CN114373516A - 叶绿素含量遥感反演方法、装置、电子设备、介质和产品 - Google Patents
叶绿素含量遥感反演方法、装置、电子设备、介质和产品 Download PDFInfo
- Publication number
- CN114373516A CN114373516A CN202111440112.5A CN202111440112A CN114373516A CN 114373516 A CN114373516 A CN 114373516A CN 202111440112 A CN202111440112 A CN 202111440112A CN 114373516 A CN114373516 A CN 114373516A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll content
- sample
- red
- detected
- retvi
- 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
Links
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 107
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 107
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000003595 spectral effect Effects 0.000 claims abstract description 47
- 238000002310 reflectometry Methods 0.000 claims abstract description 22
- 239000000523 sample Substances 0.000 claims description 71
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000013074 reference sample Substances 0.000 claims description 12
- 238000010276 construction Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 17
- 230000035945 sensitivity Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 12
- 238000010521 absorption reaction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 241000828585 Gari Species 0.000 description 4
- 101000882194 Homo sapiens Protein FAM71F2 Proteins 0.000 description 4
- 102100039014 Protein FAM71F2 Human genes 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000243 photosynthetic effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000209510 Liliopsida Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 241001233957 eudicotyledons Species 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
Abstract
本发明提供一种叶绿素含量遥感反演方法、装置、电子设备、介质和产品，方法包括：获取待测样本的光谱信息；根据所述待测样本的光谱信息中多个波段处的反射率计算所述待测样本的叶绿素含量敏感型红边三角植被指数RETVI；根据所述待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到所述待测样本的叶绿素含量。本发明在不同光谱数据类型、不同植被类型、不同作物生育期、不同植被覆盖度等多个场景的适应性测试中表现最好。同时，本发明不仅为大范围遥感应用提供了可靠、有力的工具，也为新指数的构建提供了崭新的思路。
Description
技术领域
本发明涉及遥感技术领域，尤其涉及一种叶绿素含量遥感反演方法、装置、电子设备、介质和产品。
背景技术
叶绿素含量是一种综合反映作物受外界环境胁迫情况、光合作用能力强弱和新陈代谢旺盛程度的非常敏感的指示剂，不仅反映了作物的生长状况，也是作物与外界进行物质和能量交换的重要物质基础。遥感反演是一种重要的对地观测途径，其通常以空间遥感技术获取的宏观区域地物电磁波信息为数据源。
在遥感中，冠层单位叶面积叶绿素含量(Chlorophyll content per unit leafarea of canopy,CCC)是衡量植株生长状况的重要指标。以往的研究表明，利用遥感手段建立冠层尺度的观测信号与地球表面植被的物理化学参数之间的物理机理模型或经验统计模型，在大尺度对地观测方面发挥独特和重要的作用。植被指数(vegetation index,VIs)因其简单、方便、计算效率高而被广泛应用于CCC的遥感反演。
前人构建的经典的VIs，在CCC反演研究中取得了很大的突破。但在这些指数在反演CCC时都存在不同程度的饱和效应，并且对于不同类型、不同生育期、不同覆盖度的植被缺乏普适性和稳定性。建立一个对CCC敏感性更高、线性关系更好，且在不同类型、不同生育期、不同覆盖度的复杂场景下稳定性更强的VIs仍是一个重要的研究命题。
发明内容
本发明提供一种叶绿素含量遥感反演方法、装置、电子设备、介质和产品，用以解决现有技术中的植被指数在反演冠层单位叶面积叶绿素含量时存在饱和效应的缺陷，提高冠层单位叶面积叶绿素含量的反演精度。
本发明提供一种叶绿素含量遥感反演方法，包括：
获取待测样本的光谱信息；
根据所述待测样本的光谱信息中多个波段处的反射率计算所述待测样本的叶绿素含量敏感型红边三角植被指数RETVI；
根据所述待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到所述待测样本的叶绿素含量。
根据本发明提供的一种叶绿素含量遥感反演方法，所述根据所述待测样本的光谱信息多个波段的反射率计算所述样本的叶绿素含量敏感型红边三角植被指数，包括：
所述根据所述待测样本的光谱信息中绿光波段、红光波段、红边波段一、红边波段二、红边波段三和近红外波段处的反射率计算所述样本的叶绿素含量敏感型红边三角植被指数。
根据本发明提供的一种叶绿素含量遥感反演方法，所述绿光波段为[555，565]nm，所述红光波段为[660，670]nm，所述红边波段一为 [700，710]，所述红边波段二为[735，745]nm，所述红边波段三为[778， 788]nm，所述近红外波段为[860，870]nm。
根据本发明提供的一种叶绿素含量遥感反演方法，所述获取待测样本的光谱信息之前，还包括：
获取参考样本的光谱信息；
根据所述参考样本的光谱信息的RETVI和所述参考样本的叶绿素含量，获得RETVI和叶绿素含量的线性关系。
根据本发明提供的一种叶绿素含量遥感反演方法，所述待测样本的光谱信息是从高光谱数据、多波段数据或卫星数据中获得的。
本发明还提供一种叶绿素含量遥感反演装置，包括：
采集模块，用于获取待测样本的光谱信息；
植被指数计算模块，用于根据所述待测样本的光谱信息中多个波段处的反射率计算所述待测样本的叶绿素含量敏感型红边三角植被指数RETVI；
反演模块，用于根据所述待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到所述待测样本的叶绿素含量。
根据本发明提供的一种叶绿素含量遥感反演装置，所述植被指数计算模块，包括：
所述根据所述待测样本的光谱信息中绿光波段、红光波段、红边波段一、红边波段二、红边波段三和近红外波段处的反射率计算所述样本的叶绿素含量敏感型红边三角植被指数RETVI。
根据本发明提供的一种叶绿素含量遥感反演装置，所述绿光波段为[555，565]nm，所述红光波段为[660，670]nm，所述红边波段一为 [700，710]，所述红边波段二为[735，745]nm，所述红边波段三为[778， 788]nm，所述近红外波段为[860，870]nm。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述叶绿素含量遥感反演方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述叶绿素含量遥感反演方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述叶绿素含量遥感反演方法的步骤。
本发明提供的一种叶绿素含量遥感反演方法、装置、电子设备、介质和产品，从光与植被相互作用的物理机理出发，筛选出CCC敏感波段作为三角形的顶点，构建叶绿素含量敏感型红边三角植被指数(Red Edge Triangle Vegetation Index，RETVI)。通过改善VIs与CCC 的线性关系来消减饱和效应，从而提高CCC的反演精度。与经典VIs 相比，RETVI对叶绿素含量变化最敏感，与叶绿素含量呈现接近理想的线性回归关系，充分抵抗了饱和效应。同时，RETVI在多个场景的适应性测试中表现最佳。本发明不仅为大范围叶绿素含量遥感反演提供了有力的工具，也为相关领域的科学研究提供了崭新的思路。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的叶绿素含量遥感反演方法的流程示意图；
图2是本发明实施例中红边三角植被指数构建及随Cab变化规律示意图；
图3是本发明实施例提供的不同植被指数归一化后随Cab的变化比较图；
图4是本发明实施例提供的不同植被指数与叶绿素含量回归关系比较图
图5是本发明实施例提供的叶绿素含量遥感反演装置的结构示意图；
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作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。
作物冠层反射率信号既受到生物化学参数(色素含量、水分含量等)和生物物理参数(叶片倾斜角、LAI等)等内在因素的影响，也受到大气效应、土壤背景、光照几何和成像几何等外部因素的影响。为了减少非光合因素对冠层叶绿素含量遥感反演的影响，前人已在VIs构建方面做了大量的研究。这些VIs利用了健康植被叶绿素对红光波段的大量吸收和叶片细胞结构对近红外波段的强烈反射之间的差异，突出了植被信息。
经典的VIs在CCC反演研究中取得了很大的突破。但在这些指数在反演CCC时都存在不同程度的饱和效应，并且对于不同类型、不同生育期、不同覆盖度的植被缺乏普适性和稳定性。然而，在高植被覆盖区域，植被对红光波段会出现吸收饱和，导致大多数VIs与 CCC等生物化学参数呈现出非线性关系。大量研究表明，CCC含量较高的健康植被对红边波段和绿光波段不易达到饱和吸收，因此，应用绿光波段、红光波段、红边波段和近红外波段联合开发的VIs，可以有效改善饱和效应，对CCC的敏感性显著提升。建立一个对CCC 敏感性更高、线性关系更好，且在不同类型、不同生育期、不同覆盖度的复杂场景下稳定性更强的VIs仍是一个重要的研究命题。
下面结合图1描述本发明的叶绿素含量遥感反演方法，包括：
步骤101、获取待测样本的光谱信息；
步骤102、根据待测样本的光谱信息中多个波段处的反射率计算待测样本的叶绿素含量敏感型红边三角植被指数RETVI；
步骤103、根据待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到待测样本的叶绿素含量。
需要说明的是，待测样本可以为各种植被类型，包括但不限于单子叶植物和双子叶植物。
本发明实施例中的叶绿素含量遥感反演方法从光与植被相互作用的物理机理出发，分析CCC、LAI、叶片结构参数、土壤背景在各个波段对植被光谱曲线的贡献度，筛选出CCC敏感波段作为三角形的顶点，构建叶绿素含量敏感型红边三角植被指数(Red EdgeTriangle Vegetation Index，RETVI)。根据RETVI的指数波段设定，选取对应遥感传感器的波段，进行波段运算最终获得RETVI的计算值，而 RETVI与CCC存在线性关系，根据二者之间的关系式，从而反演得到冠层叶绿素含量。
在本发明的至少一个实施例中，根据待测样本的光谱信息多个波段的反射率计算样本的叶绿素含量敏感型红边三角植被指数，包括：
根据待测样本的光谱信息中绿光波段、红光波段、红边波段一、红边波段二、红边波段三和近红外波段处的反射率计算样本的叶绿素含量敏感型红边三角植被指数。
在本发明的至少一个实施例中，绿光波段为[555，565]nm，红光波段为[660，670]nm，红边波段一为[700，710]，红边波段二为[735， 745]nm，红边波段三为[778，788]nm，近红外波段为[860，870]nm。
优选的，绿光波段为560nm，红光波段为665nm[660，670]，红边波段一为705nm，红边波段二为740nm，红边波段三为783nm，近红外波段为865nm。
需要说明的是，如图2所示，本发明从光与植被相互作用的物理机理出发，在光谱空间中构建吸收三角形(Absorption Triangle，AT) 和反射三角形(ReflectionTriangle，RT)的概念，并构建出叶绿素含量敏感型红边三角植被指数(Red Edge TriangleVegetation Index， RETVI)，该指数旨在通过改善与Cab的线性关系和消除饱和效应来提高指数精度。
RETVI的计算公式为如式(3)所示：
SAT＝0.5*[(665-560)*(R705-R560)-(705-560)*(R665-R560)]
＝0.5*[105*(R740-R560)-145*(R665-R560)] (1)
SRT＝0.5*[(865-740)*(R783-R740)-(783-740)*(R865-R740)]
＝0.5*[125*(R783-R740)-43*(R865-R740)] (2)
其中，R560、R665、R705、R740、R783、R865分别代表波长为560nm,665nm,705nm,740nm,783nm,865nm处的反射率，
RETVI 事实上代表的是图3中所绘制的两个三角形的面积归一化值。
SAT是吸收三角形的面积，SRT是反射三角形的面积。
图2中，利用PROSAIL模型模拟Cab＝[10:10:80]ug/cm2的光谱曲线，探索RETVI随Cab变化的规律。如图1所示，绘制出 Cab＝[10,40,70]ug/cm2时的反射三角形(RT1、RT2、RT3)和吸收三角形(AT1、AT2、AT3)，同时在右下角副图为SAT、SRT和RETVI 随Cab的变化趋势，通过分析可以得到以下规律：(1)当Cab增加时，绿光、红光波段反射率下降，红边位置红移，吸收三角形的三顶点呈聚拢趋势，面积减小，即SAT与Cab在变化趋势上呈负相关，却不能表征植被色素对可见光光谱吸收能力的强弱；(2)当Cab增加时，近红外波段反射率基本不变，红边位置红移，反射三角形的三顶点呈发散趋势，面积增大，即SRT与Cab在变化趋势上呈正相关；(3)SAT随Cab 的变化较SRT敏感；(4)RETVI取值范围为[-1,1]，与Cab呈正相关关系，当RETVI接近0时，Cab中等，接近于40(ug/cm2)；当RETVI趋近1时，Cab较高；当RETVI趋近-1时，Cab较低。
在本发明的至少一个实施例中，待测样本的光谱信息是从高光谱数据、多波段数据或卫星数据中获得的。
本发明实施例提供的叶绿素含量遥感反演方法可以针对多种数据来源，均能获得较好的效果。
本发明实施例精选出11个高精度、强代表性、广泛应用于Cab 反演的VIs，通过与VIs的对比证明方法的有效性。根据VIs的特点，将其分为归一化型指数、比值型指数和多波段型指数3类。表1中列出了这些VIs的在高光谱数据和多波段数据(以MSI为例)下的计算公式。
表1植被指数汇总表
下面从敏感性对比和回归关系比较两方面证明RETVI相对于经典VIs的优越性：
敏感性是评价VIs对Cab变化的响应程度的一个重要指标。VIs 对Cab的敏感性越强，反演Cab的精度就会越高。本小节利用 PROSAIL Simulated Dataset(PSD21)比较VIs对Cab的灵敏度， PROSAIL的输入参数设置：Cab＝[5:5:80](ug/cm2)，其他参数按照模型设定的默认值。由于每个VIs的取值范围不同，所以先将计算得到的VIs先进行归一化处理，即每一个值都除以最大值，再将归一化后的标准差(Standard Deviation，SD)作为敏感性的评价指标，标准差越大，敏感性越强。如图3所示，绘制出Normalized Vegetation Index 随Cab变化的散点图，并与理想的随Cab线性变化的IDEAL做对照。可以得到一些定性的规律：
(1)CCII、GARI、GNDVI、NDRSR、NDVIre和MRENDVI 六者在低Cab范围内对Cab敏感，当Cab超过40(ug/cm2)时，逐渐趋于饱和；(2)MCARI和RETVI在Cab全范围内呈现斜率逐渐减缓的变化，即两者对Cab变化敏感，然而这种敏感性随着Cab的增加而逐渐降低；(3)MTCI在Cab全范围内呈现斜率逐渐增加的变化，即对Cab变化敏感，这种敏感性随着Cab的增加而逐渐增加；(4) CIre、RSR和VREI1三者与Cab呈现很好的线性关系，即三者对Cab 变化敏感且没有饱和效应。
表2给出了一些定量的精度评价指标。将VIs进行归一化处理后，指数变化范围(range)最大的是MTCI和RETVI(0.937)，CIre(0.919) 和MCARI(0.916)次之，RETVI的变化范围高出经典VIs 0～45.271％。标准差(SD)最大的是RETVI(0.301)，与随Cab线性变化的IDEAL (0.307)接近，MTCI(0.286)、MCARI(0.282)和CIre(0.280) 次之。以SD为敏感性评价指标，RETVI的对Cab的敏感性最好，高出经典VIs 8.392％～64.481％。
表2归一化后VIs对Cab的敏感性的精度评价
在本发明的至少一个实施例中，获取待测样本的光谱信息之前，还包括：
获取参考样本的光谱信息；
根据参考样本的光谱信息的RETVI和参考样本的叶绿素含量，获得RETVI和叶绿素含量的线性关系。
需要说明的是，RETVI和叶绿素含量的线性关系一般为一元一次函数，通过测量少量参考样本的叶绿素含量，建立RETVI和叶绿素含量的线性关系，从而可以实现大批量样本的叶绿素含量反演，大大提高了实验效率。
为了进一步比较和评估VIs反演Cab的能力，本实施例利用 PROSAIL SimulatedDataset(PSD21)的高光谱反射率建立VIs与Cab 的回归关系。采用最优拟合法建立VIs与Cab的回归方程，对于最优回归方程为非线性方程的VIs，同时建立线性方程和非线性方程。
从图4可以看出来，大多数VIs与Cab的关系是非线性的(CCII、 GARI、GNDVI、NDRSR、NDVIre、MRENDVI和MTCI)，即随Cab 变化呈现出饱和效应，少数VIs与Cab的关系是线性的(CIre、MCARI、RSR、VERI1和RETVI)，即在Cab变化范围内没有明显的饱和效应，这一规律与敏感性分析的结果是一致的。根据VIs与Cab散点图的分布规律，可以将这些VIs分为3类。第一类VIs与Cab呈现出指数关系，适用于低Cab的场景，相对于Cab较低值，当Cab达到较高值时，CCII、GARI、GNDVI、NDRSR、NDVIre和MRENDVI增长缓慢，趋于饱和，散点图中数据点在Cab>40ug/cm2处聚集。与之相反，第二类VIs与Cab呈现出对数关系，适用于高Cab的场景，相对于Cab较高值，当Cab处于较低值时，MTCI增长缓慢，趋于饱和，散点图中数据点在Cab<40ug/cm2处聚集。第三类VIs与Cab呈现出线性关系，对全范围内对Cab敏感，这类VIs(CIre、MCARI、RSR、 VERI1和RETVI)对Cab没有明显饱和效应，适用于全范围内Cab 的反演研究，散点图呈现纺锤状。
除GARI和CCII两个多波段型VIs(Vegetation Indices of multiple band type)外，第一类VIs均为归一化型VIs(Vegetation Indices of Normalized Difference)，它们普遍表现出高Cab时的饱和效应，尽管在它们的表达式中已经充分利用绿光波段或红边波段代替NIR或红光波段。同时，除MCARI和RETVI外，第三类VIs均为比值型VIs (VegetationIndices of Ratio type)，采用的波段为NIR与红边波段组合或两个红边波段的组合。这意味着比值型VIs在Cab反演方面可能存在归一化型VIs不具备的特殊优势。RETVI作为归一化型VIs，与 Cab有最好的线性关系的原因有两点：(1)RETVI采用的是三角形面积(SRT和SAT)为计算单元，而不是单一的波段。单一的波段很容易达到Cab的饱和吸收点，然而，对于SRT和SAT只要三角形其中一个顶点所在的光谱波段没有达到Cab的饱和吸收点，SRT和SAT 的大小就仍然随Cab的改变而改变，使得RETVI很难达到Cab的饱和点。(2)SAT对Cab高度敏感，对非光合组分敏感性弱；SRT对非光合组分敏感，对Cab的敏感低于SAT，采用归一化形式对SRT和SAT进行组合，增强了RETVI对Cab的敏感性，削减了非光合组分对RETVI的干扰。
当所有VIs只考虑线性拟合时，RETVI的拟合效果最好(R2 ＝0.892)，R2高出其他VIs 0.450％～13.921％。当考虑最优化拟合时，拟合效果最好的前三个VIs均为非线性拟合，分别是CCII(R2＝0.918)、 MRENDVI(R2＝0.912)和MTCI(R2＝0.908)，RETVI位于第4位，R2低于前三位1.794％～2.915％。RETVI在全范围内对Cab变化响应敏感，与Cab有最好的线性关系，能有效地抵抗饱和效应。
本发明实施例中构建出叶绿素含量敏感型红边三角植被指数 RETVI，通过改善与Cab的线性关系和消除饱和效应提高了Cab反演精度。并利用模拟数据、实测数据和公开数据集测试了新指数RETVI 和经典VIs在不同数据类型、不同植被类型、不同冬小麦生育期和不同植被覆盖度多个场景下反演Cab的精度和稳定性。研究结果表明: 与经典Cab反演模型相比，RETVI对Cab变化最敏感，对Cab没有明显的饱和效应，与Cab呈现接近理想的线性回归关系。
与经典VIs相比，本发明实施例提出的方法在不同光谱数据类型、不同植被类型、不同作物生育期、不同植被覆盖度等多个场景的适应性测试中表现最好。在Cab反演方面，本发明实施例提出的方法不仅为大范围遥感应用提供了可靠、有力的工具，也为新指数的构建提供了崭新的思路。
下面对本发明提供的绿素含量遥感反演装置进行描述，下文描述的绿素含量遥感反演装置与上文描述的绿素含量遥感反演方法可相互对应参照。
如图5所示的叶绿素含量遥感反演装置，包括：
采集模块501，用于获取待测样本的光谱信息；
植被指数计算模块502，用于根据待测样本的光谱信息中多个波段处的反射率计算待测样本的叶绿素含量敏感型红边三角植被指数RETVI；
反演模块503，用于根据待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到待测样本的叶绿素含量。
在本发明的至少一个实施例中，所述植被指数计算模块502，包括：
所述根据所述待测样本的光谱信息中绿光波段、红光波段、红边波段一、红边波段二、红边波段三和近红外波段处的反射率计算所述样本的叶绿素含量敏感型红边三角植被指数RETVI。
在本发明的至少一个实施例中，绿光波段为[555，565]nm，红光波段为[660，670]nm，红边波段一为[700，710]，红边波段二为[735， 745]nm，红边波段三为[778，788]nm，近红外波段为[860，870]nm。
在本发明的至少一个实施例中，还包括线性关系建立模块504，用于获取参考样本的光谱信息后，根据参考样本的光谱信息的RETVI 和参考样本的叶绿素含量，获得RETVI和叶绿素含量的线性关系。
在本发明的至少一个实施例中，待测样本的光谱信息是从高光谱数据、多波段数据或卫星数据中获得的。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行叶绿素含量遥感反演方法，该方法包括：
获取待测样本的光谱信息；
根据待测样本的光谱信息中多个波段处的反射率计算待测样本的叶绿素含量敏感型红边三角植被指数RETVI；
根据待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到待测样本的叶绿素含量。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的叶绿素含量遥感反演方法，该方法包括：
获取待测样本的光谱信息；
根据待测样本的光谱信息中多个波段处的反射率计算待测样本的叶绿素含量敏感型红边三角植被指数RETVI；
根据待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到待测样本的叶绿素含量。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的叶绿素含量遥感反演方法，该方法包括：
获取待测样本的光谱信息；
根据待测样本的光谱信息中多个波段处的反射率计算待测样本的叶绿素含量敏感型红边三角植被指数RETVI；
根据待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到待测样本的叶绿素含量。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上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精神和范围。
Claims (11)
1.一种叶绿素含量遥感反演方法，其特征在于，包括：
获取待测样本的光谱信息；
根据所述待测样本的光谱信息中多个波段处的反射率计算所述待测样本的叶绿素含量敏感型红边三角植被指数RETVI；
根据所述待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到所述待测样本的叶绿素含量。
2.根据权利要求1所述的叶绿素含量遥感反演方法，其特征在于，所述根据所述待测样本的光谱信息多个波段的反射率计算所述样本的叶绿素含量敏感型红边三角植被指数，包括：
所述根据所述待测样本的光谱信息中绿光波段、红光波段、红边波段一、红边波段二、红边波段三和近红外波段处的反射率计算所述样本的叶绿素含量敏感型红边三角植被指数。
3.根据权利要求2所述的叶绿素含量遥感反演方法，其特征在于，所述绿光波段为[555，565]nm，所述红光波段为[660，670]nm，所述红边波段一为[700，710]，所述红边波段二为[735，745]nm，所述红边波段三为[778，788]nm，所述近红外波段为[860，870]nm。
4.根据权利要求1-3中任一所述的叶绿素含量遥感反演方法，其特征在于，所述获取待测样本的光谱信息之前，还包括：
获取参考样本的光谱信息；
根据所述参考样本的光谱信息的RETVI和所述参考样本的叶绿素含量，获得RETVI和叶绿素含量的线性关系。
5.根据权利要求1-3中任一所述的叶绿素含量遥感反演方法，其特征在于，所述待测样本的光谱信息是从高光谱数据、多波段数据或卫星数据中获得的。
6.一种叶绿素含量遥感反演装置，其特征在于，包括：
采集模块，用于获取待测样本的光谱信息；
植被指数计算模块，用于根据所述待测样本的光谱信息中多个波段处的反射率计算所述待测样本的叶绿素含量敏感型红边三角植被指数RETVI；
反演模块，用于根据所述待测样本的RETVI以及RETVI和叶绿素含量的线性关系反演得到所述待测样本的叶绿素含量。
7.根据权利要求6所述的叶绿素含量遥感反演装置，其特征在于，所述植被指数计算模块，包括：
所述根据所述待测样本的光谱信息中绿光波段、红光波段、红边波段一、红边波段二、红边波段三和近红外波段处的反射率计算所述样本的叶绿素含量敏感型红边三角植被指数RETVI。
8.根据权利要求7所述的叶绿素含量遥感反演装置，其特征在于，所述绿光波段为[555，565]nm，所述红光波段为[660，670]nm，所述红边波段一为[700，710]，所述红边波段二为[735，745]nm，所述红边波段三为[778，788]nm，所述近红外波段为[860，870]nm。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述叶绿素含量遥感反演方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述叶绿素含量遥感反演方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述叶绿素含量遥感反演方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111440112.5A CN114373516B (zh) | 2021-11-30 | 2021-11-30 | 叶绿素含量遥感反演方法、装置、电子设备、介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111440112.5A CN114373516B (zh) | 2021-11-30 | 2021-11-30 | 叶绿素含量遥感反演方法、装置、电子设备、介质和产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114373516A true CN114373516A (zh) | 2022-04-19 |
| CN114373516B CN114373516B (zh) | 2024-07-19 |
Family
ID=81141019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111440112.5A Active CN114373516B (zh) | 2021-11-30 | 2021-11-30 | 叶绿素含量遥感反演方法、装置、电子设备、介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114373516B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115495703A (zh) * | 2022-11-18 | 2022-12-20 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108548793A (zh) * | 2018-03-26 | 2018-09-18 | 山东省农业可持续发展研究所 | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 |
| CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
| RU2752953C1 (ru) * | 2020-07-13 | 2021-08-11 | Федеральное государственное бюджетное научное учреждение "Федеральный научный агроинженерный центр ВИМ" (ФГБНУ ФНАЦ ВИМ) | Способ определения стабильности развития растений |
-
2021
- 2021-11-30 CN CN202111440112.5A patent/CN114373516B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108548793A (zh) * | 2018-03-26 | 2018-09-18 | 山东省农业可持续发展研究所 | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 |
| CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
| RU2752953C1 (ru) * | 2020-07-13 | 2021-08-11 | Федеральное государственное бюджетное научное учреждение "Федеральный научный агроинженерный центр ВИМ" (ФГБНУ ФНАЦ ВИМ) | Способ определения стабильности развития растений |
Non-Patent Citations (1)
| Title |
|---|
| 姜海玲;杨杭;陈小平;王树东;李雪轲;刘凯;岑奕;: "利用光谱指数反演植被叶绿素含量的精度及稳定性研究", 光谱学与光谱分析, no. 04, 15 April 2015 (2015-04-15), pages 975 - 981 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115495703A (zh) * | 2022-11-18 | 2022-12-20 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及系统 |
| CN115495703B (zh) * | 2022-11-18 | 2023-04-28 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114373516B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Retrieving leaf chlorophyll content using a matrix-based vegetation index combination approach | |
| Neto et al. | Vis/NIR spectroscopy and chemometrics for non-destructive estimation of water and chlorophyll status in sunflower leaves | |
| Wessman | Evaluation of canopy biochemistry | |
| Lu et al. | Comparing vegetation indices for remote chlorophyll measurement of white poplar and Chinese elm leaves with different adaxial and abaxial surfaces | |
| Gao et al. | Optical–biophysical relationships of vegetation spectra without background contamination | |
| Yi et al. | Different units of measurement of carotenoids estimation in cotton using hyperspectral indices and partial least square regression | |
| Feng et al. | Canopy vegetation indices from in situ hyperspectral data to assess plant water status of winter wheat under powdery mildew stress | |
| Chen et al. | Comparison between back propagation neural network and regression models for the estimation of pigment content in rice leaves and panicles using hyperspectral data | |
| CN110502997A (zh) | 基于人工智能的农业保险查勘方法及相关设备 | |
| CN103528965B (zh) | 一种小麦叶片等效水厚度高光谱监测方法 | |
| Sonobe et al. | Estimating leaf carotenoid contents of shade-grown tea using hyperspectral indices and PROSPECT–D inversion | |
| CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
| CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
| Peng et al. | Winter wheat canopy water content monitoring based on spectral transforms and “three-edge” parameters | |
| CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
| Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
| CN114373516A (zh) | 叶绿素含量遥感反演方法、装置、电子设备、介质和产品 | |
| Wan et al. | Upscaling from leaf to canopy: Improved spectral indices for leaf biochemical traits estimation by minimizing the difference between leaf adaxial and abaxial surfaces | |
| Sun et al. | Potential of multivariate statistical technique based on the effective spectra bands to estimate the plant water content of wheat under different irrigation regimes | |
| Yin et al. | Study on the quantitative relationship among canopy hyperspectral reflectance, vegetation index and cotton leaf nitrogen content | |
| Sun et al. | Monitoring leaf nitrogen accumulation with optimized spectral index in winter wheat under different irrigation regimes | |
| Cheng et al. | Evaluation of the effect of leaf spatial aggregation on chlorophyll content retrieval in open-canopy apple orchards | |
| Gai et al. | Spectroscopic determination of chlorophyll content in sugarcane leaves for drought stress detection | |
| CN113159420A (zh) | 一种GSA-MLs相结合的小麦LAI估算方法 | |
| Zhao et al. | A preliminary study on mechanism of LAI inversion saturation |
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 |