叶绿素反演（精选3篇）
叶绿素反演 篇1
1 概述
作为重要的生态资源, 植被在物质能量循环中起着非常重要的作用。 在农业中, 光合作用是作物生长的基础, 是其遭受环境胁迫的指示器。[1]而作为光合作用中吸收光能的重要因子, 叶绿素含量既表现了植被的光合能力和生长情况, 又保证了作物与外界的物质能量交换。[2,3]因此, 通过遥感手段对作物叶绿素含量进行反演, 对于作物长势监测以及产量估算等方面有着重要的意义。 传统分光光度计法费时费力且会对植被造成损伤。[4]高光谱遥感则以其非损伤性, 大面积, 多尺度的特点, 在测定评价植被叶绿素含量中占有着重要地位与作用。[5,6,7]近年来, 植被叶绿素含量的高光谱遥感检测已逐渐由在叶片级别开展发展至冠层级别, 并取得了大量成果。[8,9,10,11,12,13]
本文将利用高光谱遥感, 对小麦不同生长周期中叶绿素含量变化与光谱反射率的关系进行反演并建立估测模型, 并比较了不同反演因子下模型的精度。
2 数据与方法
2.1 数据的获取与处理
本文测区位于华中农业大学试验田, 主要种植作物为小麦。 通过ASD便携式野外光谱仪, 选择天气晴好时期, 对小麦进行观测, 最终获得数据60 组。 SPAD - 502 叶绿素仪是一种小巧的对植物无破坏性的叶绿素含量测定仪, 它通过测定植物叶子在两个波长区的吸收率来确定叶子叶绿素浓度的相对含量。 使用SPAD - 502叶绿素仪, 对不同植物进行叶绿素含量的测量。 每次测量时均需随机选取每组样本的叶片, 每片叶片均需在叶片的不同位置对叶绿素含量进行5 次测量, 取其平均值作为该组样本叶片SPAD值。
2.2 敏感因子选择
本文选取植被敏感波段及红边位置作为反演敏感因子。 对小麦叶片不同波段的光谱数据与叶绿素含量之间的相关性进行计算, 选择相关系数最高的波段作为敏感波段, 作为后续模型建立的基础。红边是绿色植物在近红外波段区间内反射率增高最快的点, 在光谱曲线一阶导数上则反映为在近红外区间内的拐点。 作为植物的重要光谱特征, 红边位置也经常被用于建立与叶绿素含量的函数关系, 从而完成叶绿素含量的计算[14,15]。 通过计算, 选择相关系数最大的700nm波段为敏感波段, 其相关系数为0.6275。 同时取一阶导数最大值处波长作为红边位置, 红边位置所对应波长与叶绿素含量相关系数为0.7053, 达到显著水平。
3 实验结果与分析
3.1 模型的建立及精度分析
从实测小麦高光谱数据中随机抽取三分之一数据组成检验样本空间, 用于检验模型的精度和可靠性, 其余三分之二的数据用于建立模型。 分别以小麦叶片敏感波段 ( 700nm) 以及小麦红边位置为自变量建立回归模型。 得到模型及其回归系数。 同时为了定量比较模型拟合效果, 利用平均绝对误差 ( MAE) 及估计标准误差 ( SEE) 来定量描述比较。
其中y为叶绿素含量实际测量值, yc为模型拟合值, n为样本数目
为了实现小麦不同生长阶段的时序分析, 对不同时期采集的小麦高光谱数据分别进行反演, 建立回归模型并对其精度进行分析, 结果如表1。
上述模型拟合精度的分析比较是基于建立模型的样本与其估计值差异的程度, 并不能代表模型实际预测能力。 为反映所建立模型的代表性以及预测精度, 利用未参与建立模型的样本点进行模型的预测精度试验, 并用平均绝对误差 ( MAE) 与均方根误差 ( RMSE) 衡量。
小麦叶绿素含量反演模型预测精度结果如表2。
由表1 及表2 可以看出, 随着小麦生长成熟, 不同因子所建立的反演模型精度均有所下降。 根据估计标准误差, 可知以红边位置为因子的反演模型其精度下降更快。 而在所建立模型对不同时期植被叶绿素含量的预测能力中, 以敏感波段为因子的模型总体预测能力优于以红边位置为因子的模型。 以上情况出现的原因在于:红边位置的提取对于其提取方法依赖性较强, 且通过一阶导数获取红边位置的方法存在一定缺陷[16]。 随着植被逐渐进入成熟期, 其叶片叶绿素含量大幅下降逐渐呈现枯黄状, 因此光谱曲线已不能很好的保持其特性, 红边位置不明确。
3.2 小麦叶绿素反演长时间序列分析
为反应小麦在不同生长阶段的叶绿素含量, 结合小麦反演模型系数, 对小麦在不同生长期叶绿素变化趋势进行分析。
图1 是不同时期小麦所对应不同因子反演模型系数的变化趋势图, 由此对反演小麦叶绿素所用回归模型y=ax+b进行分析。 在图1 ( a) 中, a的取值在4 月8 日达到最大后又再次下降, 而b的取值较为稳定;在图1 ( b) 中, a取值逐渐减小而b取值逐渐增大。 从a的取值范围可以看出, 在以敏感波段为因子的反演模型中, 叶绿素对敏感波段所对应得光谱数据相关性较强, 即光谱数据在植物生长各个时期与叶绿素含量关系密切; 而对于以红边位置为因子的模型来说, 随着小麦的生长, a逐渐减小而b逐渐增大, 即对于小麦叶片叶绿素含量而言, 红边位置对其的影响逐渐减小。 同时, 结合两组a、b的变化趋势及取值范围, 可知随着小麦生长成熟, 叶片中叶绿素含量经历先增长后下降的过程, 约在3 月中旬至4 月中旬间达到最大, 之后成降低趋势。 这与实际中植被由生长期至鼎盛状态后逐渐成熟枯黄的物候期发展基本吻合。
4 结论
本文以小麦为研究对象, 利用其叶片高光谱数据与实测植被叶片叶绿素数据, 通过提取敏感波段及红边参数, 建立小麦叶绿素反演模型, 并对其进行时序分析。 试验结果表明:
4.1 各时期反演模型的精度均较好, 说明以不同因子对小麦不同物候期叶绿素含量进行反演是可行的。
4.2 随着小麦生长成熟, 光谱曲线已不能很好的保持其特性, 故不同因子所建立的反演模型拟合能力均有所下降。 同时, 由于受到红边位置提取方法的限制, 以敏感波段为因子的模型总体预测能力均优于以红边位置为因子的模型。
4.3 通过对不同时间一系列反演函数系数变化趋势的分析可知随着小麦生长成熟, 叶片中叶绿素含量经历先增长后下降的过程, 约在3 月中旬至4 月中旬间达到最大, 之后呈降低趋势。 这与实际情况基本吻合, 即该方法可以用于分析植被生长过程中叶绿素的变化趋势。
叶绿素反演 篇2
遥感指数在湖泊叶绿素a反演研究中的应用
摘要：借鉴陆地植被指数的算法,利用MODIS数据的波段组合对太湖叶绿素a浓度进行反演.探讨了差值植被指数DVI、比值植被指数RVI、归一化植被指数NDVI这三种遥感指数形式的反演效果及各自特点.MODIS数据蓝光波段和红外波段的.组合是反演太湖叶绿素浓度的最佳波段组合,DVI适合于反演叶绿素浓度高的情况,RVI的反演结果两极分化明显而普适性较差,NDVI适合于反演浓度较低的情况.作 者：顾亮 张玉超 钱新 钱瑜 作者单位：污染控制与资源化研究国家重点实验室,南京大学环境学院,南京,210093期 刊：环境保护科学 ISTIC Journal：ENVIRONMENTAL PROTECTION SCIENCE年，卷(期)：2008,34(2)分类号：X7关键词：太湖 叶绿素a 植被指数 MODIS数据
叶绿素反演 篇3
关键词：红边光谱,谐波分析,主成分分析,神经网络,叶绿素含量,反演模型
叶绿素可看作是植物光合作用能力和发育状况的指示器,就农作物而言,其含量的测定对产量估计、灾情评估、重金属污染监测等具有重要的实践意义[1,2]。叶绿素含量可通过化学分析、专业仪器等多种途径来测定,然而近年来基于卫星遥感影像反演农作物叶绿素含量成为精细农业领域的重要研究内容之一,特别是高光谱遥感技术的应用已成为其研究热点。高光谱遥感数据光谱分辨率高且响应范围广、波段宽度窄且连续等特点使其在充分挖掘作物微弱光谱信息并定量分析方面成为可能,为叶绿素含量测定提供了实时、快速、准确、非破坏性的数据采集和处理方法[3,4]。如Thomas和Madeira等[5,6]研究发现作物光谱反射率与叶片叶绿素浓度有较好相关性;Kokaly和Curran等[7,8]发现植被生化参数与植被光谱反射率之间主要是非线性关系;Gong[9]研究得出神经网络(neural networks,NN)模型处理分析高光谱数据可很好地解决非线性映射问题;宋开山等[10]基于特定叶绿素敏感波段构建植被叶绿素含量估算模型并证明人工NN模型能大大提高大豆叶绿素含量的估算水平。在20世纪80年代Horler等[11]研究了红边(red edge,RE)参数在叶绿素含量估测中的作用并给出了光谱红边位置;此后刘伟东等[12]研究表明红边位置与叶片叶绿素含量有关;王秀珍等[13]指出红边位置与叶绿素含量的相关性最大;薛利红等[14]研究表明叶片红边位置的计算结果对选择方法的依赖性很大,并比较多种计算方法发现线性外推法对叶片叶绿素含量更加敏感,预测准确度更高;姚付启等[15]采用BP神经网络(BPNN)并以红边位置、峰度与偏度作为输入变量实现了叶绿素含量的估算;张永贺等[16]研究认为五次多项式拟合法获取红边位置变量构建叶绿素含量估测回归模型的精度最高。以上研究表明,虽然红边位置与叶绿素含量具有强相关性,但不同作物或不同算法会获取不同的红边位置参数,而且其他红边参数(如红边振幅)的计算也存在不确定性。鉴于此,本文利用谐波分析(harmonic analysis,HA)技术处理红边光谱以获得与叶绿素含量相关性高的能量谱特征分量(energy spectrum characteristic components,ESCC)。
HA技术主要应用于电力系统的谐波检测与控制[17],在农业遥感方面研究主要有基于NDVI时间序列的农作物季节性变化与物种识别等[18]。此外,该技术已经用于高光谱影像融合与影像分类中[19,20],而在作物叶绿素含量反演方面的研究几乎没有。本文将基于光谱多次谐波分解的频率域特征参量ESCC作为BPNN法的输入因子,实现玉米叶片叶绿素含量的反演,研究结果表明通过遗传算法(genetic algorithm,GA)优化的BPNN(GA-BPNN)反演精度最高。
1 实验数据与方法
1.1 数据获取
1.1.1 作物培养
实验以有底漏花盆种植的‘中糯1号’玉米为研究对象。2014年5月6日对玉米种子催芽,5月8日将玉米种子种在盆栽土壤中,共种植45盆,并在出苗后浇灌营养液NH4NO3、KH2PO4和KNO3。在培育期每天对玉米换气通风,定期浇水。
1.1.2 光谱数据采集
在2014年7月17日,使用光谱仪配套的功率为50 W的卤素灯光源、4°视场角垂直于玉米叶片表面40 cm探头,采用光谱波长范围350~2 500 nm的美国SVC HR—1024I高性能地物光谱仪采集玉米叶片光谱数据。将每盆玉米的叶片样本测量三次,输出结果由原始扫描光谱自动平均所得,经专用平面白板标准化光谱反射系数得到45个样本的光谱数据。
1.1.3 玉米叶绿素含量测定
完成玉米光谱数据采集后,使用SPAD—502手持便携式叶绿素测定仪对之前采集光谱数据的45个叶片样本分别测量五次取平均值。叶绿素测定仪测得的SPAD值是与叶片叶绿素含量成正相关的相对叶绿素含量,在实验中可作为叶绿素水平的可靠估计值[21],代表玉米叶片叶绿素含量水平,对应于采集光谱数据的样本用于叶绿素反演模型的训练与检验。
1.2 谐波理论
谐波分析(HA)就是以正(余)弦波(谐波)相叠加的形式来表示时间t序列f(t),即将时间序列函数从时域变换到频率域,在频率域空间以若干条不同频率的正(余)弦曲线叠加形式表示时域空间中的一条时间曲线。任何关于时间的周期函数f(t)都能以无限多个正(余)弦和的波形叠加表示。光谱仪采集的光谱数据光谱分辨率高,每个样本的光谱数据可以表达为一条连续的曲线。因此,利用HA处理高光谱数据时,可将由N个波段组成的光谱曲线看作周期为N的函数。进而,HA的多次分解就是将每个样本的光谱曲线表达为一系列由谐波余项、振幅和相位等能量谱特征分量(ESCC)组成的正(余)弦波叠加之和。若某个样本由N个波段组成,该样本光谱可表示为V(s)=(v1,v2,…,vs,…,vN),每个波段的光谱值记为vs,s为波段序号(s=1,2,…,N),N为波段总数(周期),h次谐波分析后得到的谐波分解变换展开式为
V(s)的h次谐波分解的能量谱特征分量计算为
式中,h(h=1,2,3,…)为谐波分解的次数;A0/2为谐波余项;Chsin(2"hs/L+φh)为第h次谐波分量,当h=1时表示基波分量;Ah、Bh、Ch和φh分别为第h次谐波分解的余弦振幅、正弦振幅、谐波分量振幅和谐波分量的相位。其中,A0/2、Ch和φh反映了样本光谱在各个波段的能量均值、不同波段的能量变化及能量出现幅值的波段位置[19]。
1.3 人工神经网络
人工神经网络(NN)起源于20世纪40年代,其特有的非线性适应性信息处理能力克服了传统人工智能方法对于直觉的缺陷,使之在模式识别、智能控制、组合优化和预测等领域得到成功应用。将人工NN按照神经元连接方式可分为前馈神经网络和反馈神经网络两类。BPNN即误差反向传播神经网络(error back propagation,NN)便是前馈神经网络中的典型,在人工NN中应用最广。BPNN是一种可以实现从输入到输出的任意非线性映射的多层前馈型神经网络,其特点是信号前向传递,误差反向传播,根据预测误差调整网络权值和阈值,多次迭代学习使BPNN预测输出不断逼近期望输出。图1是BPNN的拓扑结构图,X1,X2,…,Xn是输入参数,Y1,Y2,…,Ym是预测输出,wij和wjk是网络的连接权值。
2 数据处理与应用分析
2.1 实验数据预处理
为消除由仪器引起的随机误差,很好地保持原有光谱特性,采用五点加权平均法来处理数据。将具有五个数据点的窗口在每个样本的光谱数据中移动,窗口中间数据点值用其前面和后面的两个数据平滑,离中间点越远,分配权重越小,窗口中间点的值即为计算五点的加权平均值。如此计算直到最后即为五点加权平均[22],其计算方法如式(7)。
式(7)中,D为窗口中间点的加权均值,dm是平滑前窗口中间点的数据值。
2.2 输入因子分析
红边是植物光谱的最显著标志,由于植被在红光波段叶绿素强烈的吸收与近红外波段光在叶片内部的多次散射而使植被光谱反射率在680~760 nm区域呈现陡峭的爬行脊[15]。对红边参数的拟合,大多采用微分法、倒高斯模型拟合法、多项式拟合法、拉格朗日内插法或四线性内插法。本文利用谐波分析红边光谱计算相关参数。
2.2.1 谐波分解
在MATLAB中编程实现HA分解,提取红边(679.9~780.3 nm)光谱数据的能量谱特征分量Ah、Bh、Ch和φh,并计算与叶绿素含量的相关系数。实验采用的高性能地物光谱仪在红边范围内共有77个波段,考虑到函数的周期性,只进行77次谐波分解。图2是不同能量谱特征分量在各次谐波分解处与叶绿素含量的相关性图。
从图2中可以看出同叶绿素含量相关性高的能量谱特征分量主要集中在前后5次谐波分解。很明显Ah、Bh、Ch和φh是关于原点或轴对称的,故只考虑前5次谐波分解。而在前5次谐波分解中A1、A2、B1、B2、C1、C2、φ1、φ2、φ4、φ5这10个能量谱特征分量与叶绿素含量的相关性较强,45个样本的相关性较高能量谱特征分量值如表1所示。
2.2.2 主成分分析
主成分分析(principal component analysis,PCA)是一种在数据特征提取、压缩、降维等方面有广泛应用的多元统计分析方法。考虑到各能量谱特征分量之间存在一定的相关性,在有效保留原始信息的前提下,通过主成分分析消除各能量谱特征分量之间的共性后作为BPNN反演模型的输入因子,减少输入层节点个数,改善网络拓扑结构,提高网络运行速率与精度[23]。编程实现A1、A2、B1、B2、C1、C2、φ1、φ2、φ4、φ5这10个能量谱特征分量的主成分分析并提取主成分特征值,从10个主成分特征值及各自贡献率可看出,前4位主成分的累计贡献率已高达99%以上,如表2所示。通过实验分析这四位主分量作为BPNN输入因子有较高反演精度,故选择其替代原有参数建立NN反演模型来预测叶绿素含量。实验选择的45个样本经PCA处理后得到的前4个主成分得分如表3所示。
3 建模反演与精度检验
3.1 网络优化与反演建模
由于传统BPNN存在收敛速度慢、易陷入局部极小等缺陷,而且初始化权值和阈值的随机性以及激励函数的低非线性程度等使得叶绿素反演精度不是很高。现分别从两方面优化BPNN:一是使用GA循环优化BPNN,建立GA优化的BP神经网络(GA-BPNN)反演模型;二是选择小波基函数代替BPNN的激励函数,提高模型的非线性映射能力、泛化性及稳定性,建立小波神经网络(wavelet neural network,WNN)优化反演模型。随机选取35组数据作为神经网络的训练数据,剩余的10组数据作为预测数据,并与SPAD实测值进行比较,检验模型精度。
为避免隐含层节点数太少而不能建立复杂映射关系以及节点数太多而造成过拟合现象,经过多次实验,确定隐含层节点数为5,同时根据前节分析所得PCA的前4个主成分累计贡献率高达99%内容,最终通过编程建立4-5-1的BPNN拓扑结构。WNN反演模型中,使用Morlet母小波基函数代替传统BPNN的Sigmoid激励函数,设置网络学习速率0.01和0.001,网络迭代学习次数1 000,随机初始化网络连接权重和小波函数伸缩因子、平移因子。GA-BPNN反演模型采用实数交叉法,交叉概率和变异概率分别设定为0.3和0.1,在种群初始化时对每个个体进行实数编码,进化次数设定为100,种群规模为15,预测输出与期望输出之间的误差绝对值之和作为个体适应度值。图3是叶绿素反演过程流程图。
3.2 反演结果与精度检验
用35组训练数据反复训练BPNN和优化的WNN、GA-BPNN反演模型,最优初始化BP模型的权值阈值,以便选取最佳训练网络,分析出精度最好的网络来反演叶绿素含量。图4为GA优化过程中最优个体适应度变化曲线,在65次迭代左右停止进化,最优个体适应度接近4.0,确定该网络为最佳训练网络。
同时,也采用了常规的多元线性回归(multiple linear regression,MLR)模型进行反演计算,以比较验证BPNN及其优化模型的反演效果。计算MLR、BPNN、WNN和GA-BPNN模型反演得到玉米叶片叶绿素含量预测值同实测值之间线性回归的判定系数(R2)、均方根误差(RMSE)和平均相对误差(e)如表4所示。由表4可见,神经网络反演模型精度均高于MLR,优化后的WNN、GA-BPNN模型反演精度要比BPNN高,其中GA-BPNN模型反演精度最高,R2高达0.8027,RMSE仅为2.4007,e为5.484 5%。WNN的预测效果相对较好,R2为0.775 2;BPNN反演精度仅高于MLR模型,R2为0.731 5;MLR模型预测效果最差,R2仅达到0.588 2,而且误差很大。
4 结论
(1)利用样本采集的光谱数据分辨率高的特点将谐波分析理论应用到叶绿含量反演模型输入因子提取中,获取更多与叶绿素相关的有效信息,避免计算某些红边特征参数的不确定性。经过同红边范围波段数相同次谐波分解得到能量谱特征分量中A1、A2、B1、B2、C1、C2、φ1、φ2、φ4、φ5这10个分量与叶绿素含量的相关性较强,其中φ1最高达0.813 3,φ2和A2与叶绿素含量的相关性均高于0.77。通过主成分分析消除这10个特征分量之间的共线性,降低数据的冗余性,选择累计方差贡献率高达99%的PCA前4位主分量PC1、PC2、PC3、PC4作为模型输入因子,最大程度提高反演精度。
(2)线性模型MLR预测精度最低,显然光谱数据与叶绿素含量之间不是简单的线性关系;人工NN可以实现任意非线性映射,反演精度相对较高,但BPNN模型随机初始化的权值和阈值具有偶然性,并不一定是使误差最小的初始因子,反演精度较差;WNN采用Morlet母小波基函数的非线性程度要比传统激励函数sigmoid高,而且除网络连接权重外,还增加平移因子和伸缩因子调节网络,因此在拟合非线性函数时WNN比BPNN有更强的逼近能力;利用GA循环优化BPNN的权值和阈值,得到最优个体适应度值最低的GA-BPNN模型反演叶绿素含量时精度最高,说明GA可以有效优化神经网络的初始值,提高预测精度。