Sentinel-2卫星是全球环境与安全监测系统“哥白尼计划”中的第二颗卫星,其影像具有高时空分辨率,是未来遥感应用的重要数据源。采用大气校正简化模型(SMAC)、6S模型和Sen2cor方法对Sentinel-2卫星影像进行大气校正,将上层大气表观反射率转换为地表反射率,并结合实测地物的光谱数据进行分析。Sentinel-2卫星影像经过大气校正后,影像光谱曲线与地面实测光谱曲线的变化趋势一致,具有较高的拟合度。三种模型大气校正的结果具有较强的相关性和较高的精度,其中Sen2cor方法精度最高,决定系数(R²)为0.8196,均方根误差(E_rmse)为0.0388,其次为6S模型和SMAC。从归一化植被指数(NDVI)的分析可以看出,SMAC计算的NDVI值与实测值的相关性最高,R²为0.6389,E_rmse为0.093,其次为6S模型和Sen2cor方法。结果表明这三种方法的大气校正精度较高,Sentinel-2卫星影像经过校正后影像质量明显得到提高,增加了可用性。

采用多元散射校正(MSC)预处理方法对冬小麦叶片反射光谱进行预处理,有效地减小物理因素对光谱的影响,之后用非线性迭代偏最小二乘法(NIPALS)提取经MSC处理后的反射光谱的主成分,主成分个数由交叉证实法(Cross Validation)确定,将提取的主成分作为人工神经网络(ANN)的输入,建立人工神经网络分析模型(MSC-ANN),用冬小麦叶片的反射光谱来预测冬小麦叶片叶绿素含量。 校准集的化学值与预测值的相关系数r达到0.960 4,预测标准偏差SD为0.187,相对标准偏差RSD为5.18%。 检验集的化学值与预测值的相关系数r达到0.960 0,预测标准偏差SD为0.145,相对标准偏差RSD为4.21%。 结果表明,MSC-ANN方法能在较大程度上消除了野外物理因素的影响,使用具有代表性的光谱数据点建立模型,能够建立准确的冬小麦叶绿素含量预测模型,可代替经典分析方法,满足冬小麦叶片叶绿素快速分析的需要。