论文部分内容阅读
【摘 要】 高光谱遥感技术作为反演农作物叶面积指数(LAI)的一个有力工具,近几年来已经越来越被国内外学者所重视。本文比较系统地总结了利用高光谱遥感反演LAI值的一般方法,即包括试验田建立、光谱数据采集、LAI值测定、HVI值计算、反演模型的生成五个步骤。总结出了一些常见农作物的最佳的LAI值定量反演模型,便于今后相关研究时查阅。
【关键词】 高光谱遥感;叶面积指数(LAI);反演模型
1 引言
遥感技术是指远距离、 在不直接接触目标物体情况下,通过接收目标物体反射或辐射的电磁波,探测地物波谱信息,并获取目标地物的光谱数据与图像,从而实现对地物的定位、 定性或定量的描述。随着遥感技术的不断发展,遥感传感器的数据获取技术趋向于“三多”和“三高”方向发展,“三多”是指多平台、多传感器、多角度获得遥感数据;“三高”则指高空间分辨率、高光谱分辨率和高时相分辨率遥感数据的获取[1]。
现代遥感技术应用于农业生产已经有 20多年的历史,该技术在作物认别、 面积计算、作物长势监测、灾害评估和产量估计等方面取得了重大成绩。高光谱遥感是高光谱分辨率遥感((Hyper spectral Remote Sensing)的简称,是指利用高光谱传感器以高光谱分辨率获取连续的地物光譜图像的遥感技术,这里的高光谱分辨率是指传感器用于探测地物的电磁波总波段宽度较宽(如MODIS传感器达到了0.4~14.5um)、波段数较多(如美国 Analytical Spectral Devic公司生产的 FieldSpec Pro FR2500型背挂式野外高光谱辐射仪输出波段数多达2150个)、每个子波段的波段宽度较窄(如MODIS传感器的最小子波段宽度为5~10nm)[2]。高光谱遥感与常规遥感的区别在于常规遥感又称宽波段遥感, 每个子波段的波段宽度一般为100 nm,且波段在波谱上不连续,并不完全覆盖整个可见光至红外光 (0.4~2.4μm)光谱范围[3]。高光谱遥感的出现是遥感界的一场革命,它使本来在宽波段遥感中不可探测的物质在高光谱遥感中能被探测到。
目前,国内外在利用高光谱遥感手段反演植物的绿色叶面积指数,进而控制精准农业生产的技术方面有很多的研究。植物的绿色叶面积指数(LAI)是表征植被光合面积大小和冠层结构的重要参数。它参与许多生物和物理过程,与植物的呼吸蒸腾、太阳光吸收、通风透光、雨水的吸收等密切相关,同时还是作物生产中判断作物长势优劣的重要参数。因此,实时、动态监测作物LAI值状况具有重要意义。而高光谱遥感技术以其快速、无损和大面积探测等特点,正逐步成为LAI值估测的有力工具。
2 叶面积指数反演的一般建模方法及精度评定
近年来,虽然在高光谱遥感技术反演植物的绿色叶面积指数,进而指导精准农业这一领域的相关研究较多,但综合地总结并指导相关反演模型建立方法的文献却不多。本文在该领域各位先驱研究学者的研究、实践基础上,比较系统地总结出了高光谱植被指数与农作物叶面积指数之间定量模型的建立方法应当包括试验田建立、光谱数据采集、LAI值测定、HVI值计算、反演模型的生成五个步骤,并阐述了反演模型用于实际生产中的农作物LAI值的反演评估情况。
2.1试验田的建立
为了确定农作物叶面积指数(LAI)与农作物光谱特性之间的定量关系,一般需要针对欲研究的农作物建立试验田,试验田要充分模拟自然界中该农作物在各种生长情况下的理化特征,如农作物的正常生长情况、缺少肥料的情况、施肥过量的情况、缺水情况、过渡灌溉情况等等,便于之后采集的农作物高光谱数据具有一般性。
目前国内外主要采取物理胁迫以及化学胁迫的方法对试验田中的农作物作相关处理,使试验田中的农作物尽可能全面的包含在自然界中的各种生长情况。通过胁迫实验使所采集到的农作物光谱数据包含了农作物在各种生长条件下的反射光谱, 可保证之后所建立的定量模型有较广泛的适应性和一般性。
2.2农作物高光谱数据测量
这一步采集到的目标作物光谱数据将应用于定量模型的建立,因此对精度要求较高,目前一般不采用国内外正在使用的高光谱传感器如MODIS、ASTER、Hyperion、ARIES等获取目标作物的光谱数据,因为这些搭载于卫星平台的传感器对目标地物的探测或多或少均会受到大气影响或其他辐射干扰。目前国内外研究更多的是采用更为便捷的背挂式高光谱传感器来获取农作物的光谱数据,如美国 Analytical Spectral Device (ASD)公司生产的 FieldSpec Pro FR2500型背挂式野外高光谱辐射仪(波段范围为 350~2500 nm,其中 350~1000 nm光谱采样间隔为 114 nm,光谱分辨率为 3 nm; 1000~2500 nm光谱采样间隔为 2 nm,光谱分辨率为 10 nm,仪器视场角为 25°,输出波段数为 2150)、Cropscan公司生产的 MSR-16 型多光谱仪以及Oklahoma 州立大学设计的 GreenSeeker RT 100 便携式主动光谱仪等[6]。
农作物的光谱数据采集应选择晴朗、云较少的天气,且于当地时间10:00-15:00采集,以保证有较高的太阳高度角,这对如Analytical Spectral Device公司生产的FieldSpec Pro FR2500及Cropscan公司生产的 MSR-16 型多光谱仪等被动式传感器尤为重要,在这样的条件下,农作物可以更好地反射太阳辐射,传感器接收到的反射辐射能量能更全面地反映农作物的各种理化特征。
传感器探头距离农作物冠层约1m采集目标作物的光谱信息。在每个农作物实验小区内适当选取5~10个视场,每个视场重复观测5~10次,同一视场通过5~10次测量采集到的光谱数据取平均值作为本视场的最终值,每个小区内的5~10个视场的最终值取平均作为本小区内农作物光谱数据采集的最终值。需要注意的是,每次采集目标光谱前都要对传感器进行参考板校正。 2.3农作物LAI值测定
目标作物LAI值的测定应当与光谱数据的测量同时进行。目前国内外测量LAI值的主要方法有干重法(干质量法)等,也有利用相关仪器如美国 LI-COR公司生产的LAI值-2000对目标作物的LAI值进行获取的先例[4]。得出目标作物精确的LAI值后,可以进一步建立目标作物LAI值与光谱特征之间的定量模型。
2.4 各种高光谱植被指数(HVI)的计算
将采集到的目标作物的光谱数据经过去噪及基线校正等预处理后,通过相关模型运算得出各种高光谱植被指数(Hyperspectral Vegetation Indices, HVI)。在具体的研究分析时,可以采取某些经典算法模型,也可以提出一些实验算法模型,有时通过恰当的实验算法模型可以得到比经典算法更为精确的反演目标作物生长情况的高光谱植被指数。下表列出了已有文献中总结的计算高光谱植被指数的各种经典算法模型[5]。
2.5 高光谱植被指数(HVI)与作物叶面积指数(LAI)之间反演模型的生成及模型的精度评定
将2.2中每一个实验小区内获取的作物光谱数据的最终值和与其同时测定得到的该小区内作物LAI值称作一份样本数据,即一个实验小区内作物的光谱数据和LAI值对应一份样本数据。将获取的多份样本数据按约3:1的比例分为两部分,数据较多的部分一般用作定量模型的建立,另一部分用作定量模型的检验。
将2.4中计算得出的各种高光谱植被指数(HVI)作为自变量x,作物LAI值作为因变量y,经过反复尝试,在指数回归、对数回归、一次多项式回归、二次多项式回归等回归模型中选择最佳回归模型建立定量模型。即选择一种最佳的回归模型,使自变量x对因变量y的拟合程度最佳。一般利用校正决定系数(C-R2)、校正均方根误差( RMSEC) 作为对模型的拟合精度进行评价的指标,得出拟合精度最高的定量模型。
定量模型建立后,可以利用样本数据中用于模型检验的数据对模型进行检验,进一步比较各个高光谱植被指数(即不同的x值)所建立的定量模型对未知样本的适应性。将各种模型预测出的LAI值与真实LAI值进行比较分析,以预测决定系数(P-R2)作为主要依据, 并结合预测均方根误差(RMSEP)对模型的检验结果进行评价,得出预测精度最高的定量模型。
选择对建模样本数据有最好的拟合效果,同时对验模样本数据有最好的预测效果的一个或两个定量模型,作为目标作物高光谱植被指数与LAI值之间最佳的反演模型。
值得指出的是,针对不同的农作物,对其反演效果最佳的高光谱植被指数一般是不同的,进而建立的反演模型也不同。如水稻,相关研究证实蓝边内一阶微分的总和与红边内一阶微分总和的比值和归一化差植被指数建立的反演模型是最佳模型,而小麦却为OSAVI指数建立的反演模型为最佳。
2.6 反演模型在农作物LAI值预测中的应用
利用MODIS、OMIS等传感器获取的高光谱遥感影像,进行影像分类,提取出目标农作物的覆盖范围,在影像中计算出目标农作物覆盖区域的高光谱植被指数,再利用建立的反演模型逐像元对影像进行解算,最终得出目标农作物的覆盖范围内的所有LAI值。之后可以根据LAI值进一步对影像进行彩色密度分割,制作相关专题地图等。
为了进行反演精度评价,在高光谱遥感影像获取的同时,在目标地区选取若干地面个检验点,实测该点目标作物的LAI值,并记录该点的坐标。根据记录的检验点坐标,在获取到的高光谱遥感影像上找出对应点,比较实测的LAI值和预测出的LAI值,评价反演精度。
整个反演模型的建立过程和模型应用过程可以用下面的流程图总结:
3 一些常见农作物的叶面积指数定量模型
通关对国内外文献对各种农作物叶面积指数反演模型建立结果的查阅与总结,列出常见农作物的最佳LAI值定量模型如下表,以便在进行相关研究时提供一定参考信息。
4 讨论
目前,国内外在利用高光谱遥感技术反演地面农作物的各种理化性质(如LAI值、叶绿素含量、氮磷钾等养分含量及水分含量等),进而指导精准农业生产的研究有很多。建立高光谱植被指数(HVI)与农作物的各种理化性质之间的定量模型的步骤同本文第二部分总结的方法基本一致,只需在2.3步中根据欲研究的作物理化性质,与光谱测量同步测量该种理化性质,进一步建立模型。
从国内外研究情况来看,利用高光谱遥感技术反演农作物的各种理化性质,进而指导精准农业生产的研究也遇到了一些待解决的问题。如:目前高光谱遥感技术在农业上的应用主要停留在建立单种作物的光谱特征与理化性质方面,对群体作物的研究较少;建模时对光谱数据的采集往往是利用地面传感器完成,但考虑到实际生产中目标作物地区的宏观性,生产实践中往往利用机载或者星载传感器对目标作物地区进行光谱数据采集,这时采集到的光谱数据不可避免地要受到大气等其他因素的影像,造成生产实践中采集到的光谱数据和建模时采集的光谱数据存在差异性;目前所建立的各种定量模型大多都只能反映目标作物在特定生育阶段、生长条件及测量因素等諸多因素下的特殊情况,其一般性较差。
遥感技术作为一门比较年轻却十分重要技术,受到了国内外学者的广泛关注,随着传感器、卫星等硬件制造水平的不断进步,遥感技术也会更为迅猛的发展,对遥感技术的研究也将不断深入。利用高光谱遥感技术指导农业生产在农业生产自动化、规模化中占有重要的地位,相信随着遥感技术的不断发展,这项技术在农业生产中将有更广阔的应用前景。
参考文献:
[1]宁津生等 测绘学概论[M].武汉:武汉大学出版社,2004
[2]孙家炳 遥感原理与应用[M].武汉:武汉大学出版社,2009
[3]洪霞等.高光谱遥感在精准农业生产中的应用[J].安徽农业科学,2010,38(1):529-531,540
【关键词】 高光谱遥感;叶面积指数(LAI);反演模型
1 引言
遥感技术是指远距离、 在不直接接触目标物体情况下,通过接收目标物体反射或辐射的电磁波,探测地物波谱信息,并获取目标地物的光谱数据与图像,从而实现对地物的定位、 定性或定量的描述。随着遥感技术的不断发展,遥感传感器的数据获取技术趋向于“三多”和“三高”方向发展,“三多”是指多平台、多传感器、多角度获得遥感数据;“三高”则指高空间分辨率、高光谱分辨率和高时相分辨率遥感数据的获取[1]。
现代遥感技术应用于农业生产已经有 20多年的历史,该技术在作物认别、 面积计算、作物长势监测、灾害评估和产量估计等方面取得了重大成绩。高光谱遥感是高光谱分辨率遥感((Hyper spectral Remote Sensing)的简称,是指利用高光谱传感器以高光谱分辨率获取连续的地物光譜图像的遥感技术,这里的高光谱分辨率是指传感器用于探测地物的电磁波总波段宽度较宽(如MODIS传感器达到了0.4~14.5um)、波段数较多(如美国 Analytical Spectral Devic公司生产的 FieldSpec Pro FR2500型背挂式野外高光谱辐射仪输出波段数多达2150个)、每个子波段的波段宽度较窄(如MODIS传感器的最小子波段宽度为5~10nm)[2]。高光谱遥感与常规遥感的区别在于常规遥感又称宽波段遥感, 每个子波段的波段宽度一般为100 nm,且波段在波谱上不连续,并不完全覆盖整个可见光至红外光 (0.4~2.4μm)光谱范围[3]。高光谱遥感的出现是遥感界的一场革命,它使本来在宽波段遥感中不可探测的物质在高光谱遥感中能被探测到。
目前,国内外在利用高光谱遥感手段反演植物的绿色叶面积指数,进而控制精准农业生产的技术方面有很多的研究。植物的绿色叶面积指数(LAI)是表征植被光合面积大小和冠层结构的重要参数。它参与许多生物和物理过程,与植物的呼吸蒸腾、太阳光吸收、通风透光、雨水的吸收等密切相关,同时还是作物生产中判断作物长势优劣的重要参数。因此,实时、动态监测作物LAI值状况具有重要意义。而高光谱遥感技术以其快速、无损和大面积探测等特点,正逐步成为LAI值估测的有力工具。
2 叶面积指数反演的一般建模方法及精度评定
近年来,虽然在高光谱遥感技术反演植物的绿色叶面积指数,进而指导精准农业这一领域的相关研究较多,但综合地总结并指导相关反演模型建立方法的文献却不多。本文在该领域各位先驱研究学者的研究、实践基础上,比较系统地总结出了高光谱植被指数与农作物叶面积指数之间定量模型的建立方法应当包括试验田建立、光谱数据采集、LAI值测定、HVI值计算、反演模型的生成五个步骤,并阐述了反演模型用于实际生产中的农作物LAI值的反演评估情况。
2.1试验田的建立
为了确定农作物叶面积指数(LAI)与农作物光谱特性之间的定量关系,一般需要针对欲研究的农作物建立试验田,试验田要充分模拟自然界中该农作物在各种生长情况下的理化特征,如农作物的正常生长情况、缺少肥料的情况、施肥过量的情况、缺水情况、过渡灌溉情况等等,便于之后采集的农作物高光谱数据具有一般性。
目前国内外主要采取物理胁迫以及化学胁迫的方法对试验田中的农作物作相关处理,使试验田中的农作物尽可能全面的包含在自然界中的各种生长情况。通过胁迫实验使所采集到的农作物光谱数据包含了农作物在各种生长条件下的反射光谱, 可保证之后所建立的定量模型有较广泛的适应性和一般性。
2.2农作物高光谱数据测量
这一步采集到的目标作物光谱数据将应用于定量模型的建立,因此对精度要求较高,目前一般不采用国内外正在使用的高光谱传感器如MODIS、ASTER、Hyperion、ARIES等获取目标作物的光谱数据,因为这些搭载于卫星平台的传感器对目标地物的探测或多或少均会受到大气影响或其他辐射干扰。目前国内外研究更多的是采用更为便捷的背挂式高光谱传感器来获取农作物的光谱数据,如美国 Analytical Spectral Device (ASD)公司生产的 FieldSpec Pro FR2500型背挂式野外高光谱辐射仪(波段范围为 350~2500 nm,其中 350~1000 nm光谱采样间隔为 114 nm,光谱分辨率为 3 nm; 1000~2500 nm光谱采样间隔为 2 nm,光谱分辨率为 10 nm,仪器视场角为 25°,输出波段数为 2150)、Cropscan公司生产的 MSR-16 型多光谱仪以及Oklahoma 州立大学设计的 GreenSeeker RT 100 便携式主动光谱仪等[6]。
农作物的光谱数据采集应选择晴朗、云较少的天气,且于当地时间10:00-15:00采集,以保证有较高的太阳高度角,这对如Analytical Spectral Device公司生产的FieldSpec Pro FR2500及Cropscan公司生产的 MSR-16 型多光谱仪等被动式传感器尤为重要,在这样的条件下,农作物可以更好地反射太阳辐射,传感器接收到的反射辐射能量能更全面地反映农作物的各种理化特征。
传感器探头距离农作物冠层约1m采集目标作物的光谱信息。在每个农作物实验小区内适当选取5~10个视场,每个视场重复观测5~10次,同一视场通过5~10次测量采集到的光谱数据取平均值作为本视场的最终值,每个小区内的5~10个视场的最终值取平均作为本小区内农作物光谱数据采集的最终值。需要注意的是,每次采集目标光谱前都要对传感器进行参考板校正。 2.3农作物LAI值测定
目标作物LAI值的测定应当与光谱数据的测量同时进行。目前国内外测量LAI值的主要方法有干重法(干质量法)等,也有利用相关仪器如美国 LI-COR公司生产的LAI值-2000对目标作物的LAI值进行获取的先例[4]。得出目标作物精确的LAI值后,可以进一步建立目标作物LAI值与光谱特征之间的定量模型。
2.4 各种高光谱植被指数(HVI)的计算
将采集到的目标作物的光谱数据经过去噪及基线校正等预处理后,通过相关模型运算得出各种高光谱植被指数(Hyperspectral Vegetation Indices, HVI)。在具体的研究分析时,可以采取某些经典算法模型,也可以提出一些实验算法模型,有时通过恰当的实验算法模型可以得到比经典算法更为精确的反演目标作物生长情况的高光谱植被指数。下表列出了已有文献中总结的计算高光谱植被指数的各种经典算法模型[5]。
2.5 高光谱植被指数(HVI)与作物叶面积指数(LAI)之间反演模型的生成及模型的精度评定
将2.2中每一个实验小区内获取的作物光谱数据的最终值和与其同时测定得到的该小区内作物LAI值称作一份样本数据,即一个实验小区内作物的光谱数据和LAI值对应一份样本数据。将获取的多份样本数据按约3:1的比例分为两部分,数据较多的部分一般用作定量模型的建立,另一部分用作定量模型的检验。
将2.4中计算得出的各种高光谱植被指数(HVI)作为自变量x,作物LAI值作为因变量y,经过反复尝试,在指数回归、对数回归、一次多项式回归、二次多项式回归等回归模型中选择最佳回归模型建立定量模型。即选择一种最佳的回归模型,使自变量x对因变量y的拟合程度最佳。一般利用校正决定系数(C-R2)、校正均方根误差( RMSEC) 作为对模型的拟合精度进行评价的指标,得出拟合精度最高的定量模型。
定量模型建立后,可以利用样本数据中用于模型检验的数据对模型进行检验,进一步比较各个高光谱植被指数(即不同的x值)所建立的定量模型对未知样本的适应性。将各种模型预测出的LAI值与真实LAI值进行比较分析,以预测决定系数(P-R2)作为主要依据, 并结合预测均方根误差(RMSEP)对模型的检验结果进行评价,得出预测精度最高的定量模型。
选择对建模样本数据有最好的拟合效果,同时对验模样本数据有最好的预测效果的一个或两个定量模型,作为目标作物高光谱植被指数与LAI值之间最佳的反演模型。
值得指出的是,针对不同的农作物,对其反演效果最佳的高光谱植被指数一般是不同的,进而建立的反演模型也不同。如水稻,相关研究证实蓝边内一阶微分的总和与红边内一阶微分总和的比值和归一化差植被指数建立的反演模型是最佳模型,而小麦却为OSAVI指数建立的反演模型为最佳。
2.6 反演模型在农作物LAI值预测中的应用
利用MODIS、OMIS等传感器获取的高光谱遥感影像,进行影像分类,提取出目标农作物的覆盖范围,在影像中计算出目标农作物覆盖区域的高光谱植被指数,再利用建立的反演模型逐像元对影像进行解算,最终得出目标农作物的覆盖范围内的所有LAI值。之后可以根据LAI值进一步对影像进行彩色密度分割,制作相关专题地图等。
为了进行反演精度评价,在高光谱遥感影像获取的同时,在目标地区选取若干地面个检验点,实测该点目标作物的LAI值,并记录该点的坐标。根据记录的检验点坐标,在获取到的高光谱遥感影像上找出对应点,比较实测的LAI值和预测出的LAI值,评价反演精度。
整个反演模型的建立过程和模型应用过程可以用下面的流程图总结:
3 一些常见农作物的叶面积指数定量模型
通关对国内外文献对各种农作物叶面积指数反演模型建立结果的查阅与总结,列出常见农作物的最佳LAI值定量模型如下表,以便在进行相关研究时提供一定参考信息。
4 讨论
目前,国内外在利用高光谱遥感技术反演地面农作物的各种理化性质(如LAI值、叶绿素含量、氮磷钾等养分含量及水分含量等),进而指导精准农业生产的研究有很多。建立高光谱植被指数(HVI)与农作物的各种理化性质之间的定量模型的步骤同本文第二部分总结的方法基本一致,只需在2.3步中根据欲研究的作物理化性质,与光谱测量同步测量该种理化性质,进一步建立模型。
从国内外研究情况来看,利用高光谱遥感技术反演农作物的各种理化性质,进而指导精准农业生产的研究也遇到了一些待解决的问题。如:目前高光谱遥感技术在农业上的应用主要停留在建立单种作物的光谱特征与理化性质方面,对群体作物的研究较少;建模时对光谱数据的采集往往是利用地面传感器完成,但考虑到实际生产中目标作物地区的宏观性,生产实践中往往利用机载或者星载传感器对目标作物地区进行光谱数据采集,这时采集到的光谱数据不可避免地要受到大气等其他因素的影像,造成生产实践中采集到的光谱数据和建模时采集的光谱数据存在差异性;目前所建立的各种定量模型大多都只能反映目标作物在特定生育阶段、生长条件及测量因素等諸多因素下的特殊情况,其一般性较差。
遥感技术作为一门比较年轻却十分重要技术,受到了国内外学者的广泛关注,随着传感器、卫星等硬件制造水平的不断进步,遥感技术也会更为迅猛的发展,对遥感技术的研究也将不断深入。利用高光谱遥感技术指导农业生产在农业生产自动化、规模化中占有重要的地位,相信随着遥感技术的不断发展,这项技术在农业生产中将有更广阔的应用前景。
参考文献:
[1]宁津生等 测绘学概论[M].武汉:武汉大学出版社,2004
[2]孙家炳 遥感原理与应用[M].武汉:武汉大学出版社,2009
[3]洪霞等.高光谱遥感在精准农业生产中的应用[J].安徽农业科学,2010,38(1):529-531,540