[go: up one dir, main page]

CN112666120A - 基于近红外光谱的植被与非植被识别指数构建方法 - Google Patents

基于近红外光谱的植被与非植被识别指数构建方法 Download PDF

Info

Publication number
CN112666120A
CN112666120A CN202011496173.9A CN202011496173A CN112666120A CN 112666120 A CN112666120 A CN 112666120A CN 202011496173 A CN202011496173 A CN 202011496173A CN 112666120 A CN112666120 A CN 112666120A
Authority
CN
China
Prior art keywords
vegetation
nirpnpad
near infrared
infrared spectrum
identification index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011496173.9A
Other languages
English (en)
Other versions
CN112666120B (zh
Inventor
刘乃森
刘福霞
朱星月
吉书雯
李文清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Normal University
Original Assignee
Huaiyin Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaiyin Normal University filed Critical Huaiyin Normal University
Priority to CN202011496173.9A priority Critical patent/CN112666120B/zh
Publication of CN112666120A publication Critical patent/CN112666120A/zh
Application granted granted Critical
Publication of CN112666120B publication Critical patent/CN112666120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了基于近红外光谱的植被与非植被识别指数构建方法，R a为950nm～1150nm范围内任意两个及以上波段的平均光谱反射率，R b为1500nm～1700nm范围内任意两个及以上波段的平均光谱反射率，R c为2100nm～2300nm范围内任意两个及以上波段的平均光谱反射率，利用R a、R b和R c构建了植被与非植被识别指数NIRPNPAD，可准确识别植被和非植被。

Description

基于近红外光谱的植被与非植被识别指数构建方法
技术领域
本发明涉及自然生态环境的检测领域，更具体地说，它涉及一种基于近红外光谱的植被与非植被识别方法。
背景技术
植被是联接土壤、大气和水分的自然“纽带”，是陆地生态系统的基础，同时也是人类赖以生存的自然环境条件，它在陆地表面的能量交换过程、生物地球化学循环过程和水文循环过程中扮演着重要的角色。区分植被与非植被有助于计算植被覆盖度，研究土地利用状况。此外，在某些领域从植被群体中辨识绿色人工伪装物有着重要的应用价值。
廖小露等以“类内密度最大，类间距离最大”为原则，对挑选的可见光和近红外波段，使用改进的投影寻踪方法区分绿色植被和道路、土壤等非植被，但该技术需要的光谱波段多，达8个，增加了技术的应用成本，同时该技术未涉及人工绿色伪装植被的区分（廖小露, 刘嘉, 周兴霞. 地空同步试验高光谱影像特征提取与分类[J]. 国土资源遥感,2019,31(03): 65-71）。刘志明等将780～1300nm“近红外高原”的反射光谱压缩转换到380～780nm可见光范围内，然后成像，通过颜色的变化区分植被与绿色伪装涂料，但该技术需要的光谱波段过多，达260个以上，（刘志明, 胡碧茹, 吴文健, 等. 高光谱探测绿色涂料伪装的光谱成像研究[J]. 光子学报, 2009,38(04): 885-890）。
为解决上述在植被与非植被分类时，光谱波段过多，或无法识别人工绿色伪装植被的缺陷，发明了基于近红外光谱的植被与非植被识别指数构建方法。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种解决上述问题的基于近红外光谱的植被与非植被识别方法，依据近红外反射光谱（即吸收光谱）与物质含量有关的特性，通过获取特定波段内近红外光谱反射率数据，构建基于近红外光谱特征的植被与非植被识别指数。
为实现上述目的，本发明提供了如下技术方案：
基于近红外光谱的植被与非植被识别指数构建方法，
（一）测量目标物的光谱反射率，计算R a、R b和R c，R a为950nm～1150nm范围内任意两个及以上波段的平均光谱反射率，R b为1500nm～1700nm范围内任意两个及以上波段的平均光谱反射率，R c为2100nm～2300nm范围内任意两个及以上波段的平均光谱反射率；950nm～1150nm、1500nm～1700nm、2100nm～2300nm植被呈现反射峰，且反射峰值依次下降，而非植被则光谱反射率变化较小，整体光谱形状比较平坦，1500nm～1700nm、2100nm～2300nm的植被和非植被的反射率数值范围基本一致，变化范围为0.1～0.3。
（二）计算识别指数NIRPNPAD，植被的R a、R b、R c依次下降，非植被则比较接近，变化不大，植被与植被的近红外反射光谱形状有明显差异，依据R a>R c、R b>R c光谱形状特点，分别构建
Figure 100002_DEST_PATH_IMAGE001
和
Figure 603629DEST_PATH_IMAGE002
进一步增强光谱差异，将其合并降维，
Figure 100002_DEST_PATH_IMAGE003
对的数据空间进行压缩
Figure 472359DEST_PATH_IMAGE004
，并投影到余弦空间，将植被投影汇聚成一类，非植被投影汇聚成另一类，
Figure 100002_DEST_PATH_IMAGE005
，当NIRPNPAD>0时，目标物为非植被，当NIRPNPAD≤0时，目标物为植被；
或，依据1500nm～1700nm、2100nm～2300nm的植被和非植被的反射率数值范围基本一致，变化范围为0.1～0.3，而950nm～1150nm植被反射率远远高于非植被的特点，通过
Figure 570896DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
衡量这种光谱形状上的差异特点，并将其合并降维进一步增强植被与非植被近红外光谱形状上的差异，
Figure 183274DEST_PATH_IMAGE008
对的数据空间进行弹性放大
Figure DEST_PATH_IMAGE009
，并投影到余弦空间，将植被投影汇聚成一类，非植被投影汇聚成另一类，
Figure 785288DEST_PATH_IMAGE010
，当NIRPNPAD<0时，目标物为非植被，当NIRPNPAD≥0时，目标物为植被。
本发明有益效果：
在780~2400nm近红外光谱范围内，植被的光谱反射率呈多峰多谷规律变化，且随着波长的增加反射峰依次降低，而非植被的反射率变化较平坦，无明显的峰谷变化。相同的植被、非植被在不同条件（如土壤肥力、覆盖度、光强）下的反射率数值往往会有变化，但是它们的光谱形状却很稳定，本发明构建的指数正是利用光谱形状识别植被与非植被，区分准确，且植被中的红叶植物、植物的花仍可被准确的识别为植被，而人工绿色伪植被可准确的与植被区分开。本发明技术所需波段少，易于计算，使用方便。
附图说明
图1为9个植被光谱反射率曲线；
图2为6个非植被光谱反射率曲线；
图3为第一种计算方法指数NIRPNPAD对植被与非植被识别效果图；
图4为第二种计算方法指数NIRPNPAD对植被与非植被识别效果图。
具体实施方式
1.光谱数据采集
使用美国ASD公司（Analytical Spectral Devices）生产的Field Spec 4 地物光谱仪采集植被与非植被光谱反射率，光谱仪测量的波长范围为350nm～2500nm。测量的植被有9个：野豌豆（带花）、野豌豆（无花)、刺柏、海桐、麦冬、草坪、红花酢浆草（带花）、石楠（叶子为红色）、月季的红色花朵。测量的非植被有6个：大理石、水泥地、橡胶跑道、人造草坪、裸地（湿）、裸地（干）。植被的光谱反射率见图1，非植被的光谱反射率见图2。
测量时间安排在无风的晴天中午前后，测量的视场约为直径30cm的圆形区域，每个测量对象采集10次光谱数据，取均值。
2.构建植被与非植被的识别指数
分别计算15个地物950nm～1150nm全波段的平均光谱反射率R a、1500nm～1700nm全波段的平均光谱反射率R b、2100nm～2300nm 全波段的平均光谱反射率R c，计算识别指数NIRPNPAD：
第一种计算公式，
Figure DEST_PATH_IMAGE011
，
Figure 356078DEST_PATH_IMAGE012
，
15种地物的NIRPNPAD见图3，植被数值小于等于0，非植被数值均大于，NIRPNPAD对植被与非植被的区分完全正确。
第二种计算公式，
Figure DEST_PATH_IMAGE013
，
Figure 941911DEST_PATH_IMAGE014
，
15种地物的NIRPNPAD见图4，植被数值大于等于0，非值被数值均小于0，NIRPNPAD对植被与非植被的区分完全正确。

Claims (1)

1.基于近红外光谱的植被与非植被识别指数构建方法，其特征在于：
（一）测量目标物的光谱反射率，计算R a、R b和R c，R a为950nm～1150nm范围内任意两个及以上波段的平均光谱反射率，R b为1500nm～1700nm范围内任意两个及以上波段的平均光谱反射率，R c为2100nm～2300nm范围内任意两个及以上波段的平均光谱反射率；
（二）计算识别指数NIRPNPAD，
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE003
，当NIRPNPAD>0时，目标物为非植被，当NIRPNPAD≤0时，目标物为植被；
或
Figure 411840DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE005
当NIRPNPAD<0时，目标物为非植被，当NIRPNPAD≥0时，目标物为植被。
CN202011496173.9A 2020-12-17 2020-12-17 基于近红外光谱的植被与非植被识别指数构建方法 Active CN112666120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011496173.9A CN112666120B (zh) 2020-12-17 2020-12-17 基于近红外光谱的植被与非植被识别指数构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011496173.9A CN112666120B (zh) 2020-12-17 2020-12-17 基于近红外光谱的植被与非植被识别指数构建方法

Publications (2)

Publication Number Publication Date
CN112666120A true CN112666120A (zh) 2021-04-16
CN112666120B CN112666120B (zh) 2024-04-05

Family

ID=75406040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011496173.9A Active CN112666120B (zh) 2020-12-17 2020-12-17 基于近红外光谱的植被与非植被识别指数构建方法

Country Status (1)

Country Link
CN (1) CN112666120B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115657A (zh) * 2023-09-07 2023-11-24 中国农业大学 一种绿色作物识别方法、系统、设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040164235A1 (en) * 2003-01-21 2004-08-26 Miller Steven D. System and method for significant dust detection and enhancement of dust images over land and ocean
WO2005054799A2 (en) * 2003-11-26 2005-06-16 Florida Environmental Research Institute, Inc. Spectral imaging system
US20120155714A1 (en) * 2009-06-11 2012-06-21 Pa Llc Vegetation indices for measuring multilayer microcrop density and growth
CN104251824A (zh) * 2014-09-26 2014-12-31 南京农业大学 一种多光谱作物生长传感器温度补偿模型的构建方法
CN106198437A (zh) * 2016-06-21 2016-12-07 中国土地勘测规划院 一种植被光合有效辐射吸收率的遥感估算方法及装置
JP2018128370A (ja) * 2017-02-09 2018-08-16 富士通株式会社 植物判別装置、植物判別方法及び植物判別用コンピュータプログラム
CN108872138A (zh) * 2018-03-19 2018-11-23 河南科技学院 在线快速检测鸡肉肠杆菌科含量的方法
US20180356339A1 (en) * 2016-08-10 2018-12-13 Fuzhou University Method of calculating tavi based on a band ratio model and solar altitude angle
CN110363125A (zh) * 2019-07-04 2019-10-22 浙江大学山东工业技术研究院 采用模型传递识别不同品种柑橘黄龙病的方法
CN110514597A (zh) * 2019-09-04 2019-11-29 北京麦飞科技有限公司 基于星地遥感数据协同的农作物病虫害监测方法
KR20200124790A (ko) * 2019-04-24 2020-11-04 경북대학교 산학협력단 식생 조사 장치, 식생 조사 시스템 및 식생 조사 방법

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040164235A1 (en) * 2003-01-21 2004-08-26 Miller Steven D. System and method for significant dust detection and enhancement of dust images over land and ocean
WO2005054799A2 (en) * 2003-11-26 2005-06-16 Florida Environmental Research Institute, Inc. Spectral imaging system
US20120155714A1 (en) * 2009-06-11 2012-06-21 Pa Llc Vegetation indices for measuring multilayer microcrop density and growth
CN104251824A (zh) * 2014-09-26 2014-12-31 南京农业大学 一种多光谱作物生长传感器温度补偿模型的构建方法
CN106198437A (zh) * 2016-06-21 2016-12-07 中国土地勘测规划院 一种植被光合有效辐射吸收率的遥感估算方法及装置
US20180356339A1 (en) * 2016-08-10 2018-12-13 Fuzhou University Method of calculating tavi based on a band ratio model and solar altitude angle
JP2018128370A (ja) * 2017-02-09 2018-08-16 富士通株式会社 植物判別装置、植物判別方法及び植物判別用コンピュータプログラム
CN108872138A (zh) * 2018-03-19 2018-11-23 河南科技学院 在线快速检测鸡肉肠杆菌科含量的方法
KR20200124790A (ko) * 2019-04-24 2020-11-04 경북대학교 산학협력단 식생 조사 장치, 식생 조사 시스템 및 식생 조사 방법
CN110363125A (zh) * 2019-07-04 2019-10-22 浙江大学山东工业技术研究院 采用模型传递识别不同品种柑橘黄龙病的方法
CN110514597A (zh) * 2019-09-04 2019-11-29 北京麦飞科技有限公司 基于星地遥感数据协同的农作物病虫害监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENGGONG DU ET，: "Remote estimation of total phosphorus concentration in the Taihu Lake using a semianalytical model", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》, vol. 41, no. 20, 21 August 2020 (2020-08-21), pages 7993 *
刘乃森 等，: "人工神经网络及其在植物保护中的应用", 《安徽农业科学》, vol. 34, no. 23, 31 December 2006 (2006-12-31), pages 6237 - 6238 *
刘志明;胡碧茹;吴文健;张勇;: "高光谱探测绿色涂料伪装的光谱成像研究", 光子学报, no. 04, 15 April 2009 (2009-04-15), pages 147 - 152 *
张杰;张强;: "影响黄土高原地物光谱反射率的非均匀因子及反照率参数化研究", 生态学报, no. 24, 23 December 2011 (2011-12-23), pages 97 - 106 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115657A (zh) * 2023-09-07 2023-11-24 中国农业大学 一种绿色作物识别方法、系统、设备及介质

Also Published As

Publication number Publication date
CN112666120B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Köhler et al. Assessing the potential of sun-induced fluorescence and the canopy scattering coefficient to track large-scale vegetation dynamics in Amazon forests
CN105354534B (zh) 一种基于多源同期高分辨率遥感数据的树种分类方法
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
Zhao et al. Effect of vertical distribution of crop structure and biochemical parameters of winter wheat on canopy reflectance characteristics and spectral indices
CN109543654B (zh) 一种反映农作物生长状况的改进型植被指数的构建方法
CN109977548A (zh) 一种针对不同范围的叶面积指数遥感反演方法
CN114049564A (zh) 基于高光谱遥感影像的松材线虫病等级预测模型构建方法
CN105758806A (zh) 基于光谱特征的地膜覆盖农田遥感监测方法
CN104915660A (zh) 一种基于gf-1/wfv ndvi时间序列的冬小麦自动识别方法
CN113902717B (zh) 一种基于光谱库的星载高光谱农田裸土目标识别方法
CN108333140B (zh) 用于刚竹毒蛾危害检测的特征光谱指数及检测方法
Chen et al. Model for estimation of total nitrogen content in sandalwood leaves based on nonlinear mixed effects and dummy variables using multispectral images
CN114494689A (zh) 番茄干旱胁迫的识别方法
CN103048276A (zh) 一种用于检测作物冠层叶片碳氮比的光谱指数构造方法
CN105136686B (zh) 紫叶李叶片花青素含量的测定方法
Pang et al. Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands: A case study in China
CN107145876A (zh) 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法
Hameed et al. Modified Vegetation Detection Index Using Different-Spectral Signature
Olioso et al. Evidence of low land surface thermal infrared emissivity in the presence of dry vegetation
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
Zhang et al. Research on the identification of land types and tree species in the Engebei ecological demonstration area based on GF-1 remote sensing
CN112666120A (zh) 基于近红外光谱的植被与非植被识别指数构建方法
CN107945162A (zh) 基于计算机视觉技术对红火蚁巢的检测识别方法
Bektas Balcik et al. Determining the impacts of land cover/use categories on land surface temperature using Landsat8-OLI
CN119274098B (zh) 基于无人机可见光遥感的松材线虫病疫木感病阶段监测识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant