植被叶片光谱及红边特征与叶片生化组分关系的分析

以LOPEX’93数据集为基础,利用最新的叶片光学模型——PROSPECT5模型模拟了不同生化组分(叶肉结构参数、等效水厚、叶绿素、类胡萝卜素和干物质)含量叶片的反射率、透射率和吸收率光谱,并在此基础上提取植被红边特征,系统分析光谱和叶片生化组分的关系,建立光谱特征与叶片生化组分的关系模型,为生化组分反演提供一定的理论基础。结果表明,在可见光部分,叶片的光谱主要取决于叶肉结构参数和色素(叶绿素和类胡萝卜素);在红外波段,叶片的光谱主要受水分、叶肉结构参数和干物质含量的影响。不同的波段范围内,光谱对生化组分的敏感度不同。叶片的红边特征不受水分和类胡萝卜素的影响,但红边位置随叶绿素的增加向长波方向移动(红移)。红边斜率随内部结构参数的增加而增加,两者之间的关系可用二次方程描述,这为叶肉结构参数的求解提供了一个方向。

基于PROSPECT模型的植物叶片干物质估测建模研究

为了快速、准确估测植物叶片干物质含量,为作物长势及健康状况监控提供数据支撑,利用光谱分析技术探讨了干物质含量敏感光谱波段提取方法及其估测建模方法。试验数据由叶片辐射传输模型PROSPECT在干物质含量(0.001~0.02)g·cm^(-2)范围内进行模拟,随机产生1000条400~2500nm的光谱曲线,其中600条光谱曲线用于建模研究、400条光谱曲线作为模型验证数据,同时应用叶片光学特性数据库LOPEX93中325条叶片光谱-干物质含量数据进行进一步验证。首先应用试验数据进行局部敏感性分析,初步得到叶片干物质敏感波段范围,再运用改进Sobol算法进行全局敏感性分析,提取了干物质含量敏感的光谱波段范围,在此敏感波段范围运用波段组合算法计算归一化植被指数NDVI与叶片干物质含量相关系数,优选了4组相关性大的波段组合建立归一化干物质指数NDMI_((1644,1719))、NDMI_((1871,2294))、NDMI_((2150,2271))、NDMI_((1496,2282))用于干物质含量估测建模。结果表明:NDMI_((1644,1719))和NDMI_((1871,2294))模型中三次多项式形式(cubic)效果最佳、NDMI_((1496,2282))模型中幂指数形式(power)效果最佳,三者中NDMI_((1871,2294))的三次多项式模型最优,决定系数R^2为0.837,对叶片干物质含量具有较好的估测能力。

基于PSO算法的BP神经网络对植被叶片氮素含量的预测

植被叶片中的氮元素,70%存在于叶绿素中,且叶片叶绿素的测量相较于氮素测量简单,因此可以用叶绿素来估测叶片含氮量。基于lopex93数据集,利用PSO(微粒群)算法优化的BP神经网络模型把叶片叶绿素含量作为输入值、叶片含氮量作为输出值训练得到预测叶片含氮量模型训练得到预测叶片含氮量模型。同时用实验室测量的叶片数据检验,检验误差小于0.2%。说明基于PSO算法优化的BP神经网络模型利用叶绿素能很好的估计叶片含氮量。

全球典型植被叶片光谱特征及其对LAI反演的影响分析

在全球范围长时间序列LAI遥感产品反演算法中,植被冠层反射率模型仅使用少量叶片光谱特征代表全球植被全年的典型植被光谱特征,叶片光谱的不确定性导致LAI遥感产品存在一定的误差。目前全球已经构建了多个典型植被叶片波谱数据集,这些数据集包含多个植被物种、不同空间地域及多时相叶片光谱数据,为定量分析叶片光谱特征提供了数据支持。主要利用LOPEX’93、ANGERS’03、中国典型地物波谱数据库和野外实测的叶片光谱数据,以黄边参数、红边参数和叶片光谱指数作为分析指标,探讨不同植被物种、不同气候区和不同物候期的叶片光谱特征差异,及其对植被冠层反射率、LAI反演的影响,为发展考虑现实叶片光谱差异的LAI反演算法提供研究基础。结果表明:植被叶片光谱存在多样性,叶片光谱特征差异主要影响MODIS传感器近红外波段和绿波段反射率值,其中,绿波段反射率值对叶片光谱变化最为敏感;在LAI反演算法中,如果只考虑植被类型而不考虑物种叶片光谱差异,可能会给LAI反演带来大于3的误差。