植被指数第二弹

Bore·2022-10-25 16:20·1291 次阅读

植被指数第二弹

植被指数第二弹—窄带绿度(Narrowband Greenness )#

窄带绿度指数对叶绿素含量、叶子表面冠层、叶聚丛、冠层结构非常敏感。

它的计算,采用的是红色与近红外区域部分—红边,红边是介于690 nm ~ 740 nm之间的区域;相比之下,窄带绿度指数比宽带绿度指数,对植被信息的反映更加敏感(尤其是茂密植被)。

它的计算离不开光谱导数,emm这个就粗略一提,不展开讲了;因为我不会...😮‍💨

导数分光光度法:利用以吸光度对波长(波数)的导数为纵坐标,以波长(波数)为横坐标所记录的导数光谱进行测定的一种光度分析技术。

光谱数据求导是常用的近红外光谱预处理方法,可以消除基线漂移、提高光谱分辨率。一阶导可以去除常数基线(?),二阶导数可消除一次函数基线(线性函数),三阶导数可以去除二次函数基线。峰形曲线的一阶导数有2个峰,二阶导数为3个峰,三阶导数则有4个峰。但光谱求导会增加噪声水平,降低光谱信噪比。

光谱一阶导数的求导算法:差分法、Savitzky-Golay求导法、小波变换法。

下面看具体的窄带绿度指数:

1 REP(Red Edge Position Index)#

植被吸收-反射光谱在红-近红外有着丰富的信息,红光附近有一个吸收峰,而到了近红外反射率急剧上升;有人认为红光附近的吸收峰和叶绿素浓度相关,而近红外附近反射率急剧上升与叶片内部散射有关[1]。而当叶绿素浓度增加,吸收特征变宽,红边向长波段方向移动。

REP要算的,就是在690 nm ~ 740 nm光谱范围内,反射率导数最大(光谱一阶导的高峰)对应的波长。常用于农作物监测、估产、环境胁迫,生态系统干扰探测,光合作用模型,和由气候或其他因素产生的冠层胁迫性。

REP对应的其实还有RWP, Red Well Position红井位置[2],对应的是叶绿素的吸收峰(反射谷)。

找到这个斜率最大(拐点)的反射率,主要思路是曲线拟合。而这部分曲线拟合有下面几种方法[2]

线性插值

这一方法,1988由法国的G Guyot和F Baret提出[3](原文是法文,根本看不懂😂)。从一篇引用文献来看,他们做了两个假设:①假设波长670nm到780nm的反射曲线是直线。②红边位置在700-740nm之间。计算思路是:首先算出红边位置的反射率,再根据反射率得出红边位置。

Ri=R670+R7802REP=700+40RiR700R740R700

多项式拟合

这个算法的思路是用一个五次多项式,去拟合红波段反射谷近红外“肩点”反射这部分反射率曲线。

ρ=α0+i=15αiλi

λ表示Hyperion 661.45-783.48nm的13个波段。

拉格朗日插值法

1998年,Dawson和Curran基于三点拉格朗日插值法,确定红边位置,并且将它和叶绿素浓度联系起来,并认为该方法可以很好地监测到红边的移动。该方法以光谱反射率一阶导为基础,采用一个二阶多项式曲线去拟合三个一阶导数波段,得出。然后对拉格朗日方程求二阶导,以确定最大斜率(红边)位置。

REP=A(λi+λi+1)+B(λi1+λi+1)+C(λi1+λi)2(A+B+C)A=Dλ(i1)(λi1λi)(λi1λi+1)B=Dλ(i)(λiλi1)(λiλi+1)A=Dλ(i+1)(λi+1λi1)(λi+1λi)

其中,Dλ(i1),Dλ(i),Dλ(i+1)是红边附近波长反射率的一阶导。

逆高斯拟合

R(λ)=Rs(RsR0)exp((λ0λ)22σ2)

其中,Rs是红边反射率的最高值(肩点),R0λ0是反射率的最低值和红井位置(REP,Red Well Postion)。λ是波长,σ2是高斯分布的方差。红遍位置λp计算公式为:λp=λ0+σ

2 MTCI(MERIS terrestrial chlorophyll index)#

MERIS是Envisat卫星(欧空局的对地观测卫星系列之一,于2002年3月1日发射,2012年4月8日,与地球失去联系)搭载的传感器之一。有论文发现在高叶绿素浓度地区,可采用MERIS 8、9、10波段构建MTCI,来更好地指示叶绿素浓度。

高叶绿素浓度地区,REP与叶绿素浓度之间是单调关系,而此时,MTCI与叶绿素浓度呈线性关系。

中等分辨率成像光谱仪(MERIS, Medium Resolution Imaging Spectrometer)陆地叶绿素指数MTCI

MTCI=RBand10RBand9RBand9RBand8=R753.75R708.75R708.75R681.25

3 Vogelmann指数#

1993年,Vogelmann提出[4]。主要针对高光谱数据,如VIRIS(Visible/Infrared Intelligent Spectrometer)。当叶绿素浓度降低,红边位置蓝移,(680-750nm)钟形曲线向三角趋近绿峰。

3-1 VOG1(Vogelmann Red Edge Index 1)#

Vogelmann红边指数1(REIP,Red Edge Inflection Point)

VOG1=ρ740ρ720

3-2 VOG2(Vogelmann Red Edge Index 2)#

Vogelmann红边指数2

VOG2=ρ734ρ747ρ715+ρ724

3-3 VOG3(Vogelmann Red Edge Index 3)#

Vogelmann红边指数3

VOG3=ρ734ρ747ρ715+ρ720

上面的红边位置等指数基于高光谱分辨率,而Sentinel-2中也纳入了红边波段,下面的指数的计算可以很好地通过三个波段反映植被特征。归一化差异红色边缘指数NDREI和红边归一化植被指数NDVI705类似,具体应用中,各位各自甄别挑选。两者和NDVI形式类似,但和NDVI相比,充分利用高光谱分辨率数据(AVIRIS),更能体现叶绿素含量。

下面是Sentinel-2红边波段信息,本文采用Sentinel-2作为例子,给出公式与代码。

波段 Sentinel-2A 中心波长(nm) Sentinel-2B 中心波长(nm) 空间分辨率(m)
5-Vegetation red edge 704.1 703.8 20
6-Vegetation red edge 740.5 739.1 20
7-Vegetation red edge 782.8 779.7 20
1-Coastal aerosol 442.7 442.2 60

4-1 NDREI(Normalized Difference Red Edge Index)#

NDRE=NIRREDGENIR+REDGE

其中,REDGE的中心波长在715nm左右。

Copy
def getNDRE(image): ndre = image.normalizedDifference(['B7','B5']).rename("NDRE") image = image.addBands(ndre) return(image)

4-2 NDVI705(Red Edge Normalized Difference Vegetation Index)#

NDVI705=ρ750ρ705ρ750+ρ705

Copy
def getND750(image): ND750 = image.normalizedDifference(['B6','B5']).rename("ND750") image = image.addBands(ND750) return(image)

mSR705mNDVI705是由Daniel A Sims和John A Gamon在2002年提出来的[5]

5-1 mSR705(Modified Red Edge Simple Ratio Index)#

叶表反射多往往是因为叶表发生镜面反射,这使得叶片在整个可见光区域的反射率增加。为减少这一影响,选用ρ445表征叶表反射率,得到改进红边比值植被指数mSR705

mSR705=ρ750ρ445ρ750+ρ445

Copy
def getMSR(image): MSR = image.normalizedDifference(['B6','B1']).rename("MSR") image = image.addBands(MSR) return(image)

5-2 mNDVI705(Modified Red Edge Normalized Difference Vegetation Index)#

改进红边归一化植被指数mNDVI705,就是在NDVI705的基础上,修正了叶片镜面发射的影响。Datt在1999年基于同一思想提出一指数,但是是基于ρ680,Daniel A Sims和John A Gamon认为ρ445更好,因为它比ρ680更稳定,更低,且花青素吸收峰在445nm附近。

mND705=ρ750ρ705ρ750+ρ7052ρ445

Copy
def getmND750(image): mND750 = image.expression( '(R750 - R705) / (R750 + R705 - 2 * R445)', { 'R750': image.select('B6').divide(10000), 'R705': image.select('B5').divide(10000), 'R445': image.select('B1').divide(10000) }).rename("mND750") image = image.addBands(mND750) return(image)

参考材料:

[1]A new technique for extracting the red edge position from hyperspectral data: The linear extrapolation method](https://www.sciencedirect.com/science/article/pii/S0034425705004244#bib22)

[2]Extraction of red edge optical parameters from Hyperion data for estimation of forest leaf area index | IEEE Journals & Magazine | IEEE Xplore

[3]https://adsabs.harvard.edu/pdf/1988ESASP.287..279G

[4]Red edge spectral measurements from sugar maple leaves: International Journal of Remote Sensing: Vol 14, No 8 (tandfonline.com)

[5]Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages - ScienceDirect

posted @   coliaxu  阅读(1291)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· CSnakes vs Python.NET:高效嵌入与灵活互通的跨语言方案对比
· DeepSeek “源神”启动!「GitHub 热点速览」
· 我与微信审核的“相爱相杀”看个人小程序副业
· Plotly.NET 一个为 .NET 打造的强大开源交互式图表库
· 上周热点回顾(2.17-2.23)
点击右上角即可分享
微信分享提示
目录