基于非成像高光谱的高山松叶绿素估算模型研究

以云南省香格里拉县建塘镇的高山松为研究对象,使用ASD Field Spec 3便携式野外地物光谱仪测定高山松叶片光谱,并在实验室测定叶片样本的叶绿素含量。经光谱分析技术及统计相关分析法进行光谱数据的分析处理,提取原始光谱及一阶微分光谱特征波段和光谱特征变量,建立与叶绿素含量间的单变量估测模型和双隐层BP神经网络预测模型,并采用决定系数(R~2)、均方根差(RMSE)和相对误差(RE)进行精度检验。结果表明,单变量模型以一阶微分光谱反射率的三次函数模型为最优模型,其R~2、RMSE、RE分别为0.511、1.297 6mg/g、10.06%,而基于双隐层BP神经网络最优模型的R~2、RMSE、RE分别为0.637、0.384 1mg/g、9.47%,精度达到90.53%,经比较得出其具有较优的预测能力,充分体现BP模型的可行性,为快速、准确的估测高山松叶绿素含量提供有利的理论依据。     

西双版纳普洱茶叶片生化参数高光谱估测模型研究

以西双版纳普洱茶为研究对象,利用ASD Field Spec 3地物光谱仪采集叶片高光谱数据,采用导数光谱分析技术对光谱数据进行处理,在实验室测定相应的茶氨酸和氮素含量,分析普洱茶叶片生化参数与原始光谱、光谱一阶微分、光谱对数一阶微分以及高光谱特征变量间的相关性,并利用遗传算法优化的BP神经网络建立了茶氨酸含量和氮素含量的高光谱估测模型。结果表明:普洱茶叶片生化参数含量与高光谱原始反射率间相关性弱,但与光谱一阶微分、光谱对数一阶微分和高光谱特征变量在可见光、近红外波段范围内相关性较强;遗传算法优化下的BP神经网络模型对普洱茶叶片生化参数的估测精度优于普通BP神经网络模型,茶氨酸含量估测精度RMSE为0.21 mg/g,R~2为0.73,氮素含量估测精度RMSE为0.36 g/kg,R~2等于0.88。     

基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算

【目的】建立并研究棉花冠层叶片叶绿素含量的高光谱估算模型,探讨合适的建模方法,以提高棉花叶绿素含量的高光谱遥感估算精度。【方法】以2016年种植的渭北旱塬区棉花鲁棉研28号为试验对象,用SPAD-502型手持式叶绿素仪和HR-1024i便携式地物光谱仪,分别测定棉花不同生育期冠层叶片SPAD值和对应的光谱反射率,分析SPAD值与光谱反射率的相关性。选取8个光谱参数,分析SPAD值与这8个光谱参数的相关性,并采用单因素回归、多元逐步回归和支持向量机(SVM)回归方法,构建棉花冠层叶片叶绿素含量的高光谱估算模型,比较各模型的决定系数(R2)、均方根误差(RMSE)以及相对误差(RE),评价模型的精度。【结果】(1)棉花冠层叶片光谱反射率在400～700nm波段随叶片SPAD值升高而降低,在700～1 000nm波段表现为SPAD值越高,叶片光谱反射率越高;(2)在530～570nm和680～730nm处叶绿素含量与光谱反射率呈极显著负相关(99.99%置信区间,n=144);(3)所选用的8个光谱参数与叶绿素含量均达到极显著相关,相关系数最高为0.686;(4)SVM回归模型验证R2达到了0.884,RMSE和RE最低,分别为2.186和3.419,比单因素回归模型中预测精度最高的SPAD-RVI1的RMSE和RE分别降低46.4%和46.3%,较多元逐步回归模型SPAD-MSR的RMSE和RE分别降低33.4%和32.1%,明显提高了棉花叶绿素含量的估算效果。采用8个光谱参数构建的SPAD-SVM8模型RMSE和RE比采用4个光谱参数构建的SPAD-SVM8模型分别降低了19.2%和23.5%。【结论】支持向量机(SVM)回归方法可以作为棉花冠层叶片叶绿素含量高光谱遥感估算的优选方法,且采用较多光谱参数构建的SVM模型估算精度更高。     

基于分数阶微分的橡胶树割胶期氮素含量定量检测

[目的]检测橡胶树割胶期叶片的实际氮素含量,建立橡胶树叶片光谱诊断模型,为实现橡胶树叶片氮素含量的快速无损检测提供参考依据.[方法]使用FieldSpec 3光谱仪采集割胶期橡胶树叶片的光谱反射率,分别以其原始光谱(R)、倒数光谱(1/R)、对数光谱(logR)和对数倒数光谱(1/logR)作为光谱信息,采用分数阶微分进行处理,获得不同分数阶阶次下的光谱数据,并通过竞争性自适应重加权算法(CARS)选择变量及偏最小二乘回归法(PLSR)建立橡胶树氮素光谱诊断模型.[结果]采用分数阶对橡胶树叶片R、1/R、logR和1/logR建立模型的最优均方根误差(RMSE)分别为0.1376、0.1175、0.1263和0.1505,且使用1/R数据建立的0.6阶模型表现最优,相关系数为0.9273,RMSE为0.1175,决定系数为0.8551.与整数阶算法相比,分数阶模型具有更强的预测能力,表明分数阶能充分挖掘光谱信息的有效信息,有效提高橡胶叶片氮含量光谱诊断模型的预测精度,实现橡胶树叶片氮素含量快速无损检测.[结论]应用近红外光谱技术并结合分数阶微分算法可快速无损检测橡胶树叶片氮素含量,为生产上橡胶树的精准可变量施肥提供技术支持.     

基于红边参数和人工神经网络的苹果叶片叶绿素含量估算

【目的】应用人工神经网络来解决苹果叶片叶绿素含量与高光谱数据之间的非线性关系,建立估测苹果叶片叶绿素含量的最佳模型,为苹果叶片叶绿素含量的快速无损监测提供参考。【方法】以位于陕西扶风杏林镇的树龄为4～5年的15棵苹果树为研究对象,2015年分别于果树花期(4月27日)、幼果期(5月30日)、果实膨大期(7月6日)、果实着色期(8月5日)、果实成熟期(9月11日)采集叶片样本,利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素仪同步获取苹果叶片光谱值和对应的叶绿素含量,对原始光谱和一阶导数光谱与叶绿素含量之间的关系进行分析,从一阶导数光谱中提取苹果叶片光谱的5个红边参数,从5个红边参数中筛选出相关性好的红边参数,使用传统单变量回归算法、反向传播(back propagation,BP)神经网络和径向基函数(radial basis function,RBF)神经网络,建立叶绿素含量估测模型,用决定系数(R2)、均方根误差(RMSE)和相对误差(RE)来验证模型的准确性。【结果】与原始光谱相比,一阶导数光谱与苹果叶片叶绿素含量的相关性更高。5个红边参数中,红边位置、峰度系数、偏度系数与叶绿素含量的相关系数均较高,且均达极显著水平。建立的传统单变量回归模型中,基于红边位置、峰度系数和偏度系数的R2均大于0.7,其中基于偏度系数建立的多项式模型模拟精度最高,验证结果R2为0.872,RMSE为4.631,RE为8.81%。选取红边位置、峰度系数和偏度系数为人工神经网络的输入变量,分别优化BP神经网络的隐含层节点数和网络类型以及RBF神经网络的扩展系数(SPREAD值)来提高预测精度,结果发现,建立隐含层节点数为4的双隐含层BP神经网络最优模型R2为0.891,RMSE为3.844,RE为7.55%;当SPREAD值为0.6时,建立的RBF神经网络最优模型的R2为0.955,RMSE和RE分别为2.517和3.69%。【结论】估算苹果叶片叶绿素含量时,人工神经网络模型比传统单变量模型精度高,其中RBF神经网络模型学习速度快、精度高,拟合结果更加可靠。     

双季晚稻叶片叶绿素含量的冠层高光谱估测模型研究

叶绿素是水稻光合能力的指示器,水稻叶片叶绿素含量直接影响光合速率。高光谱遥感技术可以为水稻叶片叶绿素含量的定量化诊断提供简便有效、非破坏性的数据采集和处理方法,为构建和验证以水稻光谱参数为自变量的水稻叶片叶绿素含量的高光谱估测模型,对不同氮素条件下水稻叶片叶绿素含量和各类"三边"参数间的相关性进行分析。结果表明,各类"三边参数"中以Dr、SDr、SDr/SDb为自变量的二次模型的决定系数R2达到较大值,分别为0.636、0.644、0.632,通过模型预测精度检验,得出最适合估测水稻叶片叶绿素含量的模型是以Dr为自变量建立的水稻叶片叶绿素含量诊断模型[y=1.278+1.943x+0.880x~2(均方根差为0.83,相对误差为1.4),其中x为冠层光谱参数Dr,该模型可以定量估测水稻叶片叶绿素含量。     

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。     

不同宽窄波段组合的光谱参量对夏玉米穗位叶氮素含量估测

【目的】利用敏感波段构建适宜的植被指数,对于提高光谱技术诊断作物营养状况的精确度具有十分重要的意义。【方法】采用单因素随机区组设计的方法,通过设置5种不同施氮处理,研究夏玉米在吐丝期穗位叶光谱反射率与氮素含量的关系,进而比较了前人的植被指数与构建的8种不同形式宽窄波段组合植被指数的优越性,并对构建的氮素含量估测模型进行精度验证。【结果】穗位叶原始光谱反射率在近红外波段(700～1000 nm)随施氮量增加而升高,与氮素含量的变化表现一致;一阶导数光谱的红边位置随施氮量增加依次为698、703、709、714和714 nm,出现"红移"现象;利用氮素敏感波段构建宽窄波段组合的植被指数与叶片氮含量进行相关性分析,优于前人所采用的植被指数;植被指数[R(800-900)-R(692-729)]/R711和植被指数[R(800-900)+R(650-670)]/R711构建的乘幂函数估测模型检验精度较高,R~2和RMSE分别为0.92和0.09。【结论】利用氮素敏感波段构建的宽窄波段组合植被指数,提高了光谱参量与氮素含量的相关性,可以实现对夏玉米吐丝期氮素营养的诊断。     

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。     

基于k-NN非参数模型的高山松生物量遥感估测研究

以香格里拉高山松为研究对象,Landsat8/OLI为信息源,在前期进行香格里拉市高山松遥感特征光谱提取的基础上,结合地面50个实测样地数据,建立了研究区高山松地上生物量k-最近邻法(k-NN)遥感估测模型。结果表明,采用欧式距离度量特征变量间的相似度,距离分解因子t、最近邻数k值分别取2和4的模型参数结构下拟合精度达到最佳,决定系数(R~2)为0.71,均方根误差(RMSE)为18.21 t/hm~2;基于像元尺度的优化模型估测得到香格里拉市的生物量约为0.22亿t,研究结果可为低纬度高海拔地区的森林生物量遥感估测提供案例。     

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。     

水稻叶片SPAD值的高光谱估算模型

[目的]构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据.[方法]利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据.通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价.[结果]在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型.R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高.比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型.总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550.[建议]进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算.采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持.     

苹果叶片的高光谱特征及其色素含量监测

【目的】分析苹果叶片的高光谱特征,探索建立苹果叶片色素含量的高光谱监测模型,以促进高光谱技术在苹果长势监测中的应用。【方法】通过方差分析方法,分析苹果春梢和秋梢停止生长两个时期功能叶片的不同部位、不同含水率、不同品种的高光谱特征。利用相关分析方法,研究高光谱参数与叶片色素含量间的关系,并建立基于光谱参数的叶片色素含量监测模型。【结果】在760—1300nm的近红外波段,叶片光谱反射率后部低、前部高、中部居于二者之间;随着叶片含水率降低,光谱反射率逐渐增大;不同品种的叶片,光谱反射率差异显著。光谱参数R800/R550、红边面积Sr和绿峰反射率Rg与叶片色素含量之间有较好的相关性,并分别建立了色素含量监测模型。其中以Sr建立的Chla、Chl(a+b)、Car含量监测模型和以R800/R550建立的Chlb含量监测模型为最佳。经均方根误差(RMSE)和相对误差(RE%)指标测试表明,模型能较好地监测苹果叶片色素含量。【结论】用红边面积Sr和波段组合R800/R550来监测苹果叶片色素含量效果较好,为苹果长势遥感监测提供了理论依据。     

基于红边参数和人工神经网络的苹果叶片叶绿素含量估算

【目的】应用人工神经网络来解决苹果叶片叶绿素含量与高光谱数据之间的非线性关系，建立估测苹果叶片叶绿素含量的最佳模型，为苹果叶片叶绿素含量的快速无损监测提供参考。【方法】以位于陕西扶风杏林镇的树龄为4-5年的15棵苹果树为研究对象，2015年分别于果树花期（4月27日）、幼果期（5月30日）、果实膨大期（7月6日）、果实着色期（8月5日）、果实成熟期（9月11日）采集叶片样本，利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素仪同步获取苹果叶片光谱值和对应的叶绿素含量，对原始光谱和一阶导数光谱与叶绿素含量之间的关系进行分析，从一阶导数光谱中提取苹果叶片光谱的5个红边参数，从5个红边参数中筛选出相关性好的红边参数，使用传统单变量回归算法、反向传播（back propagation，BP）神经网络和径向基函数（radial basis function，RBF）神经网络，建立叶绿素含量估测模型，用决定系数（R2）、均方根误差（RMSE）和相对误差（RE）来验证模型的准确性。【结果】与原始光谱相比，一阶导数光谱与苹果叶片叶绿素含量的相关性更高。5个红边参数中，红边位置、峰度系数、偏度系数与叶绿素含量的相关系数均较高，且均达极显著水平。建立的传统单变量回归模型中，基于红边位置、峰度系数和偏度系数的R2均大于0.7,其中基于偏度系数建立的多项式模型模拟精度最高，验证结果R2为0.872，RMSE为4.631，RE为8.81%。选取红边位置、峰度系数和偏度系数为人工神经网络的输入变量，分别优化BP神经网络的隐含层节点数和网络类型以及RBF神经网络的扩展系数（SPREAD值）来提高预测精度，结果发现，建立隐含层节点数为4的双隐含层BP神经网络最优模型R2为0.891，RMSE为3.844，RE为7.55%；当SPREAD值为0.6时，建立的RBF神经网络最优模型的R2为0.955，RMSE和RE分别为2.517和3.69%。【结论】估算苹果叶片叶绿素含量时，人工神经网络模型比传统单变量模型精度高，其中RBF神经网络模型学习速度快、精度高，拟合结果更加可靠。     

水旱地冬小麦植株氮素含量的高光谱监测

作物氮素状况是评价作物长势的关键指标之一,利用高光谱技术对水旱地植株氮素含量进行监测具有重要的实践意义。通过研究闻喜县水旱地小麦植株氮含量与叶面积指数(LAI)的定量关系,探索建立以LAI为中间变量的水旱地冬小麦氮素含量的监测模型的可行性。结果表明,水旱地冬小麦不同生育时期LAI特征波段不同,LAI与植被指数FDDVI,FDNDVI和FDMSAVI的相关性均好;冬小麦LAI与植株氮素含量在拔节期、抽穗期和灌浆期3个主要的生育时期均达到较好的相关性;水地冬小麦以FDNDVI(770,688 nm)为自变量建立的植株氮素含量监测模型最优,R2=0.849 9,RE=0.220 8,RMSE=0.060 2,RE和RMSE最小,预测性最好;旱地冬小麦以FDDVI(771,685 nm)为自变量建立的植株氮素含量监测模型最优,R2=0.802 9,RMSE=0.032 6,RE=0.17。研究结果可为实现水旱地冬小麦氮素的准确、快速、大面积的监测提供新的途径。     

数据预处理和统计方法对核桃叶片氮、磷、钾含量光谱反演精度的影响

为探究光谱数据预处理、不同统计方法对核桃叶片N、P、K含量光谱反演精度的影响，采用平滑去噪预处理光谱反射率数据，并比较一次函数、二次函数、三次函数、幂函数、指数函数和半对数函数构建的核桃叶片N、P、K含量光谱反演模型精度。结果表明：(1)平滑去噪预处理光谱数据比原始数据构建的反演模型决定系数(R²)更高、均方根误差(RMSE)和相对误差(RE)更小，即数据预处理后的反演精度更高；(2)将6种统计方法构建的N、P、K含量模型的预测值和实测值绘制1∶1关系图，以直观展示模型估算值与实测值的一致性程度，结果显示，具有最高决定系数(R²)、最小均方根误差(RMSE)和相对误差(RE)的均为三次函数建立的各生育期叶片N、P、K含量光谱反演模型，且该模型通过置信椭圆F检验，即三次函数构建的各生育期叶片N、P、K含量光谱反演模型精度最高。综上，本研究表明数据预处理和构建不同回归反演模型，可以提高光谱数据的利用水平，进一步提高反演模型的适用性和客观性。     

基于分层贝叶斯方法的高山松单木生物量模型

以香格里拉市典型森林生态系统高山松林为对象,在前期进行Ⅰ区和Ⅱ区共115株高山松单木地上生物量实测基础上,以异速生长方程为单木生物量基础模型,并采用分层贝叶斯方法、非线性混合模型法、贝叶斯方法和非线性最小二乘法进行异速生长参数拟合,运用决定系数(R²)、估测精度(E)、均方根误差(RMSE)等指标对模型参数拟合效果进行评价。结果表明:1)从拟合精度看,4种方法的模型拟合效果均较好,R²均达到了0.98以上。但分层贝叶斯方法估计结果更优,其R²=0.985 6,E=84.76%和R_MSE=39.75 kg;2)通过对比不同方法的差异发现,加入了区域随机效应的分层贝叶斯方法和非线性混合模型法的拟合效果均优于未加入区域随机效应的贝叶斯方法和非线性最小二乘法。分层贝叶斯方法在拟合高山松单木生物量模型中具有更大优势,模型拟合效果最好。加入了随机效应的分层贝叶斯方法和非线性混合模型法可以提高单木生物量模型的估计精度,采用分层贝叶斯方法进行高山松单木生物量模型参数估测,为大尺度样本数据模型参数估测方法提供新思路。     

基于高光谱遥感的玉米全氮含量估测模型

采用高光谱近地遥感技术,获取不同氮素水平下的玉米冠层高光谱数据,通过相关性、线性和非线性的分析方法,探讨玉米整个生育期中各营养器官的全氮含量与多种高光谱参数的相关关系,建立全氮含量的定量估测模型,并利用第2年的数据进行精度检验。结果表明:玉米冠层高光谱数据经过微分、倒数、对数处理后与玉米全氮含量的相关性均有所提高,所选波段基本在可见光波段范围内变化,其中微分处理可以显著提高数据间相关性;在10种植被指数中,玉米叶片全氮含量与植被指数RDVI(811,743)、DVI(811,754)、MSAVI(811,754)相关性都达0.92**以上,玉米叶鞘、茎秆全氮含量分别与RDVI(952,751)、RVI(948,692)相关性达到最大r=0.7867**,r=0.8444**(n=360);植被指数RVI、NDVI与玉米各营养器官叶鞘茎的全氮含量相关性普遍较好,相关系数都在0.75**以上,适合建立玉米植株全氮含量的高光谱估测模型;经过精度检验后,选择均方根误差RMSE小,拟合优度R2大,观测值与预测值的决定系数r2大的回归方程作为估测模型,得出以DVI(811,754)为自变量,估算玉米叶片全氮含量的指数模型y=2.3035e3.6854x(R2=0.859,RMSE=0.0504,r2=0.8772);以RVI(952,743)为自变量,估算玉米鞘全氮含量的二次模型y=1.5964x2-3.5464x+2.8995(R2=0.758,RMSE=0.0261,r2=0.8005);以410nm处的二阶微分为自变量,模拟玉米茎秆全氮含量的二次模型y=7454.8x2+55.335x+0.6496(R2=0.78,RMSE=0.1376,r2=0.8287)。     

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。     

基于高光谱的玉米叶片氮含量监测模型

通过实测获取不同氮素营养水平下玉米冠层叶片光谱特性数据,利用可见光-近红外区域标准反射曲线的斜率和夹角等新型特征参数,结合预测学中最优权重组合原理,构建玉米叶片氮含量(LNC)监测模型。结果表明:光谱曲线夹角参数和斜率参数均与LNC存在较好的相关性,其中夹角参数Aγ和Aδ以及斜率参数Kr、Kb和Kn1的相关系数均在0.7左右;在单项监测模型中M(Kr/Kb)和M(Kb)以及M(Aδ/Aβ)和M(Aδ/Aα)的模型效果最好;最优模型由M(Kn1)和M(Kr/Kb)2个单项模型组合而成,其权重分别为0.245 5和0.754 5,最优模型的监测结果的决定系数(R2)为0.752 7,均方根误差(RMSE)为0.534,监测精度较单项模型明显提高。