本技术涉及一种利用植被叶片反射率光谱数据，计算叶片反射率光谱与叶绿素吸收系数光谱的光谱相似性度量指数，以基于辐射传输模型生成的模拟数据替代实测数据，校正构建基于光谱相似性度量指数的植被叶片叶绿素含量通用反演模型并验证评估，可用该反演模型高精度定量反演多类型植被叶片叶绿素含量。
背景技术：
1、叶片叶绿素是植物光合作用的核心色素，直接参与光能的捕获与转化，是植物生长与代谢的基础。因此，对叶片叶绿素的定量分析不仅有助于理解植物的光合作用效率，还能为作物管理、生态系统监测及环境变化评估提供科学依据。传统上，叶绿素含量主要是通过野外采样和实验室化学分析进行测量，这是一种耗时久并且手续复杂的方法，同时也受限于时间和空间尺度。研究表明，通过遥感测量得到的反射光谱来反演植被生化参数反被证明是可行的，同时这种方法具有实时、无损、检测范围广等特点，极大地弥补了传统方法的局限性。
2、在遥感领域，大多数植被叶片叶绿素含量的反演研究主要依赖于通过反射率计算的植被指数。这是因为叶片叶绿素含量的增减会影响蓝光和红光波段的吸收，进而改变植被叶片的反射率。研究得出的植被指数所使用的反射光谱也是集中在蓝光和红光波段，例如，通过文献调研，修正的归一化差分指数mnd705、修正的简单定量指数msr705、新三波段指数ntbi、datt指数、mdri指数等。这些指数都与叶绿素含量呈现显著的线性关系，并能够基于此使用实测数据构建较为准确的叶绿素反演模型。然而，这些模型也存在局限性，如在反演多物种叶片叶绿素含量时精度下降，在反演叶片叶绿素含量时容易出现饱和导致反演结果偏离等问题。造成这些问题的原因，一是这些指数过于集中在特定光谱波段，未能全面捕捉叶绿素的整体变化；二是由于这些指数模型基于团体收集的实测数据进行构建，这些实测数据集有限，导致模型可能仅适用于当前样本，应用于不同植被类型的样本时效果不佳。
3、为了解决上方模型普适性不强导致精度受限的问题，一些研究采用辐射传输模型(prospect辐射传输模型)生成的模拟数据替代实测数据进行模型校正，提高了模型的普适性。但研究发现叶绿素指数在模拟数据集上的反演预测效果很好，但经过模拟数据集拟合的模型应用到实测数据集时则会出现了较大的误差。这是由于忽略了模拟数据集与实测数据集的差异，或者该叶绿素指数不能很好的表达反射叶绿素的光谱信息，从而导致模型的反演结果精度降低，这个问题目前仍然没有较为理想的解决方法。综上所述，适用于不同植被类型的叶片叶绿素高度通用遥感提取方法依然是迫切的需求。
技术实现思路
1、本技术解决的技术问题是克服现有技术中存在的上述不足，而提供一种用于不同类型植被的叶片叶绿素含量通用反演模型和方法，高精度定量反演多类型植被叶片叶绿素含量，为陆地生态系统的碳循环和生物量估算提供关键信息。
2、本技术主要原理如下：
3、叶片对光的吸收和反射是叶片成分含量和结构共同作用的结果。可以将其视为叶片整体吸收系数的综合表现，而该系数则是由叶片中不同成分的吸收系数加权平均而得。需要注意的是，每种成分的吸收系数k与波长密切相关，但与植被种类无关，此外，每种成分的吸收系数通常在特定波长范围内表现出敏感的吸收特性。例如，水在900- 2500 nm区域中存在辐射地有效吸收，但是在其他区域的吸收并不明显；叶绿素则主要几种在400nm-800nm区域中有效地吸收辐射。由此可以推导，在某些特定波长区域，若某种成分的吸收系数相对于其它成分的吸收系数发生了比较强烈的变化，则在此区域内，反射率的变化和该成分的吸收系数之间必定存在着相当强烈的相似性关系。这种相似性关系也可以作为评估这种成分的评价指标。本技术通过研究分析，寻找到叶绿素含量变化对反射率变化影响最大的波长区域，再在此波长区域使用sac相似性距离度量方法计算相似性叶绿素指数，从而构建cssi叶绿素通用反演模型，实现植被叶片叶绿素高精度反演结果。
4、本技术用于不同类型植被的叶片叶绿素含量通用反演模型满足：
5、lcccssi= a·sac+ b = a· sac( r(λ) w(λ))[osi ]+ b（2）
6、其中lcc指植物叶片的叶绿素含量， r(λ)、 w(λ)分别表示光谱分辨率一致的植被叶片反射光谱、植被叶片叶绿素吸收系数，osi是最佳光谱区间，系数a，b由模拟数据集计算得到，所述模拟数据集通过prospect辐射传输模型构建，sac相似指数计算公式如下；
7、
8、式中：sac相似指数为光谱角余弦距离，其中r、w分别指叶片的反射光谱和叶绿素吸收系数， l为一段光谱区间，在cssi通用反演模型中，该区间为最佳光谱区间osi。 l则是最佳光谱区间中的一个波段，叶片的反射光谱、叶绿素吸收系数的光谱波段分辨率均为1nm。
9、所述prospect辐射传输模型采用prospect-d辐射传输模型。
10、所述模拟数据集中的sac相似指数值仅保留与实测数据集中的sac相似指数值对应的数据。
11、本技术用于不同类型植被的叶片叶绿素含量通用反演模型的构建方法如下：
12、s1：构建样本数据集（所述样本数据集包括prospect辐射传输模型生成的模拟数据集，在需要时还包括实测数据集）,样本数据集中的反射光谱、叶绿素吸收系数的光谱波段分辨率均为1nm；
13、s11：用prospect辐射传输模型生成模拟数据集；
14、本技术s12、s13步骤为可选步骤，当需要用实测数据集来修正模拟数据集或验证评估cssi叶绿素通用反演模型反演效果时才用到。
15、s12：实地采集的植被叶片样本在实验室进行测量、分析，构建实测数据集，实测数据集包括：新鲜叶片的反射光谱、新鲜叶片的叶绿素含量；
16、s13：获取实测数据集的叶片叶绿素吸收系数，该部分可以自行测量或者取自文献资料。
17、s2：计算最佳光谱区间；
18、s21：根据公式（1）求出叶片相似性叶绿素指数与叶绿素之间相关性较高区间（400nm-800nm）的sac相似指数；
19、 （1）
20、公式（1）中：sac相似指数（光谱角余弦距离）的取值范围在0到π之间，其中r、 w分别指叶片的反射光谱和叶绿素吸收系数， l表示一段光谱区间， l则是这段光谱区间中的一个波段；
21、s22：对叶片sac相似指数与叶绿素含量之间相关性较高区间进行相关性分析；
22、s23：将sac相似指数与叶绿素含量之间相关性最好的光谱区间定义为最佳光谱区间（optimum spectral interval，osi）；
23、s3：构建cssi（chlorophyll similarity spectral index）叶绿素通用反演模型；
24、s31：求得模拟数据集在最佳光谱区间的sac相似指数值，分析sac相似性指数与其对应的叶片叶绿素含量的相关性表达，确定cssi叶绿素通用反演模型的构造表达式；
25、s33：用模拟数据集构建cssi叶绿素通用反演模型。
26、本技术s31步骤与s33步骤之间还可以设置s32步骤，s32：对模拟数据集的sac相似指数值进行筛选，仅保留与实测数据集中的sac相似指数值对应的模拟数据集sac相似指数值；该步骤一方面大幅减少数据量和计算量，另一方面也使得模拟数据集更贴近实测数据集，有助于提高反演与实测数据集相关植物品种的反演精度。
27、本技术用于不同类型植被的叶片叶绿素含量通用反演模型的验证评估方法如下：
28、s4：使用cssi叶绿素通用反演模型，预测反演叶绿素含量；
29、s5：评估cssi叶绿素通用反演模型的性能。
30、本技术用于不同类型植被的叶片叶绿素含量通用反演模型的验证评估方法还可以包括以下（对比）步骤：
31、s6：将cssi叶绿素通用反演模型与其它叶绿素反演模型进行对比。
32、所述s6步骤包括：
33、s61：设定叶绿素光谱指数对比模型；
34、s62：用公式（2）构建叶绿素光谱指数对比模型对应的叶绿素反演对比模型；
35、s63：用叶绿素反演对比模型求得其在实测数据集上预测的反演结果；
36、s64：对反演验证结果进行讨论分析并与cssi叶绿素通用反演模型反演结果进行对比。
37、本技术所述cssi叶绿素通用反演模型由于尽可能涵盖了现实中的植被样本，最佳光谱区间基本确定，因此适应性强且可以非常方便地进行更新。一般情况下只需要将新采集到的植被样本参数加入至原植被样本参数中用prospect辐射传输模型重新生成模拟数据集即可。
38、本技术用决定系数（r2）和归一化均方根误差（nrmse%）评估叶绿素反演对比模型的性能并与cssi叶绿素通用反演模型进行对比。
39、本技术所述prospect辐射传输模型通过输入叶片性状数据以模拟生成不同植被叶片的反射光谱，这些性状包括叶片叶绿素含量、叶片干物质含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片棕色色素含量、叶片结构参数、花青素含量。为了更好的使得模拟数据集具有代表性，本技术通过查阅现有的公开文献获得自然界正常植被性状的大小范围，遍历这些大小范围，生成具有代表性的植被模拟数据集，生成的模拟数据集样本包含：叶片反射光谱和对应的叶片叶绿素含量。
40、所述对叶片相似指数与叶绿素含量之间相关性较高区间进行相关性分析步骤采用皮尔森系数进行相关性分析，每个波段的sac相似指数放入到一个矩阵中，矩阵横坐标代表起始波段，纵坐标代表结束波段，矩阵中的点代表该点起始波段到结束波段这段光谱区间求得的sac相似指数与叶绿素含量的皮尔森系数值。
41、本技术新鲜叶片叶绿素含量通过试剂萃取测量得出。
42、本技术与现有技术相比，具有以下优点和效果：1、cssi叶绿素通用反演模型使用的sac指数计算不复杂；2、仅需获取植被的反射光谱就能得出sac指数从而构建cssi叶绿素通用反演模型，操作实现简单；3、cssi叶绿素通用反演模型反演精度很高，在cssi叶绿素通用反演模型的实测数据集的评估结果中，r2为0.8022 (范围0-1，越接近1则越存在相关性)，nrmse(%)则为13.56%(百分比越小，说明反演精度越高)。4、与其他植被模型在实测数据集和模拟数据集上的结果进行比对，cssi叶绿素通用反演模型反演效果也要更好，主要体现在：cssi叶绿素通用反演模型与其他叶绿素指数分别在同样的五份实测数据集上进行了反演预测，无论r2和nrmse%，cssi叶绿素通用反演模型的表现都要更好。5、结合上述成果，可以认为cssi叶绿素通用反演模型作为一种新模型，不仅反演精度更高，在多物种植被类型中也能实现很好的预测精度，普适性更强，并且要优于现有的叶绿素反演模型。
1.一种用于不同类型植被的叶片叶绿素含量通用反演模型，其特征是：所述叶片叶绿素含量通用反演模型满足lcccssi= a·sac+ b = a· sac(r(λ)w(λ)) [osi ] + b（2）
2.根据权利要求1所述用于不同类型植被的叶片叶绿素含量通用反演模型，其特征是：所述prospect辐射传输模型采用prospect-d辐射传输模型，模拟数据集包括植物叶片的叶绿素含量、干物质含量、等效水厚度、类胡萝卜素含量、棕色色素含量、结构参数、花青素含量。
3.根据权利要求1所述用于不同类型植被的叶片叶绿素含量通用反演模型，其特征是：所述模拟数据集中的sac相似指数值仅保留与实测数据集中的sac相似指数值对应的数据。
4.一种权利要求1~3中任一权利要求所述用于不同类型植被的叶片叶绿素含量通用反演模型的构建方法，其特征是包括以下步骤：
5.根据权利要求4所述用于不同类型植被的叶片叶绿素含量通用反演模型的构建方法，其特征是还设置有s12步骤、s13步骤：
6.根据权利要求4所述用于不同类型植被的叶片叶绿素含量通用反演模型的构建方法，其特征是：s31步骤与s33步骤之间还可以设置s32步骤，
7.根据权利要求4所述用于不同类型植被的叶片叶绿素含量通用反演模型的构建方法，其特征是：所述s22步骤采用皮尔森系数进行相关性分析，每个波段的sac相似指数放入到一个矩阵中，矩阵横坐标代表起始波段，纵坐标代表结束波段，矩阵中的点代表该点起始波段到结束波段求得的sac相似指数与叶绿素含量的皮尔森系数值。
8.一种权利要求4~7任一权利要求所述用于不同类型植被的叶片叶绿素含量通用反演模型的验证评估方法，其特征是包括以下步骤：
9.根据权利要求8所述用于不同类型植被的叶片叶绿素含量通用反演模型的验证评估方法，其特征是s5步骤后还设置有s6步骤：
10.根据权利要求8或9所述用于不同类型植被的叶片叶绿素含量通用反演模型的验证评估方法，其特征是：用决定系数和归一化均方根误差评估反演模型的性能。
