青海高寒区土壤光谱特性研究

以青海高寒区4种主要土壤类型为观测对象,利用ASD手扶式波谱辐射仪测定其土壤剖面光谱反射率,结合土壤有机质和氧化铁含量进行统计分析.结果表明:4种类型土壤的光谱反射率表现为流动风沙土＞半固定风沙土＞淡栗钙土＞暗栗钙土;土壤有机质含量与光谱反射率在375 nm波段、575 nm波段和775 nm波段附近有较好的负相关性;...     

新疆北部不同类型土壤光谱特征及对有机质含量的预测

对北疆地区淡栗钙土、冷钙土、石灰性黑钙土、石膏灰棕漠土等4种土壤类型的反射光谱进行分析,研究土壤有机质含量与光谱反射率之间的关系。结果表明,石灰性黑钙土的反射率明显低于其它土壤类型。有机质含量高于14 g·kg^-1时光谱反射率与有机质含量呈负相关,有机质含量很低（<8 g·kg^-1）时,土壤的光谱反射率与有机质含量之间呈正相关。分别采用593.6 nm波段的原始光谱反射率、661 nm波段的反射率去除包络线和547.4 nm波段反射率的一阶微分与土壤有机质含量建立回归模型,经检验三种模型均能较好地预测有机质的含量,其中光谱的一阶微分预测精度相对较高,可较好地预测北疆主要类型土壤的有机质含量。     

石羊河流域下游民勤荒漠植物光谱特征分析

选取石羊河流域下游民勤10种典型荒漠植物进行地面反射光谱测定,通过分析荒漠植物光谱特征、红边参数及对比荒漠植物与农作物光谱数据,提取荒漠植物识别的波段和所需波段光谱分辨率。结果表明:1)10种荒漠植物具有相似的光谱曲线形状,但是不同荒漠植物种由于叶子的组织结构、色素含量和含水量不同,使得反射率大小又具有各自的特点;5个波段区间光谱曲线差异显著,用于识别荒漠植物。2)荒漠植物红边位置都靠近长波方向;沙蒿的红边幅值最大,锦鸡儿最小;沙拐枣的红边面积最大,泡泡刺最小。3)荒漠植物光谱反射特征在680nm、970nm、1450nm和2190nm附近与农作物有较大差异,光谱分辨率在可见光和近红外波段需要30nm或更窄,在中红外波段需要50nm或更窄。     

利用光谱特征参数估算病害胁迫下杉木叶绿素含量

为了探索建立炭疽病胁迫下杉木叶绿素含量的高光谱估算模型,促进遥感技术在森林病虫害监测中的应用,通过获取不同发病程度的杉木冠层光谱及相应的叶绿素含量,将冠层光谱数据、一阶微分数据与相应的叶绿素含量分别进行了相关分析。采用逐步回归、主成分回归及偏最小二乘回归方法构建叶绿素含量的估算模型。叶绿素含量与原始光谱在可见光(614～698nm)和近红外区(724nm之后)达到极显著相关,且在近红外区基本趋于稳定;与一阶微分光谱在424～486nm、514～532nm、552～682nm、698～755nm和762～772nm波段全部达到极显著相关;3种建模方法均消除了参数间多重共线性的影响,模型的决定系数全部达到极显著水平,其中逐步回归模型精度最高,相对误差和均方根误差分别为10.71%和0.194。研究表明受到不同程度炭疽病胁迫的杉木冠层光谱反射差异较大,可利用高光谱信息定量估算病害胁迫下的杉木叶绿素含量,且估算精度较高。     

韭菜中毒死蜱残留量与高光谱特征参数的相关性建模

本研究目的在于分析农药残留量(pesticide residue,PR)与高光谱中响应特征参数之间的关系,并利用筛选的光谱特征参数建立反演毒死蜱残留量的有效模型。首先采用ASD Fieldspec高光谱仪测得韭菜样本的光谱,通过气相色谱-质谱联用(GC-MS)法测得毒死蜱残留量(PR)值;分析样本光谱反射率值及其一阶微分值与毒死蜱残留量的相关性,计算33个高光谱特征参数与毒死蜱残留量的相关性;根据相关系数高低选择敏感的光谱特征参数;最后采用最佳相关系数下的光谱特征参数对毒死蜱残留量进行建模反演。相关性分析结果显示:近红外波段789~867 nm范围内一阶微分光谱值与PR值呈正相关,1 860 nm处一阶微分光谱值(first-order differential 1 860 nm,FD1860)与PR值紧密相关;在33个高光谱特征参数中,近红外一阶微分总和(the sum of first-order differential near infrared,SDnir)与PR值呈良好的正相关关系。基于此,文章以供试样本的FD1860和SDnir观测值为自变量,分别建立了3个预测毒死蜱残留量的模型,即线性、二次多项式及指数模型,并采用交叉验证测试方法检验了模型的合理性。对实验所得决定系数R2和预测均方根误差(RMSE)的评价结果表明,以SDnir为自变量构建的模型稳定性强,其二次多项式模型是最佳反演毒死蜱残留量的有效模型。因此,样本的高光谱特征参数SDnir的变化幅度直接反映了韭菜样本中毒死蜱残留量的变化,表明运用蔬菜的高光谱特征参数反演蔬菜中农药残留量的方法是可行的。     

新疆阜康荒地土壤有机质高光谱特征及其反演模型研究

针对干旱区荒地土壤贫瘠且有机质含量少,难以快速、准确测定的问题,以阜康中部荒地土壤为研究对象,对64个样点野外光谱进行测定和室内土壤样品农化分析,在原始反射率(R)基础上,利用ENVI5.1软件提取光谱反射率一阶微分(R')、倒数的对数(lg(1/A))、倒数的对数一阶微分(lg(1/A)')、去包络线(CR)等4种光谱反射率,分析了5种光谱反射率的变换形式与土壤有机质含量的相关性,基于全波段(450～2 350 nm)和显著性波段(相关系数通过P=0.01水平检验),利用偏最小二乘法回归(PLSR)建立土壤有机质含量的高光谱预测模型。结果表明:(1)对不同有机质含量的土壤光谱去包络线后,光谱曲线吸收特征差异更加显著,且土壤有机质含量越多,土壤光谱反射率越低。(2)土壤反射率经过数学变换后提高了与有机质含量的相关系数。(3)在全波段的PLSR中,CR、R'和lg(1/R)'模型的RPD均大于2.0,表明预测能力极好。其中以CR的预测精度最为突出,其模型R2和RMSE分别为0.79、4.12,RPD为2.18。在显著性波段的PLSR中,虽然R'和CR的模型RPD均大于2.0,可以准确预测有机质含量,但CR的R2,RPD更高;基于全波段PLSR模型精度均略优于显著性波段,但其使用数据量大,增加了计算量。同时,其CR模型的RPD仅比显著性波段模型的高0.03。因此,选择显著性波段CR模型作为估测该荒地土壤有机质含量的模型更为简洁、科学、可行。     

干旱区玉米抽雄期叶绿素含量高光谱最佳模型选择

采用相关性、线性和非线性分析法,探讨了玉米抽雄期叶片叶绿素含量与多种高光谱参数之间的关系,并建立了叶绿素含量的定量监测模型。结果表明:(1)原始光谱反射率与叶绿素含量在713 nm处具有最大相关系数r=0.86,光谱反射率一阶微分在760 nm处与叶绿素含量具有最大相关性r=0.84。同时,最大一阶微分分别对应的波长(λr,λb,λy)、绿峰反射率(Rg)和其对应的波长λg、红边内最大一阶微分总和(SDr)、比值植被指数(SDr/SDb,SDr/SDy,(Rg-Ro)/(Rg+Ro))以及归一化植被指数(SDr-SDb)/(SDr+SDb)等10种参数分别与叶绿素含量的相关性达到极显著相关。(2)采用相关性达到极其显著的12种光谱参数进行建模,其中原始光谱、绿色反射峰以及光谱反射率一阶微分、基于红边面积与蓝边面积的比值植被指数和归一化植被指数所建立的10个模型R2都不小于0.72,前两者所建立的指数模型优于线性模型,而后三者所建立的线性模型则优于指数模型。(3)所选取的五个方程中,在760 nm处的光谱反射率一阶微分值所构建的线性模型:y叶绿素=6912x760nm+44.878因其具有最大决定系数和最小的RMSE,并且其模型表达式相对简单,因此是玉米抽雄期叶绿素含量的最佳预测模型,从模型决定系数R2来看,它比其他模型至少提高了11.4%。     

基于冠层高光谱的甜菜不同生育时期SPAD值估测研究

文中基于高光谱与田间试验进行了甜菜不同生育时期(甜菜幼苗期、叶丛生长期、块根膨大期和糖分积累期)SPAD值估测研究。采用便携式ASD光谱仪和SPAD-502叶绿素仪分别实测了甜菜冠层反射光谱和SPAD值,分析不同生育时期冠层高光谱响应特征,并对12种光谱指数与不同生育时期的冠层SPAD值进行相关性分析,最后建立了SPAD值的最佳估测模型。研究结果表明:在可见光波段(450-680nm)与近红外波段(760-950nm),甜菜不同生育时期冠层反射光谱存在明显差异;不同生育时期所筛选的3种光谱指数与SPAD值均达到了极显著(p<0.01)或显著(p<0.05)相关水平;甜菜幼苗期、叶丛生长期、块根膨大期和糖分积累期分别以NDVI、SDr/SDy、CCI和SDb为单一自变量所建立的估测模型最佳,模型决定系数R~2分别达到了0.573、0.212、0.363和0.324。     

基于Logistic、IBk以及Randomcommittee方法的条锈病潜育期小麦冠层光谱的定性识别

为寻求在小麦条锈病潜育期能探知和监测病害的简单便捷方法,通过人工接种不同品种小麦诱发条锈病,在小麦条锈病菌尚处于潜育期时,采集小麦冠层光谱数据,并利用双重Real-time PCR分子生物学技术检测条锈病菌潜育菌量,基于Logistic、IBK以及Randomcommittee三种方法,在不同建模比、不同参数变换下建立可识别潜育期小麦条锈病的数学模型。结果表明,在全波段范围内(325~1 075 nm),3种方法所建模型模拟识别潜育期小麦条锈病是可行的,但识别效果有一定差异,基于Logistic、IBK以及Randomcommittee方法所建模型的平均准确率分别为83.95%~84.51%、87.72%~88.98%、93.19%~93.46%。因此,基于Randomcommittee方法所建模型的识别准确率最高,效果最好,更适合小麦条锈病潜育期的定性识别。