基于高光譜數(shù)據的冬小麥葉綠素含量估算模型.pdf

1、綠色植被在生態(tài)系統(tǒng)中扮演著不可或缺的角色，葉綠素作為表征植被生長狀況和發(fā)育狀況的重要因子，成為水文、氣候、土壤、生態(tài)等循環(huán)過程中的重要輸入參數(shù)，被廣泛應用于氣候變化、生態(tài)循環(huán)變化等研究中。同時，對農作物葉綠素含量的監(jiān)測，還可以為農業(yè)管理者提供決策信息，實現(xiàn)農業(yè)變量水、變量肥管理，提高水肥利用率，對發(fā)展可持續(xù)的現(xiàn)代農業(yè)具有重要的意義。
　　本文利用2014年4月28日至5月2日和2015年4月25日和26日，野外試驗和室內實驗收集的

2、冬小麥LAI、平均葉傾角(MTA)、株高、葉綠素含量、含水量和光譜反射率等數(shù)據，利用PROSAIL模型模擬了小麥冠層反射率曲線，并與實測小麥冠層反射率曲線進行對比，分析了葉綠素含量、LAI水平、MTA水平和含水量對小麥反射率曲線的影響，分析了不同觀測天頂角對植被冠層反射率的影響。分析了不同葉綠素含量對紅邊幅值、紅邊面積、NDVI、MCARI和CIred edge的影響，并根據模擬的反射率曲線提取了紅邊幅值、紅邊面積、NDVI、MCARI

3、和CIrededge建立了葉綠素含量線性反演模型、反向神經網絡(BPNN)反演模型、支持向量機(SVM)反演模型，并驗證了其反演精度?；诓煌挠^測天項角建立了NDVI、MCARI和CIred edge的線性反演模型、BPNN反演模型、SVM反演模型，并驗證了其反演精度，得到以下結論:
　　(1)利用PROSAIL模型模擬了某樣點的冠層反射率曲線與野外試驗利用SVC測得的該樣點的反射率曲線進行了對比分析，模型模擬的反射率曲線與實測

4、反射率曲線走勢一致，在可見光范圍內反射率值相差無幾，在780nm以后模型模擬的反射率值稍高一些，說明了PROSAIL模型能夠很好的模擬小麥冠層反射率。
　　(2)對植被冠層反射率的敏感性分析發(fā)現(xiàn):葉綠素含量主要在可見光范圍內，對植被的冠層反射率有影響，隨著葉綠素含量的增加反射率值減小;LAI對反射率曲線的影響主要在近紅外波段，隨著LAI值的增加，植被冠層光譜反射率增加;平均葉傾角(MTA)對植被冠層反射率的影響與LAI相反，在近紅

5、外波段隨著平均葉傾角的增大，反射率值減小;植被含水量對其冠層反射率的影響波段為近紅外波段，隨著含水量的增加反射率值減小。
　　(3)利用PROSAIL模型模擬了不同觀測天頂角的植被冠層光譜反射率，選擇了三個角度0°、36°、55°，在植被生化組分含量不變時，同一波段內的植被冠層光譜反射率隨著觀測天頂角的增大而上升。
　　(4)分析了葉綠素含量對紅邊幅值、紅邊面積、NDVI、MCARI和CIred edge的影響發(fā)現(xiàn):隨著葉綠

6、素含量的增加紅邊幅值、紅邊面積、NDVI和CIred edge的值也呈線性增加，而MCARI的值隨著葉綠素含量的增加，逐漸減小。
　　(5)利用紅邊幅值、紅邊面積、NDVI、MCARI、CIred edge建立了葉綠素估算模型，并進行了精度驗證，結果表明:在線性估算模型中， MCARI和CIred edge的估算模型的精度最高，相關系數(shù)R2分別為0.95和0.939，均方根誤差分別為2.789和2.806，相對誤差分別為0.45和

7、0.048?；诓煌挠^測天頂角建立了NDVI、MCARI、CIred edge的線性估算模型，在線性估算模型中，觀測天頂角為55°時，CIrededge估算模型的反演精度最好，其模型相關系數(shù)R2為0.953，均方根誤差和相對誤差分別為7.088和0.094。
　　(6)利用BP神經網絡預測模型和支持向量機預測模型建立了葉綠素估算模型。在BPNN反演模型中，基于MCARI和CIred edge的建立的神經網絡反演模型反演效果最好，

8、MCARI模型的均方根誤差為2.809，相對誤差僅為0.046;CIred edge模型的均方根誤差為2.600，相對誤差為0.927。在SVM反演模型中，基于MCARI建立的模型反演效果最好，其均方根誤差為2.863，相對誤差為0.045。
　　(7)當觀測天頂角不同時，BPNN反演模型中，觀測天頂角為0°時，CIrededge-BPNN模型的均方根誤差和相對誤差分別為7.265和0.107; SVM反演模型中，觀測天頂角為55