基于水稻冠层高光谱的叶片SPAD值估算模型研究

为进一步提高水稻冠层光谱对叶片叶绿素相对含量(soil and plant analyzer development,SPAD)值的反演精度,利用光谱仪和叶绿素计实测了水稻全生育期的冠层高光谱反射率和SPAD值,并对原始光谱反射率及一阶导数光谱与叶片SPAD值进行了相关性分析;利用主成分分析(principle component analysis,PCA)对原始光谱数据进行降维,将得到的主成分作为输入变量,分别应用逐步多元线性回归分析法(stepwise multiple linear regression,SMLR)与支持向量回归(support vector regression,SVR)构建叶片SPAD值的高光谱估算模型;另分析322种冠层光谱参数与叶片SPAD值之间的相关关系,筛选相关系数高的14种特征参数作为输入变量,分别应用逐步回归与支持向量回归构建SPAD值的高光谱估算模型,并进行验证。结果表明,叶片SPAD值与水稻冠层原始光谱反射率的相关性在669 nm处高达-0.876,与一阶导数光谱的相关性在543 nm处最高达-0.834;不同模型的精度值各异,以特征参数为输入变量建立的逐步回归模型和SVR模型的均方根误差RMSEv分别为2.926、3.895,相对分析误差RPD分别为2.064、1.55。而基于主成分分析建立的逐步回归模型和SVR模型的RMSEv分别为3.349、2.631,RPD分别为1.803、2.295。对比发现主成分分析结合支持向量机模型可以很好地预测叶片SPAD值。     

基于高光谱的油菜叶片SPAD值估测模型比较

[目的]比较基于高光谱参数的油菜叶片SPAD值估算模型效果.[方法]在分析光谱反射特征和光谱参数与SPAD值相关性的基础上,利用光谱特征参数优选并构建了偏最小二乘回归(PLSR)、传统反向传播神经网络(BPNN)、支持向量回归(SVR)和深度学习神经网络(DNN)等模型对叶片样本叶绿素SPAD值进行估测.[结果]①叶片...     

基于高光谱和BP神经网络模型苹果叶片SPAD值遥感估算

叶绿素含量表征植被的营养生长状况,为西北地区苹果的大面积、无损、实时生长监测提供科学依据,使用SVC HR-1024I型便携式野外光谱辐射仪和SPAD-502型叶绿素仪测定不同生育期苹果叶片光谱反射率和SPAD值。分析不同生育期苹果叶片SPAD值及其高光谱变化特征,不同生育期叶片SPAD值与原始光谱反射率和光谱特征参数的相关性,构建基于光谱特征参数的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型,并对反演模型进行验证。结果表明,1)从新梢开始生长到果实成熟,苹果叶片SPAD值呈现先上升后下降趋势;2)基于光谱特征参数构建估算叶片SPAD值的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型均通过显著性检验,在秋梢停止生长期各模型反演和预测精度均最高;3)在各生育期,基于光谱特征参数建立的单因素回归模型中,均以蓝边幅值Db和绿峰面积SRg为自变量建立的回归方程拟合和预测能力最优;4)在各生育期,基于逐步回归分析的BP神经网络模型反演和预测能力较单因素回归模型和多元逐步回归模型表现最优,建模R2和验证R2分别达到0.90和0.84以上,验证RMSE4.41,验证RE8.42%,是一种快速、高效估算苹果叶片SPAD值的良好反演方法。     

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。     

基于数码相机的玉米冠层SPAD遥感估算

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。     

基于高光谱遥感的棉花叶片叶绿素含量估算

为提高高光谱植被指数对棉花叶绿素含量的估算精度,以陕西省关中地区棉花花铃期叶片高光谱反射率为数据源,分析了13种植被指数与棉花叶片叶绿素相对含量(SPAD)的相关关系;同时采用降精细采样法,详细分析400~2 000nm波段范围内原始光谱反射率的任意两两波段组合而成的优化光谱指数RSI与SPAD值的定量关系,构建线性及非线性回归监测模型,并对模型进行验证。结果表明:1)所提取的13种植被指数中NIR/NIR与SPAD值的相关系数最大(r=0.914),并且基于NIR/NIR(R780/R740)构建的回归方程模型优于其他植被指数,其构建的二次曲线方程回归模型建模与验模R2分别为0.900和0.785,RMSE为4.762,RE为7.86%,为基于提取的12种植被指数构建SPAD值估算模型中最佳模型;2)优化后的比值光谱指数RSI(Ration spectral index)的敏感波段为500和563nm,RSI(500,563)与SPAD值的相关系数r=0.999,与棉花叶片SPAD含量在0.01水平下呈显著相关,其构建的二次曲线方程模型效果最优,建模和验模R2分别为0.912和1.000,RMSE为2.848,RE为4.38%。与提取的13种植被指数相比,基于RSI指数二次曲线回归模型为估算叶绿素含量的最佳模型,并且模型预测值和实测值之间的符合度较高R2=0.843,表明基于波段优化算法的优化光谱指数RSI能更好的预测棉花叶片叶绿素含量。     

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。     

基于无人机高光谱分数阶微分玉米SPAD值估算

以夏玉米为研究对象，基于无人机高光谱数据和野外玉米冠层叶片实测SPAD值，以0.2阶为步长，计算光谱0～2阶分数阶微分，分析其与玉米冠层实测SPAD值之间相关性，筛选相关系数绝对值前10波段为特征波段组合，构建并比较玉米冠层叶片SPAD值的支持向量回归模型(SVR)、反向传播神经网络模型(BPNN)和麻雀优化算法随机森林模型(SSA-RFR)。结果表明，经分数阶微分变换可显著提高与SPAD值相关性，其中以0.6阶698 nm处相关系数绝对值最大；基于分数阶微分模型整体精度高于整数阶模型，其中基于分数阶微分的SSARFR模型精度最高，R²为0.706，较整数阶提高32.46%,RMSE和MRE分别为2.444和3.579%，较整数阶降低13.46%和12.95%。     

灌浆期水稻叶片铜含量变化的高光谱遥感定量监测研究

为了利用高光谱遥感有效地监测农作物叶片中的重金属含量变化,在化学分析和农作物叶片对铜元素含量增加的敏感性基础上,利用光谱植被指数定量监测作物叶片铜元素含量变化,为大面积、快速、准确、无损地监测农田水稻叶片重金属含量变化提供技术支持。以张家港市为研究区域,实地采集水稻叶片样品21个。采用便携式高光谱地物波谱仪,获取灌浆期水稻植株叶片的光谱反射率并提取光谱指数,室内测定叶片重金属铜含量,并分析水稻叶片重金属铜含量与不同类型光谱指数的相关性。结果表明,高光谱数据对叶片铜含量变化的敏感性较好,其中,红边位置(REP)、绿波段归一化差异指数(GNDVI)、比值植被指数(RVI)、Vogelmann红边指数(VOGI)和地面叶绿素指数(MTCI)可分别作为估测叶片铜含量的敏感光谱指数,其乘幂和指数回归模型能够较好地反演水稻叶片铜含量;叶片铜含量的敏感光谱波段参数在原始光谱中主要集中于420～670 nm范围内,最小负相关系数的波长是646、647、648 nm;而一阶微分和二阶微分光谱中在蓝边、黄边、红边和近红外区域均有分布,最大正相关系数的波长分别是660、715 nm;水稻叶片铜含量估测的最佳模型是基于二阶微分敏感光谱参数构建的偏最小二乘回归模型,该模型预测的铜含量值与实测值的拟合度较好(R~2=0.56)。研究结果证明可以利用高光谱生物遥感技术有效地监测农田水稻叶片中重金属含量的变化,判断作物中重金属浓度是否超标,为高光谱遥感立体、快速和大面积地监测农田作物铜含量的变化提供参考,也为评价水稻的食用安全提供科学方法。     

基于连续投影算法与BP神经网络的玉米叶片SPAD值高光谱估算

叶片叶绿素含量是评价作物生长状况的重要指标。为实现玉米叶片叶绿素含量的准确、高效高光谱估测,以玉米大田试验为基础,于7月1日(大喇叭口期)、7月19日(灌浆初期)和8月18日(腊熟期)利用ASD高光谱仪和便携式叶绿素仪(SPAD-502)分别测定了玉米叶片高光谱数据和叶绿素含量相对值SPAD;利用连续投影算法提取出玉米叶片光谱的特征波长,再用BP神经网络构建SPAD值的估算模型,并对模型进行验证。结果表明,3个日期的分段监测模型及统一监测模型的R2分别为0.885,0.900,0.675,0.827;RMSE分别为2.156,2.103,3.236,2.651;7月1日模型、7月19日模型和统一监测模型均具有较高的精度,同时检验模型RPD均大于2,具有很好的预测能力;而8月18日的监测模型表现较差(RPD=1.641),但也达到可用水平。表明利用连续投影算法结合BP神经网络可以进行玉米叶片SPAD值的高光谱估算。