CN112666120B - 基于近红外光谱的植被与非植被识别指数构建方法 - Google Patents
基于近红外光谱的植被与非植被识别指数构建方法 Download PDFInfo
- Publication number
- CN112666120B CN112666120B CN202011496173.9A CN202011496173A CN112666120B CN 112666120 B CN112666120 B CN 112666120B CN 202011496173 A CN202011496173 A CN 202011496173A CN 112666120 B CN112666120 B CN 112666120B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- near infrared
- nirpnpad
- infrared spectrum
- range
- 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
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 12
- 238000010276 construction Methods 0.000 title claims description 5
- 230000003595 spectral effect Effects 0.000 claims abstract description 25
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 abstract description 7
- 238000001228 spectrum Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 241000628997 Flos Species 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000721662 Juniperus Species 0.000 description 1
- 240000000275 Persicaria hydropiper Species 0.000 description 1
- 241001092500 Photinia x fraseri Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004173 biogeochemical cycle Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 244000195896 dadap Species 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000004579 marble Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于近红外光谱的植被与非植被识别指数构建方法，R a为950nm～1150nm范围内任意两个及以上波段的平均光谱反射率，R b为1500nm～1700nm范围内任意两个及以上波段的平均光谱反射率，R c为2100nm～2300nm范围内任意两个及以上波段的平均光谱反射率，利用R a、R b和R c构建了植被与非植被识别指数NIRPNPAD，可准确识别植被和非植被。
Description
技术领域
本发明涉及自然生态环境的检测领域，更具体地说，它涉及一种基于近红外光谱的植被与非植被识别方法。
背景技术
植被是联接土壤、大气和水分的自然“纽带”，是陆地生态系统的基础，同时也是人类赖以生存的自然环境条件，它在陆地表面的能量交换过程、生物地球化学循环过程和水文循环过程中扮演着重要的角色。区分植被与非植被有助于计算植被覆盖度，研究土地利用状况。此外，在某些领域从植被群体中辨识绿色人工伪装物有着重要的应用价值。
廖小露等以“类内密度最大，类间距离最大”为原则，对挑选的可见光和近红外波段，使用改进的投影寻踪方法区分绿色植被和道路、土壤等非植被，但该技术需要的光谱波段多，达8个，增加了技术的应用成本，同时该技术未涉及人工绿色伪装植被的区分（廖小露, 刘嘉, 周兴霞. 地空同步试验高光谱影像特征提取与分类[J]. 国土资源遥感,2019,31(03): 65-71）。刘志明等将780～1300nm“近红外高原”的反射光谱压缩转换到380～780nm可见光范围内，然后成像，通过颜色的变化区分植被与绿色伪装涂料，但该技术需要的光谱波段过多，达260个以上，（刘志明, 胡碧茹, 吴文健, 等. 高光谱探测绿色涂料伪装的光谱成像研究[J]. 光子学报, 2009,38(04): 885-890）。
为解决上述在植被与非植被分类时，光谱波段过多，或无法识别人工绿色伪装植被的缺陷，发明了基于近红外光谱的植被与非植被识别指数构建方法。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种解决上述问题的基于近红外光谱的植被与非植被识别方法，依据近红外反射光谱（即吸收光谱）与物质含量有关的特性，通过获取特定波段内近红外光谱反射率数据，构建基于近红外光谱特征的植被与非植被识别指数。
为实现上述目的，本发明提供了如下技术方案：
基于近红外光谱的植被与非植被识别指数构建方法，
（一）测量目标物的光谱反射率，计算R a、R b和R c，R a为950nm～1150nm范围内任意两个及以上波段的平均光谱反射率，R b为1500nm～1700nm范围内任意两个及以上波段的平均光谱反射率，R c为2100nm～2300nm范围内任意两个及以上波段的平均光谱反射率；950nm～1150nm、1500nm～1700nm、2100nm～2300nm植被呈现反射峰，且反射峰值依次下降，而非植被则光谱反射率变化较小，整体光谱形状比较平坦，1500nm～1700nm、2100nm～2300nm的植被和非植被的反射率数值范围基本一致，变化范围为0.1～0.3。
（二）计算识别指数NIRPNPAD，植被的R a、R b、R c依次下降，非植被则比较接近，变化不大，植被与植被的近红外反射光谱形状有明显差异，依据R a>R c、R b>R c光谱形状特点，分别构建和/>进一步增强光谱差异，将其合并降维，
对的数据空间进行压缩，并投影到余弦空间，将植被投影汇聚成一类，非植被投影汇聚成另一类，/>，当NIRPNPAD>0时，目标物为非植被，当NIRPNPAD≤0时，目标物为植被；
或，依据1500nm～1700nm、2100nm～2300nm的植被和非植被的反射率数值范围基本一致，变化范围为0.1～0.3，而950nm～1150nm植被反射率远远高于非植被的特点，通过和/>衡量这种光谱形状上的差异特点，并将其合并降维进一步增强植被与非植被近红外光谱形状上的差异，
对的数据空间进行弹性放大，并投影到余弦空间，将植被投影汇聚成一类，非植被投影汇聚成另一类，/>，当NIRPNPAD<0时，目标物为非植被，当NIRPNPAD≥0时，目标物为植被。
本发明有益效果：
在780~2400nm近红外光谱范围内，植被的光谱反射率呈多峰多谷规律变化，且随着波长的增加反射峰依次降低，而非植被的反射率变化较平坦，无明显的峰谷变化。相同的植被、非植被在不同条件（如土壤肥力、覆盖度、光强）下的反射率数值往往会有变化，但是它们的光谱形状却很稳定，本发明构建的指数正是利用光谱形状识别植被与非植被，区分准确，且植被中的红叶植物、植物的花仍可被准确的识别为植被，而人工绿色伪植被可准确的与植被区分开。本发明技术所需波段少，易于计算，使用方便。
附图说明
图1为9个植被光谱反射率曲线；
图2为6个非植被光谱反射率曲线；
图3为第一种计算方法指数NIRPNPAD对植被与非植被识别效果图；
图4为第二种计算方法指数NIRPNPAD对植被与非植被识别效果图。
具体实施方式
1.光谱数据采集
使用美国ASD公司（Analytical Spectral Devices）生产的Field Spec 4 地物光谱仪采集植被与非植被光谱反射率，光谱仪测量的波长范围为350nm～2500nm。测量的植被有9个：野豌豆（带花）、野豌豆（无花)、刺柏、海桐、麦冬、草坪、红花酢浆草（带花）、石楠（叶子为红色）、月季的红色花朵。测量的非植被有6个：大理石、水泥地、橡胶跑道、人造草坪、裸地（湿）、裸地（干）。植被的光谱反射率见图1，非植被的光谱反射率见图2。
测量时间安排在无风的晴天中午前后，测量的视场约为直径30cm的圆形区域，每个测量对象采集10次光谱数据，取均值。
2.构建植被与非植被的识别指数
分别计算15个地物950nm～1150nm全波段的平均光谱反射率R a、1500nm～1700nm全波段的平均光谱反射率R b、2100nm～2300nm 全波段的平均光谱反射率R c，计算识别指数NIRPNPAD：
第一种计算公式，，/>，
15种地物的NIRPNPAD见图3，植被数值小于等于0，非植被数值均大于，NIRPNPAD对植被与非植被的区分完全正确。
第二种计算公式，，/>，
15种地物的NIRPNPAD见图4，植被数值大于等于0，非值被数值均小于0，NIRPNPAD对植被与非植被的区分完全正确。
Claims (1)
1.基于近红外光谱的植被与非植被识别指数构建方法，其特征在于：
（一）测量目标物的光谱反射率，计算R a、R b和R c，R a为950nm～1150nm范围内任意两个及以上波段的平均光谱反射率，R b为1500nm～1700nm范围内任意两个及以上波段的平均光谱反射率，R c为2100nm～2300nm范围内任意两个及以上波段的平均光谱反射率；
（二）计算识别指数NIRPNPAD，
，当NIRPNPAD>0时，目标物为非植被，当NIRPNPAD≤0时，目标物为植被；
或
，
当NIRPNPAD<0时，目标物为非植被，当NIRPNPAD≥0时，目标物为植被。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011496173.9A CN112666120B (zh) | 2020-12-17 | 2020-12-17 | 基于近红外光谱的植被与非植被识别指数构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011496173.9A CN112666120B (zh) | 2020-12-17 | 2020-12-17 | 基于近红外光谱的植被与非植被识别指数构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112666120A CN112666120A (zh) | 2021-04-16 |
| CN112666120B true CN112666120B (zh) | 2024-04-05 |
Family
ID=75406040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011496173.9A Active CN112666120B (zh) | 2020-12-17 | 2020-12-17 | 基于近红外光谱的植被与非植被识别指数构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112666120B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005054799A2 (en) * | 2003-11-26 | 2005-06-16 | Florida Environmental Research Institute, Inc. | Spectral imaging system |
| CN104251824A (zh) * | 2014-09-26 | 2014-12-31 | 南京农业大学 | 一种多光谱作物生长传感器温度补偿模型的构建方法 |
| CN106198437A (zh) * | 2016-06-21 | 2016-12-07 | 中国土地勘测规划院 | 一种植被光合有效辐射吸收率的遥感估算方法及装置 |
| JP2018128370A (ja) * | 2017-02-09 | 2018-08-16 | 富士通株式会社 | 植物判別装置、植物判別方法及び植物判別用コンピュータプログラム |
| CN108872138A (zh) * | 2018-03-19 | 2018-11-23 | 河南科技学院 | 在线快速检测鸡肉肠杆菌科含量的方法 |
| CN110363125A (zh) * | 2019-07-04 | 2019-10-22 | 浙江大学山东工业技术研究院 | 采用模型传递识别不同品种柑橘黄龙病的方法 |
| CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
| KR20200124790A (ko) * | 2019-04-24 | 2020-11-04 | 경북대학교 산학협력단 | 식생 조사 장치, 식생 조사 시스템 및 식생 조사 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7242803B2 (en) * | 2003-01-21 | 2007-07-10 | The United States Of America As Represented By The Secretary Of The Navy | System and method for significant dust detection and enhancement of dust images over land and ocean |
| CN102483808A (zh) * | 2009-06-11 | 2012-05-30 | Pa有限责任公司 | 用于测量多层微作物密度及生长的植被指数 |
| WO2018028191A1 (zh) * | 2016-08-10 | 2018-02-15 | 福州大学 | 一种基于波段比模型和太阳高度角的tavi计算方法 |
-
2020
- 2020-12-17 CN CN202011496173.9A patent/CN112666120B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005054799A2 (en) * | 2003-11-26 | 2005-06-16 | Florida Environmental Research Institute, Inc. | Spectral imaging system |
| CN104251824A (zh) * | 2014-09-26 | 2014-12-31 | 南京农业大学 | 一种多光谱作物生长传感器温度补偿模型的构建方法 |
| CN106198437A (zh) * | 2016-06-21 | 2016-12-07 | 中国土地勘测规划院 | 一种植被光合有效辐射吸收率的遥感估算方法及装置 |
| JP2018128370A (ja) * | 2017-02-09 | 2018-08-16 | 富士通株式会社 | 植物判別装置、植物判別方法及び植物判別用コンピュータプログラム |
| CN108872138A (zh) * | 2018-03-19 | 2018-11-23 | 河南科技学院 | 在线快速检测鸡肉肠杆菌科含量的方法 |
| KR20200124790A (ko) * | 2019-04-24 | 2020-11-04 | 경북대학교 산학협력단 | 식생 조사 장치, 식생 조사 시스템 및 식생 조사 방법 |
| CN110363125A (zh) * | 2019-07-04 | 2019-10-22 | 浙江大学山东工业技术研究院 | 采用模型传递识别不同品种柑橘黄龙病的方法 |
| CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Remote estimation of total phosphorus concentration in the Taihu Lake using a semianalytical model;Chenggong Du et，;《International Journal of Remote Sensing》;20200821;第41卷(第20期);第7993–8013页 * |
| 人工神经网络及其在植物保护中的应用;刘乃森 等，;《安徽农业科学》;20061231;第34卷(第23期);第6237-6238页 * |
| 刘志明 等，.高光谱探测绿色涂料伪装的光谱成像研究.《光子学报》.2009,(第4期),第147-152页. * |
| 影响黄土高原地物光谱反射率的非均匀因子及反照率参数化研究;张杰;张强;;生态学报;20111223(24);第97-106页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112666120A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bauer | Spectral inputs to crop identification and condition assessment | |
| Zhao et al. | Effect of vertical distribution of crop structure and biochemical parameters of winter wheat on canopy reflectance characteristics and spectral indices | |
| CN110308097A (zh) | 一种卫星图像云检测方法及系统 | |
| CN108333140B (zh) | 用于刚竹毒蛾危害检测的特征光谱指数及检测方法 | |
| CN105136686B (zh) | 紫叶李叶片花青素含量的测定方法 | |
| Bai et al. | Estimating fractional cover of non-photosynthetic vegetation for various grasslands based on CAI and DFI | |
| CN112666120B (zh) | 基于近红外光谱的植被与非植被识别指数构建方法 | |
| Pang et al. | Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands: a case study in China. | |
| CN112666121B (zh) | 基于红外光谱的植被与非植被识别方法 | |
| CN106052867B (zh) | 基于辐亮度参数的多通道led照明系统的光谱匹配方法 | |
| CN106324617A (zh) | 一种枣树冠层类胡萝卜素含量的卫星遥感监测方法 | |
| CN108596254B (zh) | 耦合叶片多表征的刚竹毒蛾危害检测方法 | |
| Kale et al. | Biomass and productivity estimation using aerospace data and Geographic Information System | |
| Zhuang et al. | A Method for water body extraction based on the tasselled cap transformation from remote sensing images | |
| CN102636439A (zh) | 一种确定小麦植株吸氮量核心波段的方法 | |
| Yue et al. | Exploring the relationship between vegetation spectra and eco-geo-environmental conditions in karst region, Southwest China | |
| CN112683822B (zh) | 基于可见光波段的植被与非植被识别方法 | |
| Jia et al. | Inversion of chlorophyll fluorescence parameters on vegetation indices at leaf scale | |
| Kong et al. | An integrated field and hyperspectral remote sensing method for the estimation of pigments content of Stipa Purpurea in Shenzha, Tibet | |
| Fenfang et al. | Identification of corn and weeds on the leaf scale using polarization spectroscopy | |
| CN106404709A (zh) | 一种基于偏最小二乘回归模型的无机荧光粉检测方法 | |
| Gai et al. | Flower species identification and coverage estimation based on hyperspectral remote sensing data | |
| Bertels et al. | Potentials of airborne hyperspectral remote sensing for vegetation mapping of spatially heterogeneous dynamic dunes, a case study along the Belgian coastline | |
| Datt | Identification of green and dry vegetation components with a cross-correlogram spectral matching technique | |
| Yasir et al. | Estimation of leaf water content of different leaves from different species using hyperspectral reflectance data |
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 |