• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于ACRM 模型與敏感波段的農(nóng)作物L(fēng)AI 與LCC 反演

      2020-04-09 06:43:02劉泳伶劉仕川任國業(yè)吳文斌李源洪程武學(xué)
      中國農(nóng)業(yè)信息 2020年5期
      關(guān)鍵詞:田塊波段反演

      劉 軻,劉泳伶,張 敏,劉仕川,任國業(yè),吳文斌,李源洪※,程武學(xué)

      (1. 四川省農(nóng)業(yè)科學(xué)院遙感應(yīng)用研究所/農(nóng)業(yè)農(nóng)村部遙感應(yīng)用中心成都分中心,成都610066;2. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點(diǎn)實(shí)驗(yàn)室,北京100081;3. 華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院,湖北武漢430079;4. 四川師范大學(xué)地理與資源科學(xué)學(xué)院,成都610101)

      0 引言

      發(fā)展現(xiàn)代農(nóng)業(yè),促進(jìn)農(nóng)業(yè)生產(chǎn)和管理的數(shù)字化、智能化,是我國保護(hù)農(nóng)業(yè)環(huán)境、保障糧食安全、實(shí)現(xiàn)鄉(xiāng)村振興的重要手段[1-2]。葉面積指數(shù)(Leaf Area Index,LAI)和葉片葉綠素含量(Leaf Chlorophyll Content,LCC)分別是農(nóng)作物典型的幾何結(jié)構(gòu)參數(shù)和生化參數(shù),兩者共同表征了作物生長狀況,在農(nóng)作物長勢[3]與病蟲害監(jiān)測[4]、養(yǎng)分診斷與估產(chǎn)[5]等領(lǐng)域有廣泛的應(yīng)用潛力,是現(xiàn)代農(nóng)業(yè)(尤其是數(shù)字農(nóng)業(yè))高效生產(chǎn)和科學(xué)管理的重要依據(jù)[2,6]。遙感技術(shù)以其經(jīng)濟(jì)、高效、大尺度、長時(shí)序等優(yōu)點(diǎn),已成為LAI 與LCC監(jiān)測的有效手段。基于冠層反射率(Canopy Reflectance,CR)模型(又稱“物理模型”)的LAI 與LCC 遙感監(jiān)測方法機(jī)理明確,對地面樣本點(diǎn)依賴少,普適性較好,便于開展大尺度的農(nóng)作物L(fēng)AI 與LCC 同步監(jiān)測[7]。

      CR 模型反演本質(zhì)上是“病態(tài)”的[8]。有研究表明,選用目標(biāo)參數(shù)的敏感波段開展反演,有利于減少非目標(biāo)參數(shù)對反演的干擾,約束“病態(tài)反演”,提高植被生理生化參數(shù)反演精度與穩(wěn)定性。例如,李小文等[9-10]提出了多階段目標(biāo)決策(Multi-stage,Sample-direction Dependent,Target-decisions,MSDT)反演法,主張首先利用部分遙感數(shù)據(jù)來反演對其最敏感、最不確定的參數(shù),再以其結(jié)果作為先驗(yàn)知識,反演其它參數(shù)。Xu 等[11]基于PROSAIL 模型,通過對比試驗(yàn)表明:利用720 nm 和800 nm 的光譜反射率和基于上述波段計(jì)算的Normalized Difference Vegetation Index(NDRE),構(gòu)建貝葉斯查找表,能較好地估算水稻LAI;而引入不敏感波段則會降低反演精度。然而,選擇敏感波段開展CR 模型反演的必要性仍需進(jìn)一步論證。首先,前人有關(guān)研究中,敏感波段選擇并非必需[8,12-13]。其次,Atzberger 等[14]提出面向?qū)ο螅╫bject-based)反演法,建議首先反演對象(通常是田塊或移動窗)內(nèi)部較均一的參數(shù),作為逐像元反演對象內(nèi)其它參數(shù)的先驗(yàn)知識[14-16]。在此過程中,往往將對象內(nèi)較均一但不敏感的參數(shù)(例如:熱點(diǎn)參數(shù)(Hot)、LCC、葉片干物質(zhì)含量(Cm)和土壤反射率系數(shù)(αsoil)等)與敏感且不均一的參數(shù)(例如:LAI)均設(shè)為自由變量[14,16]。此時(shí),便難以專門針對上述不敏感的目標(biāo)參數(shù)來選取敏感波段。綜上所述,進(jìn)一步明確CR 模型反演中選用目標(biāo)參數(shù)敏感波段的必要性,對于CR 模型常規(guī)(單一階段)反演方法而言,有助于進(jìn)一步減小反演中的不確定性;對于多階段反演而言,有助于合理開展反演方案選擇[17]。

      文章面向現(xiàn)代農(nóng)業(yè)對農(nóng)作物L(fēng)AI 和LCC 等關(guān)鍵參數(shù)的應(yīng)用需求,基于ACRM(a two-layer canopy reflectance model)冠層反射率模型[18],以冬小麥拔節(jié)期LAI 與LCC 反演為例開展實(shí)證研究。在通過波段選擇開展高光譜數(shù)據(jù)降維、約束CR 模型誤差影響的基礎(chǔ)上,分別利用LAI 或LCC 各自的敏感波段進(jìn)行反演試驗(yàn),以期進(jìn)一步明確CR 模型反演中選用目標(biāo)參數(shù)敏感波段的必要性,為后續(xù)開展CR 模型反演方法改進(jìn),特別是探索多階段反演方法積累研究基礎(chǔ),提供試驗(yàn)依據(jù)。

      1 研究區(qū)域與數(shù)據(jù)獲取

      研 究 區(qū) 位 于 河 北 省 衡 水 市 深 州 市。在37°49′59″N~37°53′02″N、115°40′14″E~115°44′17″E 范圍內(nèi)選取品種和長勢不同的5 塊冬小麥田塊。沿各田塊對角線均勻布設(shè)5~6 個(gè)樣本點(diǎn),研究區(qū)內(nèi)共設(shè)28 個(gè)樣本點(diǎn)。在每個(gè)樣本點(diǎn)劃定50 cm×4 壟的樣方,于其中開展測量。田間測量于2014 年4 月29 日進(jìn)行,正值冬小麥抽穗期。采用美國ASD公司生產(chǎn)的FieldSpec 4 光譜儀測量冠層反射光譜。光纖視場角10°,距冠層頂部約1 m,垂直向下開展測量。截取光譜范圍445~1 300 nm,能夠覆蓋可見光—近紅外(visible,near-infrared,VNIR);光譜分辨率重采樣為5 nm 以減少數(shù)據(jù)冗余。為排除隨機(jī)噪聲的干擾,采用Gao[19]提出的基于移動窗內(nèi)局部均值與局部方差的方法計(jì)算各波段的信噪比,結(jié)果表明VNIR 各波段信噪比均大于50,可直接用于反演。采用美國LI-COR 公司生產(chǎn)的LAI-2200 冠層分析儀測量LAI。而后,取樣測量葉片鮮重、干重、LCC,并采用LI-COR LI-3000C 便攜式葉面積儀測量單葉片葉面積,據(jù)此求得冬小麥葉片的Cm、含水量(Cw)和比葉重(SLW)。

      2 研究方法

      2.1 ACRM 模型取值方案確定與查找表生成

      擬基于ACRM 模型開展本研究。ACRM 是較成熟、完備的均勻介質(zhì)輻射傳輸模型,適用于封壟后的冬小麥冠層。該模型耦合了PROSPECT 模型以計(jì)算單葉片光譜,支持直接利用冠層反射光譜反演葉片生理生化參數(shù)?;诓檎冶恚╨ook-up-table,LUT)的反演方法較為準(zhǔn)確、簡便、快捷,應(yīng)用廣泛[7]。該文擬基于LUT 來開展ACRM 模型的反演。

      首先借助SimLab 軟件,采用拓展傅里葉幅度敏感性檢驗(yàn)(Extended Fourier Amplitude Sensitivity Test,EFAST)方法,評價(jià)ACRM 模型11 個(gè)主要參數(shù)在VNIR 范圍內(nèi)各波段的敏感性,其結(jié)果詳見筆者前期研究[20-21]。EFAST 不僅考慮了各參數(shù)自身的敏感性,也考慮了參數(shù)間的交互作用,比單純的局部敏感性分析更客觀、全面。

      原則上,選取VNIR 范圍內(nèi)EFAST 全局敏感性指數(shù)大于0.1 的參數(shù)作為自由變量,其余參數(shù)的取值參照地面測量、相關(guān)研究與調(diào)參試驗(yàn),固定為其各自期望值。以此,確定ACRM 模型參數(shù)取值方案,見表1。其中,自由變量取值范圍較寬,呈均勻分布,按固定步長取值,模擬了實(shí)際應(yīng)用中缺乏先驗(yàn)知識的通常情況。熱點(diǎn)參數(shù)SL 參數(shù)化為LAI的函數(shù)[22]。拔節(jié)期冬小麥綠色葉片占絕對優(yōu)勢,故葉片棕色素含量Cbp設(shè)為0[23]。依據(jù)MODIS 氣溶膠產(chǎn)品(MOD/MYD04)獲取470 nm、660 nm 處的氣溶膠光學(xué)厚度τ,進(jìn)而求得?ngstr?m 渾濁系數(shù)β[24]。按照表2 所示的取值方案,正向運(yùn)行ACRM 模型,生成LUT。

      表1 ACRM 模型參數(shù)取值方案Table 1 Parameter values for the ACRM

      續(xù)表

      2.2 反演波段選擇

      (1)為了避免高光譜遙感數(shù)據(jù)“維數(shù)災(zāi)難”,并減少CR 模型模擬誤差的影響,對高光譜遙感數(shù)據(jù)開展初步的反演波段選擇。首先,參照基于相同數(shù)據(jù)的前期研究[21],初步確定選用藍(lán)、綠、紅光波段各1 個(gè),以及近紅外波段2 個(gè),共5 波段作為反演波段。波段的具體位置尚不確定。其次,在全部28 個(gè)實(shí)測樣本點(diǎn)中隨機(jī)抽取6 個(gè)樣本點(diǎn)作為CR 模型誤差驗(yàn)證樣本。將這些樣本點(diǎn)各自由變量的最優(yōu)取值(田間測量值以及由ACRM模型調(diào)參試驗(yàn)獲得的最優(yōu)取值)代入ACRM 模型,生成各樣本點(diǎn)的最優(yōu)模擬光譜。比對最優(yōu)模擬光譜與遙感觀測光譜,評價(jià)ACRM 模型在各波段的模擬誤差?;谀M誤差最小的原則,確定各反演波段的具體位置,得到一個(gè)覆蓋藍(lán)、綠、紅光與近紅外的波段選擇方案,記為B1,見3.1 節(jié)。

      (2)為了進(jìn)一步探索目標(biāo)參數(shù)敏感波段選擇對基于CR 模型的LAI 與LCC 的遙感估算的影響,參考EFAST 敏感性分析結(jié)果[20-21],設(shè)計(jì)了波段選擇方案B2-B5(3.1 節(jié))。一方面,B2 為LAI 敏感的紅光與近紅外波段;為了進(jìn)一步排除第一土壤反射率參數(shù)rs1、馬爾可夫群聚參數(shù)Sz 和LCC 等參數(shù)對紅光波段光譜反射率的影響,從B2 中去除紅光波段,得到僅包含近紅外波段的B3。另一方面,藍(lán)光、綠光波段對LCC 的變化敏感,受其它參數(shù)干擾較少,且CR 模型光譜模擬誤差較?。?1],故試用藍(lán)光、綠光波段來反演LCC(記為B5)。同時(shí),在基于統(tǒng)計(jì)模型的LCC 遙感估算中,紅邊位置常作為LCC 的特征參量[25]。因此,考察用于CR 模型誤差檢驗(yàn)的6 個(gè)樣本點(diǎn),取其紅邊波段光譜二階導(dǎo)數(shù)為0 位置(紅邊位置)的平均值,加入LCC 反演,記為B4。

      2.3 基于查找表的ACRM 模型反演

      采用代價(jià)函數(shù)χ 式(1)[12]來表征CR 模型模擬光譜與遙感觀測光譜在感興趣波段的擬合程度。式(1)中,n 為參與反演的波段數(shù),Ri,measured與Ri,simulated分別為當(dāng)前波段觀測與模擬光譜反射率。

      理論上,LUT 中代價(jià)函數(shù)最小的參數(shù)組合即為反演結(jié)果。實(shí)際上,病態(tài)反演的存在使得最優(yōu)解并不唯一。經(jīng)試驗(yàn),該研究選取所有參數(shù)組合中χ 最小的前2 000 條,分別對各參數(shù)求均值,作為對應(yīng)參數(shù)的反演結(jié)果。

      2.4 LAI 與LCC 反演精度驗(yàn)證

      利用LAI 或LCC 估算值和實(shí)測值之間的決定系數(shù)R2和均方根誤差RMSE 來評估反演精度。

      3 結(jié)果與分析

      3.1 反演波段選擇

      通過對ACRM 模型光譜模擬誤差(圖1)的逐波段考察,依據(jù)特定波段范圍內(nèi)光譜模擬誤差最小的原則,確定覆蓋藍(lán)、綠、紅光與近紅外的波段選擇方案B1;在此基礎(chǔ)上,依據(jù)既定的波段設(shè)置(2.2 節(jié)),確定波段選擇方案B2~B5,見表2。

      圖1 樣本點(diǎn)1-1 光譜模擬誤差與6 個(gè)樣本點(diǎn)平均光譜模擬誤差[21]Fig.1 Error of spectral simulation on the Point 1-1 and the average of 6 sample points[21]

      3.2 基于不同波段的LAI 與LCC 遙感估算結(jié)果

      基于波段選擇方案B1-B5 的LAI 和LCC 反演精度分別如圖2、圖3 所示??傮w而言,對比圖2a(基于B1 的全體樣本點(diǎn)LAI 反演結(jié)果)與圖2b(基于B1 的1~4 號田塊LAI 反演結(jié)果)、圖3a(基于B1 的全體樣本點(diǎn)LCC 反演結(jié)果)與圖3b(基于B1 的1~4號田塊LCC 反演結(jié)果)可見:(1)基于藍(lán)、綠、紅光與近紅外(5 波段,B1)的LAI與LCC 反演結(jié)果大致上均能反映1~4 號田塊實(shí)測值的變化趨勢,但反演值與實(shí)測值之間均存在系統(tǒng)誤差:LAI<5 時(shí)通常被高估;LAI>6 時(shí)通常被低估;多數(shù)樣本點(diǎn)的LCC 則普遍被低估。(2)5 號田塊的LAI 與LCC 反演誤差較大。因此,后續(xù)分析僅考慮1~4 號田塊。

      圖2 基于不同波段選擇方案的LAI 反演精度Fig.2 Accuracies of LAI retrieval based on different schemes of band selection

      圖3 基于不同波段選擇方案的LCC 反演精度Fig.3 Accuracies of LCC retrieval based on different schemes of band selection

      就LAI 而言,在B1(圖2b)基礎(chǔ)上,排除對LAI 不敏感的綠光與藍(lán)光波段(B2);進(jìn)而在B2 基礎(chǔ)上,進(jìn)一步排除紅光波段,LAI 反演的R2和RMSE 均略有升高,意味著LAI 反演結(jié)果的一致性略有升高,但總體反演誤差也同時(shí)增加(圖2c~d)。

      就LCC 而言,(1)在B1(圖3b)基礎(chǔ)上,排除紅光與近紅外波段,加入紅邊波段,LCC 反演精度降低(圖3c)。(2)在B4 基礎(chǔ)上,進(jìn)一步排除紅邊波段,與LAI 反演類似,LCC 反演的R2與RMSE 較B1 而言均有所升高,意味著LCC 總體反演誤差與反演結(jié)果的一致性均有升高。

      總體而言,比較基于B1 與B3 的LAI 反演結(jié)果,以及基于B1 與B5 的LCC 反演結(jié)果,分別可見:僅選用目標(biāo)參數(shù)的敏感波段開展反演,帶來的反演精度差異均不明顯。

      4 結(jié)論與討論

      4.1 討論

      對基于CR 模型的植被參數(shù)反演而言,反演波段選擇的主要思路可概括如下。

      (1)高光譜數(shù)據(jù)降維。高光譜數(shù)據(jù)往往波段眾多。波段間的多重共線性、各波段的隨機(jī)誤差,以及相對較低的信噪比常導(dǎo)致所謂“維數(shù)災(zāi)難”,影響基于CR 模型的植被參數(shù)遙感估算[7]。因此,應(yīng)選用盡量正交且能夠表征目標(biāo)參數(shù)的波段,來開展反演[20,26]。

      (2)限制CR 模型模擬誤差的影響:Berger 等[27]認(rèn)為:模擬與觀測光譜間較小的不一致,也可能影響最終的反演精度。應(yīng)設(shè)法識別并排除模擬精度較差的波段[21,27-28]。

      (3)目標(biāo)參數(shù)敏感波段選擇,本研究通過反演試驗(yàn),驗(yàn)證了此類波段的影響。對比該研究與筆者前期研究可以發(fā)現(xiàn),上述三方面反演波段選擇對提高反演精度的作用不盡相同。基于ACRM 模型,以及與該研究相同的數(shù)據(jù),劉軻等[21]通過波段選擇,限制了CR 模型模擬誤差的影響,使LAI 的反演誤差減小了6.47%;通過旨在數(shù)據(jù)降維與限制模型誤差的波段選擇,使LAI 的反演誤差減小了8.73%[20]。相比之下,該研究通過僅選擇目標(biāo)參數(shù)LAI 或LCC 的敏感波段,帶來的反演精度的改進(jìn)是不明顯的。

      4.2 結(jié)論

      首先,該研究考慮高光譜數(shù)據(jù)降維和CR 模型模擬誤差,遴選出覆蓋藍(lán)、綠、紅與近紅外的5 個(gè)波段?;贏CRM 模型與上述5 波段,能在多數(shù)田塊實(shí)現(xiàn)較為準(zhǔn)確的LAI與LCC 的同步反演。

      其次,對比該研究與利用相同數(shù)據(jù)的前期研究可知,波段選擇對基于CR 模型的植被參數(shù)反演具有重要作用。然而,其中旨在高光譜數(shù)據(jù)降維與限制CR 模型模擬誤差的波段選擇對LAI 反演精度改進(jìn)作用較為顯著。相較而言,選用單一目標(biāo)參數(shù)(LAI 或LCC)的敏感波段,對反演精度改進(jìn)并不明顯。盡管如此,僅利用LAI 敏感波段的LAI 反演仍然降低了反演值與實(shí)測值之間的RMSE,顯示出上述方法存在提高反演精度的可能。

      綜上所述,一方面,該研究證實(shí)了常規(guī)反演方法與面向?qū)ο蠓囱莘ú粡?qiáng)調(diào)選用單一目標(biāo)參數(shù)敏感波段的合理性;另一方面,并不否定MSDT 反演法以及一些相關(guān)研究提出的,僅采用單一目標(biāo)參數(shù)敏感波段來開展反演的合理性。囿于研究規(guī)模,該研究僅涉及單一作物、單一生育期,也未討論CR 模型參數(shù)取值不確定性等其它因素的影響。未來,應(yīng)較為全面地考察作物、生育期、波段選擇方法、CR 模型參數(shù)取值方案等多多因素的影響,以便得出更為全面、合理的CR 模型反演方案,進(jìn)一步提高基于CR 模型的農(nóng)作物關(guān)鍵參數(shù)遙感反演的精度與穩(wěn)定性,服務(wù)于現(xiàn)代農(nóng)業(yè)。

      猜你喜歡
      田塊波段反演
      春日暖陽
      “施肥寶” 微信小程序端設(shè)計(jì)與實(shí)現(xiàn)
      反演對稱變換在解決平面幾何問題中的應(yīng)用
      田塊尺度上的農(nóng)田土壤Cd污染分布不均勻性*
      土地整治項(xiàng)目中土地平整設(shè)計(jì)技術(shù)研究
      山西建筑(2019年5期)2019-04-12 01:52:34
      基于低頻軟約束的疊前AVA稀疏層反演
      基于自適應(yīng)遺傳算法的CSAMT一維反演
      M87的多波段輻射過程及其能譜擬合
      日常維護(hù)對L 波段雷達(dá)的重要性
      西藏科技(2015年4期)2015-09-26 12:12:58
      疊前同步反演在港中油田的應(yīng)用
      临澧县| 衢州市| 三都| 绥宁县| 邓州市| 镇安县| 湖北省| 泰兴市| 汾西县| 德兴市| 阳泉市| 繁昌县| 申扎县| 城步| 二手房| 太仆寺旗| 赤城县| 鸡泽县| 津南区| 迁西县| 焉耆| 佛山市| 五华县| 安远县| 满洲里市| 分宜县| 灌南县| 阳高县| 吐鲁番市| 东乡族自治县| 桑日县| 横峰县| 无极县| 遵义县| 云霄县| 嘉峪关市| 镶黄旗| 临安市| 福安市| 泾阳县| 枣强县|