论文部分内容阅读
绿色植物是陆地生态系统中最重要的组成部分,具有保持水土、防风固沙、涵养水源、美化环境等多种生态功能。植物内部包含的叶肉结构参数N、等效水厚度Cw、干物质含量Cm、叶绿素含量Cab等称为植物的生化组分参数。其中,叶绿素含量是定量表示植物光合作用能力的一种生物物理参量,是植物生长状态的监测器。因此实时动态地估算绿色植物所包含的叶绿素含量,可以及时为农业决策者监测作物长势、防止病虫害提供信息,为现代农业的可持续发展提供重要的理论依据。2017年5月16-18日在河北省石家庄市栾城区进行野外实测,收集43个冬小麦采样点的经纬度、叶面积指数LAI、叶倾角MTA、株高等参数,通过室内实验室方法测定冬小麦叶绿素含量、含水量等数据。选取与叶绿素含量相关性较高的归一化植被指数NDVI和光化学植被指数PRI,使用PROSAIL模型模拟植被指数对生化组分参数的敏感性。利用植被指数与叶绿素含量建立叶绿素含量估算模型,结合2017年5月15日的Landsat-8 OLI影像数据,估算冬小麦叶绿素含量。基于神经网络算法(BPNN),建立基于BPNN的叶绿素含量估算模型并进行精度验证。结论如下:通过PROSAIL模型,对叶片生化组分进行模拟,得到NDVI和PRI对各生化组分的敏感性。在叶片尺度下,NDVI对叶肉结构参数N和叶绿素浓度Cab变化有着高敏感性;NDVI对干物质浓度Cm和等效水厚度CW不敏感。在冠层尺度下,NDVI对叶面积指数LAI、观测天顶角VZA、叶倾角分布LAD和太阳高度角均具有较高的敏感性。PRI对叶肉结构参数N、干物质含量Cm以及叶绿素含量Cab的敏感性较高;对等效水厚度Cw的敏感性较低。在冠层尺度上,PRI对LAI和VZA具有较低的敏感性,对LAD和太阳高度角的敏感性较高。通过PROSAIL模型模拟,分析了不同植被指数与叶绿素含量的关系。当VZA为0°、30°、60°、90°时,随着叶绿素含量的增加,叶绿素植被指数CVI、光化学植被指数PRI、比值植被指数RVI、归一化植被指数NDVI、优化型土壤调节植被指数OSAVI、差值植被指数DVI的值逐渐增加。优化型叶绿素吸收率指数MCARI、归一化绿红差值植被指数NDGRI和增强型植被指数EVI的值随着叶绿素含量的增加而降低。植被指数CVI、PRI、RVI、NDVI、OSAVI和NDGRI的值,随着VZA的增大而减小;MCARI、EVI和DVI的值,随着VZA的增大而增大。将野外实测数据和Landsat-8 OLI遥感影像结合,建立叶绿素含量估算模型,估算出栾城区冬小麦叶绿素含量。通过植被指数与实测叶绿素含量决定系数R2可知,CVI与叶绿素含量之间的R2为0.485,其次是RVI,NDVI最低。由精度验证可知,CVI实测值与估算值的决定系数0.697,均高于RVI和NDVI;均方根误差RMSE和相对误差RE的大小顺序:RVI<CVI<NDVI,RVI的RMSE仅为2.729,相对误差为0.095。因此基于遥感图像和植被指数对叶绿素进行估算时,RVI和CVI可以够取得更高的估算精度,估算效果较好。基于BP神经网络模型估算叶绿素含量,利用CVI、NDVI和RVI三种植被指数建立了叶绿素估算模型,并进行精度验证。从40个点中选取20个点建立叶绿素含量估算模型,CVI、RVI和NDVI与叶绿素含量估算值的R2分别为0.547、0.522、0.478。利用剩余20个点进行精度验证,CVI的估算值与实测值之间的决定系数为0.729,均高于RVI(0.702)和NDVI(0.674)。CVI的均方根误差和相对误差均高于RVI和NDVI,而RVI的均方根误差为2.558,相对误差仅为0.046,RVI的估算值与实测值之间两种误差均较小。综上分析,基于BPNN的三种叶绿素估算模型中,利用RVI建立的估算模型可以取得较好的估算效果。