CN113255592B - 枯草光谱识别方法及系统 - Google Patents

枯草光谱识别方法及系统 Download PDF

Info

Publication number
CN113255592B
CN113255592B CN202110708362.6A CN202110708362A CN113255592B CN 113255592 B CN113255592 B CN 113255592B CN 202110708362 A CN202110708362 A CN 202110708362A CN 113255592 B CN113255592 B CN 113255592B
Authority
CN
China
Prior art keywords
hay
spectral
spectrum
green
spectral characteristics
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
CN202110708362.6A
Other languages
English (en)
Other versions
CN113255592A (zh
Inventor
徐维新
张娟
梁好
段旭辉
代娜
肖强智
王淇玉
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202110708362.6A priority Critical patent/CN113255592B/zh
Publication of CN113255592A publication Critical patent/CN113255592A/zh
Application granted granted Critical
Publication of CN113255592B publication Critical patent/CN113255592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G01N2021/1797—Remote sensing in landscape, e.g. crops
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种枯草光谱识别方法及系统，其中，枯草光谱识别方法，包括以下步骤：采集牧草光谱特征；基于光谱特征的枯草识别：枯草光谱的筛选通过下式判别：Rred‑Rgreen>0其中：Rred代表红光波段，Rgreen代表绿光波段，当上式计算值大于0时，选取为枯草光谱特征；基于线性拟合的枯草识别：将枯草光谱特征分别进行直线拟合，筛选出决定系数R2>0.95的序列作为枯草光谱。本发明能在较短时间内完成从大量光谱数据中对枯草光谱的判别识别与筛选，可以服务于遥感反演或基于辐射传输模型的枯草判别，为青藏高原草地环境监测提供科学有效的理论支持。

Description

枯草光谱识别方法及系统
技术领域
本发明涉及草地遥感领域，具体的说，涉及一种枯草光谱识别方法及系统。
背景技术
目前，青藏高原独特的生态环境与自然气候条件是推动全球变化研究与认识深化的重点区域。其中，高寒草地是青藏高原最主要的植被覆盖类型以及我国大规模生态环境保护与建设的对象。而冬季是草原过度采食与生态破坏的主要时期，冬季牧草存量则是保护生态平衡与畜牧业生产与灾害防御的关键参量。从光谱上识别冬季枯草对其枯黄机理的认识具有重要的科学意义与直接的应用需求。而目前尚未有对枯草光谱进行识别的有效方法。
由于目前没有识别枯草光谱的有效方法，对枯草的光谱特点及作用机理认识均为空白，这将直接限制枯草科学研究及青藏高原生态保护与畜牧平衡的有效开展。
发明内容
本发明针对现有技术存在的不足，提供了一种枯草光谱识别方法及系统。本发明针对目前尚无有对枯草光谱进行识别的有效方法，分析枯草光谱特征，揭示枯草成分对吸收光谱的响应变化，对比鲜草特征光谱区间，提出一种基于枯/鲜草光谱机理分析和枯草局部光谱特征来有效识别枯草光谱的方法。
本发明的具体技术方案如下：
一种枯草光谱识别方法，包括以下步骤：
采集牧草光谱特征；
基于光谱特征的枯草识别：枯草光谱的筛选通过下式判别：
Rred-Rgreen>0
其中：Rred代表红光波段的反射率， Rgreen代表绿光波段的反射率，
当上式计算值大于0时，选取为枯草光谱特征；
基于线性拟合的枯草识别：
将枯草光谱特征分别进行直线拟合，筛选出决定系数R2>0.95的序列作为枯草光谱。
作为优选的技术方案，采集牧草光谱特征后进行抛物线修正及同次观测样本的均值合成输出，实现数据校正的同时降低测量随机误差，随后进行基于光谱特征的枯草识别步骤。
作为优选的技术方案，利用光谱仪附配的ViewSpecPro软件进行光谱预处理，完成抛物线修正及同次观测样本的均值合成输出，实现数据校正的同时降低测量随机误差。
一种枯草光谱识别系统，包括：
光谱仪，用于采集牧草光谱特征；
枯草判别单元：根据下式判别：
Rred-Rgreen>0
其中：Rred代表红光波段的反射率， Rgreen代表绿光波段的反射率，
当上式计算值大于0时，选取为枯草光谱特征；
直线拟合单元：用于将枯草光谱特征分别进行直线拟合，筛选出决定系数R2>0.95的序列作为枯草光谱。
作为优选的技术方案，还包括预处理模块，用于对牧草光谱特征进行抛物线修正及同次观测样本的均值合成输出，实现数据校正的同时降低测量随机误差。
有益效果在于：
本发明从枯草内部机理和光谱波形特征出发，经过科学归纳和数理统计，提出两步识别枯草光谱的方法。该方法能在较短时间内完成从大量光谱数据中对枯草光谱的判别识别与筛选，可以服务于遥感反演或基于辐射传输模型的枯草判别，为青藏高原草地环境监测提供科学有效的理论支持。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1是夏季典型绿草和冬季典型枯草样方经预处理后的平均光谱图。
图2是光谱预处理后的典型枯草局部反射特征图。
图3是筛选出的枯草模拟光谱序列最值图。
具体实施方式
下面将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的一部分实施例，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做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。
需要说明的是，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
现在结合说明书附图对本发明做进一步的说明。
图1为夏季典型绿草和冬季典型枯草样方经预处理后的平均光谱。从图中可以看出，高寒冬季枯草与绿草光谱在可见光与近红外波段存在着显著差别。绿草光谱表现为典型的绿色植被光谱特征，红光波段（650-680nm）的吸收谷与近红外波段(760-1300nm)的高反射特征清晰。然而，枯草的光谱特征在短波红外波段前则明显不同于绿草，其反射光谱曲线自400-1300nm基本呈明显的线性增加趋势，绿色植被的蓝光与红光波段的吸收谷特征完全消失，近红外波段较一致的高反射率特征被逐渐增加的线性分布特征代替。反映了牧草干枯、叶绿素流失、叶片内部结构破坏后的独特光谱特征。
观察图1可以发现，枯草在可见光波段与绿草有显著光谱差异，尤其是红光波段吸收谷的存在与否，可作为绿/枯草识别与判别划界依据。即：由于绿草红光波段吸收谷与绿光波段小反射峰的存在，绿草绿光波段反射值将必定大于红光波段，而枯草则是红光波段大于绿光。因此，枯草光谱的筛选可通过下式判别：
Rred-Rgreen>0 (1)
其中：Rred代表红光波段的反射率，本研究选取660nm反射率；Rgreen代表绿光波段的反射率，选取560nm反射率。
当该式计算值大于0时，视该模拟光谱值反映了枯草光谱特征。
根据图1枯草光谱特征，枯草与绿草光谱在1300-2500nm波段虽然数值差异较大，但波谱特征相似，难以识别，而在400-1300nm波段二者间数值与分布特征均有显著差异。
此外，图1中1300-2500nm波段枯草光谱分布区间分散，最大值与最小值的极值分布区间宽，与非枯草地物光谱区间重叠范围较大。而400-1300nm波段，枯草的极值分布区间窄而收敛性强，波形特征与其它地物具有显著差异性。因此，本文从枯草400-1300nm波段波形特征出发，进一步识别枯草光谱。
从经过数据预处理后400-1300nm波段实测枯草反射光谱可以发现（图2），这一区间枯草光谱呈准线性分布，且波形的线性特征显著。对这一区间内实测光谱数据序列的线性拟合结果表明，绝大多数观测样本线性拟合方程的决定系数R2达到了99%置信区间，所有23个观测样本的线性拟合R2均通过95%置信区间。因此，以400-1300nm区间模拟光谱数据序列线性拟合方程系数R2>0.95作为枯草光谱二级识别的方法与阈值。
具体实施时，样本采集于青海海北西海镇高寒冬季牧草遥感监测野外观测试验场。该试验场地处青海湖东北畔，海拔3140米，属典型高寒草甸草原。
在该试验场采集夏季典型绿草和冬季典型枯草反射光谱。
光谱数据预处理：
为了更好凸显枯草光谱特征，消除不同光栅间的系统性“跳跃”偏差及个别光纤波动导致的“毛刺”性异常值。利用ASD光谱仪附配的ViewSpecPro软件进行光谱预处理。完成抛物线修正及同次观测样本的均值合成输出，实现数据校正的同时降低测量随机误差。
基于光谱特征的枯草识别：
基于PROSAIL模型模拟生成了15000组潜在的枯草反射光谱序列。根据式1进行基于光谱特征的枯草初步筛选，得到了11595组潜在的枯草光谱序列。
基于线性拟合的枯草识别：
根据判别阈值，将模拟光谱序列分别进行直线拟合，筛选出决定系数R2>0.95的序列作为枯草光谱。
枯草光谱识别结果：
识别出的模拟光谱如图3所示（本发明实施例仅展示最大与最小值）。可以看出，在400nm时光谱反射率波动范围为0.01-0.02，差距极小；而在1400nm的吸收峰时波动范围为0.21-0.34，相比400nm时波动范围扩大了13倍左右，这与前文我们观察到的实测枯草反射光谱特征是高度相似的。
从400-2500nm的全光谱序列变化特征看，模拟光谱与平均实测光谱显著相似。对筛选得到的模拟光谱与平均实测光谱进行拟合评价，其R2处于0.904-0.994之间，通过了0.01显著性水平检验。
以上结论表明，本文所提出的枯草识别方法快速有效，识别出的枯草光谱与实际光谱相似度极高，具有充分的科学依据。可以为枯草识别，机理研究与模拟反演有效识别枯草反射光谱。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (5)

1.一种枯草光谱识别方法，其特征在于，包括以下步骤：
采集牧草光谱特征；
基于光谱特征的枯草识别：枯草光谱的筛选通过下式判别：
Rred-Rgreen>0
其中：Rred代表红光波段的反射率， Rgreen代表绿光波段的反射率，
当上式计算值大于0时，选取为枯草光谱特征；
基于线性拟合的枯草识别：
将枯草光谱特征分别进行直线拟合，筛选出决定系数R2>0.95的序列作为枯草光谱。
2.根据权利要求1所述的方法，其特征在于，采集牧草光谱特征后，进行抛物线修正及同次观测样本的均值合成输出，实现数据校正的同时降低测量随机误差，随后进行基于光谱特征的枯草识别步骤。
3.根据权利要求1所述的方法，其特征在于，采集牧草光谱特征后，利用光谱仪附配的ViewSpecPro软件进行光谱预处理，完成抛物线修正及同次观测样本的均值合成输出，实现数据校正的同时降低测量随机误差，随后进行基于光谱特征的枯草识别步骤。
4.一种枯草光谱识别系统，其特征在于，包括：
光谱仪，用于采集牧草光谱特征；
枯草判别单元：根据下式判别：
Rred-Rgreen>0
其中：Rred代表红光波段的反射率， Rgreen代表绿光波段的反射率，
当上式计算值大于0时，选取为枯草光谱特征；
直线拟合单元：用于将枯草光谱特征分别进行直线拟合，筛选出决定系数R2>0.95的序列作为枯草光谱。
5.根据权利要求4所述的枯草光谱识别系统，其特征在于，还包括预处理模块，用于对牧草光谱特征进行抛物线修正及同次观测样本的均值合成输出，实现数据校正的同时降低测量随机误差。
CN202110708362.6A 2021-06-25 2021-06-25 枯草光谱识别方法及系统 Active CN113255592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110708362.6A CN113255592B (zh) 2021-06-25 2021-06-25 枯草光谱识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110708362.6A CN113255592B (zh) 2021-06-25 2021-06-25 枯草光谱识别方法及系统

Publications (2)

Publication Number Publication Date
CN113255592A CN113255592A (zh) 2021-08-13
CN113255592B true CN113255592B (zh) 2021-11-19

Family

ID=77189689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110708362.6A Active CN113255592B (zh) 2021-06-25 2021-06-25 枯草光谱识别方法及系统

Country Status (1)

Country Link
CN (1) CN113255592B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323404A (zh) * 2013-05-30 2013-09-25 中国农业科学院北京畜牧兽医研究所 一种获得冷季型禾本科牧草群体补充氮肥量的方法
CN110596049A (zh) * 2019-09-17 2019-12-20 云南农业大学 一种光谱速测烟草叶片中磷含量的方法
WO2020165671A1 (en) * 2019-02-11 2020-08-20 Università Degli Studi Di Palermo Method for monitoring vegetation ground covers

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101718683B (zh) * 2009-11-10 2011-02-02 中国农业大学 快速检测叶片叶绿素含量的建模方法及检测方法
WO2015195746A1 (en) * 2014-06-18 2015-12-23 Innopix, Inc. Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays
CN106092915B (zh) * 2016-05-31 2018-06-05 太原理工大学 一种草地绿色植物与枯萎植物重量比例遥感估算方法
CN112750135B (zh) * 2020-12-31 2022-06-03 成都信息工程大学 一种无人机倾斜摄影测量像控点优化方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323404A (zh) * 2013-05-30 2013-09-25 中国农业科学院北京畜牧兽医研究所 一种获得冷季型禾本科牧草群体补充氮肥量的方法
WO2020165671A1 (en) * 2019-02-11 2020-08-20 Università Degli Studi Di Palermo Method for monitoring vegetation ground covers
CN110596049A (zh) * 2019-09-17 2019-12-20 云南农业大学 一种光谱速测烟草叶片中磷含量的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
weideng等.study on spectral detection of green plant target.《National Engineering Research center for information technology in agriculture》.2010,第30卷(第8期),第2179-83页. *
喻小勇等.三江源区不同退化程度的高寒草甸光谱特征分析.《地球信息科学学报》.2012,(第03期), *
胥慧等.内蒙古典型草原干草生物量高光谱遥感估算研究.《阴山学刊（自然科学版）》.2014,第28卷(第04期),第22-27页. *
钱育蓉等.新疆典型荒漠草地的高光谱特征提取和分析研究.《草业学报》.2013,第22卷(第01期),第157-166页. *
陈佼等.天山北坡草地盖度高光谱遥感估算.《草业科学》.2017,(第01期), *

Also Published As

Publication number Publication date
CN113255592A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Rodríguez-Pérez et al. Evaluation of hyperspectral reflectance indexes to detect grapevine water status in vineyards
Yi et al. Estimation of leaf water content in cotton by means of hyperspectral indices
CN102072885B (zh) 一种基于机器视觉的水稻穗颈瘟染病程度分级方法
Feng et al. Analysis of the relationship between the spectral characteristics of maize canopy and leaf area index under drought stress
CN108333140B (zh) 用于刚竹毒蛾危害检测的特征光谱指数及检测方法
CN110069895B (zh) 冬小麦含氮量全生育时段光谱监测模型建立方法
Nagai et al. Usability of time-lapse digital camera images to detect characteristics of tree phenology in a tropical rainforest
CN110987830A (zh) 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用
Zhang et al. Vis/NIR reflectance spectroscopy for hybrid rice variety identification and chlorophyll content evaluation for different nitrogen fertilizer levels
CN111474117B (zh) 作物病害监测的方法及装置
CN113255592B (zh) 枯草光谱识别方法及系统
CN112667708A (zh) 一种基于ndvi时间序列的冬小麦物候期监测方法及装置
Garonna et al. Rapid primary productivity changes in one of the last coastal rainforests: the case of Kahua, Solomon Islands
Horn et al. Post-processing analysis of MODIS leaf area index subsets
CN114781767B (zh) 估算模型构建方法、估算方法、装置、计算机设备及介质
Schillaci et al. Assessment of hail damages in maize using remote sensing and comparison with an insurance assessment: A case study in Lombardy
Stone et al. Effects of leaf age and psyllid damage on the spectral reflectance properties of Eucalyptus saligna foliage
Batungwanayo et al. Response of seasonal vegetation dynamics to climatic constraints in Northeastern Burundi
Zhang et al. A highly chlorophyll-sensitive and LAI-insensitive index based on the red-edge band: CSI
CN114694041A (zh) 一种棉花药害与叶螨虫害的高光谱鉴别方法
CN113252592B (zh) 枯草参数率定方法
Cushnahan et al. Identifying grass species using hyperspectral sensing
Kannan Analysis of Seasonal Vegetation Dynamics Using MODIS Derived NDVIand NDWI Data: A Case Study of Tamil Nadu
CN114946485B (zh) 一种基于vnir和opls-da预判桉树缺铁性黄化病的方法
Verlinden et al. Modeling woody vegetation resources using Landsat TM imagery in northern Namibia

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