棉花黄萎病病情严重度的连续统去除估测法

该文利用地面高光谱数据遥感监测棉花黄萎病病情严重度.通过分析黄萎病不同病情严重度下棉花单叶光谱变化特征,筛选对病情严重度识别的敏感波段,利用连续统去除法对光谱反射率进行处理并构建基于光谱特征吸收参量的病情严重度估测模型.红光光谱(650～700 nm)是识别棉花单叶黄萎病病情严重度的最佳波段,且随受害棉叶病情严重度增加,红光光谱吸收波段位置向长波方向移动,吸收波段深度及特征吸收峰面积减小,二者与病情严重度呈极显著线性相关关系.以红光波段特征吸收峰右半端面积为自变量建立的线性模型具有最大决定系数,最小均方根误差,为棉花单叶黄萎病病情严重度估测的最佳模型.研究结果表明,利用高光谱遥感技术能够有效地监测棉花黄萎病病情严重度,为进一步深入研究棉花黄萎病的遥感监测机理提供理论依据.     

Gram-Schmidt算法在加工番茄病叶水分估测中的应用

Gram—Schmidt正交变换算法通过成分提取提高了非线性回归模型的精度。利用Gram—Schmidt正交变换算法,对加工番茄病叶相对水分含量进行了高光谱估测。研究结果表明,病叶相对水分含量的敏感波段为可见光波段R695以及近红外波段R761,R1446,R1940和R2490。对敏感波段进行正交变换,得到相对水分含量与R1940和R2490的非线性回归模型,相关系数为0.724,相对误差为0.52%,标准误差(RMSE)为0.13,真实值与预测值拟合的相关系数为0.623,表明该方法优于传统相对水分含量的线性模型。研究结果可为加工番茄病害胁迫下品质的精确诊断提供了技术支撑。     

基于高光谱技术和改进型区间随机蛙跳算法的番茄硬度检测

为了准确、快速的检测番茄硬度,该文提出了一种基于改进型区间随机蛙跳算法优选高光谱特征波长的番茄硬度检测模型。在获取番茄高光谱图像后,首先对光谱数据进行多元散射校正(multiplicative scatter correction,MSC)和归一化预处理。针对区间随机蛙跳算法(interval random frog,i RF)所需迭代次数大、算法收敛慢等缺点,该文提出了改进型区间随机蛙跳算法(modified interval random frog, miRF),并将其应用于特征波长选择。最后建立偏最小二乘回归模型(partial least squares regression, PLSR)预测番茄的硬度。iRF共选出特征波段100个,算法收敛时间为32.1 min,而miRF共选出特征波长47个,算法收敛仅需1.6 min。同时miRF-PLSR番茄硬度预测精度也更优,测试集相关系数达到了0.968 5,均方根误差为0.004 0 kg/mm~2。试验结果表明:结合高光谱技术和miRF算法可实现对番茄硬度的快速、无损检测。     

基于分量替换高分辨率遥感图像融合方法的对比研究

基于分量替换的高分辨率遥感图像融合是一种十分重要的融合方法,但对该方法的融合原理的深入分析在国内还鲜有报道。为此对分量替换融合方法进行原理探究和实验对比分析。首先从线性代数的角度来阐述分量替换融合算法的实质,并对两种典型的构造可替换波段的分量替换方法（基于光谱响应函数模拟低分辨率全色波段的Gram-Schmidt融合法（GS1）和基于多元一次线性回归拟合低分辨率全色波段的Gram-Schmidt（GS2）融合法进行原理说明;其次,选取QuickBird全色与多光谱图像数据,进行三种有代表性的基于分量替换的融合方法（PCA,GS1,GS2）的对比分析。通过对比融合前后典型地物的光谱特性变化来评价融合影像的光谱保真性也是该研究的一大特色。结果表明:3种融合方法都具有很高的光谱保真性,GS2融合方法具有最优的光谱保真性,PCA和GS1融合算法次之,尤其是GS1融合处理后的图像存在部分光谱失真的现象,GS2算法的光谱保真性明显优于GS1。从基于分量替换融合方法的实质可以诠释出造成GS1融合图像光谱失真的根本原因,GS1融合算法使用的只是实验室理想环境下所获取的名义上的光谱响应特征。传感器的实际成像过程受到诸多因素的影响,如传感器在轨工作环境、大气、观测角度不同等的影响。GS1算法单纯通过不同波段光谱响应函数的线性组合来模拟低分辨率全色波段并不十分准确,GS2直接利用MS和Pan波段像元灰度值进行线性回归,克服了上述不确定性问题。通过以上对比研究发现,如何利用多光谱数据准确地模拟低分辨率全色波段,直接影响到融合后影像的光谱保真性,是目前高分辨率遥感图像融合的关键技术。     

无人机高光谱遥感估算冬小麦叶面积指数

为探讨利用低空无人机平台和高光谱影像对冬小麦叶面积指数进行遥感估算，该研究以拔节期冬小麦小区试验为基础，对原始冠层光谱进行一阶导数和连续统去除光谱变换，并在此基础上提取任意两波段组合的差值光谱指数（Difference Spectral Index，DSI）、比值光谱指数（Ratio Spectral Index，RSI）和归一化光谱指数（Normalized Spectral Index，NDSI），以最优窄波段光谱指数进行叶面积指数估算模型的构建。结果表明，最优窄波段指数的构成波段主要位于红边区域，最优窄波段指数与叶面积指数均呈现非线性关系；光谱变换显著提升了光谱变量与叶面积指数的相关性，其中连续统去除光谱所获取的NDSI（738，822）光谱指数与叶面积指数的相关性最佳；窄波段光谱指数和随机森林回归算法的叶面积指数估算模型精度最高，其相对预测偏差为2.01，验证集的决定系数和均方根误差分别为0.77和0.27。基于随机森林回归算法的无人机高光谱叶面积指数估算模型能够准确地实现小区域的叶面积指数遥感填图，为后期作物长势、变量施肥等提供理论依据。     

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。     

基于数字图像分析监测不同氮肥处理下加工番茄生长状况的初步研究

利用数字相机获取田间加工番茄冠层影像,通过图像处理软件准确识别冠层和背景像素,分析了加工番茄不同施氮量下提取的地面覆盖度与生物学参数间的相关关系,其相关系数都达到0.96以上的极显著相关;分析了光谱参数--绿色深度指数（DGCI）与叶片叶绿素含量相关关系,二者表现出r=0.74以上的极显著直线相关。结果表明,利用地面覆盖度可在生长前期监控加工番茄生长量,预测生物学产量和叶面积系数;在果实膨大期预测吸氮量和经济产量。利用光谱参数DGCI可监测加工番茄叶片叶绿素含量。本结果可快速准确监测加工番茄生长发育,为加工番茄生产提供科学依据。     

松嫩平原主要土壤类型含水量高光谱预测模型

为了消除土壤类型的影响,提高土壤含水量高光谱预测精度,以松嫩平原四种典型土壤(黑土、黑钙土、草甸土、风砂土)实验室高光谱反射率为研究对象,对反射光谱曲线进行去包络线处理,提取光谱特征参数;并对反射率进行多种数学变换,分析不同土壤类型、含水量水平的反射光谱特征差异,建立考虑土壤类型差异的含水量高光谱预测模型。研究结果表明:1)混合土壤类型难以提取有效的光谱特征参数进行土壤含水量预测;2)将风砂土与其他土类分开,其他土类利用光谱特征参数建模的精度高;3)基于光谱特征参数的一元线性回归精度高,输入量少。研究成果为多个土壤类型含水量高光谱预测提供了科学依据。     

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。     

基于去包络线法的番茄叶霉病发病程度估测方法

阐明番茄叶霉病(Fulvia fulva)光谱特征并对其发病程度进行估测,可为番茄叶霉病大面积遥感监测提供依据。本研究通过分析番茄叶霉病不同发病程度下叶片光谱变化特征,筛选对发病程度识别的敏感波段。并利用去包络线法对光谱反射率进行处理,构建基于光谱特征吸收参量的发病程度估测模型。研究结果表明:随着叶霉病病害等级的加深,番茄叶片的原始光谱反射率、光谱敏感度、相对反射率均呈逐渐降低趋势;可见光波段(550~730 nm)和短波红外波段(1 860~2 260 nm)是识别番茄叶霉病发病程度的最佳波段;且随着病害等级的增加,吸收波段位置(λ)向短波方向移动,最大吸收深度(D_c)和吸收面积(A)均呈递增规律。利用光谱参数构建的番茄叶霉病病害等级预测的逐步回归模型R~2达0.81,且模型验证结果较好。研究结果对利用高光谱遥感技术定量估测番茄叶霉病发病程度以及监测、防治农作物病虫害均具有较高的实用价值。     

用高光谱成像技术检测柑橘红蜘蛛为害叶片的色素含量

为解决传统理化法检测柑橘树叶片受红蜘蛛为害后色素含量变化时存在的工作量大、效率低等问题,该文研究应用高光谱成像技术检测柑橘红蜘蛛为害叶片色素含量的方法。研究中对比了正常叶片与受害叶片的原始光谱以及原始光谱一阶微分曲线的差异,寻找反映叶片色素含量变化的特征波段;分析了特征波段反射率比值与叶片色素间相关性;采用单变量线性回归法分析了常用植被指数预测叶片色素含量的效果;采用逐步回归分析法建立了叶片色素含量预测模型,并对模型预测效果进行了F检验。结果表明:常用植被指数预测叶片色素含量结果不理想;选取的667/522、667/647和522/647 nm等3个特征波段反射率比值与叶片3种色素含量间具有较高的相关性;用于建立叶片色素含量预测模型的最佳特征波段反射率比值为667/522和667/647 nm,所建立的模型可较好地预测健康及受害叶片的叶绿素a、叶绿素b和类胡萝卜素含量。     

基于GRNN的坡面径流输沙能力模型的试验研究

坡面径流输沙能力是建立土壤侵蚀过程模型的重要水力学参数,研究定量计算坡面径流输沙能力的实用模型具有重要的理论和实践意义.通过室内模拟径流冲刷试验,计算不同坡度和流量条件下的裸地坡面径流输沙能力,利用平均影响值(MIV)方法对影响坡面径流输沙能力的因子进行分析,建立以干密度、能坡、进口流量、出口流量、水力半径、流速为输入,以坡面径流输沙能力为输出的广义回归神经网络(GRNN)模型,并应用Adaboost算法对模型进行优化.验证结果表明,所建模型能够用于对坡面径流输沙能力的模拟预测.与BP神经网络模型进行对比分析的结果表明:在试验训练样本条件下,广义回归神经网络(GRNN)模型的模拟预测结果优于BP神经网络模型;Adaboost算法能够有效减小广义回归神经网络(GRNN)模型的模拟预测误差.     

基于光谱特征参数的温室番茄叶片叶绿素含量预测

为了快速、准确估测温室番茄叶片叶绿素含量,提升作物精细管理水平,利用光谱分析技术研究了温室番茄不同生长阶段叶绿素含量和响应光谱的相关性,在幼苗营养生长阶段叶片叶绿素含量呈增长趋势,到移植50天前后达到最大值,在此期间反射光谱的红边会向红外方向（长波）偏移,同时绿峰向蓝光（短波）方向偏移,绿峰幅值减小。从结果期开始叶绿素含量呈下降趋势,而红边、绿峰及绿峰幅值向相反方向变化。为了定量分析叶绿素含量和叶片反射光谱间的关系,从自定义的68个光谱特征参数中提取了7个能反映叶绿素含量变化的最优参量,并使用逐步回归、岭回归、主成分分量回归和偏最小二乘回归消除了最优参量的多重共线性,建立了叶绿素含量预测模型,其中岭回归模型精度最佳,均方根误差（RMSE）为0.406,决定系数(R2)为0.839。     

苗期低温胁迫对“红颜”草莓叶绿素含量及冠层高光谱的影响

2020年9月−2021年1月以“红颜”（Fragaria×ananassa Duch “Benihope”）草莓为试材，在南京信息工程大学开展低温环境控制试验。设置21℃（日最高气温）/11℃（日最低气温）、18℃/8℃、15℃/5℃和12℃/2℃共4个低温处理，持续时间设置3d、6d、9d、12d共4个水平，以25℃/15℃为对照（CK）。测定草莓叶片叶绿素含量以及冠层高光谱反射率，研究低温胁迫对草莓叶绿素含量及冠层反射光谱的影响，筛选出叶绿素含量估算模型的敏感波段与特征参数。结果表明：（1）同一低温条件下，草莓叶片叶绿素a、叶绿素b和总叶绿素(a+b)等参数随着胁迫天数的延长而减少；同一胁迫天数下，温度越低其含量越低，即低温胁迫程度越大叶绿素含量下降幅度也越大。（2）不同温度同一胁迫天数处理草莓苗期冠层光谱反射率变化规律大致相同。在可见光区域草莓冠层反射光谱曲线均存在绿峰和红谷，在近红外反射平台随着温度降低，光谱反射率数值逐渐增大，即反射平台逐渐增高。（3）草莓冠层一阶微分光谱曲线变化较剧烈，有明显波峰和波谷，在红边范围内偶有双峰现象。随着低温胁迫程度的加深，一阶微分光谱最高峰的值越高，草莓冠层光谱的近红外反射率升高，红边位置蓝移，之后该峰值逐渐降低，红边位置红移。（4）草莓叶绿素(a+b)含量与冠层原始光谱反射率的相关系数均呈负相关，与原始光谱的近红外波段反射率的相关性明显高于可见光波段。叶绿素(a+b)含量与原始光谱反射率相关性较好，均达到显著水平，其中737nm波段相关系数达到最大，因此可以用其作为敏感波段对叶绿素含量进行预测。叶绿素(a+b)含量与植被指数中的DVI、MSAVI、PVI、RDVI、SAVI和TSAVI的相关性达极显著水平，可以选其作为特征参数对叶绿素含量进行预测。     

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。     

便携式番茄多品质参数可见/近红外检测装置研发

该文针对番茄独特的囊室结构及整体成熟度不均等问题,基于可见/近红外全透射光谱,研发了便携式番茄内外品质快速无损实时检测装置.该装置的硬件系统主要包括光源模块、信号采集模块、信号处理模块、电源模块、散热模块和打印模块,基于该硬件系统,采集了番茄630~1100 nm范围内可见/近红外透射光谱,选取650~1100 nm范围的光谱进行SG卷积平滑(savitzky-Golay smooth,SG-smooth)、标准正态变量变换(standard normal variable transformation,SNV)和多元散射校正(muliplication scattering correction,MSC)等预处理,建立了番茄颜色、硬度、总酸、总糖含量的偏最小二乘预测模型.基于QT开发框架编写了番茄多品质无损检测实时分析控制软件,植入番茄多品质参数预测模型,实现了番茄多品质参数检测一键式操作.为了测试该装置的检测精度和稳定性,选取与建模无关的20个同品种样品对每个样品的内外品质重复检测8次,结果表明:番茄颜色预测值与实测值相关系数为0.9528,均方根误差为2.7038,硬度预测值与实测值相关系数为0.9405,均方根误差为0.4486 kg/cm2,总酸含量的预测值与实测值相关系数为0.9537,均方根误差为0.3263%,总糖含量预测值与实测值相关系数为0.9610,均方根误差为0.1974%.番茄样品颜色、硬度、总酸和总糖重复检测最大相对误差分别为2.9%、1.9%、2.0%和1.6%.该便携式检测装置基于可见近红外全透射光谱,实现了番茄颜色、硬度、总酸、总糖含量的同时快速无损实时检测,预测精度及稳定性较好,可以满足实时评价番茄品质的市场需求.     

基于多光谱图像技术的番茄营养素诊断模型

为了快速、准确估测番茄营养水平和生长状态,利用多光谱图像分析技术研究了温室番茄营养素含量和图像特征的相关性。在日光条件下采集了温室番茄叶片多光谱图像,并采用多尺度Retinex算法有效地解决了叶片平整度差异造成的图像质量退化问题。从颜色模型、比值植被指数和归一化差值植被指数出发,自定义了49个多光谱图像特征参数。结合相关性分析和系统聚类分析消除了多光谱图像特征参数的多重共线性,并提取了4个能反映叶绿素含量(SPAD指数)和全氮含量预测模型,其中SPAD指数模型的决定系数(R2)为0.8668,均方根误差(RMSE)为3.997;全氮模型的R2为0.7284,RMSE为0.5130。     

基于高光谱的春玉米大斑病害遥感监测指数选择

玉米大斑病是春玉米主要病害之一,采用地面光谱观测的方式构建遥感监测指数,是实施区域遥感监测的基础,也是卫星传感器谱段设计的主要依据。该文在陕西省眉县设计了人工控制小区试验,针对高抗、抗、感和高感4个品种,通过人工接种不同浓度大斑病分生孢子的方法,获得了正常、轻微、中度以及严重等4个病害感染梯度小区,并在春玉米抽雄、吐丝、乳熟以及成熟4个生长期进行了地面高光谱观测。为了实现对春玉米大斑病的遥感监测,该项研究在春玉米冠层光谱数据基础上,分析了不同种植区不同生长期春玉米冠层光谱反射率和光谱一阶微分特征,并以此确定了大斑病敏感波段位置以及病害适宜监测期,同时根据敏感波段位置的光谱特征构建了专门的春玉米大斑病的遥感监测指数,最后结合180个光谱观测样本,对比了所提指数以及其他病害指数与病害严重度之间的相关性,并通过聚类分析了所建遥感指数的稳定性。研究结果表明,乳熟期的春玉米大斑病在红边波谱内的响应较为敏感,尤其红边核心区(725~740 nm)的光谱一阶微分与病害严重程度间存在明显地单调变化关系,具有非常显著的负相关性;同时,该文所提病害监测指数与病情指数具有较高的相关性,其相关系数达到了0.995 0,最后结果表明利用红边一阶微分指数的对病害程度的聚类总体精度达到100.0%,指数值分布稳定性也更高,具有在遥感监测业务中应用的潜力。