基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测

实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法,该文依托不同氮素水平水稻试验,基于成像高光谱数据和无人机高光谱影像,综合运用统计分析及遥感参数成图技术,对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明,以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数(ratio spectral index,RSI)构建的线性模型为水稻叶片全氮含量的最优估测模型(检验R2为0.673,均方根误差为0.329,相对分析误差为2.02);无人机高光谱影像反演的水稻叶片全氮含量分布范围(1.28%~2.56%)与地面实际情况较相符(1.34%~2.49%)。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。     

基于氮素营养指数的冬小麦籽粒蛋白质含量遥感反演

基于遥感实现小麦籽粒蛋白质含量提早估测对农业生产具有重要意义。为提高预测小麦籽粒蛋白质含量的准确度,该研究引入能更好反映作物氮素营养状况的农学参数－氮素营养指数,作为衔接遥感信息与产终籽粒蛋白质含量的桥梁。在田间试验的基础上,探讨氮素营养指数与其他农学参数在诊断籽粒蛋白质含量上的优劣,并基于“遥感参数－氮素营养指数－籽粒蛋白质含量”间关系,利用主成分回归算法构建估测籽粒蛋白质含量的遥感反演模型。结果表明,相比于其他参数,冬小麦旗叶期氮素营养指数能更好的反映产终籽粒蛋白质含量;以氮素营养指数为中间变量,所建遥感反演模型能准确预测小麦籽粒蛋白质含量,模型的预测决定系数为0.48,预测标准误差为0.38%,相对误差为2.32%。     

基于鲜叶光谱估测氮素营养的新植被指数(英)

采用田间试验的方法开展利用鲜叶光谱反射率估测水稻氮素营养状况的研究.基于氮素在水稻不同功能叶片之间运转规律的机理,文章重点分析了第一和第三完全展开叶红边斜率和红边位置的变化,并基于红边位置和红边斜率构建了一个新的植被指数(命名为"红边曲线肩夹角植被指数",简称为RSAVI)监测水稻氮素营养状况.为了证明RSAVI在监测水稻氮素营养状况的可行性,分析了不同生育时期氮素含量和RSAVI之间的相关性.结果表明RSAVI和叶片氮素含量显著相关,相关系数介于0.867～0.938之间.并且RSAVI和氮素含量之间建立的回归模型以多项式模型效果最佳.决定系数介于0.7512～0.8796之间,模型均通过0.01水平检验.因此研究结果表明,在本次试验中使用RSAVI估测水稻氮素营养是可行的.     

基于高光谱的冬小麦氮素营养指数估测

为了准确定量诊断氮素状况,为施肥和产量、品质的估测提供参考,该文通过设置不同氮素水平和品种类型的冬小麦田间试验,分析孕穗至灌浆初期不同光谱参数在小麦氮素营养状况监测上的差异,筛选叶片氮素含量和冠层氮素密度反演效果较好的参数,建立其与氮营养指数(NNI,nitrogen nutrition index)的经验模型。研究表明,线性内插法红边位置(REPLI)、修正红边单比指数(mSR705)、比值指数(RI-1dB)、简单比值色素指数(SRPI)、红边指数(VOG)等光谱参数与氮素营养指标具有良好的相关性(r0.85),且不受生育期影响,可用来反演评价冠层氮素营养状况;研究对筛选的光谱参数与各氮素指标进行回归建模,并用独立试验数据对所建模型进行验证,结果显示,REPLI在氮营养指数估测方面表现较好(r=0.93),估测模型精度较高(决定系数R2=0.86,均方根误差RMSE=0.08)。NNI在氮素营养状况诊断方面有一定的优势,通过高光谱反演氮营养指数进行氮素营养状态的定性定量诊断有一定的可行性。     

基于PLSR方法的马铃薯叶片氮素含量机载高光谱遥感反演

作物氮素状况是评价土壤肥力和作物长势的重要指标,叶片氮素状况的实时无损估测对合理氮素管理、提高产量和改善品质具有重要意义。本文选择不同氮处理条件下的马铃薯作为研究对象,利用AISAEagle机载高光谱成像系统获取试验区的高光谱图像,在对图像进行精确的几何、辐射校正和反射光谱重建基础上,提取每个处理马铃薯冠层的高光谱数据。选取波长430-910nm范围内原始光谱R及其D1(R)、D2(R)、Log(1/R)、DLog(1/R)、D2Log(1/R)5种变式数据,根据田间同步采样叶片的氮素含量数据,利用偏最小二乘回归法(PLSR)构建了马铃薯叶片氮素含量的光谱预测模型,并进行全氮含量填图。结果表明:基于一阶导数光谱D1(R)的偏最小二乘回归模型的效果最优,决定系数(R2)和校正均方差(RMSEC)分别为0.82、0.38%。将该最优估算模型应用到整个高光谱图像上,得到试验区马铃薯叶片全氮分布图,图像上氮的值域为3.35%~5.95%,与地面实测结果3.59%~5.89%基本一致,且叶片全氮值的大小分布与马铃薯长势分布一致。研究结果可为研制和开发基于高光谱成像技术的马铃薯叶片氮素预测方法提供理论和技术支持。     

利用高光谱数据预测水稻籽粒粗蛋白含量研究

籽粒粗蛋白含量是水稻营养食味品质的重要指标之一。通过大田小区试验，测定了2个品种、3个供氮水平处理下水稻冠层和旗叶在成熟过程中不同时期的高光谱反射率，及茎、叶、穗和稻米的含氮量及粗蛋白含量，分析了它们之间的相关性。结果表明：稻穗和稻米粗蛋白质含量与孕穗期、灌浆期和乳熟期的茎、叶粗蛋白质含量极显著相关，与灌浆期、乳熟期的冠层光谱ρ_λ及其一阶导数光谱D_λ、冠层光谱RVI在某些波段也达到极显著相关；稻穗粗蛋白质含量与主茎旗叶某些高光谱指数极显著相关。这表明能用高光谱方法来估测水稻籽粒粗蛋白含量，它将为水稻品质遥感监测提供依据。     

采用GA-ELM的寒地水稻缺氮量诊断方法

为快速、准确、无损实现寒地水稻缺氮量的诊断。该文基于田间试验系统采集的资料,研究东北粳稻氮素含量的亏损或富余与光谱反射率差值之间的关系,并建立东北粳稻氮素含量差值的反演模型。该文采用高光谱反演水稻的缺氮量,并为实施精准施肥提供参考依据,达到减肥不减产的目的,采用产量最高的原则来构建标准氮素含量与标准光谱反射率,并在此基础上,将获取的水稻叶片氮素含量和叶片光谱反射率分别与标准氮素含量和标准光谱反射率做差,得到氮素含量差值和光谱反射率差值,然后对光谱反射率差值分别采用离散小波多尺度分解、连续投影法(successive projections algorithm,SPA)和构建植被指数的方法进行降维处理,将处理后的结果分别作为偏最小二乘(partial least squares regression,PLSR)、极限学习机(extreme learning machine,ELM)和遗传算法优化极限学习机(genetic algorithm-extreme learning machine,GA-ELM)的建模输入,构建东北粳稻氮素含量差值的反演模型。结果分析表明:采用离散小波多尺度分解的结果建立的GA-ELM反演模型预测效果最好,训练集与验证集的R2均在0.7062以上,均方根误差(root mean square error,RMSE)均低于0.51mg/g以下,在预测能力、稳定性和泛化性上比PLSR和ELM的预测模型有明显提高。     

ASTER卫星遥感影像在冬小麦品质监测方面的初步应用

该文利用ASTER遥感数据在冬小麦品质监测方面进行了初步的应用。根据2004年搭载ASTER传感器的Terra卫星的过境周期，对北京郊区21个冬小麦试验点进行田间取样试验，通过分析试验点冬小麦叶片生化组分(叶绿素a)与氮素间的关系、冬小麦叶片氮素含量与籽粒品质(蛋白质含量)间的关系、以及冬小麦ASTER影像冠层光谱信息与叶片生化组分和籽粒品质之间的关系，发现：冬小麦灌浆期小麦叶片叶绿素含量与同期ASTER影像的光谱信息－NDVI之间有良好的相关性，而冬小麦籽粒蛋白质含量也与ASTER影像波段2之间有很好的相关性；利用ASTER遥感影像对冬小麦灌浆期叶绿素以及籽粒蛋白质含量进行建模并反演，能够在较大的范围里了解冬小麦的品质信息，并能够在一定程度上对作物的籽粒蛋白质含量等品质进行预测；研究还表明，利用遥感技术来进行小麦籽粒蛋白质等主要品质指标的预测是可行的。研究成果为利用遥感技术监测冬小麦长势和籽粒品质提供了理论依据，开辟了遥感应用的新途径。     

基于无人机高光谱的冬小麦氮素营养监测

为了实现小区域尺度上的作物氮素营养状况遥感监测，该研究利用无人机搭载Cubert UHD185成像光谱仪对2016 -2017年关中地区的冬小麦进行遥感监测，通过分析冠层光谱参数与植株氮含量、地上部生物量和氮素营养指数的相关性，筛选出对三者均敏感的光谱参数，结合多元线性逐步回归、偏最小二乘回归和随机森林回归建立抽穗期冬小麦氮素营养指数（Nitrogen Nutrition Index，NNI）估测模型，并与单个光谱参数建立的冬小麦氮素营养指数模型进行比较。结果表明，任意两波段光谱指数对氮素营养指数更为敏感，与氮素营养指数均达到了极显著性相关；基于差值光谱指数和红边归一化指数的单个光谱参数构建的模型具有粗略估算氮素营养指数的能力，相对预测偏差分别为1.53和1.56；基于随机森林回归构建的多变量冬小麦氮素营养指数估算模型具有极好的预测能力，模型决定系数为0.79，均方根误差为0.13，相对预测偏差为2.25，可以用来进行小区域范围内的冬小麦氮素营养指数遥感填图，为冬小麦氮素营养诊断、产量和品质监测及后期田间管理提供科学依据。     

基于多生育期光谱变量的水稻直链淀粉含量监测

直链淀粉含量是评价稻米品质的重要指标之一,其累积生长过程是多生育期、多因素综合作用的结果。为了探究多生育期信息引入对水稻籽粒直链淀粉含量监测模型的影响,实现水稻品质信息的大规模准确监测。该研究选取水稻孕穗期、抽穗期、灌浆期和成熟期这4个有关水稻籽粒形成发育的生育期的冠层光谱,分析原光谱、植被指数、高光谱特征参数,及其变换形式与水稻籽粒直链淀粉含量的相关性,筛选得到相关性较好的光谱变量,并利用逐步回归的方法进行建模,建立基于多生育期光谱变量的直链淀粉含量预测模型。结果表明:一阶导数、差值植被指数(Difference Vegetation Index,DVI)、比值植被指数(Ratio Vegetation Index, RVI)及成熟期特征参数表现出较高敏感性,最适用于直链淀粉含量预测的生育期为成熟期,而多生育期信息的综合利用能显著提高模型预测精度,最佳多生育期预测模型为孕穗-抽穗-成熟期组合模型,建模决定系数(Coefficient of Determination, R^2)为0.708,均方根误差(Root Mean Square Error, RMSE)为0.711%,平均绝对百分比误差(Mean Absolute Percent Error, MAPE)为3.22%,验证R2为0.631,RMSE为0.768%,MAPE为3.99%,证明该模型能较为精确地预测籽粒直链淀粉含量,为稻米品质指标大尺度统计监测提供一定的技术支撑和应用基础。     

基于高光谱数据的土壤全氮含量估测模型对比研究

构建基于高光谱数据的土壤全氮含量估测模型,为快速、准确监测农田土壤全氮含量,判断作物生长发育情况和评价土地质量提供新的技术和方法.以新疆南疆地区主要类型土壤为研究对象,于室内测定土壤全氮含量和光谱反射率数据,利用偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林回归(RF)与光谱反射率(R)及其4种数学变换...     

Non-destructive estimation of winter wheat leaf moisture content using near-ground hyperspectral imaging technology

ABSTRACT

Accurate monitoring of crop moisture content is very important for irrigation scheduling and yield increase. This study aims to construct an optimal estimation model of winter wheat leaf moisture content (LMC) through spectral data processing and feature band selection. LMC and spectral reflectance were measured in 2017-2018 to construct models using simple linear regression (SLR), principal components regression (PCR), and partial least square regression (PLSR); feature bands for modelling were selected through correlation analysis and the effects of feature band number on estimation accuracy were compared. The results showed that data transformation significantly enhanced the correlation between spectral features and LMC. However, the band position corresponding to the maximum correlation coefficient for each transformation was not fixed. The accuracy of PLSR models were significantly higher than that of PCR and SLR models. The comparison of relative percent deviation (RPD) values indicated that the RPD values increased rapidly and then tended to be stable with the increase of feature band number. The R′′ -PLSR model constructed with 28 feature bands (R²_c = 0.8517; RPD > 2.0) estimated the LMC more accurately than other models. This study provides a good method for non-destructive monitoring of crop moisture content.     

艾比湖流域不同土地覆盖类型土壤养分 高光谱反演模型研究

土壤养分影响着土壤的质量,也影响着植被、农作物等的生长。为快速准确地估测艾比湖流域土壤养分状况,选择艾比湖流域精河县作为研究区,以精河县内不同地表覆盖类型土壤为研究对象,基于实地采集的75个土壤样品的室内ASD Field Spec3实测光谱数据和3种光谱变换形式,利用10 nm间隔重采样进行去噪处理,再结合多元逐步回归法(SMLR)、偏最小二乘法回归法(PLSR)、人工神经网络法(ANN)分别建立土壤养分预测模型,以探索最优模型。结果表明:土壤实测光谱的一阶微分、二阶微分变换形式能显著提高光谱与土壤养分之间的相关性,尤其是一阶微分变换与土壤有机质和全氮的相关性最高分别达0.87和0.91,光谱变换技术能显著增强土壤养分与高光谱之间的敏感度,达到更好的建模效果;SMLR、PLSR和ANN这3种模型都具有良好的预测能力,其中,ANN建立的模型预测效果最好,二阶微分变换的ANN模型对有机质、全氮的预测决定系数(R2)分别为0.886和0.984,均方根误差(RMSE)分别为2.614和0.147,PLSR次之;全氮的预测效果明显优于有机质的预测效果,说明高光谱和全氮之间的敏感性更高。总体来说,光谱二阶微分变换形式的人工神经网络模型可以最精确稳定地完成土壤养分含量的快速预测,能够实现艾比湖流域的土壤养分空间分布状况和动态变化特征的动态监测。     

基于无人机多光谱影像的水稻氮营养监测

探究消费级无人机多光谱影像对不同生态点、不同品种水稻氮营养监测建模精确度和普适度的影响,对于实现区域水稻氮营养精确管理与应用有重要意义。该研究分别在云南省西双版纳勐遮镇(供试品种：云粳37)与重庆市北碚区(供试品种：极优6 135)2个试验点设置不同氮水平田间试验,利用大疆精灵4多光谱无人机于水稻分蘖期、拔节期和抽穗期采集水稻冠层多光谱图像,采用凯氏定氮法测定水稻植株冠层氮含量(canopy nitrogen content,CNC)并计算地上部氮累积量(plant nitrogen accumulation,PNA);分别利用植被指数、偏最小二乘回归(partial least squares regression,PLSR)、随机森林(random forest,RF)、反向传播神经网络(back-propagation neural network,BPNN)对单一试验点、单品种和不同试验点、多品种水稻建立氮营养监测模型并探究模型的迁移能力。拔节期和抽穗期的模型精度较高(归一化植被指数NDVI或近红外归一化植被指数NNVI,R²为0.68～0.88),而分蘖...     

辽宁省黄土状母质发育土壤有机质含量高光谱预测模型的构建

  目的  建立辽宁省黄土状母质发育土壤有机质含量的高光谱预测模型,以便快速获取土壤样品的有机质含量。  方法  对省域内黄土状母质发育土壤进行了样品采集,获取样品有机质含量和高光谱数据;选择原始光谱及其一阶微分、二阶微分、倒数对数、倒数对数一阶微分、倒数对数二阶微分6种光谱变换数据作为自变量,与土壤有机质含量进行相关分析,选取特征波段,分别建立多元逐步线性回归（SMLR）、偏最小二乘回归（PLSR）和主成分回归（PCR）3种土壤有机质高光谱线性预测模型,并进行了支持向量机（SVM）方法的非线性模型拟合。  结果  土壤有机质含量与其光谱反射率呈负相关关系,对光谱进行不同的数学变换,可以提高土壤有机质含量与光谱反射率的相关性,其中一阶微分和二阶微分的提升效果最佳;相同光谱数据在不同模型中建模精度存在显著差异,以原始光谱反射率一阶微分为自变量的PLSR模型精度最高,建模集和验证集的决定系数（R2）分别为0.958和0.976;3种线性方法建立的最佳预测模型的检验精度为:PLSR > SMLR > PCR。  结论  PLSR模型是辽宁省黄土状母质发育土壤有机质含量的最佳高光谱预测模型,且基于特征波段的建模效果优于全波段;SVM非线性模型的预测精度较低。     

滩涂土壤有机质含量的反射光谱估算

Rapid determination of soil organic matter (SOM) using regression models based on soil reflectance spectral data serves an important function in precision agriculture. “deviation of arch”(DOA)-based regression and partial least squares regression (PLSR) are two popular modeling approaches to predict SOM. However, few studies have explored the accuracy of the DOA-based regression and PLSR models. Therefore, the DOA-based regression and PLSR were applied to the visible near-infrared (VNIR) spectra to estimate SOM content in the case of various dataset divisions. A two-fold cross-validation scheme was adopted and repeated 10 000 times for rigorous evaluation of the DOA-based models in comparison with the widely used PLSR model. Soil samples were collected for SOM analysis in the coastal area of northern Jiangsu Province, China. The results indicated that both modelling methods provided reasonable estimates of SOM, with PLSR outperforming DOA-based regression in general. However, the performance of PLSR for the validation dataset decreased more noticeably. Among the four DOA-based models, the linear model of the DOA provided the best estimation of SOM and a cutoff of SOM content (19.76 g kg^-1), and the performance for calibration and validation datasets was consistent. As the SOM content exceeded 19.76 g kg^-1, SOM became more effective in masking the spectral features of other soil properties to a certain extent. This work confirmed that reflectance spectroscopy combined with PLSR could serve as a non-destructive and cost-efficient way for rapid determination of SOM when hyperspectral data were available. The DOA-based model, which requires only 3 bands in the visible spectra, also provided SOM estimation with acceptable accuracy.     

基于高光谱的寒地水稻叶片氮素含量预测

为快速、无损和准确地诊断水稻营养状况,开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象,利用高光谱成像技术,分析拔节期水稻叶片光谱,采用全波段高光谱数据、连续投影算法及分段主成分分析(segmented principal components analysis,SPCA)与相关分析(correlation analysis,CA)相结合的方法建立多种回归分析模型,并对模型进行检验和筛选。结果表明:随着施氮水平提高,水稻叶片反射率在可见光区域降低,在近红外区域升高。在校正集决定系数上,基于多元逐步回归分析的全波段模型较好,校正集决定系数为0.821,校正集均方根误差RMSEC=0.079;在预测集决定系数上,基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好,预测集决定系数为0.869,预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。     

基于不同光谱变换的土壤盐含量光谱特征分析

跟踪初生盐渍土壤的微生物修复实验,采用同步实测得土壤盐含量和光谱数据,详细分析了基于34种光谱变换,修复过程中盐渍土的光谱特征。对于选取的6种光谱变换,采用全波段(400~1650 nm)和分析获得的最佳敏感波段分别建立了土壤盐含量的光谱反演PLSR(partial least squares regression)模型。研究表明,光谱变换处理使土壤盐含量与平滑后的光谱反射数据的相关性明显增强,且最佳敏感波段范围进一步聚焦。本研究得到最佳光谱变换为导数变换,基于全波段的土壤盐含量预测模型以SGSD变换效果最好,与原始光谱相比,模型的r、RMSEP分别从0.537和1.928改善到0.823和1.256。而SGSD(Log R)是基于最佳波段所建立的盐含量预测模型的有效光谱变换方法,该研究为进一步实现盐渍土中盐含量快速定量分析提供了方法和数据参考。