使用高光谱数据的光谱指数远程估计农作物叶绿素含量

Driss Haboudane, Nicolas Tremblay, John R. Miller, and Philippe Vigneault

摘要： 这篇论文研究使用了模拟和测量叶绿素在作物的冠层反射特征。对在2004和2005年之间植物生长期间，通过对不同密集程度样本的测量野外实地采集于玉米和小麦冠层水平的光谱数据。使用高光谱图像（光谱成像仪）测量得到的大量指数的组合对叶绿素进行反演测定。通过PROSPECT–SAILH模拟冠层光谱和野外实地测试的反射比来研究植被指数。PROSPECT–SAIL模型的模拟数据计算得到的植被指数和野外测试数据与叶片叶绿素含量的关系已经表现出相似的相关趋势，这表明光谱实际的测量和利用辐射传输模型模拟光谱对作物叶片叶绿素的定量检测具有相似的潜力。这个数据集被用作表现那些农作物种类对于建立预测方程以及验证有一个清晰的影响。除了生成不同的预测方程，玉米和小麦的数据对比生产差异一致，在估计和测量叶绿素之中即使是相同的预测算法。在这套指数测试在这个论文之中，指数组合比如修正叶绿苏吸收系数指数/优化soil-adjusted植被指数(OSAVI),三角的叶绿素指标/OSAVI,中等分辨率成像分光仪陆地叶绿色成像索引和改善Soil-Adjusted植被指数(MSAVI),以及红际模型/MASVI对于作物的叶绿素含量的反演具有相对一致性以及更加的稳定。

关键词：总指数—叶绿素含量，叶绿素估计，综合指数，作物类型效应，高光谱，叶面积指数(LAI),精细农业。

介绍

这个评估对于作物冠层的健康状况和生长活力是中心去明白农作物生态系统的功能以及交流发生在大气和生物圈接口在农业景观之中。因此，监测农场的农作物发展是一个关键的组成部分对于农场的管理来说因为产量最大化要求农作物的营养供应的优化和保持在有利的环境下的条件。此外，测量作物冠层变量在作物生长的季节需要理解农业生态系统内部和内部的年纪变化以及通过特定的应用程序来提高产量和质量的肥料。在这个情况下最重要的变量是叶面积指数(LAI)，生物量，以及叶子叶绿素含量。确实，作物的叶绿素测量提供了植物生理生理状态的信息。因为叶子的叶绿素含量连接含氮量和因此光合作用。一个准确的评估区域的空间分布具有十分总要的意义和全球碳动力学和氮的可用性的研究。在植被叶绿素弄去取决于土壤氮的可用性和作物吸收氮，在精准农业管理因素这个是很重要的。它改变了在植物的不同阶段发展和影响当农作物暴露于各种自然和人为的压力。这就解释了起使用的农学家和农民重要的管理决策至关重要在阶段（如氮的供应和农业的应用程序）

直接实地测量叶绿色含量在大的地区是需要的是巨大的委托劳工因此是十分昂贵的。确实，叶绿素含量发生显著变化是不仅在时间以及空间上，以及地面采样不是服从一惯的大面积区域结果的趋势。为了避免费力和耗时的破坏性取样和实验室湿样化学取样方法，牧场测试叶片叶绿素浓度的要求使用特殊的光学技术与手持设备比如spad-502（大阪美能达有限公司,日本）。SPAD阅读是无损和相当可靠地，但他们依然是耗时和昂贵的，尤其是当他们用于检测大型地区。相比之下，遥感技术，特别是卫星图像的使用，提供了一个巨大的潜力为了频繁的在当地的区域和规模对叶绿素的估计。

因此，遥感被视为一个重要工具补充缺失或者不恰当的信息和实现可持续发展和高效农业的实践。农作物绿色树叶的光合作用的活动的量和条件可以通过遥感测量捕获电磁波谱的光学部分。这些测量可以接货起来用于确定关键作物的树冠参数，比如作物色素含量。在精准农业，评估和监测作物叶绿素状态和空间分布的重要性为了解决关键性问题，比如作物生长监测，植被压力，预测和管理实践。此外，农民关心的空间变异性在农业领域，旨在提高农业生产力并减少输入（肥料）的成本。为了这个目的，各种精准的农业技术和工具开发。他们的主要目标是帮助科学家和农民更好的管理农田通过使用基于局部的空间变量应用利率在植物生长的需求。因此，作物叶绿素的地位在任何待定阶段的生长周期可以是一个结果对于几种作物和土壤的变量，比如土壤条件，营养失衡，害虫。他的空间异质性，作为一个指示器的作物产生的条件来自植被对土壤性质和营养在给定的天气条件下的可用性。

在本文中，我们讨论了使用模型模拟和ground-measure数据（生物物理和光谱）1建立预测方程来估计叶绿素含量从高光谱数据和图像。这个具体的本文的目标如下：1）使用地面测量光谱和相应的实验室测试叶绿素浓度即从玉米和小麦的树冠建立基于光谱的叶绿素预测方程指标比率；2） 评估预测和依赖关系在作物类型（玉米和小麦）和3）使用紧凑和比较指标和预测能力机载光谱成像仪（属于接近）高光谱图像的真理来验证和地面测量收集领域不同，从这些用于收集地面光谱。

2背景

使用实验室分析，实地测量和远程感知数据，科学家在发展中取得巨大的进展方法和方法估计叶绿素在叶和树冠两个层面内容，在不同的植被物种。虽然一些研究已经使用基于物理模型的反演，其他努力改善关系对于叶绿素浓度和各种管血之间的光谱指数，随着Haboudane et al.重点从基于物理模型来模拟开发健壮的叶绿素浓度之间的关系和光学光谱指数。基于物理的模型单一不是在网站，传感器，或者季节特定；他们为基础模型的树冠反射率和创造定量遥感数据和树冠数学反演（从卫星/机载图像）之间的关系目的。相比之下，基于索引的方法依赖于半经验的关系可以从模拟的基础基于物理模型的预测能力，或者只是代表了半经验之间的关系，实验室测量叶绿素浓度和观察光谱相对于红光，在这两种情况下，他们的力量在于光谱指数计算快，需要的事实的小知识，尤其是基于物理可辩解的原则。

当重点仅仅是半经验的关系，人们可以发现，尽管令人满意的关系获得这些光谱指数和叶色素，其他植被指数也可以非常铭感，变量如林冠覆盖，LAI和吸收光合成有效辐射，如已经证明了之前的研究。事实上，合并的影响叶绿素浓度和LAI变化强烈的影响突然的变化影响的植被反射率对于红边地区。这混杂的现象在徒弟使用光谱模拟SAILH辐射的转移模型。这表明叶绿素于辐射是相互作用是有限的光学领域从400年，725纳米，而赖影响在红色和观察近红外部分。他们的联合效应发生红边地区赖和叶绿素密度增加导致这种转变的红边位置。

相对光谱之间的差异产生光谱代表各种叶绿素含量和频谱对应于70ug/平方厘米。波长区域最敏感的叶绿素变化集中在550纳米的绿色边缘和715海里的红色边缘。715海里这个窄峰观察到似乎转移到一个更长的波长时，叶片叶绿素含量增加。这对应于从叶绿素的吸收在红色波长伴随叶子散射过程在近红外区域。事实上，增加叶绿素内容产生一种叶绿素吸收功能的拓展红色（670-689nm），因此移动代表更长。波长见图一。相比之下，主要的LAI的影响树冠反射率发生在两个宽频大约在685到780海里。不像叶绿素浓度不同，生成弱反射光谱的变化在550和720海里。它可以在红色区域，高差异（685-690海里）仅观察到依赖值（0.1,0.5和1.0）。这现象可能于边界不进行光合作用的影响材料和干重树冠反射率。当绿色生物质在弱比例的主要引起变化在近红外是由于不想树冠结构发展和多次散射，这是特别重要的在这些波长。

　因此,为了满足相关需求预测准确性和一致性,需要的设计特定的光谱指数,完全很敏感植被/树冠感兴趣的描述符,如绿色赖或叶绿素含量。例如,[9]和[12] 一种基于索引方法来估计叶片叶绿素含量以最小的干扰由于赖,[31] 辐射传输模型(前景和SAILH)开发方法减少叶片叶绿素含量的影响绿色赖的预测和建议谱指数这充分预测作物的LAI的树冠。

　大多数研究基于光谱指数试图建立半经验laboratory-measured之间的关系叶色素遥感数据和测量在地上或从卫星/机载图像[17],[24],[25]。这些关系通常是给定的环境下开发的　　条件和特定的作物或森林。他们的应用程序在不同的情况下和不同作物/森林物种需要广泛的研究考虑到其他结构/生化树冠的影响属性。为此,有两种主要的方法提出:扩大策略基于模型反演技术[32],预测能力和稳定性的研究　　谱指数的基础上,提出模型模拟与辐射传输模型[9],[27],[31]。　在之前的研究中,叶和树冠模型(前景和SAILH) 是用来模拟叶绿素和LAI的影响作物树冠反射率建立组合索引叶绿素含量的变化敏感,但是对LAI变化[12]。基于模拟数据,建议索引[TCARI /优化Soil-Adjusted植被指数(OSAVI)] 有一个独特的与叶绿素含量的关系结束了吗　　广泛的LAI值(0.3 8),从而允许测定玉米叶绿素的预测方程内容从高光谱图像估计。此外, 预测方程建立在TCARI / OSAVI比例增大的辐射传输模拟被成功用于估算　　叶绿素含量在(果园)[33]和rowstructured开放不连续的树冠(葡萄园)[14]。

　到目前为止,这个比率修改叶绿素吸收比率指数MCARI / OSAVI和TCARI / OSAVI是唯一的组合已经被用来提供预测的指标在精准农业关系叶绿素估计, 即在closed-corn的树冠上[12]、开伞果园[33],row-structured树冠葡萄园[14]。的从模拟数据预测建立了关系根据预定义的结构/生化的属性　　研究了树冠。因此,每个研究使用物理模型叶和树冠水平扩大光学指标来推断　　独特的预测方程,考虑的影响树冠结构,查看几何,和背景。然而, 没有研究调查了使用不同的指标组合和评估的使用建立了预测方程从实验室和地面测量数据（颜料和光谱）。

3实验和数据集

A.研究网站

研究区位于蒙特利尔附近的园艺研发中心的农业和耕作的加拿大食品,St-Jean-sur-Richelieu,魁北克,加拿大。它是被称为L Acadie实验研究变电站, 先验知识的现场管理和植物压力模式有助于在选择地面实况的对比生产力。在两年内(2004和2005),各种作物(玉米、小麦、大豆和豌豆)被种植在不同的实验字段和字段由私营生产商。这些商业网站选择更好地理解各自的土壤因素和氮供应对作物的影响增长。

　因此,强化现场活动被组织2004年和2005年的生长季节,收集地面光谱以及和相应的叶叶绿素含量值作物生长的措施。收购日期计划一致监测不同物候发展阶段　　时间变化的作物生物物理属性。氮肥的治疗方法被提供在两个应用程序:一个播种的时候,另一个在表面处治几个星期以后。建立了四到五氮率治疗每个字段和随机在四块。氮率不同介于0和150公斤N /公顷小麦和从0到437公斤N /公顷的玉米。

B.生物物理和光谱测量

在每个领域中,建立了地理坐标点在代表的部分氮化处理。这些位置被用来监测作物生物物理参数在作物生长季节,尤其是在密集的领域运动与高光谱图像采集。事实上,同时与图像采集属于接近, 由纽约大学地球观测实验室飞行, 一组为生化领域和实验室数据收集和地球化学分析、光学和生物物理测量。地面实况测量包括以下: 1)收集的叶组织进行实验室测定叶片叶绿素浓度;2)叶绿素仪(SPAD) 测量;3)赖测量使用植物的树冠分析仪(Li-Cor模型lai - 2000);4)字段spectroradiometric 测量;5)作物生长的措施。细节领域就地仪表、测量方法和实验室分析了在[57]和【58】.

　建立预测叶片叶绿素之间的关系内容和光谱指数,光谱反射率数据进行了使ASD光谱仪(分析光谱设备,博尔德有限公司)。一个白色Spectralon参考面板(北萨Labsphere NH)被用来校准光谱仪的光谱辐射测量通过测量参考面板下的反射率　　相同的光照条件下地面目标。相对于红光计算和修正不理想的引用的属性面板中,如[34]所述。总共实验中,spectroradiometric数据收集接近中午太阳光照条件的变化(太阳能天顶角)最小化。

C.属于接近机载图像

　两个生长季节期间,属于接近高光谱图像收集在不同的部署使用两种模式的　　操作:1公尺的空间分辨率的多光谱模式和七个光谱波段选择遥感植被属性　(489.5,555.0,624.6,489.5,706.1,742.3,和776.7海里), 与米空间分辨率和高光谱模式　　72个频道覆盖了可见光和近红外的部分太阳光谱的带宽从408年到408海里　　7.5纳米。收购日期计划配合不同物候发展阶段,它提供了形象数据覆盖最早,中间,和最新的时期生长季节。

4.方法

A．辐射和大气修正

　收集的高光谱数字图像属于接近使用校准系数处理at-sensor光辉确定地球观测实验室,在实验室的纽约大学。随后,CAM5S大气修正模型[35]是相对atsensor用于转换绝对的地面反射辐射。执行这个操作,估计气溶胶光学深度在550海里来自地面的太阳光度计测量。对于地理位置数据,照明和观察几何以及地面传感器高度是派生的从飞机导航数据记录和全球定位系统测量。

反射率曲线是从属于接近图像处理显示相关光谱异常的存在在特定的大气吸收特性　　波长。虽然我们应用基于模型的大气修正,计算相对于红光仍受到影响由于主要的undercorrection幽灵似地特定的错误一些大气成分的影响(氧气和水蒸气吸收)。平场校正的校正技术用于去除残余从高光谱大气的影响反射率图像数据集。其目的是改善整体质量的光谱反射率数据,并提供明显可以与实验室光谱[36]。它要求存在和图像识别的幽灵似地平的制服可以明确地认为地区的异常光谱产生的原因在狭窄的光谱范围和大气的影响太阳光谱。在属于接近图像,这些特性被观察到沥青和混凝土区域在同一图像的地方反射光谱是假定为持平或近持平这些特性。使用签名的场景元素,我们计算系数,充分弥补剩余大气水和氧气吸收的影响。在这些系数应用于整个图像,但只有在特定的光谱范围的影响,我们的签名检查观察到的图像,发现不同的组件残留特性被成功删除(图2)。

B．模拟数据

　叶光学特性模拟使用前景模型[37],[38],模拟向上向下的半球形和400之间的辐射通量2500海里,与

剩余内容已隐藏，支付完成后下载完整资料

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

资料编号：[152654]，资料为PDF文档或Word文档，PDF文档可免费转换为Word