基于成像光谱技术的寒地玉米苗期冠层氮含量预测模型

为了探索寒地玉米冠层氮素含量,以不同氮素水平下玉米大田试验为基础,利用高光谱成像技术探讨苗期玉米冠层光谱,通过相关矩阵法选择植被指数的变量,并依据叶片氮素含量与植被指数的相关性,建立玉米冠层氮素含量预测模型。结果表明:根据玉米冠层高光谱图像,选择与各波段相关性较强的525、566、700、715、895 nm作为植被指数的变量,构建与氮素含量相关性强的植被指数归一化植被指数NDVI(normalized difference vegetation index)、归一化光谱植被指数NDSI(normalized difference spectral index)、比值光谱指数RSI(ratio spectral index)、差值光谱指数DSI(difference spectral index)。以与叶片氮素含量相关性较高的植被指数为自变量,建立单变量、多变量回归预测模型。采用单变量NDVI二次函数回归模型作为0、50 kg/hm~2施氮量下玉米冠层氮素含量预测模型,其R~2分别为0.719、0.803。在100 kg/hm~2施氮量下玉米冠层氮素含量的预测模型为3变量回归模型,其R~2达到0.657。用置信椭圆F检验法检验预测模型,其F值均小于F0.05,估测值与实测值间R2分别是0.724、0.798、0.655,标准误差RMSE分别为0.156、0.140、0.156 mg/g,表明实测值和估测值间的差异不明显,预测模型可用。     

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。     

烤烟叶片镉含量高光谱预测模型的构建

为快速准确地获取烟草叶片镉含量,本研究模拟了4个镉污染水平,用美国ASD光谱仪获取每个污染水平的烟草叶片光谱反射率,并测定不同时期烟草叶片的镉含量,筛选出与镉含量相关性最好的敏感波段,并建立光谱参数,将光谱参数作为输入因子建立烟草叶片镉含量的BP神经网络模型。结果表明:随着镉含量增加,在可见光和近红外范围(400～910 nm)内反射率先降低后增加,在930～1 000 nm波段范围内,叶片反射率与烟叶中镉含量呈正相关,在1 000～2 500 nm波段范围内反射率先增加后降低。经筛选,比值植被指数(RVI)和归一化植被指数(NDVI)的光谱指数分别为RVI(520,710)和NDVI(530,710);BP神经网络模型的决定系数(R~2)为0.681,均方根误差(RMSE)为8.001,并对模型进行检验,R2为0.801,RMSE为4.430。研究表明,BP神经网络模型对烟草叶片镉含量具有良好的预测效果。     

应用多光谱图像技术进行锦橙叶片氮含量监测

以蓬安100号锦橙为试材,运用多光谱图像技术建立快速监测叶片氮含量的方法。利用多光谱相机MS3100采集蓬安100号锦橙叶片图像,运用Adobe Photoshop软件提取叶片图像的颜色特征参数,对其进行数学变换和归一化处理后的颜色特征参数与叶片氮含量值进行相关分析,并建立二者回归模型。结果表明:6个颜色特征参数G-B、G/(R+B)、(G-B)/(G+B)、G/(R+G+B)、g-b值与叶片氮含量的相关较好,综合评价得出G-B、(G-B)/(G+B)、g-b值所建立的蓬安100号锦橙叶片氮含量监测模型较好,其相关系数均为0.84,决定系数为0.70,预测误差为3.7%。研究结果表明,利用计算机视觉技术进行锦橙叶片氮含量监测是可行的。     

不同施氮水平下温室番茄叶片反射光谱特征分析

利用便携式光谱辐射仪测定了温室番茄叶片的光谱反射率,研究了不同施氮水平下特定光谱指数与叶片氮含量、光合速率及产量的关系。结果表明,温室番茄叶片的光谱反射率在可见光波段随供氮水平的升高而降低,在近红外波段随供氮水平的升高而增加。随施氮水平的提高,绿峰的蓝移和红边的红移现象明显,而红谷反射率与光合速率之间的关系可用二次方程拟合,相关系数达0.805。番茄叶片氮含量的敏感光谱波段为580~695 nm,740~900 nm,由695 nm、770 nm两个波段构建的高光谱指数(RVI、NDVI)与叶片氮含量的相关性显著。而基于原始光谱数据对番茄产量的估测也可在温室中得到很好的运用,其中光谱指数RV(I710,680)、VARI700和产量的拟合方程最优。     

基于叶片SPAD估算不同水氮处理下温室番茄氮营养指数

为了探讨临界氮稀释曲线模型在西北地区温室番茄不同水分处理下的适用性以及采用SPAD仪快速准确诊断氮营养状况,该研究以"丽娜"番茄为材料,2013-2015年在陕西省杨凌区温室内进行水分和氮素处理试验,水分处理设置4个水平,分别为全生育期充分灌水处理、仅苗期亏水50%、苗期开花期连续亏水50%和全生育期亏水50%;氮素处理设置3个水平,施氮量分别为0、150和300 kg/hm2,通过2013-2015年试验数据对临界氮浓度稀释曲线模型进行率定和验证,并将该模型参数与番茄全生育期平均日耗水量建立相关关系,提高了临界氮浓度稀释模型在不同水分条件下的适用性。结果表明通过番茄全生育期平均日耗水量和临界氮浓度稀释曲线模型估算得到的临界氮浓度估算值和实际计算值有较好的一致性,其绝对误差为0.13~0.34 g/(100 g),标准误差为0.14~0.39 g/(100 g),决定系数为0.94~0.99,因此采用该方法可以对西北地区温室番茄不同水分处理下临界氮浓度稀释进行准确估算。通过2013-2015年试验数据分析番茄不同叶位叶片SPAD值和氮营养指数(nitrogen nutrition index,NNI)之间相关性,结果表明番茄中位叶片SPAD值与氮营养指数(NNI)有良好的线性相关性(决定系数为0.77~0.98),且该相关系数值与番茄日耗水量呈极显著相关关系,因此通过番茄日耗水量可以估算出NNI与中位叶片SPAD值之间的线性关系,估算出NNI=1时的中位叶片SPAD值,并以此SPAD值进行氮营养诊断。该研究可为西北地区温室番茄实时氮营养诊断和优化氮素管理提供了较好的理论参考。     

基于高光谱图像的茶树LAI与氮含量反演

为了对茶树进行实时、快速、无损的叶面积指数LAI和氮含量检测,该文以英红九号茶树为试验对象,利用便携式高光谱成像仪采集光谱数据、人工破坏性采摘叶片进行叶面积指数的计算以及传统化学方法测量叶片氮含量,比较不同高光谱特征变换形式与LAI和氮含量之间的相关性,并选择其中相关系数较高的高光谱特征变量作为自变量,分别采用线性、指数、对数和抛物线表达式建立LAI和氮含量的回归模型。结果显示:在多种高光谱数据变量建立的模型中,以绿峰反射率R_g为自变量的对数拟合模型最佳,其拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.9和0.087 6。以植被指数变量VI_4(红边面积/黄边面积)与氮含量建立的指数模型为最佳建模效果,拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.830 3和0.102 9,研究结果可为茶树叶面积指数LAI和营养成分的无损检测提供参考。     

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。     

玉米拔节期冠层叶绿素含量多光谱图像检测

为了探索大田玉米冠层叶片叶绿素指标的快速检测方法。采用自主研发的2-CCD多光谱图像成像系统采集了大田玉米拔节期冠层图像,并同步获取了样本叶绿素含量指标SPAD值。对多光谱图像进行了平滑滤波,并基于HSI颜色空间实现了冠层图像的分割。提取了玉米冠层可见光(blue(B),green(G),red(R);400~700 nm)和近红外(near-infrared,NIR,760~1 000 nm)4个波段平均灰度值并计算了平均灰度值计算比值植被指数(RVI,ratio vegetation index)、归一化植被指数(NDVI,normalized difference vegetation index)、修改型二次土壤调节植被指数(MSAVI2,modified soil-adjusted vegetation index)等8种常见植被指数作为图像检测参数。分析了这12个检测参数与叶绿素指标之间的相关性,讨论了图像检测参数的多种组合,建立了叶绿素指标的多元线性回归分析(MLRA,multiple linear regression analysis)模型。研究结果表明:R、G、B波段的平均灰度值与叶绿素指标成较高负相关,相关系数分别为-0.73,-0.71和-0.71,植被指数中相关性较好的是NDVI、MSAVI2和RVI,相关系数分别为0.83、0.81和-0.81。基于这6个参数组合建立的叶绿素指标估算模型拟合度最好,其建模集决定系数为0.79,验证集决定系数为0.71,研究结果为无损检测玉米拔节期叶绿素含量提供了支持。     

不同品种玉米氮含量与叶片光谱反射率及SPAD值的相关性

为明确不同玉米品种SPAD值及光谱反射率进行氮素营养诊断的可行性,以华北地区的6个主要玉米杂交品种中单909、隆平206、郑单958、金赛06-9、农华101与登海605为材料,设置0.04、0.4、2.0和4.0 mmol/L 4个氮水平的砂培试验,研究了玉米拔节期氮含量、叶片光谱反射率及SPAD值的处理间差异,及其不同氮水平下玉米氮含量与叶片550 nm处的光谱反射率及SPAD值的相关性。结果表明:来源于氮水平的变异远高于品种及二者交互作用引起的变异,植株氮含量与叶片550 nm处的光谱反射率呈显著负相关关系(R=-0.808 8),氮含量与SPAD值存在极显著的正相关性(R=0.895 6)。因此,通过SPAD值及光谱反射率对华北地区玉米杂交种进行氮素营养诊断是可行的,且用SPAD值来诊断氮素营养状况要比光谱反射率的精确度高。     

基于无人机图像分割的冬小麦叶绿素与叶面积指数反演

叶绿素含量与叶面积指数是反映作物长势的重要理化参数,准确、高效定量估计小麦叶绿素含量与叶面积指数对于产量预测和田间管理决策具有重要意义,无人机(Unmanned Aerial Vehicle,UAV)遥感影像具有高空间分辨率的优势,被广泛应用于作物理化参数反演,但现有叶绿素含量与叶面积指数反演模型受土壤、阴影等背景噪声...     

基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算

为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量（soil and plant analyzer development,SPAD）值,分析了一阶微分光谱、高光谱特征参数与 SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和 BP 神经网络的 SPAD 估算模型,并对模型进行验证;再结合主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）以及传统回归模型与 BP 神经网络模型进行比较。结果表明：SPAD 值与一阶微分光谱在763nm 处具有最大相关系数（R=0.901）;以763 nm 处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片 SPAD 估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测 SPAD 值作为输出,构建 BP 神经网络模型,其建模与验模 R2分别为0.887和0.896,RMSE 为2.782,RE 为4.59%,与其他回归模型相比,BP 神经网络模型预测精度最高,研究表明 BP 神经网络对叶绿素具有较好的预测能力,是估算玉米叶片 SPAD 值的一种实时高效的方法。     

甜瓜主茎叶不同叶位SPAD值空间分布与氮素营养诊断

在设施栽培条件下,研究甜瓜关键生育期不同叶位SPAD值的变异特征及与叶片、植株氮素含量的相关性,探索提出基于SPAD仪诊断氮素营养最佳的测定叶位。结果表明,在各施氮水平下,不同叶位间叶片SPAD值存在一定差异,各叶位叶片SPAD值随施氮量的增加而增加。在适宜施氮(N 210 kg/hm~2)水平下,各生育期顶3叶和顶4叶SPAD值变异系数显著低于顶1叶和顶2叶,不同叶位叶片SPAD值与叶片、植株含氮量有较好的相关性,其中顶3叶与叶片、植株含氮量相关性最高。因此,用叶绿素SPAD仪诊断甜瓜氮素营养,顶3叶为较理想的指示叶或参照叶。     

基于农学参数的玉米叶片表观建模与可视化方法

为提高农业题材三维数字媒体内容制作效率,提出基于SPAD(soil and plant analyzer development)和生育期农学参数的作物叶片表观建模与可视化方法,并以玉米为例进行实际验证.将玉米叶片分成叶肉、一级叶脉、二级叶脉3种结构,首先获取主要生育期下各结构表观材质(包括漫反射强度、透射强度、高光反射强度、粗糙度4种参数)及SPAD数据;之后构建各类表观材质参数与SPAD及生育期之间的定量化模型;再对玉米叶片纹理样式进行抽象,构建参数化的玉米纹理结构几何表达,并基于定量化模型为纹理结构分配表观参数;最后整合实时光照计算框架,对大田光环境下玉米表观进行可视化模拟.该文方法搭建了农业知识与三维可视化效果间的桥梁,使用户可以通过调整农学参数实现对作物叶片表观的快速、准确设计与制作,为农业题材的三维数字资源开发提供技术工具.     

无人机多光谱遥感反演冬小麦SPAD值

为研究无人机多光谱遥感5个波段光谱反射率反演冬小麦SPAD（Soil and Plant Analyzer Development）值的可行性，该研究采用六旋翼无人机搭载五波段多光谱相机，采集冬小麦拔节期、孕穗期、抽穗期、开花期的冠层光谱影像并提取反射率特征参数，建立SPAD值的反演模型。结果表明，当波长范围在蓝光、绿光和红光波段，冬小麦拔节期、孕穗期和开花期的无人机多光谱影像反射率参数与SPAD值呈负相关关系，而在抽穗期，二者呈正相关；当波长范围为红边及近红外波段，在整个生长期，二者均呈现正相关关系。该研究构建冬小麦SPAD值反演模型采用了主成分回归、逐步回归和岭回归法，经对比发现基于逐步回归法构建的模型效果最优，该模型的校正决定系数为0.77，主成分回归法次之，岭回归法较差。此外，冬小麦抽穗期多光谱反射率反演SPAD值效果最显著，3种回归模型的校正决定系数分别为0.72、0.74和0.77。该研究可为无人机多光谱遥感监测作物长势、实现精准农业生产管理提供技术依据。     

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关，直接影响植株生长发育，而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关，直接影响茎秆质量及植株的抗倒伏能力。然而，有关对冬小麦茎秆氮含量估算研究较为有限，限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官（叶片、茎秆）氮含量，该研究通过2年田间试验，获取冬小麦4个关键生育期（拔节期、抽穗期、开花期、灌浆期）和3种施氮水平条件下（N1、N2和N3）的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD (soil and plant analyzer development， SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性，并结合5种常用的机器学习算法：随机森林回归（random forest regression，RFR）、支持向量回归（support vector regression，SVR）、偏最小二乘回归（partial least squares regression，PLSR）、高斯过程回归（gaussian process regression，GPR）、深度神经网络回归（deep neural networks，DNN）构建冬小麦叶片和茎秆氮含量估算模型。结果表明：高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期，最佳植被指数双峰冠层植被指数 DCNI（double-peak canopy nitrogen index）对叶片氮含量的敏感性最高，R²为0.866。对茎秆氮含量，在抽穗期的敏感性最高，最佳植被指数归一化叶绿素比值指数 NPQI（normalized phaeophytinization index）与氮含量相关系数R²＝0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度，对叶片氮含量，在不同生育期和施氮水平条件下估算精度提升了1%～7%，其中在全生育期的归一化均方根误差NRMSE从0.254提升到0.214，抽穗期的NRMSE提升最大，从0.201提升到0.128。对茎秆氮含量，全生育期的NRMSE从0.443提升到0.400，抽穗期的NRMSE提升最大，从0.323提升到0.268。在全生育期，结合SPAD值的DNN模型对叶片（R²=0.782、NRMSE=0.214）和茎秆（R²=0.802、NRMSE=0.400）氮含量的估算精度最佳。研究说明，SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。     

利用Landsat TM遥感数据监测冬小麦开花期主要长势参数

为精准农业技术体系中的小麦农艺处方管理决策提供详尽的全局性信息,该文以2007－2009年试验实测数据为基础,以Landsat TM影像为遥感数据源,分析了试验样点开花期冬小麦主要长势参数与品质和产量间以及与卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦开花期SPAD值、生物量、叶面积指数和叶片氮含量的模型。结果表明：冬小麦开花期,选用作物氮反射指数、近红外波段反射率和归一化植被指数这些遥感变量分别反演冬小麦SPAD值、生物量、叶面积指数和叶片氮含量是可行的;SPAD值、生物量、叶面积指数和叶片氮含量遥感监测模型的精度较高,均方根误差分别为3.12、216.5 kg/hm2、0.269和0.162,以此为基础,制作出具有实际农学意义的冬小麦开花期不同等级SPAD值、生物量、叶面积指数和叶片氮含量遥感监测专题图,实现了主要长势参数空间分布量化表达。基于卫星影像的农田面状信息获取技术克服了点状信息的不足,为农业生产管理决策及时提供信息支持,使该研究技术更利于大面积应用和推广。