R2< 1。R2越大表示由变量X的改变引起变量y的改变越显著。
[0126] (6)计算典型植被生理生化参量：
[0127] 其中叶面积指数的计算方法为：
[0128] 设RniJP R 分别代表光谱反射率在近红外和红光处的取值，归一化差植被指数 NDVI 为：
[0130] 对于MODIS数据，叶面积指数的经验估算模型为：
[0131] LAI = 0. 3775 · exp (2. 4293 · NDVI)；
[0132] 对于ASTER数据，叶面积指数的经验估算模型为：
[0133] LAI = 0. 3773 · exp (2. 4317 · NDVI) 〇
[0134] 植被叶绿素含量的计算为：
[0135] 红边附近的光谱反射率一阶导数曲线的两侧外推出两条直线，第一条直线在长波 红光侧，设其直线方程为：FDR = 1? A+Cl;第二条直线在近红外侧，设其直线方程为：FDR = m2 λ +c2 〇
[0136] 红边波长计算公式为：
[0138] 采用线性外推法I计算红边波长REP与叶绿素含量CC之间的回归方程和精度为： CC = -1111. 01+1. 63 · REP, (R2= 0· 75)。
[0139] 采用线性外推法II计算红边波长REP与叶绿素含量CC之间的回归方程和精度 为：CC = -866. 41+1. 28 · REP, (R2= 0· 70)。
[0140] 本发明所提供的高光谱遥感数据植被信息提取方法，首先对高光谱影像进行主成 份分析降维处理，得到植被冠层光谱反射率数据，然后建立植被冠层光谱反射率数据与植 被参量标准值之间的线性回归经验数学模型，得到生理生化参量的高光谱遥感估算方法， 最后由归一化差植被指数计算叶面积指数、利用反射率光谱曲线的红边特征估算植被叶绿 素含量。
[0141] 通过以上各实施例可知，本申请存在的有益效果是：
[0142] 第一，本发明所提供的高光谱遥感数据植被信息提取方法，解决了传统的植被生 理生化参量通过物理化学实验来获取，费时费力，对植被具有破坏性，不适合在大面积开展 的问题。
[0143] 第二，本发明所提供的高光谱遥感数据植被信息提取方法，利用高光谱遥感数据 实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，其测量区域 甚至可以扩大到整个地球的尺度。
[0144] 本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序 产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实 施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产 品的形式。
[0145] 上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请 并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、 修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识 进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申 请所附权利要求的保护范围内。
【主权项】
1. 一种高光谱遥感数据植被信息提取方法，其特征在于，包括： 在实验研究区域同步或准同步地获取高光谱遥感影像和待测植被生理生化参量的参 考标准值； 对所述高光遥感谱影像进行降维预处理，得到植被冠层光谱反射率数据； 建立植被冠层光谱反射率数据与植被参量标准值之间的经验数学模型，得到植被生理 生化参量的高光谱遥感估算方法； 通过所述经验数学模型，由从高光谱影像得到的植被冠层光谱反射率数据得到植被参 量的估算值；利用样本值对模型中的参数进行估算，最后检验模型的精度。2. 根据权利要求1所述高光谱遥感数据植被信息提取方法，其特征在于， 对所述高光遥感谱影像进行降维预处理进一步为： 对原高光谱影像X各个波段的数据进行标准化，得到标准化图像矩阵X。； 计算标准化矩阵X。的协方差矩阵Σ 求矩阵Σ。的特征向量矩阵A。，其中特征向量按照特征值递减的规律从左向右排列； 利用求得的特征向量对图像数据进行线性变换得到PCA变换结果，计算公式为：矩阵Xpra中第一行数据表示原高光谱图像的第一主成分，第二行数据表示原高光谱图 像的第二主成分，以此类推。3. 根据权利要求1所述高光谱遥感数据植被信息提取方法，其特征在于， 所述建立植被冠层光谱反射率数据与植被参量标准值之间的经验数学模型进一步 为： 建立光谱特征与植被参量之间的线性统计回归模型： y = C1X+^ 利用样本点的地面实测数据和高光谱遥感数据对模型中的参数进行估计，设观测值为 Y1，回归值为戈》最小误差平方和准则表示为：对模型的精度进行检验：在线性回归模型中变量X与变量y之间有线性的关系，采用变 量X与变量y之间的相关系数来检验回归方程的显著性，表达式如下：相关系数r是表示变量X与变量y线性关系密切程度的量，其取值范围为|r| < I ;当 r > O时，变量X与变量y呈正相关关系；当r < O时，变量X与变量y呈负相关关系；且 r I越大表示线性相关性越强； 对于一般的回归模型，由于随机误差或自变量X的变化，变量y的观测值Y1F完全相 同：其中，表示总变差平方和，表示残差平方 和，表示随机误差对回归精度的影响，其标准化的值为均方根误差RMSE，计算公式为：式中，为回归平方和，反映由于自变量X引起的因变量y的分散程 度；定义决定系数R2,计算公式为：决定系数R2的取值范围为R2彡1。4. 根据权利要求1所述高光谱遥感数据植被信息提取方法，其特征在于， 所述植被生理生化参量包括叶面积指数和叶绿素含量，所述叶面积指数利用归一化差 植被指数计算得到，所述叶绿素含量利用反射率光谱曲线的红边特征计算得到。5. 根据权利要求4所述高光谱遥感数据植被信息提取方法，其特征在于， 利用归一化差植被指数计算所述叶面积指数的方法为： 通过以下公式计算得到归一化差植被指数NDVI :其中，Rnil^和Rrad分别代表光谱反射率在近红外和红光处的取值； 对于MODIS数据，叶面积指数的经验估算模型为： LAI = 0.3775 · exp (2. 4293 · NDVI)； 对于ASTER数据，叶面积指数的经验估算模型为： LAI =0· 3773 · exp (2. 4317 · NDVI) 〇6. 根据权利要求4所述高光谱遥感数据植被信息提取方法，其特征在于， 利用反射率光谱曲线的红边特征计算所述叶绿素含量的方法为： 采用线性外推法I在长波红光侧利用波长为680nm和694nm的两个点计算直线方程， 设位于长波红光侧的直线方程为：FDR = Hi1 λ +Cl;在近红外侧利用波长为724nm和760nm的 两个点计算直线方程，设位于近红外侧的直线方程为：FDR = m2 λ +c2; 得出红边波长计算公式为：采用所述线性外推法I计算红边波长REP与叶绿素含量CC之间的回归方程和精度为： CC = -1111. 01+1. 63 · REP, (R2= 0. 75) 〇7. 根据权利要求4所述高光谱遥感数据植被信息提取方法，其特征在于， 利用反射率光谱曲线的红边特征计算所述叶绿素含量的方法为： 采用线性外推法II在长波红光侧利用波长为680nm和694nm的两个点计算直线方程， 设位于长波红光侧的直线方程为：FDR = Hi1 λ +Cl;在近红外侧利用波长为732nm和760nm的 两个点计算直线方程，设位于近红外侧的直线方程为：FDR = m2 λ +c2; 得出红边波长计算公式为：采用所述线性外推法II计算红边波长REP与叶绿素含量CC之间的回归方程和精度 为：CC = -866. 41+1. 28 · REP, (R2= 0· 70)。
【专利摘要】本申请公开了一种高光谱遥感数据植被信息提取方法，包括：在实验研究区域同步或准同步地获取高光谱遥感影像和待测植被生理生化参量的参考标准值；对所述高光遥感谱影像进行降维预处理，得到植被冠层光谱反射率数据；建立植被冠层光谱反射率数据与植被参量标准值之间的经验数学模型，得到植被生理生化参量的高光谱遥感估算方法；通过所述经验数学模型，由从高光谱影像得到的植被冠层光谱反射率数据得到植被参量的估算值；利用样本值对模型中的参数进行估算，最后检验模型的精度。如此方案，利用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，适合大面积开展，其测量区域甚至可以扩大到整个地球的尺度。
【IPC分类】G01N21/25
【公开号】CN105352895
【申请号】CN201510731510
【发明人】孙向东, 高昆, 刘莹, 宾奇, 巩学美, 韩璐, 魏代永, 陈智增
【申请人】北京理工大学
【公开日】2016年2月24日
【申请日】2015年11月2日