检索结果-内蒙古大学图书馆

热带地理 2025年第3期45卷 514-526页

作者：郭金锋张志从吾木提·艾山江周忠晔续文宇玉苏甫·艾海买江伊犁师范大学资源与环境学院新疆伊宁835000 伊犁师范大学资源与生态研究所新疆伊宁835000 华东师范大学地理科学学院上海200241

叶片叶绿素含量(Leaf Chlorophyll Contents,LCCs)作为植物重要的生理生化参数之一,其含量的变化直接或间接影响植物的生长发育。通过使用高光谱遥感技术对人参果LCC进行快速无损监测,有利于实现精准农业的发展。文章以人参果叶片高光... 详细信息

叶片叶绿素含量(Leaf Chlorophyll Contents,LCCs)作为植物重要的生理生化参数之一,其含量的变化直接或间接影响植物的生长发育。通过使用高光谱遥感技术对人参果LCC进行快速无损监测,有利于实现精准农业的发展。文章以人参果叶片高光谱数据和对应的人参果LCC为数据集,使用离散小波变换(Discrete Wavelet Transform,DWT)算法,提取人参果叶片高光谱数据0~10层低频小波系数,将0~10层光谱数据集与对应的人参果LCC进行Pearson相关性分析,然后将变量组合集群分析(Variable Combination Population Analysis,VCPA)与遗传算法(Genetic Algorithm,GA)结合,使用VCPA-GA算法提取人参果全谱和各分解层敏感波段,通过4种机器学习模型构建人参果LCC的估测模型。结果表明,DWT能提高人参果LCC的预测性能,在4种机器学习模型中,4层BP-AdaBoost模型的预测性能最好,R^(2)达到0.919,MAPE=2.090%,RMSE=1.453,RPD=3.900,其次PSO-BPNN回归模型的预测性能也表现出较高的准确性。文章表明,人参果高光谱数据经DWTVCPA-GA算法处理后,使用4层低频小波系数重组的光谱数据构建BP-AdaBoost回归预测模型时对人参果LCC的估算性能最好。

关键词：离散小波变换混合变量选择算法深度学习叶片叶绿素含量人参果

来源：评论

学校读者我要写书评

暂无评论

基于Sentinel-2卫星数据的水稻叶片叶绿素含量反演研究

引用

光谱学与光谱分析 2022年第3期42卷 866-872页

作者：杨旭卢学鹤石晶明李晶居为民南京大学国际地球系统科学研究所江苏南京210023

叶绿素含量是评价农作物健康状况、生产能力和环境胁迫的重要指标,实时、快速、准确获取农作物叶片叶绿素含量对监测农作物生长状况具有重要意义。遥感是获取区域和全球农作物叶片叶绿素含量的有效途径,但已有的作物叶片叶绿素含量遥感... 详细信息

叶绿素含量是评价农作物健康状况、生产能力和环境胁迫的重要指标,实时、快速、准确获取农作物叶片叶绿素含量对监测农作物生长状况具有重要意义。遥感是获取区域和全球农作物叶片叶绿素含量的有效途径,但已有的作物叶片叶绿素含量遥感反演研究未充分考虑下垫面背景的干扰,影响了反演精度。为此,以Sentinel-2遥感卫星影像为数据源,结合典型水稻田的观测数据,使用PROSAIL辐射传输模型建立了水稻田叶片叶绿素含量反演查找表,评估了利用绿光波段和不同红边波段构建的叶绿素指数(CI)和两个不同红边波段构建的Zarco and Miller指数(ZM)反演叶片叶绿素含量的差异,引入G(Greenness index)指数减小背景干扰对叶片叶绿含量反演的影响。研究结果表明:(1)基于不同波段构建的光谱指数反演的叶片叶绿素含量精度存在差异,其中CI_(740)(R^(2)=0.79,RMSE=9.02μg·cm^(-2))反演精度最高,其次为ZM(R^(2)=0.71,RMSE=10.53μg·cm^(-2))、CI_(705)(R^(2)=0.69,RMSE=9.17μg·cm^(-2))和CI_(783)(R^(2)=0.67,RMSE=10.84μg·cm^(-2));(2)水稻叶片叶绿素含量反演结果受背景影响明显,特别在水稻生长早期,由于背景干扰较大,反演结果明显偏低[平均相对误差(MRE)为-18.87%~-31.94%];(3)引入G指数构建的CI/G和ZM/G可以有效消除背景的影响,提高水稻叶片叶绿素含量反演精度(MRE为8.11%~18.11%)。结果对提高水稻不同叶面积指数水平下的叶片叶绿素含量遥感反演精度具有重要参考意义。

关键词：叶片叶绿素含量遥感反演 Sentinel-2 PROSAIL

来源：评论

学校读者我要写书评

暂无评论

高分六号宽幅相机叶片叶绿素含量反演方法与验证

引用

遥感学报 2024年第10期28卷 2553-2564页

作者：谷晨鹏李静柳钦火张虎张召星文远王晓函中国科学院空天信息创新研究院遥感科学国家重点实验室北京100101 中国科学院大学北京100049

叶片叶绿素含量ChlLeaf(Leaf chlorophyll content)是反映植被光合能力强弱的重要指标,对全球碳循环研究和农业监测有重要意义。高分六号(GF-6)搭载的宽幅相机具有两个对ChlLeaf敏感的红边波段,具备开展ChlLeaf定量反演的潜力。本文提... 详细信息

叶片叶绿素含量ChlLeaf(Leaf chlorophyll content)是反映植被光合能力强弱的重要指标,对全球碳循环研究和农业监测有重要意义。高分六号(GF-6)搭载的宽幅相机具有两个对ChlLeaf敏感的红边波段,具备开展ChlLeaf定量反演的潜力。本文提出基于叶绿素含量敏感指数CSI(Chlorophyll Sensitive Index)的GF-6宽幅相机WFV(Wide Field of View)数据ChlLeaf反演方法,通过PROSAIL和PROSPECT+4-Scale模型模拟构建了ChlLeaf与CSI指数的经验回归模型,并与MTCI、CIre和TCARI/OSAVI等红边指数的经验回归模型的反演精度进行对比。基于农作物、阔叶林和针叶林3种植被类型实测数据的验证结果表明,CSI指数反演精度最优(R^(2)=0.62,RMSE=10.31μg cm^(-2)),高于CIre指数(R^(2)=0.34,RMSE=14.83μg cm^(-2))、MTCI指数(R^(2)=0.25,RMSE=15.3μg cm^(-2))和TCARI/OSAVI指数(R^(2)=0.01,RMSE=21.34μg cm^(-2))。利用GF-6 WFV数据生成2019年北京森林站ChlLeaf时间序列与现有MODIS ChlLeaf产品的对比结果表明,GF-6能提供更高分辨率的ChlLeaf数据,能够更准确地刻画ChlLeaf的空间和时间序列变化特征,可以为GF-6在农业和植被生态监测的研究和应用提供数据支撑和科学依据。

关键词：遥感叶片叶绿素含量高分六号 CSI指数 PROSAIL PROSPECT+4-Scale

来源：评论

学校读者我要写书评

暂无评论

二向反射和方向半球反射光谱差异及其对小麦叶片叶绿素含量反演的影响

引用

作物学报 2023年第2期49卷 485-496页

作者：王雪王文辉李栋姚霞朱艳曹卫星程涛南京农业大学国家信息农业工程技术中心/江苏省信息农业重点实验室/农业农村部农作物系统分析与决策重点实验室/智慧农业教育部工程研究中心/现代作物生产省部共建协同创新中心江苏南京210095

二向反射率因子(bidirectional reflectance factor,BRF)和方向半球反射率因子(directional-hemispherical reflectance factor,DHRF)是反射光谱的两种形式,但在生化参数监测过程中,多数研究忽略了BRF和DHRF光谱的差异及其对叶片叶绿素含量(leaf chlorophyll content,LCC)反演的影响。本研究以不同品种、密度及氮素处理的小麦田间小区试验为基础,在叶片尺度获取了BRF和DHRF光谱,并计算相应的植被指数和小波系数,建立了基于植被指数和小波系数的LCC监测模型,定量分析BRF和DHRF光谱、植被指数和小波系数的差异及其对LCC反演的影响。结果表明,1)BRF和DHRF随LCC变化趋势一致,但两种光谱存在显著差异,且BRF光谱值高于DHRF光谱值;2)在一定程度上,应用植被指数和小波系数均可消除BRF和DHRF光谱差异的影响,其中归一化红边植被指数(normalized differential red edge vegetation index,NDRE)和红边叶绿素指数(red edge chlorophyll index,C_(Ired-edge))可以消除BRF和DHRF光谱差异的影响(R^(2)=0.930),但小波系数的性能要优于植被指数(R^(2)=0.995);3)基于DHRF光谱的植被指数和小波系数对LCC的估测能力优于BRF光谱,所有植被指数中NDRE反演效果最好(DHRF:R^(2)=0.957;BRF:R^(2)=0.938;All:R^(2)=0.892),第4尺度765 nm处的小波系数WF(4,675)反演LCC的效果优于NDRE(DHRF:R^(2)=0.985;BRF:R^(2)=0.971;All:R^(2)=0.973),且WF(4,675)消除BRF和DHRF光谱差异对LCC反演的影响能力强于NDRE(WF(4,675):R^(2)=0.973;NDRE:R^(2)=0.892)。综上所述,BRF和DHRF光谱存在差异,且这种差异不能直接忽略。研究明确了BRF和DHRF光谱的差异,为构建基于BRF和DHRF光谱的统一模型及提升冠层尺度LCC精确反演提供理论基础。

关键词：小麦二向反射方向半球反射叶片叶绿素含量植被指数小波系数

来源：评论

学校读者我要写书评

暂无评论

基于PROSAIL模型的玉米冠层叶面积指数及叶片叶绿素含量反演方法研究

引用

地理与地理信息科学 2019年第5期35卷 28-33,I0003页

作者：张明政苏伟朱德海中国农业大学土地科学与技术学院

农作物冠层叶面积指数(LAI)和叶片叶绿素含量(LCC)是农业定量遥感中的重要反演参数。该文以Sentinel-2影像为数据源,基于PROSAIL辐射传输模型,结合基于正则化的代价函数优化和基于光谱响应函数及高斯噪声的反演策略,反演夏玉米冠层LAI和... 详细信息

农作物冠层叶面积指数(LAI)和叶片叶绿素含量(LCC)是农业定量遥感中的重要反演参数。该文以Sentinel-2影像为数据源,基于PROSAIL辐射传输模型,结合基于正则化的代价函数优化和基于光谱响应函数及高斯噪声的反演策略,反演夏玉米冠层LAI和LCC。与实测光谱对比分析可知,大气校正后的Sentinel-2影像反射率及PROSAIL模型具有较高的精度。验证结果表明,LAI、LCC的反演结果总体精度较高,与实测值相关性较好,其中,三叶期LAI、LCC的R^2分别为0.62、0.49,拔节期LAI、LCC的R^2分别为0.53、0.59。基于PROSAIL模型改进反演策略可为农作物参数反演提供研究思路和理论依据,也能够为农作物生长过程监测提供数据支持。

关键词： PROSAIL模型 Sentinel-2影像反演策略叶面积指数叶片叶绿素含量玉米

来源：评论

学校读者我要写书评

暂无评论

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

引用

麦类作物学报 2023年第11期43卷 1467-1474页

作者：韩振强李卫国张晓东李伟马廷淮张宏姚永胜江苏大学农业工程学院江苏镇江212013 江苏省农业科学院农业信息研究所江苏南京210014 江苏大学流体机械工程技术研究中心江苏镇江212013 南京信息工程大学江苏南京210044

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_(red))和近红外波段反射率(BR_(nir))的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI... 详细信息

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_(red))和近红外波段反射率(BR_(nir))的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_(red)和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_(BP)),并对估测模型进行精度验证。结果表明,WWLCC_(BP)估测模型在拔节期估测的决定系数(r^(2))为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_(BP)和高分六号影像结合监测了研究区域冬小麦叶片叶绿素含量的空间分布信息,叶片SPAD值在43.2~53.7之间的冬小麦长势正常,种植面积为25483 hm^(2),占冬小麦总播种面积的69.81%。这说明多遥感光谱指标结合建立的神经网络估测模型可以实现对大田冬小麦叶片叶绿素含量的有效估测。

关键词：冬小麦遥感光谱指标神经网络叶片叶绿素含量估测模型

来源：评论

学校读者我要写书评

暂无评论

基于无人机RGB图像的金沙柚叶片叶绿素含量监测研究

引用

江西农业大学学报 2022年第6期44卷 1407-1418页

作者：曹中盛李艳大潘玉霞孙滨峰舒时富叶春彭忻怡江西省农业科学院农业工程研究所/江西省智能农机装备工程研究中心/江西省农业信息化工程技术研究中心江西南昌330200 江西省井冈山红壤研究所江西吉安343016 江西农业大学农学院江西南昌330045

【目的】叶片叶绿素含量(leaf chlorophyll content,LCC)是表征金沙柚(Citrus grandis(L.)Osbeck)长势状况的重要指标。利用无人机RGB图像可实现植被长势参数实时、无损监测。然而,当前人们对无人机RGB图像监测蜜柚LCC时的敏感图像特征... 详细信息

【目的】叶片叶绿素含量(leaf chlorophyll content,LCC)是表征金沙柚(Citrus grandis(L.)Osbeck)长势状况的重要指标。利用无人机RGB图像可实现植被长势参数实时、无损监测。然而,当前人们对无人机RGB图像监测蜜柚LCC时的敏感图像特征及适宜感兴趣区(region of interest,ROI)选取模式尚不明确。为构建基于无人机RGB图像的蜜柚LCC监测模型,实现利用无人机RGB图像快速监测金沙柚LCC。【方法】本研究基于不同氮肥水平的金沙柚田间试验,于开花期、幼果期和果实膨大期测定蜜柚LCC,同步使用无人机采集蜜柚RGB图像,并提取不同类型图像特征(6个颜色特征、9个植被指数、9个纹理特征);分别在叶片ROI和冠层ROI两种模式下,分析不同图像特征与蜜柚LCC之间的相关性,确定最优ROI选取模式及敏感图像特征,并构建定量监测模型。【结果】包含有丰富红光信息的红光值(redness intensity,R)、超红植被指数(excess red vegetation index,ExR)和基于红光波段提取的均值(mean texture based on the red band,MEA-R)对蜜柚LCC敏感,在叶片ROI模式下利用其构建的监测模型精度高于在冠层ROI模式下构建的监测模型精度。3个图像特征中,ExR与蜜柚LCC之间相关性最高,在叶片ROI模式下构建的全生育期监测模型建模决定系数(determination coefficient,R^(2))达到0.83,模型检验时归一化均方根误差(normalized root mean square error,nRMSE)和偏差(bias)分别为0.24和0.01 mg/g。R和MEA-R表现相似,叶片ROI模式下其建模R^(2)为0.72,检验nRMSE为0.33。【结论】考虑到监测模型的准确性和图像特征提取的方便性,本研究确定可基于叶片ROI模式提取图像特征ExR并构建全生育期蜜柚LCC监测模型:LCC=-0.01×ExR+2.83,实现利用无人机搭载数码相机快速、准确监测园区尺度金沙柚LCC,在金沙柚生长无损监测诊断和精确管理中具有应用价值。

关键词：金沙柚叶片叶绿素含量无人机 RGB图像图像特征监测模型

来源：评论

学校读者我要写书评

暂无评论

基于近地面遥感的再生稻叶片叶绿素含量反演

基于近地面遥感的再生稻叶片叶绿素含量反演

引用

作者：曾小茜华中农业大学

学位级别：硕士

作为水稻种植模式之一,再生稻对改善耕地矛盾和粮食增产具有十分重要的意义。叶绿素含量是评估作物长势状况的重要指标之一,对作物长势监测、生产管理具有重要意义。近地面遥感具有获取信息速度快、无破坏性等优点,是实现农作物叶绿素... 详细信息

作为水稻种植模式之一,再生稻对改善耕地矛盾和粮食增产具有十分重要的意义。叶绿素含量是评估作物长势状况的重要指标之一,对作物长势监测、生产管理具有重要意义。近地面遥感具有获取信息速度快、无破坏性等优点,是实现农作物叶绿素含量反演的有效途径。然而,很少有研究关注再生稻的叶绿素含量反演,也较少有学者对不同近地面遥感的叶绿素含量反演结果进行比较分析。基于此,文章以再生稻叶片叶绿素含量（Leaf chlorophyll content,LCC）为研究对象,获取再生稻叶片尺度高光谱、冠层尺度高光谱和无人机成像多光谱影像。基于实测的近地面遥感数据和叶片叶绿素含量,文章分析了叶片和冠层尺度的再生稻光谱响应规律,构建了再生稻叶片叶绿素含量反演的物理模型和经验模型,探索了不同数据增强方法（导数处理、纹理信息）对高光谱和无人机多光谱叶片叶绿素含量反演的精度提升效果,并进一步比较了不同模型构建算法、近地面遥感方式对再生稻叶片叶绿素含量反演精度的影响。主要结论如下:（1）叶片高光谱反射率与冠层高光谱反射率的变化规律保持一致,但叶片高光谱反射率值整体高于冠层高光谱反射率值。此外,不同叶片叶绿素含量条件下,叶片尺度高光谱、冠层尺度高光谱响应的区别主要在绿波段和红波段。叶片高光谱在绿波段、红波段与叶片叶绿素含量高度相关,而冠层高光谱在绿波段和红波段与叶片叶绿素含量仅为中度相关。（2）叶片尺度高光谱数据的导数处理不能改善再生稻叶片叶绿素含量反演结果;冠层尺度高光谱数据的二阶导数处理提高了再生稻叶片叶绿素含量反演精度。在无人机多光谱遥感中,多光谱植被指数结合纹理信息能够提供更精确的再生稻叶片叶绿素含量反演结果。（3）对不同模型的再生稻叶片叶绿素含量反演结果进行比较,经验模型的反演精度和稳定性整体较高,物理模型的反演精度略低。此外,3个经验模型在原始高光谱、冠层尺度多光谱及无人机多光谱中的反演结果没有明显差异,在导数高光谱中,偏最小二乘回归模型（Partial Least Squares Regression,PLSR）的反演结果较差。（4）以决定系数（R2）、均方根误差（Root Mean Square Error,RMSE）、相对均方根误差（relative Root Mean Square Error,r RMSE）作为再生稻叶片叶绿素含量反演精度的评价指标。不同近地面遥感数据的再生稻叶片叶绿素含量反演精度从高到低依次为叶片尺度高光谱（R2=0.94、RMSE=1.63、r RMSE=7.73%）、无人机多光谱（R2=0.77、RMSE=3.15、r RMSE=14.90%）、冠层尺度高光谱（R2=0.73、RMSE=3.47、r RMSE=16.38%）、冠层尺度多光谱（R2=0.65、RMSE=4.03、r RMSE=19.03%）。虽然叶片尺度高光谱数据取得了最高的反演精度,但叶片尺度高光谱数据采集费时费力、效率较低,相比之下无人机多光谱遥感兼顾了数据采集效率和叶片叶绿素含量反演精度,是实现再生稻叶片叶绿素含量反演的有效途径。综上,文章实现了基于近地面遥感的再生稻叶片叶绿素含量反演,证明了近地面遥感应用于再生稻叶片叶绿素含量反演的可行性,这为精准农业中再生稻叶片叶绿素含量精确反演和有效利用农业资源、确保国家粮食安全提供参考和助力。

关键词：再生稻叶片叶绿素含量近地面遥感经验模型物理模型

来源：评论

学校读者我要写书评

暂无评论

基于多光谱无人机的叶面积指数和叶片叶绿素含量遥感协同反演研究

基于多光谱无人机的叶面积指数和叶片叶绿素含量遥感协同反演研究

引用

作者：郭晓雯福建师范大学

学位级别：硕士

森林生态系统是全球碳循环的重要组成部分,叶绿素分子有助于将吸收的太阳辐射转化为储存的化学能,是生物圈和大气环境之间的碳、水以及能量交换的核心,也是陆地生态系统正常运作的保障。在不断变化的气候背景下,准确模拟这些通量至关重... 详细信息

森林生态系统是全球碳循环的重要组成部分,叶绿素分子有助于将吸收的太阳辐射转化为储存的化学能,是生物圈和大气环境之间的碳、水以及能量交换的核心,也是陆地生态系统正常运作的保障。在不断变化的气候背景下,准确模拟这些通量至关重要。然而,由于空间和时间范围内对植被结构和生理功能参数的观测数据与方法的限制,未能达到空间广泛性和时间连续性的较高准确度,生态监测研究仍具有挑战性。作为森林生态系统中主要的地上部分,植物中的各种生化成分控制和影响着植物内部的生理生态过程,对其物质的形成和转化起着重要作用。作为森林生态系统参与碳循环的载体,叶面积指数（leaf area index,LAI）和叶片叶绿素含量（leaf chlorophyll content,LCC）是生态系统建模和植被状态监测的一个重要参数,LCC属于叶片尺度植被参数,LAI属于冠层尺度植被参数。遥感获取LAI或LCC的方法相较于直接测量获取可以有效提升效率的同时实现广域调查。森林生态系统内部的植物种类和空间分布具有较大的复杂性,导致了遥感数据在不同层次的反演难度和精度差异,影响LAI和LCC的反演精度。其中,在LAI和LCC的单独反演研究中,其中一类参数的信息会对另一参数反演造成信息混淆,影响反演精度。植被冠层不同叶片之间反射特征差异、叶片空间分布结构、背景因素都会对LAI、LCC反演造成误差。因此,不考虑冠层结构影响,直接对叶片尺度叶绿素进行反演是不准确的,实现LAI和LCC的协同反演研究既可同时反演得到叶面积指数和叶片叶绿素含量,又可基于理论基础提升反演精度获得更准确的植被信息。本研究选取福建省龙岩市上杭县白砂国有林场树种多样性与生态系统功能实验林作为研究区,于2021年4月至2022年12月长期采集无人机数据、地面LAI、LCC、CI（clumping index,CI）数据,以期实现LAI和LCC协同反演研究。得出主要结论如下:（1）构建协同反演模型前,为验证冠层结构参数LAI对LCC反演有影响,基于经验反演的方法,构建了叶绿素的线性回归模型。分别测试了一元线性LCC回归模型、二元（包含LAI,反演LCC）线性回归模型、一元线性LCC矩阵回归模型和二元（包含LAI,反演LCC）线性矩阵回归模型分别反演LCC的精度差异。结果表明:当VI与LCC建立一元线性关系时,LCC反演和实测值的相关性R为0.33;加入LAI信息,构建VI与（LAI和LCC）的二元线性关系后,LCC反演和实测值的相关性R小幅度提升至0.37,但该方法存在反演负值较多的情况。通过矩阵回归的方法减少了反演负值,也减少了部分LCC反演高值的高估和低值的低估现象。（2）建模初期,分别建立VI与LAI和LCC的线性、指数和对数相关性,根据优选比值类型VI的原则,筛选出SR、NDVI、Mc M＿94、RDVI、MCARI、EVI与LAI的高敏感性、NDRE、Datt99、MTCI、CI与LCC的高敏感性。协同模型反演依据矩阵方法进行求解,以随机采样及验证的方法分别测试了不同类型和不同数量VI组合对反演结果的精度差异,筛选了最优的反演模型,实现了LAI最优反演均值为R=0.6,LCC最优反演均值为R=0.45。同时,对比了不包含红边植被指数、单参数LAI或LCC反演模型的反演结果与协同反演所得结果差异。最终,利用新数据对模型进行二次检验,结果显示该协同反演模型可较稳定地保持LAI和LCC反演精度的提升,再次验证了从遥感信号中提取植被信息进行协同反演结构参数LAI和叶片参数LCC的可行性与相较于从遥感信息直接反演单参数LAI或LCC的参数反演精度的提升。（3）分别汇总并绘制了常绿阔叶树种和落叶阔叶树种LAI与LCC的季节性变化曲线,分析了变化的特征,分别为:LAI季节性变化整体展现出在当年4月左右开始递增的整体趋势,于当年7～9月达到峰值,常绿树种10、11月至次年2、3月之间LAI相较于生长季有所降低且在较低水平下基本保持稳定变化;而落叶树种于9、10月树木开始衰老,树木逐渐加速凋零,次年1、2月LAI降至全年最低,随着天气逐渐变暖,3月开始再次生长。常绿树种LCC全年波动变化较为稳定,变化范围不大,仅仅存在小幅度的增长与降低。落叶树种LCC全年起伏变化明显,在12月至次年2月期间,叶片会枯萎并完全掉落,次年的3、4月开始重新生长,基本在6～8月达到最高值,此后逐渐下降。依据协同反演模型,以无人机像元大小为基本单位,以协同方法分别反演不同月份的LAI和LCC全域图,并与实测数据进行了季节性对比,结果为:LAI模拟值与实测值相关性较高,模拟值的整体季节性趋势变化也与实测值季节性变化趋势基本一致;LCC模拟值与实测值相关性较低,LCC整体呈现出实测值高于模拟值。

关键词：叶片叶绿素含量叶面积指数植被遥感经验模型协同反演

来源：评论

学校读者我要写书评

暂无评论

基于Sentinel-2卫星数据的水稻叶片叶绿素含量反演研究

基于Sentinel-2卫星数据的水稻叶片叶绿素含量反演研究

引用

作者：杨旭南京大学

学位级别：硕士

随着人类社会对粮食产量的需求日益增加,引入现代技术提高粮食产量变得十分重要。水稻作为我国乃至世界重要的粮食作物,其产量极大影响着粮食安全。叶绿素含量是评价农作物健康状况、生产能力和环境胁迫的重要指标,实时、快速、准确获... 详细信息

随着人类社会对粮食产量的需求日益增加,引入现代技术提高粮食产量变得十分重要。水稻作为我国乃至世界重要的粮食作物,其产量极大影响着粮食安全。叶绿素含量是评价农作物健康状况、生产能力和环境胁迫的重要指标,实时、快速、准确获取水稻叶片叶绿素含量对水稻长势监测和田间精准管理具有重要意义。传统的叶片叶绿素获取方式需要破坏性取样,并且费时费力。随着技术的发展,遥感逐渐变成获取区域和全球农作物叶片叶绿素含量的有效途径,其中基于冠层辐射传输模型的反演方式能够定量描述植被冠层或叶片反射光谱对叶片叶绿素的响应,是叶绿素遥感反演的重要工具,但该方法的反演精度易受到选取的光谱指数和下垫面背景的干扰。为此,本文以Sentinel-2遥感卫星影像为数据源,结合典型水稻田的观测数据,使用PROSAIL辐射传输模型建立了水稻叶片叶绿素含量-水稻冠层反射率查找表,再通过多种光谱指数的构建的代价函数反演叶片叶绿素,比较分析了不同反演结果的精度差异,探索了最适宜水稻叶片叶绿素含量反演的光谱指数,厘清了背景反射率的变化对反演精度的影响,并引入G指数（Greenness index）减小背景干扰对叶片叶绿含量反演的影响。研究结果表明:（1）基于不同波段构建的光谱指数反演的叶片叶绿素含量精度存在差异。不含红边波段的叶绿素指数（CI）、简单比值指数（SR）和归一化植被指数（NDVI）反演结果R2分别为0.58、0.49和0.42,RMSE分别为13.52、11.81和20.00μg cm-2。而使用红边波段替换CI、SR和NDVI中红色波段和近红外波段构建的光谱指数反演精度明显提高。CI740、CI783、RSR、ZM、NDVI740、NDVI783、Macc和MTCI反演结果R2分别为0.68、0.64、0.73、0.70、0.68、0.71、0.73和0.70,RMSE分别为11.91、11.42、12.02、11.22、11.82、11.38、8.14和10.15μg cm-2。其中Macc反演精度最高(R2=0.73,RMSE=8.14μg cm-2).（2）利用PROSAIL模型构建查找表反演水稻叶片叶绿素会受到水面背景反射率的影响。这主要是由于PROSAIL模型无法准确描述水面背景反射率。特别在水稻生长早期,由于水面背景干扰较大,部分对背景反射率变化敏感的光谱指数反演结果明显偏低。LAI<3时,CI740、CI783、RSR、ZM、NDVI740和NDVI783反演结果平均相对误差（MRE）分别为:-35.22%、-33.80%、-34.29%、-33.91%、-33.36%和-34.71%。较LAI>3时的MRE分别增大了-22.37%、-26.29%、-19.31%、-20.77%、-22.29%、-20.14%。（3）引入G指数能够有效的消除了水稻田水面背景对叶片叶绿素反演结果的影响。引入G指数构建的CI740/G(R2=0.82,RMSE=5.84μg cm-2,MRE=3.53%)、CI783/G(R2=0.77,RMSE=7.15μg cm-2,MRE=8.61%)、RSR/G(R2=0.80,RMSE=6.11μg cm-2,MRE=2.23%)、ZM/G(R2=0.81,RMSE=7.14μg cm-2,MRE=7.95%)、NDVI740/G(R2=0.75,RMSE=6.87μg cm-2,MRE=4.16%)和NDVI783/G(R2=0.72,RMSE=7.37μg cm-2,MRE=2.01%)提高水稻叶片叶绿素含量反演精度。光谱指数与G指数结合后,对水稻背景反射率变化不再敏感,有效消除了水稻田水面背景对叶片叶绿素反演结果的影响。

关键词：叶片叶绿素含量遥感反演 Sentinel-2 PROSAIL

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：