基于水稻背景特性的植被指数参数修正研究

基于水稻背景特性的植被指数参数修正研究 基于水稻背景特性的植被指数参数修正研 究 第24卷第5期 1522008年5月 农业工程 TransactionsoftheCSAE ,,01.24NO.5 Mav2008 基于水稻背景特性的植被指数参数修正研究 王福民,黄敬峰,王秀珍2 (1.浙江大学农业遥感与信息技术应用研究所,浙江大学农业信息科学与技术中心, 浙江省农业遥感与信息技术重点研究实验室,杭州310029;2.浙江省气象研究所,杭』l}I310029) 摘要:植被指数广泛应用在各种植被遥感监测中,但不同土壤背景会对基于植被指数的遥感监测精度产生影响,特别 是以水为背景的水稻遥感监测.该研究旨在对各种背景调节植被指数的参数进行修正,以便更适合以水土混合物为背景 的水稻参数估算.首先通过不同生育期水稻的冠层光谱构建在不同参数条件下的背景调节植被指数(WDVI,SAVI, SAVI2,TSAVI),然后以多种方程形式拟合以不同参数构建的各个植被指数与水稻叶面积指数LAJ的关系,最后通过比 较各拟合方程的决定系数()得到各植被指数修正后的合适参数.结果 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明:在使用植被指数估算水稻LAJ时,其参 数都需要修正.对WDVI,其修正后的参数.=1.44;对SAVI,其修正后的参数L=0.08;对SAVI2,其修正后的参数 0=O.02;而对TSAVI,其修正后的参数a=0.5,b=0.02,X=0.02.另外,在各种拟合方程 形式中,以指数和幂函数的 拟合效果最佳.在以WDVI,SAVI,SAVI2和TSAVI为自变量,以LAI为因变量的各种估算模型中,TSAVI对LAJ具 有较高的估算精度,SAVI和SAVI2次之,WDVI最差.总之,在进行水稻遥感监测时,对植被指数的参数进行修正有 利于提高监测精度. 关键词:植被指数;高光谱;遥感监测;参数修.if-;水稻 中图分类号:TP79;TP274文献标识码:A文章编号:1002-6819(2008)-5—0152—04 王福民,黄敬峰,王秀珍.非基于水稻背景特性的植被指数参数修正研究[J].农业工程,2008,24(5):152—155. WangFumin,HuangJingfeng,WangXiuzhen.Modificationofvegetationindicesbasedonri cebackgroundcharacteristics[J] TransactionsoftheCSAE,2008,24(5):152--155.(inChinesewithEnginlishabstract) 0引言 在过去的几十年里,植被指数在遥感领域已经广泛 地用于从局地,区域到全球不同尺度的植被卫星遥感监 测.虽然这些植被指数与叶面指数,生物量,覆盖度和 叶绿素,氮素等植被参数相关性很高[14】,但是它们同时 也受到土壤背景的影响L5】. 土壤是陆表植被赖以生长,发育的基础,与植被共 存于地表,任何对地球陆地表面植被的遥感监测,其中 也必然包含着土壤的影响,因为植被冠层反射是植被和 土壤背景共同作用的结果,由植被,土壤光学特性和冠 层内的光子交换决定的,制.因此,如何减小或去除植被 遥感中包含的土壤信息是提高各种植被遥感监测精度的 一 个关键问题.为此,已经发展了许多关于去除土壤背 景影响的植被指数,比如:土壤调节植被指数SAVI【7】; 土壤调节植被指数SAVI2】:垂直植被指数PVI;权重差值 植被指数WDVI[9】;转换型土壤调整指数TSAVI;二次修 改土壤调节指数MSAVI2[1oJ和增强植被指数EVI.大量研 究表明这些植被指数与植物生物理化参数关系密切L1l,J. 收稿日期:2006—12.18修订日期:2008—05.05 基金项目:国家自然科学基金(40571115);国家"863''课题(2006AA10Z203); 国家科技支撑计划子课题(2006BAD10A09)资助 作者简介:王福民(1978一),男,山东高密人,博士生,主要从事农业遥 感研究.杭州浙江大学农业遥感与信息技术应用研究所,310029. Email:w丘nw丘nw丘nw丘n@163.com ※通讯作者:黄敬峰,男,教授,博士生导师,主要从事农业遥感研究.杭 州浙江大学农业遥感与信息技术应用研究所,310029. Email:hjf@zju.cdu.cn 这是因为在这些植被指数 公式 小学单位换算公式大全免费下载公式下载行测公式大全下载excel公式下载逻辑回归公式下载 中大部分都有一个和土壤 调节有关的参数,用来减小土壤背景的影响. 对于水稻而言,大多数时间生长在灌水的土壤里, 其冠层反射率不仅受到水的吸收和反射特性,水中悬浮 物特性的影响,且在水较浅时,还受到水下土壤的影 响引,具有不同于土壤的背景.尽管一些研究表明使用 上面提及的植被指数可以较好地估算水稻参数[1】,但 是未根据水稻背景的特殊性对这些植被指数的参数进行 必要的修正,没有给出适合水稻特性的去除背景影响的 参数.因此,本文的研究目的就是对各个背景调节植被 指数的参数进行修正,以便提高水稻遥感监测的精度. 1试验材料和方法 1.1试验 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 试验水稻品种为秀水110(常规粳稻,全生育期约为 145d).试验地点在浙江大学试验场,东经120.10,北 纬30.14.试验设计为4.76m×4.68m的小区.行距, 株距分别为17cm~13cm.设置3个氮素水平:0,120, 240kg/hm2(折合成尿素分别为0,266.7和533-3kg/hm2). 设置4个重复,共12个小区,试验小区完全随机排列. 1.2测量方法 光谱仪使用的为ASDFieldSpeProFRM光谱仪,波 段范围为350~2500am.于2002年7月17日,7月23 日,8月5日,8月22日,8月31日,9月20日和10 月3目的10:o0,14:00测定了水稻冠层光谱反射率. 测量时基本无云无风,传感器探头垂直向下,视场角为 25.距离冠层顶端约为0.7m.每次测量前都进行了光谱 第5期王福民等:非基于水稻背景特性的植被指数参数修正研究153 仪的暗电流校正和标准白板校正,测量时每个采样点取. 10条光谱,然后平均作为相应采样点的反射光谱值.整0.8 个生育期一共获得91条光谱.o一 1.3减少土壤背景影响的植被指数ulu 在本文中,构成植被指数的波段是使用地面冠层水0.4 稻光谱模拟的Landsat.5的红光波段PRed(630~690nm)0.3 和近红外波段PNm(760~900nm).各植被指数的公式 形式如表1,其中仅,,0,以及a,b,肭土壤调节参 数.0 表1研究中使用的植被指数 Table1Vegetationindicesusedinthisstudy 公式出处 WDV/=一 SAV/:(1+一 +L SAVI::: ed+b/apR副+0 Clevers(1989) Huete(1988) Major(1990) TSAV1=詈c(1)[1]口×pNIR+pR.d一口×叶×Il十a—J 1.4拟合模型的选定 本文选用了6个单变量线性和非线性拟合模型,其 中包括:线性,指数,幂,对数,双曲,S形曲线函数. 方程拟合效果一般由其决定系数()确定.决定系数是 拟合回归方程的回归平方和与总平方和的比值,反映了 因变量总变异受自变量影响的程度.本研究以决定系数 为标准进行植被指数参数修正. 2结果和 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 叶面积指数,(LeafAreaIndex)是描述植被特征 最常用的一个参数.以下分析将以叶面积指数为例, 研究使用WDVI,SAVI,SAVI2和TSAVI估算水稻 时,其参数的变化情况. 2.1权重差值植被指数WDVI的参数修正 WDVI是垂直植被指数PVI变形,与PVI类似,WDVI 表征的是等植被线到土壤线的垂直距离.距离越大,植 被密度越大. 图1是当WDVI的参数仅在0,2的范围内以0.01 为步长变化时,计算出的各个仅对应的WDVI,再按照 上述方法求算与不同参数的WDVI,在不同形式(线 性,指数,双曲线和S形曲线函数)拟合方程下的. 由图可见,指数函数在各个不同仅的拟合效果较其他函 数好,其次为线性函数,双曲线函数和S形曲线函数的 拟合效果相对比较差,但最大也超过0.5.对于指数函 数,最大值出现在仅一1.44,其值为0.76867.在以土 壤为背景的WDVI中仅表征的是土壤线的斜率,土壤线 斜率一般接近1,但也随着土壤类型的不同而发生改变. 由于水稻背景的复杂性,因而WDVI参数仅偏离1较远. WDVI的参数 图1不同形式拟合方程随WDVI参数a的变化情况 Fig.1VariationofRvaluesoffittedregressionequations invariousformswiththeparameteraofWDVI 2.2土壤调节植被指数SAVI的参数修正 设计SAVI的目的是减少NDVI中土壤背景的影响, 在表达式上SAVI比NDVI多一项土壤调节参数,这个 植被指数包含着土壤线斜率为1,截距为0的假设. 图2表示的是具有不同参数的SAVI与LAJ所建模型 的随参数的变化情况.在各种形式的方程中,指数形 式拟合方程的R2最大,并且在从0到1的变化过程中 (以0.01为步长),指数拟合方程的变化不大,在 较小时的大于较大时的,其最大值出现在L=0.08 处,达到0.8414.Huete(1988)认为SAVI依据分析的 植被密度不同有3个最优参数,当植被密度较低时L----1, 当植被密度中等时L=0.5,当密度较高时L=0.25.而指数 拟合方程给出的最优参数为0.08,则说明在应用SAVI估 算水稻时,其参数应该进行修正.其次,幂函数,S 形曲线函数,线性函数拟合的也相对较大,对数函数 和双曲函数拟合的方程的最小.其中s形曲线在比 较小时(<0.1),拟合效果好于幂函数和线性函数,而当 稍大些>0.2)时拟合效果不如幂函数和线性函数. 09 0.8 0.7 O.6 0.5 0.4 0.3 O.2 00.20.40.60.81.0 SAVI的参数L 图2不同形式拟合方程随SAVI参数的变化情况 Fig.2VariationofRvaluesoffittedregressionequations invariousformswiththeparameterLofSAVI 2.3土壤调节植被指数SAVI2的参数优化 从SAVI2的公式形式可以看出,SAVI2是对RVI的修 正.Major(1990)认为当土壤表面被覆盖的越多,SAVI2 的参数值就越小,SAVI2也就越接近RVI. 使SAVI2的参数0以0.01的步长在0-1范围内变化, 计算各个对应SAVI2,而后再利用LAJ与SAVI2以不同 154农业工程2008年 形式进行方程拟合,最后求算出拟合方程的,结果如 图3所示.由图可见,所有拟合方程的最大值都是出现 在比较小处(0<0.1),且都随着的增大,各种拟合 方程的迅速减小,可见SAVI2的参数应该在较小处 取值,才能获得最佳的拟合效果.而当越来越小时, SAVI2则越来越接近RVI.在各种形式的拟合方程中,幂 函数的拟合效果最好,其最大出现在0=0.02,最大 值为0.8404.其次,指数函数,线性函数和对数函数 拟合效果较好,而S形曲线和双曲线函数对LAI的拟合 效果相对较差. 00.20.40.60.81.0 SAV12的参数0 图3不同形式拟合方程R随SAVI2参数0的变化情况 Fig.3VariationofRvaluesoffittedregressionequations invariousformswiththeparameter0ofSAVI2 3结论 . ,.'………TT'量=II酬鲞整签》Ej'jE't》《× . ,一……. . +指数\/\ +线性/\ +双曲线\rI *s形曲线\/\. 00.51.01.52.0 TSAVI的参数d a.X=0.02 2.4转换型土壤调节植被指数TSAVI的参数优化 TSAVI是对SAVI的修正.TSAVI在公式中考虑了土 壤线的斜率和截距,并且对公式中的进行了优化(: 0.08)以减少土壤背景的影响. 图4表示的是:使TSAVI的参数a以0.1的步长在0.1, 2.0范围内变化,b以0.01步长在0.0.1之间变化,以步长 0.01在0.01,1.00之间变化,计算各个参数a,b,廊合对 应TSAVI,而后建立LAI与TSAVI的拟合方程,并求算出 拟合方程的R.因为三个参数同时作图要用立体图才能表 示出来,不易操作,所以先在所有组合中选出参数b的最 佳值.通过遍历所有组合,选定b=0.02时,出现最大值. 因此,图4是在b=0.02条件下的变化情况.图4表示的是 当X=0.02~I]X=O.08时,各个函数的图.由图4可见,各 个函数的变化规律是一致的.但是当X=O.02时的一般 大于当X=O.08时的R.说明设计TSAVI时给出的最优参数 X=0.08不再适用于以水为背景的水稻LAI的估算,而应该 对其进行调整.由图4a可见,在各种拟合方程中,指数方 程会获得最佳拟合效果,最大出现在a=0.5处,其值为 0.8524.拟合效果其次为线性,S形曲线,而双曲线拟合 效果比较差,而且随着a值的变化尺变化较大,在a比较小 时,双曲线拟合效果比a变大时好. 051.01.52.0 TSAV1的参数a b.X=0O8 图4不同形式拟合方程R随TSAVI参数C/和的变化情况 Fig,4VariationofRvaluesoffittedregressionequationsinvariousformswiththe parameters口andXofTSAVIunderthecondition 本研究对基于土壤背景调节的植被指数参数进行了 修正,以更适合水稻遥感监测.其主要结论如下: 1)分析多种方程形式拟合LAI与植被指数(WDVI, SAVI,SAVI,和TSAVI)的关系结果表明,指数和幂函 数的拟合效果较好. 2)在以为因变量,以WDVI,SAVI,SAVI2和 TSAVI为自变量的各种估算模型中,TSAVI对LAI具有 更高的估算精度,SAVI和SAVI2次之,WDVI最差. 3)当估算水稻上时,对不同土壤调节植被指数的 参数修正结果为:当WDVI的参数a=1.44时;SAVI的 参数L=0.08时;SAVI2的参数:0.02时,TSAVI的参数 a=0.5,b=0.02,X=0.02时能够获得对LAI的最高精度的 估算. 以上结论只是针对特定的水稻品种,特定的年份得 到的,以后需要进一步开展不同品种,不同环境胁迫条 件试验,以便验证上述结果. [参考文献] [1]LiuYS,HuYC,PengLY.Accuratequantificationof grasslandcoverdensityinanalpinemeadowsoilbasedon remotesensingandGPS[J].Pedosphere,2005,15(6):778 —— 783. [2]LiuZHuangJF,WuXH,eta1.Comparisonofvegetation indicesandred.edgeparametersforestimatinggrassland coverfromcanopyreflectancedata[J].JournalofIntegrative PlantBiology,2007,49(3):299—306. [3]ZhangJH,WangK,BaileyJS,eta1.Predictingnitrogen statusofriceusingmultispectraldataatcanopyscale[J]. 117. Pedoshpere,2006,16(11:l08— 【4]DrissH,JohnRM,ElizabethPHyperspectralvegetation 987654321 OOOOOOOOO 987654321O OOOOOOOOO 9876543210 OOOOOOOOO 第5期王福民等:非基于水稻背景特性的植被指数参数修正研究155 indicesandnovelalgorithmsforpredictinggreenLAIofcrop canopies:Modelingandvalidationinthecontextofprecision agriculture[J].RemoteSensingofEnvironment,2004,90: 337——352. [5]GenevirveR,MichaelS,Fr6dericB.Optimizationof soil-adjustedvegetation[J].RemoteSensingofEnvironment, 1996,55:95—107. [6]MyneniRB,HallFGSellersPJ,eta1.111einterpretationof spectralvegetationindexes[J].IEEETransactionson GeoscienceandRemoteSensing,1995,33(21:481—486. [7】HueteAR.Asoil-adjustedvegetationindex(SAVI)[J]. RemoteSensingofEnvironment,1988,25:295--309. [8]MajorDJ,HueteAR.Aratiovegetationindexadjustedfor soilbnghmess[J].InternationalJournalofRemoteSensing, 1990,l1(5):727--740. [9】CleversJGP111eapplicationofaweightedinfrared-red vegetationindexforestimatingleafareaindexbycorrecting forsoilmoisture[J].RemoteSensingofEnvironment,l989, 29:25——37. [10]QiJ,ChehbouniA,HueteAR.Amodifiedsoiladjusted vegetationindex[J].RemoteSensingofEnvironment,l994, 48:l19—126. [11]HaboudaneaD,MilleraJR,PatteyE,eta1.Hyperspectral vegetationindicesandnovelalgorithmsforpredictinggreen LAIofcropcanopies:Modelingandvalidationinthecontext ofprecisionagriculture[J].RemoteSensingofEnvironment, 2004,90:337--352. 『121ZhaoDH,LiJL,QiJG.IdentificationofredandNIR spectralregionsandvegetativeindicesfordiscriminationof cottonnitrogenstressandgrowthstage[J].Computersand ElectronicsinAgriculture,2005,48:155—169. 『131MatinRD,HeilmanJL.Spectralreflectanceofpatternsof floodedrice[J].PhotogrammetricEnglneeringandRemote Sensing,1986,52(12):1885—1890. [14】唐延林,王纪华,黄敬峰,等.水稻成熟过程中高光谱与 叶绿素,类胡萝卜素的变化规律研究[J】.农业工程, 2003,19(6):167—173. [15】唐延林,黄敬峰,王人潮,等.水稻遥感估产模拟模式比 较[J].农业工程,2004,20(1):166—171. [16]ChengQ,HuangJF,WangRC,eta1.Analysesofthe correlationbetweenriceLAIandsimulatedMODIS vegetationindices,rededgeposition[J].Transactionsofthe CSAE(农业工程),2003,19f51:104—108. [17】薛利红,曹卫星,罗卫红,等.光谱植被指数与水稻叶面 积指数相关性的研究[J].植物生态,2004,28(1):47 — 52. [18]BaretF,GuyotGPotentialsandlimitsofvegetationindices forLAIandAPARassessment[J].RemoteSensingof Environment,】99】,35:】6】——】73. Modificationofvegetationindicesbasedonricebackgroundcharacteristics WangFumin,HuangJingfeng螺,WangXiuzhen (1.InstituteofAgricultureRemoteSensing&InformationSystemApplication,ZhejiangUniversity; ResearchCenterofAgriculturalInformationScience&Technology,ZhejiangUniversity; KeyLaboratoryofAgriculturalRemoteSensing&InformationSystem,ZhejiangProvince,Hangzhou310029,China; 2.InstituteofMeteorology,ZhefiangProvince,Hangzhou310029,China) Abstract:Vegetationindicesarewidelyusedinmanyremotesensingmonitoringofvegetation,butvegetation monitoringbasedonvegetationindicesmaybeaffectedbyvariationofsoilbackground.especiallyforricewhichis cultivatedinfloodedsoil.Theobjectiveofstudyistomodifytheparametersofanumberofbackground.adjusted vegetationindiceswit11thepurposeofmoreaccuratelyestimatingriceagriculturalvariableswhichhavedifferent backgroundsofvariouswatercoupledwi山differentthingsinsuspension.Inthestudy, atthefirststep.vegetation indiceswimdifferentparameters,whichcanreducetheeffectofbackground.werederivedfromthespectraatdifferent ricedevelopmentstages.Second,theregressionequationsbetweenvegetationindicesandL AIusingdifferentforms werefired.Finally,theoptimalparametersweredeterminedbyselectingthehiestcoemcientsofdeterminationof fittedequationsindifferentforms.Theresultsindicatedthattheparametersofthesevegetationindicesallshouldbe modifiedbecauseofthespecialcharacteristicsofricebackground.Themodifiedparameterwere.c=1.44forWDVI. = 0.08forSAVI,0=0.02forSAVI2,a=0.5,b=0.02,X=0.02forTSAVI.Inaddition, amongallthefittedequations takingWDVI,SAVI,SAVI2andTSAVIasindependentvariablesandLAIasdependentvariable,TSAVIgavemore accurateestimationthanSAVIandSAVI2.WDVIbehavedrelativelypoorly.Inal1.forremotesensingmonitoringof rice,parametermodificationsofvegetationindicescanimprovethemonitoringprecision. Keywords:vegetation1ndices;hyperspectrum;remotesensingmonitoring;modificationofparameters;rice