论文部分内容阅读
植被冠层反射率的精确获取、理化参数的精确反演对于评估植被长势、产量估算、病虫害监测等都具有重要的意义。本文以无人机为遥感平台,以高光谱相机作为传感器,获取研究区玉米（子粒成熟期、蜡熟期）、红薯（分枝结薯期、茎叶盛长期）、花生（结荚期）三种农作物的遥感影像。本文对高光谱遥感影像预处理得到反射率信息,采用时相、太阳方位角（Solar Azimuth Angle,SAA）、观测天顶角（View Zenith Angle,VZA）因子来分析冠层二向反射分布函数（Bidirectional Reflectance Distribution Function,BRDF）特性,并借助各向异性因子（Anisotropy factor,ANIF）、各向异性指数（Anisotropy index,ANIX）来量化冠层反射率的各向异性,其中SAA包括110°、180°、250°,VZA包括-40°、-20°、0°、20°、40°,共包括13个观测角度。最后基于冠层反射率,采用PROSAIL模型、光谱指数法、BP神经网络法对蜡熟期玉米、茎叶盛长期红薯的叶面积指数（Leaf area index,LAI）、冠层叶绿素含量（Canopy Chlorophyll Content,CCC）进行反演,探讨每种反演方法在13个观测角度下的理化参数反演精度,并确定各角度下的最佳理化参数反演方法。论文主要结论如下:（1）时相及观测角度会对作物冠层反射率产生影响:从时相看,处于生长前期的作物,其冠层反射率差异较大,而生长后期的作物冠层反射率差异会较小。从观测角度看,在SAA110°、SAA180°下,各农作物冠层反射率值大小呈现VZA-40°＞VZA-20°＞VZA0°＞VZA20°＞VZA40°的规律;SAA250°下,呈现VZA0°＞VZA-20°＞VZA20°。（2）时相及角度信息会影响作物冠层BRDF特征:分析显示,稀疏冠层会导致各向异性效应显著且变化较大;对比不同SAA可以看出,冠层反射率各向异性由强到弱的角度依次为SAA250°、SAA110°、SAA180°;不同农作物在同一观测角度下的ANIX曲线走势基本一致;农作物ANIF曲线呈现明显的勺状结构。由此看出,影响冠层各向异性强弱的因素主要与冠层结构浓密程度、太阳角度、观测角度及波长等因素有关。（3）通过PROSAIL模型、光谱指数法、BP神经网络法对9月份各角度下红薯和玉米的LAI及CCC进行反演,会发现PROSAIL模型对前向VZA数据的理化参数反演结果较差（R2＜0.52）,但在SAA110°、SAA180°下的特定VZA中反演效果较为理想（红薯、玉米LAI最佳反演的精度分别为R2=0.9255、RMSE=0.0832m2/m2,R2=0.8139,RMSE=0.1360m2/m2;红薯、玉米 CCC 最佳反演的精度分别为R2=0.9483、RMSE=1.026 g/m2,R2=0.7415,RMSE=1.236g/m2）。基于光谱指数法得到红薯、玉米LAI反演的最佳光谱指数分别为植被衰减指数（PSRI）、光化学反射指数（PRI）,精度分别为R2=0.8739、RMSE=0.1218,R2=0.9828、RMSE=0.0043;红薯、玉米CCC反演的最佳光谱指数分别为调节型叶绿素吸收指数（MCARI）、可见光大气阻抗指数（VARI）,精度分别为R2=0.711、RMSE=1.872,R2=0.9772、RMSE=0.7377;但该方法并不具有普适性。BP神经网络方法的整体反演精度最高,在各角度下的反演效果相比较其它两种方法较为稳定,对CCC的反演效果要高于LAI。其中,红薯、玉米LAI最佳反演的精度分别为R2=0.9937、RMSE=0.0239,R2=0.9619,RMSE=0.0048;红薯、玉米CCC最佳反演的精度分别为R2=0.9897、RMSE=0.325,R2=0.9175,RMSE=1.689。因此,对于红薯、玉米的 LAI、CCC反演,PROSAIL模型和光谱指数法在特定角度下具有较高的反演精度,而BP神经网络整体反演精度更高,能够较好地消除角度带来的各向异性影响。