水稻參數(shù)高光譜反演方法研究及其系統(tǒng)開發(fā)和水稻面積遙感提取.pdf

1、水稻是中國最主要的糧食作物，居全國三大糧食作物之首，稻米是全國60％以上人口的主食。中國是世界上最主要的稻米生產(chǎn)國和消費國。水稻生產(chǎn)在中國農(nóng)業(yè)生產(chǎn)和糧食安全方面具有舉足輕重的地位，及時準(zhǔn)確地獲取水稻面積、長勢、產(chǎn)量等信息對國家和區(qū)域的糧食生產(chǎn)、貿(mào)易及糧食安全預(yù)警有重要意義。 常規(guī)的水稻長勢監(jiān)測、面積獲取和估產(chǎn)的方法，不僅費時費力，而且有其局限性。基于遙感的水稻監(jiān)測除了具有非破壞性，還具有監(jiān)測面積大、快速準(zhǔn)確獲取信息等優(yōu)點。水稻衛(wèi)

2、星遙感監(jiān)測就是通過地面非成像光譜儀或是航空(航天)傳感器獲取地球表面輻射信息，以水稻農(nóng)學(xué)原理為基礎(chǔ)，運用遙感技術(shù)、地理信息技術(shù)和全球定位技術(shù)，結(jié)合各種數(shù)據(jù)處理方法，由輻射信息反演水稻不同生育期生物理化參數(shù)，并實現(xiàn)水稻長勢監(jiān)測、播種面積提取、產(chǎn)量的預(yù)報等目的。隨著遙感技術(shù)的發(fā)展，高光譜遙感在越來越多的領(lǐng)域得到了較為廣泛的應(yīng)用。高光譜遙感波段窄，在特定光譜范圍獲取較為連續(xù)的地物光譜曲線，使地物信息在光譜維上進(jìn)行展開，從而使高光譜數(shù)據(jù)能夠以足

3、夠高的光譜分辨率區(qū)分出那些具有診斷性光譜特征的地物，以實現(xiàn)更準(zhǔn)確的監(jiān)測或反演。 本研究的目的是使用多種方法通過葉片或冠層反射光譜估算水稻葉面積指數(shù)(LAD和葉綠素含量，以及通過TM多時相影像提取水稻種植面積。為此，分別選取浙江大學(xué)試驗田為小區(qū)試驗研究基地，以及浙江海鹽縣某區(qū)域為水稻種植面積提取研究區(qū)。具體研究內(nèi)容和結(jié)果概述如下： (1)使用不同生育期水稻光譜數(shù)據(jù)研究了光譜波段位置和波段寬度對NDVI的影響，以及在一定ND

4、VI精度要求下紅光波段寬度隨著紅光波段中心位置的變化情況，結(jié)果表明，在所有生育期，近紅外波段的位置和寬度對NDVI影響不大：而紅光波段的位置和寬度對NDVI有相對較大影響，特別是當(dāng)紅光波段中心位置接近紅谷極值(670nm附近)時影響尤為顯著。當(dāng)保證NDVI的相對偏差在1％以內(nèi)時，在水稻生長旺期，NDVI紅光波段寬度隨著波段中心位置向長波移動而逐漸變窄，當(dāng)?shù)竭_(dá)690nm附近達(dá)到最窄，而后略有交寬，而對于生長前期和后期，NDVI紅光波段寬度

5、由于隨著波段中心位置變化的趨勢線在648nm附近變窄而有波動。 (2)在波段寬度對使用NDVI估算水稻LAI的影響研究中，確定一般情況下使用NDVI估算水稻LAI的最合適波段寬度為15nm。另外，通過簡單的理論推導(dǎo)，證明了：當(dāng)使用NDVI估算LAI時，在滿足一定條件下，窄波段估算效果要好于或等于寬波段。 (3)利用水稻冠層光譜數(shù)據(jù)模擬了Landsat-5 TM的紅、綠、藍(lán)和近紅外波段，并使用紅、綠、藍(lán)波段所有可能組合替代

6、常規(guī)NDVI的紅光波段構(gòu)建新的植被指數(shù)，來進(jìn)行水稻LAI的估算，結(jié)果表明，GNDVI(Green NDVI)和GBNDVI(Green-Blue NDVI)與LAI有比較好的關(guān)系。使用其他條件下的水稻冠層光譜及LAI數(shù)據(jù)進(jìn)行驗證，仍然得NN樣的結(jié)論。 (4)植被指數(shù)WDVI(Weighted Difference Vegetation Index)、SAVI(Soil AdjustedVegetation Index)、SAVI

7、<,2>、TSAVI(Transformed Soil Adjusted Vegetation Index)都包含調(diào)節(jié)土壤背景的參數(shù)，然而水稻是以水土混合物為背景的，因此在使用這些植被指數(shù)進(jìn)行水稻LAI估算時，需要對其參數(shù)進(jìn)行修正，其結(jié)果為：在水稻LAI估算時，對WDVI其最優(yōu)參數(shù)α=1.44；對SAVI其最優(yōu)參數(shù)L=0.08；對SAVI<,2>其最優(yōu)參數(shù)0=0.02；而對TSAVI其最優(yōu)參數(shù)a=0.5，b=0.02，X=0.02。另外

8、，TSAVI對LAI具有相對較高的估算精度，SAVI和SAVI<,2>次之，WDVI相對較差。 (5)使用主成份分析法、波段自相關(guān)法、導(dǎo)數(shù)相關(guān)系數(shù)法、植被指數(shù)建模法以及逐步回歸5種方法進(jìn)行水稻LAI估算的波段選擇，確定在水稻葉面積指數(shù)估算時，最經(jīng)常使用的波段出現(xiàn)在紅光長波區(qū)域650-700nm和紅邊區(qū)域700-750nm，其次為紅光短波區(qū)域600-650nm和綠光長波區(qū)域550-600nm。在近紅外區(qū)域出現(xiàn)頻率較高的區(qū)域為110

9、0-1150nm。另外在短波紅外區(qū)域也有兩個出現(xiàn)頻率較高的區(qū)間，分別是1600-1650nm，2300-2350nm。 (6)通過水稻反射光譜獲取多種光譜變量，包括log變換變量、一階導(dǎo)數(shù)變量、二階導(dǎo)數(shù)變量、光譜位置面積變量、連續(xù)統(tǒng)去除吸收特征光譜變量、連續(xù)統(tǒng)去除反射率變量，并分析這些光譜變量與葉綠素a含量之間的相關(guān)關(guān)系。對于大田冠層和大田葉片的情況，連續(xù)統(tǒng)去除反射率變量與葉綠素a含量的相關(guān)性最好。對于水培葉片和穗的情況，與葉綠

10、素a含量相關(guān)性最好的是二階導(dǎo)數(shù)變量。 (7)使用四種方法建模進(jìn)行葉綠素a含量的估算，分別為將所有光譜波段兩兩組合構(gòu)建比值色素指數(shù)NDVI和RVI的一元線性回歸方法，改進(jìn)的逐步回歸方法，偏最小二乘方法(PLS)和BP神經(jīng)網(wǎng)絡(luò)方法。在每種方法中又分別使用了四種變量類型進(jìn)行葉綠素a含量的估算。比較五種模型，大田冠層和稻穗葉綠素a含量的最佳估算方法為BP神經(jīng)網(wǎng)絡(luò)方法。對于葉片的情況，包括水培葉片和大田葉片，最佳估算模型都為偏最小二乘回歸

11、模型。從最佳模型使用的光譜變量類型來看，大田冠層葉綠素a的最佳估算模型使用的是-階導(dǎo)數(shù)光譜變量，水培葉片、大田葉片和稻穗的葉綠素a最佳估算模型使用的是原始光譜變量。 (8)在穗帽變換原理分析的基礎(chǔ)上，提出了一種基于穗帽變換的IKONOS影像融合方法，即將IKONOS全色波段代替穗帽變換后的亮度變量，然后進(jìn)行逆變換得到融合后影像。將這種方法與其他影像融合方法相比較，表明基于穗帽變換的融合方法在紋理信息攝入方面表現(xiàn)相對較優(yōu)，同時還可

12、以較好的保持光譜信息。 (9)利用水稻生育前期和后期兩景不同時期TM影像分別進(jìn)行穗帽變換，生成亮度、綠度和濕度變量，并將其合成為多時相影像，充分利用這三個具有物理意義的變量，特別是濕度變量進(jìn)行水稻種植區(qū)分類和以水為背景的水稻面積提取，并使用亞米級別GPS地面詳查的數(shù)據(jù)進(jìn)行了分類驗證。 (10)在對高光譜數(shù)據(jù)處理算法，植被生物理化參數(shù)分析及建模方法，以及在軌衛(wèi)星模擬等算法研究的基礎(chǔ)上，使用VB和ACCESS將高光譜數(shù)據(jù)存儲

13、、處理、分析等功能集成為一個植被高光譜數(shù)據(jù)處理系統(tǒng)，旨在提高光譜數(shù)據(jù)的分析處理效率，以實現(xiàn)數(shù)據(jù)分析的快速、準(zhǔn)確的應(yīng)用目標(biāo)。 總之，本研究在以下幾方面取得了新進(jìn)展或有所創(chuàng)新：確定了使用NDVI估算水稻葉面積指數(shù)要求的最合適波段寬度；修正了用于水稻LAI估算的背景調(diào)節(jié)植被指數(shù)的參數(shù)；構(gòu)建了葉綠素a含量估算的新色素指數(shù)；開發(fā)了高光譜數(shù)據(jù)處理系統(tǒng)；對水稻種植面積提取方法進(jìn)行了新的探索；提出了基于穗帽變換的IKONOS全色和多光譜影像融合