法国佛山和毛白杨叶片高光谱反射率与绿度研究

法国佛山和毛白杨叶片高光谱反射率与绿度研究

植物的主要吸收能量包括绿叶植物（叶色a、叶色b）和类黄酮（胡萝卜和叶黄素）。在植物吸收光能的过程中，叶色是主要吸收光能的材料，它直接影响植物的光能的使用。植物色素含量与光能的发育水平和发育水平密切相关，是评价植物生长的有效手段。植物反射光谱主要受叶片表面光的影响（叶片和类胡同），而近红外区域主要受叶片内部结构、生物量、蛋白质、纤维等的影响。因此，植物冠层及其反射光谱可以用来估计植物的生物参数，尤其是色素含量。已经使用了高光谱遥感技术来评估植物叶片含量的变化。一般来说，高光谱分辨率遥感数据表明，植物生化参数主要有三种方法。其中之一是丰富的统计分析方法，包括高光谱反射率、导数光谱、植物指数、环邦指数等。第二种是基于特征光谱位置变量的分析技术，包括红边位置、绿峰位置等。第三，光学传输模型的方法属于经验统计方法的范畴，因此统计模型是灵活的，但不同的数据源需要调整参数，不断调整模型。第三种方法是近30年发展起来的，现在已经进行了不断的研究和改进。到目前为止，高光谱遥感在植物、尤其是果实叶片含量的研究取得了很大进展。许多对叶子绿度值的高光谱数据被用来估计。该模型还通过测量和计算高光谱数据来估计植物的生物物理和化学指标。然而，我国对一些落叶阔叶树种的研究较少，然而，高光谱评价模型的应用也相对较早。本文分析了法国梧桐树和白杨树叶片的光谱和导数光谱数据之间的相关性。根据该红边的位置，可以计算叶片的绿色含量。根据这项工作，我们研究了基于法国梧桐树或相关植物的谱和指导，并建立了基于主导光谱数据数据给定敏感段的黄绿色横截面模型。最终，将这两种模型应用于评估叶片含量、比较bp模型和rbf模型的预测精度。1叶绿素含量的测定—材料与方法实验于2007年9月至11月在鲁东大学校园内进行.地理位置为37°14′N,121°27′E,海拔63m.年均气温11.8℃,年均风速4—6m/s,多年平均降雨量651.9mm,年均相对湿度为68%,年均日照时数为2698.4h,无霜期210d,属暖温带大陆性季风气候.采用美国ASD便携式野外光谱仪(ASDFieldSpecHandHeld)对法国梧桐和毛白杨进行光谱测定,光谱仪波段为325—1075nm,光谱分辨率为3.5nm,光谱采样间隔1.6nm,视场角25°.选择天气晴好、风力较小的日子,于北京时间11:00—13:00进行光谱测定.每次测定前都要利用漫反射参考板对仪器进行优化,测定时,将待测叶片平放在反射率近似零的黑色布上,传感器探头垂直置于叶片10cm之上,保证叶片充满整个视场角,每个样品光谱值重复采集10次,10组数据的平均值作为该样品最终光谱反射率.本文采用便携式叶绿素计SPAD-502的测定值代替叶绿素含量,测量时,在每个叶片上均匀的测取10个SPAD值,求取平均值作为此叶片叶绿素含量值.传统测定叶绿素含量的方法为分光光度法,但是大量研究表明,阔叶树种叶片绿色度(SPAD)值与叶绿素含量具有显著的相关性,SPAD值能较好地反映树木叶绿素含量的变化,因此使用叶绿素计测定树木的叶绿素含量是完全可行的,在一定条件下可代替叶绿素含量的直接测定.2结果与分析2.1叶片叶绿素含量与光谱的相关性分析将法国梧桐、毛白杨叶片反射率光谱数据及其导数光谱数据分别与叶绿素含量进行单相关分析(法国梧桐和毛白杨(各50个样品)95%置信度显著相关的拟合度(R2)临界值为0.288,99%置信度显著相关的拟合度(R2)临界值为0.372).每个光谱通道上的原始光谱反射率与叶绿素含量测定值、一阶导数光谱与叶绿素含量测定值之间的拟合度(相关系数的平方)见图1,2.由图1,2可以看出,法国梧桐和毛白杨的叶片原始光谱与叶绿素含量的相关性曲线具有相似的特征,在波长580—705nm相关性最好,达到显著水平,而这段波长正好为叶绿素的强吸收波段.在波长710nm处开始下降,到730nm处相关性几乎为零,即原始光谱在730nm后几乎不反映叶绿素含量信息.法国梧桐导数光谱与叶绿素含量的相关性在549—630,676—690及700—743nm处较好,达到显著水平.毛白杨导数光谱与叶绿素含量的相关性在549—601,676—688及700—746nm处较好,达到显著水平.2.2法国恶意指数与毛白杨叶绿素含量的线性关系从图1,2可以看出,法国梧桐和毛白杨的导数光谱与叶绿素含量的相关性比原始光谱与叶绿素含量的相关性要好,所以本文利用导数光谱数据对叶绿素含量进行估计.对于法国梧桐,选取相关系数最高的波段562nm处的导数光谱数据与叶绿素含量建立线性相关关系,回归模型的确定性系数R2为0.7791(图3).对于毛白杨,选取相关系数最高的波段734nm处的导数光谱数据与叶绿素含量建立线性相关关系,回归模型的确定性系数R2为0.6858(图4).从图3和图4的对比来看,法国梧桐线性回归模型略优于毛白杨线性回归模型.2.3rov定理及网络参数设置人工神经网络是20世纪80年代中后期迅速发展起来的一个前沿领域,因其良好的预测性和实用性被广泛应用于各个领域,尤其在遥感影像自动分类与定量分析方面得到了广泛应用.BP神经网络具有并行处理、非线性、容错性、自适应性和自学习的特点,在数据拟合与模拟中有着无比的优越性.上文中利用导数光谱对叶绿素含量进行估计只能囊括一个波段,有一定的局限性,精度不高,而BP神经网络可以实现光谱波段之间优势互补,因此本文利用BP神经网络把多个波段的反射率作为输入矢量来预测法国梧桐、毛白杨叶绿素含量.本研究采用的BP神经网络是由Matlab的NeuralNet-workToolbox提供,网络共有3层,依次为输入层、中间层和输出层.输入层为不同诊断波段的光谱反射率,这里选择760,680,550,430nm处的反射率作为输入因子;中间层的神经元个数直接影响着网络的非线性预测性能,这里根据Kolmogorov定理,设定网络的中间层神经元个数为9;输出层为叶片叶绿素含量1个神经元.中间隐含层的激活函数为tansig,输出层为purelin函数,使得输出结果不局限在0—1.网络的训练函数为trainlm,它采用Levenberg-Marquardt算法进行网络学习,网络的学习函数为learngdm,该函数为梯度下降动量学习函数,它利用神经元的输入和误差、权值或阈值的学习速率和动量常数来计算权值或阈值的变化率.网络的性能函数采用均方误差性能函数mse.在法国梧桐50个叶绿素数据中随机抽取35个作为训练样本的学习目标T,因为其他研究者一般都是将760,680,550,430nm处的反射率作为输入矢量P,所以本文同样将这4个波长处的反射率作为输入矢量P,设置网络学习的迭代次数为500.当神经网络训练完毕后,把剩余15个叶绿素数据作为测试样本代入网络进行预测,对毛白杨做相同的处理.为检验预测效果,计算出预测值的相对误差(图5,6),法国梧桐BP神经网络预测值相对误差为-0.432%—17.836%,毛白杨BP神经网络预测值相对误差为0.004%—13.256%.由此看见,BP神经网络预测精度是比较高的.BP网络预测精度比较高,但在对模型进行训练时训练误差收敛比较慢,同时存在局部极小值等问题,实际运用过程中比较耗时,而且需要多次训练.所以本文尝试利用RBF神经网络模型对法国梧桐、毛白杨叶绿素含量进行估计.RBF神经网络也是由输入层、隐含层和输出层构成.本文中,输入层为不同诊断波段的光谱反射率,选择760,680,550,430nm处的反射率作为输入因子.由于本文的RBF神经网络是利用函数newrbe创建的,隐含层的数目会被自动选择,使得误差为0.输出层为叶片叶绿素含量1个神经元.正如在BP神经网络中,中间层的神经元个数直接影响着网络的非线性预测性能,在RBF神经网络中,径向基函数的分布密度SPREAD值的大小影响网络的预测精度.本文经过多次实验,法国梧桐的SPREAD值设定为3,毛白杨的SPREAD值设定为2.为了与BP网络进行比较,RBF神经网络中所用的学习样本和测试样本均与BP网络中的一样,同时计算法国梧桐、毛白杨RBF神经网络预测值相对误差(图5,6)分别为0.360%—11.160%,0.215%—12.930%.根据图5,6预测值相对误差的分布可知,法国梧桐的BP和RBF神经网络模型对其叶片叶绿素含量预测值相对误差绝对值大于5%的分别占33.33%和20.00%,最大相对误差绝对值分别为17.836%和11.160%;毛白杨的BP和RBF神经网络模型对其叶片叶绿素含量预测值相对误差绝对值大于5%的分别占13.33%和6.67%,最大相对误差绝对值分别为13.256%和12.930%.由此可见,BP网络不如RBF网络的预测精度高.3叶绿素含量估算模型的建立本文研究了法国梧桐和毛白杨的叶片高光谱数据,并测量了叶绿素数据;分别对获取的数据进行了单波段相关分析、导数光谱数据敏感波段回归分析、神经网络预测,通过分析得到以下结论.1)法国梧桐和毛白杨的叶片反射光谱数据、一阶导数光谱与叶绿素含量的相关性在可见光区域显著,与前人的研究基本一致,同时证明了利用SPAD-502测量的绿度值在一定程度上可以代替叶绿素含量的测定.2)法国梧桐、毛白杨的导数光谱与叶绿素含量的相关性在某些波段比原始光谱与叶绿素含量的相关性要好,采用导数光谱数据敏感波段建立了叶绿素含量估算模型,法国梧桐、毛白杨叶绿素含量估算模型的确定性系数分别为0.7791和0.