条锈病胁迫下冬小麦冠层叶片氮素含量的高光谱估测模型

为利用高光谱遥感诊断条锈病胁迫下作物的营养状况,测量感染条锈病的冬小麦冠层反射率以及相应叶片全氮(LTN)含量,利用线性和非线性回归方法,建立了微分光谱与小麦LTN含量之间的回归模型.研究表明随病情加重,小麦LTN含量逐渐降低,并与一阶微分光谱在430～518、534～608、660～762 nm以及783～893 nm区域具有极显著相关性.经检验,以红边内一阶微分总和与蓝边内一阶微分总和比值(SDr/SDb)为变量的模型是估测LTN含量的最佳模型,其RMSE为0.3567,相对误差为8.33%.因此,利用高光谱遥感估测条锈病胁迫下作物LTN含量是可行的,且具有较高的反演精度.研究成果可为小麦氮素营养监测、精准施肥以及条锈病情诊断等提供理论依据和指导.     

基于分数阶微分光谱指数的小麦条锈病遥感监测模型构建

为提高小麦条锈病的遥感监测精度,该研究利用分数阶微分能够突出光谱的细微信息以及描述光谱数据间微小差异的优势,在对条锈病胁迫下小麦冠层光谱数据进行分数阶微分处理的基础上,构建了两波段和三波段分数阶微分光谱指数,并将其应用于小麦条锈病的遥感探测。研究结果表明,1.2阶次微分光谱与小麦条锈病冠层病情严重度的相关性最高,较原始反射率光谱、一阶微分光谱和二阶微分光谱分别提高了20.9%、3.9%和20.5%;基于分数阶微分光谱指数的最优分数阶次及其对应波长构建的三波段分数阶微分光谱指数对小麦条锈病的探测能力优于两波段分数阶微分光谱指数,其中分数阶微分光化学指数与冠层病情严重度的相关系数达到0.875;以分数阶微分光谱指数为自变量构建的高斯过程回归（Gaussian Process Regression,GPR）模型对小麦条锈病冠层病情严重度的预测精度优于反射率光谱指数,其训练数据集及验证数据集病情指数（Disease Index,DI）预测值和实测值间的决定系数较反射率光谱指数分别提高了3.8%和19.1%,该研究结果对进一步实现作物健康状况大面积高精度遥感监测具有重要意义。     

基于高光谱遥感的不同品种花生冠层叶面积指数的通用估算模型

为了快速、无损地监测花生冠层LAI,获取其长势信息,于2014年通过大田试验选用5个品种花生作为供试品种,使用ASD FieldSpec HandHeld便携式野外光谱仪采集花生不同生育时期的冠层高光谱数据,同时使用SUNSCAN冠层分析系统实测花生冠层叶面积指数（LAI）,并应用光谱微分技术和统计分析技术,分别分析4种光谱形式和6种植被指数与LAI的相关关系,建立估算模型。结果表明：高光谱反射率及其光谱变换形式中最优波段与LAI的相关性均极显著,其中一阶微分光谱ρ'在793nm波段处构建的估测方程对花生冠层LAI的估算效果最好（r=-0.5391,P＜0.01,RE=0.2497）,其模拟值与实测值的拟合度达极显著水平（R=0.4435,P＜0.01）;一阶微分光谱ρ'在734nm波段处LAI的实测值与模拟值的拟合效果最好（R=0.5485,P＜0.01）。6种植被指数所选的最优组合波段与LAI均通过了0.01水平的显著性检验 （r≥0.5731,P＜0.01）,其中归一化植被指数NDVI[760,976]对花生冠层LAI的估算效果最好（r=-0.6421,P＜0.01,RE=0.2167）,模拟值与实测值的拟合度达极显著水平（R=0.6731,P＜0.01）,且优于ρ'对LAI的估算效果;LAI实测值与模拟值拟合效果最好的为DVI[760,976] （R=0.6893,P＜0.01）。研究结果表明一阶导数光谱和植被指数对花生冠层LAI的估算精度均较高,植被指数的估算精度尤高,研究同时进一步证实了导数光谱和植被指数能较好地消除土壤、大气等环境背景信息的影响。     

基于棉花红边参数的叶绿素密度及叶面积指数的估算

利用野外非成像高光谱仪,测试棉花两个品种4种配置种植方式两年关键生育时期的冠层反射光谱数据,应用光谱微分技术,获取棉花微分光谱680～750 nm波段的红边参数：红边面积（SDr）、红边斜率（Dr）以及红边位置（λr）变量;将棉花红边面积、红边斜率分别与其冠层叶绿素密度（CH.D）、叶面积指数（LAI）进行相关分析,它们的相关性均达到1%极显著水平,其中红边面积与叶绿素密度的相关性最好（RCH.D=0.8787**,n=137）;并且红边面积较红边斜率对叶绿素密度、叶面积指数的预测精度更高。以棉花新陆早13号和19号为建模样本,通过红边面积与叶绿素密度的线性相关模型,分别反演新陆早13号、19号冠层叶片的叶绿素密度,结果表明对这两个棉花品种的叶绿素密度估算精度分别达87.4%和83.3%,说明高光谱红边参数是估算棉花叶绿素密度和叶面积指数的一种简单、快捷、非破坏性的有效方法。     

基于高光谱的夏玉米冠层SPAD值监测研究

开展夏玉米冠层SPAD值监测技术研究,建立叶绿素含量与敏感波段、光谱指数间的定量关系模型,以促进高光谱技术在玉米快速、无损长势监测及水肥精准管理的应用。以小型蒸渗仪夏玉米光谱反射率与植株冠层SPAD值的监测为基础,研究了夏玉米植株冠层光谱信息与SPAD值的响应关系,并优选出监测夏玉米冠层SPAD值的敏感波段与最优光谱指数。结果表明:夏玉米冠层光谱反射率在可见光波段随玉米冠层SPAD值增加而下降,在近红外波段却与之相反;采用原始光谱反射率、一阶微分光谱监测夏玉米冠层SPAD值的最敏感波段分别为700,690nm,与SPAD值的相关性分别为-0.498(p<0.05)和-0.538(p<0.01);而根据多元逐步回归分析获得的最优波段组合由405,408,700nm波段构成;从已报道的73个光谱指数中筛选出与夏玉米冠层SPAD值相关性较高的(SDr-SDb)/(SDr+SDb)、MCARI∥OSAVI、TCARI/OSAVI、SDr/SDb和MTCI等5个光谱指数,光谱指数(SDr-SDb)/(SDr+SDb)与SPAD值的相关性在各生育期均达极显著正相关,且在全生育期相关系数高达0.697(p<0.01),进一步优选出监测夏玉米冠层SPAD值最适宜的光谱指数为(SDr-SDb)/(SDr+SDb);在基于敏感波段、光谱指数和最优波段组合建立的夏玉米SPAD值的回归模型中,按照模拟效果由高到低排序依次为最优波段组合、光谱指数、原始光谱反射率、一阶微分光谱,其决定系数分别为0.777,0.539,0.351,0.282;推荐以(SDr-SDb)/(SDr+SDb)指数构建的二次多项式模型与基于405,408,700nm波段组合建立的线性回归监测模型作为夏玉米植株冠层SPAD值光谱监测适宜模型,且R2大于0.539,RMSE及MAE分别小于6.194和4.702。     

黑土土壤水分高光谱特征及反演模型

应用高光谱技术阐释土壤含水率光谱规律及对土壤含水率进行定量分析,为精准农业地表土壤水分的快速测定提供参考。该文以吉林省黑土土类中的黑土亚类土壤为研究对象,利用ASD FieldSpec FR便携式光谱仪在室内环境下对不同含水率的土壤样本进行光谱反射率测量和特征分析;通过对土壤样品高光谱反射率进行对数、倒数、一阶微分以及反射率倒数的一阶微分、反射率对数的一阶微分变换,运用统计分析中的相关系数计算进行了光谱反射率与土壤水分的相关分析,并提取了土壤光谱特征波段;采用逐步多元线性回归方法和指数模式分析法,进行了高光谱土壤含水率定量反演。研究结果表明,在低于田间持水率状况下,黑土土壤光谱反射率及其反射率一阶微分和反射率对数一阶微分变换的敏感波段主要集中在400～410、1 400～1 850和2 050～2 200 nm范围内,其中2 156 nm处与土壤水分相关系数最高,达0.89;在波长1 328、1 439、1 742和2 156 nm处,采用反射率对数一阶微分所建立的黑土土壤含水率预测方程的预测精度最好,决定系数为0.931。黑土土壤含水率高光谱反演模型的建立为土壤水分的快速测定提供了新的途径。     

白粉病胁迫下小麦冠层叶绿素密度的高光谱估测

为了明确病害胁迫下作物生长特征及其危害程度,基于大田小区和盆栽小麦白粉病接种试验,在病害胁迫下不同生育时期测定群体光谱及叶绿素密度。综合分析群体光谱反射率、一阶微分及传统光谱特征参数与冠层叶绿素密度间关系,建立病害叶绿素密度估算模型并检验。结果表明,随病情指数增加,叶绿素含量下降,不同感性品种均如此,对白粉病易感品种的危害较重。病害冠层叶绿素密度与红光600～630nm和红边690～718nm的反射率及红边长波段(718～756nm)的一阶微分间相关性最显著。在传统植被指数中,以SDr/SDb和VOG3为变量的估测模型拟合精度较高,决定系数R2分别为0.752和0.723,模型检验相对误差(RE)最小,RE分别为18.0%和18.6%。利用红边区域(680～760nm)波段差异特性,选取680、718和756nm波段新建红边角度指数(REAI),较传统植被指数的模型拟合精度更高,归一化角度指数NDAI(α,β)和比值角度指数RAI(α,β)的R2分别为0.783和0.776,模型检验误差更小,RE分别为16.8%和17.5%。因此,NDAI(α,β)是估测病害小麦冠层叶绿素密度的可靠指标,对利用该模型监测小麦光合潜力和病害影响评价具有积极意义。     

利用高光谱指数进行冬小麦条锈病严重度的反演研究

通过选取不同条锈病抗性品种(高抗、高感、中间)进行田间不同梯度(对照、轻度、中度、重度)的接种试验,在接种后每隔7 d左右,同步测定了不同品种、不同处理的冠层光谱、单叶光谱和对应目标的病情指数以及叶面积指数、叶倾角等生物物理参数和叶绿素、SPAD数值等生物化学参数。通过对获取的光谱数据和生物物理参数和生物化学参数进行统计分析。研究结果表明,小麦被条锈病感染以后,叶片叶绿素含量急剧下降,通过研究叶片绿度值(SPAFD)值与叶绿素含量之间的关系,建立了叶片叶绿素含量和叶片SPAD数值之间的线性关系方程。通过在借鉴前人研究结果的基础上,通过筛选光谱指数,在冠层水平上构建作物冠层结构不敏感色素反演指数(CCII=TCARI/OSAVI)来反演全生育期不同处理的SPAD数值,此反演结果受品种类型、冠层结构和土壤背景的影响较小,线性方程的决定系数达到极显著的水平。在单叶水平选取归一化的光化学指数(NPRI)来反演单叶的病情指数(DI),线性方程的决定系数达到极显著的水平。所以该文通过选取适当的高光谱指数进行冬小麦条锈病严重度的反演的理论和方法是可行的。且反演结果受不同品种、不同叶面积指数和土壤背景等的影响均较小。     

小麦叶片水分及绿度特征的光谱法诊断

通过ASD FieldSpec光谱仪测定2个小麦品种3个氮肥处理、3个水分处理下的叶片反射光谱,用SPAD-502仪测定叶片的SPAD(绿度指数)值,并称取叶重。用ViewSpec Pro与Matlab软件处理光谱数据,分析光谱参数与叶片含水量及SPAD值的相关关系,从而明确叶片水分及绿度特征的最佳波段或光谱指数。结果表明,水分指数(WI)、水分胁迫指数(MSI)及中红外植被指数(MSVI1)与叶片含水量的相关关系密切且表现稳定,均通过了0.05水平的显著性检验;Fd664(664nm附近处一阶导数光谱值)、SDr/SDb(红边区域一阶微分总和与蓝边区域一阶微分总和的比值)与小麦叶片SPAD值的相关性达到极显著水平,因而利用光谱法诊断和监测小麦叶片水分及绿度特征具有良好的可行性,可为遥感技术应用于精准农业提供依据。     

不同氮营养冬小麦冠层光谱红边特征分析

利用FieldSpec FR2500光谱仪测定了不同氮素处理冬小麦冠层光谱,分析其红边特征变化规律及与农学成分的相关关系。结果表明,波长550 nm、680 nm、980 nm、1100 nm与350～680 nm和750～1100 nm可作为氮素营养诊断的敏感特征点与波段范围。随着施氮量的提高,拔节期、抽穗期以及灌浆期的红边位置（REP）、红谷位置（Lo）与光谱反射率一阶微分极大值（FD_Max）均增大,红边宽度（Lwidth）则有减小的趋势。总体上看,施氮与无氮处理在整个生育期均存在较大差异,施氮处理之间差异较小。冠层反射光谱的红边位置、红谷位置、随生育期向长波方向移动,呈现红移现象;从抽穗期开始逐渐减小,呈现蓝移现象。冬小麦红边参数中红边位置与农学组分之间的相关性优于其他参数,除与地上部生物量正相关显著外,与叶面积指数、叶含水率、叶绿素含量、叶可溶性蛋白含量、叶鲜重、叶含氮量均呈正相关且达到极显著水平。红谷位置则与叶面积指数、叶含水率、叶绿素含量、叶鲜重以及SPAD值呈极显著正相关;与可溶性蛋白呈显著正相关。红边宽度与叶面积指数、叶含水率、叶氮含量、叶绿素含量以及叶鲜重均呈极显著正相关;与可溶性蛋白含量呈显著正相关。反射率一阶导数极大值与叶面积指数、叶含水率、叶鲜重呈极显著正相关,与叶含氮量极显著负相关。通过红边参数与农学组分稳定良好的数学关系,可以对农学组分进行预测估算。     

基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算

叶绿素含量是影响作物生长及产量的主要因素。该研究以2017年6月小型试验田获取的抽穗期春小麦叶绿素含量及其对应的光谱反射率为数据源,对红边(627~780 nm)、黄边(566~589 nm)、蓝边(436~495 nm)、绿边(495~566 nm)、吸收谷和反射峰的最大反射率及反射率总和等16个高光谱特征参数与叶绿素含量之间的相关性进行了分析,并结合偏最小二乘回归法(partial least-squares regression,PLSR)对叶绿素含量进行高光谱建模及验证。结果表明:1)对特定的16个光谱特征参数而言,光谱特征参数绿边最大反射率与春小麦叶绿素质量分数之间的决定系数最低(R~20.5);决定系数较高(R~2≥0.5)的光谱特征参数包括蓝边最大反射率、蓝边反射率总和、黄边最大反射率、黄边反射率总和、红边最大反射率、红边反射率总和、绿边反射率总和、820~940 nm反射率总和及最大反射率、500~670 nm归一化吸收深度和560~760 nm归一化吸收深度,其中820~940 nm反射率总和决定系数达到最高(R~2为0.8);2)利用16个特征参量进行PLSR建模后,发现波段范围在820~940 nm的最大反射率及反射率总和所建立的PLSR估算模型为最优模型,其精度参数R~2p=0.8、RMSEp=2.0 mg/g、RPD=3.2。因此,该模型具有极好的预测能力。该研究为相关研究及当地精准农业提供科学支持和应用参考。     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度，该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值，分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系，构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型，并对模型进行了验证；再结合一元线性回归（SLR，Single Linear Regression）、逐步多元线性回归（SMLR，Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR，Partial Least Squares Regression）模型与BP神经网络（BPNN，BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm，一阶微分光谱特征波长位于1 150、1 950、2 080 nm；2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优，在能够满足水分估算精度的情况下，是最优的选择方法。3）将优选的特征参数作为输入，实测含水率值作为输出，构建BP神经网络模型，其建模与验模R2分别为0.978和0.973，RMSE分别为0.22%和0.242%，而RPD值分别为6.478和5.889，与其他模型相比，BP神经网络模型的建模及预测精度均最高，是估算油用牡丹种子含水率的最优模型，其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力，是估算油用牡丹种子含水率的有效方法。     

高光谱反射率与大豆叶面积及地上鲜生物量的相关分析

以ASD FieldSpec光谱仪实测了不同生长季大豆的冠层高光谱,同期采集了对应大豆LAI、地上鲜生物量。逐波段分析了冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量的相关关系;采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量确定性系数随波长的变化趋势;并建立了以近红外与可见光波段的冠层光谱反射率的比值植被指数RVI与大豆LAI、地上鲜生物量的高光谱遥感估算模型。结果表明,冠层光谱反射率在350～680 nm、760～1050 nm波谱区与大豆LAI、地上鲜生物量相关性     

基于自然光照反射光谱的温室黄瓜叶片含氮量预测

利用便携式光谱辐射仪测量了自然光照条件下温室黄瓜叶片的光谱反射率,并计算了反射率光谱的一次微分光谱。反射率光谱以及一次微分光谱与叶片含氮量的相关分析表明,温室内光谱特性与叶片含氮量相关性最大的敏感波段分别是505～664 nm和685～722 nm。当利用原始光谱进行分析时,通过变量筛选得到了4个敏感波长,分别是568、596、640和664 nm。偏最小二乘回归分析(PLSR)以及归一化颜色指数(NDCI)分析都表明,建模时的相关系数R_C>0.800,模型验证时的相关系数R_V>0.700。对微分光谱进行的相关分析结果表明,利用单一敏感波长520 nm就可获得理想模型,建模时的相关系数为0.880,模型验证时的相关系数为0.787。对比原始光谱的PLSR模型与一阶微分光谱的一元线性回归模型可以得知,原始光谱以及一阶微分光谱都可用于温室内叶片含氮量的预测,而且一阶微分光谱在一些特殊的波长处具有更高的预测能力,这些模型将成为开发便携式作物长势诊断仪器的技术基础。     

不同湿度条件下黄棕壤光谱反射率的变化特征及其遥感意义

土壤是地球表面最广泛出露的地物之一.土壤的光谱反射特征除了取决于它本身的物理化学性质、有机质含量及颗粒大小之外,湿度是影响土壤光谱反射率的一个活跃的重要因素.由于土壤中水份含量的多寡对热量平衡、土壤温度、农业墒情均有重要意义,所以,用可见、近红外、热红外以及微波等遥感手段探测土壤含水量的研究日益广泛深入.     

水稻叶面积指数与MODIS植被指数、红边位置之间的相关分析

对模拟中分辨率成像光谱仪（MODIS）两个植被指数归一化植被指数（NDVI）、增强植被指数（EVI）以及红边位置（REP）与水稻叶面积指数（LAI）进行了相关研究。利用光谱分辨率为3 nm 的ASD FieldSpec UV/VNIR 光谱仪获得了2002年两个不同水稻品种——杂交稻和常规稻整个生长期的高光谱数据，同时对水稻LAI进行了测定。利用一阶微分计算红边位移。模拟了MODIS 3个波段，波段1(620-670 nm，红波段)，波段2(841～876 nm，近红外)和波段3(459～479 nm，蓝波段)，并用这些波段计算了MODIS-NDVI和EVI。结果表明：对于常规稻，MODIS-NDVI、EVI和REP与水稻LAI呈现出良好的相关性；而对于杂交稻，与水稻LAI相关性来说，MODIS-EVI和REP要比MODIS-NDVI更敏感。分析原因，主要是因为杂交稻同常规稻相比在生长的中后期LAI比较大，MODIS-NDVI容易饱和；而MODIS-EVI和REP由于可以消除背景影响，增强对LAI的敏感性。因此MODIS-EVI和REP可以更有效地监测水稻叶面积指数。     

基于高光谱的中国干旱区棉花遥感估产（英）

该文测定了棉花盛蕾期至吐絮后期各时期冠层的高光谱反射率以及产量,并对棉花产量与冠层光谱植被指数进行相关分析。结果表明：棉花各生育期可见光波段、近红外波段及短波红外波段光谱反射率与产量间分别呈显著负相关、显著正相关与显著负相关。根据棉花冠层光谱波形特征,利用植被红边波段560 nm反射峰、670 nm吸收谷、近红外波段890 nm反射峰、980和1?210 nm两个弱水汽吸收谷、短波红外1?650和2 200 nm反射峰,设计归一化差值光谱指数,并与棉花产量进行相关分析,上述波段组合定义的归一化差值光谱指数与产量在各生育期均达显著或极显著相关。VARI_700抗大气植被指数在各生育期均达极显著相关。     

基于遥感信息融合的阜新煤矿排土场地物提取与分类

结合地面测试高光谱数据及卫星遥感数据,对矿区地物信息进行提取,可有助于快速获取矿区地表信息,为矿区废弃地植被恢复提供辅助决策信息支持具有重要意义。该文以阜新市海州矿区排土场为研究对象,对不同波段组合的SPOT-5遥感影像进行了分类方法和分类精度评价研究。结果表明：排土场影像在波段组合与融合之后进行分类,分类精度提高不明显;而通过组合SPOT多光谱影像和植被指数图像,并结合地面测试的高光谱特征曲线建立分类模板,可以有效地提高地物分类精度,总体分类精度为85.48%,Kappa系数为0.8197。分类结果满足对排土场地物调查的实际需要,为建立排土场植被恢复等级提供了数据基础。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。