基于Hyperion高光谱数据的植被污染
信息识别技术研究
张杰林
（核工业北京地质研究院遥感中心，北京 １０００２９）
摘 要：以鄂尔多斯盆地黄陵煤田为试验区，采用地面光谱测量（ＡＳＤ地物光谱仪）、煤矿区受
污染植被光谱参数建模及Ｈｙｐｅｒｉｏｎ卫星高光谱数据处理等方法技术，提取了受污染植被的可诊
断光谱信息和光谱变异参数，开展了植被光谱变异参量制图技术研究，及时、快速查明了煤矿区
植被污染空间分布状况，为煤矿区环境评价和污染治理提供技术保障。研究表明，高光谱遥感技
术在识别煤矿区污染物光谱变异特征，精确圈定污染物空间位置等方面，具有独特的技术优势，
是煤矿区环境污染监测的理想技术手段。
关键词：高光谱遥感；煤矿区；植被红边参数
0 引言
煤矿区环境治理与土地复垦问题是煤炭经济可持续发展中的重要环节。近年来，我国在该领域开展了大量的研究工作，取得较好的科研成果。但同时，由于煤矿开采造成的污染点多、面广且分散，监测和治理速度缓慢。因此，利用先进的对地观测技术手段，快速查明煤矿区污染状况及发展趋势成为当前环境治理工作的首要任务。作为当代光学遥感前沿之一的高光谱遥感技术，具有高分辨率、图谱合一及覆盖面广的技术优势，是开展煤矿区环境监测与评价研究的理想技术手段。
本文以鄂尔多斯盆地黄陵煤田为试验区，在地面高光谱测量和煤矿区植被光谱参数建模研究的基础上，利用Hyperion卫星高光谱数据提取受污染植被的可诊断光谱信息和光谱变异参数，快速查明了研究区植被污染空间分布状况，为矿区环境评价和土地复垦提供技术保障。
1 矿区环境监测中的高光谱遥感技术
高光谱遥感具有图谱合一的特征，即将确定地物性质的光谱特征和能确定地物空间位置及几何关系的图像革命性地结合在一起，为自然灾害防治、矿产资源勘探、环境地学研究、生态调查及军事应用等诸多领域研究提供了丰富的光谱、辐射及空间信息［１－３］。近年来，随着高光谱遥感理论的不断完善以及机载和星载高光谱传感器的日益成熟，高光谱遥感技术在资源勘查、环境评价以及军事研究等领域得到广泛应用。其中，在矿区环境监测研究领域，美国、德国、比利时等国家利用本国先进的高光谱测量系统及信息处理技术，进行了广泛的研究，成果显著。
1999年，在宾夕法尼亚州Chesapeak Bay煤矿区，美国环保局（EPA）联合美国地质调查所（USGS）利用航空成像光谱仪，通过研究矸石山酸性析出液的光谱反射率特征，确定污染物的主要成分，初步圈定了受污染水域的空间分布范围，为该地区水质评价和土地复垦提供了基础[4]。2000年，在美国著名的Appalachian煤矿区，USGS的C.Balain, Cecill和Sugan
等人，通过系统分析污染水成分，结合空间地质模型的开发，开展矿区环境评价及尾矿治理新技术研究。研究表明：该地区酸性水的主要成分—Fe2s及重金属元素主要来自煤层顶板[5]。再者，密西西比大学的Smith, B.D.和A.E. McCafferty利用航空电磁、放射性测量和地面光谱测量技术[6]，结合室内在不同污染程度的土壤的植物栽培试验，研究生长于重金属（Zn、Cd）和核辐射污染环境中的植被的生态变异特征。研究表明，植物体内重金属的大量聚集，将造成植被叶面反射光谱特征在特定波段范围内的规律性变化，这就为利用高光谱遥感技术研究植被受污染状况提供了理论支持。
另外，由德国汉诺威大学测量工程学院与Clausthal工业大学矿产勘查学院的共同承担的欧共体资助项目—MINEO，主要是采用航空高光谱遥感技术，监测德国鲁尔煤矿区由于采矿造成的植被光谱变异特征。由于该煤矿的开采方式为无回填长臂开采，造成地表沉陷严重，影响了矿区及周边地区的地下水循环，导致生态环境的改变，植被的生长状态受到胁迫，从而造成植被叶面吸收光谱特征的变异[7]。该项目主要利用三次样条函数拟合植被在450－680nm范围内光谱特征，提取受污染植被光谱变异参量信息。
国内研究方面。山东科技大学利用TM多光谱图像研究肥城煤矿区的污染状况，初步圈定了受污染区域的范围；国土资源部航测遥感中心利用高光谱遥感技术研究由于铜矿开采造成的水体、土壤、植被等污染的分布情况，取得理想效果。另外，在鄂尔多斯盆地，核工业北京地质研究院利用地面光谱测量技术，研究铀矿区与非铀矿区同类植被的光谱变异特征，初步发现生长于铀矿区的植被与正常植被相比存在“红边蓝移”现象，并结合室内放射性核素分析技术进一步研究分析其形成机理。
综上所述，利用高光谱遥感技术开展煤矿区污染状况监测与评价，已由实验室研究阶段逐步发展到实际应用阶段。基于污染物吸收光谱特征，开发受污染植被高光谱填图技术和植光谱变异参量制图技术，将大大促进矿区环境监测与评价研究工作，为快速圈定污染区域提供了有效的技术手段，具有良好的应用前景
2 植被红边参数模型
在煤矿区植被污染信息提取技术研究中，地面高光谱测量与相应的数据挖掘技术是系统获取及分析受污染植被红边参数变异的重要手段，其为Ｈｙｐｅｒｉｏｎ卫星高光谱数据处理与分析、植被光谱变异参量制图等研究奠定了坚实的基础。本次工作中，地面光谱测量主要采用美国ＡＳＤ公司的ＦｉｅｌｄＳｐｅｃ Ｐｒｏ ＦＲ便携式地面光谱仪获取４００－２５００ｎｍ波长范围内植被的光谱反射率。
２．１ 植被光谱特征分析
植被的光谱特征主要是由其叶子内含的色素（以叶绿素为主）和液态水引起的。在可见光波段（４００～７００ｎｍ），表现为“绿峰”（５５０ｎｍ）和“红谷”（６８０～７００ｎｍ）两大可诊断光谱特征。在红外区（７００～２５００μｍ）主要表现为：在７００～８００ｎｍ波段内反射率迅速增大，曲线呈直线状且斜率较大，俗称“红边”，是研究植被生长状态变异的主要参数；７５０～１３００ｎｍ是植被细胞结构的强反射区，具有很高的反射率数值。植被的上述光谱特征与其生长发育阶段、健康状况和物候现象等密切相关。一般认为，植被光谱反射率曲线的“红边”参数（波长位移量）是描述植被色素状态和健康状况的重要指示波段。
２．２ 红边参数模型与实例分析
研究表明（Ｈａｒｅ等，１９８４；Ｍｉｌｌｅｒ等，１９８５），“红边”反射光谱曲线（６７０～８００ｎｍ）可用一条半反高斯曲线来逼近［８，９］。即：
]2)()
1exp[()()(2200σλλλ????=R R R R s s （１）
式（１）中，s R ：近红外区肩反射率（最大值）；0R ：红光区叶绿素吸收反射率（最小值）；0λ：与0R 对应的波长；s ：高斯模型标准差系数；s 0p +=λλ即“红边”位置，是曲线陡坡拐点对应的波长。上式通过变换，可以采用线性拟合方法来求得未知红边参数λｐ。
利用上述模型，基于大量的野外实测植被光谱数据，计算与系统分析了鄂尔多斯盆地黄陵煤田某矿区与周边非矿区的植被红边参数变异特征。数据处理结果表明，矿区和非矿区的同种植被红边参数存在差异，即矿区植被光谱参数与非矿区相比红边波长位置蓝移８．９ｎｍ±（表１），而生长于两个非矿区的植被红边参数变化不大，仅相差０．９４ｎｍ。初步分析认为是由于煤矿开采形成的矸石山经雨水和地下水的淋滤，矸石山富含的重金属离子渗入周边土壤，影响了该地区植被的正常生长，造成了本区植被光谱特征的显著变异。
表１ 矿区与非矿区同类植被红边参数对比表
3 Hyperion 卫星高光谱数据处理技术
Hyperion 高光谱成像仪是美国NASA 研制的新一代遥感传感器，于2000年11月，由Earth Observing －1（EO —1）地球观测卫星搭载升空，其轨道高度705km ，倾角98.7°，并与太阳轨道同步[10,11]。在中国境内，其成像时间为北京时间上午10点左右。Hyperion 高光谱数据的分发由美国地质调查所EROS 数据中心负责，用户可以根据需求，自行设计测线地理位置、数据采集时间以及传感器定位模式。本次工作中，在研究区共设计四条测线，相邻测线间数据重叠率>20％，传感器定位模式为Nadir Only （机下点图像）。
３．１ 辐射校正技术
利用高光谱数据直接识别地物的前提条件是光谱信息的准确性，而辐射校正技术则是实现高精度光谱信息恢复的关键技术之一。辐射校正技术主要研究大气辐射传输问题，即通过传感器的辐射定标、大气校正模型计算等，反演地物真实反射率。现阶段，大气校正技术主要分为经验法和模型法两大类。其中经验法主要包括经验线性法、影像内部平均法和平场域法等。模型法主要是基于辐射传输理论建立的大气校正模型，包括Ｍｏｄｔｒａｎ、Ｌｏｗｔｒａｎ、５Ｓ、６Ｓ、ＡＴＲＥＭ及ＡＣＯＲＮ等。实际工作中，首先利用Ｈｙｐｅｒｉｏｎ数据提供的传感器辐射校正参数，将１６位编码的影像灰度值转换为卫星高度传感器入瞳辐亮度数据。然后，根据研究区地质、地理及大气环境等实际状况，选取气溶胶模式和大气校正模型，进行大气辐射校正。最后，结合地面实测的高分辨率的地物光谱数据，计算高光谱影像中每个像元的反射率值。 ３．２ 植被光谱变异参量制图技术
基于Ｈｙｐｅｒｉｏｎ高光谱数据，利用前述的植被光谱红边参数模型提取高光谱影像中植被像元点的红边参数，通过彩色编码和多维空间数据复合技术，将其与经过地理编码的正射投影图像叠合，编制研究区植被光谱红边变异程度图，分析煤矿区区域性的植被污染效应，并进一步圈定了受污染植被的空间分布范围（图１）。上述研究表明，高光谱遥感技术在识别红边 测量区域 波长/nm 反射率/％ 矿区 703.795 13.389 非矿区 712.738 27.16
煤矿区污染物光谱变异特征，精确圈定污染物空间位置等方面，具有独特的技术优势，是煤矿区环境污染监测的理想技术手段。
图１ 矿区地表景观（左）与植被红边参数变异程度图（右）
4 结论
综合评述了高光谱遥感技术在煤矿区环境监测研究中的应用现状和发展趋势。利用高光谱遥感技术，研究了煤矿区受污染植被的吸收光谱特征及其红边参数变异规律。通过光谱建模和卫星高光谱数据挖掘技术研究，提取了污染物诊断光谱信息和植被光谱变异参数。在此基础上，开展了植被光谱变异参量制图技术研究，查明了煤矿区污染源空间分布状况，为煤矿区环境评价和污染治理提供依据。
参考文献
[1] 王晋年，张兵，刘建贵，等. 以地物识别和分类为目标的高光谱数据挖掘[J]. 中国图象图形学报，1999，4A（11）：957-964
[2] 浦瑞良，宫鹏. 高光谱遥感及其应用[M]，北京：高等教育出版社，2000. 12
[3] 张杰林，岑长华，牛铮，等. 成像光谱数据建模与分类识别技术研究[J]. 地质与勘探，2003，39（2）：52-55
[4] Eleanora Iberall Robbins. Microbial and Spectral Reflectance Techniques to Distinguish Neutral and Acidic Drainage. USGS Fact
Sheet FS-118-99, June 1999
[5] C.Balain Cecill, Sugan. Coal Extraction—Environmental Prediction, U.S.Geological Survey Fact Sheet 073-02, Sep. 2002
[6] Smith, B.D.; A.E. McCafferty. Utilization of Airborne Magnetic, Electromagnetic, and Radiometric Data in Abandoned Mine Land
Investigations[C], Fifth International Conference on Acid Rock Drainage, 2000, Vol 2,p 1525-1530
[7] Reinhaeckel, G. , B. Zhukov; D. Oertel; A. Mueller. Unmixing of Simulated ASTER D ata with Applications for the Assessment of
Mining Impacts in Central GERMANY[C], Imaging Spectrometry IV Proceedings of SPIE, 1998, Vol 3438, p 345-354
[8] Hare E W. Studies of the Vegetation Red Reflectance Edge in Geobotanical Remote Sensing in Eeastern Canada, the 9th Canadian
Symposium on Remote Sensing, 1984,p 433~440.
[9] Miller J R, Hare E W, Wu J. Quantitative Characterization of the Vegetation Red Edge Reflectance, Int.J.Remote Sensing,
1990,11(10):1775~1795.
[10] Liao, Jarecke P, Gleichauf D, Hedman T. Performance Characterization of the Hyperion Imaging Spectrometer Instrument [J].
Proceedings. of SPIE, Vol.4135, 2000:264~275
[11] Campbell S, Lovell J, Jupp D L B, et al. The Lake Frome Field Campaign in Support of Hyperion Instrument Calibration and Validation [C]. IEEE 2001 International Geoscience and Remote Sensing Symposium, 2001
2.1 归一化植被指数（NDVI ） 归一化植被指数（Normalized Difference Vegetation Index ，即N D V I ）的计算公式为： NIR RED NIR RED NDVI ρρρρ-=+ 其中：NIR ρ和RED ρ分别代表近红外波段和红光波段的反射率NDVI 的值介于-1和1之间。 2.2 增强型植被指数（EVI ） 增强型植被指数（Enhanced Vegetation Index ，即EVI ）计算公式为： 2.5 6.07.51 NIR RED NIR RED BLUE EVI ρρρρρ-=?+-+ NIR ρ、RED ρ和BLUE ρ分别代表近红外波段、红光波段和蓝光波段的反射率。 2.3 高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外和红光的谱段进行归一化植被指数计算： _____Hyp NIR Hyp RED Hyp NDVI Hyp NIR Hyp RED -=+ 2.4 其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ——RVI ） NIR RED RVI ρρ= 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。但是RVI 对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。 （2） 差值植被指数（Difference Vegetation Index ——DVI ） NIR RED DVI ρρ=- 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI ）。 （3） 土壤调整植被指数（Soil-Adjusted Vegetation Index ——SA VI ）
专题二十四 使用ENVI的高光谱工具处理多光谱数据(节选) 1.1.专题概述 本专题的目的是向用户展示如何使用ENVI先进的高光谱工具对多光谱数据进行分析。要更好地理解高光谱处理的概念及其工具，请参见ENVI高光谱辅导指南。要获取额外的详细信息，请参见《ENVI遥感影像处理实用手册》（ENVI User’s Guide）或者ENVI的在线帮助。 ?本专题中使用的文件 光盘：《ENVI遥感影像处理专题与实践》附带光盘 #1 ?背景知识 ENVI并非仅设计成高光谱影像处理系统。在1992年，ENVI的开发者就决定开发出一个通用的影像处理软件，它包含一整套的基本处理工具，弥补了商业软件缺乏强大灵活处理功能的不足，使得它能够处理各种科学格式的影像数据。它对全色、多光谱、高光谱以及基本和改进雷达影像数据都提供了支持。当前，ENVI包含了与其它主要影像处理系统（例如：ERDAS，ERMapper和PCI）相同的基本处理功能。其中，ENVI在前沿遥感研究中采用了许多不同的先进算法。虽然这些算法都是在处理成像光谱仪数据或者多达上百个波谱波段的高光谱数据基础之上发展而来，但是它们也可以应用到多光谱数据和其它标准数据类型的处理上。本专题将对某些分析Landsat Thematic Mapper（TM）数据的方法进行介绍。 本专题分为两个独立的部分：1）使用标准或者经典多光谱分析技术，对TM影像数据进行典型的多光谱分析，2）使用ENVI高光谱工具对相同的数据集进行分析。 1.2.使用ENVI的高光谱工具分析多光谱数据 ?读取TM影像数据 z要从磁带中读取数据，可以在ENVI主菜单中选择File → Tape Utilities → Read Known Tape Formats → Landsat TM（或者对于新的EDC-格式的磁带选择NLAPS）。 z要从光盘中读取数据，可以选择File →Open External File → Landsat → Fast，或者选择File → Open External File → Landsat → NLAPS（对于NLAPS数据）。 z考虑到本专题的目的，这些数据已经从磁带中读出并存入到数据子集中，以提供相应的文件进行分析。使用Basic Tools → Preprocessing →Data Specific Utilities → Landsat TM → Landsat TM Calibration，启动ENVI的TM校正工具，该TM影像已经被纠正为反射率影像。（若需更多的信息，请参见《ENVI遥感影像处理实用手册》）。 ?显示一幅彩色合成影像并提取波谱曲线
植被光谱分析与植被指数计算 在遥感中，常常结合不同波长范围的反射率来增强植被特征，如植被指数（vegetation i ndices ——VI）的计算，植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。本文总结现有植被指数，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁 迫性相关的色素、植被冠层中水分含量等。 包括以下内容： ? ?●植被光谱特征 ? ?●植被指数 ? ?●HJ-1-HSI植被指数计算 1.植被光谱特征 植被跟太阳辐射的相互关系有别于其他物质，如裸土、水体等，比如植被的“红边”现象，即在<700nm附近强吸收，>700nm高反射。很多因素影响植被对太阳辐射的吸收和反射，包括波长、水分含量、色素、养分、碳等。 研究植被的波长范围一般为400 nm t o 2500 nm，这也是传感器设计选择的波长范围。这个波长范围可范围以下四个部分： ??●可见光（Visible）：400 nm to 700 nm ??●近红外（Near-infrared——NIR）：700 nm to 1300 nm ??●短波红外1（Shortwave infrared 1—— SWIR-1）：1300 nm to 1900 nm ??●短波红外2（Shortwave infrared 2——SWIR-2）：1900 nm to 2500 nm 其中NIR和SWIR-1的过渡区（1400nm附近）是大气水的强吸收范围，卫星或者航空传感器一般不获取这范围的反射值。 SWIR-1 和SWIR-2的过渡区（1900nm附近）也是大气水的强吸收范围。 植被可分为三个部分组成： ??●植物叶片（Plant Foliage） ??●植被冠层（Plant Canopies） ??●非光合作用植被(Non-Photosynthetic Vegetation) 这三个部分是植被分析的基础，下面对他们详细介绍。 1.1植物叶片（Plant Foliage） 植物叶片包括叶、叶柄以及其他绿色物质，不同种类的叶片具有不同的形状和化学成份。对波谱特征产生重要影响
高光谱数据处理基本流 程 The document was finally revised on 2021
高光谱分辨率遥感 用很窄（10-2l）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，每个像元均可提取一条连续的光谱曲线，因此高光谱遥感又通常被称为成像光谱（Imaging Spectrometry）遥感。 高光谱遥感具有不同于传统遥感的新特点： （1）波段多——可以为每个像元提供几十、数百甚至上千个波段； （2）光谱范围窄——波段范围一般小于10nm； （3）波段连续——有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； （4）数据量大——随着波段数的增加，数据量成指数增加； （5）信息冗余增加——由于相邻波段高度相关，冗余信息也相对增加。 优点： （1）有利于利用光谱特征分析来研究地物； （2）有利于采用各种光谱匹配模型； （3）有利于地物的精细分类与识别。 ENVI高光谱数据处理流程： 一、图像预处理 高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气纠正。辐射校正一般由数据提供商完成。 二、显示图像波谱 打开高光谱数据，显示真彩色图像，绘制波谱曲线，选择需要的光谱波段进行输出。 三、波谱库 1、标准波谱库 软件自带多种标准波谱库，单击波谱名称可以显示波谱信息。 2、自定义波谱库
ENVI提供自定义波谱库功能，允许基于不同的波谱来源创建波谱库，波谱来源包括收集任意点波谱、ASCII文件、由ASD波谱仪获取的波谱文件、感兴趣区均值、波谱破面和曲线等等。 3、波谱库交互浏览 波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注记、优化显示曲线等 四、端元波谱提取 端元的物理意义是指图像中具有相对固定光谱的特征地物类型，它实际上代表图像中没有发生混合的“纯点”。 端元波谱的确定有两种方式： （1）使用光谱仪在地面或实验室测量到的“参考端元”，一般从标准波谱库选择； （2）在遥感图像上得到的“图像端元”。 端元波谱获取的基本流程： （1）MNF变换 重要作用为：用于判定图像内在的维数；分离数据中的噪声；减少计算量；弥补了主成分分析在高光谱数据处理中的不足。 （2）计算纯净像元指数PPI PPI生成的结果是一副灰度的影像，DN值越大表明像元越纯。 作用及原理：
几种常见植被指数精编 W O R D版 IBM system office room 【A0816H-A0912AAAHH-GX8Q8-GNTHHJ8】
植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。在学习和使用植被指数时必须由一些基本的认识： 1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的； 2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息 3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响 一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。 1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。植被的RVI通常大于2； 2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量； 3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显着降低； 4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。 二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；
2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大； 3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度； 4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。 1、对土壤背景的变化极为敏感；? 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数：SAVI=((NIR- R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。 L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
2.1归一化植被指数（NDVI ） 归一化植被指数（Normalized Differenee Vegetation Index 即 NDVI ）的计算 公式为： 其中：NIR 和RED 分别代表近红外波段和红光波段的反射率 NDVI 的值介于-1和 1之间。 2.2增强型植被指数（EVI ） 增强型植被指数（En ha need Vegetation In dex 即EVI ）计算公式为: NIR 、 RED 和BLUE 分别代表近红外波段、红光波段和蓝光波段的反射率。 2.3高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外 和红光的谱段进行归一化植被指数计算： .. Hyp NIR Hyp RED Hyp NDVI ----------- ------------ 一 Hyp _ NIR Hyp _ RED 2.4其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ------ RVI ） RVI 3 RED 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植 被与土壤背景之间的辐射差异。但是 RVI 对大气状况很敏感，而且当植被覆盖 小于50%时，它的分辨能力显著下降。 (2) 差值植被指数(Differenee Vegetation Index -------- DVI ) DVI NIR RED 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因 此又被称为环境植被指数（EVI ）。 (3) 土壤调整植被指数(Soil-Adjusted Vegetation Index --------- S AVI ) NDVI NIR RED NIR RED EVI 2.5 NIR RED NIR 6.° RED 7.5 BLUE
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
高光谱遥感及其发展与应用综述 摘要：高光谱遥感是20世纪80年代兴起的新型对地观测技术。文中归纳了高光谱遥感技术波段多、波段宽度窄，光谱分辨率高，数据量大、信息冗余，“图谱合一”等特点，具有近似连续的地物光谱信息、地表覆盖的识别能力极大提高、地形要素分类识别方法灵活多样、地形要素的定量或半定量分类识别成为可能等优势，简单介绍了高光谱遥感在国外及国内的发展情况。在此基础上，概述了高光谱遥感在地质矿产、植被生态、大气科学、海洋、农业等领域的应用。 关键词：高光谱遥感；发展；应用 1高光谱遥感 高光谱分辨率遥感是指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据。它的基础是测谱学。测谱学早在20世纪初就被用于识别分子和原子及其结构，20世纪80年代才开始建立成像光谱学。它是在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个象元提供数十至数百个窄波段光谱信息，能产生一条完整而连续的光谱曲线。 1.1高光谱遥感的特点 （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。 （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。（4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2高光谱的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势: (1)蕴含着近似连续的地物光谱信息。高光谱影像经过光谱反射率重建，能获取
高光谱分辨率遥感 用很窄（10-2l）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，每个像元均可提取一条连续的光谱曲线，因此高光谱遥感又通常被称为成像光谱（ImagingSpectrometry）遥感。 高光谱遥感具有不同于传统遥感的新特点： （1）波段多——可以为每个像元提供几十、数百甚至上千个波段； （2）光谱范围窄——波段范围一般小于10nm； （3）波段连续——有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； （4）数据量大——随着波段数的增加，数据量成指数增加； （5）信息冗余增加——由于相邻波段高度相关，冗余信息也相对增加。 优点： （1）有利于利用光谱特征分析来研究地物； （2）有利于采用各种光谱匹配模型； （3）有利于地物的精细分类与识别。 ENVI高光谱数据处理流程： 一、图像预处理 高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气纠正。辐射校正一般由数据提供商完成。 二、显示图像波谱 打开高光谱数据，显示真彩色图像，绘制波谱曲线，选择需要的光谱波段进行输出。 三、波谱库 1、标准波谱库 软件自带多种标准波谱库，单击波谱名称可以显示波谱信息。 2、自定义波谱库 ENVI提供自定义波谱库功能，允许基于不同的波谱来源创建波谱库，波谱
来源包括收集任意点波谱、ASCII文件、由ASD波谱仪获取的波谱文件、感兴趣区均值、波谱破面和曲线等等。 3、波谱库交互浏览 波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注记、优化显示曲线等 四、端元波谱提取 端元的物理意义是指图像中具有相对固定光谱的特征地物类型，它实际上代表图像中没有发生混合的“纯点”。 端元波谱的确定有两种方式： （1）使用光谱仪在地面或实验室测量到的“参考端元”，一般从标准波谱库选择； （2）在遥感图像上得到的“图像端元”。 端元波谱获取的基本流程： （1）MNF变换 重要作用为：用于判定图像内在的维数；分离数据中的噪声；减少计算量；弥补了主成分分析在高光谱数据处理中的不足。 （2）计算纯净像元指数PPI PPI生成的结果是一副灰度的影像，DN值越大表明像元越纯。 作用及原理： 纯净像元指数法对图像中的像素点进行反复迭代，可以在多光谱或者高光谱影像中寻找最“纯”的像元。（通常基于MNF变换结果来进行）
常用的植被指数，土壤指数，水体指数有哪些？ 植被指数与土壤指数 一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。 1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。植被的RVI通常大于2； 2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量； 3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低； 4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。 二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等； 2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；
3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度； 4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。 1、对土壤背景的变化极为敏感； 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数： SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
光谱成分对植物生长的影响 太阳辐射是以光谱、光照强度、日照时间、影响植物生长发育的，太阳辐射是影响植物生长发育最直接和最重要的气象要素。到达地面上的太阳辐射包括紫外线、可见光和红外线三部分。而光谱成分是植物重要的一个生态因子，在太阳光谱中，对于植物生活其最重要的是可见光部分（波长0.04μｍ～0.76μｍ），但紫外线（波长0.01μｍ～0.4μｍ）和红外线（波长0.76μｍ～1000μｍ）也有一定的意义。不同波段对植物的生长发育，刺激和支配植物组织和器官的分化的影响也不同。因此，太阳光谱在某种程度上决定着植物器官的外部形态和内部结构，有形态建成的作用。 太阳辐射不同光谱对植物的影响如下：1）波长大于1.00μm的辐射，被植物吸收转化为热能，影响植物体温和蒸腾情况，可促进干物质的积累，但不参加光合作用2）波长为1.00~0.72μm的辐射，只对植物伸长起作用，其中波长为0.72~0.80μm的辐射称为远红外光，对光周期及种子的形成有重要作用，并控制开花与果实的颜色3）波长为0.72~0.61μm的红光、橙光可被叶绿素强烈吸收，某种情况下表现为强的光周期作用4）波长为0.61~0.51μm 的光，主要为绿光，表现为的光合作用与弱成形作用5）波长为0.51~0.40μm的光，主要为蓝紫光，被叶绿素和黑色素强列吸收，表现为强的光合作用与成形作用6）波长为 0.40~0.32μm的光，外辐射起成形和着色作用，如使植物变矮，颜色变深，叶片变厚等7）波长为0.32~0.28μm紫外线对大多数植物有害8）波长小于0.28μm的远紫外辐射可立即杀死植物。 此外，有科学实验证明，不同波长的光对植物生长有不同的影响。可见光中的蓝紫光与青光对植物生长及幼芽的形成有很大作用，这类光能抑制职务的伸长，而是其形成粗矮
第33卷第3期 2008年5月 测绘科学 Sc i ence o f Survey ing and M app i ng V o l 33N o 3 M ay 作者简介:温兴平(1970- , 男, 山西兴县人, 在读博士, 高级工程师, 研究方向为定量遥感、遥感影像的大气校正。E -m a i:l w fxyp @sohu co m 收稿日期:2007-01-22 基金项目:本研究由国土资源大调查
(从高光谱遥感影像提取植被信息 温兴平 , 胡光道 , 杨晓峰 ( 中国地质大学数学地质遥感地质研究所, 武汉 430074; 地质过程与矿产资源国家 重点实验室, 武汉 430074; 南京信息工程大学环境科学与工程学院, 南京210044 摘要遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。高光谱遥感数据因其特有的高 光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM 方法对植被信息进行了提取, 参考光谱使用ASD 光谱辐射仪采集的植被光谱曲线。文中对高光谱遥感影像的辐射定标和大气校正进行了研究, 针对影响光谱辐射仪采集的主要因素采取了相应的措施, 并对光谱曲线分类及参考光谱曲线的选取进行了研究。将选取出的参考光谱曲线与大气校正后的遥感影像进行S AM 匹配提取出植被信息, 经过与实地调查资料比较并计算总体精度和kappa 系数, 计算结果达到预期精度。最后将分类结果转换为矢量图, 经过投影转换为大地坐标后制作出北衙植被分布图。 关键词高光谱遥感; 植被信息; SAM; 提取 中图分类号 TP75 文献标识码 A 文章编号 1009-2307(2008 03-0066-03DO I :10 3771/j issn 1009-2307 2008 03 022 1 引言
典型植物的光谱曲线有 什么样的特点 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】
典型植物的光谱曲线有什么样的特点举例说明影响植物光谱曲线特征的因素有哪些 特点：微米有一个蓝光的吸收带，微米处有一个绿光的反射波峰，微米处有一个红光的吸收带。在微米、微米和微米处是水的吸收带，形成波谷。 原因：微米有一个蓝光的吸收带，微米处有一个绿光的反射波峰，微米处有一个红光的吸收带。这表明，叶绿素对蓝光和红光的吸收作用强，而对绿色的反射作用强。 在近红外波段的到微米之间有一个反射的陡坡，微米附近有一个峰值，形成植被的独有特征。这是由于植被叶子的细胞结构的影响，除了吸收和透射的部分以外而形成的高反射率。 在近红外波段到微米，是因为受绿色植物含水量的影响，吸收率增大，反射率下降。特别是在微米、微米和微米处，形成水的吸收带。 植物波谱特征的因素：除了以上述及的含水量以外，还与植物种类、季节、病虫害等密切相关。
影像因素季节病虫害植物种类右图为桷树、松树、桦树及草的波谱特 性曲线。可看出草在0.7微米后的波段 反射率较其他树种高。不同植物在不同 波段表现出来的特征不同。植物种类不同，其形状、叶片的形态及 叶片数量、叶片的氮磷钾含量、叶表反 射率也是不尽相同的，相应的，其波谱 特征也就不尽相同 右图为冬小麦在不同生长阶段的波谱特性曲线。由图看出，冬小麦的不同生长阶段的波谱特征是不同的。 这是因为在植物生长的不同阶段，其氮 磷钾含量、颜色的不同，导致了对不同 波段的反射率有所差异。 从图可知，植物所受灾害的程度不同，其波谱特征也是不同的。这是因为受灾的程度不同，植物的氮磷 钾比例、叶片面积、叶表的颜色及其反 射率会有所变化。 特点图像
A VIRIS高光谱遥感数据的植被信息提取 摘要：以ＭｏｆｆｅｔｔＦｉｅｌｄ的ＡＶＩＲＩＳ高光谱遥感影像为对象，应用基于信息量的自适应波段选择方法实现植被信息提取的最优波段组合，在此基础上采用监督分类为主、目视解译为辅的信息提取方法，在ＥＮＶＩ和ＥＲＤＡＳ遥感图像处理软件中进行分析与处理，实现植被信息提取。结果表明，与多光谱遥感数据相比，高光谱遥感数据具有更强的植被信息识别能力，提取的植被信息更丰富。 关键词：高光谱；遥感；植被；信息提取 Ａｂｓｔｒａｃｔ：ＴｈｅｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｆＭｏｆｆｅｔｔＦｉｅｌｄｗａｓｅｘｔｒａｃｔｅｄｂａｓｅｄｏｎｔｈｅＡＶＩＲＩＳｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ．Ｆｉｒｓｔｏｆａｌｌ，ｔｈｅｏｐｔｉｍａｌｂａｎｄｃｏｍｂｉｎａｔｉｏｎｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｆｏｒｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｗａｓｏｂｔａｉｎｅｄｔｈｒｏｕｇｈａｄａｐｔｉｖｅｂａｎｄｓｅｌｅｃｔｉｏｎｂａｓｅｄｏｎｔｈｅｉｎｆｏｒｍａｔｉｏｎｑｕａｎｔｉｔｙ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｗａｓｅｘｔｒａｃｔｅｄｍａｉｎｌｙthrough ｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈｔｈｅａｓｓｉｓｔａｎｃｅｏｆｖｉｓｕａｌｉｎｔｅｒｐｒｅｔａｔｉｏｎｂｙｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｓｏｆｔｗａｒｅＥＮＶＩａｎｄＥＲＤＡＳ．Ｔｈｅｒｅｓｕｌｔｓｈｏｗｅｄｔｈａｔｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｂｉｌｉｔｙｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａｗａｓｓｔｒｏｎｇｅｒｔｈａｎｔｈａｔｏｆｍｕｌｔｉ－ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ，ａｎｄｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｗａｓｍｏｒｅｉｎｆｏｒｍａｔｉｖｅ． Ｋｅｙｗｏｒｄｓ：ｈｙｐｅｒｓｐｅｃｔｒａｌ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｖｅｇｅｔａｔｉｏｎ；ｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ 植被是环境的重要组成因子，是反映区域生态环境的标志之一，同时也是土壤、水文等要素的解译标志［１］。植被信息作为生态环境评价的重要参数，对区域生态环境的监测和建设具有重要意义，植被调查是遥感的重要应用领域。高光谱遥感数据因其特有的高光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力，本研究从ＭｏｆｆｅｔｔＦｉｅｌｄ的ＡＶＩＲＩＳ高光谱遥感影像中提取植被信息，并与多光谱遥感数据进行比较，为使用遥感技术进行植被
第３ ２卷，第５期 光谱学与光谱分析Ｖｏｌ．３２，Ｎｏ．５，ｐｐ １２８７－１２９１２ ０ １ ２年５月 Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ Ｍａｙ，２ ０１２ 利用高光谱植被指数监测紧凑型玉米叶绿素荧光参数Ｆｖ ／Ｆｍ谭昌伟１，黄文江２，金秀良１，王君婵１，童 璐１，王纪华２，郭文善１＊ １．扬州大学江苏省作物遗传生理重点实验室／农业部长江中下游作物生理生态与栽培重点开放实验室，江苏扬州 ２２５００９２．国家农业信息化工程技术研究中心，北京 １０００９７ 摘 要 为进一步评价遥感监测紧凑型玉米叶绿素荧光参数Ｆｖ／Ｆｍ的可行性，通过开展小区紧凑型玉米试验，分析紧凑型玉米整个生育期Ｆｖ／Ｆｍ与高光谱植被指数的相关关系，建立紧凑型玉米Ｆｖ／Ｆｍ高光谱监测模型。结果表明，紧凑型玉米Ｆｖ／Ｆｍ与选取的高光谱植被指数均呈极显著正相关，其中结构敏感色素指数（ＳＩＰＩ）与Ｆｖ／Ｆｍ的相关性最好，相关系数（ｒ）为０．８８。用ＳＩＰＩ建立紧凑型玉米Ｆｖ／Ｆｍ的监测模型，其决定系 数（Ｒ２ ）为０．８１２ ６，均方根误差（ＲＭＳＥ）为０．０８２。研究表明，利用高光谱植被指数可以有效地监测紧凑型玉米整个生育期的Ｆｖ／Ｆｍ。 关键词 高光谱植被指数；Ｆｖ／Ｆｍ；监测模型；紧凑型玉米 中图分类号：Ｓ１２７ 文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ ．ｉｓｓｎ．１０００－０５９３（２０１２）０５－１２８７－０５ 收稿日期：２０１１－１０－３０，修订日期：２０１２－０１－ ２５ 基金项目：国家自然科学基金项目（ ４０８０１１２２，４１１０１３９５），江苏高校优势学科建设工程项目和公益性行业（农业）科研专项经费项目（２００８０３０３７ ）资助 作者简介：谭昌伟，１９８０年生，扬州大学农学院讲师 ｅ－ｍ ａｉｌ：ｔａｎｗｅｉ０１０＠１２６．ｃｏｍ＊通讯联系人 ｅ－ｍａｉｌ：ｇ ｕｏｗｓ＠ｙｚｕ．ｅｄｕ．ｃｎ引 言 国内外大量的研究表明，叶绿素荧光（ｃｈｌｏｒｏｐｈｙ ｌｌ ｆｌｕｏ－ｒｅｓｃｅｎｃｅ，ＣＦ）作为光合作用的指示性探针，已被广泛应用于光合作用机理研究、分析植物对环境胁迫的响应机理和探测 植物体内光合器官运转状况等［ １－ ３］。随着高光谱遥感技术的迅速发展，其很快的被广泛应用到农业的品质鉴定、估产和 病虫害等各方面。Ｗｒｉｇｈｔ［４］和王纪华等［５］ 对小麦的蛋白质品质进行了研究；Ｗｉｍ等［６］利用ＴＭ影像数据源，使用影像融 合技术重新构建了ＮＰＰ估产模型，分别对小麦和水稻进行 估产，任建强等［７］ 使用ＭＯＤＩＳ数据源、ＣＡＳＡ模型对黄淮 海平原的冬小麦进行估产并取得了较好的效果；Ｂｒｏｎｓｏｎ［８］和Ｈａｎｓｅｎ等［９］对作物的氮素含量和氮素利用率、Ｆｅｎｓｈｏｌｔ等［１０ ］对叶面积指数（ＬＡＩ ）进行了研究；在作物的病害方面：Ａｄａｍｓ等 ［１１］ 分别对大豆和蚕豆斑点葡萄孢子病和大豆黄痿 病进行了研究，并建立相关的评估指标。然而对于叶绿素荧光参数与光谱植被指数关系的研究鲜见报道。本工作以紧凑型玉米（以下称为玉米）作为研究对象，利用获取的叶绿素荧光参数与植被指数，构建以光谱植被指数为支撑的叶绿素荧光参数的遥感监测模型，实时准确获取玉米的叶绿素荧光参数信息。 １ 实验部分 １．１ 试验设计 ２０１０年７月至９月间试验在扬州大学试验农场（１１９°１８′ Ｅ，３２°２６′Ｎ） 开展，供试品种为３个紧凑型品种（系）：农华８号、金海５号和郑单９５８。对玉米冠层进行了光谱测量和光合有效辐射测定。为了在田间栽培条件下更大范围地表现出玉米长势差异和生化组分变异，于拔节期安排了一个从不施 氮到施重氮（级差４５０ｋｇ，０～９００ｋｇ ·ｈａ－１ ）３个氮肥水平处理，即Ｎ１：不施氮肥；Ｎ３：施氮４５０ｋｇ·ｈａ－１ ；Ｎ４：施氮９００ｋｇ ·ｈａ－１ ，使之表现为缺氮、适量氮、过量氮。３次重复，行距×株距为７０ｃｍ×６０ｃｍ，每区面积为２０ｍ×２０ｍ。 常规水分管理。１．２ 光谱测试 分别在玉米拔节期（７月２３日）、喇叭口期（８月７日）、吐丝期（８月２９日）、乳熟期（９月５日） 进行４次光谱测定。采用美国ＡＳＤ Ｆｉｅｌｄｓｐ ｅｃ ＦＲ２ ５００型野外光谱辐射谱仪，光谱范围３５０～２ ５００ｎｍ，分辨率在３５０～１ ０００ｎｍ光谱区为１．４ｎｍ，１ ０００～２ ５００ｎｍ区为２ｎｍ，光谱重采样间隔为１ｎｍ。在晴朗无云、北京时间１０：３０～１４：００，选择代表性植株进行测定，测定前后用参考板标定，测定时传感器探头向下，距
在光谱的中红外阶段，绿色植物的光谱响应主要被1.4μm、1.9μm和2.7μm附近的水的强烈吸收带所支配。 地面植物具有明显的光谱反射特征，不同于土壤、水体和其他的典型地物，植被对电磁波的响应是由其化学特征和形态学特征决定的，这种特征与植被的发育、健康状况以及生长条件密切相关。 在可见光波段内，各种色素是支配植物光谱响应的主要因素，其中叶绿素所起的作用最为重要。在中心波长分别为0.45μm（蓝色）和0.65μm（红色）的两个谱带内，叶绿素吸收大部分的摄入能量，在这两个叶绿素吸收带间，由于吸收作用较小，在0.54μm（绿色）附近行程一个反射峰，因此许多植物看起来是绿色的。除此之外，叶红素和叶黄素在0.45μm （蓝色）附近有一个吸收带，但是由于叶绿素的吸收带也在这个区域内，所以这两种黄色色素光谱响应模式中起主导作用。 在光谱的近红外波段，植被的光谱特性主要受植物叶子内部构造的控制。健康绿色植物在近红外波段的光谱特征是反射率高（45%-50%），透过率高（45%-50%），吸收率低（<5%）。在可见光波段与近红外波段之间，即大约0.76μm附近，反射率急剧上升，形成“红边”现象，这是植物曲线的最为明显的特征，是研究的重点光谱区域。许多种类的植物在可见光波段差异小，但近红外波段的反射率差异明显。同时，与单片叶子相比，多片叶子能够在光谱的近红外波段产生更高的反射率（高达85%），这是因为附加反射率的原因，因为辐射能量透过最上层的叶子后，将被第二层的叶子反射，结果在形式上增强了第一层叶子的反射能量。 在光谱的中红外阶段，绿色植物的光谱响应主要被1.4μm、1.9μm和2.7μm附近的水的强烈吸收带所支配。2.7μm处的水吸收带是一个主要的吸收带，它表示水分子的基本振动吸收带。1.9μm，1.1μm，0.96μm处的水吸收带均为倍频和合频带，故强度比谁的基本吸收带弱，而且是依次减弱的。1.4μm和1.9μm处的这两个吸收带是影响叶子的中红外波段光谱响应的主要谱带。1.1μm和0.96μm处的水吸收带对叶子的反射率影响也很大，特别是在多层叶片的情况下。研究表明，植物对入射阳光中的红外波段能量的吸收程度是叶子中总水分含量的函数，即是叶子水分百分含量和叶子厚度的函数。随着叶子水分减少，植物中红外波段的反射率明显增大（Philip et al.,1978）
165 1. 打开数据文件：datafile1=fopen('Terrain.hsi')。 2. 读入文件头的信息：cur=fread(datafile1,4,'int32')。执行结果为（cur 的四个值：图像宽 度，图像长度，波段数，像素所占字节数）：307，500，210，2。 3. cur=fread(datafile1,inf,'int16')。可通过”size(cur)”获得cur 的大小，这里为32235000 （=307*500*210）。 4. 将一维数组变换成210x （307*500）大小的矩阵：array=reshape(cur,210,307*500)。Array 矩阵的每一列代表一个像素点在不同波段的值的大小，每一行为一个波段对应的全部数据。 5. 对每个波段求其标准差。先将包含图像数据的矩阵转换成500*307)x210的矩阵， 使每一列的数据为一波段的全部数据。1.变换矩阵 stdv=reshape(array',500*307,210);2.求方差stdv=std （stdv ）；3.画出标准差形成的曲线（图1）： 050100150200250 050 100 150 200 250 300 350 400 图1 由图像可大致分析出1-22、102-109、137-151、194-210可能为无用数据。 6. 到这里就可以用array 中的数据画出任意波段的图像。例如，选取有用数据20个波 段的图像：a.提取该波段的全部数据并将它转成307x500的矩阵： pic=reshape(array(175,1:500*307),307,500);b.将矩阵内的数据显示出来：imshow （pic,[]）（图2）：
LED植物灯光谱技术和参数 光的研究基础是光谱，光的应用品质需要光谱分析，LED植物灯的光谱尤为重要，制造商对植物灯光谱的设计能力决定其市场竞地位，LED植物灯光谱需要根据种植工艺专门设计而不能去仿制。 植物工厂是跨界产品，好亮固体光源研究所把植物工厂技术分为种植设备技术与种植工艺技术，植物灯光谱技术是种植设备与种植工艺的重要关联点，需要明确的一点是种植工艺决定光谱设计，对植物灯的设计与制造是保证种植工艺所要求的光质能达到最佳效率，植物灯的这些特点决定了植物光谱设计具有复杂性和多样性。 1、光的应用分类 视觉应用：应用于照明，物理单位是以平均人眼的视效函数对光谱辐射功率加权得到的光通量为主要参数。 非视觉应用：以动物、植物、医疗、微生物、识别、数据传送等应用，物理单位是辐射功率或者光量子数。 2、光子的能量 LED发光是能量的转换现象，电子与空穴复合时多余的能量会发光，产生光子，波长越短，产生光子的能量越高，光子是光传递能量过程中的最小单位，植物光合作用吸收的是这种带能量的光子，光合作用是在光子能量包驱动进行，而不是一般的光能量作用，这就是植物光合作用需要光子去表达的原因。
单个光子的能量在波长400nm与波长700nm的能量比是1.75，也就是说，蓝光比红光能量大1.75倍。
图：相同辐射功率下，产生光子的数量随着波长的增大而增加。 光合作用是由光子通量产生，是携带能量的光子在酶的作用下分解CO2与H2O后产生新的分子的过程，但不是所有被植物吸收的光子产生相同的光合作用，需要用能量传递的角度理解光合作用，用“光餐”来理解光子与植物的关系。 光合有效辐射的光子数量采用两种度量单位：光合光子通量（PPF），其波长范围从400到700nm，二是产生的光子通量（YPF），其波长范围可以根据植物的光合响应下确定波长范围。 3、植物灯的参数与单位 摩尔量（mol） 在描述物质构成的基本单位如分子、离子、光量子等的时候，通常采用摩尔量表示，摩尔量是由6.022EXP(23)个物质的基本粒子构成一个基本量，单位是：摩尔（mol），在植物光合作用里光子的数量也是采用摩尔量表示，一个光子摩尔（mol）里包含有6.022EXP(23)个光子，由于在植物光合里摩尔的单位大，许多参数采用微摩尔表示。 1摩尔（mol）=1000000微摩尔（umol）。 1微摩尔（umol）包含有6千万个亿的光子。 PAR 光合有效辐射（Photosynthetic Active Radiation） 植物用于光合作用的特定波长范围（400-700nm）的辐射称作光合有效辐射，标注单位有两种：