论文部分内容阅读
随着高光谱遥感技术的发展、数据处理算法的多样化以及对森林生态系统掌握的迫切需求,利用高光谱遥感数据对森林生化成分含量进行估测就显得极具价值。叶绿素是植被生理特征的主要表征之一,对叶绿素含量进行准确地估算,也就间接掌握了森林的健康状况。利用高光谱遥感技术,建立高光谱特征参数与叶绿素含量间的高精度估算模型,可改进传统森林冠层叶片叶绿素含量测定方法,为实现大区域、实时、准确、无损估测森林叶绿素含量及变化,建设与研究森林生态系统服务。以湖南攸县黄丰桥国有林场杉木幼龄、中龄、成熟林为研究对象,利用便携式ASD野外光谱辐射仪对冠层叶片光谱进行测定,利用分光光度法对叶片叶绿素含量进行提取。采用光谱微分技术提取杉木11个红边参数,并对其与叶绿素含量进行了相关性分析;选取相关关系达极显著水平的参数建立估算叶绿素含量的一元统计回归模型；将杉木11个红边参数作为待选变量,运用逐步回归分析法建立用于估算叶绿素含量的多元线性回归模型；对杉木11个红边参数利用主成分分析进行降维,以主成分得分作为网络输入,用遗传算法优化单隐层BP神经网络得到网络初始权值和阈值,并对网络进行训练,建立基于PCA的GA-BP神经网络模型,对杉木冠层叶片叶绿素含量进行预测。采用国际上常用的决定系数(R2)、均方根差(RMSE)、相对误差(RE)对模型的预测值和实测值之间的符合度进行评价和验证。结果表明：1.与杉木冠层叶片叶绿素含量呈极显著相关关系的参数有：红边位置、红边振幅、红边面积、红边幅值各向异性指数以及红边宽度。2.以红边位置为自变量建立的幂函数y=3.23×10-52X18.14703回归模型预测精度最高,达到99.765%。3.多元线性回归模型y=-20.984+0.031x1+0.009x2+29.619x3(x1代表红边位置；x2代表红边宽度；x3代表红边振幅)预测精度达到91.9%。4.对单隐层不同神经元数(4、6、8、10、12、14)的神经网络模型预测精度进行对比发现：隐含层神经元数设定为10时,R2达到0.976,预测精度达到97.372%,具有相对最优的预测效果。5.利用杉木红边参数快速估算叶绿素含量是可行的,所建立的叶绿素含量估算模型预测精度均达到91.0%以上,其中以红边位置为自变量建立的幂函数估算模型预测精度最高,可选定为最优估算模型。本研究得到了国家自然科学基金项目“森林树种波谱特性及生化成分相关性研究(30871962)”及高等学校博士学科点专项科研基金“南方乔木树种高光谱遥感测定与分析(200805380001)”的支持。