基于模型模拟和OLI遥感影像的植被叶绿素含量估算研究

发布时间：2017-10-07 03:14

  本文关键词：基于模型模拟和OLI遥感影像的植被叶绿素含量估算研究

  更多相关文章： PROSPECT+SAIL模型模拟 叶绿素含量 植被指数 观测天顶角 叶面积指数LAI 植被波谱

【摘要】：地球的陆地表面约有70%的面积覆盖着植被，因此绿色植被就成为了地球陆地生态系统的一个基本组成成分。植被在土壤形成、制造氧气、涵养水源、保持水土、净化空气、消除噪音、调节气候、防风固沙、提供木材、动物栖息与消毒杀菌等方面均起到了重要作用。植被内部包含着叶绿素、水分、干物质等物质以及氮、碳等微量元素，这些物质称为植被的生化组分。叶绿素含量能够反映植被受营养胁迫程度、植被光合作用能力、植被所处生长发育阶段与外界环境影响等。 2013年5月，通过在石家庄市栾城县野外实地测量，获得了采集点的经纬度、高程、冬小麦的LAI、株高、平均叶倾角MTA、光合有效辐射（PAR）等数据。通过设定一定的参数，使用PROSPECT+SAIL模型进行了模拟，获得了植被冠层波谱，分析了植被叶绿素含量与各种植被指数、观测天顶角、LAI的关系，构建了植被叶绿素含量的估算模型。利用2013年5月19日的Landsat-8OLI影像，估算了冬小麦叶绿素含量。主要的研究结论如下： （1）通过野外实测，获得了冬小麦的光谱和生理生化参数。研究区实测小麦LAI范围是2.135-6.445，均值是4.161。小麦叶倾角MTA范围是28°-63.5°，均值是56.16°。小麦株高范围是64-83cm，均值是76.373cm。 （2）使用PROSPECT与SAIL模型进行了模拟，，获取了植被的冠层反射率。模型模拟时，选择了冬小麦实测值LAI为4和6这两个典型值。观测天顶角的取值，则参考了CHRIS传感器的成像角度，选择了0°、36°、55°这三个角度作为观测天顶角。又选取了三个观测天顶角40°、60°、90°。此研究可对利用多角度估算叶绿素含量提供理论基础。 （3）分析了植被冠层反射率与叶绿素含量和观测天顶角的关系。在同一波段范围内，冠层反射率随着观测天顶角的增加而增加。在680-2400nm波段范围内，在不同观测天顶角条件下，40μg/cm2与65μg/cm2两种叶绿素含量下的冠层反射率差异不大。因此在可见光波段，叶绿素是影响冠层反射率的主要因素，随着叶绿素含量的增加，冠层反射率下降。随着LAI的增加，冠层反射率受观测天顶角的影响减小，即当植被稀疏（LAI=1）时，冠层反射率对观测天顶角的敏感性更高。在相同的观测天顶角下，LAI较高时植被冠层反射率也较高。 （4）分析了不同叶绿素含量与观测天顶角条件下，NDVI与LAI的关系。叶绿素含量一定的情况下，NDVI呈现出随LAI的增加而增加的趋势。LAI一定时，NDVI随观测天顶角的增加，而呈现出下降的趋势。当叶绿素含量≥35μg/cm2且LAI＞1.5时，观测天顶角越小，其所对应的NDVI值越大；当叶绿素含量≥35μg/cm2且LAI≤1.5时，观测天顶角越小，其所对应的NDVI值越小，在叶绿素含量一定时，随着LAI从1到7逐渐增加，0°-90°观测天顶角范围内的NDVI变化幅度缓慢增加。随着LAI的增加，不同观测天顶角对应的NDVI在叶绿素含量较高时，其变化幅度较小。 （5）分析了叶绿素含量与多种植被指数的关系。当叶面积指数LAI是4和6时，估算叶绿素含量较好的指数是MCARI705和CIred edge，在不同的观测天顶角下，它们之间的相关性均接近1，其次是GRVI和MCARI670，最差的是DVI。 （6）利用Landsat-8OLI影像建立了叶绿素含量估算模型。利用RVI、GRVI与NDVI的估算模型，得到研究区叶绿素含量分布图。
【关键词】：PROSPECT+SAIL模型模拟 叶绿素含量 植被指数 观测天顶角 叶面积指数LAI 植被波谱
【学位授予单位】：河北师范大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：Q945;P237
【目录】：

• 摘要3-5
• Abstract5-9
• 1 引言9-17
• 1.1 研究背景及意义9
• 1.2 遥感估算植被叶绿素的原理与优势9-11
• 1.3 国内外研究概况11-15
• 1.3.1 叶绿素含量传统估算方法11-12
• 1.3.2 叶绿素含量遥感估算方法12-15
• 1.4 研究内容和技术路线15-17
• 2 研究区概况17-19
• 2.1 地理特征17
• 2.2 气候特征17-18
• 2.3 植被类型及覆盖18-19
• 3 研究区数据采集19-25
• 3.1 野外实测数据19-21
• 3.2 实验室叶绿素提取21-22
• 3.3 CHRIS 数据22-23
• 3.4 Landsat-8 OLI 数据23-25
• 4 模型模拟及数据处理25-35
• 4.1 模型介绍25-27
• 4.1.1 叶片光学物理模型 PROSPECT25-26
• 4.1.2 SAIL 模型26-27
• 4.2 模型参数设置27-28
• 4.3 Landsat-8 OLI 数据的处理28-29
• 4.4 植被指数的选取和计算29-35
• 4.4.1 植被指数的选取29-32
• 4.4.2 植被指数计算32-35
• 5 基于模型模拟的叶绿素含量与各相关因子的关系35-48
• 5.1 不同叶绿素含量与观测天顶角条件下冠层反射率的对比35-36
• 5.2 相同叶绿素含量与不同 LAI 条件下冠层反射率的对比36-37
• 5.3 不同叶绿素含量和观测天顶角条件下，NDVI 与 LAI 之间的关系37-41
• 5.4 叶绿素含量与植被指数的关系41-46
• 5.4.1 不同植被指数随叶绿素含量的变化41-44
• 5.4.2 基于模型模拟的叶绿素含量估算模型44-46
• 5.5 实测与模型模拟的植被光谱比较46-48
• 6 基于 OLI 影像的叶绿素含量估算与成图48-52
• 6.1 基于 OLI 影像的叶绿素估算模型的建立48-49
• 6.2 研究区叶绿素含量成图49-50
• 6.3 叶绿素含量估算值与实测值的统计分析50-52
• 7 结论与展望52-55
• 7.1 结论与讨论52-53
• 7.2 展望53-55
• 参考文献55-61
• 后记61-62
• 硕士学习期间论文情况62

【参考文献】

中国期刊全文数据库 前10条

1 姚付启;张振华;杨润亚;何玉春;张燕;崔素芳;王海江;;基于主成分分析和BP神经网络的法国梧桐叶绿素含量高光谱反演研究[J];测绘科学;2010年01期

2 杨曦光;范文义;于颖;;基于Hyperion数据的森林叶绿素含量反演[J];东北林业大学学报;2010年06期

3 吴朝阳;牛铮;汤泉;黄文江;;不同氮、钾施肥处理对小麦光能利用率和光化学植被指数(PRI)关系的影响[J];光谱学与光谱分析;2009年02期

4 张东彦;刘昒源;宋晓宇;徐新刚;黄文江;朱大洲;王纪华;;应用近地成像高光谱估算玉米叶绿素含量[J];光谱学与光谱分析;2011年03期

5 刘仲华;黄建安;;改进丙酮法测定茶叶中的叶绿素[J];茶叶科学简报;1988年02期

6 王李娟;牛铮;侯学会;高帅;;基于CHRIS数据的新型植被指数的LAI估算研究[J];光谱学与光谱分析;2013年04期

7 宋小宁;马建威;李小涛;冷佩;周芳成;李爽;;基于Hyperion高光谱数据的植被冠层含水量反演[J];光谱学与光谱分析;2013年10期

8 王文杰;贺海升;关宇;李文馨;张衷华;祖元刚;;丙酮和二甲基亚砜法测定植物叶绿素和类胡萝卜素的方法学比较[J];植物研究;2009年02期

9 朱新开,盛海君,顾晶,张容,李春燕;应用SPAD值预测小麦叶片叶绿素和氮含量的初步研究[J];麦类作物学报;2005年02期

10 张彦娥,李民赞,张喜杰,张建平,徐增辉;基于计算机视觉技术的温室黄瓜叶片营养信息检测[J];农业工程学报;2005年08期

本文编号：986588