CN108732137B - 基于高光谱遥感数据估算植物物种多样性的模型及方法 - Google Patents
基于高光谱遥感数据估算植物物种多样性的模型及方法 Download PDFInfo
- Publication number
- CN108732137B CN108732137B CN201810794038.9A CN201810794038A CN108732137B CN 108732137 B CN108732137 B CN 108732137B CN 201810794038 A CN201810794038 A CN 201810794038A CN 108732137 B CN108732137 B CN 108732137B
- Authority
- CN
- China
- Prior art keywords
- model
- hyperspectral
- spectral
- diversity
- plant species
- 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.)
- Expired - Fee Related
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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱遥感数据估算植物物种多样性的模型及方法,模型公式为:Y=321.434FD654‑38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258。该模型的构建方法包括:采用高光谱测量仪进行现场测量;数据矫正和检验;数据平滑处理;计算一阶光谱导数;选择特征波段;逐步回归,选择逐步显著性最高的模型作为优化模型。本发明根据光谱异质性‑物种多样性假说,可以快速估算植物物种的多样性,可广泛适用于草原、草地、灌丛、农田及苗圃地等的植物物种多样性快速评估。
Description
技术领域
本发明涉及一种模型及方法,尤其涉及一种基于高光谱遥感数据估算植物物种多样性的模型及方法。
背景技术
高光谱遥感技术已经广泛的应用于生态环境监测、农作物病虫害与作物估产、地矿勘探等方面,发挥着越来越重要的作用。植物的光谱特征是由生理生态特征、组成结构特征引起的对光的吸收、透射和反射的变化,能够利用高光谱数据定量反演植被生理和生化参数,主要涉及植被覆盖度、生物量、叶面积指数,以及叶片或冠层的水分含量、叶绿素含量、矿质营养含量、纤维素、木质素、淀粉和蛋白质含量、光合生理参数等。
我国草地面积广阔,约占国土面积的1/3以上,其中约50%—60%的天然草地存在着不同程度的退化现象。为了治理生态退化,需采取多种措施进行生态恢复。植被生态恢复是个长期的过程,不同生态恢复阶段植被群落特征表现不同,群落里面的优势植物物种是生态恢复的重要指标。不同生态恢复阶段优势植物物种的矿质营养状况、生理生态状况、形态结构特征也不相同。大面积监测不同生态恢复阶段草原的表现,对于传统的植物样方调查法来说,需要大量人力物力,往往耗时数月才能完成。高光谱遥感由于能够有效监测植物的矿质营养状况、生理生态状况和生长状况,同时具有较高的光谱分辨率,在大面积生态恢复监测上具有优势。目前,高光谱数据处理方法主要包括降维运算、红边效应分析、导数运算、数据压缩技术等,其中导数运算和红边效应分析在植被生理生态信息提取中广为应用。但是植物物种多样性的监测尚没有有效的高光谱监测模型,因此,亟需开发一套适合草地、草原、农田等对象的植物物种多样性快速评估的高光谱遥感模型。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于高光谱遥感数据估算植物物种多样性的模型及方法。
为了解决以上技术问题,本发明采用的技术方案是:一种基于高光谱遥感数据估算植物物种多样性的模型,表现公式为:
Y=321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中,FD654表示654nm处光谱反射率的一阶导数;同理,FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数;将各波段处光谱反射率的一阶导数记为FDλ(j),则:
FDλ(j)=(Rλ(j+1)-Rλ(j))/Δλ
其中,Rλ(j)是波段j的反射率;Rλ(j+1)是波段j+1的反射率,Δλ是波长j到j+1的间隔。
一种基于高光谱遥感数据估算植物物种多样性的模型的构建方法,整体步骤为:
A、采用高光谱测量仪进行现场测量,获取待测植物样方的高光谱数据,每个待测定样方测定5次,获取325-1075nm之间的光谱数据;
B、将获取的高光谱数据进行矫正和检验,确保无数据错误;
C、将获取的高光谱数据进行平滑处理,以相邻的4个数据为基础,获取中间数据的均值;
D、将处理后的数据计算一阶光谱导数;
E、采用相关性分析法,选择与植物物种多样性相关性最高的波段作为特征波段;
F、对选择的特征波段与植物多样性指数进行逐步回归,选择逐步显著性最高的模型作为优化模型;优化模型的表现公式为:
Y=321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中,FD654表示654nm处光谱反射率的一阶导数;同理,FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数;将各波段处光谱反射率的一阶导数记为FDλ(j),则:
FDλ(j)=(Rλ(j+1)-Rλ(j))/Δλ
其中,Rλ(j)是波段j的反射率;Rλ(j+1)是波段j+1的反射率,Δλ是波长j到j+1的间隔。
进一步地,高光谱测量仪为手持式地物光谱仪,其光谱范围为325-1075nm,光谱分辨率为3nm,采样间隔为1nm。
进一步地,光谱测量在风力小于3级的晴朗天气下进行,采集时间为地方时10:00—15:00,测量仪探头垂直向下,保持在冠层上方2-2.2m内,确保待测植物样方冠层充满测量仪的视场角,每一样本重复测量10次取均值。
进一步地,测量前均同步测量参考白板反射的辐射光谱用于标定,并定时进行***优化,以消除环境变化所带来的影响。
本发明根据光谱异质性-物种多样性假说,可以快速估算植物物种的多样性,可广泛适用于草原、草地、灌丛、农田及苗圃地等的植物物种多样性快速评估。
附图说明
图1为实施例一的测量方法的示意图。
图中:1、高光谱测量仪;2、测量仪探头;3、植物样方。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种基于高光谱遥感数据估算植物物种多样性的模型,表现公式为:
Y=321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中,FD654表示654nm处光谱反射率的一阶导数;同理,FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数;将各波段处光谱反射率的一阶导数记为FDλ(j),则:
FDλ(j)=(Rλ(j+1)-Rλ(j))/Δλ
其中,Rλ(j)是波段j的反射率;Rλ(j+1)是波段j+1的反射率,Δλ是波长j到j+1的间隔。
一种基于高光谱遥感数据估算植物物种多样性的模型的构建方法,整体步骤为:
A、采用高光谱测量仪进行现场测量,获取待测植物样方的高光谱数据,每个待测定样方测定5次,获取325-1075nm之间的光谱数据;
B、将获取的高光谱数据进行矫正和检验,确保无数据错误;
C、将获取的高光谱数据进行平滑处理,以相邻的4个数据为基础,获取中间数据的均值;
D、将处理后的数据计算一阶光谱导数;
E、采用相关性分析法,选择与植物物种多样性相关性最高的波段作为特征波段;
F、对选择的特征波段与植物多样性指数进行逐步回归,选择逐步显著性最高的模型作为优化模型;优化模型的表现公式为:
Y=321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中,FD654表示654nm处光谱反射率的一阶导数;同理,FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数;将各波段处光谱反射率的一阶导数记为FDλ(j),则:
FDλ(j)=(Rλ(j+1)-Rλ(j))/Δλ
其中,Rλ(j)是波段j的反射率;Rλ(j+1)是波段j+1的反射率,Δλ是波长j到j+1的间隔。
【实施例一】
以手持式地物光谱仪采集植物光谱(可选用FieldSpec H2,或者ASD或者其他参数符合要求的光谱仪),其光谱范围为325-1075nm,光谱分辨率为3nm,采样间隔为1nm。光谱测量在风力小于3级的晴朗天气下进行,采集时间为地方时10:00—15:00。测量人员着深色服装,避免遮挡阳光,规避光谱干扰。测量仪探头垂直向下,保持在冠层上方2-2.2m内,确保待测植物样方冠层充满测量仪的视场角,每一样本重复测量10次取均值。测量前均同步测量参考白板反射的辐射光谱用于标定,并定时进行***优化,以消除环境变化所带来的影响。测量方法的示意图如图1所示。
评估模型的构建方法为:
A、采用高光谱测量仪进行现场测量,获取待测植物样方的高光谱数据,每个待测定样方测定5次,获取325-1075nm之间的光谱数据;
B、将获取的高光谱数据进行矫正和检验,确保无数据错误;
C、将获取的高光谱数据进行平滑处理,以相邻的4个数据为基础,获取中间数据的均值;
D、将处理后的数据计算一阶光谱导数;
E、采用相关性分析法,选择与植物物种多样性相关性最高的波段作为特征波段;
F、对选择的特征波段与植物多样性指数进行逐步回归,选择逐步显著性最高的模型作为优化模型;优化模型的表现公式为:
Y=321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中,FD654表示654nm处光谱反射率的一阶导数;同理,FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数;将各波段处光谱反射率的一阶导数记为FDλ(j),则:
FDλ(j)=(Rλ(j+1)-Rλ(j))/Δλ
其中,Rλ(j)是波段j的反射率;Rλ(j+1)是波段j+1的反射率,Δλ是波长j到j+1的间隔。
本专利基于对已有植被参数模型的应用、反复试验和改良,根据不同植物物种的遥感光谱信息的生成与分解原理,按照不同波段光谱反射率的生物学特征,采用相关分析、特征波段提取、拟合度检验等方法,开发了新的能够反演植物物种多样性指数的模型。
本发明不同于实地样方调查耗费的大量人力物力,或者购买遥感影像的大量花费,可以快速测定出植物物种的多样性指数,无需大量人力物力投入,具有信息处理高效、节省投入成本的优点。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (5)
1.一种基于高光谱遥感数据估算植物物种多样性的模型,其特征在于:所述模型的表现公式为:
Y=321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中,FD654表示654nm处光谱反射率的一阶导数;同理,FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数;将各波段处光谱反射率的一阶导数记为FDλ(j),则:
FDλ(j)=(Rλ(j+1)-Rλ(j))/Δλ
其中,Rλ(j)是波段j的反射率;Rλ(j+1)是波段j+1的反射率,Δλ是波长j到j+1的间隔。
2.一种如权利要求1所述的基于高光谱遥感数据估算植物物种多样性的模型的构建方法,其特征在于:所述方法的整体步骤为:
A、采用高光谱测量仪进行现场测量,获取待测植物样方的高光谱数据,每个待测定样方测定5次,获取325-1075nm之间的光谱数据;
B、将获取的高光谱数据进行矫正和检验,确保无数据错误;
C、将获取的高光谱数据进行平滑处理,以相邻的4个数据为基础,获取中间数据的均值;
D、将处理后的数据计算一阶光谱导数;
E、采用相关性分析法,选择与植物物种多样性相关性最高的波段作为特征波段;
F、对选择的特征波段与植物多样性指数进行逐步回归,选择逐步显著性最高的模型作为优化模型;优化模型的表现公式为:
Y=321.434FD654-38.89FD976+31.274FD966+204.216FD847+122.714FD853+0.258
其中,FD654表示654nm处光谱反射率的一阶导数;同理,FD976、FD966、FD847、FD853分别表示976nm、966nm、847nm、853nm处光谱反射率的一阶导数;将各波段处光谱反射率的一阶导数记为FDλ(j),则:
FDλ(j)=(Rλ(j+1)-Rλ(j))/Δλ
其中,Rλ(j)是波段j的反射率;Rλ(j+1)是波段j+1的反射率,Δλ是波长j到j+1的间隔。
3.根据权利要求2所述的基于高光谱遥感数据估算植物物种多样性的模型的构建方法,其特征在于:所述高光谱测量仪为手持式地物光谱仪,其光谱范围为325-1075nm,光谱分辨率为3nm,采样间隔为1nm。
4.根据权利要求3所述的基于高光谱遥感数据估算植物物种多样性的模型的构建方法,其特征在于:光谱测量在风力小于3级的晴朗天气下进行,采集时间为地方时10:00—15:00,测量仪探头垂直向下,保持在冠层上方2-2.2m内,确保待测植物样方冠层充满测量仪的视场角,每一样本重复测量10次取均值。
5.根据权利要求4所述的基于高光谱遥感数据估算植物物种多样性的模型的构建方法,其特征在于:测量前均同步测量参考白板反射的辐射光谱用于标定,并定时进行***优化,以消除环境变化所带来的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810794038.9A CN108732137B (zh) | 2018-07-19 | 2018-07-19 | 基于高光谱遥感数据估算植物物种多样性的模型及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810794038.9A CN108732137B (zh) | 2018-07-19 | 2018-07-19 | 基于高光谱遥感数据估算植物物种多样性的模型及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108732137A CN108732137A (zh) | 2018-11-02 |
CN108732137B true CN108732137B (zh) | 2020-12-25 |
Family
ID=63926646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810794038.9A Expired - Fee Related CN108732137B (zh) | 2018-07-19 | 2018-07-19 | 基于高光谱遥感数据估算植物物种多样性的模型及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108732137B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110967300B (zh) * | 2019-12-24 | 2022-03-25 | 中央民族大学 | 一种维管植物物种丰富度估测的高光谱遥感方法 |
CN111007042B (zh) * | 2019-12-24 | 2022-04-22 | 中央民族大学 | 一种基于遥感数据异质性的群落多样性估测方法 |
CN111476172B (zh) * | 2020-04-09 | 2023-07-04 | 中央民族大学 | 植物物种beta多样性的估算方法及*** |
CN112683822B (zh) * | 2020-12-17 | 2024-04-05 | 淮阴师范学院 | 基于可见光波段的植被与非植被识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007146176A2 (en) * | 2006-06-08 | 2007-12-21 | The Board Of Regents Of The University Of Nebraska-Lincoln | System and methods for non-destructive analysis |
CN105352895B (zh) * | 2015-11-02 | 2018-04-06 | 北京理工大学 | 高光谱遥感数据植被信息提取方法 |
CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
-
2018
- 2018-07-19 CN CN201810794038.9A patent/CN108732137B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108732137A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108732137B (zh) | 基于高光谱遥感数据估算植物物种多样性的模型及方法 | |
Abdel-Rahman et al. | Estimation of sugarcane leaf nitrogen concentration using in situ spectroscopy | |
CN102788752B (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
CN103293111B (zh) | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 | |
Heiskanen et al. | Sensitivity of narrowband vegetation indices to boreal forest LAI, reflectance seasonality and species composition | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
CN103940748B (zh) | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 | |
CN110967300B (zh) | 一种维管植物物种丰富度估测的高光谱遥感方法 | |
Wang et al. | Assessing canopy nitrogen and carbon content in maize by canopy spectral reflectance and uninformative variable elimination | |
Darvishsefat et al. | Evaluation of spectral reflectance of seven Iranian rice varieties canopies | |
Nakaji et al. | Estimation of six leaf traits of East Asian forest tree species by leaf spectroscopy and partial least square regression | |
Clevers et al. | Imaging spectrometry for agricultural applications | |
CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
Liu et al. | Modeling plant phenology by MODIS derived photochemical reflectance index (PRI) | |
CN111007042B (zh) | 一种基于遥感数据异质性的群落多样性估测方法 | |
CN113607669A (zh) | 一种基于迁移学习的土壤养分光谱检测方法 | |
CN103575680A (zh) | 一种评估有机肥质量指标的光谱学方法 | |
Feng et al. | Monitoring leaf pigment status with hyperspectral remote sensing in wheat | |
CN106404699A (zh) | 一种梨树叶片氮素含量的无损测量方法 | |
CN114509404A (zh) | 一种高光谱土壤有效硼含量预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201225 Termination date: 20210719 |
|
CF01 | Termination of patent right due to non-payment of annual fee |