利用BP神经网络模型对太湖水体叶绿素a含量的估算

利用太湖2001-2006年常规水质监测资料和气象资料进行主成分分析,确定影响太湖水体叶绿素a 含量的主要因子。在此基础上构建BP神经网络模型,利用模型对太湖湖心区水体叶绿素a含量进行估算,并对模型进行敏感度分析;将所建模型运用于太湖梅梁湾、贡湖湾、竺山湾以及东太湖4个湖区叶绿素a含量的估算,以验证其适用性。结果表明：基于主成分分析的BP神经网络模型估算的湖心区叶绿素a含量与实测值的拟合度良好,对已建立的BP神经网络预测模型进行敏感度分析表明,气温和溶解氧与浮游植物叶绿素a含量密切相关;该模型对太湖其它4个湖区水体叶绿素a含量的估算结果与实测值拟合度良好, 表明其适用性也较好,因此,可以运用于对太湖水体叶绿素a含量的估算及预测。     

北方典型水库型水源地水体叶绿素a含量遥感监测研究

遥感监测具有监测区域广、速度快、省时省力等优势,常用于大面积水质监测。其中,叶绿素a浓度是水质监测的一个重要指标。叶绿素a遥感反演的关键是建立遥感数据和叶绿素a含量的定量关系。本文选取石家庄市饮用水源地黄壁庄水库为研究区域,通过进行水体反射光谱现场测量和同步水质采样,得出研究区水体反射光谱特征,并采用丙酮分光光度法测得各水样中叶绿素a含量。在此基础上通过波段比值模型及一阶微分模型分别分析叶绿素a浓度与反射率之间的线性相关性。结果表明,黄壁庄水库各采样点水体叶绿素a浓度均在4.55μg·L-1以下,光谱反射率比值R705nm/R680nm和696 nm反射率的一阶微分值均与叶绿素a浓度有较显著的线性相关性(r2分别为0.736 6和0.875 5)。本文所得结论与方法可为未来对北方水库型水源地水体进行大面积遥感监测叶绿素a含量提供理论参考。     

植被参数高光谱遥感反演最佳波段提取算法的改进

高光谱信息量巨大,如何选取最佳组合波段构建高精度光谱模型,是植被参数遥感反演模型研究的重要工作基础。该研究将最佳指数与相关系数通过熵权评价值进行融合,提出最佳指数-相关系数法(optimum index factor and correlation coefficient,OIFC)。基于OIFC法选取了小麦叶片叶绿素含量的最佳组合波段,并利用最佳组合波段的高光谱数据建立小麦叶片叶绿素含量预测模型。结果表明:利用OIFC法所提取的小麦叶绿素最佳组合波段是760、1 860、1 970 nm;对比最佳指数法(optimum index factor,OIF)、最大相关系数法(maximum correlation coefficient,MCC)提取波段以及归一化植被指数(normalized difference vegetation index,NDVI)、土壤调和植被指数(soil-adjusted vegetation index,SAVI)所建立的叶片叶绿素含量高光谱模型,基于OIFC法构建的模型预测值与实测值具有显著的线性关系,决定系数达0.827,且均方根误差最小(RMSE=5.44)。可见,基于OIFC法构建的小麦叶绿素含量模型具有更高的精度,该结果验证了利用OIFC法提取高光谱特征波段的可行性,并且能够获得更高建模精度的特征波段。     

用于监测柑橘叶片冻害的叶绿素含量光谱反射模型研究

果树叶片的叶绿素含量（SPAD）是植株营养状况的表现,也决定其光合作用能力的强弱,并且越冬前的树体营养状态,对果树抵御极端低温和顺利越冬是一个重要的影响因素,而果树受冻时叶绿素渗出和降解也是冻害发生程度的指标。通过对不同生长期的柑橘叶片进行光谱扫描,采用逐步回归法、红边参数法和光谱指数法分析叶片光谱反射率和叶绿素含量之间的关系,构建了柑橘叶片叶绿素光谱反射模型。结果表明,柑橘叶片叶绿素含量与反射光谱之间有较强的相关性,且两种方法所得模型预测值与实测值的相对误差都小于10%,说明模型具有良好的预测结果。两种方法中,选择波段的逐步回归法比光谱指数法的精度更高,但从建模参数的物理意义和逻辑性方面考虑,推荐光谱指数法建模,该模型可为远距离遥感监测果园营养状况和冻害情况提供参考。     

激光诱导荧光水体叶绿素a浓度监测仪器研制

叶绿素a浓度是反映水质的重要参数之一，常作为水产养殖、渔场预测、环境保护等领域的重要评价指标。针对现有叶绿素a监测仪器实时性差、自动化程度低、环境干扰严重等问题，该研究以实时监测叶绿素a浓度为主要目标，提出了环境光校正算法和数据处理算法，设计了一种基于激光诱导荧光技术的水体叶绿素a浓度监测装置。该装置可向水体发射波长440 nm的激光，诱导激发叶绿素a产生中心波长680 nm的荧光，利用可见光传感器获取叶绿素a受激产生的680 nm荧光强度，即可实现对叶绿素a浓度的监测。以绿藻门小球藻和蓝藻门铜绿微囊藻为对象，利用680 nm荧光值和叶绿素a浓度的线性关系建立拟合模型，模型决定系数R²为0.99；基于统计分析法设计的数据处理可有效剔除误差数据，提高测量结果的稳定性；利用环境光校正算法可有效降低环境光对测量结果的干扰。在仪器稳定性试验中，通过测量激光模块的供电电流和光谱模块的440 nm通道光强值，4 min后两者的标准差系数均为0.001，皮尔逊相关系数为0.84，表明可通过控制电流强度控制激光输出。在性能验证试验中，2组不同光照强度和6组不同藻种的待测水样的平均测量误差在5.48%以内。研究结果可为水质监测领域提供设备支持。     

西安市曲江南湖富营养化遥感监测与评价

目前中国城区景观水体氮、磷营养盐含量高,藻类泛滥,水生生态系统较为单一,大多呈现富营养化状态。以西安市辖区内的曲江南湖景观水体为研究区,将地面实测资料和Landsat5 TM各波段的卫星遥感数据反演结果进行对比,通过相关分析,建立了4个水质参数浓度与TM波段比TM4/TM3之间的线性关系模型,并采用综合营养状态指数法对城市景观水体富营养化进行了综合评价。结果表明：利用叶绿素a遥感估测模型对景观水体富营养化状况进行监测,能够获取较为准确的监测结果;综合营养状态指数法可以对曲江南湖景观水体富营养化程度进行正确评价,评价结果显示曲江南湖呈现轻度到中度富营养化状态,需要采取有力的保护措施防止水质进一步恶化。     

基于无人机高光谱影像的马铃薯叶绿素含量估测

  【目的】  叶绿素含量高低反映植被的健康状况与光合能力。研究准确、有效地将冠层影像反演为叶绿素含量的技术参数,以便经济快速、实时地监测作物生长状况。  【方法】  田间试验于2018—2020年在内蒙古阴山北麓马铃薯主产区进行,设置氮肥梯度处理,在马铃薯块茎膨大期和淀粉积累期,测定试验地马铃薯植株SPAD值,通过线性关系将其转化成叶绿素含量。利用无人机为平台搭载S185成像光谱仪获取马铃薯试验区高光谱影像,并从中提取马铃薯冠层光谱反射率。将3年田间试验所获取的125个样本点数据按80%、20%的比例随机划分为训练集与验证集。用训练集数据建立了8个比率、归一化光谱指数,通过波段优化算法建立优化光谱指数和马铃薯关键生育期叶绿素含量的相关性与估测模型,并用验证集数据检验所建立模型的精度,最后利用所构建的估测模型制作马铃薯叶绿素含量分布图。  【结果】  根据训练集数据,马铃薯植株叶绿素含量分布范围在10.58～23.14 mg/g,平均叶绿素含量为19.80 mg/g,变异系数为14.9%;根据验证集数据,马铃薯植株叶绿素含量分布范围在12.80～23.73 mg/g,平均为19.59 mg/g,变异系数为17.0%。基于绿光波段建立的叶绿素光谱指数(CI_green)和归一化光谱指数550 (ND550)均与马铃薯叶绿素含量具有较好相关性(R2分别为0.48、0.61),但作物种类及生育时期的影响降低了估测的准确性。通过优化波段586、462 nm和586、498 nm计算的优化比率光谱指数(RSI)和优化归一化光谱指数(NDSI)能够明显提高模型准确性,具备良好的线性拟合效果,决定系数R2分别由0.48和0.61提高到0.82和0.83。经验证后,估测模型预测值与实测值接近1∶1线,决定系数R2分别为0.77和0.79,均方根误差RMSE较低。通过反演马铃薯叶绿素含量分布图可知,优化光谱指数(NDSI)模型反演效果较好,叶绿素含量分布范围为18～21 mg/g,与实测值相符合。  【结论】  本研究优化光谱指数RSI和NDSI最佳敏感波段分别为586、462和586、498 nm,此波段范围内RSI和NDSI与马铃薯关键生育期叶绿素含量相关性最优,通过波段优化算法重新构建的优化光谱指数预测模型可靠性及精度显著高于已有光谱指数,决定系数分别为0.82和0.83,且验证效果较好。应用两种光谱指数对研究区高光谱影像进行叶绿素反演估测,生成的田间马铃薯叶绿素含量分布图显示优化光谱指数NDSI估测效果最好,为光谱指数估测马铃薯关键生育期叶绿素含量提供了理论支持。     

基于高光谱图像的黄瓜叶片叶绿素含量分布检测

植物叶片叶绿素含量及分布是植物营养信息表达的重要指标。为了给大棚黄瓜营养元素的控制提供理论依据,该研究利用高光谱图像建立简单实用的光谱值和叶绿素含量关系的模型,从而实时、无损地检测叶片的叶绿素分布。选取黄瓜叶片的高光谱图像数据块中450~850 nm波段作为研究波段。选取8个具有代表性的植被指数,建立特征波长λ下相应的光谱反射值Rλ与黄瓜叶片叶绿素含量之间的关系模型。结果显示,基于最优指数(R695–705)-1-(R750–800)-1的模型可以很好地预测黄瓜叶片叶绿素的含量,校正集和预测集相关系数r分别为0.8410和0.8286,最小均方根误差RMSE分别为0.2045和0.2190 mg/g。最后根据最优模型预测叶片上任意位置叶绿素的含量,并通过伪彩手段描述叶绿素含量的分布。研究结果表明,利用高光谱图像技术分析黄瓜叶片叶绿素含量及其在叶面上的分布是可行的。另外,该研究确定的最优植被指数所包含的695~705和750~800 nm 2个波段可用于搭建更加简便实用的快速检测叶片叶绿素的便携式多光谱设备。     

利用无人机多光谱估算小麦叶面积指数和叶绿素含量

利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向,为了探究无人机多光谱反演小麦叶面积指数(Leaf Area Index,LAI)和叶绿素含量的模型估算潜力,该研究在3个飞行高度(30、60、120 m)采集多光谱影像,通过使用全波段差值光谱指数(Difference Spectral Index,DSI)、比值光谱指数(Ratio Spectral Index,RSI)、归一化光谱指数(Normalized Spectral Index,NDSI)和经验植被指数与地面实测数据进行相关性分析,获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数,以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络模型,分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD(Soil and Plant Analyzer Development)值的精度。结果表明:1)30 m高度下,绿-红比值光谱指数与小麦LAI的相关性最高,相关系数为0.84;60 m高度下,红-蓝比值光谱指数与小麦叶绿素含量的相关性最高,相关系数为0.68;2)在60 m高度下,经验植被指数与小麦LAI和叶绿素含量的相关性较好,最大相关系数分别为0.77和0.50;3)利用偏最小二乘回归反演小麦LAI的精度最高,决定系数为0.732,均方根误差为0.055;利用人工神经网络模型反演小麦叶绿素含量的精度最高,决定系数为0.804,均方根误差0.135。该研究成果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。     

关中地区夏玉米抽穗期叶绿素含量的高光谱估算

[目的]利用高光谱数据进行叶绿素估算,为快速获取作物的生长信息、生长诊断及精确管理提供依据。[方法]基于陕西省关中地区抽穗期夏玉米冠层光谱特征及叶绿素含量的测定,运用线性及非线性分析方法建立了基于原始光谱敏感波段和一阶微分光谱敏感波段叶绿素估算模型。[结果]夏玉米抽穗期反射光谱在可见光及中远红外区域,叶绿素含量越高,光谱曲线越向下偏移;在红边区域,叶绿素含量对光谱曲线影响不显著;在近红外波段,叶绿素含量越高,光谱曲线越向上偏移。基于一阶微分光谱敏感波段的夏玉米叶绿素含量估算模型拟合精度要优于基于原始光谱敏感波段估算模型,决定系数R2分别为0.81和0.60,均方根误差(RMSE)分别为2.39,4.41。[结论]基于一阶微分光谱敏感波段建模分析是估测抽穗期夏玉米冠层叶绿素含量的重要方法,对指导西北地区夏玉米种植与生产具有积极的借鉴意义。     

Estimating the Nitrogen Concentration of Strawberry Plants from Its Spectral Response

Abstract

Estimating the nitrogen (N) status of plants as a function of their spectral response is a promising technique to diagnose and optimize N fertilization. An experiment was conducted in Jiquilpan (Michoacán, México) in which three N levels (0.3, 3, and 20 mM of NO₃ ^? in the irrigation water) were applied to strawberry (Fragaria vesca) in a randomized complete block design with three replicates. The spectral response of strawberry was measured at both the canopy and leaf level using individual wavebands as well as vegetation indices. Individual leaves were separated into three strata (young, mature, and old) and leaf dry matter, leaf area, and N content (% dry matter) were measured in each stratum. Leaf area, biomass, and N content differed significantly between strata. Leaf area, biomass, and N content in all strata were affected by N fertilization. At the canopy level, N content was highly correlated with green reflectance (R550) (r²=0.50) and red reflectance (R680) (r²=0.60) as well as the vegetation indices simple ratio (SR) (r²=0.56), normalized difference vegetation index (NDVI) (r²=0.56), and hyperspectral NDVI (HNDVI) (r²=0.56). For individual leaves, significant differences between strata were found with normalized total pigment to chlorophyll a ratio index (NPCI) and MERIS terrestrial chlorophyll index (MTCI) (p<0.001) as well as R550, photochemical reflectance index (PRI), red edge position (REP), and REP calculated using the MERIS satelite wavelengths (p<0.01). Relationships between spectral indices and N content at the leaf level were found with the youngest leaves only, with NPCI (p<0.01) and MTCI (p<0.05), whereas only R550 responded to N fertilization (p<0.05).     

基于特征转移植被指数的水稻叶片氮素含量定量估算

水稻叶片氮素含量遥感检测是实现水稻精准施肥的前提条件.为了探究利用光谱技术快速、便捷的实现水稻叶片氮素的精准检测,该研究在水稻关键生育期,利用水稻叶片400～1000 nm高光谱反射率信息,利用连续投影法提取敏感波段,在此基础上,提出了一种波段特征转移的植被指数构建思路,构建了由3个波段构成的氮素特征转移指数(Nitr...     

基于高光谱影像分解的土壤含水量反演技术

植被和土壤常同时存在于影像像元中,土壤含水量监测不可避免地会受植被光谱影响。因此,剔除植被光谱干扰显得尤为重要。采用基于光谱匹配的分解算法对Hyperion高光谱数据进行分解,剔除植被光谱的干扰,同时对土壤贡献的光谱信息进行一阶微分和包络线去除变换,选取敏感波段,建立土壤含水量反演模型。结果表明：以波段X661,× 1019和X2067的土壤包络线去除光谱为自变量建立的模型最佳,预测R2值为0.85;未剔除植被光谱时,以波段X541,X979和X1632的一阶微分光谱为自变量建立的模型最佳,预测R2值仅为0.36。通过高光谱影像分解剔除植被光谱干扰估测土壤含水量的方法是可行的,可为今后遥感估测土壤含水量的研究提供参考。     

基于高光谱的叶片滞尘量估测模型

为探索建立叶片滞尘量高光谱估测模型,利用光谱仪和电子分析天平采集了北京市区杨树叶片高光谱数据和滞尘量数据,研究了叶片光谱特征与滞尘量间的关系,并建立了基于光谱参数的叶片滞尘量估测模型。研究结果表明:近红外波段(730~1 000 nm)光谱反射率与叶片滞尘量呈现明显的线性相关性,各波段相关系数均高于0.7,绿光区波段反射率对叶片滞尘的影响不敏感;三边参数中仅红边幅值、红边面积与叶片滞尘量达到显著相关;基于多元线性回归、主成分回归、偏最小二乘回归建立的模型均具有较强的预测能力,其中以偏最小二乘回归为模型构建方法,以749、644、514 nm波段的光谱反射率值,红边幅值,红边面积,924、1 010 nm波段组成的归一化指数,713、725 nm波段组成的差值指数,749、644 nm波段组成的归一化植被指数为自变量建立的模型估测精度最好,其建模和预测的决定系数分别达到0.734和0.731,预测均方根误差为0.311。该研究为促进高光谱技术在大气降尘监测中的应用提供参考。     

春玉米磷素营养的光谱响应及诊断

通过盆栽试验监测不同磷营养水平春玉米典型生育期叶片光谱变化,并对叶片光谱反射率与叶片磷含量做了相关分析。结果表明,春玉米大喇叭口期是磷素营养的光谱响应敏感期,3507～30.nm和14201～800.nm是磷素营养的光谱敏感波段。该生育期构建的单波段高光谱变量、窄波段光谱变量和宽波段光谱变量与叶片磷含量都存在显著或极显著的回归关系;窄波段光谱变量比值指数R6725/6256和R61745/15856与叶片磷含量的回归关系达到了极显著水平,R625/555达到显著水平。可见光波段光谱变量与磷含量的回归关系优于近红外波段光谱变量与磷含量的回归关系,表明可见光波段叶片光谱反射率可能更适合春玉米磷营养状况的评价。不同波段宽度的光谱变量分析表明,在敏感波段范围内,801～00.nm波段平均的叶片宽波段光谱反射率没有降低对叶片磷含量的估算精度。     

地理加权回归模型结合高光谱反演盐生植物叶片盐离子含量

快速、无损地估算盐生植物叶片盐离子含量在植物生长监测、耐盐植物筛选和土壤盐渍化监测等方面有实用价值。该研究以新疆艾比湖保护区内盐生植物为研究对象,通过分析植物叶片盐离子(K~+、Na~+、Ca~(2+)、Mg~(2+))含量与冠层高光谱数据的光谱变换和二维植被指数(比值型植被指数(ratiovegetationindex,RVI)、差值型植被指数(difference vegetation index,DVI)、归一化型植被指数(normalized difference vegetation index,NDVI))的相关性选取特征波段,构建基于地理加权回归模型(geographically weighted regression,GWR)的叶片盐离子含量估算模型,并与BP神经网络模型(back propagation neural network)进行对比,研究基于GWR模型估算干旱区盐生植物叶片盐离子的可行性。结果表明,选取特征波段集中表现在红及短波红外波段:K~+含量在反射率倒数的对数选取的红光区域内波段使用GWR估算效果最佳;Na~+的特征波段在光谱变换下集中于短波红外区域,二维植被指数集中在近红外、短波近红外及黄、橙、红区域,各种波段选取下GWR对Na~+的含量估算均有较好效果,但反射率对数的一阶估算效果最好;Ca~(2+)含量在反射率平方根的一阶微分下选取的短波红外波段通过GWR模型估算效果最好;Mg~(2+)含量在DVI选取的位于红光区域特征波段估算效果最佳,但使用GWR模型对Mg~(2+)的估算精度不及BP模型。分析基于GWR盐离子模型估算模型发现,含量较高的离子估算效果更好,K~+、Na~+的模型精度优于Ca~(2+)、Mg~(2+)。在使用GWR模型估算植物叶片盐离子含量时,特征波段均指向红及短波红外波段,符合植被光谱机理的响应。     

利用高光谱估测干旱胁迫下接菌根菌大豆叶绿素含量

该研究旨在利用高光谱遥感动态监测干旱胁迫下接种菌根植物生长状况,为菌根技术在旱区农业中的推广提供一定的理论基础。以盆栽大豆为对象,在不同接种丛枝菌根时期采用高光谱遥感技术监测不同干旱胁迫下接菌和不接菌处理大豆叶片的叶绿素含量变化,对比分析了3个水分梯度下及同一水分梯度下接菌和不接菌处理的大豆地上部分干质量、叶绿素含量和叶片光谱在可见光和近红外区域的响应特征差异,建立了大豆叶绿素含量与多个光谱变量的估测模型。研究结果表明:接菌第45天和第64天,同一水分梯度下接菌大豆地上部分干质量优于不接菌处理,且其叶绿素含量也高于不接菌,这些差异在叶片光谱曲线特征中同样得以反映,接种菌根在一定程度上可以缓解干旱胁迫对植物生长的影响;基于多元线性逐步回归方法建立的一阶微分模型能较准确地估测干旱胁迫下接菌大豆的叶绿素含量,其模型决定系数和预测检验决定系数分别为0.90和0.84,具有较高的精度和良好的预测能力。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

土壤全氮的无人机高光谱响应特征及估测模型构建

为更好地体现出光谱与土壤全氮（soil totalnitrogen,STN）含量之间的响应关系,实现以高光谱快速估测土壤全氮含量,该研究以无人机搭载高光谱传感器获取农田土壤高光谱影像,提取光谱反射率并进行数学变换,基于灰色关联度和皮尔逊相关系数提取各光谱中土壤全氮含量的敏感波段,基于敏感波段采用偏最小二乘回归（partialleastsquares regression,PLSR）、岭回归（ridge regression,RR）和随机森林（random forest,RF）构建土壤全氮的高光谱反演模型,筛选出最优模型并对研究区土壤全氮含量进行反演制图。结果表明：1）反射率的倒数光谱中的敏感波段（996～1 003 nm）集中在近红外长波范围内,反射率的一阶微分（first derivative of reflectance,FDR）光谱中的敏感波段（398～459、469和472～1 003 nm）和反射率对数的一阶微分光谱中的敏感波段（398～459、463～973和978～1 003 nm）在可见光和近红外范围内都有分布,反射率的一阶微分光谱中的敏感波段（615～625、632和...