高光谱遥感数据植被信息提取方法
【技术领域】
[0001] 本申请涉及植被信息提取技术领域，具体地说，涉及一种高光谱遥感数据植被信 息提取方法。
【背景技术】
[0002] 传统上，植被生理生化参量主要是通过物理化学实验来获取的。这些实验完全按 照植被参量的定义来设计，因此测量精度比较高。缺点是需要在实地采摘植被样本，费时费 力，且对植被具有破坏性。这种实验不适合在大面积开展，只能使用样本对整体进行估算。 另外，对于人类不能够或者不容易到达的区域，采用传统的方法提取植被信息是完全不可 行的。
[0003] 利用高光谱遥感数据实现对植被生理生化参量的估算，是生态学、农学、全球变化 等科学研究以及精准农业等应用行业的迫切需求。这种测量方法具有快捷方便的特点，其 测量区域甚至可以扩大到整个地球的尺度。并且它是一种无损测量法，它不会对植被生长 造成任何的影响。
[0004] 利用高光谱遥感影像进行植被生理生化参量估算的主要方法有基于经验模型的 统计分析法和基于辐射传输模型的物理反演法。经验模型认为植被冠层反射率光谱曲线的 某些特征与植被的生理生化参量之间具有某种相关关系，通过建立光谱特征与待测参量之 间的统计回归方程对植被参量进行估算。高光谱数据提取的特征可能是光谱反射率曲线在 某些特殊波段上的取值，或者是一阶导数光谱反射率曲线在某些特殊波段上的取值等。
[0005] 通过人们对植被光谱的大量分析和研究，提出了将多个具有显著特征的光谱波段 进行组合，得到对植被的某个生理生化参量敏感的植被指数，并建立植被指数与待测生理 生化参量之间的经验方程。需要注意的是，由于植被遥感影响因子的复杂性和多样性，要发 展一个具有广泛普适性的光谱指数任重而道远。光谱植被指数的发展需要遵循的原则是， 尽量对背景干扰不敏感，而对待估算的植被参量敏感。
[0006] 不同的植被参量会直接造成光谱反射率曲线形状上的改变，将光谱曲线的某个吸 收特征或反射特征参量化，可以得到反映植被生理生化参量的指标。应用最广泛的特征是 植被所特有的"红边"，定义为光谱反射率曲线在680- 750nm波长之间的一阶导数最大值 对应的波长位置。植被的红边特性对叶绿素、氮、物候等的变化很敏感。
[0007] 物理模型考虑了光在植被冠层以下的辐射传输机制，原理性强。且在模型的初始 假设范围内不会受到时间地点等因素的限制，在机理上准确分析了植被生理参量对光谱反 射率的影响，对噪声的鲁邦性好。但是由于涉及了植被冠层和叶片的结构、辐射传输过程等 复杂的问题，模型结构会比较复杂，过多的变量可能会影响实际应用的效果。
[0008] 经验模型法认为植被光谱反射率曲线的某些特征，例如特殊波段的反射率或一阶 导数反射率值、红边特征、植被指数等，与植被生理生化参量之间具有统计意义上的相关 性。采用经验模型法估算植被生理生化参量的步骤是：首先建立光谱特征与植被参量之间 的统计回归模型，然后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，最后对模型的精度进行检验。
【发明内容】
[0009] 有鉴于此，本申请所要解决的技术问题是提供了一种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。
[0010] 为了解决上述技术问题，本申请有如下技术方案：
[0011] -种高光谱遥感数据植被信息提取方法，其特征在于，包括：
[0012] 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；
[0013] 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；
[0014] 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；
[0015] 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。
[0016] 优选地，其中，对所述高光遥感谱影像进行降维预处理进一步为：
[0017] 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。；
[0018] 计算标准化矩阵X。的协方差矩阵Σ
[0019] 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；
[0020] 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：
[0022] 矩阵XPM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。
[0023] 优选地，其中，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：
[0024] 建立光谱特征与植被参量之间的线性统计回归模型：
[0025] y = C!X+c2
[0026] 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yi，回归值为Λ，最小误差平方和准则表示为：
，得到参数估算量为：
[0030] 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：
[0032] 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| < 1 ; 当r > 0时，变量X与变量y呈正相关关系；当r < 0时，变量X与变量y呈负相关关系；且 r|越大表示线性相关性越强；
[0033] 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71不完 全相同：
[0035] 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：
[0037] 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：
[0039] 决定系数R2的取值范围为R 2彡1。
[0040] 优选地，其中，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。
[0041] 优选地，其中，利用归一化差植被指数计算所述叶面积指数的方法为：
[0042] 通过以下公式计算得到归一化差植被指数NDVI :
[0044] 其中，UP R 分别代表光谱反射率在近红外和红光处的取值；
[0045] 对于M0DIS数据，叶面积指数的经验估算模型为：
[0046] LAI = 0· 3775 · exp (2. 4293 · NDVI);
[0047] 对于ASTER数据，叶面积指数的经验估算模型为：
[0048] LAI = 0· 3773 · exp (2. 4317 · NDVI) 〇
[0049] 优选地，其中，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：
[0050] 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 = mi 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;
[0051] 得出红边波长计算公式为：
[0053] 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)。
[0054] 优选地，其中，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：
[0055] 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 = mi 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;
[0056] 得出红边波长计算公式为：
[0058] 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)。
[0059] 与现有技术相比，本申请所述的方法和系统，达到了如下效果：
[0060] 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。
[0061] 第二，本发明所提供的高光