基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究

本文是农学论文，在对玉米整个抽穗期实测的LAI和Cab进行分析，发现在玉米整个抽穗期Cab和LAI变化差异较小，不足以影响PROSAIL模型模拟的冠层反射率值，也就是说在玉米整个抽穗期运用PROSAIL模型模拟的冠层反射率值和实测反射率值应该差异不大。然而经过分析发现，在玉米抽穗初期，实测值均高于模拟值，但是随着生育期的推移，在玉米抽穗中期，实测值和模拟值差异逐渐减小，到了抽穗末期模拟值逐渐高于实测值，最大差异达到了15%左右。进一步分析可见光波段和近红外波段，得到模型模拟精度呈现逐渐降低的趋势。综上结果分析认为应该是玉米雄穗的影响，随着生育期得推移，玉米雄穗从9月8日抽穗初期到9月24日抽穗末期，冠层已经封垄LAI基本不变，穗数由少到多，穗颜色由绿逐渐变黄，影响了冠层的表观叶绿素含量，由此影响了冠层反射率。这与李云梅等(2002)在研究水稻冠层二向反射率模拟及其反演中提出了相同的问题。杜永明等(2006)曾经在小麦穗的影响中提出相同的观点，得出小麦穗对方向性特征有较大的影响，必须予以考虑。为了说明玉米雄穗对冠层反射率的影响，连续2a分别在玉米抽穗期进行了3次不同穗梯度的剪穗试验，验证试验结果的准确性。分析2a的玉米剪穗试验结果，得到了近似相同的试验结果。基于近地面多角度高光谱数据的玉米LAI和叶绿素含量反演方法的研究。基于近地面多角度冠层高光谱遥感观测技术，分别运用ARTMO的反演工具箱对叶面积指数和叶绿素含量进行4种反演方法的分析比较，研究单角度和多角度观测条件下，4种反演方法对玉米理化参数(LAI和Cab)的反演性能，以及找到玉米理化参数(LAI和Cab)反演的最佳模型。
......

第一章绪论

本研究以高光谱遥感平台为基础，以玉米LAI和叶绿素含量为研究对象。利用ASD近地面多角度冠层高光谱监测技术及无人机低空遥感技术获取玉米冠层高光谱信息，采用参数回归、非参数回归、辐射传输机理模型、混合模型等方法，建立玉米LAI和叶绿素含量高光谱遥感反演模型，实现玉米LAI和叶绿素含量的精准反演。本研究在技术上保证了玉米LAI和叶绿素含量反演的快速性、准确性、标准性，为玉米生产精准化管理奠定了技术基础和理论依据，服务于精准农业的实际需求，对实现作物理化参数精准监测、指导作物田间科学管理，具有一定的实际意义。这项研究最终将有助于改善研究区和机载传感器的作物理化参数遥感监测，也为在实际工作中，根据实际工作条件和应用要求选择合适的作物理化参数的反演模型具有十分重要的意义；研究中也验证了一种高光谱图像处理软件ARTMO的科学性和高效性，为一些不善于编程软件使用的农业遥感研究者提供科学的借鉴。本文在前人研究的基础上，鉴于以上问题开展研究工作。致力于解决所述的问题，并将其转化为综合指南，为广大农业遥感研究者提供科学的借鉴。所承担的路线图是既要产生科学成果，又要找到和验证一种使反演程序自动化的软件，为一些不擅长编程的农业遥感研究者提供科学的、可便利使用的数据处理软件。

第二章研究区概况和数据处理

2.1研究区概况

该平台由曙光TC3600超算系统为核心，配备40个计算节点，共500个CPU，以及4个NVDIAC2075GPU，CPU计算能力达到1.2万亿次，GPU计算能力达到2万亿次，存储能力达144TB。自2013年正式运行，向全实验室和依托单位正式服务并向社会开放，主要用于气候数值模拟、定量遥感产品生产、遥感机理模型计算等任务。目前注册使用的用户数超过30个，CPU机时数达30万余CPU小时，设备使用率接近80%。主要用于的项目有863计划“星机地综合定量遥感技术系统与应用”、973计划“典型滑坡灾害启动和运动机理研究”、遥感所“一三五”计划培育方向项目“行星与地球全球变化比较研究”等等。该平台为本研究的无人机高光谱影像数据处理和辐射传输模型模拟提供强有力的图像处理和模型运算技术设施保障。玉米控制试验于2016年和2017年在河北省张家口市怀来县东花园镇中国科学院遥感与数字地球研究所（今中国科学院空天信息研究院）怀来遥感综合试验站(40°20′56″N，115°47′04″E)开展。试验区总体分为两个，一是模型标定与验证试验区，二是模型研制与应用试验区。模型验证试验区，主要通过肥水控制，形成植被生理生态在该范围的异质性，从而通过典型的代表数据，对作物理化参数遥感反演模型进行初始参数标定和模型的验证，开展模型在点尺度普适性和精度的研究。模型构建试验区，主要实现在通常环境下，开展地面多角度观测技术与无人机高光谱的应用研究。本研究中设置的玉米野外遥感实验需要满足两个同步条件：一是玉米叶片叶绿素含量测量和叶片尺度光谱测量需同步进行；二是玉米无人机高光谱图像采集和玉米冠层叶绿素含量测量需同步进行。但是由于玉米冠层叶绿素含量和叶片叶绿素含量会随着玉米生长状况而发生动态变化，冠层光谱和叶片光谱也会发生微小变化，因此对于野外遥感实验要想实现完全准同步测定是不可能的，满足一般准同步即可。本研究中研究区采样点比较集中，测量仪器和人员充足，并且本试验站具有标准化的室内实验室，玉米叶片样本可以及时送回室内进行理化参数的测定，因此本研究数据采集可以达到准同步要求。

2.2数据集获取

本研究ASD近地面多角度冠层高光谱数据的测量选择无云无风的天气，于太阳正午前后，太阳天顶角一般小于45°。太阳和行方向之间的方位角差从0°到85°不等。测量采用四维轨道塔吊系统进行测定，具体为轨道遥感塔吊车搭载FieldSpecProFR野外高光谱仪在据冠层上方5米高处进行冠层光谱的测定。光纤光谱仪视场角为25°，半视场角为12.5°。为了避免ASD外探头25°视场的前向阴影，减弱土壤背景噪声的影响，探头始终位于冠层上方5m处。最低点测量，根据不同的观测天顶角，用几何算法来计算塔吊的移动距离（具体见附件图2-6和表2-2），以保证冠层反射率测定在0°~50°之间，每隔10°观测天顶角的前向和后向散射方向的反射率(即，观测方位角相对于太阳方位角为0°和180°，见图2-5)。注意，在下面，前向和后向散射方向分别表示为+50°和-50°。采用50°的观测天顶角，确保我们在每次光谱采集时都离热点足够远，在最低点测量出一个直径为67厘米的圆形区域。在0°~50°之间，每隔10°观测一次冠层反射率值，每个角度观测3次，平均后得到该角度反射率值。运用光学相机时时查看观测角度及区域的变化，并对观测区域进行多角度拍照，用于玉米覆盖度的提取。干湿土壤的反射率在保护行测量。高光谱仪传感器是2048像素CCD阵列探测器，覆盖200~1100nm光谱范围，即插即用AvaSpec-2048×64光纤光谱仪兼具高分辨率和高速采集光谱的特点，即最高光谱分辨率可达到0.05nm（FWHM），并且每秒最快可以采样900幅光谱，且该光谱仪可以USB供电。光学相机是佳能品牌，型号为EOS5D，具备完成试验目标的性能。具体设备及参数见图2-4。

第三章研究方法与模型选择.....................................................................................................................25

3.1作物理化参数遥感反演方法原理及模型选择..............................................................................25

3.2用于作物理化参数反演的软件-ARTMO..........................................................................................31

3.3本章小结...........................................................................................................................................38
第四章基于近地面多角度高光谱的玉米抽穗期雄穗对冠层反射率辐射传输特征的影响研究..........39

4.1玉米抽穗期PROSAIL模型输入参数敏感性分析......................................................................39

4.2玉米抽穗期不同时间冠层反射率实测值和模拟值的比较.........................................................40
4.3玉米抽穗期不同穗梯度冠层二向反射率比较..............................................................................41
4.4垂直观测条件下穗数变化对冠层反射率的影响..........................................................................42

4.5不同穗梯度实测值和模拟值与农学参数相关性分析..................................................................42

4.6玉米抽穗期雄穗生长特征变化分析..............................................................................................43

4.7本章小结...........................................................................................................................................43
第五章基于多角度高光谱的玉米LAI和叶绿素含量反演方法的研究..................................................45

5.1基于植被指数的反演方法对比研究..............................................................................................45
5.2基于PROSAIL模型的反演方法对比研究......................................................................................47
5.3基于非参数回归的反演方法对比研究..........................................................................................49

5.4基于混合回归算法的反演方法对比研究......................................................................................50

5.5本章小结..........................................................................................................................................51

第七章玉米LAI和叶绿素含量遥感反演最佳模型的验证

7.1基于近地面多角度高光谱的玉米LAI和叶绿素含量反演模型的分析

由表7-1可知，在4种反演方法中，MLRA_RTM混合算法中的GPR_PROSAIL反演效果最优，模型的决定系数为0.902，RMSE为4.83，Speed为0.053。采用机器学习高斯回归过程的叶绿素反演模型与采用混合算法模型的反演精度相当；采用高光谱植被指数SI建立的传统经验回归模型的反演效果好于LUT_RTM模型的反演效果，LUT_RTM模型反演方法是4种方法中最不好的，运算时间也是最长的。这主要是因为PROSAIL模型模拟的冠层光谱主要受输入参数和环境变量的影响较大，研究发现在玉米抽穗期雄穗对冠层辐射传输特性具有一定的影响，但是当我们运用辐射传输模型进行模拟冠层反射率时并未对模型进行改进，致使玉米叶绿素含量的反演精度最低。并且表中前3种方法都是在后向散射方向（-50⁰）时的反演效果最好，而混合方法在3个观测方向上的反演效果最好。MLRA_RTMs由于模型的机理性较强，并且不需要大量的实地采样，因此本研究认为多角度观测条件下的MLRA_RTMs混合反演算法中的GPR_PROSAIL是近地面高光谱遥感反演玉米叶片叶绿素含量的最佳模型。由表7-2可知，在4种反演方法中，MLRAs_RTM混合算法中的KRR_PROSAIL对LAI的反演效果最优，模型的决定系数为0.93，RMSE为0.422，Speed为0.083。采用多角度观测方向上的核岭回归算法叶面积指数反演模型与后向散射方向上（-50⁰）的高光谱植被指数SI建立的传统经验回归模型的反演效果相当，决定系数都在0.68左右，运算速度也相当。LUT_RTM模型的反演效果依然是四种方法中效果最差的，运算时间也是最长的。分析认为PROSAIL模型采用冠层高光谱原始数据，核岭回归算法的模型输入则是玉米冠层高光谱的一阶导数信息。综合分析认为采用多角度观测的KRR_PROSAIL核岭回归混合算法能够比较理想反演玉米叶面积指数。

7.2基于无人机高光谱的玉米LAI和叶绿素含量反演模型的分析

本研究基于无人机高光谱观测技术，采用四种方法建立玉米LAI和叶绿素含量的高光谱遥感反演模型，现将4种方法建立的玉米LAI和叶绿素含量进行分析评价寻找适合无人机高光谱的玉米LAI和叶绿素含量精准反演的最佳遥感模型。由表7-5可知，在4种反演方法中，采用机器学习高斯回归过程(GPR)对Cab的反演效果最优，模型的决定系数为0.92，RMSE为5.38，Speed为1.66。MLRA_RTMs混合算法中的叶绿素反演模型的决定系数也达到了0.9以上；采用高光谱植被指数SI建立的传统经验回归模型的反演效果稍好于运用数值优化的Li_estimate（LUT_RTM）模型的反演效果，RTMs_PROSAIL模型反演方法是4种方法中最不好的，但运算时间是最短的。这一结果与基于近地面多角度观测技术的结果一致。分析原因认为也是由于PROSAIL模型模拟的冠层光谱主要受输入参数和环境变量的影响较大，当我们运用辐射传输模型进行模拟冠层反射率时并未对模型进行改进，致使玉米叶绿素含量的反演精度最低。在4种反演算法中，MLRAs和MLRA_RTMs反演模型的决定系数均在0.9以上，因此本研究认为基于无人机高光谱观测条件下的GPR是玉米叶片叶绿素含量的最佳遥感反演模型。由表7-6可知，在4种反演方法中，SI、MLRAs和MLRA_RTMs三种反演方法对LAI的反演效果相当，且模型的决定系数均在0.9以；其中机器学习回归算法中的核岭回归算法（KRR）对LAI的反演效果最好模型的决定系数为0.94，RMSE为0.33，Speed为0.25。数值优化的LSE（LUT_RTM）模型的反演效果依然是4种方法中效果最差的。分析认为核岭回归算法（KRR）的模型输入是玉米冠层高光谱的一阶导数信息，有助于降低一定的干扰，突出有用信息。通过建模数据分析可知，在高光谱原始光谱内存在特征信息不明显或者噪声等情况下，运用导数等高光谱变化形式有助于提高模型的反演精度。综合分析认为核岭回归（KRR）是无人机高光谱观测技术条件下玉米叶面积指数最佳的反演模型。

第八章讨论、结论与展望

利用高光谱遥感数据估算作物理化参数是一个广阔的领域，在过去三十年里取得了很大进展。这篇论文汇集了目前国内外主要研究使用的作物理化参数反演方法。这4种反演方法都已经在第3-6章中进行了大量的、全面的分析，它们中的每一个都可以完全运行ARTMO反演工具箱。这些工具箱是在科学ARTMO软件包环境中开发的。并且该软件反演工具箱能够分析、比较和应用各种最先进的反演模型，以便达到优化和自动化的反演。本文的主要研究问题在核心的第3-6章中进行了阐述，以下是对主要研究结果进行的总结和讨论。而2a的实验数据分析均得出PROSAIL模型模拟的反射率与无穗的冠层反射率相关系数最高，由此说明PROSAIL模型并未考虑穗对冠层反射率的影响，而在玉米抽穗期忽略穗对冠层反射率的影响直接将PROSAIL模型模拟冠层反射率值运用于植被指数或者农学参数的反演将影响模型反演的精度。而近红外波段是叶片含水率主要的影响波段,雄穗位于植株最顶端，大多数研究者在运用辐射传输模型进行冠层反射率模拟以及农学参数反演时都将穗和顶部叶片视为一个平面。且只将叶片的等效水厚度作为模型的参数之一,并未考虑雄穗的含水率影响.本研究认为这是影响模型模拟精度的主要因素,建议对于有穗一类的作物在抽穗期使用PROSAIL模型时，应该考虑将雄穗含水率与模型输入参数即叶片等效水厚度相关联作为新的模型输入参数参与模型模拟运算。这将在随后的研究中深入讨论。
参考文献(略)