于CIre和SR,而对应的NEΔAGE值则与CIre和SR差异较小,也是说在指数函数关系模型中CIgreen指数适用性最佳。同时NDII和CIgreen所对应的NEΔAGE在0.65kg/m2附近相交,那么在生物量低于0.65kg/m2时,NDII在所有选择的指数中具有最佳的适用性,而CIgreen在生物量高于0.65kg/m2时适用性最优。借鉴LAI估算中提出的组合指数方法来提高模型反演精度,即在作物不同生长期(前期和中后期)分别使用两类指数进行拟合,尝试利用NDII和CIgreen适用范围互补的优势构建大尺度范围的牧草生物量估算模型。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种植被指数在牧草生物量估算研究中的评价方法,其特征在于,包括以下步骤:
S1、采集地面生物量数据,根据草地类型及长势等级梯度选择三个采样区进行,样方尽可能代表整个研究区域的植被生长状况,样方规格为0.5m×0.5m,齐地刈割,挑出石子和动物粪便等不可食部分称取鲜重并记录,记录内容包括样方编号、样方中心点GPS坐标,样本鲜重和照片编号;
S2、采集Sentinel-2遥感影像,包含13个波段,其中心波长为490nm、560nm、665nm和842nm的4个波段空间分辨率为10m,705nm、740nm、783nm、865nm、1610nm和2190nm的6个波段分辨率为20m,其余443nm、945nm和1375nm的3个波段分辨率为60m;并对采集数据进行预处理;
S3、选取常用于草地估产的18种植被指数,计算各植被指数的值,并利用S1中各样地记录的样方中心点GPS坐标,提取对应样地的各类植被指数;
S4、构建不同植被指数与对应生物量间的拟合模型,拟合方程包含线性函数和非线性函数,采用均方根误差RMSE和决定系数R2对模型精度进行评价;并使用十折交叉验证方法对最优模型进行精度验证,评价指标包括交叉验证决定系数R2 cv和交叉验证均方根误差RMSEcv。
2.根据权利要求1所述的一种植被指数在牧草生物量估算研究中的评价方法,其特征在于:所述S2中的预处理使用SNAP对影像进行预处理,经过辐射定标,大气校正后得到反射率数据,Sentinel-2数据各个波段的空间分辨率有所不同,采用最近邻插值法,将处理后的各波段重采样至10m。
3.根据权利要求1所述的一种植被指数在牧草生物量估算研究中的评价方法,其特征在于:所述S3中选取中心波长在705nm的波段作为指数计算中的红边波段。
4.根据权利要求1所述的一种植被指数在牧草生物量估算研究中的评价方法,其特征在于:所述S3中短波红外波段则选取中心波长在2190nm的波段。
5.根据权利要求1所述的一种植被指数在牧草生物量估算研究中的评价方法,其特征在于:所述S3中的各类植被指数如下:
Normalized Vegetation Index(NDVI):(ρnir-ρred)/(ρnir+ρred);
Simple Ratio Index(SR):ρnir/ρred;
Modified NDVI(mNDVI):(ρnir-ρred)/(ρnir+ρred-2ρblue);
Red-edge NDVI(NDVIre):(ρnir-ρred-edge)/(ρnir+ρred-edge);
Red-edge Simple Ratio(SRre):ρnir/ρred-edge;
Modified Red-edge NDVI(mNDVIre):
(ρnir-ρred-edge)/(ρnir+ρred-edge-2ρblue);
Modified red-edge Simple Ratio(mSRre):
Green Chlorophyll Index(CIgreen):ρnir/ρgreen-1;
red-edge chlorophyll index(CIre):ρnir/ρred-edge-1;
Modified Terrestrial Chlorophyll Index(MTCI):
(ρnir-ρred-edge)/(ρred-ρred-edge);
Wide Dynamic Range Vegetation Index(WDRVI):
Normalized Difference Infrared Index(NDII):
(ρnir-ρswir)/(ρnir+ρswir);
Modified Triangular Vegetation Index 2(MTVI2):
Enhanced Vegetation Index(EVI):
2.5[ρnir-ρred/(ρnir+6ρred-7.5ρblue)];
Optimized Soil Adjusted Vegetation Index(OSAVI):
(ρnir-ρred)/(ρnir+ρred+0.16);
Normalized Difference Water Index(NDWI):
(ρgreen-ρnir)/(ρgreen+ρnir);
Global Vegetation Moisture Index(GVMI):
((ρnir+0.1)-(ρswir+0.02))/(ρnir+0.1)+(ρswir+0.02);
其中,ρnir、ρred、ρgreen、ρblue、ρred-edge和ρswir分别表示近红外、红、绿、蓝、红边和短波红外波段的反射率。
6.根据权利要求1所述的一种植被指数在牧草生物量估算研究中的评价方法,其特征在于:所述S4中的评价公式如下:
NEΔAGE=RMSE(VI vs AGB)/[d(VI)/d(AGB)]
式中,RMSE(VI vs AGB)表示植被指数关于生物量最优拟合函数的均方根误差,d(VI)/d(AGB)表示植被指数关于生物量的最优拟合函数对生物量的一阶导数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010782529.9A CN111882242A (zh) | 2020-08-06 | 2020-08-06 | 一种植被指数在牧草生物量估算研究中的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010782529.9A CN111882242A (zh) | 2020-08-06 | 2020-08-06 | 一种植被指数在牧草生物量估算研究中的评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111882242A true CN111882242A (zh) | 2020-11-03 |
Family
ID=73211831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010782529.9A Withdrawn CN111882242A (zh) | 2020-08-06 | 2020-08-06 | 一种植被指数在牧草生物量估算研究中的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882242A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348364A (zh) * | 2020-11-06 | 2021-02-09 | 中国林业科学研究院 | 草地生态系统生物量快速估算方法 |
CN112750048A (zh) * | 2020-12-22 | 2021-05-04 | 中国农业大学 | 一种利用花后ndvi动态分析禾谷类作物冠层衰老进度的方法 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
CN116973365A (zh) * | 2023-08-21 | 2023-10-31 | 中国农业科学院油料作物研究所 | 一种甘蓝型油菜苗期生物量、氮含量的预测方法及系统 |
CN117456364A (zh) * | 2023-11-09 | 2024-01-26 | 中国农业科学院农业信息研究所 | 一种基于SfM和草地高度因子的草地地上生物量估测方法及系统 |
-
2020
- 2020-08-06 CN CN202010782529.9A patent/CN111882242A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348364A (zh) * | 2020-11-06 | 2021-02-09 | 中国林业科学研究院 | 草地生态系统生物量快速估算方法 |
CN112750048A (zh) * | 2020-12-22 | 2021-05-04 | 中国农业大学 | 一种利用花后ndvi动态分析禾谷类作物冠层衰老进度的方法 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
CN113435252B (zh) * | 2021-05-27 | 2023-09-29 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
CN116973365A (zh) * | 2023-08-21 | 2023-10-31 | 中国农业科学院油料作物研究所 | 一种甘蓝型油菜苗期生物量、氮含量的预测方法及系统 |
CN117456364A (zh) * | 2023-11-09 | 2024-01-26 | 中国农业科学院农业信息研究所 | 一种基于SfM和草地高度因子的草地地上生物量估测方法及系统 |
CN117456364B (zh) * | 2023-11-09 | 2024-04-26 | 中国农业科学院农业信息研究所 | 一种基于SfM和草地高度因子的草地地上生物量估测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
CN111882242A (zh) | 一种植被指数在牧草生物量估算研究中的评价方法 | |
Gnyp et al. | Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages | |
Adam et al. | Estimating standing biomass in papyrus (Cyperus papyrus L.) swamp: exploratory of in situ hyperspectral indices and random forest regression | |
Foster et al. | Estimation of bioenergy crop yield and N status by hyperspectral canopy reflectance and partial least square regression | |
Herrmann et al. | SWIR-based spectral indices for assessing nitrogen content in potato fields | |
Waheed et al. | Measuring performance in precision agriculture: CART—A decision tree approach | |
de Jong et al. | Estimating spatial patterns of rainfall interception from remotely sensed vegetation indices and spectral mixture analysis | |
Reyniers et al. | A linear model to predict with a multi‐spectral radiometer the amount of nitrogen in winter wheat | |
Zhang et al. | Retrieving leaf and canopy water content of winter wheat using vegetation water indices | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
Serrano et al. | Tree influence on soil and pasture: Contribution of proximal sensing to pasture productivity and quality estimation in montado ecosystems | |
Zhao et al. | Effect of vertical distribution of crop structure and biochemical parameters of winter wheat on canopy reflectance characteristics and spectral indices | |
Sibanda et al. | Testing the capabilities of the new WorldView-3 space-borne sensor’s red-edge spectral band in discriminating and mapping complex grassland management treatments | |
CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
Venancio et al. | Potential of using spectral vegetation indices for corn green biomass estimation based on their relationship with the photosynthetic vegetation sub-pixel fraction | |
Wen et al. | Estimation of the vertically integrated leaf nitrogen content in maize using canopy hyperspectral red edge parameters | |
Guo et al. | Monitoring grassland health with remote sensing approaches | |
Li et al. | UAV hyperspectral remote sensing estimation of soybean yield based on physiological and ecological parameter and meteorological factor in China | |
Hong et al. | Comparison of ground‐based remote sensors for evaluation of corn biomass affected by nitrogen stress | |
Kang et al. | Construction of multidimensional features to identify tea plantations using multisource remote sensing data: A case study of Hangzhou city, China | |
Lim et al. | Simple in‐field evaluation of moisture content in curing forage using normalized differece vegetation index (NDVI) | |
Liu et al. | Comprehensive growth index monitoring of desert steppe grassland vegetation based on UAV hyperspectral | |
Sullivan et al. | Evaluating hybrid bermudagrass using spectral reflectance under different mowing heights and trinexapac-ethyl applications | |
Mihaylov et al. | Tracking The Development Of Six Wheat Varieties Using Infrared Imaging And Image Processing Algorithms |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201103 |
|
WW01 | Invention patent application withdrawn after publication |