基于高光谱数据的杨树叶片干物质含量的估算

将杨树叶片实测的理化数据和土壤背景光谱数据作为PROSPECT和PROSAIL模型的输入参数,输出杨树叶片高光谱数据模拟值,通过实测获得叶片尺度和冠层尺度干物质含量、等效水厚度以及高光谱数据,利用统计方法,分别对两种尺度杨树叶片干物质含量进行分析。结果表明:基于归一化指数计算方法,杨树叶片尺度和冠层尺度的最佳估算干物质含量的干物质含量归一化指数(NDMI)波段组合分别为1685,1704nm和1551,2143nm,使用偏最小二乘法分别对筛选波段组成的NDMI(1685,1704)指数和NDMI(1551,2143)指数构建叶片尺度干物质含量和冠层尺度干物质含量的估算模型,叶片尺度干物质含量估算模型精度为R2=0.663,RMSE=0.001g·cm-2,冠层尺度精度为R2=0.91,RMSE=16.7g·m-2。可见,高光谱技术对杨树叶片干物质含量的估算具有较高的精度,可为杨树叶片干物质含量的快速、无损估算提供参考依据。     

基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算

为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量（soil and plant analyzer development,SPAD）值,分析了一阶微分光谱、高光谱特征参数与 SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和 BP 神经网络的 SPAD 估算模型,并对模型进行验证;再结合主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）以及传统回归模型与 BP 神经网络模型进行比较。结果表明：SPAD 值与一阶微分光谱在763nm 处具有最大相关系数（R=0.901）;以763 nm 处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片 SPAD 估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测 SPAD 值作为输出,构建 BP 神经网络模型,其建模与验模 R2分别为0.887和0.896,RMSE 为2.782,RE 为4.59%,与其他回归模型相比,BP 神经网络模型预测精度最高,研究表明 BP 神经网络对叶绿素具有较好的预测能力,是估算玉米叶片 SPAD 值的一种实时高效的方法。     

番茄叶片叶绿素含量光谱估算模型

以番茄品种“金粉2号”为试验材料,在玻璃温室内设置3种土壤水分胁迫水平,以正常灌溉为对照,于2013年3—7月和8—12月两个生长季对番茄进行全生育期持续处理。采用便携式地物光谱仪测定各生育期番茄冠层的光谱反射率,同步测定叶片总叶绿素和叶绿素a含量,并基于3—7月数据计算常见高光谱植被指数,分别建立番茄叶片叶绿素总量和叶绿素a估算模型,用8一12月生长季的试验数据对模拟精度进行检验。结果表明：（1）水分胁迫对番茄叶片总叶绿素、叶绿素a含量和番茄冠层光谱反射率产生明显影响,水分胁迫越严重,叶绿素总量和叶绿素a含量均越低,番茄冠层光谱反射率也越低;（2）随着生育期的推进,番茄总叶绿素和叶绿素a含量均持续增加,而冠层光谱反射率在红光和蓝光波段的反射率逐渐减少;（3）4种估算模型中R670模型的决定系数（R。）最高,效果最佳（P〈0．01）,番茄叶片总叶绿素和叶绿素a最佳估算模型分别为：C_chl（a＋b）=44．83R670＋_670＋7.36,C_chl=39．92R_670＋5．12,均根方误差分别为0．45、0．42mg·g^-1,表明利用高光谱数据估算番茄叶片的叶绿素含量可行。     

关中地区夏玉米抽穗期叶绿素含量的高光谱估算

[目的]利用高光谱数据进行叶绿素估算,为快速获取作物的生长信息、生长诊断及精确管理提供依据。[方法]基于陕西省关中地区抽穗期夏玉米冠层光谱特征及叶绿素含量的测定,运用线性及非线性分析方法建立了基于原始光谱敏感波段和一阶微分光谱敏感波段叶绿素估算模型。[结果]夏玉米抽穗期反射光谱在可见光及中远红外区域,叶绿素含量越高,光谱曲线越向下偏移;在红边区域,叶绿素含量对光谱曲线影响不显著;在近红外波段,叶绿素含量越高,光谱曲线越向上偏移。基于一阶微分光谱敏感波段的夏玉米叶绿素含量估算模型拟合精度要优于基于原始光谱敏感波段估算模型,决定系数R2分别为0.81和0.60,均方根误差(RMSE)分别为2.39,4.41。[结论]基于一阶微分光谱敏感波段建模分析是估测抽穗期夏玉米冠层叶绿素含量的重要方法,对指导西北地区夏玉米种植与生产具有积极的借鉴意义。     

基于高光谱反射率的棉花冠层叶绿素密度估算

为了进一步提高棉花叶绿素密度高光谱估算精度,该研究以棉花冠层叶绿素密度以及冠层高光谱反射率为数据源,在分析叶绿素密度与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、已有光谱指数及全波段组合指数相关性的基础上,采用线性及多元逐步回归技术构建了叶绿素密度高光谱诊断模型,系统对比分析了以上4种光谱形式用于棉花冠层叶绿素密度诊断的精度。结果表明:1)基于一阶导数光谱反射率的估算模型精度明显优于原始光谱反射率;2)基于比值指数或归一化指数形式的估算模型精度及稳定性要优于单波段或多波段的线性模型;3)单波段变量DR756、全波度组合比值指数DR635/DR643以及归一化指数(DR1055-DR684)/(DR1055+DR684)均可较好的实现叶绿素密度估算,其中由DR635/DR643为自变量的模型所得到棉花冠层叶绿素密度估算值与实测值拟合最好,相关系数达到0.821。该研究可为高光谱技术在棉花冠层叶绿素密度诊断中的更好应用提供参考。     

大豆叶绿素含量高光谱反演模型研究

叶绿素是植物体进行光合作用、进行第一性生产的重要物质,能够间接反映植被的健康状况与光合能力,同时也能反映植被受环境胁迫后的生理状态。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。该研究实测了不同水肥耦合作用下,大豆冠层的高光谱反射率与叶绿素含量数据,对二者进行了相关分析;采用特定叶绿素敏感波段建立了植被指数叶绿素估算模型;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了叶绿素含量的估算。经对比发现叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致,在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度(R²>0.736),但是人工神经网络模型可以大大提高大豆叶绿素含量的估算水平,当隐藏层节点数为4时,R²大于0.94,随着隐藏层节点数的增加,R²可高达0.99,表明神经网络模型可以大大提升高光谱反演大豆叶绿素含量的能力。     

玉米拔节期冠层叶绿素含量多光谱图像检测

为了探索大田玉米冠层叶片叶绿素指标的快速检测方法。采用自主研发的2-CCD多光谱图像成像系统采集了大田玉米拔节期冠层图像,并同步获取了样本叶绿素含量指标SPAD值。对多光谱图像进行了平滑滤波,并基于HSI颜色空间实现了冠层图像的分割。提取了玉米冠层可见光(blue(B),green(G),red(R);400~700 nm)和近红外(near-infrared,NIR,760~1 000 nm)4个波段平均灰度值并计算了平均灰度值计算比值植被指数(RVI,ratio vegetation index)、归一化植被指数(NDVI,normalized difference vegetation index)、修改型二次土壤调节植被指数(MSAVI2,modified soil-adjusted vegetation index)等8种常见植被指数作为图像检测参数。分析了这12个检测参数与叶绿素指标之间的相关性,讨论了图像检测参数的多种组合,建立了叶绿素指标的多元线性回归分析(MLRA,multiple linear regression analysis)模型。研究结果表明:R、G、B波段的平均灰度值与叶绿素指标成较高负相关,相关系数分别为-0.73,-0.71和-0.71,植被指数中相关性较好的是NDVI、MSAVI2和RVI,相关系数分别为0.83、0.81和-0.81。基于这6个参数组合建立的叶绿素指标估算模型拟合度最好,其建模集决定系数为0.79,验证集决定系数为0.71,研究结果为无损检测玉米拔节期叶绿素含量提供了支持。     

玉米苗期冠层多光谱反射率反演与叶绿素含量诊断

为了探索玉米苗期叶片叶绿素含量指标的快速、非破坏性估测方法,该文运用多光谱图像技术对大田玉米苗期叶绿素含量指标进行快速无损的诊断研究。大田试验中,采用2-CCD多光谱图像采集系统获取大田玉米苗期的冠层多光谱图像,并同步采集漫反射灰度板的多光谱图像。为消除光照对图像采集质量的影响,准确将不同光照条件下的玉米冠层图像数据转换为其叶面反射率数据,标定试验中采用一块4个不同灰度级的满足朗伯面条件漫反射灰度板,建立了叶片光谱反射率同图像灰度值之间的线性反演公式,并与大田试验中漫反射灰度板的多光谱图像建立了玉米冠层图像灰度值的校正公式。对玉米苗期冠层多光谱图像进行处理,提取出玉米冠层B、G、R、NIR(中心波长分别为470,550,620,800 nm)4个波段归一化平均灰度值。通过灰度值的校正公式得到校正后的归一化平均灰度值,由线性公式反演出R、G、B、NIR 4个波段的平均反射率值,并计算4种常见光谱植被指数(RNDVI、RNDGI、RRVI和RDVI),采用最小二乘-支持向量回归(LS-SVR)建立植被指数同叶绿素含量指标的拟合模型。结果表明:植被指数RNDVI、RRVI和RDVI和玉米冠层叶绿素含量指标拟合验证集决定系数R2为0.56,达到了较为理想的拟合结果。证明通过漫反射灰度板对玉米冠层多光谱图像建立反射率反演校正模型的方法是可行的,这一方法为快速无损检测玉米苗期叶绿素含量指标提供了支持。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

不同生育期水稻叶面积指数的高光谱遥感估算模型

2011年和2012年通过大田试验,利用便携式野外光谱仪实测水稻冠层不同生育时期的高光谱数据,同时使用SUNSCAN冠层分析系统采集水稻冠层叶面积指数（LAI）;采用光谱微分技术和统计分析技术,分别分析高光谱反射率及其植被指数与LAI之间的关系,建立LAI估算模型并进行模拟结果对比。结果表明：水稻抽穗-成熟期,利用光谱值的对数形式对LAI值的模拟效果较好,分蘖-抽穗期利用光谱反射率模拟LAI变化过程的效果不理想。 在利用各种植被指数估算LAI方法中,水稻分蘖-抽穗期以修改型土壤调整植被指数MSAVI[758,805]对LAI的估算效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.7754）,估算精度较高。在抽穗-成熟期,也以修改型土壤调整植被指数MSAVI[758,817]对LAI的模拟效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.6488）,估算精度较高。说明修改型土壤调整植被指数（MSAVI）能更好地模拟水稻不同生育期的叶面积指数,按照分蘖-抽穗期、抽穗-成熟期两个生育阶段分别建立水稻冠层LAI的高光谱估算模型能够提高LAI估算的准确度,研究结果也证实了分生育阶段建模的必要性。     

基于高光谱遥感的不同品种花生冠层叶面积指数的通用估算模型

为了快速、无损地监测花生冠层LAI,获取其长势信息,于2014年通过大田试验选用5个品种花生作为供试品种,使用ASD FieldSpec HandHeld便携式野外光谱仪采集花生不同生育时期的冠层高光谱数据,同时使用SUNSCAN冠层分析系统实测花生冠层叶面积指数（LAI）,并应用光谱微分技术和统计分析技术,分别分析4种光谱形式和6种植被指数与LAI的相关关系,建立估算模型。结果表明：高光谱反射率及其光谱变换形式中最优波段与LAI的相关性均极显著,其中一阶微分光谱ρ'在793nm波段处构建的估测方程对花生冠层LAI的估算效果最好（r=-0.5391,P＜0.01,RE=0.2497）,其模拟值与实测值的拟合度达极显著水平（R=0.4435,P＜0.01）;一阶微分光谱ρ'在734nm波段处LAI的实测值与模拟值的拟合效果最好（R=0.5485,P＜0.01）。6种植被指数所选的最优组合波段与LAI均通过了0.01水平的显著性检验 （r≥0.5731,P＜0.01）,其中归一化植被指数NDVI[760,976]对花生冠层LAI的估算效果最好（r=-0.6421,P＜0.01,RE=0.2167）,模拟值与实测值的拟合度达极显著水平（R=0.6731,P＜0.01）,且优于ρ'对LAI的估算效果;LAI实测值与模拟值拟合效果最好的为DVI[760,976] （R=0.6893,P＜0.01）。研究结果表明一阶导数光谱和植被指数对花生冠层LAI的估算精度均较高,植被指数的估算精度尤高,研究同时进一步证实了导数光谱和植被指数能较好地消除土壤、大气等环境背景信息的影响。     

21000-2300nm波段的小麦冠层光谱特性与叶面积指数和叶片氮含量间的关系及其受叶片水分含量的影响

The effects of leaf water status in a wheat canopy on the accuracy of estimating leaf area index （LAI） and N were determined in this study using extracted spectral characteristics in the 2 000-2 300 nm region of the short wave infrared （SWI） band. A newly defined spectral index, relative adsorptive index in the 2 000-2 300 nm region （RAI2000-2300）, which can be calculated by RAI2000-2300 = （R2224 - R2054） （R2224 ＋ R2054）-1 with R being the reflectance at 2 224 or 2 054 nm, was utilized. This spectral index, RAI2000-2300, was significantly correlated （P 〈 0.01） with green LAI and leaf N concentration and proved to be potentially valuable for monitoring plant green LAI and leaf N at the field canopy scale. Moreover, plant LAI could be monitored more easily and more successfully than plant leaf N. The study also showed that leaf water had a strong masking effect on the 2 000-2 300 nm spectral characteristics and both the coefficient between RAI2000-2300 and green LAI and that between RAI2000-2300 and leaf N content decreased as leaf water content increased.     

基于主成分分析的叶面积指数尺度效应

为描述多空间尺度观测数据在表达同一区域农作物叶面积指数(LAI)分布特征时存在的差异,该文提出了一种基于主成分分析(PCA)的LAI尺度效应分析方法。该方法充分考虑了多尺度数据的相关性与差异性,从统计分析角度出发,采用PCA进行数据挖掘和信息重组,引入动态多元线性回归模式基于主成分信息(PCs)反演估算LAI,进而定量描述尺度效应。选取大麦和玉米为试验对象,先以地面最细空间尺度观测数据为基准,通过尺度上推构建一系列不同空间尺度数据;再依据上述尺度效应分析方法进行有效信息提取和LAI估算,并纳入有效主成分个数(NEPCs)、决定系数(R2)和平均相对精度(MRA)等参数定量描述尺度效应。理论分析和数值实践证实了该方法在农作物LAI尺度效应定量分析中的可行性和有效性。     

基于高光谱图像的茶树LAI与氮含量反演

为了对茶树进行实时、快速、无损的叶面积指数LAI和氮含量检测,该文以英红九号茶树为试验对象,利用便携式高光谱成像仪采集光谱数据、人工破坏性采摘叶片进行叶面积指数的计算以及传统化学方法测量叶片氮含量,比较不同高光谱特征变换形式与LAI和氮含量之间的相关性,并选择其中相关系数较高的高光谱特征变量作为自变量,分别采用线性、指数、对数和抛物线表达式建立LAI和氮含量的回归模型。结果显示:在多种高光谱数据变量建立的模型中,以绿峰反射率R_g为自变量的对数拟合模型最佳,其拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.9和0.087 6。以植被指数变量VI_4(红边面积/黄边面积)与氮含量建立的指数模型为最佳建模效果,拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.830 3和0.102 9,研究结果可为茶树叶面积指数LAI和营养成分的无损检测提供参考。     

基于赤池信息量准则的冬小麦叶面积指数高光谱估测

冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。     

玉米冠层叶片光谱反射率与玉米长势空间变异的关系

为了寻找一种快捷获取玉米叶绿素空间分布信息的方法,研究了玉米苗期冠层叶片光谱反射率的变化特征,分析了不同生长阶段冠层叶片光谱反射率的空间分布和叶绿素质量浓度的空间分布.研究结果表明:玉米苗期冠层叶片叶绿素的质量浓度空间分布不均匀.冠层叶片的叶绿素质量浓度与光谱指数RVI的相关性较低,与归一化差异植被指数NDV1值和550 nm波段的反射率均有较高的相关性.分析550nm波段的反射率值与冠层叶片叶绿素质量浓度值的相关关系,显示二者成负相关变化趋势,相关系数绝对值在0.69～0.88范围随着生长期的变化而逐渐增大,五叶期前期的相关性系数绝对值达到苗期最大值,表明550 nm波段反射率值能够较好的反映玉米苗期叶绿素质量浓度的水平,分析和掌握550 nm波段反射率值的变化及其空间分布特性对快速监测玉米苗期生长状况,对指导田间施肥具有重要意义.     

基于SVR算法的小麦冠层叶绿素含量高光谱反演

为给小麦的长势监测与农艺决策提供科学依据,利用高光谱技术实现了小麦冠层叶绿素含量的估测。通过分析18种高光谱指数对叶绿素的估测能力,筛选出可敏感表征叶绿素含量的指数REP,利用地面光谱数据为样本集,以最小二乘支持向量回归(least squares support vector regression,LS-SVR)算法建立了小麦冠层叶绿素含量反演模型,其校正决定系数C-R2与预测决定系数P-R2分别为0.751与0.722,在各指数中反演精度最高。进一步分析表明,REP对叶绿素含量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对叶绿素含量估测的影响。利用LS-SVR反演模型完成了OMIS影像叶绿素含量的遥感填图,并以地面实测值进行检验,其拟合模型R2与RMSE值分别为0.676与1.715。结果表明,高光谱指数REP所建立的LS-SVR模型实现了叶绿素含量的准确估测,可用于小麦叶绿素含量信息的快速、无损获取。     

利用高光谱估测干旱胁迫下接菌根菌大豆叶绿素含量

该研究旨在利用高光谱遥感动态监测干旱胁迫下接种菌根植物生长状况,为菌根技术在旱区农业中的推广提供一定的理论基础。以盆栽大豆为对象,在不同接种丛枝菌根时期采用高光谱遥感技术监测不同干旱胁迫下接菌和不接菌处理大豆叶片的叶绿素含量变化,对比分析了3个水分梯度下及同一水分梯度下接菌和不接菌处理的大豆地上部分干质量、叶绿素含量和叶片光谱在可见光和近红外区域的响应特征差异,建立了大豆叶绿素含量与多个光谱变量的估测模型。研究结果表明:接菌第45天和第64天,同一水分梯度下接菌大豆地上部分干质量优于不接菌处理,且其叶绿素含量也高于不接菌,这些差异在叶片光谱曲线特征中同样得以反映,接种菌根在一定程度上可以缓解干旱胁迫对植物生长的影响;基于多元线性逐步回归方法建立的一阶微分模型能较准确地估测干旱胁迫下接菌大豆的叶绿素含量,其模型决定系数和预测检验决定系数分别为0.90和0.84,具有较高的精度和良好的预测能力。