高山松生化组分高光谱遥感定量反演研究-毕业论文开题报告.docx
《高山松生化组分高光谱遥感定量反演研究-毕业论文开题报告.docx》由会员分享，可在线阅读，更多相关《高山松生化组分高光谱遥感定量反演研究-毕业论文开题报告.docx（11页珍藏版）》请在冰点文库上搜索。
西南林业大学
本科毕业论文（设计）开题报告
论文题目 高山松生化组分高光谱遥感定量反演研究
专业名称 地理信息系统
年级 2012级 学生学号 201204520 学生姓名 杨庆
指导教师（职称） 舒清态
填表时间2016年3月22日
教务处制
指导教师基本情况
指导教师姓名
性别
年龄
学历或学位
专业技术职务或职称
工
作
单
位
西南林业大学林学院
题目来源
科研项目
；
横向课题
；
其它来源 .
1、该研究的目的、意义
高山松生化组分的研究其实跟植物生化组分的研究大体是基本一致的，只是研究的面从某种意义上说缩小了范围，在这里呢我们就以植物生化组分为模型进行对高山松生化组分研究做指导。
高山松植被体内所含的叶绿素、水分、蛋白质、木质素和纤维素等组分统称为生化组分，它们都直接或问接地参与生物地球化学循环，在生态系统的物质和能量循环中发挥着重要作用，是评价植物生产力、养分亏缺、枯枝落叶分解率和碳氮养分分布等的重要因子。
在生态系统中人类生存和生产、生活息息相关的诸多生态过程都与植被生化组分有密切联系。
例如蒸发、蒸腾、初级生产、废物分解等的快慢就与植物生化组分的含量和构成有着密切联系（PetersonandHubbard，1992；AberandFederer．1992；GoetzandPrince，1996）。
对植物体而言，其生化组分，尤其是叶片中的生化组分，或作为原料（如水）、或作为触媒（如叶绿素）、或作为中间产物或最终产物（如蛋白质），影响和控制着生态过程的进行。
叶绿素浓度是植物营养胁迫光合能力和发育阶段的重要指标，在植物营养中占有极其重要的地位：
氮素是植物生长不可或缺的营养元素之一，氮在叶片中参与了叶绿素和蛋白质的合成，缺氮是与叶绿素含量关系最密切的营养胁迫因子之一，而过量氮不仅造成营养物质的流失，还会污染周边地表水和地下水环境；适量的碳素营养也是植物生命过程中不可缺少的；而碳氮比含量直接影响自然界每年氮矿化量和氮循环状况（Wessman，eta1．，1988），是衡量生态系统枝落叶分解速率的重要指标，而且是许多生态模型所需的输入参数；叶水是叶片内部各种生化过程的发生介质，也是光合作用的基本原料之一，其含量多少与蒸腾作用有着密切关系。
缺水不仅是限制植物生长的重要胁迫因素，在森林地区也是林火发生和快速蔓延的原因之一。
可见，植物生化组分的研究不仅在生态系统、全球变化、碳、氮循环等科学研究方面具有重要意义，而且在指导农业生产、监测农作物长势和估产、分析农田水肥状况以及植被精细类和森林火灾预警等诸多方面也具有重要意义[1]。
遥感作为一门新型的技术与传统学科相结合的探测手段，提供了多种不同时间和空间尺度的地表物理和化学特性的信息。
与传统点尺度上耗时耗力的人工量测相比，遥感为获得不同尺度生化组分含量提供了一个便捷的多元化工具。
植被生物物理、化学参量是植被属性的定量表征，对于理解生态系统、驱动地表生态模型具有重要意义。
高光谱技术是近几年迅速发展起来的一种全新遥感技术。
它具有窄波段，分辨率高，能获得高精度、连续的地物光谱信息，对遥感研究提供了大量高精度的数据。
高光谱遥感影像丰富的光谱信息使定量估算植被生化参数成为可能。
利用高光谱遥感数
据实现对植被生化组分的监测，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。
传统的获取植被生化组分含量的方法主要是通过野外实地采样、室内进行分析。
这种方法的主要缺点是费时费力，具有事后性和破坏性，且有限的样本采样不适合大面积的应用。
遥感作为新型的探测手段，可以方便快捷的获取空间上连续分布的地物光谱信息。
而且随着遥感卫星影像光谱分辨率的不断提高，现在能够获得上百个连续波段的图形，光谱分辨率可以达到10个纳米，使得每个象元都可以获取一条完整的光谱曲线，这为获取植被生化组分的光谱特征，进行生化组分的定量提取提供了可能。
通过遥感估算生化组分，进而可以研究植被的质量以及区域甚至全球尺度的养分
循环或生物地球化学循环等，遥感数据成为冠层特性时空变化详细信息获取的唯一低成本的来源[2]。
2、国内外研究现状及发展趋势
2.1高光谱遥感研究现状
高光谱遥感的发展从概念的提出到成像光谱仪的问世大概有30年的历史，它是20世纪后半叶遥感技术发展的一个里程碑，早在二十世纪六七十年代美国农业部就就利用光谱学提取了植物干叶片生化组分参量，但是随着高光谱遥感技术的发展大量有关生化组分的研究也就随着展开，分布在农业，林业，生态环境等各个领域，高光谱遥感的研究也在不断的扩宽领域，我国在对林业这部分的研究也逐渐成为热点，在2010年东北林业大学的杨曦光就在植被森林生化参量的研究中其中他对全氮素和叶绿素的研究在本次论文研究中比较有借鉴意义。
目前高光谱遥感的主要领域：
林业遥感、环境检测、海洋遥感、资源勘察、自然灾害监测、土地资源管理、农业定量遥感的研究（生产农业精细化）、海洋生态监测等。
2.2高光谱遥感在植被研究中的应用
遥感提取植被生化组分的研究最初是从干叶片开始的，目前己形成从植物甚至其他的方面的研究。
早在二十世纪六七十年代，美国农业部（USDA）在实验室可控条件下，使用近红外光谱学方法
（NIRS）详细测定和分析了干燥和捣碎的多种植物叶片光谱，并成功提取了干叶片中纤维素、木质素、蛋白质和淀粉等生物化学参量。
USDA的很快被广泛推广，并被政府采用（Card．eta1．，1988；Wessman，eta1．，1988）。
Curran（1989）对干叶片的收光谱特征进行了详细测量，在详细分析引起光谱特征变化机理的基础上，发现叶片在可见光到近红外波段有42个小的吸收峰，这一研究成果为后续研究奠定了基础[1]。
随着遥感定量反演技术的发展，植被生化组分研究方法逐步的走向成熟。
传统的研究方法多元统计回归分析方法、植被指数法等。
人们利用光谱特征采用不同波段的组和或波段位置等与植被生化组分之间建立相关关系，进而反演植被生化组分。
Grossman等（1996）验证了利用逐步多元回归定量化叶片中各种生化组分含量的可靠性。
而物理模型反演方法又包括辐射传输模型和几何光学模型、混
合模型等方法。
PabloJ．Zarco—Tejada等（2003）利用植被冠层高光谱影像及PROSPECT模型反演植被叶绿素含量。
Bamt＆Foudy（1998）尝试用鲜叶片反射率（透过率）光谱或其变化形式来提取单位面积上的蛋白质、木质素、纤维素、半纤维素、糖和淀粉的含量[3]。
提取效果最好的是含水量和干物质含量，其他组分则表现出一定的不确定性。
Whire等（2000）的研究表明：
利用实验室近红外光谱
（NIRS）估测的干叶和新叶的含氮量，与用野外GER2600光谱仪估计的冠层含氮量没有直接的可比性。
David等（2005）利用PROSPECT叶片模型反演叶片含水量和干物质含量，表明新鲜叶片干物质反演结果较差，而干叶片中干物质反演精度较高，主要是叶片中水分影响造成的。
利用鲜叶光谱估计化组分较估测干燥或捣碎叶片困难得多，主要原因有三个：
一是由于新鲜叶片表面的蜡质层能引起高反射；二是叶中强势组分水的影响，使得在短波红外区水的强烈吸收会在很大程度上掩盖其它生化组分的吸收特征，因而对其他组分的估算比较困难；三是细胞结构间隙因气和水介质差异导致折射率不同而使多次散射更加复杂等。
遥感反演植被生化组分的方法：
最小二乘与逐步回归方法、基于光谱吸收特征的反演方法——去包络线法、光谱导数、基于光谱位置的反演方法——红边位置、植被指数、物理模型方法。
高光谱遥感仪器技术起源于20世纪70年代的多光谱遥感技术，以其光谱分辨率高、图谱合一的优势迅速
发展起来。
3、主要参考文献
[1].张艳,植被生化组分高光谱遥感定量反演研究,南京信息工程大学,博士论文.2000。
[2].颜春燕，刘强,牛铮,王长,植被生化组分的遥感反演方法研究,中国科学科院遥感应用研究所遥感信息科学国家重点实验室，北京100101,2014.7月。
[3].刘良云,高光谱遥感在精准农业中的应用研究[D].中国科学院遥感应用研究所,2002。
[4].靳涵丞,贵州喀斯特山区烟叶生化指标高光谱估测模型研究,云南大学,2014.4月。
[5].杨曦光，高光谱数据提取森林冠层叶绿素及氮含量的研究，东北林业大学硕士论文，
2010.6。
[6].李凤秀，张柏，刘殿伟，王宗明，宋开山，靳华安，刘焕军，湿地小叶章叶绿素含量的高光谱遥感估算模型术，中国科学院东北地理与农业生态研究所，长春130012；中国科学院研究生院，北京100039，2008.7。
[7].杨金红,高光谱遥感数据最佳波段选择方法研究,南京信息工程大学，2005.5。
4、该研究的简要内容，重点解决的问题，预期结果或成果
4.1研究的简要内容
高山松生化组分高光谱定量反演，健康绿色高山松光谱受本身的植被生化组分影响，因此可根据高山松反射光谱与其生化组分的关系，来利用其植被光谱反演其生化参数。
通过生化组分定量反演来建立模型，近而对高山松的深化组分及其生长状况作监测。
研究主要内容包括：
4.1.1高山松叶片主要生化参数的测定及高光谱特征提取
利用美国ASD公司生产的FieldSpec3便携式地物光谱仪，通过地面或空中的高山松冠层波谱观测,并同步开展叶绿素a、叶绿素b、叶绿素总量、类胡萝卜素的生化成分分析。
4.1.2高光谱数据处理及生化成分相关性分析
Hyperion数据的预处理，数据的处理除了基本的几何校正和辐射校正以及定义投影外，还需要处理水汽吸收波段和非定标波段剔除、辐射定标、坏带处理、垂直条纹去除、大气校正，地形校正。
对野外实测地面光谱数据进行变换，因为我们测的是叶片光谱数据，不能直接将叶片尺度的叶绿素和全氮素含量估算模型直接运用到遥感影像上，所以在进行实验时需要对叶片光谱数据和冠层叶面光谱数据进行转换，分析特征光谱与对应树木枝叶的叶绿素（a,b）、类胡萝卜素等生化成份进行相关性分析，提取主要生化参数高光谱遥感估测模型的特征波段。
4.1.3高光谱遥感估测模型的建立及精度验证
通过多元线性逐步回归分析技术、曲线拟合技术以及神经网络技术,探讨冠层高光谱反射率及其变换形式与对应生物化学参数之间的关系,并建立估算模型,然后进行精度检验。
4.1.4高山松高光谱特征波段的选取
通过特征波段的选择来强化那些最具有可分性光谱波段，一般来说选择最佳波段原则有三点：
第一是选择的波段信息量最大化；第二是所选择的波段数据间的相关性小；第三是研究区内地物光谱容易区分。
信息含量多、相关性小、地物光谱差异大可分性好的波段就是应该选择最佳的波段来研究，高光谱影像波段的选择基本流程如下：
（其中影像的预处理包括：
噪声的消除、辐射较正和几何校正。
）
4.2重点解决问题
4.2.1高山松高光谱特征波段的选取
如何根据具体的应用目的,在众多的波段中选取最佳波段组合用于假彩色合成以突出感兴趣的区域,对于有效的进行高光谱数据处理、分析及信息提取至关重要,一方面从基于信息量的波段选择出发,首先分析了影像所包含的信息量、各通道之间的相关性以及影像上各地物的光谱特征,选出了那些包含信息量大、相关性小、光谱差异大的波段子集,然后将其与联合熵、协方差矩阵特征值法、最佳指数法和波段指数法等波段选择方法相结合选出了高光谱遥感影像的最佳波段组合;另一方面从基于类间可分性的波段选择出发,先根据目视解译将影像上呈现的主要地物利用非监督分类法将其分为九类,然后再根据高光谱数据具有的空间维和光谱维特性,分别计算各类对在任意三波段组合上的统计距离（标准距离、离散度、B距离）和计算任意两类地物光谱在任意三波段组合上的光谱相关系数、光谱相似系数、以及混合距离和欧氏距离,并取最大者（光谱相关系数取最小者）的波段组
合,则此三波段组合为最能区分这两类地物的组合波段,再综合考虑影像上的全部地物,选出最能有效判读整幅影像地物的最佳波段组合,最后对各种方法得出的波段组合以及它们合成的假彩色图像进行了分析[7]。
4.2.2高山松高光谱模型的选型
研究叶绿素含量定量的反演模型，要从叶片的反射光谱开始，以地面实测叶片叶绿素含量和对应ASD光谱扫描数据为基础研究，从统计学方法和相关合理性角度来对叶绿素含量进行反演模型。
方法有多元统计方法、物理光学模型、神经网络的方法，这里主要选取多元统计的方法，多元统计方法比较传统典型，应用比较普遍，操作简单易懂。
当然在能力要求范围内可以建立或者借鉴精度比较高的模型，对研究叶绿素含量和叶绿素叶片光谱的相关性，其相关系数越大，相关性越高其相关信息量越大。
氮素是生态系统中不和或缺的元素，尤其是植被中是植被生长和生态循环重要参量，是所有氨基酸、蛋白质的组成成分。
也是核酸、叶绿素、多种酶、多种维生素、植物激素的主要成份，总之氮素是多肽化合物的重要组成成份。
所以氮素的含量对光谱影响比较复杂，直接获取比较复杂，因为其在各种生物体内成分含量复杂，虽然在生物体内含量和成分复杂，但是植物体内氮素至少60%
以蛋白质的形式存在，所以我们也可以通过蛋白质的含量和光谱作用来反映氮素对叶片光谱的影响，在建立估测含氮素多少量的模型可以采用和叶绿素相同的多元统计模型也可以利用PROSPECT模型[5]。
4.3预期结果和成果
利用预处理后的Hyperion高光谱图像和实测生化组分数据，建立该地区高山松的生化组分：
叶绿素、全氮的定量估算模型，并得到研究区2种生化组分的波普图。
拟采取的研究方法或实验方法，步骤，可能出现的技术问题及解决办法
5、研究方法或实验方法，步骤
5.1地面光谱实验设计
研究区域内随机选取并设置了32个20mx30m样地,用DGPS确定样地中心点坐标,确定优势树种并选取三株（优势树、次优势树、受压迫）作为样本树,测量树高及枝下，高,计算冠长,并将树冠分为上、中、下三层,使用高枝剪采集叶片样本,每层取5一10片,用ASDSpec3地物光谱仪测量叶片光谱,然后将其放入保温箱中（箱内温度保持在O摄氏度）,带回实验室进行叶绿素含量的测量。
ASD光谱仪测量时，选择无风晴朗天气，云层少为佳。
5.2ASDSpec3地物光谱仪
所用仪器为美国分析光谱仪器公司制造的背挂式ASD满光谱范围（350—2500hm）野外光谱辐射仪（ASDFieldSpecFR）。
它能以0．1S的速度纪录350～18第二章研究区概况与数据资料2500nm、采样间隔为inm的光谱数据。
其光谱分辨率在350～1000nm之间是3nm，1000～2500nm之间是lOnm。
测
量开始和结束前，分别将参考板与被测对象置于同一水平面，优化并测量参考板光谱，目的是消除暗电流。
5.2.1高山松高光谱生化参量的测定
本次实验测量生化参数包括氮素和叶绿素对采集完高光谱数据的叶片及时采摘并标记放入装有冰块的保温箱，送到实验室进行叶片生化指标的测定。
5.2.2高山松叶绿素的检测
样片处理：
鲜叶片，弃去叶片的中脉、粗大的叶脉、干枯、病害部分，取叶片的绿色组织，剪成1~5mm碎块，混合均匀。
<1>随机选取叶片打孔取样，用精度为万分之一的电子天平沉重后研磨。
<2>测定叶绿素含量：
将样品全部无损地转入干净的25ml容量瓶，用浓度
80％的丙酮调至刻度，塞住瓶塞，猛烈摇荡混合，放在暗处浸泡1小时后过滤，过滤后的滤液用分光光度计测量并记录在470nm、646nm和663nm处的光密度，分别记做：
A470、A636和A663。
用下式计算叶绿体色素含量：
叶绿体色素含量=色素浓度*提取液体积*稀释液倍数/样品鲜重（干重）
其中稀释倍数是1，提取液体积25ml。
叶绿素Ca，叶绿素Cb和类胡萝h素Cx．C分别由下式求得：
Ca=12.21*A663-2.81*A646Cb=20.13*A646-5.03*A663
Cx.c=（1000*A470-3.27*Ca-104*Cb）/229
5.3高山松全氮含量检测
样片处理：
鲜叶片，弃去叶片的中脉、粗大的叶脉、干枯、病害部分，置于50℃干燥箱烘干至恒重，磨细、过筛、混匀、装瓶保存。
检测方法：
凯氏法[57]。
仪 器：
SCINODT208消化炉、FOSSKT260定氮仪。
5.4高山松高光谱特征波段的选取
表1 光谱参数特征变量——位置变量
1 光谱参数特征变量——位置变量
位置变量
定义
描述
Dr
红边幅值
红边（680~760nm）内最大的一阶微分值
Db
蓝边幅值
蓝边（490~530nm）内最大的一阶微分值
Dy
黄边幅值
黄边（560~640nm）内最大的一阶微分值
Rg
绿峰幅值
绿光范围（510~560nm）最大的波段反射率
Rr
红光吸收谷幅值
640~680nm范围内最小的波段反射率
λr
红边位置
红边幅值对应的波长
λb
蓝边位置
蓝边幅值对应的波长
λy
黄边位置
黄边幅值对应的波长
λg
绿峰位置
绿峰对应的波长
λv
红光吸收谷位置
红光吸收谷对应的波长
表2 光谱参数特征变量——面积变量
面积变量
定义
描述
SDr
红边面积
红边范围内一阶微分值的总和
SDb
蓝边面积
蓝边范围内一阶微分值的总和
SDy
黄边面积
黄边范围内一阶微分值的总和
SDg
绿峰面积
绿光范围内一阶微分值的总和
表3 光谱参数特征变量——植被变量
植被变量 描述
SDr/SDb 红边面积与蓝边面积比值
（SDr-SDy）/（SDr+SDy） 红边面积与黄边面积归一化值
SDr/SDy 红边面积与黄边面积比值
（Rg-Rr）/（Rg+Rr） 绿峰与红谷归一化值
（SDr-SDb）/（SDr+SDb） 红边面积与蓝边面积归一化值
Rg/Rr 绿峰与红谷比值
5.5高光谱模型的建立
5.5.1.估测模型
回归分析是一种古典又充满生机的模型，是数理统计中最成熟、最常用的方法。
它可广泛应用于社会、经济、科技各个领域的数据分析。
建立经验公式，作定理预测预报.
使用回归分析在精准农业研究中的应用非常广泛，通过建立回归估测方程，可以及时准确的获取田间农学参数，快速掌握作物生长状况，确定施肥、灌溉等最佳时机，为作物的高产、优产提供了可靠的技术支持。
5.5.2单变量线性与非线性回归模型
估测方程自变量与因变量之间的关系根据研究对象的不同，采用的回归模型也不同，相对单变量，本研究使用的回归模型主要包括一下几种：
（1）单变量线性模型：
y=a+bx；
（2）单变量对数模型：
y=a+b*lnx；
（3）单变量抛物线模型：
y=ax2+bx+c；
（4）单变量幂模型：
y=a*xb；
（5）单变量指数模型：
y=a*ebx
其中，y代表生化参数的拟合值，x高光谱变量a、b代表回归常数、回归系数。
5.5.3多元逐步回归模型
在进行多元线性回归分析中，并不是所有的自变量都对因变量有显著的影响，这就存在着如何挑选出对因变量有显著影响的自变量的问题。
自变量的所有可能子集可以构成2m-1个回归方程，当可供选择的自变量不太多时，我们可以一一求出所有回归方程并筛选出最有方程，但是当自变量的个数较多时，工作就变得及其的繁琐，求出所有的方程也变得非常困难，于是人们给出了一些较为简便、使用、快速的选择最优方程的方法，常用的有“前进法”、“后退法”、“逐步回归法”。
其中逐步回归法最受推崇。
逐步回归的基本思想是有进有出。
具体做法是将变量一个一个引入，当每引入一个自变量后，对已选入的变量要进行逐个检验，当原引入的变量由于后面变量的引入而变得不再显著时，要将其剔除。
引入一个变量或从回归方程中剔除一个变量，为逐步回归的一步，每一步都要进行F检验，用以确保每次引入新的变量之前回归方程中只包含显著的变量。
这个过程反复进行，直到既无显著的自变量选入回归方程，也无不显著的自变量从回归方程中剔除为止。
建立逐步回归多因子回归方程是基于最小二乘法原理。
通过逐步回归剔除对因变量不起作用或作用极小的因子，挑选出显著性因子，最终得出最优回归模型[69]。
多变量逐步回归模型的表达式为：
y=a0+a1x1+a2x2+a3x3+…+aixi+…
式中a0表示回归常数，ai表示回归系数。
理论上，应用逐步回归技术可以找到与烟叶生化指标即因变量具有最大相关关系的高光谱参数自变量，它具有较高的估算精度[71]。
下表列出了几种回归模型的比较：
5.5.4模型的精度检验
在进行回归估测模型的建立时，还涉及到模型精度的检验，通常精度评价标准可采用以下三种方式：
（1、相关系数（R）评价：
在光谱数据生物化学参数的相关及回归分析中可用相关系数来评价高光谱模型所推算的理论值与实测值之间的相关性及预测结果优劣。
（2、均方根差（RMSE）评价：
∑
𝑛
（
𝑦‒𝑦
𝑖
𝑖
'
）
2
𝑖=1
𝑛
RMSE=
i
由单变量和多变量回归模型估计出的参数，其精度可用均方根差来评价。
公式中：
yi和y’分
别为实测值和由模型计算出的理论值，n为样本数。
RMSE值相对越小则模型的预测精度水平越高。
（3、相对误差（RE）评价：
𝑦𝑖‒𝑦'）𝑦𝑖
RE=（
𝑖 / *100%
’
公式中：
yi和yi
分别为实测值和由模型计算出的理论值。
取相对误差绝对值的平均值作为
模型精度检验指标。
值越小则模型预测精度越高。
5.6可能出现的技术问题及解决办法
5.6.1可能出现的问题
（1）模型选型问题
通过参考前人的研究成果，比较不同模型估测精度，选出最适宜的高山松生化参数遥感估测模型。
（2）精度验证问题
模型精度一直是定是遥感反演的难点之一。
本研究将加大样本量，以提高模型的适应性。
6、完成该研究已具备的条件
6.1本科及研究生期间对本专业知识的学习，具备一定的理论水平和实践经验，为保证论文的完成打下基础；同时，我院拥有多种计算机软件、FieldSpec3便携式地物光谱仪和开放的地理信息系统实验室，为具体的实验环节提供了保障；能够得到导师的全面指导和帮助更是论文得以完成的巨大保证。
6.2对高光谱遥感技术应用于植被领域的研究理论、相关文献大量查阅后，掌握了关于高光谱遥感技术对植被生化组分分析的基本方法；
6.3基本需求数据，相关处理软件，ASD高光谱扫描仪。
具备遥感数字图像处理能力以及相关文献，安装NDVI软件、SPSS建模软件。
指导教师意见
签名:
年 月
日
教研室意见
教研室负责人：
时间：
年
月
日
教学院系部意见
教学院系部负责人：
时间：
年
月
日
升级会员 