论文部分内容阅读
叶片是植被冠层的重要组成部分,叶片的光合作用在调节全球气候变化中起着至关重要的作用。植被叶片生理参数的遥感反演在精准农业和碳氮循环等方面都有许多重要的应用。叶片的光学特性是反演叶片生理参数的重要依据。传统的叶片参数反演方法包括经验统计模型方法、物理模型方法、混合反演方法3种。经验统计模型方法的通用性和普适性较低;物理模型方法的反演精度有限;混合反演方法会将模型误差传递给反演结果。传统高光谱图像PCA变换是基于波段间的自相似特征,通过光谱维主成分变换,实现数据降维、去噪等。本文基于叶片反射率光谱自相似的特征,提出了基于样本维主成分变换的叶片光学特性重构和叶片生化组分反演的新方法。论文的主要工作和结论如下:1、发展了一种基于样本维主成分变换(PCA)的叶片光学特性重构方法,可以利用少数几个主成分光谱,通过线性最小二乘方法,实现叶片光谱反射率的高精度重构。通过对训练数据集进行主成分变换得到的前10个主成分,包含了训练数据集99.998%的主要信息,利用前10个主成分重构实验数据集的原始光谱反射率,得到重构的叶片光谱反射率和主成分权重系数,重构光谱的均方根误差的均值范围为5.56 ×10-5到6.18 ×10-3。2、提出了基于主成分分析方法的叶片生化组分反演方法。由于叶片反射率光谱的高度相似性,重构光谱得到的主成分权重系数与叶片参数密切相关。如果只选取最对叶片参数最敏感的权重系数进行建模,反演比叶重SLW,类胡萝卜素Car经验统计模型的决定系数R2分别为0.69,0.68。所以需要利用敏感的权重系数组合与叶片参数线性回归,建立可靠的反演模型,最终反演比叶重SLW,等效水厚度EWT,叶绿素Cab和类胡萝卜素Car经验统计模型的决定系数R2分别为0.94,0.99,0.94和0.89。利用PROSPECT模拟数据集,ANGERS数据集和LOPEX93数据集对基于主成分分析方法的叶片参数反演模型进行验证。以ANGERS数据集的验证结果为例,比叶重SLW的RMSE=0.00173 g/cm2,R2=0.81;等效水厚度 EWT 的 RMSE=0.0036cm,R2=0.83;叶绿素 Cab 的 RMSE=6.34μg/cm2,R2=0.92;类胡萝卜素 Car 的 RMSE=2.77μg/cm2,R2=0.71。选取13个植被光谱指数,利用这些光谱指数与训练数据的相关叶片参数进行建模,对基于光谱指数的叶片参数反演模型进行验证。将基于主成分分析方法的反演结果分别与传统光谱指数方法的反演结果,基于物理模型方法的反演结果进行比较,结果表明,基于主成分分析方法建立的反演模型反演叶片参数的精度与传统植被光谱指数方法或物理模型方法的反演精度相比,具有相似或更高的精度。3、基于主成分分析方法利用有效的波段信息重构全部光谱反射率,达到对信噪比低的波段进行光谱恢复的目的。利用训练数据集的前10个主成分对有效波段的光谱反射率进行重构,得到重构的光谱反射率和主成分权重系数,通过这些权重系数与主成分光谱模拟出需要恢复的波段光谱反射率。恢复光谱的均方根误差范围能达到6.46 × 10-4至6.44×10-2,并且能够利用恢复光谱建立植被指数反演模型,精确地反演叶片参数。