英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
一种新的用于高光谱叶片含水量估算的光谱相似水指数
摘要
叶片含水量的变异性对植物与环境的相互作用、生态系统功能和作物生长具有重要意义。本文介绍了一种建立光谱相似性水分指数( SWIs )的方法，该方法基于叶片反射光谱与特定吸水光谱之间的相似性来准确地提取叶片含水量。文中使用两个原位数据集(LOPEX93和PANAMA)和一个模拟数据集( PROSPECT )测试了六种常用的距离度量来捕获光谱特征的能力。这三个数据集还用于确定最合适的波段，并根据专门设计用于估算植被含水量的六个常用光谱指数来验证SWIs的性能。结果表明，光谱角余弦( SAC )是获取与等效水厚度( EWT )相关的有用光谱信息的最有效度量，并且有三个波段( 970 - 1150、1330 - 1350和1584 - 1760 nm )适用于叶片含水量的反演。然后分别基于这三个波段中的SAC距离来创建SWIs。结果表明，SWIsac指数较6种光谱指数更能反映叶片含水量，更能反映树种差异，包括短波角度归一化指数( SANI )、短波角度斜率指数( SASI )、水分胁迫指数( MSI )、归一化差异红外指数( NDII )、归一化差异水体指数( NDWI )和最大差异水体指数( MDWI )。此外，对于PROSPECT、LOPEX93和PANAMA，EWT的最精确估计分别从一个单独的SAC距离获得，nRMSE为4.08 % ( R2 = 0.98 )、3.63 % ( R2 = 0.95 )和8.11 % ( R2 = 0.80 )。结合近红外和短波红外区域的两个SAC距离的模型能产生更好的整体性能。光谱相似性指数是一种新的有效工具，它可以捕获与叶片生化成分有关的有用光谱信息，不仅包含EWT而且包含叶绿素和含氮量等其他内容，它们可以通过调整以辅助冠层观测。
- 介绍
叶片含水量是植物重要的化学成分，是植物蒸腾和碳吸收的主要限制因子。它是许多生理过程和生态系统模式中涉及的一个关键变量，也是影响短期内发生火灾的风险的重要因素之一(Baret and Fourty, 1997; Ceccato 等., 2002a, 2002b; Stimson 等., 2005; Ullah 等., 2013)。植被含水量的时空变化对于监测植物生理状态和评估干旱和火灾风险至关重要( Cheng等2011年、2012年；Pentilde;uelas等，1997年)。
叶片含水量的传统地面测量耗时且花费大，并且缺乏连续的空间覆盖。遥感具有同步、及时和低成本观测大面积的优点，为估算植被含水量提供了一种替代方法( Danson和Bowyer，2004年)。但是，在通过遥感数据估算冠层植被含水量之前的第一步是准确反演叶片含水量( cecato等，2001年)。
一个用于量化叶片水含量的常见变量是等效水厚度( EWT )，其以每单位叶面积( cm，1g / cm2 = 1cm 3 / cm2 = 1cm )的叶水质量来测量( Danson等，1992年；马基等，2004年)。作为光路径的量度，EWT在物理上与吸收过程相关( Allen等人，1969年；Danson等人,1992),因此可应用于叶片和冠层( Baret和Fourty，1997 )。EWT的遥感测量在文献中受到了广泛的关注，相关方法可分为以下三类。
㈠基于光谱指数的方法。这些方法直接通过精心设计的光谱指数对EWT进行估计，这些光谱指数通常由近红外( NIR )和短波红外( SWIR )区域中两个或更多波长处的光谱反射率来计算获得（Ceccato；2001，2002a，2002b；Colombo等人，2008年；Yilmaz等人，2008年)。表1列出了六个此类指数。前四种是从广泛的流行光谱指数中选择的( cecato等，2001，2002a，2002b；马基等人,2004年；高，1996年；耶尔马兹等,2008)。并且它们对EWT估计的有效性已经针对各种叶结构、发育阶段和物种进行了测试( Eitel等，2006年；哈迪斯基等人，1983年；亨特和洛克，1989年；史汀生等人，2005年)。第五和第六项是短波角归一化指数( SANI )和短波角斜率指数( SASI )。这些是相对较新的指数，它们通过利用NIR ( 858 nm )和SWIR ( 1240和1640 nm )波段形成的夹角来考虑光谱信息( Khanna等，2007年；帕拉西奥斯-奥鲁埃塔等人，2006年)。
(二)基于PROSPECT反演的方法。此外，还通过对PROSPECT辐射传输模型的反演，对LOPEX93 的37种物种得到了可接受的精度( R2 = 0.94 )( rianio等人，2005年)。为了更准确地估计含水量，这些方法需要联合使用反射率和透射率测量来限制反演过程( Baret和Fourty，1997；杰奎穆德等人，1996年)。因此，当仅使用反射光谱时，这种反演模型将获得精确度较差的估计结果( R2 = 0.65 )( Colombo等，2008年)。
(三)基于小波分析和智能算法的方法。利用连续小波分析( CWA )提取与叶片含水量有关的光谱特征( Cheng等人)。采用遗传算法( GA )和偏最小二乘( PLS )回归等智能算法将提取的光谱特征与叶片含水量联系起来( Li等，2008年)。使用高光谱数据的验证数据表明，这些方法可以产生高精度的结果( Cheng等人，2011年；李等人。2008年)。
虽然在估计EWT方面取得了很大进展，但问题仍然存在。光谱指数的性能通常依赖于物种，并且它们易于饱和，主要是因为它们仅使用少量波段，并且大部分光谱被弃用( Colombo等人，2008年；艾特尔等人，2006年)。与光谱指数不同，PROSPECT模型的反演使用全光谱( Ustin等，1998年)。然而，这种方法很难应用于遥感观测，因为它还需要不容易通过遥感获得的透射率( Baret和Fourty，1997 )。第三种类型的方法能够从光谱变化中准确地求出叶片含水量，但是它相对复杂，并且当其应用于大数据集(例如高光谱图像数据)时可能需要大量的运算。
光谱相似性(或距离)指数以前已用于高光谱领域的材料识别(例如Chang，2000；丹尼森等人。2004年；克夏瓦，2004年；科卡拉，2012年；尤哈等人，1992 )，图像分类(例如Franklin等人，1986年；任等人，2014年；strahler，1981 )和目标检测(例如，Carvalho ju nior等人，2011年；刘瑞德，1998；王等人）。与传统光谱指数相比，相似性指数可以捕获光谱形状信息，并有可能参考包含在整个光谱中的大部分信息。更重要的是，它的计算方法比基于智能算法的计算方法更简单，可以很容易地应用于叶片和冠层。
本研究旨在利用光谱相似性指数作为光谱特征分析工具来改进叶EWT的估计。我们首先从六个常用距离度量中选择最有效的度量来表征反射光谱和吸水光谱之间的相似性。然后我们确定了对EWT变化敏感但对其它生物物理和生化变化不敏感的有物理意义的波段。基于这两个过程，我们最终创建了一种新的指数——相似水体指数( SWIs )—以准确地从光谱数据中拟合叶片含水量。
2.数据
使用了两个原位数据集( LOPEX93和PANAMA)和一个模拟数据集(PROSPECT)。关于每个数据集的样本大小、EWT和叶重特征的信息示于表2中。
2.1 PROSPECT数据集
PROSPECT辐射传输模型被广泛用于模拟叶片的反射光谱( Cheng等人，2012年；德马雷斯，1999年；勒梅尔等人。2004年)。它将叶片反射光谱建模为四个输入变量的函数( Feret等人，2008年；jacquemoud和Baret，1990年；杰奎穆德等人，1996，2000 ) : N (叶片结构参数)、EWT (等效水厚度或水含量)、Cab (叶绿素a b含量)和Cm (干物质含量)。利用PROSPECT模型，构建了一个数据集，其中包括数以千计的模拟叶片反射光谱。在800～2500 nm范围内，用1 nm的带宽模拟了光谱(在波长小于800 nm时，模型中忽略了水的影响)。用于模拟的EWT、Cm和N值的下边界和上边界是从LOPEX93数据集中调整的( Hosgood等人，1994 )，相关步骤分别为0.0007 g / cm2、0.001 g / cm2和0.1 (表3 )。值得注意的是，Cab保持恒定为33mu;g / cm2，这是因为模拟从800 nm开始执行，这超出了叶绿素吸收光谱( Feret等人，2008年)。所选择的组包括自然界中遇到的几乎所有可能的值，用于产生代表大部分叶子的10153个光谱。
2.2 . LOPEX93数据集
1993年夏季Ispra在意大利进行的LOPEX93试验测量了来自50多个物种的67个叶片样本，其中包括具有多种叶片结构和生化特性的树木、作物和植物( Hosgood等人，1994年)。在不同的生长阶段对不同种类的植物进行了多次取样。每个样本由5片单独的叶子组成。测定了各光谱和生育期叶片的理化性质。有关此数据集的详细信息，请参阅JRC叶光学特性实验文档( hossgood等人，1994年)。除了4个光谱响应不规则的叶片样本(短穗蒜属、玉米属、板栗属和大豆属)外，本研究选择了所有物种。我们最终从63个叶片样本中获得了测量值，其中包括315个单独的叶片。然后计算叶水量(鲜重减去干重)与叶面积的比率作为EWT。
2.3 .PANAMA数据集
2007年3月收集的PANAMA数据集包括PANAMA共和国自然大都会公园( PNM )和谢尔曼堡( FS )的共265个叶片样本( Cheng等人，2011年；桑切斯-亚速飞法等人，2009年)。从PNM干林31种(包括藤本植物和树木)和FS湿林16种(也包括藤本植物和树木)的上部冠层日照叶片中采集样本。在350和2500 nm之间以1nm分辨率记录透射光谱。在叶片反射光谱测量的同时，同时进行叶片生化测量。该数据集已用于以前的研究，其详细描述和细节可参见Cheng等人（2011年、2012年）和桑切斯- Azofeifa等人（2009年）。叶片EWT的计算与第2.2节中介绍的相似。
3.方法
叶子的伸展受叶子成分以及结构的控制( Horler等，1983年；辛克莱等，1971年)。更具体地说，叶子的伸缩性与叶子成分的全局吸收系数有关( Gao和Goetz，1995；knipling，1970 )，它们的关系可以被假定为主要叶片生物化学成分(例如水、叶绿素、干物质和“白化”叶片)的吸收系数的线性组合函数( Allen等人。1969年)。各成分的特定吸收系数k与波长有关，但与植被种类无关( Allen等，1969年；勒梅尔等人，2004年)。PROSPECT采用了这一假设，在此基础上可以精确地模拟叶片的透射率和透射率光谱( Jacquemoud等人，1996年、2000年)。比较而言，还可以合理地认为，叶片的光谱系数由各个吸收系数加权决定。罗伯茨( 1997年、2004年）和格林（2006年)等人也采用了类似的想法。换句话说，可以选择合适的光谱区域，在该光谱区域内，某些组分的透射光谱和吸收光谱之间的相似性可以用作这种组分含量的指示剂。
水在近红外和SWIR ( 900–2500 nm )区域有效吸收辐射(切卡托等，2001年；高，1996年；高和戈兹，1994年；kokaly和Clark，1999 )，这两个区域的绿叶的光谱变化提供了关于EWT的信息( Allen等人，1969年；Gao和Goetz，1994年，1995年；科卡利和克拉克，1999年；塔克，1980年)。因此，在近红外区和SWIR区的光谱R和特定吸水光谱kw之间的相似性可用于估计EWT。为了测量这种相似性，本研究使用了Kou( 1993 )等人给出的kw纯液态水(也参考图4B )来表示水的体内特异性吸收系数谱，因为( 1 )它们大致相同( Jacquemoud等人)；( 2 )前者在近红外和SWIR波段具有高精度( Feret等人，2008年)。
3.1 .相似水指数( SWI )的定义
光谱相似性指数通常基于光谱与库中参考光谱之间的比较来计算。人们已经发现了多种用于度量光谱相似性的指数( Carvalho junior等，2011年；张，2000；丹尼森等人，2004年；富兰克林等人，1986年；克夏瓦，2004年；科卡拉，2012年；克鲁斯等人。1993年；任等人。2014年；刘瑞德，1998；斯特勒，1981年；王等人。2009年；尤哈等人），并运用于高光谱遥感中材料识别、图像分类和目标检测。为了研究EWT，本研究采用了六种常用的相似性指数，包括曼哈顿距离( DMan )、欧氏距离( DE )、标准化欧氏距离( DSE )、马氏距离( DMah )、相关距离( PCC )和光谱角余弦距离( SAC，也称为光谱角映射器( SAM ) )。使用单个标量值，上述每个度量提供了两个光谱之间相似性的唯一度量。附录A中的图A1以具有三个带的一对光谱为例来说明SAC和DE的视觉表现。其他四个指标很难通过视觉表现来说明。附录a表A1给出了各指标的模拟结果。
以SAC为例对相似性进行了度量
由以下公式确定:
SWI(rwlambda;)=SAC（R(lambda;)W(lambda;)）=COS[theta;r(lambda;)w(lambda;)]
=
其中r和w是比较的两个谱，并且它们被假定为具有来自谱域频带的透射分量的矢量，r (lambda;) = { r1，r2，hellip;，rL }，w (lambda;) = { w1，w2，hellip;，wL }；是谱域，并且= [lambda;1，lambda;2 ]，lambda;1和lambda;2是谱域的起始和结束波长；l是谱域的带的数目:
L=(lambda;2-lambda;1 1)/（lambda;2-lambda;1）
其中delta;lambda;是带宽，在本研究中
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[24781]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
