1、第 47 卷 第 5 期2023 年 9 月激 光 技 术LASER TECHNOLOGYVol.47,No.5September,2023 文章编号:1001-3806(2023)05-0708-08基于高光谱激光雷达的绿萝叶绿素 3 维重建汪慧民1,邵 慧1,2,孙 龙1,2,李 伟3,王 程1,2,陈 杰1,2,朱家兵4(1.安徽建筑大学 电子与信息工程学院,合肥 230601;2.安徽建筑大学 安徽省古建筑智能感知与高维建模国际联合研究中心,合肥 230601;3.北京航空航天大学 无人机系统研究院,北京 100191;4.淮南师范学院 电子工程学院,淮南 232038)摘要:为了准确
2、重建正反面叶片叶绿素 3 维分布,利用高光谱激光雷达,采集了不同生长状态的绿萝叶片与植株的空间-光谱域点云数据,设计了一种基于分类预测的重建方法。通过偏最小二乘回归构建叶片正面与反面光谱的叶绿素含量预测模型,采用光谱自适应阈值选择方法实现植株点云中叶片正反面的分类,并根据类别标签选择模型计算叶绿素含量,重建植株的叶绿素 3 维分布。结果表明,该方法得到的植株叶绿素 3 维分布更接近真实值,决定系数达到 0.69,均方根误差为 4.97。这一结果可为植物表型研究提供新的数据基础和理论方法。关键词:遥感;高光谱激光雷达;偏最小二乘回归;叶绿素含量;3 维重建中图分类号:TP721.2 文献标志码:
3、A doi:10.7510/jgjs.issn.1001-3806.2023.05.0203-D reconstruction of chlorophyll content of epipremnum aureum based on hyperspectral LiDAR WANG Huimin1,SHAO Hui1,2,SUN Long1,2,LI Wei3,WANG Cheng1,2,CHEN Jie1,2,ZHU Jiabing4(1.School of Electronic and Information Engineering,Anhui Jianzhu University,Hef
4、ei 230601,China;2.Anhui International Joint Research Center for Ancient Architecture Intellisencing and Multi-Dimensional Modeling,Anhui Jianzhu University,Hefei 230601,China;3.Institute of Unmanned System,Beihang University,Beijing 100191,China;4.School of Electronic Engineer-ing,Huainan Normal Uni
5、versity,Huainan,232038,China)Abstract:In order to accurately reconstruct the 3-D chlorophyll distribution of adaxial and abaxial leaves,the leaves and plants of epipremnum aureum in different growth states were selected as the experimental samples,whose spatial-spectral point cloud data were acquire
6、d by hyperspectral light detection and ranging(LiDAR),and a reconstruction method based on classification and prediction was designed.Chlorophyll content prediction models of adaxial and abaxial leaves were constructed by the partial least squares regression modeling method,to calculate the chloroph
7、yll of different leaves,adaxial and abaxial leaves were classified with the spectral adaptive threshold selection method,and then the plant 3-D distribution of chlorophyll was reconstructed.The results show that this reconstruction method can obtain the predicted value with a coefficient of determin
8、ation 0.69 and a root mean square error 4.97,which is closer to the true value.This result will provide a basis and theoretical approach for plant phenotypes research.Key words:remote sensing;hyperspectral LiDAR;partial least squares regression;chlorophyll content;3-D reconstruction 基金项目:安徽省科技厅面上项目(
9、2008085MF182);安徽省住房城乡建设科学技术计划资助项目(2022-YF077;2020-YF22);安徽省高校省级自然科学研究项目(KJ2021JD16;KJ2020A0471;KJ2021A0622);安 徽 省 高 校 协 同 创 新 项 目(GXXT-2021-028);安 徽 省 科 技 重 大 专 项 基 金 资 助 项 目(202003a05020031)作者简介:汪慧民(1997-),男,硕士研究生,现主要从事激光雷达信号处理的研究。通讯联系人。E-mail:shaohui 收稿日期:2022-07-25;收到修改稿日期:2022-09-08引 言叶绿素是植物进行光合
10、作用合成养分的重要色素,准确测定植物叶绿素含量可以估计植物总初级生产力和监测植物生长状态1。传统的叶绿素含量的测定方法主要有分光光度法、光声光谱法,其中分光光度法应用最为广泛,但是此类方法需现场破坏性采集样品,耗时耗力且受实验条件限制2。大量研究表明,叶片的光谱特征与叶绿素含量之间密切相关3-5,由于速度快、效率高、成本第 47 卷 第 5 期汪慧民 基于高光谱激光雷达的绿萝叶绿素 3 维重建低、无损检测等优点,被动多光谱与高光谱方法被广泛用于分析、估计和反演叶片叶绿素含量。LIU 等人使用地物光谱仪构建了大豆叶片叶绿素含量的预测模型,为大面积监测大豆的生长状态提供了参考6。WANG 等人利用
11、光谱仪分析了偏最小二乘回归(par-tial least squares regression,PLSR)中不同输入参数对油茶叶片叶绿素含量估算的影响7。ZHANG 等人利用多光谱图像采集系统获取并重建了水稻叶绿素含量3 维分布多视角图像8。WANG 等人利用被动光谱仪在实验室环境中对植物叶片正反面光谱采集,通过PLSR 构建了对叶片正反面光谱不敏感的叶绿素含量预测模型9,由于光谱仪视场角问题,每次采集到的是整个视场范围内的平均光谱,完成整棵植株的单点精确扫描所需时间成本太高。被动遥感在外场实验中容易受到光源和背景条件的限制以及冠层结构的影响10-11,因此主动探测遥感越来越受到学者们的关注1
12、2。激光雷达(light detection and ranging,LiDAR)作为一种主动遥感技术,不依赖于外界光源,可以高效获得植被 3 维结构信息13。EITEL 等人使用地面激光扫描仪采集阔叶树苗 532 nm 的后向散射强度并反演了其叶绿素含量14,但单波长激光雷达能够提供的光谱信息有限,在反演精度上受到限制。随着超连续谱激光器的发展,人们设计和发展了能够获得目标物体丰富光谱信息和精确空间信息的高光谱激光雷达(hyperspectral LiDAR,HSL),使得植被生化参数反演与 3 维重建成为可能。BI 等人借助HSL 光谱信息构建的 PLSR 模型,结合空间信息比较了不同施氮
13、条件下玉米植株垂直方向上叶绿素浓度15。DU 等人通过构建宽带植被指数,将 HSL 数据应用于万年青叶绿素-氮含量的 3 维重建16。以上研究考虑的都是叶片正面光谱与叶绿素含量的关系,在实际的遥感测量中,叶片的反面光谱不可避免地被接收到。仅依赖叶片正面光谱所建立的叶绿素含量预测模型不适用于叶片反面情况,造成预测精度的降低,影响到植物叶绿素 3 维分布模型准确建立。本文作者利用自研的百通道 HSL,以绿萝为实验样本,利用最优植被指数结合偏最小二乘法构建叶片正面与反面光谱预测模型。分析叶片正反面的光谱差异,并提出自适应阈值选择方法实现绿萝植株正反面叶片的分类。在分类条件下,将预测模型应用于多基元植
14、株点云,实现叶绿素含量 3 维分布重建。1 实验与样本1.1 百通道地基高光谱激光雷达系统利用百通道地基 HSL 系统17采集样本空间-光谱域点云数据。系统由发射单元、扫描控制单元和信号采集单元 3 个部分组成,如图 1 所示。通过超连续谱激光器和声光可调谐滤波器(acousto-optic tunable fil-ters,AOTF)组成的发射单元可在不同时刻发射不同波长的激光脉冲,其光谱分辨率为 5 nm,有效工作波长为 550 nm1050 nm。激光发射信号经光纤耦合到准直器,再经折转发射镜将不同波长的激光信号发射出去,然后由接收望远镜头将回波信号汇聚到探测器上,通过雪崩光电二极管(a
15、valanche photodiode,APD)和高速采集卡记录不同时刻接收的不同波长的激光脉冲。同时利用 2 维转台记录目标的 3 维空间坐标,获得目标空间-光谱的点云信息。图 1 HSL 系统结构图Fig.1 Schematic of HSL system1.2 手持叶绿素仪使用柯尼卡手持叶绿素仪(SPAD-502Plus)测量叶片叶绿素含量,该仪器可以测量叶片的相对叶绿素含量,即土壤与作物分析开发(soil and plant analyzer development,SPAD)值,SPAD 测量范围为 0 200,分辨率为 0.1,准确度在1 以内,重复性在3 以内。由于 SPAD 值
16、与叶绿素含量具有高度相关性,且能反映叶绿素含量的相对高低18,本文中以其表征叶绿素含量。1.3 实验样本实验样本为绿萝叶片与植株,绿萝属于天南星科麒麟叶属植物,叶片硕大、叶茎呈绿色,如图 2 所示。图 2a 和图 2b 分别为绿萝叶片的正面与反面,将其固定在叶面夹上,共采集 15 枚绿萝叶片的数据;图 2c图 2e 为不同长势与不同生长阶段的绿萝植株,均为土栽法种植,图 2c 发育良好,叶片较大呈深绿色;图 2d由于缺肥,底部叶片叶绿素合成受阻,开始出现泛黄现907激 光 技 术2023 年 9 月 图 2 绿萝实验样本 Fig.2 Experimental samples of epipre
17、mnum aureum象;图 2e 处于生长初期,叶片较小。将不同样本置于红色泡沫板上,背景为黑布,其中叶片反面由红色方框框出。1.4 实验数据采集与预处理使用 HSL 采集每枚叶片的正面与反面各 6 个单点,用手持叶绿素仪测量相同位置的叶绿素含量,取 3次测量的均值作为该位置的叶绿素含量。实验中共获取叶片正面和反面数据各 90 组,划分为正面数据集与反面数据集,每种数据集以 2 1比例划分为建模集和验证集。绿萝植株放置于距离 HSL 系统 4.8 m 处,HSL 系统发射的激光光束从样本的左上角起始点开始从左至右扫描,当扫描至最右侧换行从右至左扫描,重复扫描过程直至完成整个样本扫描,其中水平
18、扫描间距与垂直扫描间距均为 0.05。如图 3a 所示,共获得 9964 个HSL 扫描点,以固定距离值进行分割,消除背景回波信号的干扰,提取仅包含植株样本扫描点,再采用高斯滤波器去除随机噪声,共获得 3400 个点,如图 3b 所示。在相同条件下,采集反射率为 99%标准漫反射参照板回波强度信号,利用下式,计算目标点的光谱反射率:t(i)=Vt(i)Vb(i)b(i)(1)式中,t(i)为目标点在波长 i处的反射率,b(i)为 图 3 样本扫描点Fig.3 Scanning points of sample参照白板在波长 i处的反射率,Vt(i)和 Vb(i)分别为目标点和参照板在波长 i处
19、的回波信号电压峰值。2 叶绿素 3 维重建方法图 4 为绿萝叶绿素 3 维重建方法框图,包括预处理、分类、建模、叶绿素含量 3 维重建 4 个部分。图 4 叶绿素含量 3 维重建框图Fig.4 Schematic diagram of 3-D reconstruction of chlorophyll content预处理部分包括 3 维空间坐标解算、反射率计算以及点云滤波,已在 1.4 节中讨论。建模部分通过单点测量的叶片反射率,提取最优植被指数,结合实测SPAD 值,利用 PLSR 建立叶绿素预测模型。分类部分包括两个部分,首先计算各个波长差异比值指数选择特征波长,然后利用十折交叉验证确立
20、最佳阈值,完成对植株点云的分类。依据植株样本每个扫描点的类别选择模型计算 SPAD 值,结合 3 维空间坐标完成叶绿素含量的 3 维重建。017第 47 卷 第 5 期汪慧民 基于高光谱激光雷达的绿萝叶绿素 3 维重建2.1 建模方法选择 PLSR 作为构建叶绿素含量预测模型的方法。PLSR 是一种新型多元统计数据分析方法,能够有效克服自变量之间的相关性与冗余性,广泛应用于高光谱遥感定量反演中19。将叶片层次上构建的叶绿素反演模型应用到 3 维冠层结构上,消除角度与距离因素的影响是首要条件。相较于原始光谱,通过两个波段反射率数学组合的植被指数能够一定程度上消除这些影响20。因此,选择 3 种形
21、式植被指数:比值植被指数(ratio vegetation index,RVI)iRVI、差值植被指数(difference vegetation index,DVI)iDVI和归一化差分植 被 指 数(normalized difference vegetation index,NDVI)iNDVI作为 PLSR 的输入变量,3 种植被指数的计算公式如下:iRVI=(j)(i)(2)iDVI=(j)-(i)(3)iNDVI=(j)-(i)(j)+(i)(4)式中,(i)与(j)分别表示 i与 j波长的反射率。为了挑选出效果最佳的波段组合,计算所有可能的波段组合与叶绿素含量间的相关系数,并以相
22、关矩阵形式呈现,选择相关系数最高的波段组合作为最优波段组合。2.2 分类方法采用单阈值法实现植株扫描点中叶片正反面的分类。为了从高光谱丰富的特征中寻找最合适的特征波长与最佳阈值,以正反面叶片数据集作为训练样本,定义差异比值指数 F(i),计算公式如下:F(i)=ada(i)-aba(i)ada(i)aba(i)(5)式中,ada(i)与 ada(i)分别表示正面数据集所有样本在 i波长的反射率平均值与标准差,aba(i)与aba(i)分别表示反面数据集所有样本在 i波长的反射率平均值与标准差。F(i)越大,表明在波长 i处叶片正反面反射率类间差异很大,且类内离散程度很低,越利于选取合适阈值进行
23、分类,因此将最大 F 值对应波长作为特征波长。特征波长确立后,采用十折交叉验证方法选取最佳阈值。将数据集等划分为 10 份,轮流将 9 组作为训 练集,剩余 1 组作为测试集。在一次交叉验证中,依次将训练集每个样本在波长 处的反射率作为阈值,进行分类并计算准确率,选择准确率最高一次对应阈值,完成对验证集的分类并计算准确率。最终,选择平均准确率最高一次交叉验证对应的阈值作为最佳阈值 T。与 T 确立后,遍历植株扫描点,若该点在 波长处的反射率高于阈值 T,则判定为叶片反面,反之为叶片正面。2.3 叶绿素含量 3 维重建植株点云分类完成后,依据扫描点的类别标签选择对应模型完成 SPAD 值的计算。
24、以 HSL 发射中心为原点建立空间直角坐标系,利用扫描点的 3 维坐标完成空间上的重建。将每个扫描点的 SPAD 值映射成不同颜色,将 SPAD 值融合到空间坐标上,实现叶绿素含量的 3 维重建。2.4 精度评价为了评价模型的好坏与植株整体预测的精度,采取决定系数 R2与均方根误差(root mean square error,RMSE)eRMSE作为评价标准。R2=1-ni=1(yi-yi)2ni=1(yi-y)2(6)eRMSE=ni=1yi-yin(7)式中,yi为第 i 个样本的叶绿素含量实测值,yi为第 i个样本的叶绿素含量预测值,y 为叶绿素含量平均值,n 为该数据集样本总数。3
25、实验结果与分析3.1 最优波段的组合图 5 为不同植被指数与叶绿素含量的相关矩阵图。可以看出,相同的波段组合的不同植被指数与叶绿素含量间的相关系数 r 不同,选择出相关系数最大的波段组合才能确定最佳的植被指数。提取与叶绿素相关系数最大的波段组合,如表 1所示。3 种植被指数与叶绿素之间高度相关,相关系数均大于 0.8。各种植被指数用到的波段组合虽然不同,但均利用了红边(670 nm760 nm)内的波长,红边是绿色植物的特性,主要表现为反射率快速上升,叶绿 117激 光 技 术2023 年 9 月图 5 植被指数与叶绿素含量相关矩阵图Fig.5 Correlation matrix diagr
26、am of vegetation indices and chlorophyll content表 1 各种最优植被指数的波长组合与相关系数Table 1 Wavelength combinations and correlation coefficients of various op-timal vegetation indicesadaxialabaxialrmaxposition of the wavelength(i,j)/nmrmaxposition of the wavelength(i,j)/nmiRVI0.83(720,840)0.87(725,825)iDVI0.83(72
27、0,905)0.89(720,820)iNDVI0.84(705,885)0.87(725,825)素的含量高低直接影响红边反射率21。3.2 模型与精度评价将上述最优植被指数作为 PLSR 的输入变量,叶绿素含量作为因变量,建立回归模型,结果如表 2 所示。表中,x1、x2、x3分别表示 iRVI、iDVI、iNDVI,两种模型在验证集中均有较好的精度。表 2 PLSR 对叶片正反面建立的叶绿素含量预测模型Table 2 Predictive model of chlorophyll content developed by PLSR on ad-axial and abaxial leav
28、esdatasetmodelmodeling datasetvalidation datasetR2eRMSER2eRMSEadaxialy=12.19x1+1.48x2+30.91x3-8.090.754.310.804.49abaxialy=43.37x1+2.27x2+100.12x3-33.880.823.960.803.673.3 叶片分类结果与分析图 6 为正反面数据集中叶片的平均光谱曲线与分布。可以看出,在 750 nm900 nm 叶片的正反面平均 图 6 叶片正反面平均光谱与分布Fig.6 Average spectrum and range of adaxial and a
29、baxial leaves反射率差异较大,且光谱波动较大,有部分重合,难以选取合适的阈值进行分类。而在 700 nm750 nm,均表现出叶片反面反射率大于叶片正面反射率。选择 600 nm 1000 nm 范围计算各个波长的 F值,其大小如图 7 所示。可以看出,在 700 nm750 nm的 F 值高于其它波长,这与观测结果是一致的,且 图 7 不同波长的差异比值 F 指数Fig.7 F-value of different wavelength217第 47 卷 第 5 期汪慧民 基于高光谱激光雷达的绿萝叶绿素 3 维重建Fmax=F(705),故选择 705 nm 作为分类的特征波长。
30、其次,阈值设定为 14%时,正反面数据集的分类准确率最高。最后,将植株扫描点中所有点在特征波长705 nm 处反射率高于 14%的判定为叶片反面,低于14%的判定为叶片正面,瓷盆未参与分类,结果如图 8所示。图 8 不同植株分类结果Fig.8 Classification results of different plants将不同样本的分类结果与实物图对比,除叶片反面的边缘点误判成正面之外,总体分类准确较高。边缘点的误判主要原因是在激光扫描过程中,光斑没有完全打在叶片上,一部分被后方的黑布所吸收,导致回波信号强度值的降低,从而反射率相较于正常点较低,造成分类的错误22。3.4 基于分类的叶绿
31、素含量 3 维重建利用已构建的 SPAD 预测模型完成叶绿素含量的3 维重建。考虑两种情况下的模型预测,对绿萝样本 叶片不进行分类处理,即利用正面光谱模型反演样本的 SPAD 值。分类处理是在分类基础上,根据类别标签选择对应模型反演 SPAD 值。不同样本的 HSL 点云中包含叶片点、瓷盆点、边缘点和茎秆点。由于在构建模型的训练样本中,未考虑瓷盆等不具有叶片特性的点,也未考虑边缘点的影响,依据模型计算这些点存在极端的 SPAD 值,影响样本 3 维分布图的整体效果,将超出叶片正常 SPAD 值范围的异常值置为 0。绿萝茎秆呈绿色,理论上存在一定含量叶绿素,但由于茎秆厚度较大,无法通过手持叶绿素
32、仪获取稳定的读数23,不能作为参考标准,因此不考虑茎秆点的预测效果,主要对叶片点进行分析。发育良好绿萝植株培育过程中受光较为均匀且处于健康状态,因此,各叶片间的 SPAD 值差异较小,集中在 4060 之间。在不分类条件下进行预测的重建结果如图 9a图 9c 所示,框中各叶片的 SPAD 预测值区间集中在 735 之间,和实测值差距较大。而在分类条件下的重建结果如图 9d图 9f 所示,对应位置的叶片 SPAD 预测值集中在 3564 之间,符合植株的真实情况。状态不良绿萝重建结果如图 9b 和图 9e 所示,两种方法能对底部泛黄叶片有较好预测效果,但框中正常叶片被错误预测为低 SPAD 含量
33、,而分类预测的重建结果能较为准确预测泛黄叶片与正常叶片的 图 9 两种重建方法对比ac不分类重建 df分类重建Fig.9 Comparison of two reconstruction methodsacreconstruction without classification dfreconstruction with classification317激 光 技 术2023 年 9 月SPAD 值。生长初期绿萝处于叶绿素合成阶段,各叶片 SPAD 在2045 之间。不分类重建如图9c 所示,框中叶片 SPAD 预测值接近于 0,分类重建如图 9f 所示,较为符合植株的真实叶绿素分布。为了
34、定量分析两种方法植株整体的预测精度,在各个样本点云的叶片中心处共选择 47 个单点,利用手持叶绿素仪实测相同点作为叶绿素含量的真实值。两种方法预测值与真实值的关系如图 10a、图 10b 所示,图中散点越接近于 11的直线表示预测效果越好。可见,使用不分类的预测方法,叶片反面点的叶绿素含量预测值相较于真实值误差较大,表现为预测值远低于真实值。由于正面光谱所构建的叶绿素含量预测模型不适合反面叶片,因此造成样本整体预测精度过低,R20,eRMSE=14.45。使用分类的预测方法,样本整体预测精度提升到一个较好的程度,R2=0.69,eRMSE=4.97。因此,在 HSL 获得的样本点云中同时拥有正
35、反面光谱时,基于先分类后预测的方法,可以重建更为精确的叶绿素 3 维分布。图 10 两种方法预测值与真实值关系a不分类预测 b分类预测Fig.10 Relationship between the predicted and true values for two methodsaprediction without classification bprediction with classification4 结 论以绿萝为研究对象,测量了绿萝叶片正反面单点的高光谱数据与叶绿素含量,提取 3 种植被指数最优波长组合。将最优波长组合的植被指数作为偏最小二乘回归的输入变量,构建叶片正反面的叶绿素
36、含量预测模型。提出了基于差异比值指数结合十折交叉验证的阈值选择策略,利用阈值法完成绿萝点云的正反面叶片分类,依据分类标签选择模型完成叶绿素含量的反演,将叶绿素含量融合到 3 维空间坐标上,实现植株叶绿素 3 维分布重建。研究结果表明,在 HSL 获取到包含植株正反面叶片点云时,基于分类预测的重建方法可以有效获取植株真实状态的叶绿素 3 维分布。参考文献1 GITELSON A A,VIA A,VERMA S B,et al.Relationship between gross primary production and chlorophyll content in crops:Implica
37、-tions for the synoptic monitoring of vegetation productivityJ.Jour-nal of Geophysical Research:Atmospheres,2006,111:D08S11.2 YANG M W.Study on rapid determination of chlorophyll content of leavesJ.Chinese Journal of Spectroscopy Laboratory,2002,19(4):478-481(in Chinese).杨敏文.快速测定植物叶片叶绿素含量方法的探讨J.光谱实验
38、室,2002,19(4):478-481.3 SIMS D A,GAMON J A.Relationships between leaf pigment content and spectral reflectance across a wide range of species,leaf structures and developmental stages J.Remote Sensing of Environment,2002,81(2-3):337-354.4 di VITTORIO A V.Enhancing a leaf radiative transfer model to es
39、ti-mate concentrations and in vivo specific absorption coefficients of total carotenoids and chlorophylls a and b from single-needle reflectance and transmittanceJ.Remote Sensing of Environment,2009,113(9):1948-1966.5 MATTHEWS M W,BERNARD S,ROBERTSON L.An algorithm for detecting trophic status(chlor
40、ophyll-a),cyanobacterial-dominance,surface scums and floating vegetation in inland and coastal watersJ.Remote Sensing of Environment,2012,124:637-652.6 LIU Sh,YU H Y,ZHANG J H,et al.Study on inversion model of chlorophyll content in soybean leaf based on optimal spectral indicesJ.Spectroscopy and Sp
41、ectral Analysis,2021,41(6):1912-1919(in Chinese).刘爽,于海业,张郡赫,等.基于最优光谱指数的大豆叶片叶绿素含量反演模型研究J.光谱学与光谱分析,2021,41(6):1912-1919.7 WANG F D,YAN Zh Y,ZHAO X M,et al.Parameter selection of partial least squares model for hyperspectral estimation of chlorophyll content in Camellia oleifera leavesJ.Acta Agricultur
42、ae Universita-tis Jiangxiensis,2022,44(1):86-96(in Chinese).王芳东,严志雁,赵小敏,等.油茶叶片叶绿素含量高光谱估测的偏最小二乘模型参数选择J.江西农业大学学报,2022,44(1):86-96.8 ZHANG J,LI Y,XIE J,et al.Research on optimal near-infrared band selection of chlorophyll(SPAD)3-D distribution about rice plant J.Spectroscopy and Spectral Analysis,2017,
43、37(12):3749-3757(in Chinese).张建,李勇,谢静,等.针对水稻植株三维叶绿素(SPAD)信息获取的最优波段选择问题研究J.光谱学与光谱分析,2017,37(12):3749-3757.9 WANG X,WANG Z T,YOU W Q,et al.Estimation of chlorophyll content by reflectance spectra of the positive and negative bladesJ.417第 47 卷 第 5 期汪慧民 基于高光谱激光雷达的绿萝叶绿素 3 维重建Spectroscopy and Spectral Ana
44、lysis,2018,38(8):2524-2528(in Chinese).王鑫,王梓橦,尤文强,等.利用叶片正反面反射光谱估算叶绿素含量J.光谱学与光谱分析,2018,38(8):2524-2528.10 EITEL J U H,VIERLING L A,LONG D S.Simultaneous measure-ments of plant structure and chlorophyll content in broadleaf saplings with a terrestrial laser scannerJ.Remote Sensing of Environment,2010,
45、114(10):2229-2237.11 ZHANG Zh J,WANG Ch,ZHANG H,et al.Analysis of permafrost region coherence variation in the Qinghai-Tibet Plateau with a high-resolution TerraSAR-X imageJ.Remote Sensing,2018,10(2):298.12 CALDERS K,ADAMS J,ARMSTON J,et al.Terrestrial laser scanning in forest ecology:Expanding the
46、horizonJ.Remote Sens-ing of Environment,2020,251:112102.13 HOSOI F,OMASA K.Estimation of vertical plant area density pro-files in a rice canopy at different growth stages by high-resolution portable scanning LiDAR with a lightweight mirrorJ.ISPRS Jour-nal of Photogrammetry and Remote Sensing,2012,74
47、:11-19.14 EITEL J U H,VIERLING L A,LONG D S.Simultaneous measure-ments of plant structure and chlorophyll content in broadleaf saplings with a terrestrial laser scannerJ.Remote Sensing of Environment,2010,114(10):2229-2237.15 BI K,XIAO S,GAO S,et al.Estimating vertical chlorophyll con-centrations in
48、 maize in different health states using hyperspectral Li-DARJ.IEEE Transactions on Geoscience and Remote Sensing,2020,58(11):8125-8133.16 DU L,JIN Z,CHEN B,et al.Application of hyperspectral LiDAR on 3-D chlorophyll-nitrogen mapping of rohdea japonica in laboratoryJ.IEEE Journal of Selected Topics i
49、n Applied Earth Observations and Remote Sensing,2021,14:9667-9679.17 SHAO H,CAO Z,LI W,et al.Feasibility study of wood-leaf sepa-ration based on hyperspectral LiDAR technology in indoor circum-stancesJ.IEEE Journal of Selected Topics in Applied Earth Ob-servations and Remote Sensing,2021,15:729-738.
50、18 UDDLING J,GELANG-ALFREDSSON J,PIIKKI K,et al.Evalua-ting the relationship between leaf chlorophyll concentration and SPAD-502 chlorophyll meter readingsJ.Photosynthesis Research,2007,91(1):37-46.19 JIN X,ZHU X Zh,LI Sh W,et al.Predicting soil available phos-phorus by hyperspectral regression meth
©2010-2024 宁波自信网络信息技术有限公司 版权所有
客服电话:4008-655-100 投诉/维权电话:4009-655-100