【CN109975250A】一种叶面积指数反演方法及装置【专利】
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910333471.7
(22)申请日 2019.04.24
(71)申请人 中国科学院遥感与数字地球研究所
地址 100101 北京市朝阳区大屯路甲20号
北
申请人 首都师范大学
(72)发明人 董莹莹 李雪玲 朱溢佞 叶回春
黄文江
(74)专利代理机构 北京集佳知识产权代理有限
公司 11227
代理人 杨华 王宝筠
(51)Int.Cl.
G01N 21/552(2014.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
一种叶面积指数反演方法及装置
(57)摘要
本申请公开了一种叶面积指数反演方法及
装置，其中，方法包括：获取遥感植被冠层光谱反
射率数据，将遥感植被冠层光谱反射率数据输入
预先训练的深度神经网络模型，得到深度神经网
络模型输出的叶面积指数，深度神经网络模型至
少包括卷积层，卷积层的采样步幅大于1，并且取
不大于卷积层使用的滤波器的尺度的数值中的
最大值。通过本申请，可以反演出具有较高精度
的叶面积指数。权利要求书2页 说明书12页 附图2页CN 109975250 A 2019.07.05
C N 109975250
A
权 利 要 求 书1/2页CN 109975250 A
1.一种叶面积指数反演方法，其特征在于，包括：
获取遥感植被冠层光谱反射率数据；
将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺度的数值中的最大值。
2.根据权利要求1所述的方法，其特征在于，所述预设的神经网络模型是采用训练样本训练得到；所述训练样本包括预设的植被光谱发射率数据，以及与所述预设的植被光谱反射率数据对应的叶面积指数；
所述预设的植被光谱反射率数据为在所述遥感植被冠层光谱反射率数据中的比例为0.14％的数据。
3.根据权利要求1所述的方法，其特征在于，所述卷积层包括：第一个卷积层与第二个卷积层，所述第一个卷积层与所述第二个卷积层连接；
所述第一卷积层的滤波器尺寸为1*3，采样步幅为3，所述第二个卷积层的滤波器尺寸为1*3，采样步幅为3。
4.根据权利要求3所述的方法，其特征在于，所述深度神经网络模型还包括：一个池化层；所述第二个卷积层与所述池化层连接。
5.根据权利要求4所述的方法，其特征在于，所述深度神经网络模型还包括：三个全连接层，分别为第一个全连接层，第二个全连接层与第三个全连接层；所述池化层与所述第一个全连接层连接，所述第一个全连接层输出的数据，输入随机失活(Dropout)，所述Dropout 输出的数据输入所述第二个全连接层，所述第二个全连接层与所述第三个全连接层连接。
6.根据权利要求5所述的方法，其特征在于，所述第二个卷积层输出的数据输入预设的第一ReLU激活函数，所述第一ReLU激活函数输出的数据输入所述池化层，所述池化层输出的数据输入所述第一个全连接层，所述第一个全连接层输出的数据输入预设的第二ReLU激活函数，所述第二ReLU激活函数输出的数据输入所述Dropout，所述Dropout输出的数据输入所述第二个全连接层，所述第二个全连接层输出的数据输入预设的第三ReLU激活函数，所述第三ReLU激活函数输出的数据输入所述第三个全连接层，所述第三个全连接层输出的数据输入预设的Sigmoid函数。
7.一种叶面积指数反演装置，其特征在于，包括：
获取模块，用于获取遥感植被冠层光谱反射率数据；
输入模块，用于将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺度的数值中的最大值。
8.根据权利要求7所述的装置，其特征在于，所述预先训练的神经网络模型采用训练样本训练得到；所述训练样本包括预设的植被光谱发射率数据，以及与所述预设的植被光谱反射率数据对应的叶面积指数；
所述预设的植被光谱反射率数据为在所述遥感植被冠层光谱反射率数据中的比例为0.14％的数据。
9.根据权利要求7所述的装置，其特征在于，所述卷积层包括：第一个卷积层与第二个
2
考虑红边特性的多平台遥感数据叶面积指数反演方法研究
考虑红边特性的多平台遥感数据叶面积指数反演方法研究 叶面积指数(Leaf Area Index,LAI)是最重要的植被结构参数之一,是作物长势监测、作物估产、肥水管理等精准农业必备的数据源。遥感技术为大面积、及时获取LAI提供了有效手段。红边波段能够用于研究植物养分及健康状态监测、植被识别和生理生化参数等信息, 是定量遥感分析的理论基础。利用不同遥感数据估测植被LAI各有其优劣性,叶面积指数反演过程中需要充分挖掘包含红边波段的不同数 据源的特点。例如,高光谱数据红边波段数量多、波段窄,但是存在波段间高度相关、数据冗余的问题;包含单个红边波段的多光谱数据, 红边波段较宽,比高光谱数据的红边波段缺少了许多细节;包含多个 红边波段的多光谱数据,可以反映更多红边区域的光谱细节,并且由 于红边区域反射率迅速上升,红边区域内的不同波段之间存在较大差别,在实际反演中需要进行合理选择。本文针对不同遥感数据源的特点,围绕红边波段进行叶面积指数反演研究,主要研究内容及结论如下:(1)基于近地和航空高光谱数据红边波段的叶面积反演方法研究。基于研究区域采集的近地、航空高光谱数据和田间同步试验测量LAI 数据,探究航空和地面高光谱数据红边区域对冬小麦LAI的反演能力。首先,建立高光谱植被指数反演模型,进而研究红边波段组合法和传 统波段组合、逐波段组合方法对植被指数反演LAI精度的影响,结果 显示在红边区域680-750nm波段范围内,波段组合得到的植被指数与LAI的相关性非常高。最后,针对不同肥水条件下叶面积指数的特征 光谱及参数随不同试验条件存在差异,本文基于航空和近地高光谱数
据,以及田间实测数据,建立了基于高光谱植被指数MSAVI(Modified Soil-Adjusted Vegetation Index),NDVI(Normalized Difference Vegetation Index)和MTVI2(Modified Triangular Vegetation Index 2)的普适性强、精度高的冬小麦叶面积指数估算模型。(2)基于包含单个红边波段的多光谱卫星数据反演作物叶面积指数方法研究。针对一般红边波段代替红波段的改进植被指数多是基于单一时相、单一作物实现LAI估算中存在的对叶绿素含量的干扰因素考虑不足的缺陷,本文提出基于红边波段和红波段进行组合改进的新植被指数 ndvired&re(red-edgenormalizeddifferencevegetationindex),msr red&re(red-edgemodifiedsimpleratioindex)和 cired&re(red-edgechlorophyllindex)。依据田间实测的不同生育时期的四种作物(小麦,大麦,苜蓿,玉米)的叶面积指数和与田间试验准同步的rapideye卫星影像,建立基于植被指数的反演模型,结果证明本文提出的植被指数克服了在多时相和多种类型作物的情况下叶绿 素含量的变化对lai反演的影响,有效提高了lai的反演精度,比一般红边波段代替红波段的植被指数反演结果的决定系数提高至少10%。 (3)基于包含多个红边波段的多光谱卫星数据反演作物叶面积指数方法研究。面对包含多个红边波段的新发射多光谱卫星在作物参数反演中的研究尚未成熟的情况,本文以搭载两个红边波段的sentinel-2 卫星为例,针对不同红边波段之间光谱差异、多个红边波段的波段选择等问题,采用三种叶面积指数反演的经典方法:查找表、神经网络和植被指数法,建立冬小麦叶面积指数反演模型。作为对比,同时利用不
叶面积指数测定方法及叶面积指数仪介绍
叶面积指数测定方法及叶面积指数仪介绍在农业生产中，叶面积指数是植物生产力的一个重要参数，很多农业种植工作人员都会通过对叶面积指数的测定来对植物进行合理的农事作业。叶面积指数的测定方法有很多种，可分为直接测量和间接测量，不过在这些测定方法中，目前市场上应用比较广泛的就是使用叶面积指数测定仪来测定，本文就和大家简单介绍一下叶面积指数测定仪仪及其他叶面积指数测定方法。 托普云农TOP-1300叶面积指数测定仪采用国际上一致采用的原理（比尔定律以及冠层孔隙率与冠层结构相关的原理），通过专用鱼眼镜头成像和CCD图像传感器测量冠层数据和获取植物冠层图像，利用软件对所得图像和数据进行分析计算，得出冠层相关指标和参数。具有准确、省时省力、快捷方便的特点。具体地叶面积指数测定可测量叶面积指数、叶片平均倾角、散射辐射透过率、不同太阳高度角下的直射辐射透过率、不同太阳高度角下的消光系数、叶面积密度的方位分布、冠层内外的光合有效辐射（PAR）等。 当然除了以上所介绍的使用叶面积指数测定仪来测定叶面积指数之外，还有其他测定方法，具体如下： 1、点接触法：点接触法是用细探针以不同的高度角和方位角刺入冠层，然后记录细探针从冠层顶部到达底部的过程中针尖所接触的叶片数目。 2、消光系数法：该法通过测定冠层上下辐射以及与消光系数该法通过测定冠层上下辐射以及与消光系数相关的参数来计算叶面积指数。 3、经验公式法：经验公式法利用植物的胸径、树高、边材面积、冠幅等容易测量的参数与叶面积或叶面积指数的相关关系建立经验公式来计算。 4、遥感方法：卫星遥感方法为大范围研究LA I提供了有效的途径。主要有2种遥感方法可用来估算叶面积指数，一种是统计模型法。另一种是光学模型法。 5、光学仪器法：光学仪器法按测量原理分为基于辐射测量的方法和基于图像测量的方法。
叶面积指数获取方法
A.直接方法直接测定方法是一种传统的、具有一定破坏性的方法。 1、叶面积的测定，传统的格点法和方格法。 2、描形称重法. 在一种特定的坐标纸上,用铅笔将待测叶片的轮廓描出并依叶形剪下坐标纸,称取叶形坐标纸重量,按公式计算叶面积. 3、仪器测定法. 叶面积测定仪可以分成两种类型,分别通过扫描和拍摄图像获取叶面积. 扫描型叶面积仪主要由扫描器(扫描相机) 、数据处理器、处理软件等组成,可以获得叶片的面积、长度、宽度、周长、叶片长度比和形状因子以及累积叶片面积等数据,主要仪器有: CI - 202 便携式叶面积仪、L I- 3000台式或便携式叶面积仪、AM - 300手持式叶面积仪等. 此外,还有使用台式扫描仪和专业图像分析软件测定的方法. 图像处理型 叶面积仪由数码相机、数据处理器、处理分析软件和计算机等组成,可以获取叶片面积、形状等数据,主要仪器有:W IND I2AS图象分析系统、SKYE 叶片面积图像分析仪、Decagon - Ag图象分析系统、WinFOL IA 多用途叶面积仪等. B、间接方法间接方法是用一些测量参数或用光学仪器得到叶面积指数,测量方便快捷,但仍需要用直接方法所得结果进行校正。 1、点接触法 点接触法是用细探针以不同的高度角和方位角刺入冠层,然后记录细 探针从冠层顶部到达底部的过程中针尖所接触的叶片数目,用以下公式计算. 式中,LA I为叶面积指数, n为探针接触到的叶片数, G (θ) 为投影函数,θ为天顶角. 当天顶角为57.5°时,假设叶片随机分布和叶倾角椭圆分布 ,则冠层 叶片的倾角对消光系数K的影响最小,此时采用32.5°倾角刺入冠层,会得出较准确的结果,用以下公式计算. 点接触法是由测定群落盖度的方法演进而来的 ,在小作物LA I的测量中较准确 ,但在森林中应用比较困难 ,主要是由于森林植物树体高大以及针叶树种中高密度的针叶影响了测定。 2、消光系数法 该法通过测定冠层上下辐射以及与消光系数该法通过测定冠层上下辐射以及与消光系数相关的参数来计算叶面积指数,前提条件是假设叶片。随机分布和叶倾角呈椭圆分布,由Beer - Lambert定 律知:
叶面积指数LAI测量仪器介绍
叶面积指数LAI测量仪器介绍 目的是给出各种测量LAI的仪器的直观介绍。 LA I 是一个无量纲、动态变化的参数, 随着叶子数量的变化而变化。另外, 植物叶子的生长与植物种类自身特性、外部环境条件以及人为管理方式有关。再加上LA I 的不同定义和假设导致了LAI 值测量的极大差异。植物LAI 的地面测量方法有2 类: 直接测量和间接测量。本文简要介绍LAI2200（LAI2000）、SUNSCAN、TRAC、AccuPAR和DHP仪器并且给出一些选择建议。目前，遥感科学国家重点实验室关于LAI测量的仪器有LAI2000、LAI2200、TRAC和LI3000A。 1，LAI2200（LAI2000） LAI2200植物冠层分析仪基于成熟的LAI-2000技术平台，利用“鱼眼”光学传感器（垂直视野范围148度，水平视野范围360度，波谱响应范围320nm~490nm）测量树冠上、下5个角度的透射光线，利用植被树冠的辐射转移模型（间隙率）计算叶面积指数、空隙比等树冠结构参数。利用随机FV-2200软件，可对数据进行深入处理分析。该仪器由美国 LI-COR公司开发。 仪器组成如下图所示。
测量注意事项： 尽可能避免直射的阳光，尽量在日出日落时或者多云的天气（阴天）进行测量，如果避免不了，需要注意：1，使用270度的遮盖帽或者更小视野的遮盖帽；2，背对着阳光进行测量，遮挡住日光和操作者本身；3，对植物冠层进行遮阴处理；4，如果云分布不均匀导致光线不均匀的天气条件下要等待云彩飘过并且遮挡了阳光时再进行测量。 在非均匀、不连续植被情况下以及复杂地形区的测量结果不理想。 2，SUNSCAN
【CN109975250B】一种叶面积指数反演方法及装置【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利 (10)授权公告号 (45)授权公告日 (21)申请号 201910333471.7 (22)申请日 2019.04.24 (65)同一申请的已公布的文献号 申请公布号 CN 109975250 A (43)申请公布日 2019.07.05 (73)专利权人 中国科学院遥感与数字地球研究 所 地址 100101 北京市朝阳区大屯路甲20号 北 专利权人 首都师范大学 (72)发明人 董莹莹 李雪玲 朱溢佞 叶回春 黄文江 (74)专利代理机构 北京集佳知识产权代理有限 公司 11227 代理人 杨华 王宝筠 (51)Int.Cl.G01N 21/552(2014.01)G06N 3/04(2006.01)G06N 3/08(2006.01)审查员 李新科 (54)发明名称 一种叶面积指数反演方法及装置 (57)摘要 本申请公开了一种叶面积指数反演方法及 装置，其中，方法包括：获取遥感植被冠层光谱反 射率数据，将遥感植被冠层光谱反射率数据输入 预先训练的深度神经网络模型，得到深度神经网 络模型输出的叶面积指数，深度神经网络模型至 少包括卷积层，卷积层的采样步幅大于1，并且取 不大于卷积层使用的滤波器的尺度的数值中的 最大值。通过本申请，可以反演出具有较高精度 的叶面积指数。权利要求书2页 说明书12页 附图2页CN 109975250 B 2020.03.24 C N 109975250 B
权 利 要 求 书1/2页CN 109975250 B 1.一种叶面积指数反演方法，其特征在于，包括： 获取遥感植被冠层光谱反射率数据； 将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺寸的数值中的最大值； 其中，所述卷积层包括：第一个卷积层与第二个卷积层，所述第一个卷积层与所述第二个卷积层连接； 所述第一卷积层的滤波器尺寸为1*3，采样步幅为3，所述第二个卷积层的滤波器尺寸为1*3，采样步幅为3； 其中，所述深度神经网络模型还包括：一个池化层；所述第二个卷积层与所述池化层连接； 其中，所述深度神经网络模型还包括：三个全连接层，分别为第一个全连接层，第二个全连接层与第三个全连接层；所述池化层与所述第一个全连接层连接，所述第一个全连接层输出的数据，输入随机失活(Dropout)，所述Dropout输出的数据输入所述第二个全连接层，所述第二个全连接层与所述第三个全连接层连接。 2.根据权利要求1所述的方法，其特征在于，所述预设的神经网络模型是采用训练样本训练得到；所述训练样本包括预设的植被光谱反射率数据，以及与所述预设的植被光谱反射率数据对应的叶面积指数； 所述预设的植被光谱反射率数据为在所述遥感植被冠层光谱反射率数据中的比例为0.14％的数据。 3.根据权利要求1所述的方法，其特征在于，所述第二个卷积层输出的数据输入预设的第一ReLU激活函数，所述第一ReLU激活函数输出的数据输入所述池化层，所述池化层输出的数据输入所述第一个全连接层，所述第一个全连接层输出的数据输入预设的第二ReLU激活函数，所述第二ReLU激活函数输出的数据输入所述Dropout，所述Dropout输出的数据输入所述第二个全连接层，所述第二个全连接层输出的数据输入预设的第三ReLU激活函数，所述第三ReLU激活函数输出的数据输入所述第三个全连接层，所述第三个全连接层输出的数据输入预设的Sigmoid函数。 4.一种叶面积指数反演装置，其特征在于，包括： 获取模块，用于获取遥感植被冠层光谱反射率数据； 输入模块，用于将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺寸的数值中的最大值； 其中，所述卷积层包括：第一个卷积层与第二个卷积层，所述第一个卷积层与所述第二个卷积层连接； 所述第一卷积层的滤波器尺寸为1*3，采样步幅为3，所述第二个卷积层的滤波器尺寸为1*3，采样步幅为3； 其中，所述深度神经网络模型还包括：一个池化层；所述第二个卷积层与所述池化层连接； 2
叶面积指数遥感反演
冬小麦叶面积指数(LAI)的遥感反演 ——经验模型和物理模型方法 李淑敏 2010/12/13
?第一部分.基础知识 ?第二部分.遥感反演LAI 的方法 ?第三部分.研究实例 本次课程主要内容 叶面积指数LAI 、遥感反演 经验模型反演方法、物理模型反演方法 几何光学模型、辐射传输模型 PROSAIL 模型 硕士论文——―基于MODIS/ASTER 的区域冬小麦叶面 积指数PROSAIL 模型反演研究” BRDF 模型PROSPECT 模型、SAIL 模型
叶面积指数leaf area index ?定义：单位土地面积上植被叶片总面积。 叶片总面积/占地面积 ?陆地生态系统的一个十分重要的参数： 农作物产量预估和病虫害评价； 反映作物生长发育的动态特征和健康状况。 ?叶面积指数越大，表明单位土地面积上的叶面积越大。 那么，叶面积指数越大越好吗?? ?以冬小麦为例了解叶面积指数变化情况
图为不同群体叶面积指数消长模型（彭永欣等，1992）1—过大群体;2—高产群体;3—过小群体. 低增缓增快 增衰减LAI 消长动态分为四个时期 1. 低速增长期，叶片总数较多，但叶面积较小，总叶面积增速较低； 2. 缓慢增长期，单叶面积渐次增加，但低温条件，出叶周期延长； 3. 快速增长期，气温回升，植株生长快速，至孕穗期LAI 达峰值； 4. 衰减期，植株生殖生长，叶片消亡叶面积衰减，至成熟期LAI 为0。一个生长期内冬小麦叶面积指数变化
叶面积指数获取方法 ?实测方法 长宽法、称重法这些方法均需要消耗一定的人力进行实物测量。 借助有关测量工具例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等，此方法仍需实地进行测量。 仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在很大局限性，不能满足植被生态和作物长势监测需求 ?遥感反演方法由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。 可以用定量遥感方法反演区域LAI ?作物生长模型模拟LAI
圆形与狭长形叶片叶面积计算方法
圆形与狭长形叶片叶面积计算方法1 廖林仙，邵孝侯，陈晓峰 河海大学农业工程学院，江苏南京（210098） E-mail：liaolinxian@https://www.sodocs.net/doc/dd4253064.html, 摘要：基于实测的叶面积与叶长、叶宽数据，分别针对狭长形和圆形叶片，探讨了叶片面积的计算方法。对狭长形叶片，在分析作物的叶面积和叶长宽积之间关系的基础上，确定了玉米、水稻的叶面积计算的修正系数分别为0.73、0.77，与通常采用的0.75相比，玉米的修正系数有所减小，而水稻的修正系数有所增加，采用率定的修正系数计算叶片面积，取得很好的计算结果；对圆形叶片，分别按照d=（L+W）/2和d=（L+2W）/3进行直径等效，进而采用圆形面积计算公式计算叶片面积，结果与实测结果具有较高的一致性，并且采用d=（L+2W）/3近似的结果优于采用d=（L+W）/2近似的结果。 关键词：叶面积，校正系数，等效直径，叶片形状 叶片是植物的主要营养器官，叶面积大小是生理生化、遗传育种、作物栽培等方面研究经常涉及的内容之一。目前常用的叶面积的测定方法有网格交叉法、叶面积仪法、复印称重法、干重法、数字图像处理法等[1-5]。这些方法各有利弊，如网格交叉法比较准确，但需要消耗大量的时间；叶面积仪器法虽然具有快速、无损的特点, 但对仪器的依赖性大；而复印称重法则需要破坏性取样测定。因此建立方便、准确、无损的叶面积测定方法，有着极为重要的实用价值。在应用最多的长宽法方面，已有的研究多侧重于针对某种特定作物的叶面积测定方法比较[2，3，6-8]或校正系数的直接应用[8-12]，缺乏对校正系数的系统研究，而对不同形状叶片叶面积计算方法缺乏深入探讨。本文基于实测的多种作物的叶片面积与叶片长度、宽度资料，分别针对狭长形与圆形叶片采用长宽法和等效直径近似圆法对叶面积进行了估算，为叶面积的快速、无损测量提供了简便实用的方法。 1. 材料与方法 选择完整、大小各异的水稻、玉米、大豆和红薯的叶片若干，采用AM-200型便携式手持叶面积仪测定叶片的面积，同时采用直尺测定叶片的最大长度和宽度。所有观测均在南京市板桥农业生态示范园内进行。 对狭长形叶片水稻和玉米，根据公式1计算确定各种作物的修正系数k。另取一定数量的叶片，同样测定叶片的面积和最大长度与宽度，根据此 前确定的修正系数进行验证。 k=A l/（L×W）1） 其中k为修正系数；A l为叶面积，cm2；L和W分别 为叶片的最大长度和最大宽度，cm。 针对圆形叶片大豆和红薯，分别按照等效直径为d= （L+W）/2和d=（L+2W）/3进行近似（如图1），根据 圆形面积公式进行计算。即分别按照公式2和公式3计算。 16) W L( A 2 l + =π 2） 1本课题得到教育部重点科研资助项目（重点03171）的资助。 (L+2W)/3图1 圆形叶片等效直径示意图
多源遥感数据反演土壤水分方法
多源遥感数据反演土壤水分方法 张友静1,王军战2,鲍艳松3 (11河海大学水文水资源与水利工程科学国家重点实验室,江苏南京 210098;21中国科学院寒区旱区环境与工程研究所, 甘肃兰州 730000;31南京信息工程大学大气物理学院,江苏南京 210044) 摘要:基于AS AR 2APP 影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。利用T M 和MOD I S 影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现T M 影像提取的归一化水分指数(NDW I )反演精度较好,相关系数达到0187。根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。反演结果表明:该方案可得到理想的土壤水分反演精度,并可控制参数估计的误差。反演土壤含水量和准同步实测数据的相关系数为019,均方根误差为3183%。在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。 关键词:土壤含水量;多源遥感数据;水云模型;AS AR;多尺度 中图分类号:P33819 文献标志码:A 文章编号:100126791(2010)022******* 收稿日期:2009203209 基金项目:国家自然科学基金资助项目(40701130;40830639) 作者简介:张友静(1955-),男,江苏南京人,教授,主要从事遥感机理与方法研究。E 2mail:zhangyj@hhu 1edu 1cn 土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象和农业灌溉等多个学科的关注。微波土壤水分遥感研究始于20世纪80年代,其中最具代表性的是U laby 利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量 [1]。80年代后,Dobs on 和U laby 利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式,并一致认为小角度入射后向散射系数对土壤湿度最敏感[2]。随着微波散射模型不断发展,相继出现微波散射的小扰动模型、几何光学模型、物 理光学模型、两尺度模型和积分方程模型A I E M 。Dobos on 等在物理模型和试验研究的基础上各自建立了经验和半经验模型,成功地反演了裸土的土壤含水量 [324]。2000年以来,随着Rardrsat,E NV I S AT AS AR 传感器发射,基于卫星雷达数据的土壤湿度反演逐步开展。李震等综合主动和被动微波数据,建立一种半经验模型,用于估算地表土壤水分的变化 [526]。研究表明AS AR 数据在半干旱区农田土壤湿度反演方面具有独特的优势[729]。 在植被覆盖条件下,微波信号的组成十分复杂。研究提取植被覆盖下的土壤湿度信息的重点在于如何有效的分离出植被对微波的散射信号,以便用土壤的后向散射信号估算植被覆盖下的土壤含水量。直接用多频同步微波遥感数据通过理论模型或数值模拟求解植被对微波的散射信号[9],具有很好的同步性和物理意义。但遥感数据获取较为困难,同时求解所需的地面同步观测的数据要求很高,因而区域尺度的监测应用还有待深入研究。根据植被的生物、物理特征与植被散射信号之间的关系,采用同步光学遥感数据反演植被散射信号是近年来的研究热点[9211]。但在植被特征参数表达农作物后向散射信号的能力评价、模型参数的识别以及整体求解方案等方面的研究较少。此外,为满足土壤水分监测和灌溉决策的需求,还需研究不同时空分辨率数据反演植被散射信号的能力。本文根据水云模型,研究多尺度下不同植被特征参数与小麦含水量的关系,采用将所有参数放入统一框架下估算的策略,构建了结合光学和微波遥感数据的土壤水分估算模型,并分析了模型参数的敏感性。经准同步实测数据检验,小麦覆盖下土壤水分的估算达到了较高的精度。 第21卷第2期 2010年3月 水科学进展ADVANCES I N WATER SC I ENCE Vol 121,No 12 M ar .,2010
浅析多源遥感数据融合原理及应用
浅析多源遥感数据融合原理 摘要: 本文介绍了遥感影像融合技术, 系统阐述了几种常见的遥感影像融合方法及其优缺点。首先，阐述了多源遥感影像数据融合的目的、意义以及多源遥感影像数据融合的基本理论；然后介绍了多源遥感影像数据融合的层次和常用方法,在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上，归纳了多源遥感影像数据融合方法，然后通过实验，对不同方法融合后的成果图进行比较，每种方法都有其自身的优点和不足之处，这就决定了它们在应用方面的不同，采用乘积方法变换、Brovey比值变换和PCA变换融合方法融合后的图像，其光谱保真程度逐渐降低．Muhiplieative（乘积）变换融合较好地保留了多光谱波段的光谱分辨率和空间信息，融合图像的光谱保真能力较好，详细程度较高；PCA变换融合和Brovey变换；融合和影像质量一般．与PCA变换融合比较，Brovey变换融合的空间信息的详细程度较低，但相对好的保留了多光谱波段的光谱分辨率。 关键词: 遥感影像融合融合层次融合方法优缺点对比
目录 1、绪论 (1) 2、多源遥感数据融合的基本理论 (1) 2.1 多源遥感数据融合的概念 (3) 2.2多源遥感数据融合的原理 (4) 2.3多源遥感数据融合层次 (4) 2.3.1 像元级融合 (4) 2.3.2 特征级融合 (4) 2.3.3 决策级融合 (5) 3、多源遥感数据融合常用方法 (5) 3.1 主成分变换（PCT） (5) 3.2 乘积变换 (5) 3.3 Brovey比值变换融合 (5) 4、实验与分析 (6) 5、结语 (8) 参考文献 (9) 致谢 (10)
玉米叶面积指数变化及其应用
玉米叶面积指数变化及其应用 摘要 叶面积指数（LAI）与作物产量的增长联系紧密，在一定范围内随着叶面积指 数的增加群体光合速率提高。LAI与品种特性，种植密度，栽培措施，气象条件 有密切联系。本文分别从玉米LAI模型构建和不同处理措施对玉米LAI的影响角 度总结近年来关于玉米LAI的研究以及其对于农业生产的意义。 前言 玉米是大田中的主要作物之一，我国的玉米生产水平有较大的提高潜力。叶 面积指数是计算作物蒸散和干物质累积最重要的生理参数，可为植冠表面最初能 量交换描述提供结构化定量信息，是进行物质循环及能量代谢等研究的基础，是 除单叶光合作用速率以外决定作物冠层光合作用计算精确与否的重要参数，且最 能反映遥感数据与作物生长状态密切关系关系，因此研究叶面积指数动态变化模 式有重要的应用价值。目前有关玉米LAI的测定，LAI动态模型的建立，不同株 型玉米LAI动态变化和不同的栽培因子对于玉米LAI的影响是研究的热点。 一、玉米LAI动态模型 关于玉米全生育期的动态变化模拟模型主要是logistic模型的扩展。例如中国科 学院地理科学与资源研林忠辉等提出的模型便是以积温指标表示的生育阶段为 自变量,综合不同地理位置、品种、播期、密度等的影响,是一个扩展的Logistic 叶面积生长模型。[1] 玉米叶面积指数随生育进程变化可分为4 个时期,即缓慢增长期,指播种～拔 节期叶面积指数增长缓慢;线性增长期,指拔节～抽雄吐丝期叶面积指数增长最 快,且吐丝期达最大值;相对稳定期,指抽雄吐丝～乳熟期叶面积指数相对稳定而 后期略有下降;衰退期,指乳熟～蜡熟期叶面积指数下降。Logistic 曲线可较好 地表述玉米叶面积指数前2 个生育阶段,但不能表述相对稳定期后期及衰退期叶 面积指数下降过程,必须经过修正方可用于整个生育期动态变化模拟。[2] 玉米LAI动态模型主要用于区域作物生长模拟模型和区域作物生长监测及遥感 估产。 二、不同株型玉米LAI动态变化 主要是研究平展型品种和紧凑型品种的LAI动态变化，通过比较得出不同品种 的最大最适叶面积指数，从而为玉米的增产提供理论依据。例如沈阳农业大学的 任志勇等通过比较的玉米品种平展型品种连玉16( A1)、半紧凑型品种丹玉 39( A2) 、紧凑型品种郑单958( A3)不同时期的LAI得出了不同株型品种获得最 高产量的密度不同, 获得最高产量的最大叶面积指数也不同的结论。连玉16在2 600株/667m2密度下获得了最高产量, 其叶面积指数为3.8 ,丹玉39和郑单958在 4 500株/667m2 密度下获得了最高产量, 其叶面积指数分别为5. 15和5. 66。[3] 吉林农大的岳阳等通过分析：两个紧凑型玉米品种：先玉335、郑单958；两个平 展型玉米品种：“三北9、长城799不同生育时期的LAI动态变化得出了两个紧凑 型玉米品种的群体叶面积指数、光合速率等均比两个平展型玉米品种表现优良， 有利于光合产物的积累，提高产量的结论。[4] 这些都为玉米栽培品种的选择和玉米育种提供了重要的参考。 三、不同的栽培因子对于玉米LAI的影响
植被叶面积指数遥感反演的尺度效应及空间变异性
第26卷第5期2006年5月 生 态 学 报AC TA ECOLOGIC A SI NICA Vol.26,No.5May,2006 植被叶面积指数遥感反演的尺度效应及空间变异性 陈 健1 ,倪绍祥1* ,李静静2 ,吴 彤 1 (1.南京师范大学地理科学学院,南京 210097;2.南京信息工程大学计算机科学与技术系,南京 210044) 基金项目:国家自然科学基金资助项目(40371081);江苏省研究生创新计划项目(1612005012)收稿日期:2005 09 25;修订日期:2006 04 20 作者简介:陈健(1978~),男,汉族,山东济宁人,博士生,从事遥感与GIS 应用研究.E mail:chjnjnu@https://www.sodocs.net/doc/dd4253064.html, *通讯作者Corresponding author.E mail:sxni@nj https://www.sodocs.net/doc/dd4253064.html, Foundation item :The projec t was s upported by National Natural Science Foundation of China (No.40371081)and Innovation Res earch Program of Jiangsu Provincial Department of Educati on for Res earch Students (1612005012)Received date :2005 09 25;Accepted date :2006 04 20 B iography :CHEN Ji an,Ph.D.candidate,mainly engaged in application of remote sensing and GIS.E mai l:chjnjnu@https://www.sodocs.net/doc/dd4253064.html, 摘要:遥感作为宏观生态学研究中数据获取的一种便捷手段,有助于把握较大尺度内生态学现象的特征。应用遥感数据反演LAI 时,由于像元的异质性,不同尺度遥感数据之间的转换是遥感发展的一个重要问题。以河北省黄骅市为研究区,在利用TM 和MODIS 遥感数据对芦苇LAI 反演误差产生原因进行分析的基础上,利用半变异函数对像元空间异质性进行了定量描述。发现NDVI 算法的非线性带给LAI 尺度转换的误差很小,而LAI 的空间异质性则是引起L AI 尺度效应的根本原因。并且当像元内空间异质性很大时半变异函数的基台值比纯像元要大得多,空间自相关的程度是引起LAI 尺度转换误差的主要原因;反之,像元内空间异质性不大时,随机误差是引起LAI 尺度转换误差的主要原因。当像元为纯像元时,由像元异质性引起的反演误差基本可以忽略。此外,研究区芦苇的空间相关有效尺度约为360m,超过此距离空间相关性则不复存在。关键词:叶面积指数;尺度效应;半变异函数;异质性 文章编号:1000 0933(2006)05 1502 07 中图分类号:Q948,TP79 文献标识码:A Scaling effect and spatial variability in retrieval of vegetation LAI from remotely sensed data CHEN Jian 1 ,NI Shao Xiang 1,* ,LI Jing Jing 2,WU Tong 1 (1 Colle ge o f Ge ographical Science ,Nanjing Normal U nive rsity ,Nanjing 210097, China ;2 De partment o f Compute rsc ienc e &Tec hnology ,Nanjing U niversity o f In f o rmation Sc ie nce &Technology ,Nanjing 210044,China ).Acta Ecologica Sinica ,2006,26(5):1502~1508. Abstract :As one kind of the means for data acquiring in mac roscopic ec ology,re mote sensing has an ability to grasp fea tures of the ec ological phenomena on lar ger scale.In de riving Le af Area Inde x (LAI )from remotely sensed data,the transformation of the re motely sensed data from one kind of resolution to anothe r has bec ome a signific ant problem because of the heterogeneity in pixel.In this paper,based on an analysis of the reasons for e rror appearing in LAI retrieval,the spatial he terogenei ty in pixel was described by se mivariogra m.Taking the city of Huanghua in Hebei province as the study area and using TM a nd MODIS data,this paper e xplores the scaling effect in the re trie ving reeds LAI .Firstly,the LAI image with 30m scale was retrieved from the TM ima ge data based on the statistic model.Then,se ven test plots we re selected from the LAI image.Each plot is diffe rent in reeds c overage,and the smaller reeds coverage in pixel the lager heterogeneity within it.Follo wing this step,the reeds LAI on the MODIS scale (990m by 990m)were obtained for the seven plots using the method of spatial transformation,and the reason for e rror appea red in the LAI retrieval was e xplored.Finally,the semivariogram model of reeds coverage was de veloped through the analysis on the semivariograms of these plots. The following c onclusions we re obtained from this study:(1)The scaling problem appeared in de riving the paramete rs on ground surface stems from not only the non linearity of algorithm for nor malized difference vege tation inde x (NDV I ),but also the spa t ial he terogeneity within pixel.The variation in LAI error depends mainly on the degree of he terogeneity of ground surface.It
lai2000叶面积指数仪使用指南
叶面积指数仪使用指南 基本操作步骤 如何进行实际测量 如何测量孤立的树 数据传输
1.基本操作步骤 连接传感器 把仪器正面向上放好分别为X?ò??ê1ó?μ?ê?ò???LAI-2000传感器 开关仪器 l 按下ON键 l 按下FCT键就可以关闭仪器 一种情况是需要输入参数下面一行是输入提示行当输入的是字母时 这时就要用到SHIFT键了按错键的消除键就是如果误按了可以按 另一种情况是查看显示的信息按向下移动操作的行一般是上面的那一行使信息左右移动这里先不说 调整执行列表 按下SETUP键键可以依次看到00行09行 按下ENTER键进行操作 01 X cal 这里保持默认值就行了 就只对X操作值或者别的我们都不去管 04 Resolution 为了精度的提高来选择字母 月份只是要注意格式 06 Set Dists 先不于考虑 我们也不要再去调整 08 1,2Channels 先不于考虑 设置操作模式 将会显示如下列表 我们只对11和12这两项进行设置 键使这一行在显示的上端按下ENTER键所以使用默认值将会出现新的对话框Seq=我们 在测量LAI时先测量1个植物树冠上面的测量数据B 所以输入输入完后按ENTER键进行测量一个LAI需要重复的次数
0 0.0 Reps=1为了准确我们现在输入2?ù??DD????°′ENTER键返回OPER的执行列表 A和B的意义就是在树冠上面的测量值和下面的测量值的区别标志 这在下面的叙述中经常会碰到 告诉我们所采集资料的种类和位置提示输入所测的植物的种类再按下ENTER键输入位置这些都是为了 帮助我们以后使用资料的方便 然后 检查监视模式 使用BREAK键使用键选择查看上面一行的信息和下面列出各行的含义 测出的值 … …………………………… X1 X传感器在7Y5 Y传感器在68 … …………………………… 1 BNC 信道#1 X5 X传感器在68 2 BNC信道#2 其中所以Ｙ５的值是OFF?üê1??ê??á??é???ò?DDê?X1的值就可以大致上来监视传感器的可靠性了盖上盖子它们的值就应该变小这样简单的操作可以提前避免把坏仪器带到野外 首先看到的是我们设置过的植物的种类和测量的位置信息 最多不超过7位数 仪器将显示 现在所显示的两行中real time line summary line 实时显示行*左边的数字代表了得到的A值的数量 和得到的B值的数量使用 当实时行在上面时来选择该序号 总结摘要行从左到右的意义是Ｂ资料对已经测量了 LAI SEL 这时然后按下ENTER键或者传感器杆上的按钮传感器在植被上方时记录下A值根据前面的设置 然后在下方测4次即*在上面一行时反之把传感器放在下方因为前面设置了 仪器将进行计算最终的结果这样我们就得到了一个目标的叶面积指数 重复上面操作就行了 记录一个资料时这时我们可以听到2声蜂鸣第二声是读数完成的声音必须保持传感器水平不动 如果一直不放松直到读数完成 记录文件会自动存储下来
叶面积指数仪的用途及工作原理介绍
叶面积指数仪的用途及工作原理介绍 植物的生长与植物的叶面积之间存在着密切的联系，我们知道叶片是植物进行光合作用的重要部分，因此植物的光合物质积累直接受到叶面积大小的影响，另外一方面通过测定和分析叶面积的变化，还能够掌握植物的生长，为制定科学的栽培技术措施等提供依据。因此在现代科技农业发展中，叶面积的测定变得越来越重要。应用叶面积指数仪来检测植物叶面积，简单直观，十分符合现代农业科研的实际工作需要。 虽然测定叶面积的方法很多，有叶形纸称重法、鲜样称重法和干样称重法、长宽系数法、回归方程法和叶面积指数仪测定法等，但是在众多的测定方法中，叶面积指数仪测定法无疑是最简单、直观和高效的，利用叶面积指数仪直接测定，可以准确而快速的获取叶面积相关数据，为科研工作的开展节约时间和成本。那么叶面积指数仪有什么特别之处，使其拥有如此突出的优势呢，叶面积指数仪的工作原理是什么？ 托普云农叶面积指数仪的工作原理是利用光电转换的方法来测定叶面积值，当均匀光源照射仪器的磨砂玻璃时，由于漫反射，会使其成均匀散光亮面，再经透镜成像于光电池上，用光电池产生光电流，由微安表指示出来，将被测叶片放在均匀光面前，则亮面面积相应减少，产生的光电流减少，被测叶面积与亮面面积之比等于光电流减少与亮面产生的电流之比，测定的叶面积大小可以通过叶面积指数仪的显示框直接显示出来，达到了快速测定，直观显示测定结果的效果。 托普云农研发制造的这款TOP-1300叶面积指数仪可测量叶面积指数、散射辐射透过率、不同太阳高度角下的直射辐射透过率、不同太阳高度角下的消光系
数、叶面积密度的方位分布等。 叶面积指数仪采用国际上一致采用的原理（比尔定律以及冠层孔隙率与冠层结构相关的原理），通过专用鱼眼镜头成像和CCD图像传感器测量冠层数据和获取植物冠层图像，利用软件对所得图像和数据进行分析计算，得出冠层相关指标和参数。具有精确、省时省力、快捷方便的特点。 托普云农叶面积指数仪可测量：叶面积指数、散射辐射透过率、不同太阳高度角下的直射辐射透过率、不同太阳高度角下的消光系数、叶面积密度的方位分布、冠层内外的光合有效辐射(PAR)等。植物叶面积指数仪/叶面积仪广泛应用于作物、植物群体冠层受光状况的测量分析以及农林业科研工作。 托普云农叶面积指数仪功能特点： 1、无损测量叶面积指数以及冠层结构。
叶面积指数
叶面积指数 科技名词定义 中文名称：叶面积指数 英文名称：leaf area index;LAI 定义1：单位土地面积上的总植物叶面积。 应用学科：生态学（一级学科）；生理生态学（二级学科） 定义2：植物叶片总面积与地表面积之比。 应用学科：资源科技（一级学科）；草地资源学（二级学科） 以上内容由全国科学技术名词审定委员会审定公布 LAI Leaf Area Index 叶面积指数（leaf area index）又叫叶面积系数，是一块地上阳光直射时作物叶片垂直投影的总面积与占地面积的比值。即：叶面积指数=投影总面积/占地面积。 在田间试验中，叶面积指数(LAI)是反映植物群体生长状况的一个重要指标,其大小直接与最终产量高低密切相关。常用叶面积指数(LAI)由下式中求得: 叶面积用直尺测量每株各叶片的叶长(Lij)和最大叶宽(Bij)。 式中,n为第j株的总叶片数;m为测定株数;ρ种为种植密度。 叶面积指数是反映作物群体大小的较好的动态指标。在一定的范围内，作物的产量随叶面积指数的增大而提高。当叶面积增加到一定的限度后，田间郁闭，光照不足，光合效率减弱，产量反而下降。苹果园的最大叶面积指数一般不超过5，能维持在3~4较为理想。盛果期的红富士苹果园，生长期亩枝量维持在10~12万条之间，叶面积指数基本能达到较为适宜的指标。
氮对提高叶面积指数、光合势、叶绿素含量和生长率均有促进作用,而净同化率随施氮增加而下降。施氮对大豆光合速率无显著影响。随施氮增加叶面积指数提高的正效应可以抵消净同化率下降的负效应,从而最终获 得一个较高的生长率。因此,高产栽培首先应考虑获得适当大的叶面积指数。 在生态学中，叶面积指数是生态系统的一个重要结构参数,用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应,为植物冠层表面物质和能量交换的描述提供结构化的定量信息,并在生态系统碳积累、植被生产力和土壤、植物、大气间相互作用的能量平衡,植被遥感等方面起重要作用。 叶面积指数测定的主要方法 A.直接方法直接测定方法是一种传统的、具有一定破坏性的方法。 1、叶面积的测定，传统的格点法和方格法。 2、描形称重法. 在一种特定的坐标纸上,用铅笔将待测叶片的轮廓描出并依叶形剪下坐标纸,称取叶形坐标纸重量,按公式计算叶面积. 3、仪器测定法. 叶面积测定仪可以分成两种类型,分别通过扫描和拍摄图像获取叶面积. 扫描型叶面积仪主要由扫描器(扫描相机) 、数据处理器、处理软件等组成,可以获得叶片的面积、长度、宽度、周长、叶片长度比和形状因子以及累积叶片面积等数据,主要仪器有: CI - 202 便携式叶面积仪、L I- 3000台式或便携式叶面积仪、AM - 300手持式叶面积仪等. 此外,还有使用台式扫描仪和专业图像分析软件测定的方法. 图像处理型 叶面积仪由数码相机、数据处理器、处理分析软件和计算机等组成,可以获取叶片面积、形状等数据,主要仪器有:W IND I2AS图象分析系统、SKYE 叶片面积图像分析仪、Decagon - Ag图象分析系统、WinFOL IA 多用途叶面积仪等. B、间接方法间接方法是用一些测量参数或用光学仪器得到叶面积指数,测量方便快捷,但仍需要用直接方法所得结果进行校正。 1、点接触法 点接触法是用细探针以不同的高度角和方位角刺入冠层,然后记录细 探针从冠层顶部到达底部的过程中针尖所接触的叶片数目,用以下公式计算. 式中,LA I为叶面积指数, n为探针接触到的叶片数, G (θ) 为投影函数,θ为天顶角. 当天顶角为57.5°时,假设叶片随机分布和叶倾角椭圆分布 ,则冠层 叶片的倾角对消光系数K的影响最小,此时采用32.5°倾角刺入冠层,会得出较准确的结果,用以下公式计算.