CN113192117B - 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 - Google Patents

一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 Download PDF

Info

Publication number
CN113192117B
CN113192117B CN202110172049.5A CN202110172049A CN113192117B CN 113192117 B CN113192117 B CN 113192117B CN 202110172049 A CN202110172049 A CN 202110172049A CN 113192117 B CN113192117 B CN 113192117B
Authority
CN
China
Prior art keywords
wheat
lai
curve
sentinel
satf
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
Application number
CN202110172049.5A
Other languages
English (en)
Other versions
CN113192117A (zh
Inventor
姚霞
李伟
程涛
朱艳
田永超
曹卫星
张羽
马吉峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN202110172049.5A priority Critical patent/CN113192117B/zh
Publication of CN113192117A publication Critical patent/CN113192117A/zh
Priority to PCT/CN2022/075325 priority patent/WO2022166939A1/zh
Priority to US18/276,381 priority patent/US20240135570A1/en
Application granted granted Critical
Publication of CN113192117B publication Critical patent/CN113192117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55Specular reflectivity
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10036Multispectral image; Hyperspectral image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30181Earth observation
    • G06T2207/30188Vegetation; Agriculture

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于Sentinel‑2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,通过Sentinel‑2获取田间背景光谱与小麦冠层光谱信息,分别获取“秸秆‑土壤”光谱与“小麦‑秸秆‑土壤”光谱,并计算两者红边区域的斜率,计算由背景调节系数α修正后的正切函数SATF,基于光谱变量SATFNIR‑RE2构建小麦LAI估算模型,采用交叉验证对LAI估算模型进行初步筛选,而后用独立数据对筛选模型进行测试。本发明构建的SATFNIR‑RE2能够减少秸秆还田后小麦田间复杂背景的影响,并改善小麦生长前期LAI估算,可基于卫星平台应用于区域范围内小麦生长前期LAI的实时、无损和准确的估算。

Description

一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶 面积指数估算的方法
技术领域
本发明属于卫星尺度基于反射光谱的作物生长状况快速无损监测领域,特别涉及一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法。
背景技术
小麦叶面积指数(LAI,Leaf area index)是评估小麦群体生长状况的重要指标,也是小麦估产模型WOFOST、WheatGrow中的重要参数。传统的LAI获取方法主要是通过人工统计或者仪器测量,这些方法只能单点测量。随着科学技术发展,卫星遥感技术能够实现大面积的农业生产监测,越来越多卫星搭载的传感器能够进行小麦LAI的估算,其中,最常见的方法是结合影像数据获取光谱信息构建植被指数,通过经验线性模型估算小麦LAI。然而作物生长前期容易受到土壤背景影响,导致LAI估算精度降低。而且,随着稻麦轮作区大量水稻秸秆还田,将小麦生产田间的传统土壤背景变为秸秆或“秸秆-土壤”混合背景,这种新的背景严重影响小麦LAI的估算,成为当前农业遥感监测迫切需要解决的重要问题之一。
过去20年,为了解决土壤背景影响作物生长前期LAI估算精度的问题,提高LAI的估算精度,学者们探索了多种消除土壤背景噪音的方法。常见的方法有光谱求导、新建植被指数等。光谱求导是利用光谱曲线一阶导数或二阶导数来表征作物光谱曲线的变化特征,在估算LAI时通常利用红边区域的变化特征来反演长势指标,减小土壤背景影响,常见的有红边斜率(红边一阶导数、红边二阶导数)、红边拐点等。植被指数则是根据植被光谱曲线特有的吸收特征和反射特征,通过数学公式组合增强植被信息的表达,提高植被长势参数的估算精度,植被指数不仅能够凸显光谱曲线的变化特征,还能根据实际需求调整数学公式增强特定信息的表达或解决特定的问题。在减小土壤背景噪音影响方面,植被指数除了突出近红外波段与红光波段之间特有的红边特征,还根据红光波段与近红外波段之间土壤线的距离或者角度减小土壤亮度的影响,从而综合地提高LAI的估算精度,相应的植被指数有土壤调节植被指数(SAVI)、土壤适应红边指数(SARE)、改良土壤调节植被指数(MSAVI)、改良红边土壤适应植被指数(MRESAVI)、转换土壤调节植被指数(TSAVI等。上述光谱求导与植被指数的共同点是利用植被冠层光谱曲线的变化特征来估算植被的长势指标。
正如前人研究所述,随着大量秸秆的还田处理,“秸秆-土壤”混合背景改变小麦冠层光谱曲线的变化特征,降低小麦长势指标的估算精度。光谱求导聚焦于光谱曲线变化特征的表达,并未消除背景对光谱曲线本身变化特征的影响。而通过传统植被指数的构建来增强植被光谱曲线特有的吸收特征和反射特征,同样面临无法消除背景影响光谱曲线本身变化特征的问题。另外,由于秸秆的加入引起了“土壤线”的改变,单纯通过土壤调节植被指数减少背景亮度的影响无法有效地提高小麦长势的估算精度。因此,在消除“秸秆-土壤”复杂背景影响的过程中,利用单一田间冠层获取的“小麦-秸秆-土壤”光谱曲线来减小“秸秆-土壤”混合背景影响具有一定的局限性,需要多个对象的光谱曲线共同作用来减小混合背景的影响并提高小麦LAI的估算精度。然而现有的研究在利用多个对象光谱信息消除混合背景影响方面存在不足。
随着遥感技术的发展,卫星遥感平台搭载的传感器不仅可以提供可见光-近红外波段,还能提供红边波段和短波红外波段,为陆地植被遥感监测提供丰富的光谱信息。Landsat 8 卫星能够提供可见光-近红外波段以及短波红外波段,然而在应用过程中受限于它的低时空分辨率;Worldview-2卫星和RapidEye卫星能够同时提供可见光-近红外波段与红边波段,但它们是基于目标获取的商业卫星,影像数据的获取具有一定的局限性;而近些年欧空局 (欧洲太空局)发射的Sentine-2能够在可见光-近红外波段的基础上,同时提供多个红边波段与短波红外波段,研究者进一步用Planet与Sentinel-2的影像融合将空间分辨率提高至3m,为农业卫星遥感的应用提供影像数据基础。
发明内容
本发明的目的在于提出一个由背景调节系数修正的正切函数(SATF),在SATF产生的多个光谱变量中寻找用于小麦LAI估算的最优光谱变量,构建了包含两个对象(“小麦-秸秆-土壤”和“秸秆-土壤”)光谱特征的新变量,最终得到一个能够有效缓解小麦生长早期田间复杂背景影响且能够改善小麦LAI估算的光谱变量,并基于该变量构建小麦叶面积指数估算模型,可在小麦生产过程中用于实现区域范围内Sentinel-2快速无损监测小麦LAI。
为实现上述目的,本发明提供如下技术方案:
一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,步骤如下:
步骤(1)、数据采集:基于Sentinel-2卫星影像,采集小麦冠层多光谱曲线与田间背景多光谱曲线分别作为“小麦-秸秆-土壤”光谱与“秸秆-土壤”光谱,同步测定小麦叶面积指数LAI,获得建模数据和检验数据;
步骤(2)、计算“秸秆-土壤”适应的正切函数(SATF,straw-soil adjustedtangent function):
a、计算小麦冠层多光谱曲线红边区域斜率:
Figure GDA0003498933920000031
其中,
Figure GDA0003498933920000032
是各生育期小麦冠层多光谱曲线中的斜率,R2wss和R1wss是各生育期Sentinel-2卫星影像中提取的小麦冠层多光谱曲线红边区域中两个波段的反射率值,ΔBR2-R1是两个波段所在波长位置之间的间隔;
b、计算田间背景多光谱曲线红边区域斜率:
Figure GDA0003498933920000033
其中,
Figure GDA0003498933920000034
是田间背景多光谱曲线中的斜率,R2ss和R1ss是各生育期Sentinel-2卫星影像中提取的田间背景多光谱曲线红边区域中两个波段的反射率值;
c、通过背景调节系数α修正后的正切角函数计算SATFR2-R1
Figure GDA0003498933920000035
其中,α为背景调节系数;
步骤(3)、基于PROSAIL模型模拟数据构建背景调节系数α的查找表;
步骤(4)、基于背景调节系数α的查找表,根据待监测的目标生育期或预估的大致LAI 范围(非LAI具体值)确定背景调节系数α,而后基于实测数据,根据不同生育期确定α,计算相应的SATFR2-R1
步骤(5)、确定最优的SATFR2-R1:基于步骤(2)确定的“秸秆-土壤”适应正切函数(SATF)计算公式,以Sentinel-2卫星图像红边区域(665nm~783nm)的多光谱波段信息计算多个SATFR2-R1,根据不同生育期SATFR2-R1与LAI相关性(R2)的对比结果确定最优的波段选择及相应的SATFR2-R1
步骤(6)、构建小麦叶面积指数(LAI)估算模型:基于建模数据,利用经验线性拟合建立不同生育期不同SATFR2-R1与LAI的关系,确定线性关系系数a和b,建立小麦LAI估算模型;
步骤(7)、检验小麦LAI估算模型:分别采用十折交叉验证与独立实测数据分别对小麦LAI估算模型进行验证与测试:根据小麦LAI估算模型,验证根据小麦冠层多光谱曲线与田间背景多光谱曲线估算得到的LAI预测值;然后通过检验数据中的LAI实测值对LAI 预测值进行检验,计算相对均方根误差(RRMSE,Relative root mean square difference):
Figure GDA0003498933920000036
其中,N表示数据集中的样本数,LAIe,n、LAIm,n
Figure GDA0003498933920000041
分别表示LAI预测值、LAI实测值、LAI实测值的平均值。
步骤(1)中,数据采集来自不同年份、不同生态点;采集的样本数据分别作为建模数据集、验证数据集以及测试数据集。
采集小麦冠层多光谱曲线与田间背景多光谱曲线的方法为:获取小麦出苗前的Sentinel- 2卫星影像、小麦出苗后各个生育期相应的Sentinel-2卫星影像,Sentinel-2卫星影像经欧洲航天局发布的Sen2Cor与Sen2Res进行影像预处理,采用Sen2Cor进行Sentinel-2卫星影像的辐射定标与大气校正;采用Sen2Res进行Sentinel-2卫星影像粗分辨率波段的降尺度处理,将Sentinel-2卫星影像各波段的空间分辨率提高至10米;通过野外调查获取的小麦样点 GPS信息提取预处理后的Sentinel-2卫星影像中的多光谱曲线,即为田间背景多光谱曲线、小麦冠层多光谱曲线。
Sentinel-2卫星影像中提取的小麦冠层多光谱曲线和田间背景多光谱曲线红边区域 (665nm~783nm)包括五个波段信息,为R、RE1、RE2、RE3和NIR。
在野外调查获取小麦样点GPS信息外,通过统计的方法获取小麦,测定小麦叶面积指数LAI的方法为:在边长为1m*1m的正方形方框中计数小麦的茎蘖数,获取30个小麦茎蘖并且按照器官分离,利用叶面积仪扫描小麦叶片面积,计算1m*1m内所有小麦叶片面积的和,即小麦叶面积指数。
所述的叶面积仪可以采用美国LI-COR公司生产的LI-3000c叶面积仪。
本发明中也可采用其他能够获得叶片真实面积方法获得小麦的叶片面积。
步骤(3)中,基于PROSAIL模型模拟数据构建背景调节系数α的查找表的方法为:根据背景调节系数α不同取值所得的不同背景下SATFR2-R1-LAI表现,总结出背景调节系数α的每个取值所适用的LAI大致范围,并根据该大致范围经验地确定相应的小麦生育期。
更具体的:在0~1之间,以步长0.1对背景调节系数α进行经验取值,基于PROSAIL模型所得不同背景的模拟数据,计算所有α值相应的SATFR2-R1,并根据“SATFR2-R1-LAI”散点图分布以及不同背景相同“SATFR2-R1-LAI”的原则,总结出每个背景调节系数α值所适用的大致LAI范围,并根据该LAI范围得出每个背景调节系数α值所适用的生育期,形成由生育期或大致LAI范围确定背景调节系数α的查找表。
步骤(4)中,根据背景调节系数α的查找表,SATFR2-R1在分蘖期设置背景调节系数α=1,在拔节-孕穗期设置背景调节系数α=0.2,其他波段组合的SATFR2-R1在分蘖期设置背景调节系数α=1,在拔节-孕穗期设置背景调节系数α=0.5。
步骤(5)中,最优的波段选择的确定方法分两步进行:
a、基于Sentinel-2卫星影像中提取的小麦冠层多光谱曲线红边区域的五个波段信息:R、 RE1、RE2、RE3和NIR,通过排列组合确定不同斜率的计算公式,共计10个斜率;
b、基于10个不同斜率的计算公式,分别计算小麦冠层多光谱曲线红边区域斜率与田间背景多光谱曲线红边区域斜率,并通过步骤(2)获得10个不同的SATFR2-R1,将所得的SATFR2-R1与对应生育期LAI实测值进行线性拟合,以具有最大线性拟合度R2的SATFR2-R1作为估算该生育期小麦LAI的最佳选项,相应的两个波段即为最优的波段组合:NIR-RE2。
步骤(6)中,不同生育期的最优小麦叶面积指数(LAI)估算模型为:
分蘖期(Tillering stage):LAI=1664.8×(SATFNIR-RE2)+1.8462;
拔节至孕穗期(Jointing&booting stage):LAI=1966.7×(SATFNIR-RE2)+2.746。
步骤(7)中,测试结果为RRMSE=49.81%。
发明人通过SATF估算小麦LAI建模与检验的表现,SATFNIR-RE2及其LAI估算模型能够在小麦生长早期有效地缓解小麦生产过程中秸秆还田后田间“秸秆-土壤”复杂背景造成的影响,在建模的过程中具有较高的拟合度R2,在验证过程中具有较低的RRMSE,该光谱变量能够有效地缓解“秸秆-土壤”混合背景的影响。
一种改善小麦生长早期叶面积指数估算精度的方法,步骤如下:
步骤(1)、获取小麦出苗前、小麦出苗后各生育期有效的Senitnel-2卫星影像数据,采用Sen2Cor与Sen2Res对Senitnel-2卫星影像进行预处理,将Sentinel-2卫星影像各波段的空间分辨率提高至10米;通过野外调查获取的小麦样点GPS信息提取预处理后的Sentinel- 2卫星影像中的多光谱曲线,即为田间背景多光谱曲线、小麦冠层多光谱曲线;
步骤(2)、通过以下公式计算获得SATFNIR-RE2
计算小麦冠层多光谱曲线两波段之间的斜率:
Figure GDA0003498933920000051
计算田间背景多光谱曲线两波段之间的斜率:
Figure GDA0003498933920000052
根据不同生育期所确定的背景调节系数α得到不同生育期SATFNIR-RE2
分蘖期:
Figure GDA0003498933920000053
拔节-孕穗期:
Figure GDA0003498933920000061
步骤(3)、基于步骤(2)得到的不同生育期SATFNIR-RE2,利用不同生育期小麦LAI估算模型估算小麦LAI:
分蘖期:LAI=1664.8×(SATFNIR-RE2)+1.8462;
拔节-孕穗期:LAI=1966.7×(SATFNIR-RE2)+2.746。
和现有技术相比,本发明的有益效果:
本发明通过构建多个SATF及其LAI估算模型,SATFNIR-RE2表现最佳,能够有效地缓解小麦生产过程中秸秆还田后田间“秸秆-土壤”复杂背景对LAI估算的影响,尤其是在小麦生长早期。
本发明摆脱了传统土壤植被指数对土壤线的依赖以及对单一土壤背景影响消除的局限,能够有效地缓解秸秆还田后小麦田间复杂背景的影响,可基于卫星平台应用于区域范围内小麦生长前期叶面积指数的实时、无损和准确的估算。
附图说明
图1为背景调节系数α查找表的生成及相应SATF的实际应用。
图2为“小麦-秸秆-土壤”多光谱曲线与“秸秆-土壤”多光谱曲线。
图3为模拟数据所得SATFNIR-RE2在不同背景下的表现。
图4为不同生育期斜率KNIR-RE2(左图)与SATFNIR-RE2(右图)估算小麦LAI的建模结果。
图5为不同生育期斜率KNIR-RE2(左图)与SATFNIR-RE2(右图)估算小麦LAI的建模结果。
具体实施方式
下面通过具体实施方式对本发明的技术方案做进一步说明。
实施例1
本实施例基于不同年份野外调查数据及相应Senitnel-2影像数据进行,具体如表1所示:
表1.不同生育期地面调查与Sentinel-2卫星影像获取情况
Figure GDA0003498933920000062
Figure GDA0003498933920000071
以2017-2018年兴化野外调查的实测数据作为建模数据集并作交叉验证,其中,该数据集要具有较好的系统性、较多的样本数量等要求,包括低LAI水平与高LAI水平,使所得模型能够适用于不同的LAI水平。
以2018-2019年兴化野外调查的实测数据作为验证数据集,相对于建模数据,验证数据集要求较低,样本数较少,且受不同年份环境的差异,可能存在小麦本身生理生化参数状态不同影响LAI估算模型在背景噪音消除方面检验的风险。
一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,具体步骤如下:
步骤(1)、数据采集
a、获取GPS信息:在野外调查小麦样点过程中利用手持式GPS仪获取GPS信息。
b、获取LAI数据:在边长为1m*1m的正方形方框中计数小麦的茎蘖数,而后获取30个小麦茎蘖并且按照器官分离,利用LI-3000c叶面积仪(美国LI-COR公司)扫描小麦叶片面积,通过计算1m*1m内所有小麦叶片面积的和,即小麦叶面积指数。
c、获取Sentinel-2卫星影像:从欧空局官网(https://scihub.copernicus.eu/dhus/#/home)获取相应区域、相应时间的Sentinel-2影像数据,包括:小麦出苗前的Sentinel-2卫星影像,用于获取田间背景多光谱曲线;小麦出苗后各个生育期相应的Sentinel-2卫星影像,用于获取田间小麦冠层多光谱曲线。
d、Sentinel-2卫星影像预处理:先采用Sen2Cor进行Sentinel-2卫星影像的辐射定标与大气校正,后采用Sen2Res进行Sentinel-2卫星影像粗分辨率波段的降尺度处理,将Sentinel-2卫星影像各波段的空间分辨率提高至10米。
e、获取Sentinel-2多光谱信息:利用野外调查地面样点实测的GPS信息,提取预处理后Sentinel-2卫星影像中相应像元的多光谱信息,获得如图2所示的小麦冠层多光谱曲线 (即小麦-秸秆-土壤”多光谱曲线)与田间背景多光谱曲线(即“秸秆-土壤”多光谱曲线),Sentinel-2卫星影像中提取的小麦冠层多光谱曲线和田间背景多光谱曲线红边区域包括五个波段信息,为R、RE1、RE2、RE3和NIR;小麦冠层多光谱曲线与田间背景多光谱曲线同地面实测LAI构成建模数据和检验数据,用于进行LAI估算模型的构建与验证。
步骤(2)、基于小麦出苗前田间背景光谱红边区域波段与小麦出苗后各生育期小麦田间冠层光谱红边区域波段构建新型指数SATF(straw-soil adjusted tangentfunction):
a、计算小麦冠层多光谱红边区域斜率:
Figure GDA0003498933920000081
其中,
Figure GDA0003498933920000082
是各生育期小麦冠层多光谱曲线中的斜率,R2wss和R1wss是各生育期Sentinel-2卫星影像中提取的小麦冠层多光谱曲线红边区域中两个波段的反射率值,ΔBR2-R1是两个波段所在波长位置之间的间隔;
b、计算小麦田间背景多光谱红边区域斜率:
Figure GDA0003498933920000083
其中,
Figure GDA0003498933920000084
是田间背景多光谱曲线中的斜率,R2wss和R1wss是各生育期Sentinel-2卫星影像中提取的田间背景多光谱曲线红边区域中两个波段的反射率值;
c、计算不同生育期的SATFR2-R1
Figure GDA0003498933920000085
步骤(3)、如图1,基于PROSAIL模型模拟数据构建背景调节系数α的查找表:在0~1之间,以步长0.1对α进行经验取值,基于PROSAIL模型所得不同背景的模拟数据,计算所有α值相应的SATFR2-R1,并根据“SATFR2-R1-LAI”散点图分布(图3)以及不同背景相同“SATFR2-R1-LAI”的原则,总结出每个α值所适用的大致LAI范围,并根据该LAI范围得出每个α值所适用的生育期,形成由生育期或大致LAI范围确定α值的查找表(见表2)。
表2.LAI大致范围与相应生育期的背景调节系数α查找表
Figure GDA0003498933920000086
注:←:最适的LAI范围接近LAI的最小值;→:最适的LAI范围接近LAI的最大值。
步骤(4)、根据目标生育期,参考背景调节系数α的查找表,确定SATFR2-R1在分蘖期设置背景调节系数α=1,在拔节-孕穗期设置背景调节系数α=0.2,其他波段组合的SATFR2-R1在分蘖期设置背景调节系数α=1,在拔节-孕穗期设置背景调节系数α=0.5;而后基于2017-2018兴化实测数据,根据不同生育期计算SATFR2-R1
步骤(5)、确定最优的SATFR2-R1:基于步骤(2)确定的“秸秆-土壤”适应正切函数(SATFR2-R1SATF)计算公式,以Sentinel-2卫星图像红边区域(665nm~783nm)的多光谱波段信息计算多个SATFR2-R1,比较不同SATFR2-R1在不同生育期估算小麦LAI时的建模精度与交叉验证精度,如表3所示。
在建模过程中,由于RE1-R与NIR-RE3分别位于红边区域的前端与末端的区域,SATFRE1-R与SATFNIR-RE3对LAI的敏感性有限,在估算LAI时具有有限的建模精度。其他的SATFR2-R1均具有良好的表现,其中,SATFNIR-RE2表现最佳,在分蘖期和拔节&孕穗期均具有较好的表现,具有鲁棒性,即最佳的构建形式为:
a、计算小麦冠层多光谱曲线两波段之间的斜率:
Figure GDA0003498933920000091
b、计算小麦田间背景多光谱曲线两波段之间的斜率:
Figure GDA0003498933920000092
c、根据不同生育期所确定的背景调节系数α的值计算SATFNIR-RE2
分蘖期:
Figure GDA0003498933920000093
拔节-孕穗期:
Figure GDA0003498933920000094
表3.基于实测数据不同光谱变量估算小麦LAI的建模精度与交叉验证精度
Figure GDA0003498933920000095
Figure GDA0003498933920000101
步骤(6)、基于建模数据,经验线性拟合确定的、具有最优表现的SATFNIR-RE2和与之对应的LAI,确定不同生育期经验线性关系的回归系数a与截距b,建立小麦LAI估算模型:
分蘖期:
LAI=1664.8×(SATFNIR-RE2)+1.8462
拔节-孕穗期:
LAI=1966.7×(SATFNIR-RE2)+2.746
步骤(7)、检验小麦LAI估算模型:采用十折交叉验证对小麦LAI估算模型进行验证:根据小麦LAI估算模型,验证根据小麦冠层多光谱曲线与田间背景多光谱曲线估算得到的LAI预测值;然后采用独立实测数据对小麦LAI估算模型进行测试:通过检验数据中的LAI实测值对LAI预测值进行检验,计算相对均方根误差(RRMSE,Relative root mean squaredifference):
Figure GDA0003498933920000111
其中,N表示数据集中的样本数,LAIe,n、LAIm,n
Figure GDA0003498933920000112
分别表示小麦叶面积指数LAI预测值、小麦叶面积指数LAI实测值、小麦叶面积指数LAI实测值的平均值。
检验结果如图4和图5所示,通过各模型交叉验证结果显示,SATFNIR-RE2具有最佳且最稳定的表现,在分蘖期与拔节&孕穗期分别具有R2=0.52和R2=0.62的建模精度,并且分别具有RRMSE=24.22%和RRMSE=15.21%的交叉验证精度。同时,综合三个生育期的数据,SATFNIR-RE2具有R2=0.78的建模精度与RRMSE=19.60%的交叉验证精度。在独立的测试数据集上,在SATFNIR-RE2具有RRMSE=49.81%的验证精度,优于传统斜率KNIR-RE2 (RRMSE=51.36%)。
本实施例构建的SATF能够消除秸秆还田后小麦田间复杂背景的影响,并改善小麦LAI 的估算,尤其是改善小麦生长早期的LAI估算。所得LAI估算模型具有鲁棒性。
上面对本发明的较佳实施方式做了详细说明,但是本发明并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,其特征在于步骤如下:
步骤(1)、数据采集:基于Sentinel-2卫星影像,采集小麦冠层多光谱曲线与田间背景多光谱曲线,同步测定小麦叶面积指数LAI,获得建模数据和检验数据;
步骤(2)、计算“秸秆-土壤”适应的正切函数:
a、计算小麦冠层多光谱曲线红边区域斜率:
Figure FDA0003498933910000011
其中,
Figure FDA0003498933910000012
是各生育期小麦冠层多光谱曲线中的斜率,R2wss和R1wss是各生育期Sentinel-2卫星影像中提取的小麦冠层多光谱曲线红边区域中两个波段的反射率值,ΔBR2-R1是两个波段所在波长位置之间的间隔;
b、计算田间背景多光谱曲线红边区域斜率:
Figure FDA0003498933910000013
其中,
Figure FDA0003498933910000014
是田间背景多光谱曲线中的斜率,R2ss和R1ss是各生育期Sentinel-2卫星影像中提取的田间背景多光谱曲线红边区域中两个波段的反射率值;
c、通过背景调节系数α修正后的正切角函数计算SATFR2-R1
Figure FDA0003498933910000015
其中,α为背景调节系数;
步骤(3)、基于PROSAIL模型模拟数据构建背景调节系数α的查找表;
步骤(4)、基于背景调节系数α的查找表,根据待监测的目标生育期或预估的大致LAI范围确定背景调节系数α,而后基于实测数据,根据不同生育期确定α,计算相应的SATFR2-R1
步骤(5)、确定最优的SATFR2-R1:基于步骤(2)确定的“秸秆-土壤”适应正切函数计算公式,以Sentinel-2卫星图像红边区域的多光谱波段信息计算多个SATFR2-R1,根据不同生育期SATFR2-R1与LAI相关性的对比结果确定最优的波段选择及相应的SATFR2-R1
步骤(6)、构建小麦叶面积指数LAI估算模型:基于建模数据,利用经验线性拟合建立不同生育期不同SATFR2-R1与LAI的关系,确定线性关系系数a和b,建立小麦LAI估算模型;
步骤(7)、检验小麦LAI估算模型:分别采用十折交叉验证与独立实测数据分别对小麦LAI估算模型进行验证与测试:根据小麦叶面积指数LAI估算模型,验证根据小麦冠层多光谱曲线与田间背景多光谱曲线估算得到的LAI预测值;然后通过检验数据中的LAI实测值对LAI预测值进行检验,计算相对均方根误差RRMSE:
Figure FDA0003498933910000021
其中,N表示数据集中的样本数,LAIe,n、LAIm,n
Figure FDA0003498933910000022
分别表示LAI预测值、LAI实测值、LAI实测值的平均值。
2.根据权利要求1所述的基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,其特征在于步骤(1)中,数据采集来自不同年份、不同生态点。
3.根据权利要求1所述的基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,其特征在于步骤(1)中,采集小麦冠层多光谱曲线与田间背景多光谱曲线的方法为:获取小麦出苗前的Sentinel-2卫星影像、小麦出苗后各个生育期相应的Sentinel-2卫星影像,Sentinel-2卫星影像经Sen2Cor与Sen2Res进行影像预处理,采用Sen2Cor进行Sentinel-2卫星影像的辐射定标与大气校正,采用Sen2Res进行Sentinel-2卫星影像粗分辨率波段的降尺度处理,将Sentinel-2卫星影像各波段的空间分辨率提高至10米;通过野外调查获取的小麦样点GPS信息提取预处理后的Sentinel-2卫星影像中的多光谱曲线,即为田间背景多光谱曲线、小麦冠层多光谱曲线;小麦冠层多光谱曲线和田间背景多光谱曲线红边区域665nm~783nm包括五个波段信息,为R、RE1、RE2、RE3和NIR。
4.根据权利要求1所述的基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,其特征在于步骤(3)中,基于PROSAIL模型模拟数据构建背景调节系数α的查找表的方法为:在0~1之间,以步长0.1对背景调节系数α进行经验取值,基于PROSAIL模型所得不同背景的模拟数据,计算所有α值相应的SATFR2-R1,并根据“SATFR2-R1-LAI”散点图分布以及不同背景相同“SATFR2-R1-LAI”的原则,总结出每个α值所适用的大致LAI范围,并根据该LAI范围得出每个α值所适用的生育期,形成由生育期或大致LAI范围确定背景调节系数α的查找表。
5.根据权利要求1所述的基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,其特征在于步骤(4)中,根据背景调节系数α的查找表,SATFR2-R1在分蘖期设置背景调节系数α=1,在拔节-孕穗期设置背景调节系数α=0.2,其他波段组合的SATFR2-R1在分蘖期设置背景调节系数α=1,在拔节-孕穗期设置背景调节系数α=0.5。
6.根据权利要求1所述的基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,其特征在于步骤(5)中,最优的波段选择的确定方法分两步进行:
a、基于Sentinel-2卫星影像中提取的小麦冠层多光谱曲线红边区域的五个波段信息:R、RE1、RE2、RE3和NIR,通过排列组合确定不同斜率的计算公式,共计10个斜率;
b、基于10个不同斜率的计算公式,分别计算小麦冠层多光谱曲线红边区域斜率与田间背景多光谱曲线红边区域斜率,并通过步骤(2)获得10个不同的SATFR2-R1,将所得的SATFR2-R1与对应生育期LAI实测值进行线性拟合,以具有最大线性拟合度R2的SATFR2-R1作为估算该生育期小麦LAI的最佳选项,相应的两个波段即为最优的波段组合:NIR-RE2。
7.根据权利要求1所述的基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,其特征在于步骤(6)中,不同生育期的最优小麦叶面积指数LAI估算模型为:
分蘖期:LAI=1664.8×(SATFNIR-RE2)+1.8462;
拔节至孕穗期:LAI=1966.7×(SATFNIR-RE2)+2.746。
8.一种改善小麦生长早期叶面积指数估算精度的方法,其特征在于步骤如下:
步骤(1)、获取小麦出苗前、小麦出苗后各生育期有效的Senitnel-2卫星影像数据,采用Sen2Cor与Sen2Res对Senitnel-2卫星影像进行预处理,将Sentinel-2卫星影像各波段的空间分辨率提高至10米;通过野外调查获取的小麦样点GPS信息提取预处理后的Sentinel-2卫星影像中的多光谱曲线,即为田间背景多光谱曲线、小麦冠层多光谱曲线;
步骤(2)、通过以下公式计算获得SATFNIR-RE2
计算小麦冠层多光谱曲线两波段之间的斜率:
Figure FDA0003498933910000031
计算田间背景多光谱曲线两波段之间的斜率:
Figure FDA0003498933910000032
根据不同生育期所确定的背景调节系数α得到不同生育期SATFNIR-RE2
分蘖期:
Figure FDA0003498933910000033
拔节-孕穗期:
Figure FDA0003498933910000034
步骤(3)、基于步骤(2)得到的不同生育期SATFNIR-RE2,利用不同生育期小麦LAI估算模型估算小麦LAI:
分蘖期:LAI=1664.8×(SATFNIR-RE2)+1.8462;
拔节-孕穗期:LAI=1966.7×(SATFNIR-RE2)+2.746。
CN202110172049.5A 2021-02-08 2021-02-08 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 Active CN113192117B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110172049.5A CN113192117B (zh) 2021-02-08 2021-02-08 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法
PCT/CN2022/075325 WO2022166939A1 (zh) 2021-02-08 2022-02-06 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法
US18/276,381 US20240135570A1 (en) 2021-02-08 2022-02-06 Method for improving estimation of leaf area index in early growth stage of wheat based on red-edge band of sentinel-2 satellite image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110172049.5A CN113192117B (zh) 2021-02-08 2021-02-08 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法

Publications (2)

Publication Number Publication Date
CN113192117A CN113192117A (zh) 2021-07-30
CN113192117B true CN113192117B (zh) 2022-03-22

Family

ID=76972915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110172049.5A Active CN113192117B (zh) 2021-02-08 2021-02-08 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法

Country Status (3)

Country Link
US (1) US20240135570A1 (zh)
CN (1) CN113192117B (zh)
WO (1) WO2022166939A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192117B (zh) * 2021-02-08 2022-03-22 南京农业大学 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法
CN114549881B (zh) * 2022-01-24 2023-08-01 扬州大学 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法
CN115758855B (zh) * 2022-08-18 2024-04-12 中国人民解放军61540部队 一种基于lstm及注意力机制的地表反射率反演方法
CN115170573B (zh) * 2022-09-08 2022-11-29 山东政信大数据科技有限责任公司 基于大数据与物联网的智慧农业监控管理系统
CN115578646B (zh) * 2022-09-16 2023-07-07 二十一世纪空间技术应用股份有限公司 一种蓝藻水华监测方法及装置
CN115641502B (zh) * 2022-09-20 2023-05-12 中国水利水电科学研究院 基于叶面积指数的冬小麦旱情无人机快速监测判别方法
CN115578637B (zh) * 2022-10-17 2023-05-30 中国科学院空天信息创新研究院 一种基于长短期记忆网络的冬小麦估产分析方法和系统
CN115561181B (zh) * 2022-10-26 2024-05-07 中科合肥智慧农业协同创新研究院 一种基于无人机多光谱数据的水质反演方法
CN116297243B (zh) * 2023-02-28 2024-02-02 北京市农林科学院信息技术研究中心 烤烟氮肥追施量估计方法、装置、电子设备及存储介质
CN116593419B (zh) * 2023-04-14 2024-02-27 南京农业大学 一种缓解lcc与秸秆-土壤背景影响的小麦lai估算方法
CN116501925B (zh) * 2023-06-26 2023-09-05 山东大学 多源遥感数据下叶面积指数预测方法、系统、设备及介质
CN117197650B (zh) * 2023-07-24 2024-03-19 移动广播与信息服务产业创新研究院(武汉)有限公司 基于sar数据时空极化定标的甘蔗分布提取方法及系统
CN117409313B (zh) * 2023-09-20 2024-05-10 宁波大学 一种基于Sentinel-2光学影像的互花米草物候衰退期指数构建方法
CN117153291B (zh) * 2023-10-31 2024-01-02 水利部交通运输部国家能源局南京水利科学研究院 一种灌区稻田碳汇价值计算方法及系统
CN117649599B (zh) * 2023-11-07 2024-05-17 宁波大学 基于改进光能利用效率模型的冬小麦产量大面积估算方法
CN117292267B (zh) * 2023-11-27 2024-02-02 武汉大学 一种基于物候信息的水稻地上生物量分段估算方法及系统
CN117423003B (zh) * 2023-12-19 2024-03-19 山东科技大学 一种冬小麦越冬期苗情分级遥感监测方法
CN117554300B (zh) * 2024-01-10 2024-03-19 中国科学院、水利部成都山地灾害与环境研究所 山地地表反照率站点观测遥感空间降尺度方法

Citations (4)

* Cited by examiner, † Cited by third party
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
CN102628860A (zh) * 2012-04-16 2012-08-08 山东省农业可持续发展研究所 一种麦田土壤水分的遥感监测方法
CN107907075A (zh) * 2017-12-28 2018-04-13 山东省农业可持续发展研究所 花生叶面积指数遥感监测方法
CN110544277A (zh) * 2019-08-12 2019-12-06 蔡建楠 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102538717B (zh) * 2010-12-30 2016-05-25 北京师范大学 叶面积指数自动观测系统及其方法
US9495597B2 (en) * 2011-10-20 2016-11-15 Monsanto Technology Llc Plant stand counter
CN104899394B (zh) * 2015-06-23 2017-10-10 中国科学院遥感与数字地球研究所 一种实用的叶面积指数遥感反演方法
CN107796764B (zh) * 2016-09-05 2020-01-24 南京农业大学 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
CN106780079B (zh) * 2016-11-28 2020-12-29 山东省农业可持续发展研究所 基于遥感数据的冬小麦不同生育期叶面积指数反演方法
CN108169141A (zh) * 2017-11-28 2018-06-15 华南农业大学 一种基于高光谱图像的茶树lai及氮含量估算方法
CN113192117B (zh) * 2021-02-08 2022-03-22 南京农业大学 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
CN102628860A (zh) * 2012-04-16 2012-08-08 山东省农业可持续发展研究所 一种麦田土壤水分的遥感监测方法
CN107907075A (zh) * 2017-12-28 2018-04-13 山东省农业可持续发展研究所 花生叶面积指数遥感监测方法
CN110544277A (zh) * 2019-08-12 2019-12-06 蔡建楠 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法

Also Published As

Publication number Publication date
WO2022166939A1 (zh) 2022-08-11
US20240135570A1 (en) 2024-04-25
CN113192117A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN113192117B (zh) 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法
CN104198396B (zh) 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
Jiao et al. The sensitivity of multi-frequency (X, C and L-band) radar backscatter signatures to bio-physical variables (LAI) over corn and soybean fields
CN105021562A (zh) 一种大米产地溯源方法及其应用
Wei et al. Monitoring leaf nitrogen accumulation in wheat with hyper-spectral remote sensing
Lin et al. Predicting copper content in chicory leaves using hyperspectral data with continuous wavelet transforms and partial least squares
CN108520127A (zh) 一种树种叶面积指数的高光谱反演方法
CN108613943B (zh) 一种基于光谱形态转移的近红外单籽粒作物成分检测方法
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
Bei et al. Leaf chlorophyll content retrieval of wheat by simulated RapidEye, Sentinel-2 and EnMAP data
CN110398473A (zh) 一种农产品产地检测方法及系统
CN114676636A (zh) 一种综合植被和生境特征的草原区土壤水分快速反演方法
Xu et al. Nondestructive detection of internal flavor in ‘Shatian’pomelo fruit based on visible/near infrared spectroscopy
CN112129709A (zh) 一种苹果树冠层尺度氮含量诊断方法
CN111767863A (zh) 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法
CN110231302A (zh) 一种快速测定奇亚籽粗脂肪含量的方法
CN113111799A (zh) 一种基于集合经验模态分解的耕地土壤肥力水平监测方法
WO2024098587A1 (zh) 基于ceemdan的农田土壤水分胁迫甄别与监测方法
CN110231306A (zh) 一种无损、快速测定奇亚籽蛋白质含量的方法
CN109520964A (zh) 基于nirs的种子活力测定方法、系统及存储介质
CN114527082A (zh) 甜玉米种子萌发预测方法及装置
CN114529838A (zh) 基于卷积神经网络的土壤含氮量反演模型构建方法及系统
Jin et al. Rmote sensing of leaf water content for winter wheat using grey relational analysis (GRA), stepwise regression method (SRM) and partial least squares (PLS)
CN116593419B (zh) 一种缓解lcc与秸秆-土壤背景影响的小麦lai估算方法
CN110231303A (zh) 一种快速测定奇亚籽灰分含量的方法

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