Original paper
Estimate Leaf Chlorophyll of Rice Using Reflectance Indices and Partial Least Squares
[Abschätzung von Blatt-Chlorophyllgehalten von Reis mit Hilfe von Spektralindizes und Partial Least Squares Analysen]
Yu, Kang; Gnyp, Martin Leon; Gao, Lei; Yuxin, Miao; Xinping, Cheng; Bareth, Georg
Photogrammetrie - Fernerkundung - Geoinformation Jahrgang 2015 Heft 1 (2015), p. 45 - 54
published: Feb 1, 2015
Abstract
In this study field experiments were conducted to test the ability of optimized spectral indices and partial least squares (PLS) to estimate leaf chlorophyll (Chl) content of rice from non-destructive canopy reflectance measurements. We integrated techniques involving the optimization of narrow band spectral indices and the detection of red edge position to optimize one type of spectral indices, the ratio of reflectance difference index (RRDI), for the estimation of leaf Chl content. The optimized RRDI in the red-edge (RRDIre = (R745–R740)/(R740–R700)) accounted for 62% – 72% of the variation in leaf Chl content with an RMSE of 4.59 μg/cm2 – 4.89 μg/cm2. Compared to spectral indices, PLS improved the estimation of leaf Chl content, yielding R2 and RMSE of 0.85 μg/cm2 and 3.22 μg/cm2, respectively. Finally, the model based on RRDI and the PLS model were further validated by an independent dataset collected in farmer fields. RRDI and PLS models yielded acceptable accuracy with R2 of 0.49 and 0.55, respectively, and an RMSE of 5.47 μg/cm2 and 5.13 μg/cm2. Our results suggest the potential to optimize spectral indices and also the significance of PLS technique for mapping canopy biochemical variations.
Kurzfassung
Häufige und regelmäßige Aufnahmen über großen Gebieten sind wichtige Voraussetzungen für das Monitoring von Agrarproduktion basierend auf Erdbeobachtungsdaten. Jedoch schränken diese Voraussetzungen oftmals die räumliche Auflösung (Pixelgröße) ein, welche von bestehenden Sensorsystemen genutzt werden kann. Die Unterscheidung unterschiedlicher Landnutzungstypen, eine Voraussetzung für ein Feldfrucht spezifisches Monitoring, mittels Klassifizierung wird erschwert, wenn das in einem Pixel kodierte Signal von mehreren Landnutzungstypen stammt (Mischpixel-Problematik). Dies wirft Fragen bezüglich der Wahl der optimalen Pixelgröße, aber auch der thematischen Auflösung, also eines geeigneten Klassenschlüssels auf. Um diese Fragen zu beantworten, wird eine Methode vorgestellt, um quantitativ geeignete Charakteristika von Pixelpopulationen hinsichtlich deren Größe und Reinheit in Bezug auf die zu klassifizierende Klasse zu bestimmen. Zudem wurde der Einfluss von verschiedenen Klassenschlüsseln auf das Klassifizierungsergebnis untersucht. Die Methode wurde in zwei landwirtschaftlich genutzten Gebieten getestet. Es wurde gezeigt, dass es keine spezifische ,,optimale“ Pixelgröße gibt, welche für alle Klassen und bei einem bestimmten Klassenschlüssel gleichermaßen das beste Klassifizierungsergebnis liefert. Die Eignung von Pixelpopulationen charakterisiert durch Pixelgröße und -reinheit unterschied sich innerhalb einer bestimmten Landschaft für verschiedene Landnutzungsklassen bzw. für eine spezifische Klasse in verschiedenen Landschaften deutlich. Die vorgestellte Methode kann im Kontext von satellitengestütztem Agrar-Monitoring genutzt werden, um Empfehlungen für die Wahl von geeigneten Pixelgrößen und Sensoren sowie auch geeigneter Klassenschlüssel zu formulieren.In dieser Studie wurden Feldversuche durchgeführt, um optimierte Spektralindizes und Partial Least Squares (PLS) Analysen für die Abschätzung von Blatt-Chlorophyllgehalten von Reis mittels nicht destruktiven Reflexionsmessungen zu evaluieren. Es wurden unterschiedliche Analysemethoden von hyperspektralen Daten integriert. Ziel der Untersuchung ist die Optimierung eines bestimmten Typs von spektralen Indizes, den Ratio of Reflectance Difference Index (RRDI). Letzterer wurde für die Abschätzung von Blatt-Chlorophyllgehalten entwickelt. Der optimierte RRDI im red-edge (RRDI-re = (R745–R740)/(R740–R700)) erklärte 62% – 72% von der Variabilität des Blatt-Chlorophyllgehalts mit einem RMSE von 4.59 μg/cm2 – 4.89 μg/cm2. Im Vergleich zu etablierten Spektralindizes kann mittels der PLS Analyse die Abschätzung von Blatt-Chlorophyllgehalten signifikant verbessert werden (R2 = 0.85, RMSE = 3.22 μg/cm2). Schließlich wurden die RRDI- und PLS-basierten Modelle anhand eines unabhängigen Datensatzes, der auf landwirtschaftlich genutzten Feldern erhoben wurde, zusätzlich validiert. Die RRDI- und PLS-Modelle erzielten eine akzeptable Genauigkeit mit jeweils einem R² von 0.49 und 0.55 und einem RMSE von 5.47 μg/cm2 und 5.13 μg/cm2. Unsere Ergebnisse unterstreichen das Potential für die Optimierung von Spektralindizes sowie die Bedeutung von PLS Analysen für die Bestandskartierung von biochemischen Variationen.
Keywords
Hyperspectral reflectance index • leaf chlorophyll • rice • spatial scale • Sanjiang Plain • lambda-by-lambda band optimization • partial least squares