文献类型： 中文期刊

作者： 岳继博 ¹ ; 冷梦蝶 ¹ ; 田庆久 ² ; 郭伟 ¹ ; 刘杨 ³ ; 冯海宽 ⁴ ; 乔红波 ¹ ;

作者机构： 1.河南农业大学信息与管理科学学院

2.南京大学国际地球系统科学研究所

3.中国农业大学智慧农业系统集成研究教育部重点实验室

4.北京市农林科学院信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室

关键词： 深度学习;高光谱遥感;叶片蛋白质含量;叶片叶绿素含量;叶片类胡萝卜素含量

期刊名称： 光谱学与光谱分析

ISSN： 1000-0593

年卷期： 2024 年 44 卷 010 期

页码： 2873-2883

收录情况： EI ; SCI ; 北大核心 ; CSCD

摘要： 准确的植物叶片理化参数对于监测植物生长状况至关重要。随着深度学习技术的迅速应用，结合深度学习和高光谱遥感技术的植物叶片理化参数分析应用潜力巨大；然而，现阶段结合深度学习和高光谱遥感技术在植物多叶片理化参数的联合估算研究尚少。该研究旨在挖掘结合高光谱遥感技术和深度学习技术开展高精度的多植被叶片理化参数(叶绿素含量、类胡萝卜素含量、水分含量、蛋白质含量和碳基成分含量)联合估算的潜力。首先，通过利用新型PROSPECT-PRO辐射传输模型模拟分析，确定了多个植被叶片理化参数的敏感光谱区域，并设计了LeafTraitNet模型；然后，基于Lopex93数据开展LeafTraitNet模型训练和验证，取得了高精度的叶片参数估算结果。得到以下结论：(1)基于PROSPECT-PRO辐射传输模型辅助实测开展植被光谱特征选择十分必要；叶绿素(约434和约676 nm)和类胡萝卜素(约445 nm)两类色素的光谱吸收峰均主要位于可见光区域；然而，其与叶片光谱的相关系数绝对值最大的点却不是各自的吸收峰位置，这可能是因为叶绿素和类胡萝卜素对光谱吸收的相互影响。(2)水分的吸收峰主要位于950～2 500 nm范围内，这与叶片蛋白质和碳基成分的吸收区域重叠，因此削弱了后者的高光谱遥感估算精度。基于PROSPECT-PRO辐射传输模型和Lopex93数据集的叶片参数相关性分析结果表明，叶片水分含量与950～2 500 nm范围内叶片光谱反射率相关系数绝对值接近1,而叶片蛋白质和碳基成分含量与950～2 500 nm范围内光谱反射率相关系数较低。(3)三种传统统计回归方法和LeafTraitNet模型的叶片理化参数估算精度可以基于其估算总nRMSE而排序为：LeafTraitNet(总nRMSE=0.84)