基于高光谱及机器学习的植被等效水厚度估算方法技术

本发明专利技术公开了基于高光谱及机器学习的植被等效水厚度估算方法，包括以下步骤：步骤1：获取实地观测数据，包括实地样品数据采集，高光谱监测；步骤2：计算实测的等效水厚；步骤3：选择敏感波段；步骤4：计算特征指数，包括经验指数，纹理指数和敏感波段指指数；步骤5：构建机器学习模型，包括三种分辨率，两种机器学习算法，总计6种模型；本发明专利技术充分挖掘了不同空间分辨率的高光谱遥感数据图谱特征，构建了适宜于研究区的多分辨率等效水厚度估算模型，探讨了模型输入数据的空间分辨率转换对模型精度的影响，对未来类似研究的工作具有重要的借鉴意义。意义。意义。

【技术实现步骤摘要】
基于高光谱及机器学习的植被等效水厚度估算方法


[0001]本专利技术涉及生态环境研究
，尤其涉及基于高光谱及机器学习的植被等效水厚度估算方法。

技术介绍

[0002]叶片含水量的变化改变植被的氮、碳利用率，影响植被碳循环和能收支的平衡，引起叶片及冠层光谱反射率变化，故在生态环境质量评价需充分考虑植被水分对模型估算精度的影响。等效水厚度作为表征植被叶片含水分布的重要参数，其已被广泛应用于表征植被功能和生态系统过程。因此，实现EWT的快速、准确的估算对植被健康情况，保护生态环境具有重要的指导意义。
[0003]早期的EWT估算以实地观测为主，该方法具有较高的精度，但具破坏性强、成本高、时效性差等缺点。遥感技术的应用弥补了实地观测方法的不足，并具有监测范围广、数据更新快等优势，是一种大规模、非接触式、动态的观测方法，可获取植被覆盖区光谱辐射强度、面积变化和纹理等信息，为提取植被生化参数提供了有效的信息源。其中，高光谱遥感技术以其高效、无损、多尺度等特点在植被监测中得到了广泛的应用。例如：马岩川等建立基于高光谱遥感数据的棉花冠层EWT快速无损监测估算模型，取得了较好的结果。然而，高光谱数据在进行植被水分监测评述时，因高光谱数据频带数和数据量大等的限制，导致数据实用性降低，易出现像元过饱和现像。因此，在进行植被EWT的研究中，需充分考虑数据属性带来的局限性。
[0004]基于遥感数据的EWT估算方法已得到了长足的发展，常用的方法有辐射传输模型反演法、植被指数法等。其中，Li等提出了3种新的光谱吸收指数，适用于各种植物类型的EWT估算；潘庆梅等分析高光谱数据的光谱指数与叶片水分状况之间的定量关系，筛选出最适合估算核桃叶片含水量的光谱指数，构建核桃叶片含水量估算模型，实现核桃叶片含水量的快速、准确监测。然而，在地形、地势复杂区域内，受地貌、气候、遥感模型参数等因素的影响，以往的估算方法难以满足更多区域的实际应用需求。高光谱技术的应用有效的降低了基于传统遥感技术的植被水分估算的不确定性，但高光谱技术属于近地观测方法，传统辐射传输模型并不适应于近距离地面光谱学。

技术实现思路

[0005]1.要解决的技术问题
[0006]本专利技术的目的是为了解决现有技术中在地形、地势复杂区域内，受地貌、气候、遥感模型参数等因素的影响，现有的反演、估算方法难以满足局地尺度的实际应用需求的问题，而提出的基于不同高光谱数据分辨率和机器学习算法的提升植被等效水厚度估算模型精度方法。
[0007]2.技术方案
[0008]为了实现上述目的，本专利技术采用了如下技术方案：
[0009]基于高光谱及机器学习的植被等效水厚度估算方法，包括以下步骤：
[0010]步骤1：实地观测数据获取，首先，在研究区内，随机选择151棵冠层上方未被遮挡可直接拍摄的树木进行采样，每棵树采集3片新鲜树叶。其次，采用无人机对研究区域航拍，获取包含多个光谱通道的影像数据，并对数据进行预处理得到研究区域的无人机高光谱反射率数据；
[0011]步骤2：实测等效水厚度的计算，首先，在采集新鲜树叶时，对树叶的表面积及鲜重数据进行统计。其次，将获取的鲜叶于室内烘箱烘至恒重后再次称重，得到叶片干重。最终，实测的等效水厚度值由获取的鲜重，干重和叶面积三个参数计算得到，等效水厚度计算公式为：
[0012][0013]式中，EWT为叶片等效水厚度，单位为g cm
‑2；FW为叶片鲜重，单位为g；DW为叶片干重，单位为g；A为叶片叶面积，单位为cm
‑2；
[0014]步骤3：选择敏感波段，将实地测量数据中的等效水厚度划分为多个范围区间，进而利用多种方法对光谱曲线进行光谱特征分析，突出不同等级等效水厚度与高光谱数据光谱曲线间的光谱特征，获取对植被等效水厚度变化敏感的波段。
[0015]步骤4：计算特征指数，根据已有经验公式，计算得到经验指数，同时结合选取的敏感波段，计算得到基于敏感波段的植被特征指数；
[0016]步骤5：构建机器学习模型，首先，本研究将上文得到的特征指数据及原始波段分别重采样后0.5m、1m、2m，利用实测数据的坐标信息提取以上数据建立训练数据集。其次，根据XGBoost模型的变量重要性排序结果对模型输入变量进行选择，同时结合RF和XGBoost两种机器学习算法，构建6种估算EWT机器学习模型，并使用十折交叉验证法对所有模型进行精度验证。最终，对比分析了不同分辨率、不同模型的EWT估算模型差异及成因。
[0017]优选地，所述步骤1中无人机为大疆经纬M600多旋翼无人机，且在无人机上搭载Nano
‑
Hyperspec微型高光谱成像仪。
[0018]优选地，所述步骤1对数据预处理包括反射率校准、辐射定标、大气校正和拼接。
[0019]优选地，所述步骤2中以冠层上方未被遮挡可直接拍摄的树木为采样准则。在野外采样过程中，实地称重叶片，并利用万深植物图像分析仪进行扫描获取叶面积。鲜叶在室内烘干至恒重后，根据经验公式计算得到高精度的实测等效水厚度。
[0020]优选地，所述步骤3中实测等效水厚度划分为0.001
‑
0.01，0.01
‑
0.015，0.015
‑
0.02及0.02g cm
‑2以上4个范围区间。并在ENVI5.3使用一阶导数、二阶导数、包络线去除法，突出不同等级等效水厚度与高光谱数据光谱曲线间的光谱特征，消除光谱曲线相似情况的影响。
[0021]优选地，所述步骤4中选择了37个植被特征指数，还选取均值、方差、相关性、协同性、相异性、对比度、信息熵与二阶矩8个纹理特征作为模型输入变量参数，避免植被指数可能存在饱和现象；纹理特征选灰度级设置为32，窗口大小为5
×
5，方向为(0，1)。本专利技术使用的指数主要包括：经验指数，纹理指数和敏感波段指数，共计45个特征指数。
[0022]优选地，所述步骤4中验证方法是将数据分成10份，每份数据具有几乎相同的样本数，留下一份作为测试数据，轮流取另外9份作为训练集，总共建立十个模型，取其平均预测
精度为最终精度，将决定系数R2(式2)与均方根误差RMSE(式3)作为不同分辨率模型的精度评价标准；
[0023][0024][0025]式中，为预测值；为均值；y
i
为实测值；n为样本个数。
[0026]3.有益效果
[0027]相比于现有技术，本专利技术的优点在于：
[0028](1)本专利技术中，根据野外调查数据计算得到样点的关键植被参数(EWT)，同时，利用一阶导数、二阶导数、包络线去除法等分析光谱曲线的光谱特征，识别敏感波段，计算多种植被指数和纹理指数，进而得到不同分辨率的环境变量栅格数据。在此基础上，对从不同空间分辨率的数据进行提取，得到含有原始光谱信息、植被指数、纹理指数等环境变量数据的训练数据集，进而实现不同空间分辨率数据变量的机器学习模型构建。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，包括以下步骤：步骤1：实地观测数据获取，首先，在研究区内，随机选择151棵冠层上方未被遮挡可直接拍摄的树木进行采样，每棵树采集3片新鲜树叶。其次，采用无人机对研究区域航拍，获取包含多个光谱通道的影像数据，并对数据进行预处理得到研究区域的无人机高光谱反射率数据；步骤2：实测等效水厚度计算，首先，在采集新鲜树叶时，对树叶的表面积及鲜重数据进行统计。其次，将获取的鲜叶于室内烘箱烘至恒重后再次称重，得到叶片干重。最终，实测等效水厚度由已获取的鲜重，干重和叶面积三个参数计算得到，等效水厚度计算公式为：式中，EWT为叶片等效水厚度，单位为gcm
‑2；FW为叶片鲜重，单位为g；DW为叶片干重，单位为g；A为叶片叶面积，单位为cm
‑2；步骤3：选择敏感波段，将实测等效水厚度划分为多个范围区间，分析不同等级等效水厚度与高光谱数据光谱曲线间的光谱特征，获取对植被等效水厚度变化敏感的波段。步骤4：特征指数计算，根据已有经验公式，计算得到经验指数，同时结合选取的敏感波段，计算得到基于敏感波段的植被特征指数；步骤5：机器学习模型，首先，本研究将计算的特征指及高光谱原始波段分别重采样至0.5m、1m、2m后，利用实测数据的坐标信息提取以上数据建立训练数据集。其次，根据XGBoost模型的变量重要性排序结果对模型输入变量进行选择，同时结合RF和XGBoost两种机器学习算法，构建6种估算EWT机器学习模型。最后，使用十折交叉验证法对所有模型进行精度验证。2.根据权利要求1所述的基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，所述步骤1中无人机为大疆经纬M600多旋翼无人机，且在无人机上搭载Nano
‑
Hyperspec微型高光谱成像仪。3.根据权利要求1所述的基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，所述步骤1中对数据预处理包括反射率校准、辐射定标、大气校正和拼接。4.根据权利要求...

【专利技术属性】
技术研发人员：唐晓鹿，周涛，宋词，韩瑀萱，余姝萍，孙华章，王世军，李坪峰，罗可，肖阳，王晓东，向金成，
申请(专利权)人：四川蜀道新制式轨道集团有限责任公司华能西藏雅鲁藏布江水电开发投资有限公司，
类型：发明
国别省市：