基于AISA影像的湿地植物叶绿素含量估算模型研究

【摘要】：湿地植被是湿地生态系统中有机物质的最初生产者和能量的固定者,居于特别重要的地位,是最重要的营养级,能综合反应湿地的生存及环境特征,并在湿地的物质、能量、水分循环中起重要作用,因此湿地植被研究是湿地研究的重要基础。叶绿素是植被光合作用能力和发育阶段的指示器,是监测湿地植被生长健康状况的重要指标之一,植物叶绿素含量的研究在整个生态系统科学研究方面具有深远的影响。高光谱遥感由于具有较高的光谱分辨率和较强的波段连续性,能够获取更为精细的光谱信息,为植物叶绿素含量的定量化诊断和监测提供了更加简便有效的工具。本文基于机载AISA高光谱影像,以野鸭湖湿地自然保护区为研究区,在野外采用ASD Field Spec3非成像光谱仪获取了湿地典型植被的冠层高光谱反射率数据,同时在室内通过分光光度计测定了植物的叶绿素含量。以上述数据为基础,对机载AISA高光谱影像和实测冠层反射率数据进行多种变换和运算,提取了多种光谱特征变量,采用相关性及单变量线性拟合分析技术,分析光谱特征变量与叶绿素含量的相关关系,建立二者的关系模型,包括叶绿素含量与“三边”参数的相关模型、叶绿素与比值光谱指数(SR)模型和归一化差值光谱指数(ND)的相关模型、叶绿素与前人总结的7种植被指数的相关模型。另一方面,利用PROSAIL辐射传输模型模拟冠层光谱曲线,构建TCARI/OSAVI指数,建立与叶绿素含量的相关模型。并统一采用交叉检验中的3K-CV方法对估算模型进行模型精度检验。最后基于机载AISA高光谱遥感影像对叶绿素含量进行反演及空间分布制图,研究结果表明： (1)根据植物叶绿素含量与光谱指数的相关性分析得出：前人总结的三边参数与7种植被指数中,三边参数基于光谱位置的变量,在红边位置(WP r)与叶绿素含量呈现最大正相关0.867。基于光谱面积的变量,在黄边面积(SDy)呈现了最大正相关0.711。基于植被指数形式的变量,红边面积(SDr)与黄边面积(SDy)构建的归一化植被指数的相关性最强,相关系数达到-0.581,呈极显著的负相关；其次,本文所选取的前人总结的高光谱植被指数大多数与叶绿素含量呈显著相关关系,高光谱植被指数NPCI呈现最大负相关,达到-0.876。在构建的光谱指数中结果显示归一化组合(ND)和比值(SR)组合之间具有一定的相似性,总体相关性比较高。较好的组合均为550-700nm与700-1400nm以及550-700nm与1600-1900nm。与叶绿素含量相关性最好的指数分别是SR(565nm,740nm)和ND(565nm,735nm)。 (2)根据叶绿素含量相关性最高的几个光谱指数建立最优估算模型,分别为在红边位置估算模型：y=0.113x-78.74；归一化指数ND(565nm,735nm)估算模型：y=21.11x-18.58；NPCI植被指数估算模型：y=-9.307x+2.284。通过验证可知：这三个叶绿素含量估算模型均取得了较好的测试效果,检验拟合方程的决定系数(R2)均达到了0.7以上,均方根差(RMSE)和相对误差(RE)均较小,具有较高的拟合精度和较小的相对误差,其中,基于NPCI指数建立的叶绿素含量估算模型的预测精度最高达到了86.4%。 (3)根据PROSAIL模型模拟的植被冠层反射率,建立了一个适用于植被冠层的叶绿素含量提取模型。得出了叶绿素含量和TCARI/OSAVI之间的一个预测关系式：y=-28.9In(x)-12.05。对该模型进行精度验证可知,叶绿素含量估算模型的决定系数R2=0.744、均方根差RMSE=0.45和相对误差RE=16.7%,预测精度达到了83.7%。 (4)根据机载AISA高光谱影像数据,分析NPCI和PVI指数与叶绿素含量的相关性,建立基于AISA影像的植物叶绿素含量估算模型,最后进行参数制图。研究发现：NPCI指数在基于AISA影像建立的估算模型(y=-7.096x+2.192)的精度要高于基于实测数据建立的估算模型(y=-9.307x+2.284),预测精度达到了79.6%。基于AISA影像数据计算得出的PVI植被指数,与叶绿素含量的相关性达到0.739,并建立了基于PVI指数的叶绿素含量估算模型：y=0.001x+1.688,预测精度达到了82.5%。