【《作物叶绿素遥感监测研究文献综述》3400字】

作物叶绿素遥感监测研究文献综述1.1作物叶绿素遥感监测依据在一定外来辐射的作用下，植物叶片中各种生物化学元素所构成的分子键发生弯曲、振动、扩展和电子跃迁等，从而可以引起特定波长上对光谱的吸收和发射所产生的波动，不同目标物的吸收和发射变化的程度也会存在着较大的差异，从而导致其形成不同的光谱反射率(刘良云2014)。因受到了绿色植物内部组织结构、生物化学组成成分及表型特点的影响，植物对于不同谱带的反射率的大小都是存在着差异，而这种偏差反射率的差别恰恰是现代遥感技术对于人们实时进行农作物生长信息监控的重要依据，也是实现植被遥感的重要理论基础。作物冠层的光谱特点主要受到叶片及冠层的结构与其生长情况等多种环境因素的影响，在始终保持了叶片的反射光谱特点总体形式的基础上，反射率在各个波长位置处又稍微存在差异。作物中的叶绿素在可见光波段(400~700nm)强烈地吸收辐射，在波长430nm(蓝光)和660nm(红光)处的叶绿素a和在450nm(蓝光)和650nm(红光)处的叶绿素b之间的吸收最为明显，在波长位于蓝光和红光附近分别形成两个小的吸收谷，在绿光处则形成一个小的反射峰。蓝光、绿光和红光波段被认为是监测叶绿素极有价值的波段。由于叶片密度和冠层结构的影响，作物在近红外区(700nm~1300nm)有较高的反射率。叶片内部结构和组分差异性越强，光谱反射率也越高。近红外光谱是研究作物叶绿素的一个重要候选波段。红边700nm-780nm波段特指作物叶绿素在红光处强烈吸收和近红外处强烈反射光谱区间之间的一个过渡光谱区域，是绿色植物区别于其它地物类型的典型光谱特征，对作物生物化学成分，长势状况和表型特征极为敏感。红边对作物叶绿素光谱响应很强，而红边参数成为作物生长监测的最重要指标之一。1.2光谱指数方法 光谱中红色和近红外光谱反射率之间的显著差异是构造基于可见光和近红外区域反射率光谱指数的重要依据(Mulla2013)。光谱指数利用绿色植被光谱的曲线特征，将可见光光谱的低反射率与近红外光谱的高反射率相结合(Daughtryetal.2000a)。这些组合可以是两个或多个波段、导数或其他形式的组合，以最小化外部因素引起的变化的影响，并最大限度地提高对所研究对象的敏感度。尼加提·卡斯木等(2017)利用偏最小二乘回归法（PLSR），将16个高光谱构建的敏感参数与叶绿素进行了相关性分析并建立估算模型，结果发现模型的决定系数最高可达0.8，且820-940nm光谱范围内所构建的模型精度最优。鞠昌华等(2008)研究了小麦单层及叠加叶片不同波长光谱反射率及12种常用植被指数对叶绿素含量的响应特征，其中，叶绿素吸收反射指数（TCARI）对于不同单层小麦叶片和不同的叶片叠加的叶层数量的小麦及其叶片均同样具有最佳的小麦光合作用预测分析功能，可以实时准确监测每一个单层小麦的光合叶绿素含量水平，进而快速确定其所在光合作用下的特性。梁亮等(2012)通过综合预测分析18种高光谱特征指数，甄别计算得到了相对敏感的预测叶绿素表征含量的反演指数REP，利用地面光谱仪数据进行建模，以最小二乘支持向量机方法建立了一个预测叶绿素表征含量的模型，其建模和验证决定系数绝对值分别为的是0.751和0.722，反演模型准确率相对较高，可应用于小麦叶绿素含量快速、无损准确地获取。张娟娟等(2014)设置了3种土壤质地（沙土、壤土和黏土）、5种施氮水平（0、120、225、330、435kg/hm2）和3个小麦品种（矮抗58、周麦22和郑麦366）的试验条件，研究发现，光谱指数REPIG和mND705对叶片叶绿素含量监测效果较好，利用上述光谱指数的估测模型可以较好预测当地小麦叶绿素含量，同时为氮肥施用及调控提供技术依据。裴浩杰等(2017：74)利用无人机低空遥感平台采集了小麦冠层的高光谱图像，通过对小麦关键生产期综合生长指数(CGI)进行了研究，构建了对小麦叶片中叶绿素含量进行估算的模型，估算模型中的决定系数大于0.7，为小麦叶绿素含量的监测工作提供了良好的依据和参考。1.3高光谱数据降维高光谱数据已用于评估各种作物的叶绿素含量。孙红等(2018)利用马铃薯不同垂直叶位处叶片的高光谱影像，基于此建立了随机森林-偏最小二乘(RF-PLS)模型来准确估算不同位置处垂直叶位的叶绿素含量。结果表明，不同垂直叶位的高光谱反射率不同。毛博慧等(2017：164)通过遗传算法研究了冬小麦冠层在325~1075nm波段的反射光谱，并且利用遗传算法应用于光谱中的特点对参数进行了优化，同时结合相关分析，采用最小二乘代入支持向量机估算方法，构建冬小麦叶绿素含量预测模型，为其后续的施肥决策工作提供了支持。Nijat等(2017)通过使用高光谱数据结合偏最小二乘回归模型预测了春小麦冠层叶绿素分布水平。高光谱数据虽然比多光谱数据更详细地描述了冠层或叶片的吸收和反射特征，但相邻波段也容易产生光谱自相关(于宏威等2016)。一方面对目标参量不敏感的波段的存在会增加计算时间，另一方面相邻波段之间的共线性会导致统计模型的预测能力不稳定(Moghimietal.2018)。因此，通常利用减少数据维数的方法来达到克服数据冗余的目的，从而以提高模型效率，降低过度拟合风险(Alkhaledetal.2020)。降维有两种不同的方法:一种是特征提取，通过将原始数据转化为其他特征空间，使生成的低维数据能够包含绝大部分信息(Alvarez-Mezaetal.2017)，如主成分分析(principalcomponentanalysis,PCA)。然而，虽然这些方法获得的主成分相互独立，但每个主成分的含义并不像原始数据那样清晰。另外，方差较小的各个主成分也可能包含关于数据间差异的重要性信息，因此，丢弃这些信息可能会对最终参数反演精度产生影响。另一种降维方法称为特征选择，即选择一组包含原始数据集中最重要和有用信息的特征。例如，连续投影算法（SPA）、遗传算法(GA)和基于相关的特征选择(CC)等方法就属于这一类。与特征提取方法相比，特征选择方法不仅避免了维数诅咒，而且保持了原始数据的特征，使结果更具可解释性，降维的目的是消除冗余特征的负面影响，提高模型性能。综上，作物生长信息遥感监测具备科学的理论基础，基于光谱指数和高光谱数据降维的方法可以有效提取光谱特征，且反演模型越来越多样化，但针对不同地区、不同气候条件下和不同作物，各种方法的适用性仍需深入探究。参考文献陈晓凯,李粉玲,王玉娜,史博太,侯玉昊,常庆瑞.2020.无人机高光谱遥感估算冬小麦叶面积指数.农业工程学报,36(22):40-49何彩莲,郑顺林,万年鑫,赵婷婷,袁继超,何卫,胡建军.2016.马铃薯光谱及数字图像特征参数对氮素水平的响应及其应用.光谱学与光谱分析,36(009):2930-2936江杰,张泽宇,曹强,田永超,朱艳,曹卫星,刘小军.2019.基于消费级无人机搭载数码相机监测小麦长势状况研究.南京农业大学学报(4):622-631蒋和平,王晓君,何亚萍.2020."十四五"时期的我国粮食安全:形势,问题与对策.改革,No.319(09):27-39金伟,葛宏立,杜华强,徐小军.2009.无人机遥感发展与应用概况.遥感信息,000(001):88-92鞠昌华,田永超,朱艳,姚霞,曹卫星.2008.小麦叠加叶片的叶绿素含量光谱反演研究.麦类作物学报,28(6):1068-1074刘良云.2014.植被定量遥感原理与应用.科学出版社李粉玲,王力,刘京,常庆瑞.2015.基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算.农业机械学报(09):273-281李杰,冯跃华,牟桂婷,许桂玲,罗强鑫,罗康杰,黄世凤,石欣,管正策,叶勇,黄佑岗.2017.基于SPAD值的水稻施氮叶值模型构建及应用效果.中国农业科学,50(24):4714-4724李红军,李佳珍,雷玉平,张玉铭.2017.无人机搭载数码相机航拍进行小麦、玉米氮素营养诊断研究.中国生态农业学报,25(12):1832-1841梁亮,杨敏华,张连蓬,林卉,周兴东.2012.基于SVR算法的小麦冠层叶绿素含量高光谱反演.农业工程学报,28(20):162-171刘振波,邹娴,葛云健,陈健,曹雨濛.2018.基于高分一号WFV影像的随机森林算法反演水稻LAI.遥感技术与应用,33(003):458-464陆坤,孟庆岩,孙云晓,孙震辉,张琳琳.2018.基于GF-2卫星数据的孕穗期小麦叶面积指数反演——以河北省廊坊市为例.国土资源遥感,30(001):196-202马明洋,许童羽,周云成,于丰华,苗腾,马航.2017.东北粳稻叶绿素相对含量的无人机高清影像检测方法.沈阳农业大学学报48(06):757-762马岩川,刘浩,陈智芳,张凯,余轩,王景雷,孙景生.2019.基于高光谱指数的棉花冠层等效水厚度估算.中国农业科学,52(24):4470-4483毛博慧,李民赞,孙红,刘豪杰,张俊逸,QinZhang.2017.冬小麦苗期叶绿素含量检测光谱学参数寻优.农业工程学报,33(0z1):164-169尼加提·卡斯木,师庆东,王敬哲,茹克亚·萨吾提.2017.基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算.农业工程学报,33(022):208-216裴浩杰,冯海宽,李长春,金秀良,李振海,杨贵军.2017.基于综合指标的冬小麦长势无人机遥感