(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211244178.1 (22)申请日 2022.10.12 (65)同一申请的已公布的文献号 申请公布号 CN 115311628 A (43)申请公布日 2022.11.08 (73)专利权人 成都理工大 学 地址 610000 四川省成 都市二仙桥 东三路1 号 (72)发明人 刘亮　李少达　杨武年　王潇　 冉培廉　罗新蕊　雷湘琦　 (74)专利代理 机构 成都四合天行知识产权代理 有限公司 51274 专利代理师 廖祥文 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/10(2022.01) G06V 10/764(2022.01) G06N 20/00(2019.01)(56)对比文件 CN 106291582 A,2017.01.04 CN 102878957 A,2013.01.16 CN 114813653 A,2022.07.29 CN 112070234 A,2020.12.1 1 CN 106442420 A,2017.02.2 2 US 2022061236 A1,202 2.03.03 崔日鲜等.基 于机器学习和可 见光光谱的冬 小麦叶片氮积累量估算. 《光谱学与光谱分析》 .2016,(第0 6期),207-212. 万余庆等.高光谱遥感技 术在水环境 监测中 的应用研究. 《国土资源遥感》 .20 03,(第03期), 13-17. 刘殿伟等.行道树叶绿素变化的高光谱神经 网络模型. 《生态学杂志》 .20 06,(第03期),10- 14. (续) 审查员 罗秀英 (54)发明名称 森林冠层叶绿素含量反演及动态监测方法 (57)摘要 本发明公开了森林冠层 叶绿素含量反演及 动态监测方法， 将copula算法应用于第一数据， 生 成叶 片性 状 参 数 样 本 ； 将 样 本 应 用到 PROSPECT ‑5B+4SAIL、 PROSPECT ‑5B+GeoSAIL、 LIBERTY+GeoSAIL耦合模型， 模拟阔叶林、 针叶林 的冠层光谱反射率； 利用针、 阔叶林线性光谱混 合的方法模拟混 交林的冠层光谱反射率； 采用机 器算法建立森 林冠层叶绿素含量反演模型； 将模 型迁移到谷歌地球引擎云计算平台， 根据第三、 第四数据， 应用模型反演森林冠层叶绿素含量， 实现森林冠层叶绿素含量反演与动态 监测； 根据 第二数据， 结合反演结果评估反演模型实际精 度。 本发明分针叶、 阔叶准确模拟叶片性状的边 缘分布与它们间的依赖关系， 对不同森林类型的 冠层光谱特征进行了准确模拟， 实现了对森 林冠层叶绿素含量的准确反演及动态监测。 [转续页] 权利要求书2页 说明书7页 附图7页 CN 115311628 B 2022.12.06 CN 115311628 B (56)对比文件 陈婉婧等.大豆叶片水平叶绿素含量的高光 谱反射率反演模型研究. 《北京师 范大学学报： 自 然科学版》 .2012,第48卷(第1期), Shichao Cui等.A compariso n of the predictive potential of vari ous vegetati on indices for leaf c hlorophyll content. 《Ear th Science I nformatics》 .2016, 第10卷(第2期),王丹.基于无人机多光谱的夏玉米叶绿素含 量反演研究. 《山 东农业科 学》 .2021,第5 3卷(第6 期), Yang W 等.Leaf equivalent water thickness assessment by means of spectral analysis and a new vegetati on index. 《Journal of Ap plied Remote Sensi ng》 .2019, 第13卷(第3期),2/2 页 2[接上页] CN 115311628 B1.森林冠层叶绿素含量反演及动态监测方法， 其特 征在于， 包括以下步骤： S1： 获取森林叶片性状数据并作为第一数据； 获取森林样地 植被冠层叶绿素含量数据并作为第二数据； 获取森林遥感影 像作为第三数据； 获取森林类型 数据并作为第四数据； S2： 根据所述第一数据， 采用copula函数分别 描述相关叶片性状 间的多变量分布， 并进 行随机抽样生成大量叶片性状样本； S3： 根据生成的叶片性状样本， 利用耦合辐射传输模型模拟阔叶林和针叶林的光谱反 射率， 然后采用阔叶林和针叶林的光谱反射 率线性混合的方法模拟混交林的光谱反射 率； S4： 根据耦合模型中设置的叶面积指数与叶片叶绿素含量及其所对应的模拟光谱反射 率， 采用机器算法建立森林 冠层叶绿素含量回归 模型； S5： 将建立的回归模型应用于第三数据和第四数据， 进行森林冠层叶绿素含量反演并 得到森林 冠层叶绿素含量数据； S6： 根据第二数据和反演得到的森林冠层叶绿素含量数据进行回归分析， 评估森林冠 层叶绿素含量反演模型的精度； S7： 将森林冠层叶绿素含量反演模型应用到谷歌地球引擎云计算平台， 进行冠层叶绿 素含量动态监测。 2.根据权利要求1所述的森林冠层叶绿素含量反演及动态监测方法， 其特征在于， 所述 步骤S1中还 包括： S11： 野外建立样地， 并开展样地调查； S12： 对野外调查所收集的树木叶片样品进行实验室处理、 分析， 将数据整理生成第一 数据； S13： 结合野外测量的样地叶面指数， 对第一数据进行计算， 生成第二数据； S14： 对预设区获取满足研究目标需求的遥感影 像作为第三数据； S15： 收集现有预设区域森林类型数据， 或采用监督或非监督分类的方法对第三数据进 行分类处 理并作为第四数据。 3.根据权利要求1所述的森林冠层叶绿素含量反演及动态监测方法， 其特征在于， 所述 步骤S1中的森林叶片性状数据包括叶绿素含量、 叶片 干物质含量、 叶片等效水厚度、 叶片类 胡萝卜素含量、 叶片木质素含量、 叶片氮含量。 4.根据权利要求3所述的森林冠层叶绿素含量反演及动态监测方法， 其特征在于， 所述 步骤S2还包括以下步骤： 对叶绿素含量、 叶片干物质含量、 叶片等效水厚度、 叶片类胡萝卜 素含量、 叶片木质素含量、 叶片氮含量性状参数， 分森林类型， 采用copula函数描述各单变 量分布及变量之间的依赖关系； 基于所构建的叶片性状copula函数， 进行随机抽样， 生成大量观测样本 。 5.根据权利要求1所述的森林冠层叶绿素含量反演及动态监测方法， 其特征在于， 所述 步骤S3还 包括以下步骤： 针对阔叶林， 根据生成的阔叶叶片性状样本， 采用PROSPECT ‑5B+4SAIL和PROSPECT ‑5B+ GeoSAIL耦合模型模拟阔叶林的光谱反射 率； 针对针叶林， 根据生成的针叶叶片性状样本， 采用PROSPECT ‑5B+4SAIL和LIBERTY+权　利　要　求　书 1/2 页 2 CN 115311628 B 3