CN113945524A - 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统 - Google Patents

基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统 Download PDF

Info

Publication number
CN113945524A
CN113945524A CN202111164986.2A CN202111164986A CN113945524A CN 113945524 A CN113945524 A CN 113945524A CN 202111164986 A CN202111164986 A CN 202111164986A CN 113945524 A CN113945524 A CN 113945524A
Authority
CN
China
Prior art keywords
data set
chlorophyll
carotenoid
vegetation index
sample
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.)
Granted
Application number
CN202111164986.2A
Other languages
English (en)
Other versions
CN113945524B (zh
Inventor
孙嘉
何春梅
王伦澈
王绍强
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202111164986.2A priority Critical patent/CN113945524B/zh
Publication of CN113945524A publication Critical patent/CN113945524A/zh
Application granted granted Critical
Publication of CN113945524B publication Critical patent/CN113945524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/17—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
    • 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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G01N21/274—Calibration, base line adjustment, drift correction
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于植被指数(VI)的类胡萝卜素与叶绿素比值(Car/Chl)反演方法，通过模拟数据集分析构建的多个候选植被指数组合对Car和Chl相关性变化的敏感性，选取对其不敏感的植被指数组合VI1；获取实测数据集进行验证，将实测数据集划分为训练数据集和待测数据集，通过训练样本建立植被指数组合VI1与训练样本Car/Chl2的线性校准模型；计算获得各待测样本的植被指数组合VI1，将各待测样本的植被指数组合VI1代入线性校准模型，获得各待测样本的反演值，将各待测样本的反演值与各待测样本的Car/Chl3进行对比，获得反演的精确度。本发明可以提升叶片Car/Chl反演的精度，构建的植被指数受叶绿素和类胡萝卜素相关性变化影响较小，从而能够提高叶片Car/Chl反演精度。

Description

基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统
技术领域
本发明涉及生化参数反演领域，尤其涉及一种基于植被指数组合的叶片类胡萝卜素与叶绿素比值反演方法及系统。
背景技术
叶片类胡萝卜素与叶绿素比值(Car/Chl)是反映光合活性、植被发育和胁迫反应的敏感指标。遥感技术是一种无损、大规模的方法，已广泛应用于估算叶片生化和生物物理特性。应用遥感手段反演Car/Chl时，目前主要基于有限个实测数据集来开发VI的统计方法，因此所开发的VI对其他研究地点或物种的可移植性较差。最近，有研究利用模拟数据集构建了植被指数(VI)组合，提高了所构建的植被指数组合的普适性。然而，所构建的指数较大地受到Car和Chl相关性变化影响，而且植被中的Car和Chl相关性会受到物种以及不同生长阶段等因素的影响而不同，另外目前尚未有研究探究VI对干扰因素“Car和Chl含量间的相关性变化”的稳健性。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于，解决现有技术中，缺乏对不同类胡萝卜素和叶绿素相关性具有较高稳健性，以及较好普适性的方法的问题。
为实现上述目的，本发明提供一种基于植被指数组合的叶片类胡萝卜素与叶绿素比值反演方法，包括：
S1：通过辐射传输模型PROSPECT-5生成的模拟数据集DatasetA构建多个候选植被指数组合；
S2：利用辐射传输模型PROSPECT-5模拟五个不同叶绿素和类胡萝卜素相关性情况下的光谱数据集(Dataset1-5)，通过Dataset1-5分析构建的植被指数组合对叶绿素和类胡萝卜素相关性变化的敏感性以及对Car/Chl的敏感性，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1；
S3：通过实测数据集验证在模拟数据集中选择的所述植被指数组合VI1对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感；
S4：将所述实测数据集随机划分为训练数据集和待测数据集，利用所述训练数据集中各训练样本的叶片反射率光谱和植被指数组合VI1，计算得到各训练样本对应的植被指数组合VI1的取值A，建立所述A与各所述训练样本的叶绿素和类胡萝卜素比值Car/Chl2的线性校准模型；
S5：利用所述待测数据集中各待测样本的叶片反射率光谱和植被指数组合VI1，计算获得各待测样本对应的植被指数组合VI1的取值B，将所述B代入所述线性校准模型，获得待测数据集中各待测样本的反演值；将各待测样本的反演值与各待测样本的类胡萝卜素与叶绿素比值Car/Chl3进行对比，获得反演的精确度。
进一步地，步骤S1的具体步骤为：
S11：获取模拟数据集DatasetA中样本的叶片参数，所述叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述模拟数据集样本的叶片参数输入PROSPECT-5辐射传输模型进行正向运算，获得模拟数据集样本的叶片反射率谱；
S12：通过所述模拟数据集DatasetA的叶片反射率谱，计算获取各类胡萝卜素指数和叶绿素指数；
S13：将所述类胡萝卜素指数和叶绿素指数与各自对应的类胡萝卜素和叶绿素含量分别进行线性回归；
S14：分别选取若干对类胡萝卜素含量和叶绿素含量敏感的植被指数，构建以类胡萝卜素指数除以叶绿素指数形式的植被指数组合VI1，VI2，VI3和VI4。
进一步地，步骤S2的具体过程如下：
S21：利用辐射传输模型PROSPECT-5模拟五个不同叶绿素和类胡萝卜素相关性情况下的光谱数据集Dataset1-5，获取光谱模拟数据集Dataset 1-5样本的叶片参数，所述光谱模拟数据集样本的叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述模拟数据集样本的叶片参数输入PROSPECT-5辐射传输模型进行正向运算，获得模拟数据集样本的叶片反射率谱；
S22：通过所述模拟数据集Dataset 1-5的叶片反射率谱，计算获得模拟数据集i的植被指数组合VIi1，VIi2，VIi3和VIi4，其中i表示模拟数据集的编号，0＜i≤5；
S23：将VIi1，VIi2，VIi3和VIi4与所述各自光谱模拟数据集i中的的类胡萝卜素与叶绿素比值进行线性回归，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1。
进一步地，步骤S3的具体步骤如下：
S31：获取实测样本数据集，所述实测样本数据集包括：各实测样本的叶片反射率谱，类胡萝卜素含量，叶绿素含量以及类胡萝卜素与叶绿素比值Car/Chl；
S32：通过所述实测数据集的类胡萝卜素含量和叶绿素含量，计算获得实测数据集j的类胡萝卜素与叶绿素之间的相关性，其中j表示模拟数据集的编号，0＜j≤3；
S33：通过所述实测数据集的叶片反射率谱，计算获得实测数据集j的植被指数组合VIj1，VIj2，VIj3和VIj4，其中j表示模拟数据集的编号，0＜j≤3；
S34：将VIj1，VIj2，VIj3和VIj4与所述各自对应实测数据集j中的类胡萝卜素与叶绿素比值进行线性回归，以此验证在模拟数据中选择的植被指数组合VI1在实测数据集中相比其他的植被指数组合VI2，VI3和VI4对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感。
一种基于植被指数组合的叶片类胡萝卜素与叶绿素比值反演系统，包括：
植被指数组合构建模块，用于通过辐射传输模型PROSPECT-5生成的模拟数据集DatasetA构建多个候选植被指数组合；
植被指数组合的敏感性分析模块，用于利用辐射传输模型PROSPECT-5模拟不同叶绿素和类胡萝卜素相关性情况下的光谱数据集(Dataset1-5)，通过Dataset1-5分析构建的植被指数组合对叶绿素和类胡萝卜素相关性变化的敏感性以及对Car/Chl的敏感性，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1；
实测数据集验证模块，用于通过实测数据集验证在模拟数据集中选择的所述植被指数组合VI1对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感；
校准模型构建模块，用于将所述实测数据集随机划分为训练数据集和待测数据集，利用所述训练数据集中各训练样本的叶片反射率光谱和植被指数组合VI1，计算得到各训练样本对应的植被指数组合VI1的取值A，建立所述A与叶绿素和类胡萝卜素比值Car/Chl2的线性校准模型；
待测样本反演值计算模块，用于利用所述待测数据集中各待测样本的叶片反射率光谱和植被指数组合VI1，计算获得各待测样本对应的植被指数组合VI1的取值B，将所述B代入所述线性校准模型，获得所述待测数据集中的各待测样本的反演值，将各待测样本的反演值与各待测样本的类胡萝卜素与叶绿素比值Car/Chl3进行对比，获得反演的精确度。
进一步地，所述植被指数组合构建模块中，构建多个候选植被指数组合的具体步骤为：
通过辐射传输模型PROSPECT-5生成的模拟数据集DatasetA，获取模拟数据集DatasetA中样本的叶片参数，所述叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述模拟数据集样本的叶片参数输入辐射传输模型PROSPECT-5进行正向运算，获得模拟数据集中样本的叶片反射率谱；
通过所述叶片反射率谱，计算获取模拟数据集中样本的各类胡萝卜素指数和叶绿素指数；
将所述类胡萝卜素指数和叶绿素指数与各自对应的类胡萝卜素和叶绿素含量分别进行线性回归；
分别选取若干对类胡萝卜素含量和叶绿素含量敏感的植被指数，构建以类胡萝卜素指数除以叶绿素指数形式的植被指数组合VI1，VI2，VI3和VI4。
进一步地，所述植被指数组合的敏感性分析模块中，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1的具体步骤如下：
利用辐射传输模型PROSPECT-5模拟五个不同叶绿素和类胡萝卜素相关性情况下的光谱数据集Dataset1-5，获取光谱模拟数据集Dataset 1-5中样本的叶片参数，该叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述叶片参数输入辐射传输模型PROSPECT-5进行正向运算，获得光谱模拟数据集Dataset 1-5中样本的叶片反射率谱；
通过所述光谱模拟数据集Dataset 1-5的叶片反射率谱，计算获得光谱模拟数据集i的植被指数组合VIi1，VIi2，VIi3和VIi4，其中i表示光谱模拟数据集的编号，0＜i≤5；
将VIi1，VIi2，VIi3和VIi4与所述各自对应光谱模拟数据集中的类胡萝卜素与叶绿素比值进行线性回归，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1。
进一步地，所述实测数据集验证模块中，验证过程如下：
获取实测样本数据集，所述实测样本数据集包括：各实测样本的叶片反射率谱，类胡萝卜素含量，叶绿素含量以及类胡萝卜素与叶绿素比值Car/Chl；
通过所述实测数据集的类胡萝卜素含量和叶绿素含量，计算获得实测数据集j的类胡萝卜素与叶绿素之间的相关性，其中j表示模拟数据集的编号，0＜j≤3；
通过所述实测数据集的叶片反射率谱，计算获得实测数据集j的植被指数组合VIj1，VIj2，VIj3和VIj4，其中j表示模拟数据集的编号，0＜j≤3；
将VIj1，VIj2，VIj3和VIj4与所述各自对应实测数据集j中的类胡萝卜素与叶绿素比值进行线性回归，以此验证在模拟数据中选择的植被指数组合VI1在实测数据集中相比其他的植被指数组合VI2，VI3和VI4对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感。
本发明具有以下有益效果：
1、本发明分别选择了对类胡萝卜素或叶绿素敏感的植被指数，以确保基于所选取的植被指数而构建的植被指数组合对类胡萝卜素与叶绿素比值Car/Chl尽量敏感；
2、针对目前用于类胡萝卜素与叶绿素比值Car/Chl反演的植被指数大多是使用有限个实测数据集构建的，因此存在无法用于不同的物种和不同的生长阶段的局限性，本发明采用了PROSPECT-5模拟的各种物种和生长阶段的叶片反射率来构建植被指数组合，提高了构建的植被指数组合的普适性。
3、在实际的植被类胡萝卜素与叶绿素比值Car/Chl反演工作中，其反演精度受到类胡萝卜素与叶绿素相关性的干扰，本文采用辐射传输模型PROSPECT-5模拟不同的类胡萝卜素与叶绿素相关性对VI组合和Car/Chl关系的影响，旨在找出所构建的植被指数组合对类胡萝卜素与叶绿素比值Car/Chl敏感而对“类胡萝卜素与叶绿素间相关性变化”尽量不敏感，以此降低类胡萝卜素与叶绿素间相关性变化对反演结果的影响且精准的反演叶片类胡萝卜素与叶绿素比值Car/Chl。
附图说明
图1为本发明实施例方法流程图；
图2为本发明模拟数据集中样本的叶片反射率谱；
图3为本发明构建的植被指数组合受叶绿素和类胡萝卜素相关性变化影响图；
图4为本发明实施例系统结构图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本实施例中，本发明提供一种基于植被指数组合的叶片类胡萝卜素与叶绿素比值反演方法，包括：
S1：通过辐射传输模型PROSPECT-5生成的模拟数据集DatasetA构建多个候选植被指数组合；
具体步骤为：
S11：获取模拟数据集DatasetA中样本的叶片参数，所述模拟数据集样本的叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述模拟数据集样本的叶片参数输入PROSPECT-5辐射传输模型进行正向运算，获得模拟数据集样本的叶片反射率谱；
具体实现中，需要统计模拟数据集DatasetA的叶片参数中各参数的最小值、最大值、平均值和标准差，如表1所示：
表1
Figure BDA0003291049090000061
S12：通过所述叶片反射率谱，计算获取各类胡萝卜素指数和叶绿素指数；
具体实现中参考图2，根据模拟数据集DatasetA样本的叶片反射率谱，可以找到各特定波长处对应的叶片反射率，植被指数由一个或多个特定波长处的叶片反射率以对应组合式运算得到，参考表2；其中，R代表了指定波长处的叶片反射率，例如R800表示在位于800nm波长处的叶片反射率；如表2中的SR705植被指数，可以在图2中找到对应波长750nm和705nm处的反射率值R750和R705，该指数则可以计算为R750/R705。
表2
Figure BDA0003291049090000062
Figure BDA0003291049090000071
S13：将所述类胡萝卜素指数和叶绿素指数与各自对应的类胡萝卜素和叶绿素含量分别进行线性回归；
S14：分别选取若干对类胡萝卜素含量和叶绿素含量敏感的植被指数，构建以类胡萝卜素指数除以叶绿素指数形式的植被指数组合VI1，VI2，VI3和VI4；线性回归可以计算出R2和RMSE，根据R2和RMSE大小可以评估植被指数对类胡萝卜素含量或叶绿素含量是否敏感：R2越大且RMSE越小，植被指数对类胡萝卜素含量或叶绿素含量越敏感。
S2：利用辐射传输模型PROSPECT-5模拟五个不同叶绿素和类胡萝卜素相关性情况下的光谱数据集(Dataset1-5)，通过Dataset1-5分析构建的植被指数组合对叶绿素和类胡萝卜素相关性变化的敏感性以及对Car/Chl的敏感性，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl敏感的植被指数组合VI1；
步骤S2具体为：
S21：获取模拟数据集Dataset 1-5样本的叶片参数，所述模拟数据集样本的叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述模拟数据集样本的叶片参数输入PROSPECT-5辐射传输模型进行正向运算，获得模拟数据集样本的叶片反射率谱；
具体实现中，需要统计模拟数据集Dataset1-5的叶片参数中各参数的最小值、最大值、平均值和标准差(如表1所示)，而且为了模拟不同叶绿素和类胡萝卜素相关性情况下的光谱数据集，模拟数据集Dataset1-5的叶片叶绿素和类胡萝卜素相关性如表3所示：
表3
Figure BDA0003291049090000081
S22：通过所述模拟数据集Dataset 1-5的叶片反射率谱，计算获得模拟数据集i的植被指数组合VIi1，VIi2，VIi3和VIi4，其中i表示模拟数据集的编号，0＜i≤5；VIi1，VIi2，VIi3和VIi4实际上就是第i个模拟数据集中的样本所计算的VI1，VI2，VI3和VI4。
具体实现中参考图2，根据模拟数据集中样本的叶片反射率谱，可以找到各特定波长处对应的叶片反射率，植被指数组合由一个或多个特定波长处的叶片反射率以对应组合式运算得到，参考表4：
表4
Figure BDA0003291049090000082
S23：将VIi1，VIi2，VIi3和VIi4与所述各自对应数据集中的类胡萝卜素与叶绿素比值进行线性回归，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1；线性回归可以计算出R2和RMSE，根据R2和RMSE大小可以评估植被指数组合对Car/Chl是否敏感：R2越大且RMSE越小，植被指数组合对Car/Chl越敏感；而根据R2和RMSE在五个叶绿素和类胡萝卜素相关性不同的模拟数据集中的变动大小可以评估植被指数组合对类胡萝卜素和叶绿素相关性变化是否敏感：R2和RMSE变动越小，植被指数组合对Car/Chl类胡萝卜素和叶绿素相关性变化越不敏感。
S3：通过实测数据集验证在模拟数据集中选择的所述植被指数组合VI1对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感；
步骤S3具体为：
S31：获取实测样本数据集，所述实测样本数据集包括：各实测样本的叶片反射率谱，类胡萝卜素含量，叶绿素含量以及类胡萝卜素与叶绿素比值Car/Chl；
S32：通过所述实测数据集的类胡萝卜素含量和叶绿素含量，计算获得实测数据集j的类胡萝卜素与叶绿素之间的相关性，其中j表示模拟数据集的编号，0＜j≤3；
S33：通过所述实测数据集的叶片反射率谱，计算获得实测数据集j的植被指数组合VIj1，VIj2，VIj3和VIj4，其中j表示模拟数据集的编号，0＜j≤3；VIj1，VIj2，VIj3和VIj4实际上就是第j个实测数据集中的样本所计算的VI1，VI2，VI3和VI4。
具体实现中参考图2，根据模拟数据集中样本的叶片反射率谱，可以找到各特定波长处对应的叶片反射率，植被指数组合由一个或多个特定波长处的叶片反射率以对应组合式运算得到，参考表4；
S34：将VIj1，VIj2，VIj3和VIj4与所述各自对应实测数据集j中的类胡萝卜素与叶绿素比值进行线性回归，线性回归可以计算出R2和RMSE，根据R2和RMSE大小可以评估植被指数组合对Car/Chl是否敏感：R2越大且RMSE越小，植被指数组合对Car/Chl越敏感；而根据R2和RMSE在三个叶绿素和类胡萝卜素相关性不同的实测数据集中的变动大小可以评估植被指数组合对类胡萝卜素和叶绿素相关性变化是否敏感：R2和RMSE变动越小，植被指数组合对Car/Chl类胡萝卜素和叶绿素相关性变化越不敏感；以此验证在模拟数据中选择的植被指数组合VI1在实测数据集中相比其他的植被指数组合VI2，VI3和VI4对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感；
校准模型构建模块，用于将所述实测数据集随机划分为训练数据集和待测数据集，利用所述训练数据集中各训练样本的叶片反射率光谱和植被指数组合VI1，计算得到各训练样本对应的植被指数组合VI1的取值A，建立所述A与叶绿素和类胡萝卜素比值Car/Chl2的线性校准模型；
待测样本反演值计算模块，用于利用所述待测数据集中各待测样本的叶片反射率光谱和植被指数组合VI1，计算获得各待测样本对应的植被指数组合VI1的取值B，将所述B代入所述线性校准模型，获得所述待测数据集中的各待测样本的反演值，将各待测样本的反演值与各待测样本的类胡萝卜素与叶绿素比值Car/Chl3进行对比，获得反演的精确度。
植被指数组合VI1实质上类似于一个计算公式，用于计算每个训练样本和待测样本对应的植被指数组合的取值，每个样本对应一个取值，多个样本就有多个取值，组成向量形式的A和B。
实施本发明后的效果：
运用本发明构建出了一个新的VI组合CTRI/CIred-edge用于Car/Chl反演，如图3所示，构建的CTRI/CIred-edge指数受到Car和Chl相关性变化影响较低且对目标参数Car/Chl最为敏感。为了更好体现本发明的VI组合反演性能，使用了三个实测数据集(ANGERS、BM和DOGWOOD-2)，将三个实测数据集分别划分为相同大小的两部分，分别用于模型的训练和验证，并与已开发的用于Car/Chl估算的VIs进行了比较；
如表5所示，为在实测数据集中CTRI/CIred-edge反演结果与对应的6个已开发的用于Car/Chl估算的VIs反演精度结果的对比；
表5
Figure BDA0003291049090000101
Figure BDA0003291049090000111
在三个实测数据集中，本发明构建的植被指数组合CTRI/CIred-edge的精度都是最高的，并且在不同的数据集中表现相对稳定。
参考图4，本发明提供一种基于植被指数的类胡萝卜素与叶绿素比值反演系统，采用上述方法，具体包括以下几各模块：
植被指数组合构建模块10，用于通过辐射传输模型PROSPECT-5生成的模拟数据集DatasetA构建多个候选植被指数组合；
植被指数组合的敏感性分析模块20，用于利用辐射传输模型PROSPECT-5模拟不同叶绿素和类胡萝卜素相关性情况下的光谱数据集(Dataset1-5)，通过Dataset1-5分析构建的植被指数组合对叶绿素和类胡萝卜素相关性变化的敏感性以及对Car/Chl的敏感性，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1；
实测数据集验证模块30，用于通过实测数据集验证在模拟数据集中选择的所述植被指数组合VI1对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感；
校准模型构建模块40，用于将所述实测数据集随机划分为训练数据集和待测数据集，通过训练样本的叶片反射率光谱计算植被指数组合VI1，建立所述植被指数组合VI1与所述训练样本叶绿素和类胡萝卜素比值Car/Chl2的线性校准模型；
待测样本反演值计算模块50，用于通过所述待测样本的叶片反射率光谱计算获得各待测样本的植被指数组合VI1，将各待测样本的植被指数组合VI1代入线性校准模型，获得各待测样本的反演值。将各待测样本的反演值与各待测样本的类胡萝卜素与叶绿素比值Car/Chl3进行对比，获得反演的精确度。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于植被指数的类胡萝卜素与叶绿素比值反演方法，其特征在于，包括：
S1：构建多个候选植被指数组合；
S2：分析所述多个候选植被指数组合对叶绿素和类胡萝卜素相关性变化的敏感性以及对类胡萝卜素和叶绿素比值(Car/Chl)的敏感性，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1；
S3：获取实测数据集，用于验证所述植被指数组合VI1对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感；
S4：将所述实测数据集随机划分为训练数据集和待测数据集，利用所述训练数据集中各训练样本的叶片反射率光谱和植被指数组合VI1，计算得到各训练样本对应的植被指数组合VI1的取值A，建立所述A与各所述训练样本的叶绿素和类胡萝卜素比值Car/Chl2的线性校准模型；
S5：利用所述待测数据集中各待测样本的叶片反射率光谱和植被指数组合VI1，计算获得各待测样本对应的植被指数组合VI1的取值B，将所述B代入所述线性校准模型，获得待测数据集中各待测样本的反演值；将各待测样本的反演值与各待测样本的类胡萝卜素与叶绿素比值Car/Chl3进行对比，获得反演的精确度。
2.根据权利要求1所述的基于植被指数的类胡萝卜素与叶绿素比值反演方法，其特征在于，步骤S1中构建的多个候选植被指数组合的具体步骤为：
S11：通过辐射传输模型PROSPECT-5生成的模拟数据集DatasetA，获取模拟数据集DatasetA中样本的叶片参数，所述叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述模拟数据集样本的叶片参数输入辐射传输模型PROSPECT-5进行正向运算，获得模拟数据集中样本的叶片反射率谱；
S12：通过所述叶片反射率谱，计算获取模拟数据集中样本的各类胡萝卜素指数和叶绿素指数；
S13：将所述类胡萝卜素指数和叶绿素指数与各自对应的类胡萝卜素和叶绿素含量分别进行线性回归；
S14：分别选取若干对类胡萝卜素含量和叶绿素含量敏感的植被指数，构建以类胡萝卜素指数除以叶绿素指数形式的植被指数组合VI1，VI2，VI3和VI4。
3.根据权利要求1所述的基于植被指数的类胡萝卜素与叶绿素比值反演方法，其特征在于，步骤S2中选取对叶绿素和类胡萝卜素相关性变化最不敏感以及对Car/Chl最敏感的植被指数组合VI1的具体步骤如下：
S21：利用辐射传输模型PROSPECT-5模拟五个不同叶绿素和类胡萝卜素相关性情况下的光谱数据集Dataset1-5，获取光谱模拟数据集Dataset 1-5中样本的叶片参数，该叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述叶片参数输入辐射传输模型PROSPECT-5进行正向运算，获得光谱模拟数据集Dataset 1-5中样本的叶片反射率谱；
S22：通过所述光谱模拟数据集Dataset 1-5的叶片反射率谱，计算获得光谱模拟数据集i的植被指数组合VIi1，VIi2，VIi3和VIi4，其中i表示光谱模拟数据集的编号，0＜i≤5；
S23：将VIi1，VIi2，VIi3和VIi4与所述各自对应光谱模拟数据集i中的类胡萝卜素与叶绿素比值进行线性回归，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1。
4.根据权利要求3所述的基于植被指数的类胡萝卜素与叶绿素比值反演方法，其特征在于，步骤S3中的验证过程如下：
S31：获取实测样本数据集，所述实测样本数据集包括：各实测样本的叶片反射率谱、类胡萝卜素含量、叶绿素含量以及类胡萝卜素与叶绿素比值Car/Chl；
S32：通过所述实测数据集的类胡萝卜素含量和叶绿素含量，计算获得实测数据集j的类胡萝卜素与叶绿素之间的相关性，其中j表示模拟数据集的编号，0＜j≤3；
S33：通过所述实测数据集的叶片反射率谱，计算获得实测数据集j的植被指数组合VIj1，VIj2，VIj3和VIj4，其中j表示模拟数据集的编号，0＜j≤3；
S34：将VIj1，VIj2，VIj3和VIj4与所述各自对应实测数据集j中的类胡萝卜素与叶绿素比值进行线性回归，以此验证在模拟数据中选择的植被指数组合VI1在实测数据集中相比其他的植被指数组合VI2，VI3和VI4对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感。
5.一种基于植被指数的类胡萝卜素与叶绿素比值反演系统，其特征在于，包括：
植被指数组合构建模块，用于通过辐射传输模型PROSPECT-5生成的模拟数据集DatasetA构建多个候选植被指数组合；
植被指数组合的敏感性分析模块，用于利用辐射传输模型PROSPECT-5模拟五个不同叶绿素和类胡萝卜素相关性情况下的光谱数据集Dataset1-5，通过Dataset1-5分析构建的植被指数组合对叶绿素和类胡萝卜素相关性变化的敏感性以及对Car/Chl的敏感，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1；
实测数据集验证模块，用于通过实测数据集验证在模拟光谱数据集中选择的所述植被指数组合VI1对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感；
校准模型构建模块，用于将所述实测数据集随机划分为训练数据集和待测数据集，利用所述训练数据集中各训练样本的叶片反射率光谱和植被指数组合VI1，计算得到各训练样本对应的植被指数组合VI1的取值A，建立所述A与叶绿素和类胡萝卜素比值Car/Chl2的线性校准模型；
待测样本反演值计算模块，用于利用所述待测数据集中各待测样本的叶片反射率光谱和植被指数组合VI1，计算获得各待测样本对应的植被指数组合VI1的取值B，将所述B代入所述线性校准模型，获得所述待测数据集中的各待测样本的反演值，将各待测样本的反演值与各待测样本的类胡萝卜素与叶绿素比值Car/Chl3进行对比，获得反演的精确度。
6.如权利要求5所述的一种基于植被指数的类胡萝卜素与叶绿素比值反演系统，其特征在于，所述植被指数组合构建模块中，构建多个候选植被指数组合的具体步骤为：
通过辐射传输模型PROSPECT-5生成的模拟数据集DatasetA，获取模拟数据集DatasetA中样本的叶片参数，所述叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述模拟数据集样本的叶片参数输入辐射传输模型PROSPECT-5进行正向运算，获得模拟数据集中样本的叶片反射率谱；
通过所述叶片反射率谱，计算获取模拟数据集中样本的各类胡萝卜素指数和叶绿素指数；
将所述类胡萝卜素指数和叶绿素指数与各自对应的类胡萝卜素和叶绿素含量分别进行线性回归；
分别选取若干对类胡萝卜素含量和叶绿素含量敏感的植被指数，构建以类胡萝卜素指数除以叶绿素指数形式的植被指数组合VI1，VI2，VI3和VI4。
7.如权利要求5所述的一种基于植被指数的类胡萝卜素与叶绿素比值反演系统，其特征在于，所述植被指数组合的敏感性分析模块中，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1的具体步骤如下：
利用辐射传输模型PROSPECT-5模拟五个不同叶绿素和类胡萝卜素相关性情况下的光谱数据集Dataset1-5，获取光谱模拟数据集Dataset 1-5中样本的叶片参数，该叶片参数包括：结构参数N、叶绿素含量Chl、类胡萝卜素含量Car、叶片水含量和干物质含量，将所述叶片参数输入辐射传输模型PROSPECT-5进行正向运算，获得光谱模拟数据集Dataset 1-5中样本的叶片反射率谱；
通过所述光谱模拟数据集Dataset 1-5的叶片反射率谱，计算获得光谱模拟数据集i的植被指数组合VIi1，VIi2，VIi3和VIi4，其中i表示光谱模拟数据集的编号，0＜i≤5；
将VIi1，VIi2，VIi3和VIi4与所述各自对应光谱模拟数据集中的类胡萝卜素与叶绿素比值进行线性回归，选取对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感的植被指数组合VI1。
8.如权利要求5所述的一种基于植被指数的类胡萝卜素与叶绿素比值反演系统，其特征在于，所述实测数据集验证模块中，验证过程如下：
获取实测样本数据集，所述实测样本数据集包括：各实测样本的叶片反射率谱，类胡萝卜素含量，叶绿素含量以及类胡萝卜素与叶绿素比值Car/Chl；
通过所述实测数据集的类胡萝卜素含量和叶绿素含量，计算获得实测数据集j的类胡萝卜素与叶绿素之间的相关性，其中j表示模拟数据集的编号，0＜j≤3；
通过所述实测数据集的叶片反射率谱，计算获得实测数据集j的植被指数组合VIj1，VIj2，VIj3和VIj4，其中j表示模拟数据集的编号，0＜j≤3；
将VIj1，VIj2，VIj3和VIj4与所述各自对应实测数据集j中的类胡萝卜素与叶绿素比值进行线性回归，以此验证在模拟数据中选择的第一植被指数组合VI1在实测数据集中相比其他的植被指数组合VI2，VI3和VI4对叶绿素和类胡萝卜素相关性变化最不敏感且对Car/Chl最敏感。
CN202111164986.2A 2021-09-30 2021-09-30 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统 Active CN113945524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111164986.2A CN113945524B (zh) 2021-09-30 2021-09-30 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111164986.2A CN113945524B (zh) 2021-09-30 2021-09-30 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统

Publications (2)

Publication Number Publication Date
CN113945524A true CN113945524A (zh) 2022-01-18
CN113945524B CN113945524B (zh) 2023-04-25

Family

ID=79329786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111164986.2A Active CN113945524B (zh) 2021-09-30 2021-09-30 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统

Country Status (1)

Country Link
CN (1) CN113945524B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003006960A1 (fr) * 2001-07-13 2003-01-23 Universite Paris 7 - Denis Diderot Dispositif et procede de radiometrie pour determiner in situ le contenu biochimique de feuilles, et appareil portatif integrant ce dispositif
CN106202971A (zh) * 2016-08-02 2016-12-07 浙江大学 基于folium模型叶片色素遥感反演方法
US20180018537A1 (en) * 2016-07-07 2018-01-18 Purdue Research Foundation Non-spectroscopic imaging of plants
CN109521437A (zh) * 2018-12-05 2019-03-26 武汉大学 面向植被生化参数探测的多光谱激光雷达波长选择方法
US10386296B1 (en) * 2017-12-06 2019-08-20 Arable Labs, Inc. Systems and methods for determination and application of nitrogen fertilizer using crop canopy measurements
US20200256841A1 (en) * 2019-02-08 2020-08-13 Rensselaer Polytechnic Institute Plant fluorometer for remote detection of growth dynamics
CN112362812A (zh) * 2020-11-10 2021-02-12 淮阴师范学院 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法
CN112541921A (zh) * 2020-11-18 2021-03-23 上海市园林科学规划研究院 城市绿地植被信息数据化精准测定方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003006960A1 (fr) * 2001-07-13 2003-01-23 Universite Paris 7 - Denis Diderot Dispositif et procede de radiometrie pour determiner in situ le contenu biochimique de feuilles, et appareil portatif integrant ce dispositif
US20180018537A1 (en) * 2016-07-07 2018-01-18 Purdue Research Foundation Non-spectroscopic imaging of plants
CN106202971A (zh) * 2016-08-02 2016-12-07 浙江大学 基于folium模型叶片色素遥感反演方法
US10386296B1 (en) * 2017-12-06 2019-08-20 Arable Labs, Inc. Systems and methods for determination and application of nitrogen fertilizer using crop canopy measurements
CN109521437A (zh) * 2018-12-05 2019-03-26 武汉大学 面向植被生化参数探测的多光谱激光雷达波长选择方法
US20200256841A1 (en) * 2019-02-08 2020-08-13 Rensselaer Polytechnic Institute Plant fluorometer for remote detection of growth dynamics
CN112362812A (zh) * 2020-11-10 2021-02-12 淮阴师范学院 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法
CN112541921A (zh) * 2020-11-18 2021-03-23 上海市园林科学规划研究院 城市绿地植被信息数据化精准测定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHUNMEI HE 等: "A new vegetation index combination for leaf carotenoid-to-chlorophyll ratio: minimizing the effect of their correlation" *
YANGYANG ZHANG 等: "Effect of different regression algorithms on the estimating leaf parameters based on selected characteristic wavelengths by using the PROSPECT model" *
易秋香 等: "基于光谱指数和偏最小二乘的棉花类胡萝卜素/叶绿素a 比值估算" *

Also Published As

Publication number Publication date
CN113945524B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN103534578B (zh) 确定样本中存在的成分的光谱装置以及方法
CN110687072B (zh) 一种基于光谱相似度的校正集和验证集的选择及建模方法
CN102879353B (zh) 近红外检测花生中蛋白质组分含量的方法
EP3066435B1 (en) Texture analysis of a coated surface using pivot-normalization
JP6089345B2 (ja) 時および／または空間系列ファイルの多成分回帰／多成分分析
CN108603867A (zh) 峰检测方法以及数据处理装置
CN107958267B (zh) 一种基于光谱线性表示的油品性质预测方法
CN106815643A (zh) 基于随机森林迁移学习的红外光谱模型传递方法
CN108830253B (zh) 筛选模型建立方法、光谱筛选装置及方法
CN109324013A (zh) 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法
CN105486655A (zh) 基于红外光谱智能鉴定模型的土壤有机质快速检测方法
CN111965140B (zh) 基于特征峰的波长点重组方法
CN109992861A (zh) 一种近红外光谱建模方法
CN110887800B (zh) 一种用于光谱法水质在线监测系统的数据校准方法
US11093869B2 (en) Analytical system with iterative method of analyzing data in web-based data processor with results display designed for non-experts
CN109521437B (zh) 面向植被生化参数探测的多光谱激光雷达波长选择方法
CN114611582A (zh) 一种基于近红外光谱技术分析物质浓度的方法及系统
CN106485049B (zh) 一种基于蒙特卡洛交叉验证的nirs异常样本的检测方法
Norgaard et al. Artificial Neural Networks and Near Infrared Spectroscopy-A case study on protein content in whole wheat grain
CN113945524B (zh) 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统
CN114219157A (zh) 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法
CN109145887B (zh) 一种基于光谱潜变量混淆判别的阈值分析方法
CN116008216A (zh) 用于检测油液掺混的方法及设备
Gavrilova et al. Spectral models of KO coal classes
CN113722990B (zh) 基于植被指数三维矩阵的叶片干物质含量反演方法及系统

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