叶面滞尘量对大叶黄杨光谱特征影响研究

  目的  叶面滞尘会影响植被光谱特征，削弱植被指数对植被的响应能力，影响反演评估的准确性。为探究叶面滞尘量对植被光谱响应特征及预测模型的影响，本文以北京市常见常绿绿化树种大叶黄杨为研究对象展开研究。  方法  从封闭区域、半封闭区域、开放区域，采集叶片样本，并收集环境灰尘。通过室内控制试验，利用ASD FildSpec Handheld光谱仪测量不同滞尘量叶片的高光谱数据，选取5个特征波段，通过光谱角的方法研究了叶面滞尘量对叶片光谱特征的影响，以及滞尘量对叶面滞尘量预测模型的精度和稳定性影响。  结果  随着叶面滞尘量的增加，植被光谱曲线特征逐渐减弱，灰尘的特征逐渐增强，但光谱曲线的总体变化趋势基本一致。当叶面滞尘量 > 120 g/m2时，光谱曲线的基本表现为灰尘的光谱特征。当叶面滞尘量较少时，预测模型的模拟精度相对较高，随着滞尘量的增加，所有模拟预测模型的决定系数均减小；当叶面滞尘量 > 120 g/m2时，预测模型对叶面滞尘量的模拟预测能力将更差，并且均方根误差（RMSE）随着叶片单位面积滞尘量的增加而增大，模拟预测模型的稳定性及预测精度逐渐降低。光谱角对滞尘叶片350 ~ 1 770 nm波段区间的光谱变化十分敏感，利用叶片光谱角检测滞尘程度不需要分区域讨论，只需与阈值做简单的比较，方法简便易行。  结论  本研究通过室内控制试验，研究叶面滞尘量对植被光谱响应特征，可为建立滞尘植被光谱反射物理模型提供参考与借鉴。      

银杏落叶期叶片NDVI值2种拟合方法比较

【目的】对银杏Ginkgo biloba L.落叶期(9—12月)的叶片进行连续定期定点的高光谱测量,计算出能代表其生长状况和营养信息的高光谱参量NDVI值,通过选用两种不同的曲线拟合方法对其NDVI值进行宏观上的以时间为自变量的曲线拟合,选出最优拟合方法,更好地了解银杏落叶期叶片光谱特征参量NDVI值的变化趋势,从而更有效地对其进行决策和控制,为植被的大尺度遥感动态监测提供方法参考。【方法】利用SVC HR-1024I全波段地物光谱仪,选取三株健康、生长环境相同、长势相近的中龄银杏为叶片采集对象,对其落叶期冠层叶片进行定期定点定方位的高光谱观测。对获取的高光谱原始数据进行数据筛选与预处理后,通过计算得出叶片的NDVI值,分别采用二次函数拟合法和ARIMA时间序列拟合法对落叶期叶片的NDVI值进行曲线拟合,并对两种拟合方法的拟合结果进行比较,选出最适合银杏叶片落叶期NDVI值的拟合方法。【结果】二次函数拟合结果为NDVI=-0.0221T2+0.0547T+0.711,决定系数R2为0.926,但因拟合结果t值不显著,样本结果随机性大,不具广泛性;ARIMA时间序列拟合中ARIMA(2,1,2)模型估测结果与实际情况接近,R2为0.811,拟合效果较好。【结论】ARIMA时间序列拟合方法比二次行数拟合方法更适用于对银杏落叶期叶片的NDVI值进行拟合。     

4种植物油热氧化同步荧光光谱分析

以亚麻籽油、大豆油、菜籽油与葵花籽油为原料,在不同温度条件下氧化并测定其不同时间的同步荧光光谱,分析同步荧光光谱及荧光物质变化情况。结果表明,4种植物油不同温度下的同步荧光光谱峰变化主要集中在300~415 nm内,且随着加热时间的延长存在波动现象;在50℃和150℃加热氧化条件下,300,330,375,415 nm这4个峰都存在明显的波动现象;二维相关分析表明,这4个峰的荧光强度变化速率不同,不同油变化差异较大;同种油在不同温度下,4个峰的波动情况、相互关系、变化速率均有明显差异。这些峰的变化与油脂氧化过程中荧光物质和油脂氧化程度的变化有关,可以利用同步荧光光谱的变化特性作为监控油脂氧化的依据。     

基于无人机高光谱的水稻光合性能监测系统应用

水稻的光合性能与水稻的产量和品质密切相关,传统的水稻光合性能监测由人工完成,具有任务量大和效率低等缺点,高效、无损的监测作物长势,是现代化精准农业的要求。为此,以无人机搭载高光谱仪作为遥感技术平台,对水稻的光合性能进行研究分析,建立了估算水稻叶片类胡萝卜素(Car)含量的监测模型。测试结果表明:5组光谱参数与水稻样本叶片Car含量实测值的回归分析均达到显著相关水平,以SR(723,770)精度最高;进一步检验发现,水稻叶片类胡萝卜素含量实测值与SR(723,770)模型建立的估测值相关性更高,R~2达0.891 5,斜率更接近于1,具有更佳预测效果,可为水稻光合性能遥感监测提供技术支撑。     

基于角度指数的油菜叶片等效水厚度估算研究

叶片等效水厚度(EWT)是评估油菜生长状态的一个重要参数。为快速准确估算油菜叶片EWT,选择9个常用的植被水分指数(WI、PRI、NDVI、NDII、NDWI、MSI、PWI、GVMI、NDMI),在6个已有角度指数(β_SWIR1、SANI、SASI、ANIR、NANI、NASI)基础上,提出2种角度比值指数(SARI、NARI),并根据油菜叶片水吸收谷峰高光谱特征,提出基于水吸收谷1 450 nm和1 930 nm的8种改进型角度指数,利用以上25种角度指数估算不同施氮水平下苗期、蕾薹期以及不区分苗期、蕾薹期情况下的油菜叶片EWT。结果表明,苗期ANI₁₄₅₀、ASI₁₄₅₀、MSI、GVMI、NDII估算效果较好,R²均达到0.81以上;蕾薹期ANI₁₉₃₀、ASI₁₉₃₀、NASI、SANI、GVMI、SARI效果最好,R²均达到0.71以上;在不区分苗期、蕾薹期的情况下,改进型角度指数ANI₁₄₅₀、ASI₁₄₅₀效果最好,R²均达到0.832,可以在不区分苗期、蕾薹期情况下对油菜叶片EWT进行估算,适用性更广。本研究提出的改进型角度指数不仅丰富了已有角度指数,且提高了其反演油菜叶片EWT的精度,为快速精确估计油菜叶片EWT提供了新的研究思路。     

基于SVR 和PLSR 的土壤有机质高光谱估测模型研究

【目的】探讨高光谱遥感数据不同预处理及不同估测算法下土壤有机质估测模型的优劣,为提高土壤有机质估测精度奠定基础。【方法】使用高光谱仪在室内条件下对土壤样品进行光谱测量,对光谱数据进行4种去噪处理(无去噪处理、Savitzky-Golay(S-G)平滑滤波去噪、小波包去噪以及S-G平滑与小波包结合去噪),然后对去噪后的光谱数据进行8种数据变换(原始光谱数据R、倒数1/R、对数log(R)、倒数对数log(1/R)、一阶导数R′、倒数一阶导数(1/R)′、对数一阶导数(log(R))′、倒数对数一阶导数(log(1/R))′),接着对变化后的光谱数据进行3种降维处理(无降维处理、敏感波段降维和主成分分析降维),最后运用支持向量回归法和偏最小二乘回归法分别建立SOM含量估测模型。【结果】研究中所涉及的各种数据预处理和估测算法中,小波包去噪、PCA降维、反射率倒数一阶导数(1/R)′光谱数据变换处理条件下,使用PLSR方法的估测模型精度最高、模型最稳定,可以较精确地估测吉林省伊通县SOM含量。【结论】合适的数据预处理,尤其是小波包去噪和PCA降维相结合,可有效改善光谱数据质量,提高SOM含量估测模型精度及稳定性。     

高光谱成像快速检测壳聚糖涂膜草莓可溶性固形物

为了对壳聚糖涂膜草莓可溶性固形物含量(soluble solids content, SSC)进行快速检测,该文采用高光谱成像仪(400～1 000 nm)对0,0.5%,1%浓度的壳聚糖(chitosan, CTS)涂膜草莓分别储藏1,2,4 d后进行成像,并测量样本SSC。通过分析SSC发现,0.5%和1%壳聚糖涂膜草莓,其SSC随着储藏天数的增加均高于0浓度壳聚糖涂膜草莓,说明了0.5%和1%壳聚糖涂层抑制了草莓中SSC的降低,能够延长草莓的新鲜口味。随后采用蒙特卡罗-偏最小二乘法(monte carlo-partial least squares, MCPLS)对异常样本进行剔除。对剔除异常样本后的光谱数据进行不同预处理,以确定最优的预处理方法。为提高运行速度和降低数据维数,采用竞争性自适应权重取样法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)进行特征波段选择。最后,采用偏最小二乘回归(partial least square regression, PLSR)和支持向量回归(support vector regression, SVR)法建立回归模型。最终结果表明:SPA-SVR模型效果最佳,0浓度的壳聚糖涂膜的草莓,建模集精度Rc2为0.865,预测集精度Rv2为0.835;0.5%浓度的壳聚糖涂膜的草莓,建模集精度Rc2为0.808,预测集精度Rv2为0.799;1%浓度的壳聚糖涂膜的草莓,建模集精度Rc2为0.834,预测集精度Rv2为0.875。对储藏第4天的部分样本图像进行主成分分析(principal component analysis, PCA),结果显示除第二主成分图像(PC2)中有部分噪声影响外,PC1和PC3均能完整反映草莓信息,且PC3图像明显呈现出不同浓度壳聚糖涂膜草莓的褐变程度,说明不同浓度的壳聚糖涂膜也会对草莓货架期产生不同影响。综上说明利用高光谱成像技术可以实现壳聚糖涂膜草莓SSC快速检测,有效指导草莓保鲜处理。     

基于高光谱和参数优化支持向量机的水稻施氮水平分类研究

为探索水稻氮素营养的快速、无损诊断方法以及构建基于高光谱技术的水稻氮素营养状况分类识别模型。本研究以 4种不同施氮水平的“中嘉早 17”水稻分蘖期顶部第三完全展开叶叶片(简称顶三叶)为研究对象，测定各叶片的可见光到近红外波段(350～ 2500 nm)内的光谱数据，对所获取的光谱数据进行平滑处理和归一化处理，以消除噪声及量纲的影响，并采用主成分分析(PCA)的方法进行数据降维至 22维，同时分别选用基于网格搜索算法、粒子群算法和遗传算法优化参数的支持向量机进行水稻氮素营养状况分类识别模型的建立。研究结果表明:1)不同施氮水平下的水稻叶片光谱反射率曲线走势大致相同，但不同施氮水平下 780～ 1 300、1 400～ 1 850及 1 900～ 2500 nm波段光谱反射率存在一定的差别；2)优化参数后的 SVM模型与默认参数下的 SVM模型相比，其训练集与测试集分类识别效果都要优于默认参数下的 SVM模型。其中，以遗传算法优化参数的 SVM模型识别分类效果最佳，训练集和测试集识别准确率分别为 99.375%、98.750%，测试集的4种施氮水平(施氮量从低到高)识别准确率分别为 100%、95%、100%和 100%。结果表明利用高光谱技术能够很好地进行水稻氮素营养状况的定性诊断研究。为快速水稻氮素营养诊断提供了一种新途径，为精确施氮提供了技术支撑和理论依据。     

基于BP神经网络对薇甘菊预处理方法的选取

以入侵植物薇甘菊高光谱图像为研究对象,基于4种预处理方法对薇甘菊高光谱图像进行降低噪声处理,分别研究了基于主成分分析的特征提取方法和基于BP神经网络的分类模型,筛选出薇甘菊高光谱识别的最优预处理方法,以实现薇甘菊的快速准确识别。结果显示,预处理方法为一阶、二阶微分的识别率分别为81.2%和76.92%;标准正态变量变换(SNV)和一阶微分+SG平滑的识别率分别为89.74%和87.18%。多次试验得到基于SNV预处理方法的识别率最稳定,即得到最优预处理方法为SNV。