论文部分内容阅读
水分是影响植物生长的重要因子，及时了解植被含水状况在农业及林业领域中发挥着重要作用。近年来，随着成像光谱技术的发展，高光谱数据所特有的连续精细光谱使得植被生化指标的精细估算成为可能。本文基于欧盟委员会联合研究中心的Leaf OpticalProperties EXperiment(LOPEX)数据集，分别从高光谱数据特征选择和特征提取两个方向，探索利用高光谱数据估算植被含水量的方法，其中开展的主要研究工作分为以下几部分：
(1)基于光谱指数(Spectral Index，SI)开展植被水分估算研究。首先，利用分段统计回归方法进行光谱指数水分估算评价。然后，引入敏感性函数，对光谱指数的水分估算能力进行精细评估。此外，基于归一化光谱指数和比值光谱指数开展光谱指数水分估算遍历分析。
(2)基于主成分回归(Principal Component Regression，PCR)方法开展植被水分估算研究。首先，利用PCR方法进行植被水分光谱研究，并基于波段重要性系数(BandImportance Index，BII)分析光谱各波段对水分预测的重要性。在此基础上，构建植被含水量光谱迭代主成分回归(Interactive Principal Component Regression，IPCR)模型，并与PCR模型进行对比。
(3)基于偏最小二乘(Partial Least Square，PLS)方法开展植被水分估算研究。首先，将PLS方法引入到植被光谱水分分析中，考查全波段PLS模型估算植被含水量的效果并分析不同光谱输入形式对PLS模型估算效果的影响。为了降低模型的复杂程度，分别从压缩输入变量及潜变量数目的角度出发，考查利用波段选择一偏最小二乘方法(BandSelection-Partial Least Square，BS-PLS)及正交信号校正-偏最小二乘方法(Orthogonal SignalCorrection-Partial Least Square，OSC-PLS)进行植被水分预测的效果。在此基础上，进行PLS，BS-PLS及OSC-PLS模型植被水分估算效果的对比。
(4)开展光谱指数(SI)、主成分回归(PCR)及偏最小二乘(PLS)方法进行植被水分信息提取的对比。
通过本研究，得出的主要结论有：
(1)光谱指数对植被含水量的估算能力并非一成不变，而是随水分含量变化的一个函数。敏感性函数的引入，可以对光谱指数的水分估算能力进行精细评价；通过对EWT、FMCw和FMCd的比较，表明光谱指数对EWT的估算更敏感。并且，利用高光谱数据的连续精细光谱可以进行光谱指数的遍历分析，从而为光谱指数改进提供了很大空间。
(2)利用PCR方法可以有效地从光谱数据中提取植被含水信息。开展植被水分的光谱IPCR分析，与PCR模型相比，IPCR模型提高TEWT和FMCw的估算能力，但并未改善FMCd的估算效果。
(3)利用PLS方法分别进行EWT、FMCw和FMCd估算，均达到了很好的效果。基于一阶导数光谱的PLS模型提高了原始光谱PLS模型对EWT的估算能力；BS-PLS方法利用了较少波段，在降低模型复杂程度的同时改善了FMCw的估算效果；与传统PLS方法相比，OSC-PLS方法涉及少数甚至单个因子就能达到较高的估算效果，从而大大降低了模型的复杂程度。其中，OSC-PLS模型对FMCw的估算效果最好，EWT其次，FMCd的估算效果差于其它两个指标。
(4)与光谱指数方法相比，PCR和PLS方法提高了水分估算的能力，且使用较多的波段信息，稳定性较好。水分估算PCR和PLS模型对比表明，PLS方法改善TPCR对水分的估算效果。