西双版纳普洱茶叶片生化参数高光谱估测模型研究

以西双版纳普洱茶为研究对象,利用ASD Field Spec 3地物光谱仪采集叶片高光谱数据,采用导数光谱分析技术对光谱数据进行处理,在实验室测定相应的茶氨酸和氮素含量,分析普洱茶叶片生化参数与原始光谱、光谱一阶微分、光谱对数一阶微分以及高光谱特征变量间的相关性,并利用遗传算法优化的BP神经网络建立了茶氨酸含量和氮素含量的高光谱估测模型。结果表明:普洱茶叶片生化参数含量与高光谱原始反射率间相关性弱,但与光谱一阶微分、光谱对数一阶微分和高光谱特征变量在可见光、近红外波段范围内相关性较强;遗传算法优化下的BP神经网络模型对普洱茶叶片生化参数的估测精度优于普通BP神经网络模型,茶氨酸含量估测精度RMSE为0.21 mg/g,R~2为0.73,氮素含量估测精度RMSE为0.36 g/kg,R~2等于0.88。     

葡萄叶片叶绿素含量高光谱估测模型研究

针对传统方法测定叶绿素含量存在的不足,采用高光谱技术建立了快速、准确、无损估测葡萄叶片叶绿素含量的方法。以采自泰安万吉山基地的葡萄叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率、原始光谱反射率一阶导数、高光谱特征变量间相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的葡萄叶片叶绿素含量估测模型,即SPAD=59.352+44836.313R'601,其中R'601为601 nm波段原始光谱反射率一阶导数。     

花生叶绿素含量的高光谱遥感估算模型研究

叶绿素是植物体进行光合作用吸收光能物质的主要色素,直接影响植被的光合作用。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。实测了不同品种、肥水条件下,花生冠层的高光谱反射率与叶绿素含量数据,对二者进行了相关分析;首先采用相关系数较大的波段作为变量进行叶绿素含量的估算,其次采用特定叶绿素敏感波段建立叶绿素估算模型。经对比发现,以原始高光谱反射率所构建的估算模型精度不高;一阶导数与叶绿素含量之间的关系采取同样的方法,表明线性模型可较好地预测叶绿素含量;最后在高光谱特征变量中,λr、λg、λo为自变量所构建的模型均通过极显著检验,以λr所构建的指数模型具有最大的决定系数(r2=0.543 5)和F值(F=33.333);通过精度检验,综合分析认为,以662 nm处的一阶微分反射率所构建的线性模型和以红边位置所构建的指数模型均可作为叶绿素含量估算较为合适的高光谱模型。     

基于高光谱和BP神经网络的双子叶植物叶片叶绿素遥感估算

针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX’93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较。结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R~2和最优验证样本R_V~2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R~2和最优验证样本R_V~2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模R_V~2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高。研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法。     

基于高光谱和GA-BP神经网络模型的冬小麦叶绿素含量反演

叶绿素是绿色植被进行光合作用的主要色素,是影响作物产量的重要因素之一,也是评价作物健康状况的重要生化指标。快速、准确、无损地监测作物叶片叶绿素含量,是实现作物长势和健康程度精准监测的关键。为提高作物叶绿素含量反演的精度,以冬小麦试验小区为基础,测量关中地区冬小麦叶片反射率及其对应的叶绿素含量。运用分数阶微分法计算0～2阶步长为0.1的分数阶光谱,通过灰色关联分析法提取出与叶绿素含量关联度大的特征,作为模型的输入参数。最终提取出0.6阶751、760 nm, 0.7阶744、751 nm, 0.8阶738、747 nm, 0.9阶738、750 nm, 1.0阶731、750 nm共10个与叶绿素含量关联度高的波段作为模型的特征波段。为解决BP神经网络(back propagation network)收敛速度慢、易陷入局部极小值的问题,使用遗传算法(genetic algorithm, GA)优化BP神经网络的权值和阈值,利用优化后的模型进行叶绿素含量的预测。结果表明,运用遗传算法优化BP神经网络模型反演精度较高,r²为0.952,均方根误差(RMSE)为3.64...     

基于GA-BP神经网络高光谱反演模型分析玉米叶片叶绿素含量

叶绿素是评价玉米健康状况的重要生理生化参数,而快速、准确检测玉米叶片叶绿素含量,是实现玉米长势及健康状况精准诊断的关键。为提高玉米叶片叶绿素含量的高光谱反演精度,以玉米试验小区为基础,测定了东北地区玉米不同生长期的叶片光谱反射率及其对应的叶绿素含量。首先采用一阶微分方法提取光谱特征,构建9种高光谱特征参数(Db、Dy、Dr、λb、λy、λr、SDb、SDy和SDr),并分析一阶微分光谱、高光谱特征参数与叶绿素含量间的相关关系,优选出与叶绿素含量相关性较高的3种特征参数作为自变量,分别为535nm处的一阶微分值、蓝边内最大一阶微分值Db、蓝边面积SDb,叶绿素含量实测值作为因变量,随后采用遗传算法对BP神经网络进行优化,建立BP神经网络(BPNN)和遗传算法优化的BP神经网络(GA-BPNN)反演模型,并对模型进行验证;再结合主成分回归(PCR)和偏最小二乘回归(PLSR)模型进行比较。结果表明:叶绿素含量与一阶微分光谱在535nm处具有最大相关系数(R=-0.738),并且与特征参数Db、SDb呈显著相关,相关系数R分别为-0.732和-0.728;遗传算法可以有效地对BPNN初始权值随机化、易陷入局部极值等不足实现优化,并为其定位出理想的搜索空间;GA-BPNN模型的建模集与验证集R2分别为0.878和0.898,RMSE为0.731,与其他反演模型相比,GA-BPNN模型的稳定性和预测能力均表现最好,可为定量预测玉米叶片叶绿素含量提供一定的理论和技术依据。     

基于非成像高光谱的高山松叶绿素估算模型研究

以云南省香格里拉县建塘镇的高山松为研究对象,使用ASD Field Spec 3便携式野外地物光谱仪测定高山松叶片光谱,并在实验室测定叶片样本的叶绿素含量。经光谱分析技术及统计相关分析法进行光谱数据的分析处理,提取原始光谱及一阶微分光谱特征波段和光谱特征变量,建立与叶绿素含量间的单变量估测模型和双隐层BP神经网络预测模型,并采用决定系数(R~2)、均方根差(RMSE)和相对误差(RE)进行精度检验。结果表明,单变量模型以一阶微分光谱反射率的三次函数模型为最优模型,其R~2、RMSE、RE分别为0.511、1.297 6mg/g、10.06%,而基于双隐层BP神经网络最优模型的R~2、RMSE、RE分别为0.637、0.384 1mg/g、9.47%,精度达到90.53%,经比较得出其具有较优的预测能力,充分体现BP模型的可行性,为快速、准确的估测高山松叶绿素含量提供有利的理论依据。     

玉米叶片叶绿素含量的高光谱反演模型探究

叶绿素含量是绿色植物生长状态的一个重要指标。首先在实验室采集玉米叶片高光谱数据和测定叶绿素含量,并对光谱数据进行对数一阶微分变换,对比选取建模反演因子。根据选定的反演因子采用线性回归、模糊识别和BP神经网络方法建立了玉米叶片叶绿素含量高光谱反演模型,并计算出模型的精度。结果表明,有较好非线性映射能力的BP神经网络反演模型能够高精度地反演出玉米叶片中的叶绿素含量。BP神经网络模型叶绿素含量预测和实测叶绿素含量的平均绝对误差(e)为1.126,决定系数(R2)为0.902,均方根误差(RMSE)为1.375。玉米叶片叶绿素含量与高光谱数据并非线性关系,BP神经网络反演模型能够较好地运用到叶片叶绿素含量反演中。     

基于高光谱成像技术的油菜叶片叶绿素含量预测

叶绿素是作物生长中的重要因素,可用于实时监测作物的生长状况。以常规高油酸油菜品种为材料,采用大田试验研究油菜叶片在不同栽培措施下幼苗期、蕾薹期叶片的光谱响应,通过计算反射光谱及其反射光谱的一阶导数与SPAD值的相关性,结合逐步回归挑选出油菜叶片敏感波段,并计算光谱指数。采用一元线性回归和神经网络建立叶绿素含量估算模型。结果表明,由光谱指数所构建的神经网络叶绿素估算模型,精度评价结果均显示比较高的水平,幼苗期反射率光谱指数构建的模型精度最高,决定系数R2为0807 0,均方根误差（RMSE）为1131 5,蕾薹期一阶导数光谱指数构建的模型精度最高,决定系数R2为 0873 2, 均方根误差（RMSE）为1322 3,在蕾薹期和幼苗期通过构建BP神经网络模型能够较好的对油菜叶绿素进行反演。为利用高光谱技术大范围监测油菜叶绿素含量提供了一定的理论依据。     

基于连续统去除法的枸杞叶片含水率高光谱估算

为探讨连续统去除法估算枸杞叶片含水率的潜力,以宁夏枸杞主栽品种宁杞7号为研究对象,采用自然失水法和烘干法测定枸杞叶片含水率,采用连续统去除法对原始光谱反射率进行处理,分析连续统去除光谱对含水率的响应特征,分析连续统去除光谱、吸收特征参数与叶片含水率的相关性,并建立枸杞叶片含水率估算模型.研究表明:连续统去除光谱能放大吸...     

基于PLS_GA_Elman算法的病虫害预测

针对农业中虫害受多种复杂因素的影响及发生量预测问题非线性、样本少、特征变量多的特点,结合偏最小二乘回归（PLS）、遗传算法（GA）与Elman神经网络,建立了虫害发生量的PLS_GA_Elman预测模型。通过PLS回归算法对影响因素进行特征提取后,将降维变量输入Elman模型,并运用GA对Elman建模中的权值和阀值进行优化。通过实例分析表明该模型预测准确性高,能有效地预测虫害的发生量。同时为验证算法的有效性,与PLS算法、Elman神经网络算法、基于GA的Elman神经网络算法（GA_Elman）、基于GA的BP神经网络算法(GA_BP)进行比较。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

基于思维进化优化BP神经网络的大豆叶片叶绿素含量高光谱反演

为进一步研究优化神经网络算法在植物生化参量高光谱反演当中的应用问题,运用遗传算法和思维进化算法对BP神经网络进行优化来构建大豆叶片叶绿素含量反演模型。利用实测光谱数据和对应叶绿素数据建立训练数据集,然后分别使用遗传算法和思维进化算法对BP神经网络进行优化训练,将训练好的模型用于叶绿素含量估算。结果表明,基于思维进化优化BP神经网络模型能准确预测叶绿素含量,且模型最稳定,能够解决小样本情况下叶绿素含量估算问题,并保证估算精度,可以作为大豆叶片叶绿素含量估算的一种新的参考方法。     

冬小麦冠层水平叶绿素含量的高光谱估测

【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测,旨在为叶绿素含量快速准确估测提供参考。【方法】利用ASD便携式野外光谱仪和SPAD-502叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量,并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析,建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型,并进行检验,从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦(抽穗期)叶绿素含量估算模型拟合精度优于其他4种估算模型,决定系数R2分别为0.847和0.572,均方根误差RMSE分别为0.397和0.697,相对误差RE分别为61.0%和119.0%,拟合精度优于其他4种估算模型。【结论】原始光谱一阶导数的偏度和峰度作为自变量能很好地估测抽穗期小麦冠层叶绿素含量。     

棉花冠层叶片叶绿素含量与高光谱参数的相关性

【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性,建立叶绿素含量估算模型。【方法】2014年,以鲁棉研28号为研究对象,测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350~2 500nm光谱反射率,以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源,在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型,并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】1)棉花冠层叶片叶绿素含量在反射光谱766nm处相关系数达到最大值,相关系数r=0.836;对于一阶导数光谱,叶绿素含量的敏感波段发生在753nm处,r=0.878;2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型,筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg),仅采用8种常用植被指数建立估算模型,筛选出的变量为比值植被指数(RVI);3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高,均方根误差(RMSE)为1.075,相对误差(RE)为2.22%,相关系数(r)为0.952。【结论】采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测,其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。     

东北地区稻田土壤氮含量无人机高光谱反演建模研究

土壤氮元素是土壤肥力的一个重要指标,掌握土壤氮元素含量的变化是观测农作物的发育状况及时空变化规律等的基础。利用高光谱对土壤氮元素进行反演,可为精准农业地表土壤元素快速测定提供参考。为实现对土壤中氮元素含量的快速测定,以沈阳农业大学海城试验田为例,对土壤原始反射率进行了一阶导数变换,运用等距特征映射算法(isometric feature mapping,lsomap)、竞争性自适应重加权采样法(competitive adapative reweighted sampling, CARS)对一阶导数光谱数据进行降维并提取出相关特征。运用BP神经网络(back propagation neural network,BPNN)、GA优化(GA-BPNN)以及经过NSGA-Ⅲ优化后的BP神经网络(NSGA-Ⅲ-BPNN)3种分析方法建立土壤全氮的高光谱反演模型,并利用决定系数(R²)和均方根误差(root mean square error,RMSE)对反演模型进行评价。结果表明：经过ISOMAP进行的降维相对于CARS能有效的对特征进行提取。优化后的神经网络模型建立的...     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513~539、564~585、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

基于高光谱的春小麦抽穗期叶绿素含量估算方法

对高光谱数据进行预处理是提升高光谱建模精度十分必要且有效的途径。利用高光谱技术分析春小麦作物光谱及其叶绿素含量的变化,对原始光谱反射率及对应的对数、倒数、平方根、对数倒数等4种数学变换及其一阶、二阶微分进行预处理运算,分析春小麦叶片叶绿素含量与预处理后的光谱数据相关性,基于选取的敏感波段对春小麦抽穗期叶绿素含量进行偏最小二乘回归法、BP神经网络2种方法建模并进行模型验证及比较。结果表明:对原始光谱数据数学变换的微分预处理可以明显提高春小麦叶片叶绿素含量与光谱反射率的相关性;通过显著性检验的敏感波段数量经一阶、二阶微分预处理呈现明显增加趋势,对应数学变换的波段数量有所不同;对数变换的二阶微分处理所建立的PLSR模型为最优模型,该模型精度参数为决定系数R■=0.93,校正均方根误差RMSE_c=2.53,预测决定系数R~2_p=0.91,预测均方根误差RMSE_p=2.41,相对分析误差RPD=3.20。说明数学变换的微分预处理过后的模型精度和稳健性有了大幅度的提升,并且运用在高光谱遥感反演春小麦抽穗期叶片叶绿素含量上是可行的。     

基于红边参数和人工神经网络的苹果叶片叶绿素含量估算

【目的】应用人工神经网络来解决苹果叶片叶绿素含量与高光谱数据之间的非线性关系,建立估测苹果叶片叶绿素含量的最佳模型,为苹果叶片叶绿素含量的快速无损监测提供参考。【方法】以位于陕西扶风杏林镇的树龄为4～5年的15棵苹果树为研究对象,2015年分别于果树花期(4月27日)、幼果期(5月30日)、果实膨大期(7月6日)、果实着色期(8月5日)、果实成熟期(9月11日)采集叶片样本,利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素仪同步获取苹果叶片光谱值和对应的叶绿素含量,对原始光谱和一阶导数光谱与叶绿素含量之间的关系进行分析,从一阶导数光谱中提取苹果叶片光谱的5个红边参数,从5个红边参数中筛选出相关性好的红边参数,使用传统单变量回归算法、反向传播(back propagation,BP)神经网络和径向基函数(radial basis function,RBF)神经网络,建立叶绿素含量估测模型,用决定系数(R2)、均方根误差(RMSE)和相对误差(RE)来验证模型的准确性。【结果】与原始光谱相比,一阶导数光谱与苹果叶片叶绿素含量的相关性更高。5个红边参数中,红边位置、峰度系数、偏度系数与叶绿素含量的相关系数均较高,且均达极显著水平。建立的传统单变量回归模型中,基于红边位置、峰度系数和偏度系数的R2均大于0.7,其中基于偏度系数建立的多项式模型模拟精度最高,验证结果R2为0.872,RMSE为4.631,RE为8.81%。选取红边位置、峰度系数和偏度系数为人工神经网络的输入变量,分别优化BP神经网络的隐含层节点数和网络类型以及RBF神经网络的扩展系数(SPREAD值)来提高预测精度,结果发现,建立隐含层节点数为4的双隐含层BP神经网络最优模型R2为0.891,RMSE为3.844,RE为7.55%;当SPREAD值为0.6时,建立的RBF神经网络最优模型的R2为0.955,RMSE和RE分别为2.517和3.69%。【结论】估算苹果叶片叶绿素含量时,人工神经网络模型比传统单变量模型精度高,其中RBF神经网络模型学习速度快、精度高,拟合结果更加可靠。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513⁵39、564539、564⁵85、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。