论文部分内容阅读
龙泉山脉中段是成都市的“东部生态屏障”和规划开发重点区域。通过利用定量遥感技术估算植被生化信息参数量,分析不同反演方法的实际应用和适用性,提高其反演模型精度来监测该区域内植被的生长和健康状态是十分有必要的。文章以龙泉山脉中段植被叶绿素为研究对象,通过野外实地采集植被样本,利用便携式光谱辐射计SVC-HR1024i和SPAD-502便携式叶绿素仪分别获取了样品光谱反射曲线和叶片叶绿素含量。基于实测的植被光谱反射率值、实测的叶片叶绿素含量、Sentinel-2A多光谱遥感数据,分析了研究区域内植被的反射光谱特征,并利用ENVI、EXCEL、MATLAB、SPSS22.0等数据分析软件构建估算模型。实验比较评价了植被指数模型、统计分析模型和物理模型的模型精度,最终得到了对龙泉山脉中段植被叶绿素含量进行反演的最佳反演估算模型。叶绿素含量估算为龙泉山中段植被理化参数信息的遥感监测提供了数据基础,也为该区域植被健康状态监测及实现可持续发展提供了参数参考。所取得的研究成果主要包括以下几个方面:（1）影像预处理过程中发现利用传统的FLAASH模块大气校正只能获得Sentinel-2A遥感影像数据大气顶部的反射率ρTOA,要消除下垫面等因素的影响还需要利用Sen2Cor插件作大气校正获取大气底部的反射率ρBOA。Sentinel-2A遥感影像经过大气校正、地形校正、像元分解等预处理后得到了精度更高的冠层光谱,为后续反演分析提供了数据支撑。（2）通过生成的光谱模拟曲线分析可得:在仅考虑叶片尺度和冠层尺度植被自身理化参数影响的情况下发现在400 nm-800 nm波段范围内,叶绿素含量的差异是引起光谱反射率变化的最大影响因素,叶绿素含量越低影响越大。当叶绿素含量为10μg/cm2时,其光谱反射率与健康植被光谱反射率之间的相对误差达到了73.78%;其次是叶面积指数的影响,叶面积指数在仅为0.75时,其误差可达到31.89%;影响最小的是叶片含水量参数,当含水量参数在参考范围内变化,其引起的误差均为1.1%左右,可以忽略不计。（3）在叶片尺度下,基于实测的光谱数据选取了相关系数大于0.7的6个叶片尺度植被指数。其中决定系数最高的植被指数模型为mND705,R2达到了0.8323,标准误差为9.91μg/cm2;基于叶片光谱特征变量构建的统计分析方法中以绿峰面积构建的立方模型精度最高,R2达到了0.7778,标准误差为10.08μg/cm2;以6个植被指数为自变量、实测叶绿素含量为因变量构建的BP神经网络模型决定系数R2为0.7547,标准误差为10.33μg/cm2;以实测叶绿素含量模拟固体退火过程输入模拟退火算法（SA）得到的反演结果决定系数为0.7912,标准误差为10.13μg/cm2。通过精度比较分析可以看出在叶片尺度上,植被指数模型的反演精度要高于统计方法、BP神经网络、SA模型等的精度。并且物理模型中当叶绿素含量低于60μg/cm2,利用物理模型反演得到的预测值总体上要低于实际值,当叶绿素含量高于60μg/cm2,预测值与实际值才更加接近,趋于饱和。（4）在冠层尺度下:基于Sentinel-2A遥感影像数据构建了多光谱数据冠层尺度植被指数,其中决定系数R2最高的是CIrededge（红边植被指数）模型,达到了0.7214,标准误差为56.21μg/cm2。这也进一步说明了红边波段能够较为准确的监测植被健康状态及其冠层叶绿素含量的变化。根据选取的植被指数作自变量构建了冠层尺度下的多元线性回归模型和BP神经网络模型。其中多元线性回归模型的决定系数R2为0.7405,标准误差为56.74μg/cm2;BP神经网络模型决定系数为0.7834,标准误差为48.27μg/cm2。以冠层叶绿素含量输入模拟退火算法（SA）的反演模型决定系数为0.8045,标准误差为47.91μg/cm2。因此通过精度比较可以看出在冠层尺度上,模拟退火算法的反演精度要高于BP神经网络算法,并且物理模型的反演结果在总体上均要优于植被指数模型的反演结果。（5）通过尺度转换概念结合实测叶片光谱数据模拟了冠层光谱反射率数据,基于模拟冠层光谱数据构建了冠层尺度植被指数。其中决定系数R2最高的是OSAVI模型,达到了0.68,标准误差为59.16μg/cm2,这是因为纳入OSAVI进行计算的两个波段800nm和670 nm降低了土壤背景辐射的影响。通过比较分析可以看出,在冠层尺度上基于Sentinel-2A数据构建的植被指数模型精度总体上要高于基于冠层模拟光谱构建的植被指数模型;基于模拟冠层光谱数据构建的植被指数模型更容易受植被自身生化参数、下垫面、水体、土壤背景辐射等因素的影响,可见利用Sentinel-2A影像数据在大范围上监测植被叶绿素含量更有优势,而基于冠层模拟光谱数据则更有利于小区域性的点模型冠层叶绿素含量反演。