Gram-Schmidt算法与GRNN融合的加工番茄早疫病高光谱预测

加工番茄早疫病的准确预测,有助于及时采取防治措施,降低产量损失.测定加工番茄早疫病冠层光谱,对380～760 nm进行连续统去除变换,提取波段深度、波段位置、波段宽度、斜率、面积等特征参数,并对原始光谱提取红谷、绿峰、红边及相应波段位置等特征参数.利用Gram-Schmidt算法对特征参数进行成分提取,作为广义回归神经网络(GRNN)的输入变量,对加工番茄早疫病病情严重度进行预测.研究结果表明,与多元线性回归和偏最小二乘法预测模型比较,Gram-Schmidt算法与GRNN融合模型的预测精度相对较高,R2为0.843,RMSE为0.136,该方法能够对加工番茄早疫病病情严重度进行快速、准确的预测.     

结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度

【目的】 冠层高光谱全波段信息可以在小麦拔节期快速无损地估算叶片的氮含量。本研究结合连续投影算法 (SPA) 和偏最小二乘 (PLS) 技术,筛选了冬小麦拔节期冠层光谱对叶片氮含量的敏感特征波段,以期为冬小麦关键生育期氮素含量的遥感估算提供理论依据和技术支持。 【方法】 以陕西关中地区2015—2016年冬小麦小区试验为基础,基于连续投影算法 (SPA) 提取冬小麦叶片全氮含量的冠层光谱敏感波段,并结合偏最小二乘 (PLS) 回归法建立基于敏感特征波段的冬小麦拔节期叶片氮含量估算模型。 【结果】 SPA算法从冬小麦338～2510 nm的冠层光谱中优选出了1985 nm、2474 nm、1751 nm、1916 nm、2507 nm、1955 nm、2465 nm和344 nm共计8个叶片全氮含量的敏感特征波段,波段数目下降了98.9%,有效降低了光谱信息的冗余;基于敏感特征波段构建的叶片氮含量偏最小二乘回归模型的决定系数和均方根误差分别为0.82和0.28,模型验证方程的决定系数和均方根误差分别为0.84和0.21,模型的相对预测偏差大于2,具有较高的精度和良好的预测能力。 【结论】 与常用植被指数的叶片氮含量估算模型相比,连续投影算法 (SPA) 结合偏最小二乘 (PLS) 方法的叶片氮含量估算精度更高,稳定性更强,可以作为冬小麦拔节期叶片氮含量的高光谱估算方法。      

番茄叶片叶绿素含量光谱估算模型

以番茄品种“金粉2号”为试验材料,在玻璃温室内设置3种土壤水分胁迫水平,以正常灌溉为对照,于2013年3—7月和8—12月两个生长季对番茄进行全生育期持续处理。采用便携式地物光谱仪测定各生育期番茄冠层的光谱反射率,同步测定叶片总叶绿素和叶绿素a含量,并基于3—7月数据计算常见高光谱植被指数,分别建立番茄叶片叶绿素总量和叶绿素a估算模型,用8一12月生长季的试验数据对模拟精度进行检验。结果表明：（1）水分胁迫对番茄叶片总叶绿素、叶绿素a含量和番茄冠层光谱反射率产生明显影响,水分胁迫越严重,叶绿素总量和叶绿素a含量均越低,番茄冠层光谱反射率也越低;（2）随着生育期的推进,番茄总叶绿素和叶绿素a含量均持续增加,而冠层光谱反射率在红光和蓝光波段的反射率逐渐减少;（3）4种估算模型中R670模型的决定系数（R。）最高,效果最佳（P〈0．01）,番茄叶片总叶绿素和叶绿素a最佳估算模型分别为：C_chl（a＋b）=44．83R670＋_670＋7.36,C_chl=39．92R_670＋5．12,均根方误差分别为0．45、0．42mg·g^-1,表明利用高光谱数据估算番茄叶片的叶绿素含量可行。     

基于野外高光谱的黄河三角洲滨海盐渍土盐分含量估测研究

为探索适合黄河三角洲滨海地区土壤盐分含量的快速准确估测方法,以黄河三角洲垦利县为研究区,采用野外原位土壤高光谱数据与室内实测土样盐分数据相结合的分析方法,进行土壤盐分估测研究。通过对土壤盐分高光谱反射率、一阶微分反射率与盐分含量进行相关性分析,筛选出土壤盐分敏感波段;通过波段组合构建并筛选出土壤盐分敏感光谱参量;通过对敏感波段进行主成分回归建模、多元逐步线性回归建模和运用光谱参量建模,筛选出最佳的估测模型。结果显示:一阶微分可放大样品间的光谱特征差异,提高了相关性;波段组合可消除部分背景因素影响,与盐分的相关性明显提高;利用敏感光谱参量构建的估测模型优于直接用敏感波段构建的模型,土壤盐分最佳估测模型为y=0.623-2003920.934*X507*X772+0.259*(X512+X1093)-469.717*X772/X512,R2为0.591,验证R2为0.556,RPD为1.624,RMSE为0.116,拟合度较好,稳定性较高。该研究为滨海区土壤盐分含量的野外高光谱估测提供了新的方法,同时为土壤盐分含量的高光谱定量研究提供理论和技术参考。     

基于高光谱的冬油菜叶片磷含量诊断模型

为快捷、无损和精准表征冬油菜磷素营养与冠层光谱间的定量关系,该文以连续3a田间试验为基础,探究叶片磷含量的敏感波段范围及光谱变换方式,明确基于高光谱快速诊断的叶片磷含量有效波段,降低光谱分析维度,提高磷素诊断时效性。以2013-2016年田间试验为基础,测定不同生育期油菜叶片磷含量和冠层光谱反射率。此后,对原初光谱(raw hyperspectral reflectance,R)分别进行倒数之对数(inverse-log reflectance,log(1/R))、连续统去除(continuum removal,CR)和一阶微分(first derivative reflectance,FDR)光谱变换,采用Pearson相关分析确定叶片磷含量的敏感波段区域。在此基础上,利用偏最小二乘回归(partial least square,PLS)构建最优预测模型并筛选有效波段。结果表明,油菜叶片磷含量的敏感波段范围为730~1300 nm的近红外区域;基于敏感波段的FDR-PLS模型预测效果显著优于其他光谱变换方式,建模集和验证集决定系数(coefficient of determination,R2)分别为0.822和0.769,均方根误差(root mean square error,RMSE)分别为0.039%和0.048%,相对分析误差(relative percent deviation,RPD)为2.091。根据各波段变量重要性投影(variable importance in projection,VIP)值大小,确定油菜叶片磷含量有效波段分别为753、826、878、995、1 187和1 272 nm。此后,再次构建基于有效波段的油菜叶片磷含量估算模型,R2和RMSE分别为0.678和0.064%,预测精度较为理想。研究结果为无损和精确评估冬油菜磷素营养提供了新的研究思路。     

利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量

土壤盐渍化是导致全球荒漠化和土壤退化的主要诱因之一。为确定高光谱和多光谱遥感反演干湿季土壤含盐量的最优模型,该研究以宁夏银北平罗县为例,以干季(4月)和湿季(10月)实测高光谱和Landsat 8 OLI多光谱以及干湿两季实测土壤含盐量为基础数据源,利用相关系数法、灰度关联法和逐步回归法筛选敏感光谱数据,分别采用偏最小二乘、支持向量机、岭回归、BP神经网络和地理加权回归建立干湿两季土壤含盐量反演模型。结果表明:1)银北地区土壤盐渍化较为严重,干湿季含盐量均表现为强度变异,且干季变异程度大于湿季;2)在不同土壤含盐量条件下,重采样后的高光谱波段反射率和影像波段反射率具有显著相关性;3)对比相关性分析、灰度关联和逐步回归三组变量筛选方法下各模型R2和RMSE,逐步回归组模型整体效果较好;4)5种土壤含盐量反演模型中地理加权回归模型精度较高,支持向量机算法和BP神经网络算法在基于不同变量组的模型中表现较为接近,岭回归表现最差,偏最小二乘回归模型出现了较严重的"过拟合"现象。局部模型在土壤含盐量反演方面更具优越性。干季以实测灰度关联组-地理加权回归模型效果最佳,其验证决定系数Rp2和相对分析误差RPD分别为0.94和4.49;湿季以影像相关系数组-地理加权回归模型反演效果最好,其验证决定系数Rp2和相对分析误差RPD分别为0.96和4.83。研究结果可为当地及同类地区土壤盐渍化的识别、防治提供理论依据。     

博斯腾湖湖滨绿洲土壤表层含盐量高光谱估算模型

以博斯腾湖湖滨绿洲为研究区,对土壤高光谱反射率R进行数学光谱变换,并计算其差值型、比值型、归一化型3种盐分指数,通过显著性检验优选特征波段,结合土壤表层盐分实验数据,构建基于地理加权回归模型的土壤表层盐分含量估算模型。研究结果表明:1)土壤表层盐分含量平均值为7.535 g·kg^-1,其光谱变换建模选取的特征波段集中在466~482、1669~1728、1979~2371 nm,其中对数倒数的一阶微分(1/lg R)′相关性较好,相关系数绝对值为0.672;2)构建3种盐分指数优选的特征波段集中在1700~1728、1992~2014、2375~2405 nm,建立的模型决定系数均大于0.870,光谱反射率R的决定系数仅为0.621;3)差值型盐分指数优选特征波段建立的地理加权回归模型为最优模型,建模集与检验集的决定系数R2分别为0.934和0.915,RMSE分别为1.186和0.917。     

利用太赫兹光谱技术构建番茄水分胁迫状态检测模型

快速检测番茄水分胁迫状态，对于科学有效地进行番茄的水肥管理，保障和提高番茄的产量和品质具有重要意义。该文利用太赫兹光谱对水分极为敏感的特性，提出了基于太赫兹光谱技术的番茄水分胁迫状态的快速检测方法。试验利用太赫兹光谱系统获取不同水分胁迫番茄叶片的功率谱、吸光度及透射率频谱数据。采用（Savitzky-Golay, SG）算法对数据进行降噪，利用稳定性竞争自适应重加权（Stability Competitive Adaptive Reweighted Sampling, SCARS）算法进行了多维特征频段的提取；在此基础上，建立了叶片含水率功率谱、吸光度及透射率等单一维度下的多元线性回归（Multiple Linear Regression, MLR）模型。结果表明，太赫兹功率谱和吸光度与叶片含水率之间呈负相关；而透射率则随水分胁迫程度的提高逐渐升高，呈正相关。为了进一步提高模型的精度，使用支持向量机（Support Vector Machines, SVM）在融合3种维度太赫兹特征的基础上，建立了番茄含水率的融合预测模型，结果表明，预测集R2达到0.951 4，RMSE为0.366 8，均高于单一维度检测模型，实现了番茄水分的快速检测。     

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...     

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。     

基于介电特性与IRIV-GWO-SVR算法的番茄叶片含水率检测

为了探究利用介电特性检测作物水分状况的可行性,研究了一种基于介电特性的有效、快速、精确检测番茄叶片含水率的方法。以300片不同含水率的番茄叶片为研究对象,通过LCR测量仪测定叶片在0.05~200 k Hz下的相对介电常数ε′和介质损耗因数ε″,并采用干燥法测量叶片含水率。利用迭代保留信息变量法(iteratively retains informative variables,IRIV)对介电参数进行特征变量选取,并与连续投影算法(successive projections algorithm,SPA)进行比较,利用支持向量回归机(support vector regression,SVR)分别建立叶片全变量、2种特征变量与叶片含水率的关系模型。结果表明,基于迭代保留信息变量法选取特征变量的支持向量回归模型(IRIV-SVR)具有良好的预测能力,但预测精度仍需提高,故引入灰狼优化算法(grey wolf optimizer,GWO)优化模型的参数c(惩罚因子)和g(核函数参数)。最终,经GWO优化后的模型(IRIV-GWO-SVR)的预测集决定系数R2与均方根误差RMSE分别为0.963 8,0.020 7。因此,利用介电特性结合IRIV-GWO-SVR算法预测番茄叶片含水率是可行的,同时为其他叶片含水率检测提供了一种新的方法和思路。     

基于特征光谱参数的苹果叶片叶绿素含量估算

果树叶绿素含量的快速、无损、准确监测,可以及时掌握果树的营养水平,对指导果树管理具有重要意义。该文利用2012年和2013年山东省肥城市潮泉镇下寨村的苹果叶片叶绿素含量和叶片光谱数据,分析了叶绿素含量和苹果叶片原始光谱及其变换形式之间的相关性,筛选出较优光谱参数,并利用随机森林法、偏最小二乘法、BP神经网络和支持向量机回归法进行估算和验证。结果表明:1)叶绿素含量与叶片原始光谱及其变换形式之间的最优光谱参数分别为554和708 nm的原始光谱反射率,554和708 nm倒数之对数光谱,535、569、700和749 nm一阶微分光谱以及557和708 nm连续统去除光谱;2)随机森林、偏最小二乘法、BP神经网络和支持向量机估算模型的R2分别为0.94,0.61,0.66和0.60,RMSE分别为0.34,0.78,0.75和0.81 mg/dm2。说明随机森林算法模型用于估算苹果叶片叶绿素含量效果较好,为及时了解果树养分状况及果树营养诊断提供技术支持。     

反射光谱估算滨海土壤黏粒含量

探明反射光谱估算土壤黏粒含量的成因是实现黏粒含量测定、提高估算精度的基础。该文以江苏省滨海平原的150个土壤样品为研究对象,将测得的原始光谱数据进行平滑、一阶导数、连续统去除和倒数等数据变换,采用逐步多元线性回归(stepwise multiple linear regression,SMLR)和偏最小二乘回归(partial least squares regression,PLSR)方法估算黏粒含量,并在此基础上分析建模的影响波段,探讨反射光谱估算土壤黏粒含量的成因。结果表明,连续统去除光谱数据的SMLR分析估算精度最高,建模集和验证集决定系数分别为0.941和0.750。360~900、1 800~2 490 nm是黏粒含量的重要建模影响波段,该建模影响波段主要包括铁离子(410 nm附近)、土壤有机质(500~800 nm)、层状硅酸盐中的结晶水(1 900 nm附近)、绿泥石和蛭石等黏土矿物(2 325 nm)的吸收特征波段;PLSR分析表明,1 400 nm附近回归系数出现的双峰特征源于高岭石的双峰吸收。黏粒中的黏土矿物、黏粒对铁离子的吸附特性以及黏粒与有机质的高度相关性是实现反射光谱估算滨海土壤黏粒含量的原因。     

基于高光谱的砂姜黑土含水量反演研究

在实验室条件下,以地物光谱仪(350~2 500 nm)为工具,利用光谱反射率(R)、反射率的一阶微分(R′)、反射率的对数(log R)、反射率的倒数(1/R)、反射率对数的一阶微分(log R)′和去包络线(Rc)6种处理方法,研究了4种不同土种的砂姜黑土含水量与光谱反射率的定量关系。结果表明:砂姜黑土不同土种间光谱特征存在一定差异,且4种土的光谱反射率都随土壤含水量升高而下降。在可见-近红外波段,以R′提取的敏感波长与含水量的相关系数最高,敏感波长集中分布在712、807、1 142、1 570、1 850、2 221 nm等。基于上述波长反射率所建立的土壤含水量预测模型的决定系数达到了0.89,且其模型检验的均方根误差仅为4.6 g/kg,实现了对砂姜黑土含水量较为准确的预测。本研究为非接触、快速地测定砂姜黑土含水量提供了数据基础。     

味精废液与微生物菌剂联用对基质培番茄的促生效应

通过随机区组设计盆栽试验,研究了不同接种处理以及不同营养液(即稀释30倍并调整pH的味精废液、无机营养液和清水)对番茄根、茎、叶全氮含量,干物重,产量构成因子,功能叶片叶绿素SPAD值,基质pH和电导率的影响。结果表明,基质接种微生物菌剂能显著提高番茄茎、叶全氮含量,并对基质pH和电导率有一定的改善作用;味精废液由于含有丰富的有机、无机营养,在提高番茄营养组织含氮量、结果数、叶绿素SPAD值方面作用显著;特别是味精废液和微生物菌剂联用对提高番茄茎含氮量具有显著的正交互作用。显然,味精废液经稀释降低电导率、调整pH等改性处理后作为基质栽培营养液应用对改善番茄营养特性、提高番茄产量、降低成本、解决其处理难的问题具有很好的效果,可望作为植物营养资源化循环利用的一条有效途径。     

基于光谱特征分析的苹果树叶片营养素预测模型构建

该文旨在利用光谱分析技术建立高精度苹果叶片营养素预测模型,为苹果树的精细管理提供技术支持。在苹果树年度生长周期的坐果期、生理落果期和果实成熟期等重要物候期,采集了180个果树叶片样本并测量了果树叶片在可见光和近红外波段的反射光谱,同时在实验室采用化学方法获取了果树叶片的氮素以及叶绿素含量。对于聚类后样本,分别分析了果树叶片反射光谱以及经小波滤波后的反射光谱与叶绿素以及氮素之间的相关关系,而后利用偏最小二乘和支持向量机（SVM,support vector machine）方法分别建立了果树叶片叶绿素和氮素含量的回归模型。研究发现,随着生长阶段的推进,在可见光处的反射率逐渐升高,在近红外处的反射率逐渐降低,且基于小波滤波反射光谱的营养素SVM回归模型精度最高：建立的叶绿素回归模型,其测定系数R2达到0.9920,均方根误差 RMSE为0.0039,验证精度R2达到0.9036,RMSE为0.1979;建立的氮素回归模型,其测定R2和验证R2也达到0.74以上,模型的回归RMSE为0.0554,验证RMSE为0.1215。结果表明,采用支持向量机回归模型可以精确估计果树叶片叶绿素含量,对氮素含量的估计精度也达到了实用化水平。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

Quantification of chlorophyll content and classification of nontransgenic and transgenic tomato leaves using visible/near-infrared diffuse reflectance spectroscopy

Visible/near-infrared (vis/NIR) spectroscopy combined with multivariate analysis was used to quantify chlorophyll content in tomato leaves and classify tomato leaves with different genes. In this study, transgenic tomato leaves with antisense LeETR1 (n = 106) and their parent nontransgenic ones (n = 102) were measured in vis/NIR diffuse reflectance mode. Quantification of chlorophyll content was achieved by partial least-squares regression with a cross-validation prediction error equal to 2.87. Partial least-squares discriminant analysis was performed to classify leaves. The results show that differences between transgenic and nontransgenic tomato leaves do exist, and excellent classification can be obtained after optimizing spectral pretreatment. The classification accuracy can reach to 100% using the derivative of spectral data in the full and partial wavenumber range. These results demonstrate that vis/NIR spectroscopy together with chemometrics techniques could be used to quantify chlorophyll content and differentiate tomato leaves with different genes, which offers the benefit of avoiding time-consuming, costly, and laborious chemical and sensory analysis.