基于高光谱成像技术的油菜叶片叶绿素含量预测

叶绿素是作物生长中的重要因素，可用于实时监测作物的生长状况。以常规高油酸油菜品种为材料，采用大田试验研究油菜叶片在不同栽培措施下幼苗期、蕾薹期叶片的光谱响应，通过计算反射光谱及其反射光谱的一阶导数与SPAD值的相关性，结合逐步回归挑选出油菜叶片敏感波段，并计算光谱指数。采用一元线性回归和神经网络建立叶绿素含量估算模型。结果表明，由光谱指数所构建的神经网络叶绿素估算模型，精度评价结果均显示比较高的水平，幼苗期反射率光谱指数构建的模型精度最高，决定系数R2为0807 0,均方根误差（RMSE）为1131 5，蕾薹期一阶导数光谱指数构建的模型精度最高，决定系数R2为 0873 2, 均方根误差（RMSE）为1322 3，在蕾薹期和幼苗期通过构建BP神经网络模型能够较好的对油菜叶绿素进行反演。为利用高光谱技术大范围监测油菜叶绿素含量提供了一定的理论依据。     

沿海滩涂棉花叶片叶绿素含量高光谱遥感估算模型研究

以连云港滩涂棉花地为研究区域,利用ASD便携式光谱仪在晴朗天气条件下测试了野外采集的棉花叶片反射光谱,选取原始光谱和一阶导数光谱作为多变量,三边参数（红边、黄边和蓝边）和归一化植被指数NDVI、比值植被指数RVI、结构相关色素指数SIPI、叶面叶绿素指数LCI、水分指数WI、窄波段微分植被指数1DZ_DGVI和窄波段植被指数TCARI/OSAVI作为单变量,分析棉花叶片叶绿素含量与这些变量之间的相关性;在相关分析的基础上构建棉花叶片叶绿素含量估算模型。结果表明,叶绿素a、b和a＋b含量与单变量参数之间的相关性均未达显著水平;而与原始光谱、导数光谱都存在显著相关性。对叶绿素a含量而言,基于440 nm处的一阶导数光谱应用指数函数和幂函数构建的估算模型精度最高,R2为0.231。对叶绿素b含量而言,基于652 nm处的一阶导数光谱应用一元线性回归法构建的高光谱估算模型精度最高,R2为0.165。对叶绿素a＋b含量而言,基于440 nm处的一阶导数光谱应用指数函数、复合函数和生长函数构建的估算模型精度高,R2为0.155。该研究为进一步加强滩涂农业管理和提高滩涂农作物的产量提供技术支持。     

小麦叶层氮含量估测的最佳高光谱参数研究

 【目的】作物体内氮素状况是评价长势和预测产量的重要指标。小麦植株氮素营养的快速监测和无损诊断对于精确氮素管理具有重要作用。本文旨在通过对高光谱信息的精细分析和信息提取,探索建立小麦叶片氮含量（LNC,leaf nitrogen content）估算的最佳波段、光谱参数及监测模型。【方法】利用连续4年的系统观测资料,采用精细采样法,详细分析350～2 500 nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段组合而成的主要高光谱指数与小麦冠层叶片氮含量的定量关系。【结果】发现小麦叶片氮含量的最佳波段为位于红边的690、691、700和711 nm以及近红外波段的1 350 nm;基于归一化光谱指数NDSI（R1350,R700）和NDSI（FD700,FD690）、比值光谱指数RSI（R700,R1350）和RSI（FD691,FD711）、土壤调节光谱指数SASI（R1350,R700）（L=0.09）和SASI（FD700,FD690）（L=-0.01）构建氮含量监测模型,决定系数（R2）分别为0.851和0.857、0.842和0.893、0.860和0.866。利用独立试验资料对模型检验的结果显示,模型测试的精度（R2）均大于0.758,RRMSE均小于0.266,尤其是高光谱参数RSI（FD691,FD711）和SASI（FD700,FD690）表现最好。【结论】总体上,利用精细采样法确定最佳波段,构建植被指数和氮含量监测模型,可显著提高模型的精确度和可靠性,从而为快速无损诊断小麦叶层的氮素状况提供新的波段选择和技术途径。     

关中地区小麦冠层光谱与氮素的定量关系

【目的】分析不同生育期及整个生育期小麦叶片氮含量(LNC)与冠层光谱反射特征的关系,以实现对田间小麦活体氮素营养状况的监测,为小麦叶片氮素状况的精确诊断提供依据。【方法】以位于陕西关中地区杨凌揉谷镇、扶风马席村和巨良农场的3个小麦试验田为研究对象,测定不同长势及生育期小麦LNC及冠层光谱反射率,分析不同长势下小麦LNC和反射率的变化,并研究氮含量与冠层光谱反射率的相关性,以及小麦LNC与比值植被指数(RVI)、归一化植被指数(NDVI)的相关性,建立小麦LNC的敏感波段及光谱监测模型。【结果】在同一生育期,长势差的小麦叶片氮含量较低,长势较好的叶片氮含量高。与单波段相比,组合波段构成的植被指数RVI、NDVI与LNC的相关性明显提高,近红外波段(730~1 075nm)和红波段630,660,690nm组成组合波段的RVI、NDVI与LNC呈极显著正相关,其中LNC与RVI的相关性较高。利用独立的小麦田间试验数据,采用通用的均方根差(RMSE)、决定系数(R2)、准确度(斜率)3个指标对所建立的模型进行检验,最终选取RVI(970,690)为监测小麦LNC的最佳光谱参数,构建的最佳模型为LNC=0.176 3×RVI(970,690)0.775 6,R2为0.863,RMSE为0.137,准确度为0.979,接近于1。【结论】利用小麦冠层光谱反射率构建了预测小麦LNC的最佳模型,该模型具有较好的准确度和普适性,适用于整个生育期小麦叶片氮含量的监测。     

不同玉米品种叶片SPAD值估测模型的构建及其差异性研究

【目的】探究玉米叶片SPAD值与其高光谱特征之间的品种差异,构建不同玉米品种叶片SPAD值估测模型,并对模型应用范围进行验证。【方法】通过大田试验,测定多个玉米品种叶片的SPAD值及其高光谱数据,利用相关分析及逐步回归分析等方法,构建和筛选玉米叶片SPAD值与相关光谱参数的回归模型,并利用偏差率对模型精度进行检验。【结果】不同玉米品种叶片的SPAD值与其高光谱反射率及一阶导数的相关波段存在差异,但品种间差异较小,关系最密切的波段均处于560和700nm附近。对不同玉米品种的光谱反射率一阶导数进行比较时,出现"红移"现象,"红移"规律与各品种叶片SPAD值大小表现一致;叶片SPAD值与光谱反射率一阶导数的显著相关波段在510,615,690和740nm附近。在构建估测模型时,以单波段光谱参数构建的模型估测效果较组合波段构建的模型好,且模型类型为多元方程和指数方程。以单一玉米品种叶片光谱参数建立的模型可以对其他玉米品种叶片的SPAD值进行估测,但估测精度在不同品种间存在差异。【结论】以高光谱560nm附近波段反射率建立的模型精度最高,对不同品种的玉米叶片SPAD预测值偏差率普遍小于5.00%。     

甘蔗叶片光谱特征分析及氮含量估算初探

设置了5个施肥水平田间试验,获取甘蔗分蘖期叶片的全氮含量和光谱反射率,分析氮含量与光谱反射率的相关性,并构建基于敏感波段的氮含量估算模型。结果显示,甘蔗叶片氮含量与光谱反射率在401~1 000 nm波段区间呈显著负相关关系,在402~953 nm波段区间呈极显著负相关关系,相关系数在550、741 nm出现了两个峰值,说明这两个波段附近的光谱反射率对叶片氮含量较为敏感;R550、R741构建的模型决定系数(R~2)较大,NDVI(550,741)、RVI(550,741)、NDVI(730,835)、RVI(730,835)构建的模型决定系数较小,R550、R741相比NDVI(550,741)、RVI(550,741)、NDVI(730,835)、RVI(730,835)更适用于甘蔗叶片氮含量估算;由R741构建的二次函数模型(y=-119.1x~2+61.53x+3.851)决定系数为0.681,氮含量估算值均方根差(RMSE)为1.13 g/kg,平均相对误差为8.92%,相比于其他模型综合效果较好。推荐由R741构建的二次函数模型作为甘蔗分蘖期叶片氮含量估算模型。     

基于高光谱和BP神经网络的双子叶植物叶片叶绿素遥感估算

针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX’93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较。结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R~2和最优验证样本R_V~2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R~2和最优验证样本R_V~2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模R_V~2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高。研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法。     

基于高光谱特征波长的冬小麦水分含量估测模型

【目的】以高光谱技术为核心,结合理化数据,建立快速、无损的冬小麦冠层水分含量估算模型,为利用高光谱技术进行小麦水分含量的无损检测提供参考。【方法】测定两种冬小麦的叶片、植株含水量,采集其光谱数据作SG平滑、一阶导数和二阶导数处理,分析其相关关系,构建冬小麦叶片和植株含水量的多种估算模型,进行精度评价。【结果】不同光谱数据处理中一阶导数变换能够显著增加与小麦含水量的相关性,叶片含水量在456 nm波长处达到了最大负相关,相关系数为0.87,植株含水量在457 nm波长处达到了最大负相关,相关系数为0.890 9;偏最小二乘回归构建的水分含量估测模型拟合精度优于线性和多元回归模型,线性模型采用R₆₅₀、SG₁₉₄₄、R′₄₅₆、R″₆₈₁构建的模型估测叶片含水量较好,估测植株含水量R₆₆₄、SG₆₆₃、R′₄₅₇、R″ ₆₈₁精度较高; 多元线性回归和偏最小二乘回归都是采用一阶导数变换构建的模型拟合精度最高,叶片和植株水分含量估测模型的外部检验R²分别达到0.803 2、0.867 0、0.854 0、0.885 6。【结论】小麦原始光谱一阶导数变换后能够显著提高与水分含量的相关性,利用PLSR方法构建的小麦水分含量估测模型拟合精度最高。     

大豆叶面积的高光谱模型

以ASD FieldSpec-Vnir光谱仪实测不同生长季大豆的冠层反射率,同期采集对应大豆LAI,然后逐波段分析冠层光谱反射率、导数光谱与大豆LAI的相关关系;并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确定性系数随波长的变化趋势,建立了以近红外与可见光波段冠层光谱反射率的比值植被指数RVI与大豆LAI的高光谱遥感估算模型。结果表明,冠层光谱反射率在350￣680nm、760￣1050nm波谱区与大豆LAI相关性较大,而在红边区680￣760nm的相关性变化较大;导数光谱在红边区与大豆LAI相关程度高。通RVI方式建立的遥感估算模型能较为准确估算大豆LAI,通过对红外与蓝波段建立的RVI指数与大豆LAI的回归模型,表明其预测大豆LAI的能力较好,有进一步研究的必要;通过对比发现,神经网络模型可以大大提升高光谱反演大豆LAI的水平,模型的确定系数R2为0.9661,而总均方根误差RMSE仅为0.446m2.m-2。     

基于高光谱指数的棉花冠层等效水厚度估算

【目的】建立快速、无损监测棉花冠层等效水厚度(canopy equivalent water thickness,CEWT)的估算模型,进一步提高利用高光谱遥感技术监测棉花CEWT的估算精度。【方法】通过在不同生育期设置灌溉梯度试验,于棉花蕾期和花铃期同步测定冠层光谱反射率、冠层等效水厚度等信息,综合分析棉花冠层等效水厚度与原始光谱反射率、一阶导数光谱反射率、全波段组合光谱指数、已有光谱指数的相关性,确定蕾期、花铃期及全生育期的最优光谱指数,并通过线性回归构建棉花CEWT的高光谱监测模型。【结果】冠层等效水厚度与原始光谱反射率在近红外波段(NIR)780—1 130 nm和短波红外波段(SWIR)1 450—1 830 nm、1 950—2 450 nm附近均出现连续的敏感波段,一阶导数光谱在NIR波段内对CEWT的敏感程度较原始光谱有所加强,但在SWIR波段内敏感程度弱于原始光谱;利用原始光谱反射率构建的光谱指数与CEWT的相关性强于一阶导数光谱,且比值光谱指数(RSI)较归一化差分光谱指数(NDSI)更适合CEWT的监测。在全生育期内(R1135-5R1494)/R2003对CEWT的反演精度最佳(R2=0.7878,RRMSE=0.1803);在蕾期RSIb(1130,1996)对CEWT的估算效果最好(R2=0.7258,RRMSE=0.1444);在花铃期RSIa(904,1952)是估算CEWT的最优光谱指数(R2=0.7853,RRMSE=0.2454)。【结论】该研究在不同生育阶段内提出的新型高光谱指数均可用于棉花冠层等效水厚度的定量监测,研究结果可为高光谱技术在棉花冠层水分含量监测中的应用提供参考,为棉花精准灌溉提供技术依据。     

基于高光谱遥感的棉花叶片叶绿素含量估算

为提高高光谱植被指数对棉花叶绿素含量的估算精度,以陕西省关中地区棉花花铃期叶片高光谱反射率为数据源,分析了13种植被指数与棉花叶片叶绿素相对含量(SPAD)的相关关系;同时采用降精细采样法,详细分析400~2 000nm波段范围内原始光谱反射率的任意两两波段组合而成的优化光谱指数RSI与SPAD值的定量关系,构建线性及非线性回归监测模型,并对模型进行验证。结果表明:1)所提取的13种植被指数中NIR/NIR与SPAD值的相关系数最大(r=0.914),并且基于NIR/NIR(R780/R740)构建的回归方程模型优于其他植被指数,其构建的二次曲线方程回归模型建模与验模R2分别为0.900和0.785,RMSE为4.762,RE为7.86%,为基于提取的12种植被指数构建SPAD值估算模型中最佳模型;2)优化后的比值光谱指数RSI(Ration spectral index)的敏感波段为500和563nm,RSI(500,563)与SPAD值的相关系数r=0.999,与棉花叶片SPAD含量在0.01水平下呈显著相关,其构建的二次曲线方程模型效果最优,建模和验模R2分别为0.912和1.000,RMSE为2.848,RE为4.38%。与提取的13种植被指数相比,基于RSI指数二次曲线回归模型为估算叶绿素含量的最佳模型,并且模型预测值和实测值之间的符合度较高R2=0.843,表明基于波段优化算法的优化光谱指数RSI能更好的预测棉花叶片叶绿素含量。     

基于冬小麦冠层高光谱的干生物量监测

冬小麦地上干生物量(AGB)能够表征麦田生态系统生产力的大小,提取AGB光谱特征信息和实现其准确估算,对于掌握冬小麦长势情况具有重要的作用。基于连续2 a的氮运筹试验,利用连续投影算法(SPA)提取原始光谱和一阶微分光谱的重要波段,并基于所提取的光谱特征利用多元线性回归(MLR)方法构建AGB的光谱监测模型。结果表明,利用SPA算法可有效降低光谱维度,基于原始光谱所筛选的重要波段分别为528,671,734,910,1 235 nm,而基于一阶微分光谱所筛选的波段为530,669,740,817,1 209 nm;基于一阶微分处理所建立的模型校正集与验证集模型均达到了较高的精度,Y=-5.01+2 043.86R530-7 772.11R669+348.54R740+14 462.04R817+14 196.13R1209,其R2,RMSE和RPD分别为0.72,1.92 t/hm2和2.53;验证集R2和RMSE分别为0.67,2.25 t/hm2。研究表明,结合SPA和MLR可以实现冬小麦AGB的实时估算,研究结果对冬小麦生长状况监测具有一定的参考价值。     

花生叶鲜生物量的高光谱估算模型

利用花生生物物理参数和冠层高光谱数据,基于光谱一阶微分技术,选取对生物量敏感的波段组成高光谱植被指数,建立花生叶鲜生物量的高光谱遥感估算模型。结果表明,花生叶鲜生物量在绿峰525~556 nm、红谷645~689 nm和近红外710~900 nm波段范围反射光谱与花生叶鲜生物量有极显著相关关系。高光谱反射率与叶鲜生物量在大部分可见光区和近红外波段呈显著相关,并且在可见光红光波段呈负相关,在近红外波段呈极显著正相关。花生光谱反射率与花生叶鲜生物量相关的近红外、红光波段的敏感波段分别为770、673 nm,用这2个波段构建植被指数,组成高光谱归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)和再次归一化植被指数(RDVI),并构建生物量反演模型;相对于NDVI、DVI、RDVI建立的简单线性函数估测模型,RVI所构建的花生叶鲜生物量估测模型的预测精度较高。     

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EFAST方法的苹果叶片叶绿素含量估算

为了快速、准确地估算叶绿素含量,使用2012年和2013年在山东省肥城市潮泉镇获取的整个生育期苹果叶片叶绿素含量和配套的光谱数据,利用PROSPECT模型和EFAST方法探讨了对叶绿素含量敏感的波段,然后采用经验统计方法实现了单波段高光谱对苹果叶片叶绿素含量的监测。结果表明:以571 nm和697 nm波段光谱参数为自变量所建立的估测模型拟合精度较高,其决定系数(R2)分别为0.71和0.69,均方根误差(RMSE)分别为1.14、1.17 mg/dm~2,相对误差(RE)分别为-1.07%和-1.01%。以PROSPECT模型和EFAST方法整合筛选的敏感波段建立的估算模型监测叶绿素含量效果较好,为利用高光谱技术监测苹果长势提供了理论依据。     

基于无人机多光谱图像监测棉花冠层含水量

使用无人机搭载的多光谱相机获取田间遥感影像,通过相关性计算选取合适的波段组合,基于多光谱影像间的波段运算得到植被指数(VIs),采用最小二乘法构建棉花冠层含水量反演模型.结果表明,红波段(680nm)和近红外1波段(800nm)间的光谱特征与棉花冠层含水量相关性最高,由此光谱区间构建了归一化植被指数(NDVI)和比值植被指数(RVI),基于NDVI的二阶多项式回归得到了较好的预测结果,R2在0.69以上.使用此方法可以实现棉花冠层含水量的快速、无损监测,从而为田间精准灌溉提供技术支持.     

基于高光谱的小麦旗叶净光合速率的遥感反演模型的比较研究

植物净光合速率是植物生产的基础,是体现植物生长状况的重要生理指标。本文将小麦旗叶高光谱波段反射率进行一阶导数变换后与净光合速率（Pn）进行相关性分析确定敏感波段,分别采用二次多项式逐步回归（QPSR）、偏最小二乘法（PLSR）、BP神经网络法（BPNN）3种方法构建小麦旗叶的净光合速率反演模型,并对3种模型的预测精度进行比较分析。结果表明：（1）将小麦旗叶的原始光谱进行一阶导数变换后与Pn进行相关性分析确定的敏感谱区集中在750~925 nm之间,确定的6个敏感波段分别是：760、761、767、814、815、889 nm;（2）基于QPSR、PLSR、BPNN3种方法以及敏感波段的反射率一阶导数构建的Pn估测模型预测精度都较高,说明用这3种方法以及敏感波段对Pn的估测是可行的,其中模型估算能力顺序为QPSR > BPNN > PLSR,说明小麦旗叶Pn的最佳高光谱分析模型为小麦叶片750~925 nm反射率一阶导数变化后的QPSR模型。     

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。     

毛竹林光谱特征及其与典型植被光谱差异分析

以毛竹光谱特征为研究对象,通过对光谱曲线和一阶导数曲线进行分析,探明了不同季节毛竹林的光谱特征及其与典型树种的光谱差异,为毛竹林的遥感监测提供了理论依据。研究结果表明:1)毛竹光谱曲线在可见光波段出现1个反射峰和1个吸收谷,这2个峰的对应波长分别为556和680 nm, 近红外波段的反射率明显增大。2)大年毛竹林春季和夏季的一阶导数曲线的红边波段呈“双峰”,秋季和冬季呈“单峰”,夏季的红边位于700 nm,其他季节红边位于718 nm;小年毛竹林秋季的一阶导数曲线的红边波段呈“双峰”,冬季呈“单峰”,红边均位于718 nm;不同季节毛竹林红边振幅大小依次为:春季夏季冬季秋季。3)毛竹林与其他典型植被在500～600、660～680、700～900 nm 等波段的反射率差异明显,可作为遥感监测的最佳波段,并且“绿峰”、“红谷”、红边位置、红边振幅以及红边波段的“峰型”等特征可作为毛竹林遥感识别的主要参数,监测最佳季节是春季,其次为秋季。      

基于高光谱数据的橡胶树叶片氮素含量估算模型研究

分别采用光谱指数法和偏最小二乘法(PLS)构建了橡胶树叶片氮素含量高光谱估算模型。结果表明,光谱指数模型中,基于NDSI(R1025,R736)建立的二次多项式模型最佳,调整R2达到0.792。基于不同Savitzky-Golay(SG)平滑模式预处理结果建立的PLS模型,估算精度差异明显,最优的SG平滑模式为零阶导数、53点平滑点数、二次多项式。利用测试集对光谱指数模型和PLS模型进行验证,结果显示,均方根误差RMSE分别为1.772和1.432 g/kg,相对分析误差RPD分别为2.598和3.215,平均相对误差ARE分别为5.189%和4.057%,PLS模型具有较高的估算精度。