基于人工神经网络的针叶树叶绿素含量模拟研究开题报告

全文总字数：2707字

1. 研究目的与意义

目的：选用马尾松为主要研究对象，以地面光谱仪获取高光谱遥感数据为基础数据源，对其各时期的叶绿素含量变化进行动态分析，应用人工神经网络建模方法建立马尾松叶绿素含量定量模型。

意义：叶绿素是光合作用能力和植被发育阶段的指示器,是监测湿地植被生长健康状况的重要指标之一；规范系统的测定模型可以更加高效地监测区域植被叶绿素含量，对于管理森林资源和生态环境的保护，以及对生物物质循环的量算提供科学可靠的来源。高光谱遥感技术可以为植物叶绿素含量的定量化诊断提供简便有效、非破坏性的数据采集和处理方法。以马尾松和黑松为代表的针叶树林占据我国林区的广大面积，研究其叶绿素含量变化，有利于森林资源的管理和生态环境的监测。

2. 国内外研究现状分析

叶绿素是光合作用能力和植被发育阶段的指示器,是监测湿地植被生长健康状况的重要指标之一；植物光合作用过程中起吸收光能的植被色素有叶绿素（叶绿素a，叶绿素b）与类胡萝卜素（胡萝卜素和叶黄素），其中叶绿素是主要的吸收光能的物质，直接影响植被光合作用的光能利用。植被色素含量与其光合能力、发育阶段和氮素状况有较好的相关性，已经成为评价植被长势的一种有效手段。而传统的叶绿素含量测定采用分光光度计法，这种方法要进行组织提取和分光光度计的测定，既耗时又对植被造成损伤；另外，从样地到实验室的样本运输和制备过程中很可能损失叶绿素导致其含量发生变化。而高光谱仪是一种非损伤性测定叶绿素的方法，它是通过测定绿色植物叶片的反射率、透射率和吸收率来测定叶绿素含量的。因而，高光谱遥感技术可以为植物叶绿素含量的定量化诊断提供简便有效、非破坏性的数据采集和处理方法。

近年来，因为人工神经网络的智能化、高效性和广泛的适用性，使其被越来越多地被用于在生态环境的监测和评测当中。光谱反射率与测试树种叶绿素含量关系密切，神经网络模型能够提高光谱反射率模型反演植被叶绿素含量的水平，这使得高光谱遥感可以更好地用来监测植被叶绿素变化。

基于红边参数的植被叶绿素含量高光谱估算模型，利用 asd 便携式野外光谱仪和 spad-502 叶绿素计实测了落叶阔叶树法国梧桐、毛白杨叶片的高光谱反射率与叶片绿度，并对原始光谱反射率及一阶导数光谱与叶片绿度进行了相关分析，建立了基于红边位置、峰度系数、偏度系数的叶片叶绿素含量的高光谱估算模型，最后采用红边位置、峰度、偏度作为 bp 人工神经网络的输入变量进行了叶绿素含量的估算。

3. 研究的基本内容与计划

1．研究内容

（1）针叶树种的植被指数在不同波段的光谱反射情况。色素吸收决定着可见光波段的光谱反射率，细胞结构决定近红外波段的光谱反射率，而水汽吸收决定了短波红外的光谱反射率特性。研究表明叶绿素吸收峰是蓝光和红光区域，在绿光区域是吸收低谷，并且在近红外区域几乎没有吸收。

（2）红边光学参数来评价叶绿素密度或浓度，获取健康马尾松的光谱曲线。利用红边参数能够更精确地估算叶片叶绿素含量，应根据针叶树的植被指数特征，选择相关性最好的红边位置作为入选参量，利用红边位置反演叶片叶绿素含量。

4. 研究创新点

将针叶树这一类型的植被进行智能化的叶绿素提取分析，结合多光谱遥感影像数据中植物的特性，解决了传统测定叶绿素含量方法中叶片打点取样等问题，并且方法高效便捷，所得训练模型能够广泛应用，为环境监测提供可靠数据来源。

同时可以使得对马尾松林区健康状况的监测工作更加高效，也可以扩展人工神经网络在农林业监测方面的作用，让我们学术研究的思路迈上更加智能高效的新台阶。