CN116593419A - 一种缓解lcc与秸秆-土壤背景影响的小麦绿色lai估算方法 - Google Patents
一种缓解lcc与秸秆-土壤背景影响的小麦绿色lai估算方法 Download PDFInfo
- Publication number
- CN116593419A CN116593419A CN202310400044.2A CN202310400044A CN116593419A CN 116593419 A CN116593419 A CN 116593419A CN 202310400044 A CN202310400044 A CN 202310400044A CN 116593419 A CN116593419 A CN 116593419A
- Authority
- CN
- China
- Prior art keywords
- wheat
- lai
- straw
- redvi
- sentinel
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 122
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 122
- 239000002689 soil Substances 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000006978 adaptation Effects 0.000 claims abstract description 3
- 230000003595 spectral effect Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 230000012010 growth Effects 0.000 claims description 10
- 238000011835 investigation Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 229930002875 chlorophyll Natural products 0.000 claims description 6
- 235000019804 chlorophyll Nutrition 0.000 claims description 6
- 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 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 20
- 239000010902 straw Substances 0.000 description 18
- 238000010276 construction Methods 0.000 description 5
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
-
- 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)
- Spectroscopy & Molecular Physics (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)
- Image Processing (AREA)
Abstract
本发明公开了一种缓解LCC与秸秆‑土壤背景影响的小麦绿色LAI估算方法,其步骤为:步骤一、数据采集;步骤二、计算秸秆‑土壤背景适应红边差值指数,包括:a、基于小麦冠层光谱计算已有的REDVI;b、基于田间背景光谱计算已有的REDVI;c、结合小麦冠层多光谱曲线的RE1和R波段,构建RSARE;步骤三、构建小麦叶面积指数LAI估算模型;步骤四、检验小麦LAI估算模型。本发明可以同时缓解LAI估算过程中秸秆‑土壤背景与LCC的影响,并基于该指数构建小麦叶面积指数估算模型,可在小麦生产过程中实现LAI的早期估算。
Description
技术领域
本发明属于卫星尺度基于反射光谱的作物生长状况快速无损监测领域,特别涉及一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法。
背景技术
小麦叶面积指数(LAI,Leaf area index)是重要的植被冠层结构变量,也是一个用于评估作物群体长势的重要变量。同时,它的获取将有助于作物长势与产量的预测。传统地面LAI测量的方法费劳、费时,并且受限于相对小的区域,而卫星遥感影像能够大尺度地获取LAI。事实上,利用卫星遥感信息估算LAI的方法有很多,例如植被指数(VI,Vegetationindex)、机器学习与辐射传输模型。其中,利用光谱反射率得到的植被指数由于其便捷性,被广泛地应用于LAI的反演。
VI-LAI模型的普适性与外推性对于大尺度LAI的反演至关重要。然而,由于多个混合因素的影响,包括土壤背景、叶片叶绿素含量(LCC,Leaf chlorophyll content)以及冠层结构的影响,VI-LAI关系通常会发生改变。因此,已有大量植被指数用于解决上述问题,以提高VI-LAI估算模型的鲁棒性。其中,修正的三角植被指数(MTVI2,Modifiedtriangular vegetation index)虽然可以同时缓解LCC与土壤背景的影响,但是它像多数非红边植被指数一样,受植被冠层结构的影响。另一方面,虽然大多数红边植被指数能够有效地缓解冠层结构与土壤背景的影响,并且因此在LAI反演过程中具有较高的精度,但是它们容易受到LCC的影响。
如今,由于秸秆还田以及田间水分变化引起的背景变异,小麦LAI的早期估算面临巨大的挑战。总体而言,背景的变化会导致两类光谱属性变化:光谱形状与光谱亮度。土壤水分变化主要影响光谱亮度,因此,大量已有植被指数用于缓解水分变化引起的亮度变化,包括差值植被指数(DVI,Difference vegetation index)、土壤调节植被指数(SAVI,Soil-adjusted vegetation index)。事实上,上述植被指数通过在红色波段与近红外波段增加调节因子来缓解来自于光谱亮度变化的噪音,而这些调节因子通常被认为只补偿光谱亮度的变化,并且他们被视为几乎相等的。由于这个假设的限制,这些方法难以缓解背景光谱形状变化造成的影响。
为了解决背景光谱形状的变化,前人研究尝试获取红光与近红外波段调节因子之间的关系,而相应的回归线通常被称为土壤线。但是,来自于土壤线估算过程中的误差会影响VI-LAI反演模型的精度。因此,许多研究利用红边波段替换红光波段,以缓解光谱形状变化造成的影响,相应的植被指数包括红边差值植被指数(REDVI,Red edge differencevegetation index)、改良红边土壤调节指数(MRESAVI,modified red-edge soil-adjusted index)以及土壤调节红边指数(SARE,Soil-adjusted red-edge index)。不幸的是,在植被指数中增加红边波段会受到来自于LCC变化的影响。另一方面,虽然近期有研究基于477nm与677nm的反射率提出了土壤和植被光谱的分离算法(3SV)以缓解背景光谱形状变化造成的影响,但是由于蓝光波段受大气影响,在卫星平台上的应用仍然存在挑战。对于卫星平台而言,有必要进一步开发宽波段红边植被指数用于缓解LAI反演过程中的背景与LCC影响。
作物监测中的背景问题在小麦方面尤其具有挑战。在稻麦轮作的田块中,水稻秸秆残茬通常留在小麦田中,导致多种多样的田间背景,包括土壤背景、秸秆背景和秸秆-土壤混合背景。其中,水稻秸秆残茬会引起背景光谱属性的变化,尤其是光谱形状,进而影响土壤线以及VI-LAI关系。正如近期研究发现,作物秸秆残留通常会导致小麦冠层光谱的变化,并且明显地影响VI-LAI模型。另外,田间地表的秸秆残茬还会影响水分的状况,水分与背景的耦合作用会进一步影响VI-LAI模型的稳定性。
随着遥感技术的发展,卫星遥感平台搭载的传感器不仅可以提供可见光-近红外波段,还能提供红边波段和短波红外波段,为陆地植被遥感监测提供丰富的光谱信息。Landsat 8-9卫星能够提供可见光-近红外波段以及短波红外波段,然而在应用过程中受限于它的30m空间分辨率,无法观测我国的离散田块。Worldview-2卫星和RapidEye卫星能够同时提供可见光-近红外波段与红边波段,但它们是商业卫星,在应用过程中具有一定的局限性;而近些年欧空局(欧洲太空局)发射的Sentine-2能够在可见光-近红外波段的基础上,同时提供多个红边波段与短波红外波段。事实上,已有研究证明Sentinel-2红边波段能够改善植被LAI的反演精度。
发明内容
本发明的目的在于提供一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,以同时缓解LAI估算过程中秸秆-土壤背景与LCC的影响,并基于该指数构建小麦叶面积指数估算模型,可在小麦生产过程中实现LAI的早期估算。
为实现上述目的,本发明提供的技术方案是:一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,其步骤如下:
步骤一、数据采集:基于Sentinel-2卫星影像,采集小麦冠层多光谱曲线与田间背景多光谱曲线分别作为“小麦-秸秆-土壤”光谱与“秸秆-土壤”光谱,同步测定小麦叶面积指数LAI,获得建模数据和检验数据;
步骤二、计算秸秆-土壤背景适应红边差值指数,包括:
a、基于小麦冠层光谱计算已有的REDVI:
REDVIc=NIRc-RE2c
其中,REDVIc代表利用冠层光谱计算所得的REDVI,而NIRc和RE2c分别代表Sentinel-2影像获取的小麦冠层光谱NIR与RE2波段反射率;
b、基于田间背景光谱计算已有的REDVI:
REDVIb=NIRb-RE2b
其中,REDVIb代表利用背景光谱计算所得的REDVI,而NIRb和RE2b分别代表Sentinel-2影像获取的小麦田间背景光谱NIR与RE2波段反射率;
c、结合小麦冠层多光谱曲线的RE1和R波段,构建RSARE:
步骤三、构建小麦叶面积指数LAI估算模型:基于建模数据,利用二项式模型性拟合建立RSARE与LAI的关系,确定二项式模型性系数a、b和c,建立小麦LAI估算模型。
步骤四、检验小麦LAI估算模型:利用独立年份的实测数据对小麦LAI估算模型进行验证与测试,验证所得LAI估算模型分别在干燥的秸秆-土壤背景条件下与潮湿的秸秆-土壤背景条件下的表现,同时也验证所得LAI估算模型在本地应用于异地推广应用的稳定性。
进一步的,所述步骤一中,数据采集来自不同年份、不同生态点;采集的样本数据分别作为建模数据集、验证数据集以及测试数据集。具体的,采集小麦冠层多光谱曲线与田间背景多光谱曲线的方法为:获取小麦出苗前的Sentinel-2卫星影像、小麦出苗后各个生育期相应的Sentinel-2卫星影像。Sentinel-2卫星影像经欧洲航天局发布的Sen2Cor与Sen2Res进行影像预处理,采用Sen2Cor进行Sentinel-2卫星影像的辐射定标与大气校正;采用Sen2Res进行Sentinel-2卫星影像粗分辨率波段的降尺度处理,将Sentinel-2卫星影像各波段的空间分辨率提高至10米;通过野外调查获取的小麦样点GPS信息提取预处理后的Sentinel-2卫星影像中的多光谱曲线,即为田间背景多光谱曲线、小麦冠层多光谱曲线。其中,Sentinel-2卫星影像中提取的小麦冠层多光谱曲线和田间背景多光谱曲线红边区域(665nm~783nm)的四个波段信息为R、RE1、RE2和NIR。
在野外调查利用GPS获取小麦样点经纬度信息外,通过统计的方法获取小麦,测定小麦叶面积指数LAI的方法为:在边长为1m*1m的正方形方框中计数小麦的茎蘖数,获取30个小麦茎蘖并且按照器官分离,利用叶面积仪扫描小麦叶片面积,计算1m*1m内所有小麦叶片面积的总和,即小麦叶面积指数。
所述的叶面积仪可以采用美国LI-COR公司生产的LI-3000c叶面积仪。
进一步的,所述步骤一中,数据采集包括:
a、获取GPS信息:在野外调查小麦样点过程中利用手持式GPS仪获取经纬度信息;
b、获取LAI数据:在边长为1m*1m的正方形方框中计数小麦的茎蘖数,而后获取30个小麦茎蘖并且按照器官分离,利用LI-3000c叶面积仪扫描小麦叶片面积,通过计算1m*1m内所有小麦叶片面积的和,即小麦叶面积指数;
c、获取Sentinel-2卫星影像:获取相应区域、相应时间的Sentinel-2影像数据,包括:小麦出苗前的Sentinel-2卫星影像,用于获取田间背景多光谱曲线;小麦出苗后各个生育期相应的Sentinel-2卫星影像,用于获取田间小麦冠层多光谱曲线;
d、Sentinel-2卫星影像预处理:先采用Sen2Cor进行Sentinel-2卫星影像的辐射定标与大气校正,后采用Sen2Res进行Sentinel-2卫星影像粗分辨率波段的降尺度处理,将Sentinel-2卫星影像各波段的空间分辨率提高至10米;
e、获取Sentinel-2多光谱信息:利用野外调查地面样点实测的GPS信息,提取预处理后Sentinel-2卫星影像中相应像元的多光谱信息,获得小麦冠层多光谱曲线与田间背景多光谱曲线;其中Sentinel-2卫星影像中提取的小麦冠层多光谱曲线和田间背景多光谱曲线红边区域包括4个波段信息,为R、RE1、RE2和NIR;小麦冠层多光谱曲线与田间背景多光谱曲线同地面实测LAI构成建模数据和检验数据,用于进行LAI估算模型的构建与验证。
进一步的,所述步骤二中,参照线性光谱混合分析将REDVIc分成三个成分,包括小麦(REDVIw)、秸秆-土壤背景(REDVIb)与误差(e):
REDVIc=αREDVIw+(1-α)REDVIb+e
其中,REDVIw是覆盖度与100%时纯净小麦的冠层光谱计算所得,基于辐射传输模型PROSAIL在最大LAI与最大LCC情况下的模拟结果,获取REDVIw=0.2的结果;α为冠层封闭系数,其数值位于0-100%之间;而e则代表利用线性光谱混合分析分解REDVIc过程中存在的误差;如果e假设为0,则a为:
并且,将e=0与REDVIw=0.2进一步代入线性光谱混合分析的公式后,可以得到:
为了进一步消除所得光谱变量对叶绿素的影响,进一步借鉴已有的修正叶绿素吸收指数:
MCARI=[(r700-r670)-0.2(r700-r550)]·(r700/r670)
=(DVI700,670-0.2·DVI700,550)·(r700/r670)
其中,r代表特定波长位置处的反射率,DVI是下标处两波长位置反射率之间的差值;由于MCARI的第一个括号和上述REDVIc-(1-α)REDVIb相似,并且Sentinel-2在705nm和665nm均设有相应的波段,与MCARI第二个括号中的700nm与670nm相近,因此,在REDVIc-(1-α)REDVIb的基础上进一步乘以r705/r665,即:
其中,RE1c和Rc分别代表位于705nm的Sentinel-2红边波段与位于665nm的Sentinel-2红光波段;上述公式中的系数0.2不影响光谱变量对LAI敏感性的响应,因此,将其去除,获得新指数RSARE:
进一步的,利用PROSAIL模型模拟数据进行测试RSARE-LAI关系,证明RSARE能够在LAI反演过程中缓解秸秆-土壤复杂背景与LCC的影响。
进一步的,所述步骤三中,利用二项式模型拟合RSARE与LAI之间的关系,建立小麦LAI估算模型:
LAI=-2.02×RSARE2+5.66×RSARE+0.31。
进一步的,所述步骤四中、计算相应的决定系数R2、均方根误差RMSE、相对均方根误差RRMSE:
其中,N表示数据集中的样本数,LAIe,n、LAIm,n、,和/>分别表示LAI预测值、LAI实测值、LAI预测值的平均值与LAI实测值的平均值。
更具体的,在干燥的秸秆-土壤背景情况下测试结果为RMSEval=0.55,RRMSEval=20.71%;在潮湿的秸秆-土壤背景情况下测试结果为/>RMSEval=0.81,RRMSEval=24.92%。
申请人通过RSARE估算小麦LAI建模与检验的表现,RSARE及其LAI估算模型能够在小麦生长早期有效地缓解小麦生产过程中秸秆还田后田间“秸秆-土壤”复杂背景、背景水分以及LCC造成的影响,在建模的过程中具有较高的拟合度R2,在验证过程中具有较高的R2与较低的RMSE、RRMSE,该光谱变量能够有效地缓解“秸秆-土壤”混合背景、背景水分与LCC的影响。
与现有技术相比,本发明的有益效果是:
本发明通过构建RSARE及其LAI估算模型,能够有效地缓解小麦生产过程中秸秆还田后田间“秸秆-土壤”复杂背景、背景水分与LCC对LAI估算的影响,尤其是在小麦生长早期。
本发明摆脱了传统土壤植被指数对土壤线的依赖以及对单一土壤背景影响消除的局限,能够有效地缓解秸秆还田后小麦田间复杂背景及背景水分的影响,可基于卫星平台应用于区域尺度小麦叶面积指数的实时、无损和准确的估算。
附图说明
图1为RSARE的构建思路及秸秆还田背景下早期小麦LAI反演模型构建的流程图。
图2为小麦冠层多光谱曲线(即小麦-秸秆-土壤”多光谱曲线)与田间背景多光谱曲线(即“秸秆-土壤”多光谱曲线)。
图3为基于不同秸秆-土壤背景(包括土壤、秸秆与秸秆-土壤背景)与LCC(LCC=30ug·cm-2,50ug·cm-2,70ug·cm-2)的模拟数据绘制的VI-LAI散点图。相应的数据按照三个LCC梯度进行了分类,用于强调不同LCC水平对VI-LAI关系的影响,包括LCC=30ug·cm-2,50ug·cm-2,70ug·cm-2三个水平;结果显示,非红边植被指数与LAI的关系趋向于非线性关系(图3a-e),而秸秆-土壤背景对非红边VI-LAI关系的影响较轻,其中,EVI具有最佳的精度,R2=0.95(图3c)。相比之下,传统红边植被指数与LAI的相关性较弱(图3f-j),而基于REDVI开发的RSARE与LAI的相关性最高(R2=0.96)(图3k)。综上所述,RSARE可以在早期LAI的反演过程中能够减少秸秆-土壤背景与LCC的影响。图3还说明了VI-LAI的关系会随着背景与LCC的变化而变化。例如,在DVI-LAI的散点图中(图3e),代表秸秆背景的散点相对于代表土壤背景的散点明显更加弯曲,说明DVI-LAI的关系会随着土壤表面秸秆的增加从线性关系变为非线性关系;相似的,在CIg-LAI散点图中(图3d),“*”符号(即LCC=70ug/m2)的散点相对于“×”符号(即LCC=30ug/m2)的散点更加弯曲,说明CIg-LAI关系会随着LCC的增加从线性关系变为非线性关系。
图4为模基于不同土壤背景(包括干燥土壤、半湿润土壤与湿润土壤背景)与LCC(LCC=30ug·cm-2,50ug·cm-2,70ug·cm-2)的模拟数据绘制的VI-LAI散点图。结果显示,非红边植被指数受到的背景影响较小,相应的R2在0.71–0.93之间(图4a-e)。其中,SAVI表现最佳,R2=0.93(图4b)。相比之下,传统的红边植被指数收到比较严重的LCC影响,相应的R2普遍较低,在0.53–0.82之间(图4f-j)。而本文所得的RSARE能够同时缓解背景与LCC的影响,与LAI的相关性最高,R2=0.97(图4k)。综上所述,RSARE能够同时适用于传统的土壤背景与秸秆还田后的秸秆-土壤复杂背景,并且相对于已有的植被指数与LAI相关性更高。
图5为基于2021-2022实测的、具有干燥土壤与干燥秸秆-土壤背景的数据集标定VI-LAI模型的散点图。传统的VI-LAI模型在干燥土壤背景条件下能够取得相似的精度,模型标定的精度为(图5a-j)。然而,当利用具有不同秸秆-土壤背景的数据标定时,相应的VI-LAI模型具有较低的精度,/>其中,REDVI具有最高的精度说明它可以减小对秸秆-土壤背景的敏感性。值得注意的是,虽然传统的VI-LAI模型在单一的土壤背景(图5a-j中的红色虚线)或秸秆-土壤背景(图5a-j中的蓝色虚线)下能够取得较好的精度,但是他们在兼具土壤与秸秆-土壤两种背景混合的案例(图5a-j中的黑色虚线)下精度有限,/>位于0.61-0.68之间。相反,RSARE-LAI模型在标定过程中能够取得最高的精度,/>(图5k),受背景影响最小。事实上,无论是在土壤背景下,还是在秸秆-土壤背景下,RSARE-LAI模型均是表现最佳的,精度分别为/>和
图6为基于2021-2022实测的、具有干燥秸秆-土壤背景的数据集验证VI-LAI模型的散点图。由于秸秆-土壤背景的影响,非红边VI-LAI模型的验证精度为RMSE=0.71-1.29和RRMSE=26.79%-48.73%(图6a-e)。另一方面,传统的红边植被指数相对于非红边植被指数具有更高的精度,RMSE与RRMSE分别为0.59-0.77与22.07%-29.03%(图6f-j)。这个结果说明红边波段具有减少秸秆-土壤噪音的能力。总体而言,由于秸秆-土壤背景的影响,NDVI、CIg、NDRE和CIRE趋向于高估LAI,而DVI、REDVI、EVI和MEVI普遍低估LAI,尤其是在LAI高的时候(LAI>2.0)。在所有VI-LAI模型中,RSARE-LAI模型在不同秸秆-土壤背景下表现最稳定,RMSE与RRMSE分别为0.55与20.71%。
图7为基于2017-2018实测的、具有潮湿秸秆-土壤背景的数据集对比传统SARE-LAI与RSARE-LAI模型的表现。其中,数据点利用可以指示田间水分含量的NDWI进行标注。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例1
本实施例基于不同年份野外调查数据及相应Senitnel-2影像数据进行,具体如表1所示:
表1.不同生育期地面调查与Sentinel-2卫星影像获取情况
以2021-2022年苏州市野外调查的实测数据作为建模数据集,其中,该数据集具有较好的***性、较多的样本数量等特点,包括纯土壤背景与秸秆-土壤混合背景的样本,可以测试所得模型在不同背景条件下估算LAI的效果。
以2020-2021年兴化野外调查的实测数据作为验证数据集,相对于建模数据,验证数据集要求较低,样本数较少,且受不同年份、不同生态点环境差异的影响,可以用于测试所得LAI估算模型在不同地理位置以及不同年份推广应用的普适性。
以2017-2018年兴化调查的实测数据作为测试数据集,由于卫星过境前存在云雨天气,该数据集表现为潮湿的秸秆-土壤混合混合背景,并且由于云层的遮挡问题,该数据集仅有21个有效的样本,即便如此,它也可以用于测试所得LAI估算模型在不同水分条件秸秆-土壤背景下的表现。
一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,具体步骤如下:
步骤(1)、数据采集
a、获取GPS信息:在野外调查小麦样点过程中利用手持式GPS仪获取经纬度信息。
b、获取LAI数据:在边长为1m*1m的正方形方框中计数小麦的茎蘖数,而后获取30个小麦茎蘖并且按照器官分离,利用LI-3000c叶面积仪(美国LI-COR公司)扫描小麦叶片面积,通过计算1m*1m内所有小麦叶片面积的和,即小麦叶面积指数。
c、获取Sentinel-2卫星影像:从欧空局官网(https://scihub.copernicus.eu/dhus/#/home)获取相应区域、相应时间的Sentinel-2影像数据,包括:小麦出苗前的Sentinel-2卫星影像,用于获取田间背景多光谱曲线;其中,小麦出苗后各个生育期相应的Sentinel-2卫星影像,用于获取田间小麦冠层多光谱曲线。
d、Sentinel-2卫星影像预处理:先采用Sen2Cor进行Sentinel-2卫星影像的辐射定标与大气校正,后采用Sen2Res进行Sentinel-2卫星影像粗分辨率波段的降尺度处理,将Sentinel-2卫星影像各波段的空间分辨率提高至10米。
e、获取Sentinel-2多光谱信息:利用野外调查地面样点实测的GPS信息,提取预处理后Sentinel-2卫星影像中相应像元的多光谱信息,获得如图1所示的小麦冠层多光谱曲线(即小麦-秸秆-土壤”多光谱曲线)与田间背景多光谱曲线(即“秸秆-土壤”多光谱曲线),Sentinel-2卫星影像中提取的小麦冠层多光谱曲线和田间背景多光谱曲线红边区域包括4个波段信息,为R、RE1、RE2和NIR;小麦冠层多光谱曲线与田间背景多光谱曲线同地面实测LAI构成建模数据和检验数据,用于进行LAI估算模型的构建与验证。
步骤(2)、基于小麦出苗前田间背景光谱红边区域波段与小麦出苗后各生育期小麦田间冠层光谱红边区域波段构建新型指数RSARE(Residue-soil adjusted red edgedifference index):
a、计算小麦冠层多光谱曲线的REDVI:
REDVIc=NIRc-RE2c
b、计算田间背景多光谱曲线的REDVI:
REDVIb=NIRb-RE2b
c、结合小麦冠层多光谱曲线的RE1和R波段,构建RSARE
步骤(3)、基于建模数据,利用二项式模型拟合RSARE与LAI之间的关系,建立小麦LAI估算模型:
LAI=-2.02×RSARE2+5.66×RSARE+0.31
步骤(4)、检验小麦LAI估算模型:利用独立年份的实测数据对小麦LAI估算模型进行验证与测试,验证所得LAI估算模型分别在干燥的秸秆-土壤背景条件下与潮湿的秸秆-土壤背景条件下的表现,同时也验证所得LAI估算模型在本地应用于异地推广应用的稳定性;计算相应的决定系数(R2)、均方根误差(RMSE,Root mean square difference)、相对均方根误差(RRMSE,Relative root mean square difference):
其中,N表示数据集中的样本数,LAIe,n、LAIm,n、,和/>分别表示LAI预测值、LAI实测值、LAI预测值的平均值与LAI实测值的平均值。
检验结果如图2-6所示,通过模拟数据验证显示,RSARE能够缓解传统的土壤背景、秸秆还田后的秸秆-土壤混合背景以及LCC的影响,相对于已有的植被指数效果最佳。在模型构建的过程中,RSARE由于缓解了秸秆-土壤混合背景,取得最佳的建模精度,具体为R2=0.72。在干燥的秸秆-土壤背景条件下的验证结果中,RSARE相对于已有植被指数取得最佳的表现,具体精度为RMSEval=0.55,RRMSEval=20.71%;在潮湿的秸秆-土壤背景条件下的验证结果同样由于传统植被指数,具体精度为/>RMSEval=0.81,RRMSEval=24.92%。
本实施例构建的RSARE能够消除秸秆还田后小麦田间复杂背景的影响,包括传统的土壤背景、秸秆还田后的秸秆-土壤混合背景以及相应的背景水分影响,同时,也可以缓解LCC的影响,进而综合地改善小麦LAI的估算,尤其是改善小麦生长早期的LAI估算。所得LAI估算模型具有鲁棒性。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解,上述实施例不以任何形式限制本发明的保护范围,凡采用等同替换等方式所获得的技术方案,均落于本发明的保护范围内。本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (7)
1.一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,其特征在于步骤如下:
步骤一、数据采集:基于Sentinel-2卫星影像,采集小麦冠层多光谱曲线与田间背景多光谱曲线分别作为“小麦-秸秆-土壤”光谱与“秸秆-土壤”光谱,同步测定小麦叶面积指数LAI,获得建模数据和检验数据;
步骤二、计算秸秆-土壤背景适应红边差值指数,包括:
a、基于小麦冠层光谱计算已有的REDVI:
REDVIc=NIRc-RE2c
其中,REDVIc代表利用冠层光谱计算所得的REDVI,而NIRc和RE2c分别代表Sentinel-2影像获取的小麦冠层光谱NIR与RE2波段反射率;
b、基于田间背景光谱计算已有的REDVI:
REDVIb=NIRb-RE2b
其中,REDVIb代表利用背景光谱计算所得的REDVI,而NIRb和RE2b分别代表Sentinel-2影像获取的小麦田间背景光谱NIR与RE2波段反射率;
c、结合小麦冠层多光谱曲线的RE1和R波段,构建RSARE:
步骤三、构建小麦叶面积指数LAI估算模型:基于建模数据,利用二项式模型性拟合建立RSARE与LAI的关系,确定二项式模型性系数a、b和c,建立小麦LAI估算模型。
步骤四、检验小麦LAI估算模型:利用独立年份的实测数据对小麦LAI估算模型进行验证与测试,验证所得LAI估算模型分别在干燥的秸秆-土壤背景条件下与潮湿的秸秆-土壤背景条件下的表现,同时也验证所得LAI估算模型在本地应用于异地推广应用的稳定性。
2.根据权利要求1所述的一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,其特征在于,所述步骤一中,数据采集来自不同年份、不同生态点;采集的样本数据分别作为建模数据集、验证数据集以及测试数据集。
3.根据权利要求1或2所述的一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,其特征在于,所述步骤一中,数据采集包括:
a、获取GPS信息:在野外调查小麦样点过程中利用手持式GPS仪获取经纬度信息;
b、获取LAI数据:在边长为1m*1m的正方形方框中计数小麦的茎蘖数,而后获取30个小麦茎蘖并且按照器官分离,利用LI-3000c叶面积仪扫描小麦叶片面积,通过计算1m*1m内所有小麦叶片面积的和,即小麦叶面积指数;
c、获取Sentinel-2卫星影像:获取相应区域、相应时间的Sentinel-2影像数据,包括:小麦出苗前的Sentinel-2卫星影像,用于获取田间背景多光谱曲线;小麦出苗后各个生育期相应的Sentinel-2卫星影像,用于获取田间小麦冠层多光谱曲线;
d、Sentinel-2卫星影像预处理:先采用Sen2Cor进行Sentinel-2卫星影像的辐射定标与大气校正,后采用Sen2Res进行Sentinel-2卫星影像粗分辨率波段的降尺度处理,将Sentinel-2卫星影像各波段的空间分辨率提高至10米;
e、获取Sentinel-2多光谱信息:利用野外调查地面样点实测的GPS信息,提取预处理后Sentinel-2卫星影像中相应像元的多光谱信息,获得小麦冠层多光谱曲线与田间背景多光谱曲线;其中Sentinel-2卫星影像中提取的小麦冠层多光谱曲线和田间背景多光谱曲线红边区域包括4个波段信息,为R、RE1、RE2和NIR;小麦冠层多光谱曲线与田间背景多光谱曲线同地面实测LAI构成建模数据和检验数据,用于进行LAI估算模型的构建与验证。
4.根据权利要求1所述的一一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,其特征在于,所述步骤二中,参照线性光谱混合分析将REDVIc分成三个成分,包括小麦(REDVIw)、秸秆-土壤背景(REDVIb)与误差(e):
REDVIc=αREDVIw+(1-α)REDVIb+e
其中,REDVIw是覆盖度与100%时纯净小麦的冠层光谱计算所得,基于辐射传输模型PROSAIL在最大LAI与最大LCC情况下的模拟结果,获取REDVIw=0.2的结果;α为冠层封闭系数,其数值位于0-100%之间;而e则代表利用线性光谱混合分析分解REDVIc过程中存在的误差;如果e假设为0,则a为:
并且,将e=0与REDVIw=0.2进一步代入线性光谱混合分析的公式后,可以得到:
为了进一步消除所得光谱变量对叶绿素的影响,进一步借鉴已有的修正叶绿素吸收指数:
MCARI=[(r700-r670)-0.2(r700-r550)]·(r700/r670)
=(DVI700,670-0.2·DVI700,550)·(r700/r670)
其中,r代表特定波长位置处的反射率,DVI是下标处两波长位置反射率之间的差值;由于MCARI的第一个括号和上述REDVIc-(1-α)REDVIb相似,并且Sentinel-2在705nm和665nm均设有相应的波段,与MCARI第二个括号中的700nm与670nm相近,因此,在REDVIc-(1-α)REDVIb的基础上进一步乘以r705/r665,即:
其中,RE1c和Rc分别代表位于705nm的Sentinel-2红边波段与位于665nm的Sentinel-2红光波段;上述公式中的系数0.2不影响光谱变量对LAI敏感性的响应,因此,将其去除,获得新指数RSARE:
5.根据权利要求1或4所述的一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,其特征在于,利用PROSAIL模型模拟数据进行测试RSARE-LAI关系,证明RSARE能够在LAI反演过程中缓解秸秆-土壤复杂背景与LCC的影响。
6.根据权利要求1或4所述的一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,其特征在于,所述步骤三中,利用二项式模型拟合RSARE与LAI之间的关系,建立小麦LAI估算模型:
LAI=-2.02×RSARE2+5.66×RSARE+0.31。
7.根据权利要求1所述的一种缓解LCC与秸秆-土壤背景影响的小麦绿色LAI估算方法,其特征在于,所述步骤四中、计算相应的决定系数R2、均方根误差RMSE、相对均方根误差RRMSE:
其中,N表示数据集中的样本数,LAIe,n、LAIm,n、,和/>分别表示LAI预测值、LAI实测值、LAI预测值的平均值与LAI实测值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310400044.2A CN116593419B (zh) | 2023-04-14 | 2023-04-14 | 一种缓解lcc与秸秆-土壤背景影响的小麦lai估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310400044.2A CN116593419B (zh) | 2023-04-14 | 2023-04-14 | 一种缓解lcc与秸秆-土壤背景影响的小麦lai估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116593419A true CN116593419A (zh) | 2023-08-15 |
CN116593419B CN116593419B (zh) | 2024-02-27 |
Family
ID=87592742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310400044.2A Active CN116593419B (zh) | 2023-04-14 | 2023-04-14 | 一种缓解lcc与秸秆-土壤背景影响的小麦lai估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116593419B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 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 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN109115725A (zh) * | 2018-06-14 | 2019-01-01 | 中国农业大学 | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 |
CN111652347A (zh) * | 2020-04-23 | 2020-09-11 | 中国科学院空天信息创新研究院 | 一种粒子群算法改进神经网络反演叶面积指数方法 |
CN113159420A (zh) * | 2021-04-21 | 2021-07-23 | 苏州科技大学 | 一种GSA-MLs相结合的小麦LAI估算方法 |
CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
-
2023
- 2023-04-14 CN CN202310400044.2A patent/CN116593419B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 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 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN109115725A (zh) * | 2018-06-14 | 2019-01-01 | 中国农业大学 | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 |
CN111652347A (zh) * | 2020-04-23 | 2020-09-11 | 中国科学院空天信息创新研究院 | 一种粒子群算法改进神经网络反演叶面积指数方法 |
CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN113159420A (zh) * | 2021-04-21 | 2021-07-23 | 苏州科技大学 | 一种GSA-MLs相结合的小麦LAI估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116593419B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022166939A1 (zh) | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 | |
CN112711989B (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
CN111855595B (zh) | 一种基于黑白校准板的光谱数据校准方法 | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
Urban et al. | Estimating sowing dates from satellite data over the US Midwest: A comparison of multiple sensors and metrics | |
Jiao et al. | The sensitivity of multi-frequency (X, C and L-band) radar backscatter signatures to bio-physical variables (LAI) over corn and soybean fields | |
CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN113237836A (zh) | 一种基于高光谱图像的烤烟叶水分含量估测方法 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
CN114676636A (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 | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和*** | |
CN116593419B (zh) | 一种缓解lcc与秸秆-土壤背景影响的小麦lai估算方法 | |
CN114117908A (zh) | 基于cgan进行数据校正的高精度asi海冰密集度反演算法 | |
CN113159420A (zh) | 一种GSA-MLs相结合的小麦LAI估算方法 | |
WO2024098587A1 (zh) | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 | |
CN117274798A (zh) | 基于正则化的时序变分模型的遥感水稻识别方法 | |
CN115203911B (zh) | 遥感载荷在轨绝对辐射定标系数业务化计算方法及装置 | |
CN114755189B (zh) | 一种特征优选的自注意力机制高光谱卫星lai反演方法 | |
CN114529838A (zh) | 基于卷积神经网络的土壤含氮量反演模型构建方法及*** | |
CN114136445A (zh) | 一种提高无人机机载高光谱辐射校正精度的方法 | |
CN111476172B (zh) | 植物物种beta多样性的估算方法及*** | |
CN111507223B (zh) | 植物物种beta多样性的估算方法及*** | |
Nemiña et al. | Novel method for measuring and processing field spectral data for water quality applications |
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 | ||
CB02 | Change of applicant information |
Address after: 210043 Jiangsu Nanjing Qixia District Bagua Zhou street Jiangsu Qixia modern agriculture industrial park Nanjing Agricultural University modern horticulture industry science and Technology Innovation Center Applicant after: NANJING AGRICULTURAL University Address before: Weigang Xuanwu District of Nanjing Jiangsu province 210095 No. 1 Applicant before: NANJING AGRICULTURAL University |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |