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。
【附图说明】
[0062] 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申 请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0063] 图1为本发明的所述一种方法高光谱遥感数据植被信息提取方法流程图；
[0064] 图2为本发明采用线性外推法确定红边位置的示意图。
【具体实施方式】
[0065] 如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员 应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以 名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在 通篇说明书及权利要求当中所提及的"包含"为一开放式用语，故应解释成"包含但不限定 于"。"大致"是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所 述技术问题，基本达到所述技术效果。此外，"耦接"一词在此包含任何直接及间接的电性 耦接手段。因此，若文中描述一第一装置耦接于一第二装置，则代表所述第一装置可直接电 性耦接于所述第二装置，或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说 明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目 的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。 [0066] 实施例1
[0067] 参见图1所示为本申请所述一种高光谱遥感数据植被信息提取方法的具体实施 例，本实施例中所述方法包括以下步骤：
[0068] 步骤101、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；
[0069] 步骤102、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；
[0070] 步骤103、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；
[0071] 步骤104、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。
[0072] 物质的基本组成成分的异同而导致光谱反射率曲线的差异是基于高光谱遥感影 像进行地物分析与分类的物理依据，所以首先需要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。高光谱遥感影像的波段数量多、波 段间隔密，观测数据有一定程度的冗余，此外，由于遥感探测器自身质量的问题，某些波段 的图像可能有比较大的噪声。因此，对高光谱影像进行降维预处理，可以得到植被冠层光谱 反射率数据。
[0073] 上述方法中，对高光遥感谱影像进行降维预处理算法是主成分分析法，其基本思 路为：利用K-L变换，使用数据的方差来描述信息量，试图使得变换后的数据按照信息量递 减分布。它主要是采用线性投影法将原始数据投影到新的坐标空间中，在新坐标空间中第 一主成分包含的信息量最大，第二主成分与第一主成分数据不相关并且在剩余成分中信息 量最大，以此类推。对于具有数十个波段的高光谱图像，一般前四、五个主成分就能够包含 图像90%以上的信息量，而更高的成分基本上没有什么信息。因此可以用前几个主成分代 替整幅高光谱图像，实现降维的目的。具体方法如下：
[0074] 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。；
[0075] 计算标准化矩阵X。的协方差矩阵Σ c;
[0076] 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；
[0077] 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：
[0079] 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。
[0080] 上述方法中，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：
[0081] (1)建立光谱特征与植被参量之间的统计回归模型：
[0082] y = C!X+c2
[0083] (2)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，回归值为爲，最小误差平方和准则表示为：
[0087] (3)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：
[0089] 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；
[0090] 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：
[0092] 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：
[0094] 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；由于ST= S JSR，当ST给定后，S R越大则S屬小，变量X对变量y的影响越显著。而 SR越小则S 大，变量X对变量y的影响越不显著。因此，定义决定系数R 2,计算公式为：
[0096] 决定系数R2反映了在选择的回归模型中变量X对变量y影响的显著性，其取值范 围为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，反之表示变量X的改 变对变量y没有什么影响。
[0097] 典型植被生理生化参量包括叶面积指数和叶绿素含量。叶面积指数由归一化差植 被指数计算得到，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)的计算公式为：
[0099] 对于M0DIS数据，叶面积指数的经验估算模型为：LAI = 0· 3775，exp (2. 4293，NDVI);
[0100] 对于ASTER数据，叶面积指数的经验估算模型为：LAI = 0· 3773 .exp (2· 4317 ·Ν?ν?)。
[0101] 利用反射率光谱曲线的红边特征计算所述叶绿素含量，其步骤为：
[0102] 线性外推法能够跟踪峰值出现的700nm和725nm附近的斜坡变化，缓解由于双峰 问题导致的植被生理参量和红边位置关系的不稳定性。该方法对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，并通过计算两条直线的交点来确定红边的位置，如图2 所示。
[0103] 第一条直线在长波红光侧，设其直线方程为：FDR = 1? λ +Cl。
[0104] 第二条直线在近红外侧，设其直线方程为：FDR = m2 λ +c2。
[0105] 确定这两条直线的方法有两种。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，在近红外侧利用波长为724nm和760nm的两个点计算直线方 程。线性外推法II在长波红光侧同样利用波长为680nm和694nm的两个点计算直线方程， 而在近红外侧利用波长为732nm和760nm的两个点计算直线方程。
[0106] 两条直线在交点处有相同的λ和FDR值，由此可得红边波长计算公式为：
[0108] 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)。
[0109] 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)。
[0110] 实施例2
[0111] 以下提供本发明的一种应用实施例。
[0112] 高光谱遥感数据植被信息提取方法包括：
[0113] (1)首先读取高光谱图像X;
[0114] (2)对图像进行主成份分析降维：首先计算标准化矩阵X。及其协方差矩阵Σ。，求 矩阵的特征向量矩阵A。，得到分析变换结果：
[0116] (3)由降维后的图像得到植被光谱反射率；
[0117] (4)建立光谱特征与植被参量之间的线性统计回归模型：
[0118] y = C!X+c2
[0119] 设观测值为yi，回归值为兑，最小误差平方和准则表示为：
[0123] (5)对模型的精度进行检验：
[0125] 决定系数R2反映了回归模型中变量X对变量y影响的显著性，其取值范围为