共查询到20条相似文献,搜索用时 500 毫秒
1.
针对三江平原洪河湿地保护区内主要特征植被冠层的叶绿素含量,采用PROSAIL模型从物理角度进行反演。首先将叶面积指数、叶片结构参数、等价水厚度、叶绿素实测含量等一些植被理化参数的实测值输入模型得到模拟光谱数据,然后与实测光谱数据对比验证其准确性。在模型中,通过固定其他参量不变,取叶绿素含量为唯一值时,考察在不同叶面积指数下叶绿素含量对冠层反射率的影响。结果显示,植被冠层叶绿素含量的敏感波段为555nm和720nm。基于PROSAIL模型的叶绿素反演方法较传统的统计模型相比是较好且稳健的方法。 相似文献
2.
叶绿素是植被光合作用的主要物质,准确估算叶绿素含量对植被生长健康状况和生态环境研究具有重要意义。本文利用辐射传输机制的PRO4SAIL模型模拟植被冠层光谱,以TM影像为数据源,分析物理模型模拟反射率和遥感影像反射率与叶绿素含量之间的相关性,研究利用多光谱信息定量反演路域植被叶绿素含量的可行性。研究结果表明,植被光谱反射率与叶绿素含量之间有较强的相关性;利用PRO4SAIL模型模拟的冠层反射率反演叶绿素含量具有一定可行性。该研究成果为大面积路域植被冠层叶绿素含量遥感监测提供理论依据与参考。 相似文献
3.
4.
基于连续小波分析的混合植被叶绿素反演 总被引:1,自引:0,他引:1
利用DB4小波函数对两个尺度4个数据集混合植被高光谱数据进行连续小波分析,分析小波系数与叶绿素含量之间的相关性,建立模型并利用验证数据进行验证,将模型精度与植被指数经验模型进行比较,最后进行了不同数据集之间的交叉验证。结果表明,在叶片尺度与冠层尺度上,基于连续小波分析进行混合植被叶绿素反演,所得模型精度均高于植被指数经验模型精度;在相同尺度上,模拟与实测数据集之间有相同的小波系数特征区域,可以用来进行叶绿素含量反演。 相似文献
5.
基于主成分分析和BP神经网络的法国梧桐叶绿素含量高光谱反演研究 总被引:6,自引:0,他引:6
利用ASD便携式野外光谱仪和SPAD-502叶绿素计实测了落叶阔叶树法国梧桐叶片的高光谱反射率与叶片绿度,并对原始光谱反射率及一阶导数光谱与叶片绿度进行了相关分析;综合分析了10个常见光谱植被指数与法国梧桐叶绿素含量的相关性与预测性;最后利用主成分分析对光谱数据进行降维,将得到的主成分得分作为BP人工神经网络模型的输入变量进行了法国梧桐叶绿素含量的估算。结果表明:法国梧桐的叶片反射光谱数据与叶绿素含量的相关性在可见光区域显著,导数光谱数据在绿黄光区和红光区的部分波段与叶绿素含量的相关系数大于对应波段光谱反射率与叶绿素含量的相关关系。在所列举的10个常用植被指数中归一化植被指数与叶绿素含量的关系最密切,相关系数达到了0.7957。主成分分析的BP神经网络模型可以容纳更多的波段信息进行叶绿素含量的估算,预测值与实测值之间的线性回归的确定性系数R2为0.9883,是一种良好的植被叶绿素含量高光谱反演模式。 相似文献
6.
应用MODIS数据反演河北省海域叶绿素a浓度 总被引:6,自引:0,他引:6
为了建立更加合理、准确的叶绿素a遥感反演模型,利用地物光谱仪测定了河北省海域水面的光谱反射率,分析了光谱反射率与实测叶绿素a浓度之间的关系.在此基础上,通过MODIS数据各波段及波段组合的反射率与实测叶绿素a浓度的相关分析,确定第1波段(B1)为最佳反演波段,建立了应用B1反演叶绿素a浓度的遥感模型,并对模型精度进行验证.结果表明:该模型相关系数为0.66,反演结果均方根误差为0.48 mg/m3,模型精度优于SeaDAS的OC3标准经验算法;该模型反演河北省海域表层水体的叶绿素a浓度有较好的效果. 相似文献
7.
8.
为了更好应用国产高分辨率遥感影像监测评价南方路域植被环境,研究南方路域针叶植被叶面积指数遥感反演.该文以长益高速研究区域的高分六号影像(GF-6)为基础,提出了可适用于针叶叶片的LIBERTY+ SAIL耦合模型并结合多元线性回归、局部加权回归反演路域植被针叶LAI的方法.研究中以耦合模型模拟的冠层光谱反射率、GF-6影像和野外实测生化参数为数据源,通过相关性分析,将与LAI相关性较高的SAVI、RVI和EVI 3种植被指数作为反演因子,结合组合模型反演LAI并评定模型的反演精度.结果 表明,耦合模型对南方路域针叶植被LAI的估算精度整体较高,对比分析两种叶面积指数的组合预测模型,耦合模型结合局部加权回归组合反演LAI具有优越性,可更好地反演路域植被针叶LAI. 相似文献
9.
基于PROSPECT+SAIL模型的遥感叶面积指数反演 总被引:4,自引:1,他引:4
以PROSPECT+SAIL模型为基础,从物理机理角度反演植被叶面积指数(LAI)。首先,通过FLAASH模型进行大气校正,使得图像像元值表达植被冠层反射率; 然后,根据LOPEX 93数据库和JHU光谱数据库选择植物生化参数和光谱数据,以PROSPECT模型模拟出的植物叶片反射率和透射率作为SAIL模型的输入参数,得到植被冠层反射率,将结果与遥感影像的植被冠层反射率对应,回归出植被LAI; 最后,以地面实测数据对遥感反演数据进行验证,并分析了误差的可能来源。 相似文献
10.
11.
针对现有研究在反演叶绿素含量不足的问题,该文基于地面高光谱和实测农学数据,采用PROSAIL模型和连续小波变换并结合偏最小二乘回归、支持向量机和人工神经网络方法反演冬小麦叶绿素。先通过PROSAIL模型模拟作物光谱,再对模拟光谱进行连续小波变换,筛选出敏感波段和尺度并应用于4组实测数据,最后利用小波系数和实测叶绿素构建偏最小二乘回归、支持向量机和人工神经网络反演模型。研究结果表明,利用小波系数构建反演模型的精度相比于植被指数反演有所提高,在基于小波系数反演叶绿素的方法中偏最小二乘法精度略高于其他两种方法。通过将PROSAIL模型、连续小波变换和偏最小二乘回归结合能够实现冬小麦叶绿素遥感估算。 相似文献
12.
13.
基于综合干旱指数的淮河流域土壤含水量反演 总被引:1,自引:0,他引:1
为了方便快捷地得到大范围的土壤含水量产品,以MODIS数据为数据源,淮河流域为研究区域,结合表观热惯量模型和植被供水指数模型的适用性特点,根据地表植被覆盖度的不同,建立综合干旱指数(comprehensive drought index,CDI)模型,对土壤含水量进行反演;然后,将反演的CDI结果与地表实测数据进行相关性建模,得到CDI与实测数据间的最佳拟合模型,利用该模型把CDI结果转化为最终的土壤含水量值;最后,通过实测含水量数据来验证反演结果的可靠性和精度。结果表明,反演得到的土壤含水量与实测土壤含水量相关性较高,相关系数R~2均在0.7左右,该方法对于高效地获取大面积土壤含水量信息具有较好的应用价值。 相似文献
14.
UHD185成像光谱仪可分析茶叶中叶绿素的含量,从而快速、无损地鉴定茶树的健康状况和茶叶的品质。以华中农业大学茶园为研究区,通过无人机搭载UHD185成像光谱仪进行光谱测量和叶绿素含量测定,利用偏最小二乘法回归(PLSR)、向前逐步回归结合PLSR和支持向量机(SVM)非线性回归方法建立光谱数据和叶绿素含量的反演模型。结果表明,利用PLSR建立的回归模型得到的叶绿素预测值和实测值的相关系数为0.65;利用向前逐步回归结合PLSR建立的回归模型得到的叶绿素预测值和实测值的相关系数达到0.78;SVM非线性回归建模的相关性较高,预测值和实测值的相关系数为0.88。因此,可利用向前逐步回归结合PLSR和SVM非线性回归作为茶叶叶绿素含量的反演模型。 相似文献
15.
以太湖为研究对象,根据环境一号卫星数据和实测得到的水面叶绿素a浓度,利用ENVI软件对太湖地区进行校正和裁剪等有关处理并获取光谱信息与实测叶绿素含量来进行建模选取,最后对模型反演结果进行对比并做精度验证。选取了遥感影像成像叶绿素a浓度值,对得到的58个样本进行分析,从样本随机选取2/3的数据用于建模,剩下1/3数据用于模型验证,得到了37个建模样本和20个验证样本,通过验证说明,本文所建立叶绿素a浓度反演模型具有较高的精度。 相似文献
16.
目前, 针对太湖水体的叶绿素波段敏感性的分析, 大多集中在实测的高光谱反射率数据或者图像提取反射率与叶绿素浓度的统计分析结果上, 缺乏基于水体光学特性的研究, 并且两者之间的一致性也一直缺少论证。研究中采用2004 年4 月和2007 年8 月的两期数据, 首先从水质参数的生物光学特性入手, 基于生物光学模型, 利用叶绿素和其他水质参数的吸收和后向散射系数, 模拟计算其他水质参数不变, 叶绿素浓度处于不同水平时的水面反射率, 分析实测反射率对叶绿素浓度变化的响应; 利用MODIS 的波段响应函数把实测光谱模拟成宽波段的MODIS 反射率, 以此作为桥梁进而对实测的高光谱反射率和MODIS 图像提取反射率与叶绿素浓度的相关程度的一致性进行分析, 为利用MODIS 图像进行水质参数反演时的反演因子选择提供了依据。 相似文献
17.
18.
针对现有研究在准确估算叶绿素含量方面的不足,该文运用粒子群优化算法和支持向量机构建叶片尺度作物叶绿素含量高光谱反演模型:利用PROSPECT模型模拟作物光谱,并运用所对应的叶绿素含量建立训练数据集,然后采用粒子群优化算法支持向量机学习训练数据集,最后建立实测叶片叶绿素含量估测模型。研究结果表明,粒子群优化算法和支持向量机构建的反演模型能准确预测作物的叶绿素含量,能够解决小样本作物采样点情况下叶绿素含量反演问题,可以作为作物叶绿素含量估测的参考方法。 相似文献
19.
作物LAI的遥感尺度效应与误差分析 总被引:7,自引:2,他引:5
以黑河中游盈科绿洲为研究区, 利用Hyperion高光谱数据, 采用双层冠层反射率模型(ACRM)迭代运算反演LAI; 通过LAI的均值化(LAImean)以及Hyperion数据反射率线性累加反演LAI(LAIp), 定量分析LAI反演的尺度效应; 从模型的非线性和地表景观结构的空间异质性2个方面分析引起反演误差的原因, 并在LAI-NDVI回归方程的基础上利用泰勒展开的方法对低分辨率数据反演结果进行了误差纠正。结果表明, 地表景观结构的空间异质性是造成多尺度LAI反演误差的关键因素, 通过泰勒展开式能很好地实现大尺度数据LAI反演结果的误差纠正。 相似文献