基于高光谱数据提取作物冠层特征信息的研究进展—晏四方

基于高光谱数据提取作物冠层特征信息的研究进展中国地质大学信息工程学院测绘科学与技术晏四方[e-mail]1.引言1.为什么是高光谱遥感？高光谱遥感是指光谱分辨率在10-2ʎ的遥感信息，其特点是光谱分辨率高(5~10nm)、波段连续性强。高光谱遥感既能对目标成像、又能测量目标物的波谱特性，因此它不仅可以用来提高对农作物和植被类型的识别能力，而且还可以用来监测农作物长势和反演农作物的理化特性。高光谱遥感数据在提取作物生理生化特征、提取作物冠层信息、估产以及预测病虫害等许多方面都表现出巨大的应用潜力。近年来，随着双向反射模型的建立与完善，高光谱遥感与双向反射模型的反演相结合，加上逐步成熟的植被高光谱分析算法，为更准确地探测植被的精细光谱信息，定量反演植被各组分含量及叶面积指数LAI等植被结构参数，精确估算植物所吸收的光合有效辐射APAR，植物的初级生产力NPP等指标提供了可能。2.研究现状利用高光谱遥感提取作物冠层生物物理参量的研究从高光谱数据中提取生物物理参量主要是指用于植被研究的一些生物物理变量,如：叶面积指数LAI、生物量、植物种类、光和有效辐射率、净生产率及其冠层结构参数等。这些参数可以反映植物生长发育的特征动态，也是联系物质生产和反射光谱关系的中间纽带。（1）定量提取植被叶面积指数LAI的研究：LAI是单位面积上所有叶片表面积的总和，也可以理解为单位面积上所有叶子向下投影的总和。LAI是生态系统研究中最重要的结构参数之一，它是估计多种植冠功能过程的重要参数。LAI可为植冠表面最初能量交换描述提供结构化定量信息。Wiegandetal首次把光谱观测与LAI联系了起来，叶面积指数难以直接通过遥感信息进行反演。在此基础上，童庆禧等根据LAI与高光谱遥感图像植被因子之间的理论模型获取了LAI：式中C2=K2-β2,k为植被吸收系数，β为散射系数;，为归一化植被因子。2.研究现状（2）提取植被初级生产（NPP）与生物量的研究：冠层的理化特性在一定程度上控制着森林的初级生产力(NPP)，比如叶面积和氮含量通过控制光合作用和传输速率来影响NPP。在利用参数模型进行NPP的估算时，有的直接利用NDVI归一化植被指数)与NPP的关系进行计算。Prince和Sahelia在半干旱草原进行了长达8年的实地生产力观测，并与同一时期的多时相NOAA气象卫星的年NDVI之和进行分析，表明生产力在0~3000kg·hm2的范围内时，它们之间存在很强的线性关系。肖乾广等则认为ANPP与NDVI间存在对数函数关系，并用此关系估算了中国陆地的NPP。张良培利用样本NDVI和测量所得的生物量数据进行回归分析，得出相关系数在0.7以上的结论。（3）作物消光系数K,叶倾旁FIA,叶片分布LD，冠层辐射透过系数TR等冠层结构参数的研究：光能利用率是作物获得高产的基础。反映作物群体光辐射特征的指标主要有:叶面积指数LAI、消光系数K、叶片分布LD、叶倾角FIA、冠层辐射透过系数TR等，且各指标间有着密切的关系。2.研究现状Ross等用蒙特卡罗方法来模拟了植被冠层的双向反射特性，在模型中考虑了树冠高度、冠间距离、树冠面积密度、以及叶长、叶宽、叶片大小、叶倾角分布函数(LAD)及土壤反射率等参数对植被反射的影响。杨长明等应用光谱辐射仪，对不同株型水稻品种的冠层光谱辐射能进行观测和计算，比较分析了不同冠层群体光谱分布特征的差异性。结果表明，不同株型水稻品种群体冠层内太阳光谱辐射反射率ɑ、透射率β和吸收率及消光系数K存在明显差异，尤其以蓝光辐射(400~510nm)差异最为显著。（4）光能利用率与高光谱关系的研究：理论和实验都证明，植物冠层的光合有效辐射与反射率有联系。遥感所得的APAR比LAI能更可靠地估计作物的生物量，因为作物的光合作用过程直接把APAR(植物吸收的光合有效辐射)能量转换成干物质，因此APAR是作物初级生产力的一个较好的指标。Mcmichael在北极冻原生态系统中用手持光谱仪测得的光谱数据计算NDVI，来估计CO2的流量，并建立了NDVI与研究区光合作用，生态系统呼吸作用的关系。3.植被高光谱分析算法简介光谱植被指数：根据植被的反射光谱特征，通常是用植被红光，近红外波段的反射率和其他因子及其组合所获得的植被指数VI（近50种）来提取植被信息，并在区域和全球尺度上广泛应用于从高空对农作物与林木生长状况，农业估产和生态环境的监测。光谱匹配：将混合像元与光谱数据库光谱或与实验室、地面实测的参考光谱进行光谱匹配可以直接识别地物成分。美国JPL最早发展了二值编码光谱匹配，已用于单矿物的识别。Price选用45幅AVIRIS高光谱图像，在400~2500nm波段范围内，通过统计分析和与实验室测得的光谱进行匹配分析，找到了分别对地表水、雪、火、植被和土壤较敏感的5个光谱波段460~540nm、610~690nm、990~1090nm、1520~1610nm、2080~2170nm，从而为通过AVIRIS等高光谱图像方便地识别上述五种地表覆盖类型奠定了基础。混合象元分解：图像中每个象元均是一些最终单元(endmember)光谱的线性混合。由于高光谱遥感具有光谱波段划分细，数量多等特点，有利于选择各种单一地物光谱区分明显的波段，将混合光谱反演成为单一光谱。Roberts用AVIRIS高光谱数据，采用混合光谱分解和光谱匹配技术相结合的方法对美国San-taMonica山区进行地物识别和分类制图，进一步表明了用高光谱遥感技术可以在区域尺度上对山区的植被变化进行监测。3.植被高光谱分析算法简介模型反演:植被光谱模型反演植被生物物理参量是定量遥感发展的重要趋势。Barry建立了植被叶子的辐射传输模型(LEAFMOD)，给定叶子的厚度和一些光学特性比如叶子吸收和散射系数即可估算叶子的反射和透射系数。反过来，由实测的叶子反射和透射光谱特性即可计算叶子的吸收和散射系数。4.展望高光谱遥感作为一种新的遥感技术已经在NDVI,LAI、光合有效辐射等因子的估算中以及在植被生物化学参数分析、植被生产量和作物单产估计、作物病虫害监测等方面得到广泛的应用。但是，高光谱遥感(特别是卫星高光谱遥感)在农业上的应用还处于基础研究与实际应用的前期，存在诸如指数确定、建模等问题，还有待进一步探索。高光谱遥感技术在作物生产中的应用前景利用高光谱遥感技术可以监测作物的长势;诊断作物的营养状况;指导作物灌溉，提高水资源利用率;提高作物养分管理水平和施肥技术;作物病虫害预报;快速预测种植面积;预测产量等；可以快速精确地获取作物生长状态以及环境胁迫的各种信息，从而相应调整投人物资的施人量，达到减少浪费，增加产量，保护农业资源和环境质量的目的，必将有助于我国精准农业的研究进程，是未来精准农业和农业可持续发展的重要手段。