古丽努尔Word下载.docx

古丽努尔Word下载.docx

《古丽努尔Word下载.docx》由会员分享，可在线阅读，更多相关《古丽努尔Word下载.docx（17页珍藏版）》请在冰豆网上搜索。

关键词：

关键词；

关键词；

关键词

（关键词之间分号隔开，并加一个空格）

Abstract

Keywords:

keyword;

keyword

目录

摘要IV

AbstractV

第1章绪论1

1.1本论文的背景和意义1

1.2本论文的主要方法和研究进展1

1.3本论文的主要内容1

1.4本论文的结构安排1

第2章各章题序及标题小2号黑体2

2.1各节点一级题序及标题小3号黑体2

2.1.1各节的二级题序及标题4号黑体2

2.2页眉、页脚说明2

2.3段落、字体说明2

2.4公式、插图和插表说明2

结论5

致谢6

参考文献7

附录1标题8

附录2标题9

第1章绪论

1.1本论文的背景和意义

20世纪80-90年代，高光谱遥感技术得到了充分发展，成为当前遥感领域的前沿技术。

由于具有光谱分辨率较高（<

10nm）且光谱覆盖不间断等特点，高光谱遥感能很容易地探测到本来在宽波段遥感中不可能探测的物质[1]，从而拓宽了人们解读地物的方式和方法，为各种地物特征的研究提供了丰富的研究方法。

此外，高光谱以高分辨率、信息丰富等特性在植被特征参数计算方面优于常规遥感，近年来，利用高光谱遥感对地表植被生物化学参数的无损伤估测理论与技术得到了充分发展，基于高光谱的草地植被遥感为植被分类研究及应用提供了新的思路[2]。

盐生植物对于维持干旱区绿洲生态系统平衡起着核心作用[3]。

骆驼蓬和骆驼刺是新疆常见的盐生植物，既是重要的生态防护植物也是优良的饲料牧草和药材，本研究尝试利用各种植物光谱指数，对这两种植物的光谱特征进行分析，以增加对区域特色植物高光谱特征的认识。

1.2本论文的主要方法和研究进展

植物光谱指数是利用卫星不同波段探测数据组合而成，能反映植物生长状况，数量，存在，质量及时空分布特点[4]。

遥感图像上的植被信息，主要通过绿色植物叶子和植被冠层的光谱特性及其差异，变化反映，土壤的理化性质对植被指数具有重要作用[5]。

光谱指数是根据植被在不同反射波段的特性，通过对不同波段进行线性或非线性的组合计算出来的，可反映地表植被生长状况的数值。

选择光谱指数时，可以根据植被光谱的实际差异进行构造，也可采用常见的植被指数。

光谱指数可以扩大不同植被类型间的光谱差异，为植被类型的识别提供依据[6,7]。

植物光谱指数[8]是对多个光谱遥感数据进行分析运算（加、减、乘、除等线性或非线性组合方式），产生某些对植被长势、生物量等有一定指示意义的数值。

近年来，研究者们提出的植被指数有60多个，有的针对性强，有的稳定性和鲁棒性有待提高。

其中红边位置指数（REPI,rededgepositionindex）在叶绿素含量预测方面，有突出优势[9]。

目前使用的植物光谱指数主要有：

归一化植被指数、归一化植被指数（NormalizedDifferenceVegetationIndex——NDVI），NDVI众所周知的一种植被指数，在LAI值很高，即植被茂密时其灵敏度会降低；

比值植被指数（SimpleRatioIndex——SR），SR指数也是众所周知的一种植被指数，在LAI值很高，即植被茂密时其灵敏度会降低；

增强植被指数（EnhancedVegetationIndex——EVI），EVI通过加入蓝色波段以增强植被信号，矫正土壤背景和气溶胶散射的影响。

EVI常用于LAI值高，即植被茂密区；

大气阻抗植被指数（AtmosphericallyResistantVegetationIndex——ARVI），ARVI是NDVI的改进，它使用蓝色波段矫正大气散射的影响（如气溶胶），ARVI常用于大气气溶胶浓度很高的区域，如烟尘污染的热带地区或原始刀耕火种地区；

绿度总和指数（SumGreenIndex——SG），SG指数是用于探测绿色植被变化最简单的植被指数。

由于在可见光范围内，绿色植被对光强吸收，SG指数对稀疏植被的小变化非常敏感。

SG指数是500nm-600nm范围内平均波谱反射率；

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。

它使用了红色与近红外区域部分——红边，红边是介于690nm~740nm之间区域，包括吸收与散射。

它比宽带绿度指数更加灵敏，特别是对于茂密植被；

红边归一化植被指数（RedEdgeNormalizedDifferenceVegetationIndex——NDVI705），NDVI705是NDVI的改进型，它对叶冠层的微小变化、林窗片断和衰老非常灵敏。

它可用于精细农业、森林监测、植被胁迫性探测等；

改进红边比值植被指数（ModifiedRedEdgeSimpleRatioIndex——mSR705），mSR705改正了叶片的镜面反射效应，可它可用于精细农业、森林监测、植被胁迫性探测等；

改进红边归一化植被指数（ModifiedRedEdgeNormalizedDifferenceVegetationIndex——mNDVI705），mNDVI705是NDVI705的改进型，它考虑了叶片的镜面反射效应。

它对叶冠层的微小变化、林窗片断和衰老非常灵敏。

Vogelmann红边指数1（VogelmannRedEdgeIndex1——VOG1），VOG1指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。

它可应用于植物物候变化研究、精细农业和植被生产力建模；

Vogelmann红边指数2（VogelmannRedEdgeIndex2——VOG2），VOG2指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。

Vogelmann红边指数3（VogelmannRedEdgeIndex3——VOG3），VOG3指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。

红边位置指数（RedEdgePositionIndex——REP），REP指数对植被叶绿素浓度变化、叶绿素浓度增加使得吸收特征变宽及红边向长波段方向移动非常敏感。

红边位置在690nm-740nm范围内急剧倾斜波长范围，一般植被在700nm-730nm。

宫兆宁等人研究采用FieldSpec3光谱仪加载手持叶夹式叶片光谱探测器，测定野鸭湖湿地典型植物的叶片高光谱反射率数据，同时通过分光光度计室内测定相应叶片的叶绿素含量。

采用相关性及单变量线性拟合分析技术，建立二者的关系模型，包括叶绿素含量与“三边”参数的相关模型以及比值光谱指数（SR）模型和归一化差值光谱指数（ND）模型，并采用交叉检验中的3K-CV方法对估算模型进行模型精度检验。

结果表明:

植物叶片叶绿素含量与“三边”参数大多都呈极显著相关，相关系数最大达到0．867;

计算光谱反射率组成的比值（SＲ）和归一化（ND）光谱指数与叶绿素含量的决定系数，总体相关性比较高，较好的波段组合均为550—700nm与700—1400nm以及550—700nm与1600—1900nm，与叶绿素含量相关性最好的指数分别是SＲ（565nm，740nm）和ND（565nm，735nm）。

并通过选取相关性最佳的光谱特征参数，分别基于“三边”参数和ND模型指数构建了植物叶片叶绿素含量的估算模型。

其中，基于红边位置（WP_r）光谱特征参数和ND（565nm，735nm）光谱指数建立的叶绿素含量估算模型，取得了较好的测试效果，检验拟合方程的决定系数（Ｒ2）都达到0．8以上，估算模型分别为y=0．113x－78．74，y=5．5762x+4．4828。

通过3K-CV方法进行测试和检验，植物叶绿素含量估算模型均取得了较为理想的预测精度，预测精度的分别为93．9%及90．7%。

高光谱遥感技术对植被进行微弱光谱差异的定量分析，在植被遥感研究与应用中表现出强大优势，为植物叶绿素含量诊断中的实际应用提供了重要的理论依据和技术支持[10]。

高光谱数据能否提高农作物LAI反演的精度和稳定性还存在争议。

针对这一问题，刘轲等研究者利用实测冬小麦冠层高光谱反射率数据，构造了不同光谱分辨率和波段组合的5种光谱数据。

基于ACRM（atwo-layercanopyreflectancemodel）模型、2套参数化方案及上述5种光谱数据，对冬小麦LAI进行反演，分析光谱分辨率、高光谱数据波段选择、模型参数不确定性3方面因素对LAI反演精度与稳定性的影响。

研究结果表明：

当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时，LAI反演精度与稳定性更高，提高光谱分辨率对LAI反演精度的改进作用随光谱分辨率的升高而降低；

反之，当高光谱数据波段选择不当或者模型参数不确定性较大时，提高光谱数据的分辨率并未提高LAI反演精度。

该研究解释了“高光谱遥感数据能否提高植被参数反演精度”问题，为进一步发挥高光谱数据在农作物LAI反演中的潜力提供了科学参考[11]。

杨福芹等利用灰色关联分析（greyrelationalanalysis，GRA）对植被指数进行排序，用偏最小二乘法（partialleastsquaresregression，PLS）选择不同的植被指数个数作为自变量进行回归建模，通过赤池信息量准则（Akaike’sinformationcriterion，AIC）选择AIC值最小的模型作为冬小麦LAI最优估算模型，即GRA、PLS和AIC3种方法整合建立冬小麦LAI最优估算模型。

使用2008－2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模，利用

2009－2010相关数据进行验证。

研究表明：

采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1，关联度最小的植被指数是SR；

通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优，建模集的决定系数R2和标准误SE分别为0.76和0.009，验证集的R2和相对均方根误差RRMSE分别为0.63和0.004，预测模型和验证模型均具有较高的精度和可靠性。

结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的，为提高冬小麦LAI遥感预测精度提供了一种有效的方法[12]。

本研究尝试通过多种植物光谱指数计算，对骆驼蓬和骆驼刺的光谱特征进行分析，对其主要色素参量进行定量反演。

1.3本论文的主要内容

1.骆驼蓬（PeganumharmalaL.）

主要识别特征：

多年生草本，高30~70cm，无毛。

根多数，粗达2cm，茎直立或开展，基部多分枝。

叶互生，3~5全裂，裂片条形或披针状条形，长1~3.5cm，宽1.5~3mm。

花单生枝端，与叶对生；

萼片5，裂片条形，长15~20mm,有时仅顶端分裂；

花瓣黄白色，倒卵状矩圆形，长15~20mm，宽6~9mm；

雄蕊15，花丝近基部宽展；

子房3室，花柱3。

蒴果近球形，种子三棱形，稍弯，黑褐色，表面被小瘤状突起。

花期5~6月，果期7~9月。

分布：

在新疆全区分布，但面积不大。

生境及生态适应性：

常生于田间路旁，荒漠地带干旱草地，绿洲边缘，低山坡或河谷沙地。

生境土壤轻度至中，重度盐渍化。

2.疏叶骆驼刺（AlhagisparsifoliaShap.）

半灌木，高25~40cm。

茎直立，具细条纹，无毛或幼茎具短柔毛，从基部开始分歧，枝条平行上升。

叶互生，卵形，倒卵形或卵圆形，先端圆形，具短硬尖，基部楔形，全缘，无毛，具短柄。

腋生总状花序，花序轴变成坚硬的锐刺，刺长为叶的2~3倍，无毛，当年生枝条的刺上具花3~6（8）朵，老茎的刺上无花；

花长8~10cm，苞片钻状，长约1mm，花梗长1~3mm，花萼钟状，长4~5mm，被短柔毛，萼齿三角状或钻状三角形，长为萼简的1/3~1/4；

花冠深紫红色，旗瓣倒长卵形，长8~9mm，先端钝圆或截平，基部楔形，具短瓣柄，翼瓣长圆形，长为旗瓣的3/4，龙骨瓣与旗瓣约等长；

子房线形，无毛。

荚果线形，常弯曲，近串珠状，先端常有长细尖头，几无毛。

全疆广泛分布。

喜生于干旱的盐渍化荒漠和沙漠边缘盐化沙地。

垂直根系十分发达，为中生或旱生盐生植物。

主要用途：

重要的生态防护植物；

优良的饲料牧草和良好的绿化观赏植物；

根茎叶分泌的糖分可入药[18]。

1.4本论文的结构安排

第2章骆驼刺和骆驼蓬植被光谱指数特征

2.1研究区概况

本文研究区范围为４３°

５６′５６"

～４４°

１３′２４"

Ｎ，８９°

２０′４６"

～９０°

３′４３"

Ｅ，位于新疆维吾尔自治区东北部，天山山脉东段，博格达山北麓，准噶尔盆地东南缘奇台绿洲平原区。

年平均气温为5℃左右，年均降水１７６mm，年均蒸发势2141mm，属温带大陆性干旱半干旱气候。

研究区的地质地貌特征、气候、生物类型等在新疆天山北坡、准噶尔盆地南缘区域具有一定的代表性。

2.2数据与研究方法

2.2.1光谱数据的预处理

对植物光谱曲线进行去噪处理。

光谱曲线在350～1050ｎｍ间较平滑，之后随着波长的增大，噪声增大。

350～1050ｎｍ已经包括了植物遥感常用的可见光和近红外波段。

采用移动平均法对实测光谱进行去噪处理，即选取测定样本某一点前后光谱曲线上一定范围测定它的平均值．作为该点的值。

公式

Ｒ′ｉ＝１/２ｋ＋１（Ｒｉ－ｋ＋Ｒｉ－ｋ＋１＋…＋Ｒｉ＋…＋Ｒｉ＋ｋ）（１）式中：

Ｒ′ｉ为样本第ｉ点的反射率值（均值），ｉ＝１，２，３，ｎ。

本文取ｋ＝５时，平滑效果较好。

2.3.植被指数计算

植被指数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。

目前发布了超过150种植被指数模型，其中只有极少数经过了系统的实践检验。

本文使用15种光谱植被指数计算数据。

2.3.1比值植被指数

比值植被指数SimpleRatioIndex——SR指数也是众所周知的一种植被指数在LAI值很高即植被茂密时其灵敏度会降低。

其计算公式为:

值的范围是0~30+一般绿色植被区的范围是2~8。

2.3.2红边归一化植被指数

红边归一化植被指数RedEdgeNormalizedDifferenceVegetationIndex——NDVI705是NDVI的改进型它对叶冠层的微小变化、林窗片断和衰老非常灵敏。

它可用于精细农业、森林监测、植被胁迫性探测等。

值的范围是-1~1一般绿色植被区的范围是0.2~0.9。

2.3.3改进红边归一化植被指数

改进红边归一化植被指数（ModifiedRedEdgeNormalizedDifferenceVegetationIndex——mNDVI705）是NDVI705的改进型它考虑了叶片的镜面反射效应。

其计算公式为:

值的范围是-1~1一般绿色植被区的范围是0.2~0.7。

2.3.4Vogelmann红边指数1

Vogelmann红边指数1VogelmannRedEdgeIndex1——VOG1指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。

它可应用于植物物候变化研究、精细农业和植被生产力建模。

其计算公式为：

值的范围是0~20一般绿色植被区的范围是4~8。

2.3.5Vogelmann红边指数2

Vogelmann红边指数VogelmannRedEdgeIndex2——VOG2指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。

2.3.6Vogelmann红边指数3

Vogelmann红边指数3VogelmannRedEdgeIndex3——VOG3指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。

2.3.7光化学植被指数

光化学植被指数PhotochemicalReflectanceIndex——PRI对活植物的类胡萝卜素（尤其黄色色素）变化非常敏感类胡萝卜素可标识光合作用光的利用率,或者碳吸收效率。

可用于研究植被生产力和胁迫性,常绿灌木植被的健康,森林以及农作物的衰老。

值的范围是-1~1一般绿色植被区的范围是-0.2~0.2。

2.3.8结构不敏感色素指数

结构不敏感色素指数StructureInsensitivePigmentIndex——SIPI用来最大限度地提高类胡萝卜素（例如α-胡萝卜素和β-胡萝卜素）与叶绿素比率在冠层结构（如叶面积指数）减少时的敏感度，SIPI的增加标识冠层胁迫性的增加。

可用于植被健康监测、植物生理胁迫性检测和作物生产和产量分析。

其计算公式为：

值的范围是0~2一般绿色植被区的范围是0.8~1.8。

2.3.9植被衰减指数

植被衰减指数PlantSenescenceReflectanceIndex——PSRI用来最大限度地提高类胡萝卜素（例如α-胡萝卜素和β-胡萝卜素）与叶绿素比率的灵敏度，PSRI的增加预示冠层胁迫性的增加、植被衰老的开始和植物果实的成熟。

值的范围是-1~1一般绿色植被区的范围是-0.1~0.2。

2.3.10增强植被指数

增强植被指数EnhancedVegetationIndex——EVI通过加入蓝色波段以增强植被信号，矫正土壤背景和气溶胶散射的影响。

EVI常用于LAI值高，即植被茂密区。

备注：

值的范围是-1~1一般绿色植被区的范围是0.2~0.8。

2.3.11归一化植被指数

归一化植被指数NormalizedDifferenceVegetationIndex——NDVI众所周知的一种植被指数，在LAI值很高，即植被茂密时其灵敏度会降低。

2.3.12比值植被指数

比值植被指数（RatioVegetationIndex——RVI）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，它的分辨率能力显著下降。

2.3.13差值植被指数

差值植被指数（DifferenceVegetationIndex——DVI）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）。

2.3.14类胡萝卜素反射指数1

类胡萝卜素反射指数1（CarotenoidReflectanceIndex1——CRI1）CRI1对叶片中的

类胡萝卜素非常敏感，高的CRI1值意味类胡萝卜素含量相比叶绿素含量多。

值的范围是0~15+，一般绿色植被区的范围是1~12。

2.3.15花青素反射指数1

花青素反射指数1（AnthocyaninReflectanceIndex1——ARI1）ARI1对叶片中的花青

素非常敏感，ARI1值越大表明植被冠层增长或者死亡。

值的范围是0~0.2+，一般绿色植被区的范围是0.001~0.1。

3结果与分析

3.1两种盐生植物植被光谱样本间比较

骆驼刺在750nm~1050nm波段之间的反射率变化比较明显。

骆驼蓬在750nm~1050nm波段之间的反射率变化比较明显，还有波段500nm~600nm之间的反射率也有一些明显的差异。

3.2两种盐生植物的植被光谱特征分析

在波段350~400nm之间的反射率骆驼蓬<

骆驼刺，在波段700nm的时候反射率骆驼蓬=骆驼刺，在波段750~1050nm之间的反射率骆驼蓬>

骆驼刺。

3.3植被指数特征参数的分析

植被指数/样本

骆驼刺

骆驼蓬

比值植被指数SR

0.473699828

0.5057576

红边归一化植被指数NDVI705

0.431108353

0.469052641

改进红边归一化植被指数mNDVI705

-0.178707413

-0.205783778

Vogelmann红边指数1VOG1

1.436515233

1.486730796

Vogelmann红边指数2VOG2

-0.083324621

-0.094836225

Vogelmann红边指数3VOG3

-0.090499334

-0.103875776

光化学植被指数PRI

-0.03227883

-0.056103818

结构不敏感色素指数SIPI

0.734673706

0.780969898

植被衰减指数PSRI

0.011685788

0.004024923

增强植被指数EVI

0.68906115

0.7806638

归一化植被指数NDVI

0.700024404

0.761508885

比值植被指数RVI

5.667209029

7.386056632

差值植被指数DVI

0.41361176

0.473256167

CRII

4.121740981

5.214674857

ARII

0.455908666

0.762634034

光谱变量

计算方法

蓝边幅值（Db）

490-530nm内一阶导数光谱中的最大值

黄边幅值（Dy）

560—640nm内一阶导数光谱中的最大值

红边幅值（Dr）

680—760nm内一阶导数光谱中的最大值

蓝边面积（SDb）

蓝边波长范围内一阶导数波段值的总和

黄边面积（SDy）

黄边波长范围内一阶导数波段值的总和

红边面积（SDr）

红边波长范围内一阶导数波段值的总和

VI1=Rg/Rr

绿峰反射率Rg与红谷反射率Rr的比值

VI2=（Rg-Rr）/（Rg+Rr）

绿峰反射率Rg与红谷反射率Rr的归一化值

VI3=SDr/SDb

红边面积SDr与蓝边面积SDb的比值