SO2对水稻生理指标和光谱特征的影响

通过田间开顶式小区熏气试验,研究了SO2急性伤害对水稻叶绿素含量、叶液pH值、叶片含硫量和冠层光谱反射率及其相关性的影响,为遥感监测SO2污染环境下水稻长势提供基础研究.结果表明,随SO2 熏气浓度的增大,叶绿素含量呈减少趋势,叶片含硫量呈增加趋势.叶液pH值相应地降低,光谱反射率曲线在绿光和红光波段、蓝光和绿光波段之间的吸收谷有变平的趋势.选取冠层光谱叶绿素反射峰(550 nm±10 nm反射率)和近红外波段770 nm±10nm反射率(反映叶片结构)与叶片含硫量、叶绿素含量和叶液pH值进行的相关分析表明,(550±10)nm(770±10)nm冠层光谱反射率与叶片含硫量呈负相关,与叶液pH值、叶绿素总量均呈正相关.     

棉花棉叶螨叶片遥感监测技术研究

通过使用便携式光谱仪对新疆石河子地区不同程度棉叶螨为害后的叶片光谱进行测量,同步进行理化参数测定,定性和定量地分析了棉叶螨为害后叶片叶绿素a、叶绿素b、叶绿素(a+b)、类胡萝卜素、厚度、全氮含量和含水量的变化和光谱反射特性,建立了棉叶螨叶片光谱诊断模型.结果表明:棉叶螨为害后的叶片所有理化参数较正常叶片低,叶绿素a变化幅度最大(88.8%),叶绿素(a+b)与棉叶螨的相关性最高(r=-0.924).棉叶螨叶片光谱反射率大小在近红外(750~860nm除外)和短波红外波段均随严重度的增加而增加,且可见光波段650nm附近有一个独特的反射峰,但在550nm附近低于正常叶片.605~724nm可作为棉花棉叶螨叶片光谱识别的敏感波段,706nm和758nm为最佳波段.4个估测参数建立的诊断模型均达到极显著相关水平,其中R758nm/R706nm建立的诊断模型检验R2最高(0.823),RE最小(0.351),可推荐为棉花棉叶螨叶片光谱识别的最佳模型.利用高光谱遥感可实现对棉花棉叶螨叶片的有效识别,可为棉花棉叶螨大面积监测提供借鉴和参考.     

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。     

棉花冠层叶片叶绿素含量与高光谱参数的相关性

【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性,建立叶绿素含量估算模型。【方法】2014年,以鲁棉研28号为研究对象,测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350~2 500nm光谱反射率,以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源,在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型,并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】1)棉花冠层叶片叶绿素含量在反射光谱766nm处相关系数达到最大值,相关系数r=0.836;对于一阶导数光谱,叶绿素含量的敏感波段发生在753nm处,r=0.878;2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型,筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg),仅采用8种常用植被指数建立估算模型,筛选出的变量为比值植被指数(RVI);3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高,均方根误差(RMSE)为1.075,相对误差(RE)为2.22%,相关系数(r)为0.952。【结论】采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测,其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。     

基于荧光参数的棉花盛铃期水分状况高光谱监测

【目的】研究棉花盛铃期反射光谱、荧光参数Fv/Fm(PSⅡ最大光化学量子产量)的变化特征,确立叶绿素荧光参数与棉花冠层高光谱植被指数的相关关系。为高光谱遥感监测棉花的水分状况提供理论依据。【方法】选用棉花品种新陆早45号和新陆早62号,采用美国ASD地物高光谱仪测定田间试验条件下,设置4个不同灌水量处理,研究2个棉花品种盛铃期的冠层反射光谱,同期利用PAM-2100叶绿素荧光仪测定棉花叶片的Fv/Fm,并用相关软件对棉花的反射光谱数据及Fv/Fm进行处理并作相关分析,建立相关回归模型。【结果】不同水分处理条件下,棉花冠层反射光谱的变化趋势相似;棉花新陆早62号盛铃期的单叶荧光参数Fv/Fm与棉花冠层高光谱反射率在350~514 nm、612~692 nm和1 945~2 076 nm波段范围内呈极显著正相关,而在708~1 361 nm和1 621~1 740 nm波段范围内呈极显著负相关;采用敏感波段构建植被指数NDVI(归一化植被指数)和RVI(比值植被指数),RVI与Fv/Fm的相关性较高(r_RVI-Fv/Fm=-0.721 5^**,n=20,P<0.01);建立Fv/Fm与RVI的估算模型方程,Fv/Fm估测值与实测值呈极显著线性正相关(r_{估测Fv/Fm-实测 Fv/Fm}=0.723 0^**,n=20,RMSE=1.186×10^-2)。【结论】利用荧光参数Fv/Fm与植被指数RVI的相关关系,可以监测棉花盛铃期的水分胁迫状况。     

棉花黄萎病叶片氮素含量与高光谱数据相关性分析

[目的]探讨棉花黄萎病叶片全氮含量(LTNC)与高光谱数据间相关性,为遥感监测黄萎病冠层全氮含量提供理论依据.[方法]在棉花黄萎病发生的不同时期,获取黄萎病叶片光谱及氮素含量数据,对其光谱反射率进行一阶微分处理和光谱特征参数提取,并与氮素含量进行相关分析.[结果](1)棉花黄萎病LTNC与反射光谱在404～728 nm,880 ～2 500 nm呈极显著负相关(平均r=-0.71,-0.68),748 ～ 768 nm呈极显著正相关(平均r=0.31),且在694、758、2 247 nm处的相关系数最大,|r(=0.87,0.32,0.73;(2)黄萎病LTNC与一阶微分光谱在700 ～753 nm处呈极显著正相关(平均r=0.89),在452 ～ 632 nm处呈极显著负相关(平均r=-0.64),与单波段554 nm处相关系最大(|r(=0.90);(3)黄萎病LINC与24个光谱特征参数均达极显著相关,组合波段参数相关性最好,植被指数和吸收参数的相关性较好,单波段相关性一般,与PVI[FD554,FD731]的相关性最好,r值最大,为0.91;与PPR[550,450]的相关性最差,|r(仅为0.48.[结论]黄萎病棉叶LTNC与高光谱数据间有高的相关性,可利用高光谱数据对黄萎病LTNC进行遥感监测.     

利用不同红边位置算法估测玉米叶绿素含量

本研究基于玉米-大豆带状套作复合种植模式,以不同施氮水平下的玉米为试验材料,在拔节期、抽雄吐丝期和灌浆期分别测定其叶片与冠层的反射光谱和叶绿素含量,通过连续小波变换和其他算法(最大一阶导数法、四点内插法和线性外推法)分别提取其红边位置,系统分析红边位置与叶绿素含量之间的定量关系,以比较用各红边位置算法提取的红边位置在叶片和冠层尺度上对叶绿素含量估测的准确性及稳定性。结果表明:基于连续小波变换提取的红边位置,在叶片和冠层尺度上对叶绿素含量的估测精度较高,稳定性最强,表明连续小波变换方法在提取玉米反射光谱红边位置上是可行的。通过线性外推法提取的红边位置构建的玉米叶片叶绿素含量和四点内插法构建的冠层叶绿素含量定量估测模型的预测效果最佳。本研究为玉米反射光谱红边位置的提取提供了新方法,构建了玉米叶绿素含量在不同观测尺度(叶片、冠层)上最佳的定量估测模型,为玉米氮素营养状况的监测提供了有效途径。     

Effects of nitrogen nutrition on the spectral reflectance characteristics of rice leaf and canopy

遥感技术使大面积监测植物长势及估测化学组成有了可能,高分辩力地物光谱仪应用于简单、快速、非破坏性地估测植物冠层化学组成的前景正引起越来越多的关注．本文通过田间试验及室内分析研究了氮肥水平对水稻叶片及冠层反射光谱特性的影响,氮素营养对从可见光至近红外较大范围水稻反射光谱特性有较大影响,随着氮素营养水平的提高,叶片及冠层可见光波段的光谱反射率下降,而近红外波段则增加,经两样本ｔ检验统计分析,在５４０,６８０ｎｍ和７４０～１０７０ｎｍ波段处对氮素营养水平最为敏感,而且各氮营养水平之间的反射率呈显著或极显著的差异．水稻叶片氮含量与冠层和叶片光谱变量呈极显著或显著的相关性,这表明利用光谱测试简单、快速、非破坏性地估测水稻氮素营养水平是可行的．     

水稻、玉米、棉花的高光谱及其红边特征比较

 测定了水稻、玉米、棉花 3种作物共 6个品种的冠层和主茎叶片不同生育期高光谱反射率及其对应叶片中叶绿素、类胡萝卜素含量 ,分析了它们的高光谱及其红边特征和红边参数与叶面积指数、地上生物量、鲜叶重及叶片色素含量的相关性。结果表明 :(1) 3种作物冠层高光谱反射率大小与其生育期有关。冠层和叶片光谱反射率最大值比较结果是 ,冠层光谱 :棉花 >玉米 >水稻 ;叶片光谱 :水稻 >棉花 >玉米。 (2 ) 3种作物冠层光谱的红边都具有“双峰”现象。红边幅值Dλr 和红边面积Sr 均呈增大、减少的变化规律 ,但红边     

油茶叶片叶绿素含量高光谱估测的偏最小二乘模型参数选择

[目的]利用高光谱技术估测植物叶片叶绿素含量时,如何在高维的光谱数据中选择有效的高光谱参数作为估测模型的输入矢量是估测叶绿素含量精度的关键.[方法]以南方丘陵地区油茶为试验材料,收集了182份油茶叶片光谱反射率及叶绿素含量样本,综合分析了敏感波段、光谱指数、高光谱特征参数和全波段(400～1350 nm)4个不同高光谱...     

基于红边参数的棉花冠层叶片氮积累量之估算研究

测试了棉花2个品种4水平种植密度的4个关键生育时期冠层反射光谱,应用微分技术处理棉花冠层反射光谱,提取了红边(680～750nm)波段范围的最大一阶微分值(Dr)和红边面积(SDr)参数。分析了棉花冠层红边参数在不同生育期的变化特征和棉花吐絮期的两种生长类型的冠层红边状况,表明红边位置可以指示它们的氮素状况。以新陆早8号的SDr为自变量与对应的LNA为因变量进行相关分析,SDr与冠层LNA达1%极显著相关(R=0.9186**,n=32),利用其构建的模型方程估算新陆早6号的LNA,实测LNA和估测LNA的估计标准差为0.8909g/m2,估算精度为88.1%(R=0.9277**,n=32),说明采用高光谱提取的红边参数信息是无损实时、快捷评价棉花氮素状况的有效方法。     

高光谱数据与水稻农学参数之间的相关分析

通过田间小区试验,获取水稻整个生育期内不同氮素处理的叶面积指数(LAI)、叶片叶绿素含量(CHL.C)、叶绿素密度(CHL.D)与高光谱分辨率遥感数据.分析其变化过程,并利用微分技术处理水稻群体反射光谱以减少土壤等低频背景光谱噪音的影响.通过单相关分析和逐步回归方法研究水稻LAI、CHL.C、CHL.D分别与光谱反射率、反射率的一阶微分光谱的相关关系.结果表明,微分技术能够改善光谱数据与LAI、CHL.C的相关性,而与鲜叶CHL.D的相关性较低.     

棉花高光谱植被指数与LAI和地上鲜生物量的相关关系研究

通过测试棉花关键生育阶段350～2 500 nm波段的冠层高光谱数据,用近红外波段760～850 nm及红光波段650～670 nm的2个范围内的波段,组成了高光谱归一化植被指数(NDVI)和800和670 nm两个波段组成修改型二次土壤调节植被指数(MSAVI2),分别与棉花叶面积指数(LAI)和地上鲜生物量进行相关分析,结果表明,棉花NDVI和MSAVI2与LAI和地上鲜生物量两个参数均以幂指数相关关系为最佳(RNDVI-LAI=0.729 1·,RMSAVI2-LAI=0.743 6·,n=81;RNDVI-鲜生物量=0.742 6·,RMSAVI2-鲜生物量=0.791 1·,n=59), MSAVI2与LAI和地上鲜生物量的相关性均高于NDVI与LAI和地上鲜生物量的相关性,说明MSAVI2较NDVI能更好的消除土壤背景对反射光谱造成的影响,能较精确的提取反映棉花生长状况的叶面积指数和生物量信息.     

棉花冠层反射光谱与叶片氮含量定量关系研究

对可见光波段至短波红外波段(350～2 500 nm)棉花田间冠层光谱反射率与叶片含氮量间的关系进行了相关分析.结果表明,350～732、733～940和1 970～2 477 nm波段的光谱反射率与叶片含氮量极显著相关;940～1 176 nm波段的光谱反射率与叶片含氮量显著相关,以上波段为叶片全氮敏感波段.通过分析叶片含氮量与高光谱特征参数关系,得出吸收谷特征参数Depth1154和PRI(570,530 nm)可以用来预测盛花期叶片含氮量,其中Depth1154的复相关系数最高达到0.747 3,为运用遥感技术大面积、迅速、无破坏地来预测棉花生长状况以提供可能.     

不同氮素营养水平的水稻冠层光谱红边参数及其应用研究

通过对不同氮素营养水平水稻冠层光谱特性的田间试验研究，发现红边位移现象：在孕穗期之前，红边随施氮量增加向长波方向“红移”；孕穗期后“红移”现象基本消失，而发生“蓝移”。红边参数(红边、红边振幅、红边振幅与最小振幅的比值、红边峰值面积)与上层叶片的叶绿素含量、LAI、累积施氮量有着密切的关系，而与叶片中的叶绿素b、类胡萝卜素、蛋白氮和非蛋白氮之间的相关性不明显。一些红边参数可作为水稻叶绿素含量、LAI测定的简便方法。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI估算模型；最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。     

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。     

利用高光谱数据和叶面积指数对加工番茄产量估算的研究

以ASD FieldSpec光谱仪实测了大田中不同生育期加工番茄的冠层高光谱、叶面积指数及作物的产量,采用单时相线性逐步回归和复合回归,建立了加工番茄光谱变量-叶面积指数与产量的复合光谱估产模型,并对模型的估算结果进行了初步分析.分析结果表明,在青熟期光谱参数与叶面积指数相关性最大,而其他时期的光谱变量与产量相关性均达到了显著水平:复合回归模型以4个生育期与产量的复合回归最为理想.     

棉花叶面积指数冠层反射率光谱响应及其反演

【目的】研究棉花冠层光谱对不同叶面积指数（LAI）的响应，建立棉花LAI光谱反演模型。【方法】利用2003～2004年采集的棉花光谱与LAI的246组数据，分析LAI与冠层反射率光谱和反射率一阶微分光谱间的定量关系。【结果】当LAI大于2.5后不同LAI棉花群体光谱反射率在可见光波段趋于饱和；LAI与可见光波段和短波红外波段（水分吸收带除外）光谱反射率呈显著负相关，与近红外波段高光谱反射率呈显著正相关；LAI与棉花反射率一阶微分光谱主要在蓝边（523～531 nm）、黄边（570～576 nm）、红边（700～755 nm）形成3个相关系数高台区，均达极显著水平，其中红边区的相关性最高。棉花红边位置固定，分别在718 nm和723 nm，且以 723 nm处对LAI更敏感。在反演棉花LAI的高光谱参数中VI (660、800)、VI (550、800)、VI (500、800)、VI (670、800)、Sdy (570～573 nm)、SDr (714～755 nm)、D723、Dr 估算LAI相对误差低于30%，RSME小于0.6，其中VI (600、800)、VI(550、800)两个参数估算水平最高，相对误差分别为21.7%与21.0%，RMSE分别为0.416与0.419；利用SDr与SDr/SDb分别对LAI大于1.0 与小于1.0 的棉花群体反演，能显著提高LAI的估算水平。【结论】应用高光谱分析方法能够提取棉花冠层特征光谱信息，构建LAI高光谱反演参数，建立估算模型，并且利用包含不同光谱参数的分段模型可以进一步提高LAI反演精度。