截形叶螨危害下枣叶片叶绿素含量高光谱估算模型

以不同截形叶螨(Tetranychus truncatus Ehara)危害等级下枣叶片高光谱和叶绿素含量数据为基础,分析不同截形叶螨危害等级(0级、1级、2级、3级、4级)下枣叶片高光谱特征,构建基于一阶微分光谱的不同截形叶螨危害等级枣叶片叶绿素含量高光谱线性回归估测模型。结果表明:截形叶螨危害造成叶片中叶绿素含量减少,导致光谱反射率降低,表现为随危害等级的增加叶绿素含量呈逐级减少趋势。在不同截形叶螨危害等级枣叶片叶绿素估测模型中,危害等级为0级时,模型拟合度最好,达到0.810,表明利用高光谱数据构建不同危害等级枣叶片叶绿素含量估算模型具有一定的潜力,对危害植被叶片的虫害诊断意义重大。     

基于高光谱特征参数的冬小麦氮营养指数估算

为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术，利用美国SVC HR-1024I型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测，获取“三边”参数、任意两波段光谱指数和植被指数，通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数，结合偏最小二乘回归(PLSR)、随机森林算法(RFR)、支持向量机回归(SVR)和梯度增强回归(GBDT)建立冬小麦氮营养指数模型，并对模型估算精度进行验证。结果表明，从拔节期到灌浆期，各时期的氮营养指数与任意两波段光谱指数均呈极显著相关，其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期，且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大，为0.66。拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r²)和均方根误差(RMSE)分别为0.96和0.05,模型验证的r²、RMSE和相对预测偏差(RPD)分别为0.95、0.12和2.12,模型预测精度最高。因此，拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测...     

水稻地上鲜生物量的高光谱遥感估算模型研究

不同氮素营养水平的水稻田间试验,采用单变量线性与非线性拟合模型和逐步回归分析,用1999年试验数据为训练样本,建立水稻鲜生物量的高光谱遥感估算模型,用2000年试验数据作为测试样本数据,对其精度进行评价和验证.结果表明,高光谱变量与地上鲜生物量之间的线性与非线性拟合分析中,一些高光谱特征值如红边波长(λr)、绿峰最大     

高光谱遥感技术在现代林业中的应用与发展

以高光谱遥感技术为例，阐述了遥感技术在林业中关于森林信息获取、森林监测和森林健康评价等各方面的运用和发展，以及“3S一体化技术”在现代林业中广泛应用的必然发展趋势。     

荒漠化程度评价高光谱遥感信息模型

本文用国产高光谱分辨率成像光谱仪系统数据对荒漠化评价建立定量化遥感信息模型。对荒漠化评价因子中的主要定量因子 (植被盖度、生物量和土壤含水率 )进行了定量反演 ;对难于进行定量计算的评价指标 ,先通过目视解译获得各因子的编码图 ,分别进行影像化后参加荒漠化程度评价遥感信息模型计算。通过每个像元都可获取全部评价因子的指标值 ,在现有的荒漠化评价方法的基础上 ,建立以像元为单位的荒漠化程度评价的定量化遥感信息模型并输出荒漠化程度分布图。结果表明 ,用高光谱数据定量反演荒漠化地区植被生物量、盖度和土壤含水率是比较可靠的。当反演区域内灌木和草地同时存在时多项式模型的精度要明显高于线性模型 ;当植被类型单一时 ,模型即为较高精度的线性模型 ,但模型的应用地域范围受到限制 ,只能分块进行计算。因此 ,在只有灌木和草地的区域用多项式模型反演会提高效率。土壤含水量的反演方法适合于地形平坦、植被比较稀疏的条件。但研究发现 ,基于土壤热惯量的含水量模型具有一定的抗植被干扰能力。荒漠化程度评价的遥感信息模型的精度主要取决于现有荒漠化评价的方法 (即评价指标是否科学合理、专家给定的权重和等级标准是否客观 )以及各指标数据的获取精度     

基于邻域粗糙集和高光谱散射图像的苹果粉质化检测

研究了基于邻域粗糙集理论的高光谱散射图像苹果粉质化无损检测方法。以576幅波长范围为600~1000nm的苹果高光谱数据为研究对象,利用邻域粗糙集模型对81个原始波段进行选择,从中选择出最优波长子集;利用支持向量机建立分类模型,随机选择526个样本作为训练集,其余50个样本作为测试集,重复仿真10次验证分类能力。仿真结果表明邻域粗糙集能够得到充分表述粉质化程度的14个最优波长,测试模型的平均精度为75%,高于全波长模型的71%和采用主成分分析法的74%。     

油桃外部缺陷的高光谱成像检测

采用高光谱(420~1 000 nm)成像技术对"中油9号"油桃的4种外部缺陷(裂纹果、锈病果、异形果和暗伤果)进行检测判别。对400个样本(4种外部缺陷样本和完好样本)运用偏最小二乘回归(PLSR)从全波段中分别提取了10条特征波长,分别为497、534、657、677、696、709、745、823、868、943 nm。缺陷样本的高光谱图像经过主成分分析后,对876 nm下的单波段图像通过掩膜、Sobel算子处理,并对主成分图像经过区域生长算法实现缺陷样本的缺陷区域分割。对光谱数据进行主成分分析得到前10个主成分值,并对图像数据采用灰度共生矩阵(GLCM)提取得到6项图像纹理指标(均值、对比度、相关性、能量、同质性、熵值)。将主成分值和纹理值融合建立极限学习机(ELM)模型对油桃外部缺陷进行检测判别。结果表明,该模型对缺陷样本的判别正确率为91.67%,完好样本的正确率为100%。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

Reflectance-based assessment of spider mite “bio-response” to maize leaves and plant potassium content in different irrigation regimes

It is widely accepted that pest infestations elicit a change in plant physiology, which cause detectable changes in crop leaf reflectance. In this study, we test the hypothesis that crop leaf reflectance may also be used to forecast the risk of pest infestation before they actually occur. We collected reflectance data in 160 spectral bands from 405 to 907 nm from excised leaf pieces from field grown maize plants under 3 irrigation regimes. Leaf material was collected at weekly intervals in two growing seasons. The same leaf pieces were used in choice bioassays with carmine spider mites to assess attractiveness to mites (spider mite “bio-response”) across irrigation regimes. In one growing season, we also obtained nutritional element data (lipid, protein, soluble sugar, starch, lignin, Ca, P, Mg, K, S, and Cl) from whole maize plants. Principal component analysis showed that potassium content (K) was highly negatively correlated with spider mite bio-response. Relative reflectance at 740 nm showed a highly significant and positive trend across spider mite bio-response classes, and that potassium content showed a highly significant and negative trend across the same classes. Thus, we argue that relative reflectance at 740 nm may be used to predict both potassium content and risk of spider mite infestation. Based on extensive reviews, potassium leaf content is known to reduce susceptibility of crops to pests. The results presented provide encouraging support for remotely sensed risk assessment of pest infestations through reflectance-based monitoring of maize leaf attractiveness and highlight that reflectance based monitoring of crop susceptibility may be possible through careful management of macro element crop properties, such as potassium content.     

Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging

Healthy wheat kernels and wheat kernels damaged by the feeding of the insects: rice weevil (Sitophilus oryzae), lesser grain borer (Rhyzopertha dominica), rusty grain beetle (Cryptolestes ferrugineus), and red flour beetle (Tribolium castaneum) were scanned using a near-infrared (NIR) hyperspecrtal imaging system (700-1100 nm wavelength range) and a colour imaging system. Dimensionality of hyperspectral data was reduced and statistical and histogram features were extracted from NIR images of significant wavelengths and given as input to three statistical discriminant classifiers (linear, quadratic, and Mahalanobis) and a back propagation neural network (BPNN) classifier. A total of 230 features (colour, textural, and morphological) were extracted from the colour images and the most contributing features were selected and used as input to the statistical and BPNN classifiers. The quadratic discriminant analysis (QDA) classifier gave the highest accuracy and correctly identified 96.4% healthy and 91.0-100.0% insect-damaged wheat kernels using the top 10 features from 230 colour image features combined with hyperspectral image features.