油用牡丹种子水分含量近红外光谱估算研究

水分含量是影响种子销售、储存及加工的重要指标之一。以156份油用牡丹种子为试验材料,利用近红外光谱技术快速检测油用牡丹种子水分含量,分析油用牡丹种子的光谱特征,应用近红外光谱技术,结合偏最小二乘回归法,建立油用牡丹种子水分含量的估算模型,并比较多种预处理方法对建模结果的影响。结果表明,油用牡丹种子水分含量特征波段为1 450 nm和1 940 nm;油用牡丹种子水分含量偏最小二乘回归估算模型精度均较高,而且比较稳定,可用于油用牡丹种子水分含量精确估算。油用牡丹种子吸收光谱经标准化处理后所建立的偏最小二乘回归模型性能最佳,估算结果最准确,其校正集和验证集决定系数分别为0.92和0.97,均方根误差分别为0.41%和0.24%,RPD值为5.94。研究表明,近红外光谱技术可进行油用牡丹种子水分含量快速无损估算。     

基于近红外光谱的棉花毛籽蛋白质和油分含量快速检测

【目的】建立棉花毛籽蛋白质和油分含量的近红外检测校正模型。【方法】检测样本的蛋白质含量和油分含量，根据光谱-理化值共生距离算法（sample set partitioning based on joint X-Y distance sampling, SPXY）按照3∶1的比例将426个样本划分为包含320个样本的校正集和106个样本的预测集，结合多元散射校正和一阶导数等光谱预处理方法对模型进行优化，并采用线性偏最小二乘法（partial least square method, PLS）、支持向量机（support vector machine, SVM）和随机森林（random forest, RF）3种方法对比分析建立棉花毛籽蛋白质和油分含量的近红外快速测定模型，以决定系数、均方根误差和剩余预测偏差作为模型的评价指标。【结果】SVM模型和PLS模型在校正集的拟合效果较好，决定系数均大于0.8，但对预测集的拟合决定系数不到0.8，说明模型均存在过拟合现象；而RF模型在校正集和预测集的拟合效果都非常好，决定系数均大于0.9，其中蛋白质含量预测模型的决定系数、预测均方根误差和剩余预测偏...     

基于连续投影算法的小麦湿面筋近红外校正模型优化

为减少建模过程中的计算量、提高模型的稳健性及预测精度,将连续投影算法用于小麦湿面筋近红外校正模型的建立。首先采用SPXY算法选择具有代表性的校正集样本,然后对光谱数据作不同预处理,增强光谱特征;运用连续投影算法对原始光谱和预处理后的光谱进行敏感波点提取,进而分别建立多元线性回归校正模型。测试结果表明,对光谱标准正态变量变换后利用连续投影算法提取敏感波点所建多元线性回归模型预测效果最好,预测均方根误差和预测相关系数分别为1.3332和0.94319,优于同等条件下建立的偏最小二乘回归模型。     

基于无人机高光谱融合连续投影算法估算棉花地上部生物量

【目的】地上部生物量是表征植物生命活动的重要参数。探索不同的光谱预处理方法和建模方法,实现对棉花地上部生物量快速、无损、准确的估算,对棉花长势监测和大田精准管理具有重要意义。【方法】以新陆早53号、新陆早45号为研究对象,设置不同施氮处理,于出苗后不同阶段获取棉花地上部生物量和无人机高光谱数据,通过连续投影算法(Successive projections algorithm,SPA)筛选不同预处理[一阶导数、二阶导数、Savitzky-Golay(SG平滑)、多元散射校正]后的特征波长,基于筛选出的不同波长组合使用偏最小二乘法回归(Partial least square regression,PLSR)和随机森林回归(Random forest regression,RFR)分别构建棉花地上部生物量估算模型,比较不同预处理后建立模型的精度,确定最优估算模型。【结果】(1)利用SPA算法对不同预处理后的光谱信息筛选出特征波长9～26个,可实现光谱信息降维。(2)基于SG平滑-SPA处理及PLSR方法建立的模型最佳,R~2达到了0.63,均方根误差(Root mean square error,RMSE)为0.42,验证集的R~2为0.67,RMSE为0.44。(3)一阶导数-SPA处理后,采用RFR构建的模型最佳,R~2达到0.87,RMSE为0.45,验证集R~2为0.81,RMSE为0.37。【结论】采用一阶导数预处理结合SPA筛选特征波长,经RFR构建的估算模型结果和验证效果均最佳,可用于棉花地上部生物量定量估算。     

基于高光谱的水稻土有机质含量估算研究

利用高光谱技术可实现土壤有机质含量的快速、精确反演。然而运用不同的光谱预处理算法及建模方法获取的模型预测精度及稳定性不同。为了选取最佳土壤有机质估算模型,本研究应用ASD波谱仪测定河南省潢川县水稻土的光谱数据,比较使用2种建模方法组合18种光谱预处理转换算法建立模型的反演效果。对于多元逐步回归模型和偏最小二乘模型,使用SGF3-2预处理算法均获得了最佳的预测效果,所建模型具有较小的误差和较高的精度。相比使用多元逐步回归法,使用偏最小二乘回归法可以获取更稳定的预测模型。运用偏最小二乘模型结合SGF3-2预处理算法得到了最佳的水稻土有机质含量估算模型,模型预测均方根误差RMSEv=0.036,决定系数Rv2=0.89。选择最佳的建模方法结合预处理算法,可以改进模型反演精度。本研究对比的不同方法也可以应用到类似的土壤模型选取中。     

基于特征波段选择和机器学习的小麦白粉病高光谱遥感监测

白粉病严重危害小麦生长及制约产量形成,精确监测该病害对精确防控及保障国家粮食安全具有重要意义。在小麦孕穗、开花和灌浆期使用地物高光谱仪获取小麦冠层光谱数据,利用一阶导数(FD)、二阶导数(SD)、对数变换(LOG)、倒数变换(1/R)和连续去除法(CR)对原始光谱(OR)进行光谱变换,基于CARS算法和SPA算法相结合对五种变换的光谱数据和原始光谱进行特征波段提取,进而利用偏最小二乘回归(PLSR)、岭回归(RR)和高斯过程回归(GPR)建模方法确立小麦白粉病病情指数(mDI)监测模型。结果表明,一阶导数在Pearson相关性、两波段优化组合以及机器学习方法建模中,综合表现最好,是一种处理病害光谱数据的较好预处理方法。经过光谱数据变换后,再使用CARS-SPA算法可以更有效的提取特征波段,特征波段为411、450、476、543、561、594、624、671、726、780、835和950 nm。在不同机器学习建模方法对比中,高斯过程回归(GPR)模型表现最佳,其次为岭回归(RR)和偏最小二乘法回归(PLSR)。其中,一阶导数结合GPR模型的估算精度最高,建模集和验证集的平均R~2为...     

大气CO2浓度升高背景下冬小麦冠层光谱特征和地上生物量估算

本研究旨在探究大气CO₂浓度升高对冬小麦全生育时期冠层光谱特征的影响,并基于筛选的敏感波段建立地上生物量(AGB)与光谱参数的定量关系。为此,在2021—2022年的冬小麦生长季,利用开放式CO₂富集系统(Mini-FACE),设定大气CO₂浓度(ACO₂,(420±20)μL L^-1)和高CO₂浓度(ECO₂,(550±20)μL L^-1)两个处理水平,分析了高CO₂浓度下光谱特征变化,基于连续投影算法(SPA)、逐步多元线性回归(SMLR)和偏最小二乘法回归(PLSR)筛选AGB敏感波段并构建估算模型。结果表明:CO₂浓度升高使冬小麦拔节期和开花期AGB显著增加。红边和近红边反射率及红边面积在拔节期增加,在开花期和灌浆期降低,蓝边、黄边和红边位置在不同生育时期均发生移动;AGB的敏感光谱波段主要分布在红边和近红边区域,CO₂浓度升高缩小了AGB...     

棉花蚜虫单叶高光谱特征识别研究

本文在棉花蚜虫危害主要生育时期测试不同严重度的蚜虫危害单叶光谱,分析并比较了不同时期、不同严重度棉蚜危害单叶光谱反射率特征,确定了其敏感波段,并建立了相应的估测模型。结果表明:棉花蚜虫单叶光谱特征明显,不同时期蚜虫单叶光谱反射率在可见光区均表现出先升后降的特征,近红外波段则表现出相同的趋势。434～727 nm可作为棉叶蚜虫的敏感波段,648 nm可作为棉叶蚜虫的最佳波段。基于敏感波段建立的棉蚜叶片遥感估测模型均达到显著相关水平,其中波段组合1 589-648/1 589+648建立的估算模型估算精度最高,均方根误差最小,RMSE为1.198,可作为棉叶蚜虫严重度的最佳识别模型。该研究为遥感监测棉花蚜虫光谱提供了理论依据及参考。     

基于遗传算法结合偏最小二乘的潮土碱解氮高光谱特征及含量估测

提取土壤碱解氮特征光谱是利用高光谱数据进行其含量估测的关键。对山东省典型潮土土壤样本测试高光谱并进行变换;采用遗传算法（GA）结合偏最小二乘法（PLS）,在筛选潮土碱解氮含量特征谱区的基础上,构建潮土碱解氮含量偏最小二乘（PLS）回归估测模型;优选最佳模型并与相关分析、逐步回归分析和单纯偏最小二乘回归分析的模型进行比较。结果表明：潮土碱解氮特征波段为449~469nm,988~1001nm,1065~1078nm,1716~1736nm,1912~1925nm,2213~2233nm,2262~2275nm;基于各输入光谱特征谱区构建的估测模型决定系数R²均较高,其中基于反射率一阶导数光谱筛选的特征谱区,构建的模型精度最高,数据点（147个）为原始全谱的7.17%,建模R²达到0.97,均方根误差RMSE为4.78mg/kg,验证R²为0.95,RMSE为5.49mg/kg,对潮土碱解氮含量具有较好的预测准确性;在光谱变换形式中,反射率的一阶导数表现最佳;方法比较显示采用遗传算法结合偏最小二乘（GA-PLS）获得较高预测精度的同时,可简化模型。说明遗传算法结合偏最小二乘法（GA-PLS）,可有效筛选土壤碱解氮的特征波段,减少模型参与变量,提高估测精度。     

基于随机森林法的棉花叶片叶绿素含量估算

为了高效和无损地估算棉花叶片的叶绿素含量,本研究测定了棉花光谱反射率及叶绿素含量(soilandplant analyzerdevelopment,SPAD)值,对光谱数据进行包络线去除处理、立方根转换和倒数转换,以SPAD值与反射光谱之间的相关性为基础,通过随机森林法筛选出对棉花叶片SPAD值影响较大的特征波段,构建估算棉花叶片SPAD值的BP神经网络(back propagation artificial neural networks, BP ANN)、偏最小二乘回归(partial least squares regression,PLSR)两个模型。结果表明,在605～690nm范围内的反射率与SPAD值相关性达0.01显著水平,均呈负相关,相关系数最高值为-0.619。与原始光谱相比,经过变换后的棉花反射率与SPAD值相关性结果相差较大,其中去除包络线光谱在550～750 nm波段范围有效提高了相关性,相关性效果优于倒数转换数据和立方根转换数据。随机森林法能够有效评出对SPAD值影响较大的特征波段,进而提高模型估算精度。在两种模型中,基于去除包络线光谱建立的PLSR和BP神经网络模型的决定系数R~2分别为0.92、0.83,说明这两种模型的估算能力较好;两种模型RMSE分别为0.88、1.26, RE分别为1.30%、1.89%,表明PLSR模型的估算精度比BP神经网络模型高。从模型的验证效果来看,PLSR模型在估算棉花SPAD值方面有一定的优势和参考价值。     

Hyperspectral Estimation Model of Chlorophyll Content in Cotton Canopy Leaves under Drip Irrigation at Different Growth Stages

[Objective] This article is aimed to estimate the chlorophyll content of cotton canopy leaves in drip irrigation fields at different growth stages in northern Xinjiang and establish a model for estimating chlorophyll content in growth time series by using hyperspectral. [Method] Using Xinluzao 45 as the experimental material, the chlorophyll content and the corresponding spectral reflectance of cotton canopy leaves at different nitrogen levels and growing stages were measured, and the relationship between 12 indices and the chlorophyll content was analyzed. The estimation models of the chlorophyll content in cotton canopy leaves under drip irrigation were established. [Result] The correlation coefficient between the chlorophyll content of canopy leaves and Vogelmann red edge index was high in the four growing periods of cotton, and the correlation coefficient was 0.944, 0.907, 0.895, 0.930, respectively. And the spectral reflectivity was the highest at the flowering and boll period. The precision of the model established by the multivariate regression method is higher than that of the single exponential linear model with the determination coefficient more than 0.8 and the root mean square error smaller than that of the single exponential linear model. The model of the budding stage (y＝82.509_x1＋89.937_x2－94.438) has the best precision. [Conclusion] The chlorophyll content can be estimated by the models established at different growth stages, and the budding stage model has the best monitoring effect.     

基于高光谱数据的滴灌甜菜叶片全氮含量估算

本文旨在明确甜菜叶片全氮含量与高光谱地面植被遥感的定量关系,建立干旱区甜菜叶片全氮含量精确估测模型,及时监测甜菜生长状况。本研究选取新疆滴灌甜菜(Beta356)为材料,利用ASD野外高光谱仪在甜菜叶丛快速生长期、块根膨大期与糖分积累期采集各处理反射光谱,并同时测定全氮含量,分析原始光谱反射率及一阶微分光谱反射率与全氮含量的相关性,并进一步建立光谱特征参数与敏感波段植被指数全氮含量估算模型。结果表明,光谱特征参数Dr762幂函数下估算模型具有较好估算甜菜叶片全氮含量的能力,其决定系数R2=0.747,验证相对误差RE(%)为21.635,验证均方根误差RMSE为4.914;通过植被指数与叶片全氮含量建立多种函数估测模型,其中差值植被指数Dr762–Dr496下一元线性函数具有较好估算甜菜叶片全氮含量的能力,其决定系数R2=0.794,验证相对误差RE(%)为23.008,验证均方根误差为5.372。     

Estimation of litchi (Litchi chinensis Sonn.) leaf nitrogen content at different growth stages using canopy reflectance spectra

The estimation of crop nitrogen status in fresh vegetation leaf using field spectroscopy is challenging due to the weak responses on leaf/canopy reflectance and the overlapping with the absorption features of other compounds. Although the spectral indices were proposed in the literature to predict leaf nitrogen content (LNC), the performance of selected spectral indices to estimate the LNC is often inconsistent. Moreover, the models for nitrogen content estimation changed with the growth stage. The goal of this study was to evaluate the performance of published indices, ratio of data difference index (RDDI) and ratio of data index (RDI) developed by band iterative-optimization algorithm in LNC estimation. The correlation analysis, linear regression and cross validation were used to analyze the relationship between spectral data and LNC and construct the best performed estimation model. The study was conducted by the data of five growing seasons of litchi from the orchards in Guangdong Province of China. Results showed that the relationship between chlorophyll (Chl) related spectral indices and LNC varied with the growth stage. Even in flower bud morphological differentiation stage and autumn shoot maturation stage, there were not significant correlations between the proposed spectral indices and LNC. Besides it is difficult to estimate the LNC by the general model across the growth stages due to the integrated effects of cultivar, biochemical, canopy structure, etc. The band iterative-optimization algorithm can improve the sensitivity of spectral data to LNC to some extent. The optimal RDDI performed better than other indices for the synthetic dataset and the dataset in each growth stage. And the sensitive bands selected in the optimal indices at each growth stage are not consistent, which are not only related to the Chl absorption but also other biochemical components, such as starch, lignin, cellulose, protein, etc. In general, the LNC can be estimated by the optimized CR-based RDDI indices in autumn shoot maturation stage, flower spike stage, fruit maturation stage, and flowering stage with the R² > 0.50 and RMSE < 0.14. Although there were the significant relationship between RDIs and RDDIs in flower bud morphological differentiation stage, the highest R²s of the model developed by RDDIs and RDIs were less than 0.50 in cross validation. This study indicated that the applicability of canopy reflectance to estimate litchi LNC was closely related to the growth stage of litchi. Growth stage-specific models will be preferred for estimating litchi LNC estimation.     

应用灰板校正提高计算机视觉预测棉花植株含水量的精确度

利用灰板校正以消除棉花不同生育期图片颜色特征值的亮度差异,建立适用于不同生育期预测植株含水量的通用模型,以提高运用计算机视觉技术进行棉花植株含水量预测的精度。研究结果表明,由灰板校正前、后颜色特征值G-B建立的最佳预测模型,决定系数分别为0.746和0.782。有效性检验结果表明,灰板校正前、后计算预测值与实测值的决定系数分别为0.739和0.783;RMSE分别为2.218和2.03,RE分别为2.13%和1.79%。基于计算机视觉提取的冠层图片颜色特征值能够预测植株含水量,应用灰板校正颜色特征值能够提高模型预测精度,可为提高计算机视觉预测植株水分状况的精度提供技术支撑和方法补充。     

利用叶片高光谱指数预测水稻群体叶层全氮含量

通过测定叶片高光谱来快速估测整个水稻叶层全氮含量对于水稻氮素诊断有重要意义。本文通过连续3年不同施氮水平和不同品种类型的4个大田试验,分生育期同步测定了不同叶位叶片的高光谱反射率及叶层全氮含量,并系统分析了叶片水平多种高光谱指数与水稻叶层全氮含量的定量关系。结果表明,不同叶位叶片的光谱反射率与叶层全氮含量的相关程度不同,顶二叶(L2)表现最好、顶三叶(L3)次之,而L2和L3的平均光谱(L23)有助于进一步提高光谱指数的敏感性,是估测叶层氮含量的适宜叶位组合。绿光560nm和红边705nm波段附近光谱反射率与叶层全氮含量呈极显著负相关关系,两者分别与近红外波段组合而成的光谱比值指数可较好地监测水稻叶层全氮含量,其中绿光、红边窄波段比值指数SR(R780,R580)和SR(R780,R704)表现较好,与叶层全氮含量的决定系数分别为0.887和0.884;独立试验数据检验的RMSE分别为0.216和0.235。将上述2个窄波段比值指数中的近红外、绿光波段和红边波段宽度分别扩展至100、20和10nm,从而构建的宽波段比值指数SR[AR(750-850),AR(568-588)]和SR[AR(750-850),AR(699-709)]与叶层全氮含量相关性仍具有较高水平,线性回归模型的拟合精度(R2)为0.886和0.883,检验RMSE值分别为0.218和0.237。从而在叶片水平,确立了适于叶层全氮含量估测的基于绿光、红边与近红外波段的比值组合和波段适宜宽度。     

AquaCrop模型在东北黑土区作物产量预测中的应用研究

东北黑土区是我国玉米和大豆生产基地,为了实现利用AquaCrop模型优化管理和预测产量,本文基于作物小区田间试验和大田观测数据,采用OAT(one factor at a time)法分析了该模型参数的敏感性,率定了敏感性高的参数,并对率定后的模型进行了验证。结果表明:玉米和大豆产量均对影响经济产量的收获指数十分敏感,二者虽然对冠层和根系生长参数都敏感,但有所差异:玉米对冠层衰减系数(canopy decline coefficient,CDC)更为敏感,而大豆则对限制冠层伸展的水分胁迫系数曲线的形状因子(shape factor for water stress coefficient for canopy expansion,Pexshp)更为敏感;玉米因根系深对最大有效根深(maximum effective rooting depth,Zx)更敏感,大豆因根系浅对根区根系伸展曲线的形状因子(shape factor describing root zone expansion,Rexshp)更敏感。由于玉米需水量大,对冠层形成和枯萎前的作物系数(crop coefficient before canopy formation and senescence,KcTr,x)和归一化水分生产力(normalized water productivity,WP*)很敏感,大豆则是一般敏感。率定后模型模拟玉米产量与实测产量的回归系数由0.34提升至0.89,模拟大豆产量与实测产量的回归系数由0.80提升至0.88。进一步用大田实测产量的验证结果表明:预测的玉米与大豆产量与实测产量间回归方程的决定系数(coefficient of determination,R2)分别为0.775和0.779,均方根误差(root mean square error,RMSE)分别为1.076 t hm^–2和0.299 t hm^–2,标准均方根误差(normalized root mean square error,NRMSE)分别为0.097和0.178,模拟效率(model efficiency,ME)分别为0.747和0.730,率定后的AquaCrop模型能较精准地模拟东北黑土区玉米和大豆产量,可用于产量预测或优化管理。     

基于数码图像的棉花叶片氮含量估测研究

为了探究利用数码图像处理技术诊断棉花氮素营养的最佳图像特征参数和最佳叶位,以‘新陆早53号’为材料,使用智能手机获取棉花不同叶位叶片图像,利用数字图像处理技术提取叶片图像颜色和纹理特征参数,分析叶片氮含量和特征参数的相关性,构建基于不同图像特征参数的氮含量估测模型。结果表明：颜色特征参数r、G/(B+R)、G/B和纹理特征参数COR、ASM与叶片氮含量相关性较好,相关性系数(r)均大于0.55。基于颜色-纹理综合特征参数构建的氮含量估测模型均优于基于颜色或纹理特征参数所建模型,其中倒4叶氮含量估测模型最优,模型决定系数(R²)为0.875、均方根误差(RMSE)为1.324、相对误差(RE)为8.09%。因此,利用数字图像处理进行棉花氮素营养诊断时,应选择的最佳图像特征参数为r、G/(B+R)、G/B、COR、ASM,应选择的最佳叶位为棉花倒4叶。     

基于穗层反射光谱的小麦籽粒蛋白质含量监测的研究

本试验对近地面高光谱仪监测小麦的不同测定方法进行了探讨，并比较了各方法对籽粒蛋白质含量（GPC）的预测能力。结果表明，穗全氮含量（ETNC）与穗层光谱反射率（Rel）的相关系数普遍高于与冠层光谱反射率（Rc）的相关系数。同时，基于小麦光谱反射率、穗全氮含量、籽粒蛋白质含量三者之间的相关性，选择了包括植被指数在内的20个穗层光谱特征参量，与ETNC进行相关分析，建立了最佳光谱特征参量预测ETNC以及ETNC预测籽粒蛋白质含量（GPC）的统计相关模型。通过2个模型的链接，建立了利用比值植被指数RVI[890,670]预测GPC的回归模型，可以较好地预测小麦籽粒蛋白质含量。在相同条件下，相对于以往基于冠层光谱的方法，基于穗层光谱的RVI[890,670]对GPC的预测表现出较大的优势，决定系数R2由0.662提高到0.865，总均方根差RMSE由0.851降低到0.734。本研究为实现田间条件下小麦氮素及相关品质指标的便携式监测仪的开发研制提供了初步的依据。