基于高光谱遥感的玉米叶片SPAD值估算模型研究

灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明：基于全谱构建的PLSR模型SPAD值拟合效果最好（R ²=0.910,RMSE=2.071）,而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果（R ²=0.867,RMSE=2.581,RPD=2.628）优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。     

基于无人机多光谱的华北平原花铃期棉花叶片SPAD建模方法研究

华北平原地区棉花叶片SPAD光谱特征有待探明,其最适宜建模方法亦有待研究。笔者针对华北平原棉区,基于无人机多光谱探索其叶片SPAD光谱特征和最佳建模方法。以德州市夏津县大李庄棉区为研究区,利用无人机获取棉花花铃期的多光谱图像,同步测定棉花叶片SPAD值;对原始光谱进行预处理并组合构建光谱指数,进而采用相关分析筛选出6个棉花SPAD特征光谱指数;分别采用BP神经网络(BPNN)、多元逐步回归(MSR)和支持向量机(SVM)方法构建棉花SPAD值定量分析模型,并对模型验证、对比,优选最佳模型和建模方法,进而定量分析研究区棉花叶片SPAD空间分布。结果表明:棉花叶片SPAD的特征波段为红光和红边波段;入选模型的特征光谱指数为r、r*reg、(reg-r)/(reg+r)、r-g、r/g、$\sqrt{r^{2}+g^{2}}$;对比3种建模方法,BPNN模型精度最高,其建模集R²、RMSE分别为0.747、4.568,验证集R²、RMSE、RPD分别为0.758、4.142、2.135,确定为棉花叶片SPAD的最佳模型。基于BP神经网络模型进行棉花叶片SPAD的空间分布反演,反演值与实测值具有高度一致性,拟合结果较好。BP神经网络可以作为基于无人机多光谱的华北平原棉花叶片SPAD建模的优选方法,该研究可促进棉田定量遥感和棉花长势监测。     

棉花苗期冻害高光谱特征研究

 通过盆栽、霜箱模拟冻害,结果表明:冻害棉苗叶绿素含量、光合、蒸腾速率显著低于对照组。叶绿素含量与高光谱特征相关分析表明对照组高相关波段集中在红、近红外波段,而冻害组集中在蓝、绿、红波段。根据相关系数及高光谱反射率、一阶导数、倒数后对数三类特征值差异显著性分析,反射率、一阶微分不易选取冻害胁迫诊断波段,利用反射率倒数后对数,B696、B720、B768、B845可作为诊断波段。由诊断波段的反射率值计算的植被指数与叶绿素含量相关性要比单一波段更高,由倒数对数和一阶微分值计算的植被指数与叶绿素含量相关性反而低于单一波段。利用诊断波段的倒数后对数光谱特征值用于反演苗期冻害叶片叶绿素含量。     

淹水胁迫下棉花叶片SPAD高光谱估算模型研究

【目的】建立淹水胁迫下棉花叶片SPAD的高光谱模型。【方法】利用灌排可控的试验田在棉花花铃期模拟淹水处理,分析受涝1 d、3 d、6 d、9 d后棉花叶片光谱反射率、SPAD值的变化特征;并对淹水胁迫后棉花叶片高光谱特征参数与SPAD值进行相关与回归分析,探寻用于估算淹水胁迫下棉花叶片SPAD变化的高光谱模型。【结果】(1)受涝3 d时棉花倒4叶SPAD值就显著低于对照,到受涝9 d时SPAD值比对照减少15%左右。(2)棉花花铃期受涝后倒4叶绿光波段反射峰变陡,近红外短波段的反射率升高。花铃期受涝使棉花倒4叶红边位置"蓝移",涝害持续9 d时红边位置向短波方向移动了4~5 nm,红边幅度和红边面积呈先增大后减小趋势,在受涝6 d时达到最大,红边偏度和红边峰度增大。(3)涝后棉花叶片SPAD值与红边幅值(Dr)、红边位置(λr)、绿峰反射率(Rg)、绿峰位置(λg)、红谷位置(λo)、蓝边面积(SDb)、黄边偏度(Sy)、黄边峰度(Ky)、红边偏度(Sr)、红边峰度(Kr)等光谱特征参数极显著相关;分别以Sy、Sr、Kr为自变量的一元线性、多项式和指数模型估算SPAD值较优,其决定系数(R~2)均大于0.9,均方根误差(RMSE)均小于1;多元逐步回归分析发现以λg、SDr/SDb(VI3)、Sb、Sy、Ky为自变量的多元线性模型估算SPAD值较优,R~2高达0.973,RMSE为0.393。【结论】该模型可以作为估算淹水胁迫棉花叶片SPAD值的遥感模型。     

棉花功能叶片色素含量与高光谱参数的相关性研究

叶片色素状况是评价植株光合能力、监测生长状况和预测产量潜力的重要指标,高光谱遥感技术为快速无损监测作物叶片色素提供了有效手段.本研究以4个棉花品种在3个施氮水平下的2年田间试验为基础,通过测定棉花(Gossypium hirsutum)功能叶片的高光谱反射率及对应的色素(叶绿素a、叶绿素b、叶绿素a b、类胡萝卜素)含量,定量分析了叶片高光谱参数与色素含量之间的相关关系.结果表明,与棉花功能叶片各色素指标相关性比较好的高光谱波段主要分布在500～700 nm;由敏感波段构建的光谱指数与各色素指标的相关性均在0.50以上;且红边最小值(Lo)可以作为共同的高光谱指数来估测不同棉花品种不同氮素水平下功能叶片的叶绿素总量(组合品种的R2为0.67).因此,通过高光谱参数来估算棉花功能叶片色素含量是可行的.     

利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量

实时、无损监测棉花叶片的叶绿素和氮素含量对诊断棉花生理状况和氮肥精确管理具有重要意义。本研究基于MSI200成像光谱仪和数码相机两种可见光传感器,分析和比较了光谱和颜色参数与叶绿素、氮素浓度和SPAD读数的关系,并且确立了其定量预测模型。结果表明,不同传感器对叶绿素和氮素最敏感的波段分别为R₇₁₀和R;光谱指数与叶绿素、氮素浓度和SPAD读数的相关性比原始光谱好,而且以蓝光和红光波段组成的差值指数(DI和R–B)的预测能力最佳;DI所建棉花叶片Chl a+b、Chl a、Chl b、N和SPAD读数的预测模型的预测误差分别为0.0058、0.0050、0.0018和2.3002 mg g^–1和4.9736(分别为均值的18.39%、19.47%、30.33%、11.69%和8.45%),预测精度R²分别为0.7965、0.7582、0.6608、0.7019和0.7338;R–B所建模型的预测性比DI差,对Chl a+b的预测精度最高(R²=0.7400),而预测Chl b的精度最低(R²=0.5653)。基于CIE 1976 L*a*b*颜色模型的颜色参数b*和HSI颜色模型的S是两种传感器与叶绿素、氮素浓度和叶色关系较好的颜色参数;b*对叶绿素、氮素浓度和SPAD读数的预测能力稍逊于DI,预测误差和精度都与DI的比较接近;而饱和度S值的预测RRMSE最大,整体预测精度小于0.62。因此,可以利用可见光成像传感器的光谱和颜色参数估测棉花叶片叶绿素和氮素含量。     

水稻叶片叶绿素含量与吸收光谱变量的相关性研究

采用小区试验研究了水稻叶片叶绿素含量与吸收光谱衍生变量的相关性。结果表明：拔节期、抽穗期和灌浆期是水稻叶片诊断的敏感时期;选择最佳的敏感波段组合构造衍生变量,利用光谱衍生变量反演水稻叶片叶绿素含量。发现：在抽穗期和灌浆期,对数相加模型的反演能力明显优于SPAD值的反演能力。SPAD值的反演能力仅在拔节期略优于对数相加模型的反演能力,说明用每个生育期的相应敏感光谱波段对数相加能更加准确地估测叶绿素含量。本文为进一步改进SPAD-502的测量性能提出一些探索性研究。     

基于吸收、透射和反射光谱预测水稻叶绿素含量研究

选择基于吸收率和透射率的叶绿素含量定量反演波段组合,构建叶绿素含量光谱估测模型寻找基于吸收、透射和反射光谱预测叶绿素含量的波段。以3个水稻品种临稻11,圣稻13和阳光200为材料,进行田间实验。比较水稻叶片吸收、反射及透射光谱曲线和一阶导数光谱曲线,发现440、480、630nm和681nm为叶绿素吸收峰的实际发生波段位置,其中630nm波段处的叶片光谱吸收率(A)、透射率(T)和反射率(R)之间相关性最好。比较三者之间的相关性,吸收率与透射率的相关性最强。630nm波段处的叶片光谱吸收率、透射率和反射率与叶绿素含量之间的相关性均达到极显著水平。回归分析表明基于440、480nm和681nm3个波段光谱吸收率线性模型,440、480nm和630nm3个波段光谱透射率线性模型估测叶绿素a含量,480、630nm和681nm3个波段光谱透射率线性模型估测叶绿素b含量,与单独使用630nm光谱变量估测叶绿素含量比较,在4个生育期估测精度均有显著提高,其中以叶绿素a和叶绿素总量的估测效果最好。     

基于光谱指数和偏最小二乘的棉花类胡萝卜素/叶绿素a比值估算

类胡萝卜素(Car)与叶绿素a含量比值(Car/Chla)的变化与植被生长发育变化、环境胁迫及叶片衰老特征等密切相关,可作为植被生理生态及物候的监测指标。不同植被类型和植被品种其色素变化随植被生长发育呈现出不同的变化特征。为了探究适用于干旱区棉花Car/Chla比值估算的光谱指数和估算方法,本研究通过2011年和2012年连续2年的大面积田间试验,获取了棉花不同生育期的叶片及冠层尺度光谱反射率及色素含量信息,对多种光谱指数及偏最小二乘回归(Partial Least Square Regression, PLSR)用于Car/Chla比值和Car估算进行了探讨。对比表明,基于光化学指数(PhotochemicalReflectanceIndex,PRI)的线性和一元二次模型对Car/Chla比值和Car的估算精度最高,由PRI-Car/Chla线性模型得到的叶片和冠层尺度的Car/Chla比值估算值与实测值之间的决定系数R2大于0.6, PRI-Car的R2大于0.36;基于PLSR模型得到的Car/Chla比值估算值与实测值之间的拟合关系略优于基于PRI的估算模型,由其得到的叶片及冠层尺度Car/Chla比值估算值与实测值之间的决定系数R2大于0.80,Car估算值与实测值之间R2大于0.73;不论基于PRI还是基于PLSR方法,对Car/Chla比值的估算精度均高于Car含量,该结论进一步证实了Car/Chla比值遥感监测的可行性,丰富了对棉花生长高温胁迫、养分胁迫等环境胁迫及病虫害等遥感监测的依据指标。     

基于近地高光谱棉花生物量遥感估算模型

分析棉花地上鲜生物量冠层高光谱反射率变异系数，反射率光谱、一阶微分光谱与地上鲜生物量相关关系得结果表明：在可见光近红外波段棉花冠层反射率光谱变异系数在672 nm波段处最大；棉花地上鲜生物量与反射率光谱相关系数最大值在可见光波段出现在589~700 nm，在近红外波段出现在865~919 nm波段，且前者大于后者。地上鲜生物量与一阶微分光谱相关系数在可见光波段出现524~528 nm、552~588 nm、710~755 nm 3个高值区。基于以上研究，选择19个高光谱特征参数建立了棉花地上鲜生物量高光谱遥感监测模型，经检验，单波段中以F₆₂₉估算水平最高，估算模型为Y = 9.7914 exp(－20.738 F629)，准确度为83.9%、RMSE为0.64 kg m^-2、预测值与实测值相关系数为0.940**；组合参数以[629, 901]指数形式估算模型估算水平最高，模型为Y = 0.0986 exp(4.3696[629, 901])，准确度达84.0%，RMSE为0.55 kg m^-2，预测值与实测值相关系数为0.960**，上述两个模型为参选模型中估算棉花地上鲜生物量最佳高光谱估算模型。     

Hyperspectral Models for Estimating SPAD Value of Cotton Leaves under Waterlogging Stress

[Object] To setup the hyperspectral sensing models for estimating SPAD value of cotton leaves under waterlogging stress. [Method] Irrigation and drainage controllable plots were introduced to simulate the waterlogging stress treatment in the flowering and boll forming stage, during which the change characteristics of the cotton leaf spectral reflectance and SPAD value were observed after 1 d, 3 d, 6 d, 9 d waterlogging, respectively. To find out the hyperspectral sensing models for estimating SPAD value of cotton leaves under waterlogging stress, the correlation and regression relationships between SPAD value and spectrum parameters were analyzed. [Result] (1) The SPAD value of the fourth cotton leaf from the top was significantly lower than control when suffers from waterlogging for 3 d, when waterlogged 9 d the SPAD value decreased by around 15% compared with the control. (2) The cotton suffering from waterlogged damage in the flowering and boll forming stage caused the reflection peak in green light wave band became steep, while the near infrared spectral reflectance increased, and caused the reduction of red absorption and red edge position "blue shifts", the red edge position drifts towards short wave with 4～5 nm when suffers from waterlogging for 9 d. With increase of the waterlogged days, the red edge slope and red edge area increased with a maximum value at 6 d of waterlogging, meanwhile, the skewness and kurtosis of red edge increased. (3) After waterlogging, the SPAD value of the fourth cotton leaf from the top (chlorophyll content) had a remarkable correlation with red edge slope(Dr), red edge position(λr), green peak reflection(Rg), green peak position(λg), red well position(λo), blue edge area(SDb), yellow edge skewness(Sy), yellow edge kurtosis(Ky), red edge skewness(Sr), red edge kurtosis(Kr), etc. An experience linear, polynomial and exponential models for estimating SPAD value had been built through using the Sy, Sr, Kr as independent variables, respectively, their determination coefficient (R²) were greater than 0.9, and the root mean square error (RMSE) were less than 1; and an experience binary linear regression equation for estimating SPAD value had been built through multivariate regression using the λg, SDr/SDb(VI3), Sb, Sy, Ky as independent variables, the R² was as high as 0.973, and the RMSE was 0.393. [Conclusion] The model can be remote sensing model used as estimating leaf SPAD of cotton value under waterlogging stress.     

MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病

为了从全波段光谱数据中提取对小麦条锈病敏感的特征参量,提高小麦条锈病遥感探测模型的运行效率和精度,本文首先从惯性权重和粒子更新方式两个方面对传统离散粒子群算法(discretebinaryparticleswarmoptimization, DBPSO)进行改进,利用改进离散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)从全波段光谱数据中优选遥感探测小麦条锈病严重度的特征变量,然后与冠层日光诱导叶绿素荧光(solar-inducedchlorophyllfluorescence,SIF)数据相结合作为自变量分别利用随机森林(randomforest,RF)和后向传播(backpropagation,BP)神经网络算法构建小麦条锈病遥感探测模型,并将其与相关系数(correlationcoefficient,CC)分析法和DBPSO算法提取特征参量构建模型的精度进行对比分析。结果表明:(1) MDBPSO算法比传统DBPSO算法具有更快的收敛速度和更高的寻优精度,改进前后其迭代次数从395次减少到156次,最优适应度函数(optimumfitnessvalue,OFV)值从0.145减小到0.127。(2)采用MDBPSO算法选择特征变量时,RF和BP神经网络两种方法构建的模型精度均高于CC分析法和DBPSO算法,其中RF算法预测病情指数(diseaseindex,DI)值和实测DI值间的检验集决定系数(validation set determination coefficient, R2V)比CC分析法和DBPSO算法分别提高了9%和3%,均方根误差(validation set root mean square error, RMSEV)分别降低了28%和11%, BP神经网络算法预测DI值和实测DI值间的R2V比CC分析法和DBPSO算法分别提高了13%和6%,RMSEV分别降低了21%和10%,利用MDBPSO算法优选特征参量能够提高小麦条锈病的遥感探测精度。(3)在MDBPSO、DBPSO和CC分析法3种特征选择算法中,RF算法构建的模型精度均高于BP神经网络算法,其中RF模型预测DI值和实测DI值间的R2V比BP神经网络算法至少提高了7%,平均提高了9%,RMSEV至少降低了15%,平均降低了20%。以MDBPSO算法优选的特征参量为自变量利用RF方法构建的小麦条锈病遥感探测的MDBPSO-RF模型是小麦条锈病遥感探测适宜模型,该研究结果为进一步实现作物健康状况大面积高精度遥感监测提供了新的思路。     

Hyperspectral Estimation Model of Chlorophyll Content in Cotton Canopy Leaves under Drip Irrigation at Different Growth Stages

[Objective] This article is aimed to estimate the chlorophyll content of cotton canopy leaves in drip irrigation fields at different growth stages in northern Xinjiang and establish a model for estimating chlorophyll content in growth time series by using hyperspectral. [Method] Using Xinluzao 45 as the experimental material, the chlorophyll content and the corresponding spectral reflectance of cotton canopy leaves at different nitrogen levels and growing stages were measured, and the relationship between 12 indices and the chlorophyll content was analyzed. The estimation models of the chlorophyll content in cotton canopy leaves under drip irrigation were established. [Result] The correlation coefficient between the chlorophyll content of canopy leaves and Vogelmann red edge index was high in the four growing periods of cotton, and the correlation coefficient was 0.944, 0.907, 0.895, 0.930, respectively. And the spectral reflectivity was the highest at the flowering and boll period. The precision of the model established by the multivariate regression method is higher than that of the single exponential linear model with the determination coefficient more than 0.8 and the root mean square error smaller than that of the single exponential linear model. The model of the budding stage (y＝82.509_x1＋89.937_x2－94.438) has the best precision. [Conclusion] The chlorophyll content can be estimated by the models established at different growth stages, and the budding stage model has the best monitoring effect.     

基于无人机高光谱影像的玉米地上生物量反演

【目的】研究以玉米地上干生物量为研究对象,探讨基于无人机高光谱数据利用人工神经网络法反演生物量的可行性。【方法】在吉林省蔡家镇开展玉米氮肥梯度试验,并进行无人机高光谱数据和地上干生物量获取,共获数据30组。随机选22组数据用于建模,剩下8组用于模型的外部验证。分别基于光谱指数法和BP神经网络算法构建反演模型,比较分析各种方法反演玉米生物量的优劣。【结果】结果表明：和基于光谱指数构建的生物量反演模型相比,BP神经网络模型取得了更好的反演结果。其建模时决定系数为0.99均方根误差为0.08 t/ha,相对均方根误差为3.39%；外部验证时,决定系数为0.99,均方根误差为0.15 t/ha,相对均方根误差为8.56%。【结论】BP神经网络模型可有效提高无人机高光谱遥感反演玉米地上生物量的精度。     

基于高光谱的水稻土有机质含量估算研究

利用高光谱技术可实现土壤有机质含量的快速、精确反演。然而运用不同的光谱预处理算法及建模方法获取的模型预测精度及稳定性不同。为了选取最佳土壤有机质估算模型,本研究应用ASD波谱仪测定河南省潢川县水稻土的光谱数据,比较使用2种建模方法组合18种光谱预处理转换算法建立模型的反演效果。对于多元逐步回归模型和偏最小二乘模型,使用SGF3-2预处理算法均获得了最佳的预测效果,所建模型具有较小的误差和较高的精度。相比使用多元逐步回归法,使用偏最小二乘回归法可以获取更稳定的预测模型。运用偏最小二乘模型结合SGF3-2预处理算法得到了最佳的水稻土有机质含量估算模型,模型预测均方根误差RMSEv=0.036,决定系数Rv2=0.89。选择最佳的建模方法结合预处理算法,可以改进模型反演精度。本研究对比的不同方法也可以应用到类似的土壤模型选取中。     

基于高光谱植被指数的棉田冠层特征信息估算模型研究

 采用ASD Field Spec Pro VNIR 2500型光谱辐射仪获取了棉花不同生育时期的冠层高光谱反射率。并通过光谱分析技术，建立了基于高光谱植被指数——归一化植被指数和比值植被指数的棉田冠层特征信息的定量模型。经过对估算模型的精度检验和评价，最终筛选出表征棉花冠层结构特征参数的最佳估算模型。结果表明，基于归一化植被指数预测棉花叶面积指数，以幂函数（y=11.084x^12.024，r=0.8076^**）的模型为最优；基于比值植被指数预测棉花单位面积地上部鲜生物量，以指数函数（y=52.261·exp(0.1024x)，r=0.8114^**）的估计模型为最优；基于比值植被指数预测棉花单位面积地上部干生物量，以指数函数（y=9.5552·exp(0.1133x)，r=0.8330^**）的模型为最优。可见，利用高光谱遥感技术可以分析、模拟、评价、预测棉花冠层特征参量，为精准种植棉花提供了依据。