CN116223452A - 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法 - Google Patents

基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法 Download PDF

Info

Publication number
CN116223452A
CN116223452A CN202310278337.8A CN202310278337A CN116223452A CN 116223452 A CN116223452 A CN 116223452A CN 202310278337 A CN202310278337 A CN 202310278337A CN 116223452 A CN116223452 A CN 116223452A
Authority
CN
China
Prior art keywords
blade
curled
model
hemispherical
chlorophyll
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.)
Pending
Application number
CN202310278337.8A
Other languages
English (en)
Inventor
张垚
吴伟志
何亚东
田守鹏
张竞成
吴开华
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202310278337.8A priority Critical patent/CN116223452A/zh
Publication of CN116223452A publication Critical patent/CN116223452A/zh
Pending legal-status Critical Current

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
    • G01N21/55—Specular reflectivity
    • 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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G01N21/59—Transmissivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Mathematical Optimization (AREA)
  • Computer Graphics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法。该方法如下：一、对被测的卷曲叶片，测定半球反射光谱DHR和半球透射光谱DHT。采集卷曲叶片的三维点云数据。二、获取卷曲叶片的叶片结构参数、叶片表面粗糙度、叶片平均折射系数和叶片叶绿素吸收系数。三、基于三维点云数据，获得卷曲叶片的空间几何模型。四、对卷曲叶片的空间几何模型进行光谱模拟。五、叶绿素浓度反演。本发明考虑卷曲叶片的空间形态对多角度光谱模拟以及叶绿素高光谱反演结果的影响，提高了叶绿素反演的精度，进而能够以此为基础的获得高精度的冠层辐射传输模型。

Description

基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法
技术领域
本发明属于农业生态大数据智能感知与探测技术领域，具体涉及一种基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法。
背景技术
绿色植物的光合作用是地球上最普遍、规模最大的生物化学过程，对有机物合成、转化蓄存太阳能量和净化大气，保持大气中氧气和二氧化碳含量的动态平衡和碳循环稳定等方面起到了很大作用，尤其是全球化进程不断加深的今天，地区生态系统中的植物在物质(碳)循环和环境预警中扮演着重要的角色，也作为农业生产的基础，不论是在理论还是实践上都具有重大意义。
绿色植物通过叶片进行光合作用，而光合作用中最关键的就是叶片内部的各种色素，尤其是叶绿素，它与植物内的各种生态生理过程有着极为密切的联系。叶片叶绿素的吸收波段为400-700nm，而太阳光到达地面的高能波段为200-1100nm，吸收波段占据了高能光谱的大部分区域。因此，我们运用高光谱遥感数据对植物叶片进行定量遥感，对检测监测植物的生理生化状态，研究植物的各种生化组分等应用具有一定现实意义。
叶片光学辐射传输模型是通过定量描述叶片光学属性的影响因子，模拟光线在叶片中传输的过程和反演植物叶片的生化组分，如LEAFMOD(Leaf ExperimentalAbsorptivity Feasibility)模型(Ganapol et al.1998)、FluorMOD(ChlorophyllFluorescence Model)模型(Zarco-Tejada et al.2000)、PROSPECT(A Model of LeafOptical Properties Spectra)模型(Jacquemoud and Baret1990)、SLOP(StochasticModel for Leaf Optical Properties)模型(Maier et al.1999)等，但是这些叶片的光学辐射传输模型都存在着一个问题。由于这些模型所用的光谱数据都是用积分球获取的，而积分球通常都只有一个入射角度，所以这些模型中的光源的入射角度都是一个固定值。以及最新的由专利CN111220552A提出的PROSEPCT-MA模型，是一种考虑光照方向的植物叶片辐射传输模型。PROSPECT-MA模型考虑了不同的光照方向，但是未将叶片卷曲程度作为影响因子加入到辐射传输过程。在自然场景中，植被的叶片多是具有一定程度的自然弯曲，以平整叶片模型去简化必然会带来误差。因此急需开发一种能够考虑光照方向和叶片卷曲程度双重因素影响下的植物叶片辐射传输模型以提高辐射传输模型的精度。
发明内容
本发明旨在提供一种考虑光照方向和叶片卷曲程度双重因素影响的植物叶片辐射传输模型构建与基于该模型进行叶绿素反演的方法。
一种基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法，包括以下步骤：
步骤一、对被测的卷曲叶片，测定半球反射光谱DHR和半球透射光谱DHT。采集卷曲叶片的三维点云数据。
步骤二、获取卷曲叶片的叶片结构参数N、叶片表面粗糙度σ、叶片平均折射系数
Figure BDA0004137161090000022
和叶片叶绿素吸收系数Kchls(λ)。
步骤三、基于三维点云数据，获得卷曲叶片的空间几何模型。
步骤四、对卷曲叶片的空间几何模型进行光谱模拟。
4-1.以卷曲叶片的空间几何模型作为光线追踪的场景，进行微平面切分，得到多个叶片微平面。
4-2.将每个叶片微平面依次作为被测微平面；从被测微平面出发进行光线追踪，获得被测微平面受到的光源直接照射的光线角度，以及来自于其余叶片微平面反射的光线角度；针对每个角度的光线，均通过叶片反射率模型模拟出对应的双向反射分布函数BRDF，得到直射光线下被测微平面的双向反射分布函数BRDF，以及其他叶片微平面对被测微平面的双向反射分布函数BRDF的贡献。
4-3.完成所有叶片微平面的遍历后，结合所有叶片微平面的双向反射分布函数BRDF作为卷曲叶片的双向反射分布函数BRDF，获得卷曲叶片叶绿素含量与最大反射率、最大透射率、最小吸收率对应的波长下的方向半球反射系数、方向半球透射系数的函数关系。
步骤五、叶绿素浓度反演。基于步骤四得到的函数关系，以及步骤一测得的半球反射光谱DHR和半球透射光谱DHT，模拟出卷曲叶片的叶绿素浓度。
作为优选，所述的叶片反射率模型以入射光源角度作为其中一个变量。
作为优选，步骤三所得的空间几何模型如下：
Figure BDA0004137161090000023
Figure BDA0004137161090000021
其中，(x,y,z)为卷曲叶片表面上任意点的坐标；(x0,y0,z0)为卷曲叶片样本的中心点坐标；a表示叶片卷曲程度特征参数；b1和b2分别表示卷曲叶片的长轴和短轴参数。
作为优选，步骤一中所述的半球反射光谱DHR和半球透射光谱DHT通过UV-3600分光光度计+积分球进行测定。
作为优选，所述的叶片结构参数N使用光谱最小拟合法，在400-1000nm波段范围内的最大反射率、最大透射率和最小吸收率波段的基础上计算得到。叶片结构参数N具体如下：
Figure BDA0004137161090000031
其中，λ′1、λ′2、λ′3分别为卷曲叶片在最大光谱反射率、最大光谱透射率和最小吸收率对应的波长；DHRmea(·)和DHRmod(·)分别为实测的方向半球反射系数和模型计算的方向半球反射系数；DHTmea(·)和DHTmod(·)分被为实测的方向半球透射系数和模型计算的方向半球透射系数。
作为优选，叶片表面粗糙度σ获取方式如下：
Figure BDA0004137161090000032
其中，λ为800-1400nm波段内的波长；DHRmea(·)和DHRmod(·)分别为实测的方向半球反射系数和模型计算的方向半球反射系数；DHTmea(·)和DHTmod(·)分被为实测的方向半球透射系数和模型计算的方向半球透射系数。
作为优选，叶片平均折射系数
Figure BDA0004137161090000034
和Kchls(λ)获取方式如下：
Figure BDA0004137161090000033
其中，λ为500-800nm波段内的波长；DHRmea(·)和DHRmod(·)分别为实测的方向半球反射系数和模型计算的方向半球反射系数；DHTmea(·)和DHTmod(·)分被为实测的方向半球透射系数和模型计算的方向半球透射系数。
本发明具有的有益效果是：
本发明考虑卷曲叶片的空间形态对多角度光谱模拟以及叶绿素高光谱反演结果的影响，提高了叶绿素反演的精度，进而能够以此为基础的获得高精度的冠层辐射传输模型。
附图说明
图1是本发明步骤4中进行光谱模拟的流程图
图2是本发明的步骤4-2中进行光线追踪的流程图。
图3是本发明步骤3中使用的叶片表面曲率模型和叶片边界曲线模型的模拟效果图；
图4是本发明步骤4中计算的卷曲叶片BRDF与实测的卷曲叶片BRDF的对比图；
图5是本发明在不同角度下得到的模拟光谱曲线与实测光谱曲线的对比图；
图6是针对样本集的其中一片卷曲叶片分别在不同光源天顶角(15°、30°、40°、55°)下的叶绿素反演结果图；
图7是针对样本集的其中一片卷曲叶片分别在不同光源天顶角(15°、30°、40°、55°)下的叶绿素反演结果评价参数(RMSE、IAS、PEC、V)结果图。
具体实施方式
以下结合附图对本发明作进一步说明。
一种考虑光照方向和叶片卷曲程度双重因素影响的植物叶片辐射传输模型构建与基于该模型进行叶绿素反演的方法，具体步骤如下：
步骤1、数据获取及处理。
为保证叶片的鲜活程度，避免离体叶片的性质和生化含量发生变化，每个叶片的实验所用的操作时间不能超过1h。
1-1.数据对象选择。
本发明是基于卷曲叶片空间几何模型，结合光源多角度平整叶片辐射传输模型PROSPECT-MA以及光线追踪算法的一种考虑光照方向和叶片卷曲程度双重因素影响的卷曲叶片多角度辐射传输模型。因此，根据植物叶片不同卷曲程度选择不同类型新鲜植物叶片作为实验样本。PROSPECT-MA模型具体为公开号为“CN111220552A”中记载的考虑光照方向的叶片辐射传输模型。光线追踪算法能够模拟光线从光源出发与场景中实物进行相交，发生多次反射透射最终被探测器所收集的整个过程。
获取卷曲叶片样本的多角度光谱数据及其生化组分含量数据，用于构建及验证卷曲叶片多角度辐射传输模型。此外，由于光线追踪算法是三维场景下的图形学算法，还需要另外获取卷曲叶片样本的真实三维点云数据对其三维结构进行重建。
1-2.卷曲叶片半球方向光谱测定
按照卷曲叶片样本的SPADm值，对每个卷曲叶片样本按照五个梯度进行三次重复采集，使用UV-3600分光计+积分球测定其半球反射光谱(即DHR)和半球透射光谱(即DHT)。
1-3.卷曲叶片生化组分及其表面粗糙度测定
卷曲叶片生化组分的测定，包括叶绿素a、叶绿素b两种色素的测定，对这两种色素的测定使用7500可见光分光光度计。对应的叶表面粗糙度的测定使用表面粗糙度测定仪(Ta200)。
1-4.获取卷曲叶片三维空间点云数据
选择只含有卷曲的几何形态特征的离体叶片作为点云数据获取对象，使用三维激光扫描仪(型号为FastSCAN Cobra)获取合成卷曲叶片的三维点云数据。
步骤2、模型参数的选定
2-1.叶片样本有关模型参数获取
叶片结构参数N使用光谱最小拟合法在400-1000nm波段范围内的3个最值波段(最大反射率、最大透射率和最小吸收率波段)进行计算。
使用光谱的近红外区间800-1400nm波段，对叶片表面粗糙度σ和近红外波段的光谱反射率和透射率进行敏感性分析，筛选出其中敏感度较高的波段通过相关分析来估算叶片表面的粗糙度。
2-2.光谱波段有关模型参数获取
使用光谱最小拟合法在整个光谱区间，将实测光谱特征(半球反射光谱与半球透射光谱)、相应叶片生化组分含量和已获取的叶片结构参数N及叶片表面粗糙度(σ)作为模型输入变量以获取模型参数
Figure BDA0004137161090000051
和叶片叶绿素吸收系数Kchls(λ)。
使用光谱最小拟合法，在最大光谱反射率、最大光谱透射率和最小吸收率的三个波段下通过ANGERS数据集的反射光谱和透射光谱计算数据集上的叶片结构参数N。接着，通过全波段上的光谱最小拟合法计算数据集上的叶片表面粗糙度σ：
Figure BDA0004137161090000052
Figure BDA0004137161090000053
其中，χ(·)为优化目标函数；λ′1、λ′2、λ′3分别为卷曲叶片在最大光谱反射率、最大光谱透射率和最小吸收率对应的波长；DHRmea(·)和DHRmod(·)分别为实测的方向半球反射系数和模型计算的方向半球反射系数；DHTmea(·)和DHTmod(·)分被为实测的方向半球透射系数和模型计算的方向半球透射系数；DHRmod(λi,N)、DHTmod(λi,N)为以式(2-2-1)确定的最优的叶片结构参数N为条件，获得的模型计算的方向半球反射系数、方向半球透射系数；λ为波长，在式(2-2-2)中表示800-1400nm的近红外波段。
代入上述所得的叶片结构参数N和叶片表面粗糙度σ，使用光谱最小拟合法在500-800nm范围内计算叶片平均折射系数
Figure BDA0004137161090000061
和Kchls(λ)，具体算法为：/>
Figure BDA0004137161090000062
通过上述算法获取的平均折射系数和色素吸收系数结果通过与已有论文和叶片的光谱特征进行比对，发现结果比较吻合，证明由此获取的参数是真实可靠的。
步骤3、构建卷曲叶片的空间几何模型
考虑叶片卷曲性状的空间几何模型通过叶片表面曲率模型以及叶片边界曲线模型共同描述。下面根据所测得实际卷曲叶片的三维点云数据对卷曲叶片多角度辐射传输模型进行精度验证。
叶片表面曲率模型和叶片边界曲线模型的参数通过卷曲叶片表面三维点云坐标与卷曲叶片模型的相应边界曲线方程通过偏最小二乘法进行拟合而获取。获取的卷曲叶片空间三维点云坐标使用Rapidform软件通过坐标转换形成Z与X的关系用以表示叶片的卷曲程度，而卷曲叶片的边缘点云坐标通过投影于XOY坐标平面用来拟合卷曲叶片边界椭圆方程。另外，使用扫描仪进行三维点云扫描时，获取的是相对坐标而不是以叶片中心为原点的绝对坐标。因此，拟合的叶片表面曲率模型和叶片边界曲线模型分别表示为：
Figure BDA0004137161090000063
Figure BDA0004137161090000064
其中，(x,y,z)为卷曲叶片样本表面上任意点的绝对坐标；(x0,y0,z0)为卷曲叶片样本的中心点(即主脉中心)的绝对坐标；a表示相对叶片卷曲程度特征参数；b1和b2分别表示相应卷曲叶片椭圆边界方程的长轴和短轴参数。
这两个函数方程中的各种参数拟合使用偏最小二乘法进行拟合，拟合的优化目标函数为：
Figure BDA0004137161090000071
ψmea为实测的点云坐标；ψmod为模型计算的点云坐标。
通过最小化目标函数获取最优的模型参数；图3为60片叶片样本中编号1的叶片的卷曲特征曲率模型和相应叶片边界椭圆函数模拟效果。对60片卷曲叶片样本分别进行三维结构模型参数拟合，并且以扫描获取的点云数据重建的三维结构作为叶片的真实结构对模型精度进行验证，拟合结果及精度见表1。
表1卷曲叶片曲率模型及其相应边界函数拟合效果及拟合精度
Figure BDA0004137161090000072
Figure BDA0004137161090000081
其中，卷曲叶片曲率模型及边界函数拟合的决定系数在60片不同叶片中均值大于0.9，所试叶片均方根误差均值几乎小于1mm。因此，通过生物力学获取卷曲叶片曲率模型及椭圆边界函数能够到达可信的程度。
步骤4、如图1所示，构建PROSPECT-MART模型，并使用其进行光谱模拟。
4-1.以步骤3得到的卷曲叶片的空间几何模型作为光线追踪的场景，进行微平面切分，得到分布在卷曲叶片的空间几何模型上多个叶片微平面；上述切分过程以限定步长对空间的X轴以及Y轴进行分割。所有叶片微平面均设定在探测器视场角范围内。
4-2.将每个叶片微平面依次作为被测微平面；如图2所示，从被测微平面出发进行光线追踪，获得被测微平面受到的光源直接照射的光线角度，以及来自于其余叶片微平面反射的光线角度；针对每个角度的光线，均利用叶片反射率模型模拟出对应的双向反射分布函数BRDF，得到直射光线下被测微平面的双向反射分布函数BRDF，以及其他叶片微平面对被测微平面的双向反射分布函数BRDF的贡献。
叶片反射率模型具体采用公开号为“CN111220552A”专利申请的权利要求1的步骤1-4中提供的考虑光照方向叶片辐射传输模型(该模型在下述记载中描述为“PROSPECT-MA模型”)，其能够基于不同方向入射的光线构建双向反射分布函数BRDF。
4-3.完成所有叶片微平面的遍历后，结合所有叶片微平面的双向反射分布函数BRDF作为卷曲叶片的双向反射分布函数BRDF。
本步骤中构建的PROSPECT-MART模型耦合了PROSPECT-MA模型和光线追踪算法。光线追踪算法能够模拟光线从光源出发与场景中实物进行相交，发生多次反射透射最终被探测器所收集的整个过程。在此过程中对于场景中的叶片来说，需要同时考虑叶片的三维结构和光学属性。PROSPECT-MA模型在PROSPECT模型的基础上，构建了叶片内部单元层BRDF和BTDF模型和叶片顶层单元层的BRDF和BTDF模型，并且通过耦合内部层和顶层构建能够适用任意光源入射角和任意观测角度的平整叶片多角度辐射传输模型。
PROSPECT-MA模型的输入参数包括入射光源天顶角，半球方向上的反射光线天顶角和反射光线方位角，这三个参数在光谱测定中可以得到，还包括叶片固有的光学属性：叶片平均折射系数
Figure BDA0004137161090000091
叶片表皮层平均折射系数/>
Figure BDA0004137161090000092
叶片叶绿素吸收系数Kchls(λ)，需要于模型运行前预先获取。其中，叶片表皮层平均折射系数/>
Figure BDA0004137161090000093
与叶片表面蜡质层有关，通常约定为1.45。叶片表面粗糙度σ和叶片结构系数N，分别是反映叶片表面几何特征和叶片内部细胞空间结构的物理属性，在每片叶片中都是不同的。/>
Figure BDA0004137161090000094
和Kchls(λ)与光谱的波段特征有关，使用ANGERS数据集代入PROSPECT模型进行叶片样本无关参数/>
Figure BDA0004137161090000095
和Kchls(λ)的获取。
光线追踪算法计算时需要考虑卷曲叶片的三维结构，卷曲叶片的三维结构由步骤3中的式(3-1)和式(3-2)描述。本实施例中除了PROSPECT-MA模型包含的叶片相关参数σ和N外，还需要对进行光线追踪的模拟场景参数进行设定。场景的设定依据实际测量中的探测器参数及位置进行设定——探测器视场角大小为4°，探测器与叶片观测点中心距为70mm，叶片的三维空间信息使用叶片表面曲率模型和叶片边界曲线模型进行描述。
本实施例在60片实验卷曲叶片获取的光谱数据中选取可靠的叶片样本46片进一步使用PROSPECT-MART模型正演，计算卷曲叶片的多角度光谱，并进行模型精度的评价。
使用本实施例构建的PROSPECT-MART模型，输入测定的卷曲叶片叶绿素含量，计算卷曲叶片BRDF(双向反射分布函数)与实测BRDF进行比较，结果如图4所示。
为验证模型在不同角度下500-800nm波段的光谱模拟性能，对光源天顶角为15°、30°、40°以及55°，观测方位角为60°、100°，光源方位角均为180°，观测天顶角均为45°的卷曲叶片实测光谱和模拟光谱进行对比分析，结果如图5所示。在4个光源天顶角和2个观测方位角下，光谱的实测值和模拟值较为接近。在500-700nm波段这8个角度下的光谱曲线基本吻合，在红外波段，实测光谱和模拟光谱之间存在差异，但差异不大，均在0.02之内。图中光谱的实测值随光源和观察角度的变化存在一定变化，其变化受叶片空间结构的影响。模拟光谱在8个角度下也有一定的变化，但是变化幅度相对于实测值偏小，除去测量过程中仪器抖动等产生的误差外，由于60°和100°这两个观测方向本身离镜面反射方向较远，其中大部分都是较为均一的漫反射，因此光谱差异不明显。此外，在叶片空间几何模型构建过程中的近似处理和对光线追踪过程中光路计算的简化也会对光谱模拟的结果产生一定的影响。但是模拟光谱和实测光谱在不同光源角度和探测角度下的变化趋势是保持一致的。
步骤5、通过PROSPECT-MART模型进行色素反演
使用PROSPECT-MART模型反演，计算卷曲叶片叶绿素含量并与实测值进行比较，验证模型应用性能。
PROSPECT-MART模型支持多光源和观测角度，模型反演中需输入光源天顶角、光源方位角、观测天顶角和观测方位角作为参数。模型所涉及的波段为500-800nm，输入变量为该角度下500-800nm的卷曲叶片光谱，使用光谱最小拟合法通过迭代计算反演得到对应叶片在相应角度下的叶绿素含量。
图6是针对样本集的其中一片卷曲叶片的多角度叶绿素反演结果，图6中的(a)、(b)、(c)、(d)部分分别为在15°、30°、40°、55°四个光源天顶角下的反演结果图。该叶片的实测叶绿素含量为38.67μg/cm2，从色素反演的结果来看，多数角度下反演得到的叶绿素含量大致在20-50μg/cm2区间，在一些边缘角度范围模型的反演结果较差，主要集中在方位角135°到225°之间，为靠近光源侧的一系列角度，该方向测量光谱时传感器会对光源造成部分遮挡，在叶片上留下阴影，因此这可能与光谱测量的准确性有关。从整体上看，本发明使用的PROSPECT-MART模型在多数角度上具有较好的反演能力。
针对46片卷曲叶片样本PROSPECT-MART模型色数反演结果，使用RMSE进行精度评价。图7展示了各种PROSPECT-MART模型的色素反演精度评价参数，图7中的(a)、(b)、(c)、(d)部分分别为色素反演结果的RMSE，BIAS，SPEC，CV，从左到右分别对应光源天顶角为15°、30°、40°和55°。在多数光源天顶角和探头观测角上，模型色素反演的RMSE基本在25μg/cm2以下，主要集中在12-20μg/cm2之间。四个光源天顶角度的色素反演平均RMSE分别为15.97μg/cm2、16.87μg/cm2、16.65μg/cm2、19.21μg/cm2，总体的平均RMSE为17.17μg/cm2，对比平整叶片多角度模型在RMSE上略有上升，但幅度不大，在光线追踪过程中的阈值处理和叶片三维的构建中的近似处理对结果有一定的影响。就半球方向的各个角度来看，处于镜面方向和光源方向的半球边缘RMSE略微偏大。BIAS值大致在-10～10μg/cm2之间，在光源天顶角40°和55°方向的镜面方向反演结果的BIAS较15°和30°时较大，与平整叶片多角度模型PROSPECT-MA模型有相同趋势。模型的SPEC值集中在10-20μg/cm2之间，主要在14μg/cm2附近，在光源天顶角15°、30°和40°这3个角度下表现相近，在55°方向整体偏大。CV的趋势与SEPC相似在光源天顶角15°、30°和40°这3个角度下的表现较为均一，在30％左右，在光源天顶角为55时变化较大，在30％-55％浮动。

Claims (7)

1.基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法其特征在于：括以下步骤：
步骤一、对被测的卷曲叶片，测定半球反射光谱DHR和半球透射光谱DHT；采集卷曲叶片的三维点云数据；
步骤二、获取卷曲叶片的叶片结构参数N、叶片表面粗糙度σ、叶片平均折射系数mla和叶片叶绿素吸收系数Kchls(λ)；
步骤三、基于三维点云数据，获得卷曲叶片的空间几何模型；
步骤四、对卷曲叶片的空间几何模型进行光谱模拟；
4-1.以卷曲叶片的空间几何模型作为光线追踪的场景，进行微平面切分，得到多个叶片微平面；
4-2.将每个叶片微平面依次作为被测微平面；从被测微平面出发进行光线追踪，获得被测微平面受到的光源直接照射的光线角度，以及来自于其余叶片微平面反射的光线角度；针对每个角度的光线，均通过叶片反射率模型模拟出对应的双向反射分布函数BRDF，得到直射光线下被测微平面的双向反射分布函数BRDF，以及其他叶片微平面对被测微平面的双向反射分布函数BRDF的贡献；
4-3.完成所有叶片微平面的遍历后，结合所有叶片微平面的双向反射分布函数BRDF作为卷曲叶片的双向反射分布函数BRDF，获得卷曲叶片叶绿素含量与最大反射率、最大透射率、最小吸收率对应的波长下的方向半球反射系数、方向半球透射系数的函数关系；
步骤五、叶绿素浓度反演；基于步骤四得到的函数关系，以及步骤一测得的半球反射光谱DHR和半球透射光谱DHT，模拟出卷曲叶片的叶绿素浓度。
2.根据权利要求1所述的基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法，其特征在于：所述的叶片反射率模型以入射光源角度作为其中一个变量。
3.根据权利要求1所述的基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法，其特征在于：步骤三所得的空间几何模型如下：
Figure FDA0004137161080000011
Figure FDA0004137161080000012
其中，(x,y,z)为卷曲叶片表面上任意点的坐标；(x0,y0,z0)为卷曲叶片样本的中心点坐标；a表示叶片卷曲程度特征参数；b1和b2分别表示卷曲叶片的长轴和短轴参数。
4.根据权利要求1所述的基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法，其特征在于：步骤一中所述的半球反射光谱DHR和半球透射光谱DHT通过UV-3600分光光度计+积分球进行测定。
5.根据权利要求1所述的基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法，其特征在于：所述的叶片结构参数N使用光谱最小拟合法，在400-1000nm波段范围内的最大反射率、最大透射率和最小吸收率波段的基础上计算得到；叶片结构参数N具体如下：
Figure FDA0004137161080000021
其中，λ1′、λ2′、λ3′分别为卷曲叶片在最大光谱反射率、最大光谱透射率和最小吸收率对应的波长；DHRmea(·)和DHRmod(·)分别为实测的方向半球反射系数和模型计算的方向半球反射系数；DHTmea(·)和DHTmod(·)分被为实测的方向半球透射系数和模型计算的方向半球透射系数。
6.根据权利要求1所述的基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法，其特征在于：叶片表面粗糙度σ获取方式如下：
Figure FDA0004137161080000022
其中，λ为800-1400nm波段内的波长；DHRmea(·)和DHRmod(·)分别为实测的方向半球反射系数和模型计算的方向半球反射系数；DHTmea(·)和DHTmod(·)分被为实测的方向半球透射系数和模型计算的方向半球透射系数。
7.根据权利要求1所述的基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法，其特征在于：叶片平均折射系数
Figure FDA0004137161080000023
和Kchls(λ)获取方式如下：
Figure FDA0004137161080000024
其中，λ为500-800nm波段内的波长；DHRmea(·)和DHRmod(·)分别为实测的方向半球反射系数和模型计算的方向半球反射系数；DHTmea(·)和DHTmod(·)分被为实测的方向半球透射系数和模型计算的方向半球透射系数。
CN202310278337.8A 2023-03-21 2023-03-21 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法 Pending CN116223452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310278337.8A CN116223452A (zh) 2023-03-21 2023-03-21 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310278337.8A CN116223452A (zh) 2023-03-21 2023-03-21 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法

Publications (1)

Publication Number Publication Date
CN116223452A true CN116223452A (zh) 2023-06-06

Family

ID=86580570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310278337.8A Pending CN116223452A (zh) 2023-03-21 2023-03-21 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法

Country Status (1)

Country Link
CN (1) CN116223452A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541924A (zh) * 2023-11-16 2024-02-09 海南海柠科技有限公司 一种农作物生长状况的监测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541924A (zh) * 2023-11-16 2024-02-09 海南海柠科技有限公司 一种农作物生长状况的监测方法

Similar Documents

Publication Publication Date Title
Sun et al. Wavelength selection of the multispectral lidar system for estimating leaf chlorophyll and water contents through the PROSPECT model
Chen et al. Multi-angular optical remote sensing for assessing vegetation structure and carbon absorption
Broge et al. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density
Clark et al. Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales
Nevalainen et al. Fast and nondestructive method for leaf level chlorophyll estimation using hyperspectral LiDAR
Darvishzadeh et al. Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models
Ientilucci et al. Advances in wide-area hyperspectral image simulation
CN109977548B (zh) 一种针对不同范围的叶面积指数遥感反演方法
CN105486655B (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
CN106874621B (zh) 一种针叶植被冠层反射率计算方法
CN110118742A (zh) 基于光谱分析的陆表植被冠层生态水含量遥感反演方法
CN107561022B (zh) 一种改进的植物叶片干物质含量高光谱遥感反演方法
CN105849516A (zh) 使用枢轴归一化的涂层表面纹理分析
CN106909750B (zh) 一种阔叶植被冠层反射率的计算方法
CN116223452A (zh) 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法
CN114676636B (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
CN110163035A (zh) 一种先验数据支持的云阴影识别方法
Bremer et al. Multi-temporal fine-scale modelling of Larix decidua forest plots using terrestrial LiDAR and hemispherical photographs
Nilson et al. Modeling radiative transfer through forest canopies: implications for canopy photosynthesis and remote sensing
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
CN111220552B (zh) 考虑光照方向叶片辐射传输模型的叶绿素高光谱反演方法
CN114446408B (zh) 一种基于辐射传输模型反演的叶片氮含量估算方法
CN117269078B (zh) 土壤阳离子交换量的确定方法
CN114166793B (zh) 基于光谱波段重叠分离的叶片叶绿素a、b含量反演方法
Naveed et al. Spectral indices for tracing leaf water status with 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