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...     

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EMD-SD光谱的玉米叶片叶绿素含量GA-BP模型反演

叶绿素是作物进行光合作用所需的主要色素,BP神经网络（BPNN）是较为新颖的反演叶绿素含量的方法。为研究反演精度更高的叶绿素含量反演模型,将经验模态分解（EMD）与光谱微分（SD）结合来提高输入因子与叶绿素含量的相关性,并使用遗传算法（GA）优化BPNN得到GA BP模型以获得最优初始权值阈值。将光谱数据EMD后进行一阶微分变换得到EMD SD光谱,选择与叶绿素含量相关系数超过06的5个波段处的EMD SD值作为GA BP模型的输入因子,隐含层节点数为7,多次训练取最优个体适应度值最低的GA BP模型来反演玉米叶片叶绿素含量。GA BP模型反演得到的预测值与实测值之间的判定系数（R2）最高,达到0818,均方根误差（RMSE）仅为2442,平均相对误差（e）为5436%。研究表明,EMD SD光谱作为GA BP模型的输入因子,与线性模型MLR和未优化的BP模型相比反演精度最高,验证了基于EMD SD光谱的GA BP模型提高玉米叶片叶绿素含量反演精度的可行性。     

玉米叶绿素含量高光谱反演的线性模型研究

叶绿素含量是衡量植被生长状况的一个重要指标,高光谱数据具有较高的光谱分辨率,利用其光谱信息建立叶绿素含量的关系模型,已成为监测植被长势的一种有效手段。传统叶绿素含量线性回归模型的输入因子是植被特征提取参数,由于高光谱数据波段间的冗余度较高,导致一般的线性模型的反演精度较低。主成分分析可以减少数据的维数,简化网络结构,得出能反映原始信息的综合变量。本文以盆栽玉米为研究对象,利用植被特征和主成分分析方法提取光谱反演参数,根据所提取的参数建立玉米叶片叶绿素含量的一元线性和多元线性回归模型。结果表明,利用绿峰峰值和近红外反射率均值两参数可在一元线性模型中较好地反演玉米叶片叶绿素含量;而利用分波段提取的主成分能够在多元线性回归模型中更好地反演叶绿素含量,反演精度较高。     

基于RF-VR的紫丁香叶片叶绿素含量高光谱反演

利用高光谱技术精确估测植物叶片叶绿素含量,对植物生长趋势和营养状况的监测和管理具有重要意义。本文以紫丁香为研究对象,针对高光谱所含波段数量大、波段间相关性强导致数据中冗余信息增多的现象,通过卷积平滑和二阶微分(SG-SD)处理光谱数据,应用随机蛙跳(RF)算法筛选特征波段,最后结合偏最小二乘(PLSR)和投票回归器(VR)建立了植物叶片叶绿素含量反演模型,并与全波段光谱法和5种经典变量提取方法进行了比较。结果显示,相比于原始光谱数据,SG-SD是一种有效的提高建模精度的光谱预处理方法;相比于全波段光谱和经典变量提取方法,RF算法筛选出的敏感波段建模效果最佳;相比于PLSR模型,VR模型的预测精度和预测稳定性能更优。本文对原始光谱数据进行SG-SD预处理后,对经RF算法筛选出的特征波段建立VR模型,变量数由全波段数204个减少为35个,建模集决定系数0.944 2,验证集决定系数0.951 4,最后利用RF-VR模型结合伪彩图技术得到紫丁香叶片叶绿素分布反演图,为紫丁香叶片养分分布提供更直观的信息表达。结果表明,该方法可为紫丁香叶片营养含量诊断和长势监测提供技术支持。     

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。     

基于机器学习的粳稻叶片叶绿素含量高光谱反演建模

叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R²=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。     

基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型

【目的】探讨龙眼Dimocarpus longan Lour.叶片发育过程中叶绿素含量二维分布变化规律,实现无损检测病虫害对叶片叶绿素含量分布的影响,为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。【方法】利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像,自动提取感兴趣区域,利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性,建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性,将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量,结合"图谱信息"的SAE模型预测龙眼叶片叶绿素含量的分布情况。【结果】龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰,嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698和705 nm;全发育期的最敏感波段相关性远高于3个生长发育期,r达到0.890 3。回归模型中,吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R_c~2=0.856 8,RMSEc=0.219 5;R_v~2=0.771 2,RMSEv=0.286 2),其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中,结合"图谱信息"的SAE模型预测效果最好(R_c~2=0.979 6,RMSEc=0.171 2;R_v~2=0.911 2,RMSEv=0.211 5),且预测性能受叶片成熟度影响相对较小,3个生长阶段R_v~2的标准偏差仅为最小二乘回归模型标准偏差的29.9%。【结论】提出了一种自动提取感兴趣区域的方法,成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大,而基于"图谱信息"融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高,SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。     

基于高光谱的石楠叶片叶绿素含量估算模型

准确估算叶绿素含量对于植物生长监测、产量预测、生境的适宜性评价具有重要作用。为寻求叶片叶绿素含量的高精度估算模型,以石楠为对象,实测叶片叶绿素含量和反射光谱反射率,对原始光谱进行变换并计算植被指数,通过相关性分析挑选特征波段,运用多元逐步线性回归和偏最小二乘回归建立叶绿素预测模型。结果表明:1）FDR的逐步线性回归模型和偏最小二乘模型优于R、1/R、LR、SDR;2）DNDVI(R₆₄₅,R_{1 370})的指数函数模型为估算叶绿素含量的最佳单变量模型;3）DRI(R₇₄₇,R_{1 464})与RI(R₇₃₃,R₉₄₄)的逐步线性回归模型精度最高,验证结果的决定系数R²为0.955,均方根误差RMSE为3.145。因此,该模型可以实现叶片叶绿素含量的准确估算,从而为实现高光谱技术监测植被叶绿素含量变化提供依据。     

107杨叶片叶绿素含量高光谱反演的研究

利用Field-Spec Pro测定107杨叶片光谱特征参数,研究不同叶绿素含量的107杨叶片的光谱特性、叶绿素含量与11种植被指数之间的关系以及107杨叶片叶绿素含量的光谱反演模式。结果表明:1)光谱反射率呈现典型的植物光谱特征,蓝紫谷位于350~500nm之间,其中多集中在350nm处;绿峰位于500~600nm之间,其中大部分集中在552nm处;红谷位于600~700nm之间,多集中在672nm处。700nm后进入近红外高反射平台,以762nm居多;2)107杨叶片叶绿素含量与11种植被指数之间均具有很强的相关性,其中mND705植被指数与叶片叶绿素含量相关性最强,R2为0.69;3)基于植被指数建立叶绿素反演模型,结果显示mND705植被指数的高光谱反演模型y=0.09x1.621 7反演精度较高,拟合R2和预测R2均达到最大,分别为0.812 4、0.703 5;均方根误差最小,为0.007 0,说明可以利用测量107杨叶片光谱的方法来监测叶片叶绿素含量。     

基于光谱特征参数与主成分分析的玉米叶片叶绿素含量BP反演

利用美国SVC HR-1024I型地物光谱仪对盆栽玉米叶片进行光谱测定,同时用SPAD-502叶绿素仪测定叶片的叶绿素含量。基于实测光谱的微分处理结果,获取光谱位置、光谱面积、植被指数3个方面的11个光谱特征参数(spectral characteristic parameters,SCP),分析这11个SCPs与叶绿素含量的相关性,并对这些参数进行主成分分析(principal component analysis,PCA);然后,利用这11个SCPs及其PCA结果建立误差反向传播(error back propagation,BP)神经网络输入因子,并构建了玉米叶片叶绿素含量BP反演模型(简称SCP-PCA-BP模型)。另外,选取与叶绿素含量相关性较高的8个SCP,建立常规的线性回归模型并预测叶绿素含量。反演结果表明:SCP-PCA-BP反演的预测值与实测值之间的决定系数(r2)达到0.968 7,均方根误差(RMSE)为0.893 9;而用线性回归模型反演时,只有基于SCP中微分光谱蓝边面积、面积比值、归一化面积参数的预测效果较好,其中归一化面积的预测效果最好,预测值与实测值之间r2为0.704 0,RMSE为2.895。因此可知,与常规的线性回归模型相比,SCP-PCA-BP反演模型在预测玉米叶片叶绿素方面具有更好的预测效果。     

基于高光谱优化NDVI值反演玉米叶片氮含量

为研究基于高光谱优化NDVI值在反演喇叭口期玉米叶片氮含量的可行性,使用Fiedspec3.0光谱仪和Greenseeker分别对不同施氮量下玉米叶片的光谱反射率和NDVI进行了测定,并对NDVI值进行了提取和优化,建立玉米叶片氮含量优化NDVI反演模型,对其反演精度进行验证。结果显示:优化NDVI值与NDVI测定值、玉米叶片氮含量均呈显著正相关(r=0.913 2,0.949 8),优化NDVI值对玉米叶片氮含量反演精度达到显著水平(r=0.908 1),反演精度高于NDVI测定值。优化NDVI值能通过群体的速测来决策玉米叶片的氮含量,为玉米进行氮营养诊断提供新的技术支持,具有重要的现实意义。     

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。     

猕猴桃叶片叶绿素含量高光谱估算模型研究

【目的】研究猕猴桃叶片叶绿素含量的高光谱估算方法,为猕猴桃长势的遥感监测提供理论依据。【方法】以陕西杨凌蒋家寨村2018年不同生育期(初花期、幼果期、膨果期、壮果期、果实成熟期)的猕猴桃叶片为研究对象,分别测定其高光谱反射率和叶绿素含量(SPAD值),分析原始光谱和5个常见的植被指数(归一化植被指数、归一化叶绿素指数、改进的叶绿素吸收反射率指数、MERIS地面叶绿素指数、土壤调整指数)与叶绿素含量之间的相关关系,提取各生育期的特征波段,分别建立基于特征波段和植被指数的单波段叶绿素含量一元线性估算模型。利用主成分分析对原始光谱数据进行降维,将得到的主成分得分作为随机森林模型的输入变量,建立基于多波段信息的叶绿素含量多元估算模型,并对模型进行精度验证和分析。【结果】不同生育期猕猴桃叶片光谱反射率变化趋势基本一致,整体趋势为可见光波段反射率低,近红外波段反射率高;在可见光波段,光谱反射率随着叶绿素含量的升高而降低;在近红外波段,光谱反射率则随着叶绿素含量的增加而升高。通过相关性分析可知,初花期、幼果期、膨果期、壮果期、果实成熟期原始光谱的特征波段分别为729,548,707,707和712 nm,估算模型决定系数(R~2)分别为0.18,0.85,0.54,0.85和0.82,其中初花期估算模型未通过显著性检验,其余生育期均通过极显著性检验。在5个常用植被指数中,初花期与叶绿素含量相关性最高的是归一化叶绿素指数(NPCI),但是估算模型决定系数R~2只有0.1,未通过显著性检验;其他生育期与叶绿素含量相关性最高的是MERIS地面叶绿素指数(MTCI),所建立的估算模型拟合效果好,预测精度高。基于主成分分析和随机森林回归建立的不同生育期猕猴桃叶片叶绿素含量估算模型的R~2在0.91～0.98,均通过极显著性检验,其拟合效果和预测精度远高于单波段一元线性回归和基于植被指数的一元线性回归模型,是估算猕猴桃叶片叶绿素含量的最优模型。【结论】基于主成分分析的随机森林模型包含了更完整的波段信息,对不同生育期猕猴桃叶片叶绿素含量具有较好的预测能力。     

基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。     

基于高光谱的玉米叶片氮含量监测模型

通过实测获取不同氮素营养水平下玉米冠层叶片光谱特性数据,利用可见光-近红外区域标准反射曲线的斜率和夹角等新型特征参数,结合预测学中最优权重组合原理,构建玉米叶片氮含量(LNC)监测模型。结果表明:光谱曲线夹角参数和斜率参数均与LNC存在较好的相关性,其中夹角参数Aγ和Aδ以及斜率参数Kr、Kb和Kn1的相关系数均在0.7左右;在单项监测模型中M(Kr/Kb)和M(Kb)以及M(Aδ/Aβ)和M(Aδ/Aα)的模型效果最好;最优模型由M(Kn1)和M(Kr/Kb)2个单项模型组合而成,其权重分别为0.245 5和0.754 5,最优模型的监测结果的决定系数(R2)为0.752 7,均方根误差(RMSE)为0.534,监测精度较单项模型明显提高。     

基于高光谱的苹果叶片叶绿素含量估算

以2012、2013年山东省肥城市潮泉镇下寨村的苹果叶片为研究对象,分析叶片叶绿素含量与原始光谱反射率、连续统去除光谱之间的相关性,探索苹果叶片叶绿素含量的估算模型。结果显示:苹果叶片叶绿素含量与原始光谱相关性最好的波段在553、711和1 301 nm处,其中,以711 nm处的光谱所建立的模型最佳(R2=0.88);与连续统去除光谱相关性最好的波段在553、738和801 nm处,其中,以738 nm处的光谱所建立的模型最佳(R2=0.94)。根据相关性所选的敏感波段,利用随机森林(random forest,RF)建立基于以上6个波段的叶绿素含量预测模型(R2=0.94)。对所建立的711 nm、738 nm、RF算法估算模型进行检验,结果表明,利用RF建立的苹果叶片叶绿素含量模型最佳(R2=0.54)。     

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。     

基于成像高光谱的小麦叶片叶绿素含量估测模型研究

为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用。采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型。经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2 094.242R'7153+112 646.744R'7152-1.561E7R'715+42.991。这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高。