利用独立变量分析与高光谱植被指数模型监测成熟期水稻中砷污染

水稻中过量砷(As)能够损害叶片中叶绿素和叶片内部结构,进而影响水稻光合作用效率,并改变水稻在光谱上的表现.利用高光谱植被指数(CARI、PRI、SIPI)和独立变量分析(ICA)模型对水稻中As含量进行了研究.结果表明,以上3种高光谱植被指数与水稻中As含量均呈一定的相关关系,其相关系数在0.67以上;而经过独立变量分析(ICA)可知,在蓝光波段(440～540 nm)和红光波段(600～700 nm)之间各有一个独立变量与水稻中As含量高度相关,相关系数达到0.95以上.将上述植被指数与独立变量和水稻中As含量之间进行回归分析,得到水稻中As含量的线性回归方程.研究表明,重金属As对水稻生长的影响可以通过其在光谱上的特征(如相关植被指数)改变来体现,并可以用独立变量分析(ICA)方法提取光谱中关于As胁迫的隐含弱信息,建立遥感预测模型,为大面积监测农作物As污染提供依据.     

基于高光谱的枣树叶片氮素表征方法

为提高枣树种植过程中施用氮肥的精准性,本研究以南疆重要经济作物骏枣(Ziziphus jujuba Mill.)为研究对象,通过对枣树叶片原始光谱和一阶微分光谱与全氮含量的相关性进行分析,利用光谱敏感变量构建植被指数作为衍生变量,再以衍生变量作为变量建立多种线性和非线性的氮素含量预测模型,并对氮素含量预测模型进行精度检验。结果显示：基于枣树原始光谱和一阶微分光谱的模型拟合决定系数均大于0.75,原始光谱变量的预测效果整体好于一阶微分光谱;预测效果最好的是基于原始光谱变量4的幂函数模型：Nit=1.097x^0.735,R²为0.821,RMSE为0.024 5。研究表明,建立的氮素含量预测模型能够实现基于高光谱反射率特征对枣树氮素的较好监测效果,能够作为枣树营养素诊断的重要理论依据。     

基于高光谱的梭梭幼苗生境土壤氮素含量估算模型研究

【目的】研究荒漠区梭梭幼苗植株冠层光谱特征,建立基于高光谱的幼苗生境土壤氮素含量最佳估测模型,为荒漠区植物与土壤养分状况的实时监测与精确诊断提供重要依据。【方法】以古尔班通古特沙漠梭梭幼苗及其生境土壤为研究对象,采用便携式光谱仪测定幼苗植株冠层光谱反射率,结合室内分析的幼苗生境土壤氮素含量,利用统计学方法分析幼苗植株冠层光谱与生境土壤氮素含量之间的关系。【结果】生长期内幼苗植株冠层光谱反射率一阶微分与土壤氮素含量在403～485、509～538、677～806、1 489～1 616 nm波段范围内呈显著正相关,其中在428、516、751、801、1 534 nm处呈极显著正相关,以751 nm处的相关系数最大,为最强敏感波长。【结论】基于植株冠层光谱反射率一阶微分敏感波段建立的反演模型Y=133.186X_(751)+8.803,其决定系数最大,相对误差最小,拟合效果最优,预测精度较高,可作为荒漠区梭梭幼苗生境土壤氮素含量的最优估算模型。     

利用高光谱技术估测小麦叶片氮量和土壤供氮水平

有效的监测作物氮素营养水平及土壤供氮能力可以为合理施用氮肥提供重要依据。本文以2 年3 点不同氮素水平下不同小麦品种的田间试验数据为基础,运用植被指数和偏最小二乘回归法,比较和分析小麦冠层光谱与叶片氮含量及土壤氮含量的关系。结果表明：小麦冠层光谱与叶片氮含量的相关性分析在可见光波段存在显著负相关,在近红外波段呈显著正相关,而与土壤氮含量的相关性呈相反趋势。基于光谱参数ND705 和GNDVI所建叶片氮含量估算模型的决定系数分别达到0.827 和0.826。基于光谱参数VOG2 所建土壤氮含量估算模型的决定系数达到0.646;与植被指数所建模型相比,综合350~1350 nm光谱波段反射率分别与小麦叶片氮含量、土壤氮含量建立偏最小二乘回归模型的预测精 度均有所提高,决定系数分别达到0.842 和0.654。本研究结果可为小麦氮素营养及土壤供氮水平的诊断监测与合理施肥管理提供了理论依据和技术支持。     

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.     

基于高光谱技术的覆膜旱作水稻植株氮含量及籽粒产量估算

为建立利用光谱技术快速诊断覆膜旱作水稻植株氮营养和产量的估算模型,应用高光谱技术分析了长江中下游覆膜旱作区水稻拔节期和抽穗期内5种不同施氮水平(0、60、120、180和240kg/hm~2(N))下植株冠层光谱特征及其与植株氮素含量和产量的关系,并分别构建了植株含氮量和产量的估算模型。结果表明:拔节期和抽穗期内不同供氮水平下冠层光谱的变化规律基本一致,均随着供氮水平的增加,反射率在可见光区降低、在近红外区增大。覆膜旱作水稻植株氮含量与552和890nm 2个敏感波段构成的比值(RVI)和绿色归一化植被指数(GNDVI)的关系最佳。构建的水稻关键生育期植株全氮含量及水稻产量的估算模型预测效果均较好,其中植株全氮含量拟合方程的决定系数为0.730~0.808,采用拔节期的RVI对覆膜旱作水稻进行估产的决定系数达到0.724。本研究构建的模型可以用来估计该地区覆膜旱作水稻的氮素营养状况和作物产量。     

基于高光谱的水稻叶片氮素估测与反演模型

快速、无损、准确地监测水稻叶片氮素状况,对于诊断水稻生殖生长特征、提高氮肥运筹水平具有重要意义。利用无人飞行平台搭载高光谱成像系统获取水稻冠层高光谱数据,分析了试验点水稻分蘖期叶片氮素与冠层高光谱信息之间的关系。结果表明,水稻分蘖期叶片氮素含量与同期归一化差值植被指数(NDVI)之间有良好的相关性,可以建立水稻分蘖期叶片氮素含量反演的相关统计模型。     

基于光谱特征参数的粳稻冠层氮素含量反演方法

粳稻氮素含量的快速、无损、准确估算,可以及时掌握粳稻的生长状况,对指导粳稻田间管理具有重要意义。为提高粳稻冠层氮素含量的高光谱反演精度,利用沈阳农业大学路南试验基地2018年粳稻3个关键生育期无人机高光谱影像和同步测定的粳稻冠层氮素含量作为数据源,选用从粳稻冠层光谱中提取的高光谱位置变量、面积变量和植被指数变量3种类型20个光谱特征参数与氮素含量进行相关性分析,选出各个生育期内相关性较高的前3个光谱特征参数作为模型输入分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)和思维进化算法优化BP神经网络(MEA-BPNN)3种粳稻冠层氮素含量反演模型并验证。结果表明:在粳稻分蘖期、拔节期、抽穗期,与粳稻氮素含量相关性最好的高光谱特征参数均为红边面积SDr,相关系数分别为0.771,0.664,0.775;MEA-BPNN反演模型与PLSR、BPNN相比,无论在模型精度还是预测能力都有明显提高,在各个生育期,MEA-BPNN模型的建模集和验证集决定系数R~2均达到0.700以上,RMSE均低于0.400以下,说明MEA-BPNN反演模型是筛选出的最佳粳稻冠层氮素含量反演模型。综上研究,该模型能够快速无损反演粳稻冠层氮素含量,可为后续施肥决策提供支持。     

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。     

基于高光谱遥感数据的水稻叶温反演

[目的]研究水稻叶温与冠层反射光谱间的关系,为水稻叶温的模拟与监测提供理论依据.[方法]利用FieldSpec Pro FR光谱仪和Raynger ST红外温度探测仪测量水稻抽穗期冠层的反射光谱和叶片温度,分析原始反射光谱、一阶微分光谱、归一化植被指数(NDVI)、比值植被指数(DVI)、再归一化差值植被指数(RDVI)和转换型土壤调整指数(TSAVI)与叶温的关系.[结果]叶温的变化直接影响水稻冠层光谱的反射率,影响水稻红边特征.一阶微分光谱与叶温存在极显著相关性(P<0.01,下同),990 nm处相关系数(0.889)最高,885 nm处相关系数(-0.893)最低.选取叶温敏感波段光谱组合计算植被指数,发现RDVI和TSAVI与叶温的关系呈极显著相关,相关系数分别为0.724和0.733.由RDVI和TSAVI建立经验模型,结果显示由TSAVI建立的叶温估算模型效果更好,其验证样本的决定系数为0.610,相对误差为1.97%,均方根误差为2.546.[建议]综合考虑多种预处理方法,最大程度还原光谱信息;优化特征波长的提取,提高建立模型的精度;基于高光谱技术,实现冠层叶温的无损监测.     

基于植被指数的马尾松叶绿素含量估算模型

利用高光谱技术,探索马尾松反射光谱组成的植被指数与其叶绿素含量之间的关系。采用美国ASD公司生产的手持式野外光谱辐射仪测量马尾松冠层光谱,对观测叶片进行同步叶绿素含量测定,并利用统计学分析方法,分析马尾松冠层光谱组成的植被指数与叶绿素含量之间的相关关系,并建立相应的估算模型。结果表明:叶绿素含量与植被指数进行相关性分析,相关性最好的为TCARI;通过建立TCARI与叶绿素含量之间的估算模型并检验其精度,得出了叶绿素含量估算的高光谱模型:y=exp(0.686+(-2.765)×x)。说明利用高光谱数据可以估测马尾松的叶绿素含量。     

Common Spectral Bands and Optimum Vegetation Indices for Monitoring Leaf Nitrogen Accumulation in Rice andWheat

Real-time monitoring of nitrogen status in rice and wheat plant is of significant importance for nitrogen diagnosis, fertilization recommendation, and productivity prediction. With 11 field experiments involving different cultivars, nitrogen rates, and water regimes, time-course measurements were taken of canopy hyperspectral reflectance between 350-2 500 nm and leaf nitrogen accumulation (LNA) in rice and wheat. A new spectral analysis method through the consideration of characteristics of canopy components and plant growth status varied with phenological growth stages was designed to explore the common central bands in rice and wheat. Comprehensive analyses were made on the quantitative relationships of LNA to soil adjusted vegetation index (SAVI) and ratio vegetation index (RVI) composed of any two bands between 350-2 500 nm in rice and wheat. The results showed that the ranges of indicative spectral reflectance were largely located in 770-913 and 729-742 nm in both rice and wheat. The optimum spectral vegetation index for estimating LNA was SAVI (R822,R738) during the early-mid period (from jointing to booting), and it was RVI (R822,R738) during the mid-late period (from heading to filling) with the common central bands of 822 and 738 nm in rice and wheat. Comparison of the present spectral vegetation indices with previously reported vegetation indices gave a satisfactory performance in estimating LNA. It is concluded that the spectral bands of 822 and 738 nm can be used as common reflectance indicators for monitoring leaf nitrogen accumulation in rice and wheat.     

Evaluation of red and red-edge reflectance-based vegetation indices for rice biomass and grain yield prediction models in paddy fields

Remote sensing-based nitrogen (N) management has been evaluated in many crops. The water background and wide range of varieties in rice (Oryza sativa), are unique features that require additional consideration when using sensor technology. The commonly calculated normalized difference vegetation index is of limited use when the crop has reached complete canopy closure. The objective of this research was to evaluate mid-season agronomic parameter and grain yield prediction models along with the effect of water background and of different varieties using a red- and red-edge-based vegetation index. Varieties × N trials were established at the LSU AgCenter Rice Research Station located in Crowley, Louisiana in 2011 and 2012. Canopy spectral reflectance under clear and turbid water, biomass yield, N content, plant coverage, and water depth were collected each week for three consecutive weeks beginning 2 weeks before panicle differentiation. Grain yield was also determined. Water turbidity had an influence on spectral reflectance when canopy coverage was less than 50 %. While water depth influenced red reflectance, this was not carried over when reflectance was transformed to vegetation indices. The red-edge-based vegetation indices, especially those computed by ratio, had stronger relationships with measured agronomic parameters as compared with red-based indices. Furthermore, the effect of variety on the yield prediction model was observed using derivative-based red-edge indices but not with other ratio-based indices. Future researches should focus on developing a generalized yield prediction model using ratio-based red-edge indices across different varieties to extend its applicability in production fields.     

建立大田早稻农学光谱估产模式研究初报

大田试验结果表明,不同氮素水平的水稻冠层光谱之反射率存在着极显著差异。其中630～690nm,760～900nm和520～600nm三个波段可作为检测水稻氮素水平的敏感波段。利用测定光谱反射,通过光谱变量计算以估测LAI和Chl等农学参数是可行的。单一生育期光谱建模估产的精度较低,而且应用时生育期也难统一。RVI复合估产模式和LAI-RVI综合估产模式的精度很高,但仍只是“样板模式”,实际应用于大田估产时,仍需进行多点试验,进一步验证模式并建立一套修正方法,以适应不同熟制和不同产量水平的需要。     

基于主动光谱仪的水稻叶面积指数监测

叶面积指数(LAI)是描述作物长势的重要参数,LAI的实时动态监测对水稻生长诊断和管理调控具有重要意义.为分析水稻LAI与光谱参数的定量关系,设置了不同年份、不同氮肥水平的田间试验,于移栽后定期测试水稻冠层光谱参数,并同步定株测量LAI.结果表明,LAI可以基于主动光谱仪构建的植被指数(NDVI和RVI)进行模拟,NDVI(770,660)、RVI(770,660)均能较好地模拟LAI,预测精度分别为0.97、0.92,RMSE分别为0.41、1.32,RE分别为0.16、0.28,利用主动光谱仪可以实现水稻LAI的快速无损监测,为指导水稻精确管理提供了技术支持.     

利用高光谱数据估测不同温度胁迫下的水稻籽粒中粗蛋白和直链淀粉含量

水稻籽粒粗蛋白和直链淀粉含量是评价稻米品质的两个主要指标。本文以不同温度胁迫下的水稻田间试验为基础,分析水稻成熟籽粒粗蛋白和直链淀粉含量与不同生育期冠层反射光谱的相关性。结果显示,水稻籽粒的粗蛋白和直链淀粉含量与不同生育期冠层原始光谱和一阶导数在某些波段达到极显著或显著相关水平。进一步分析比值植被指数、差值植被指数、归一化植被指数和红边参数等光谱参数与成熟籽粒粗蛋白和直链淀粉含量的相关性,用回归分析方法对相关拟合较好的参数进行筛选,建立了水稻成熟籽粒粗蛋白含量(GCPC)和直链淀粉含量(GAC)监测模型,运用独立观测数据对模型进行检验,其预测值与实测值的精确度为0.393-0.683,准确度为0.708-0.923,RMSE值为8.706%-11.296%。表明模型预测值与实测值之间具有较高的符合度,对水稻籽粒粗蛋白质和直链淀粉含量具有较好的预测性。     

小麦氮素积累动态的高光谱监测

 【目的】研究小麦地上部氮积累量与冠层高光谱参数的定量关系,分析多种高光谱参数估算地上部氮积累量的效果。【方法】连续3年采用不同蛋白质含量的小麦品种在不同施氮水平下进行大田试验,于小麦不同生育期采集田间冠层高光谱数据并测定植株不同器官生物量和氮含量。【结果】植株氮积累量随着施氮水平的提高而增加,不同地力水平间存在明显差异。植株氮积累量的光谱敏感波段主要存在于近红外平台和可见光区,而地上部氮积累量与冠层光谱的相关性明显降低。对植株氮积累量的光谱估算,在不同品种、氮素水平、生育时期和年度间可以使用统一的光谱模型。在籽粒灌浆期间植株氮积累量自开花期随时间进程的积分累积值与对应时期籽粒氮素积累状况存在显著的定量关系,根据特征光谱参数植株氮素营养籽粒氮积累量这一技术路径,以植株氮积累量为交接点将模型链接,建立高光谱参数与籽粒氮积累量间定量方程。将植株氮积累量与籽粒氮积累量相加,确立了基于高光谱参数的籽粒灌浆期间地上部氮积累量监测模型。经不同年际独立资料的检验表明,利用光谱参数SDr/SDb、VOG2、VOG3、RVI（810,560）、[（R750-800）/（R695-740）]-1和Dr/Db建立模型可以实时监测小麦地上部氮素积累动态变化,预测精度R2分别为0.774、0.791、0.803、0.803、0.802和0.778,相对误差RE分别为16.7%、15.5%、15.6%、18.5%、15.5%和17.3%。【结论】利用关键特征光谱参数可以有效地评价小麦地上部氮素积累状况,其中尤以植被指数VOG2、VOG3和[（R750-800）/（R695-740）]-1的效果更好。     

对水稻微分光谱和植被指数的探讨

通过不同供氮水平的田间试验，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的作用。结果表明：由微分光谱所得的红边位置、红边斜率与盖度、叶面积指数及供氮水平之间有一定的相关性；水稻多光谱植被指数RVI、NDVI与叶面积指数LAI及其地上部生物量之间有极显著相关性；高光谱植被指数及其变量与植被盖度、供氮水平之间存在相关性。这些表明，用微分光谱技术与植被指数方法监测水稻的田间供氮水平和长势似乎是可行的。     

基于高光谱的油菜叶面积指数估计

以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R~2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R~2为0.79,RMSEP为0.60,RPD为2.30;10叶期时红边幅值预测模型R~2为0.92,RMSEP为0.47,RPD为2.36;盛花期时蓝边面积预测模型R~2为0.87,RMSEP为0.34,RPD为2.57;角果期时以RDVI为代表的植被指数也可准确估算出LAI,预测模型R~2为0.74,RMSEP为0.57,RPD为1.36。油菜全生育期采用相同光谱特征参数、植被指数建模估计LAI精度明显降低,预测R~2远小于0.75,RMSEP大于0.65,RPD值均小于1.40,表明难以采用统一参数建模准确估计油菜全生育期LAI,不同生长时期需选择合适的光谱参数、植被指数分段建模估计LAI。