东亚飞蝗光谱特征波长筛选与龄期识别方法研究

利用高光谱图像采集系统在400~1 000 nm波段范围内采集东亚飞蝗成虫、5龄、4龄和3龄的前胸背甲光谱信息;每个龄期提取15像素×15像素目标区域平均反射率信息作为样本信息;提出了一种基于K均值聚类和主成分分析(K-PCA)相结合特征波段提取方法,对比分析K-PCA和SPA(投影连续变换)2种特征波长提取方法,采用Fisher判别分析方法分别对K-PCA和SPA筛选的特征波长建立东亚飞蝗龄期识别判别模型,实验结果表明K-PCA筛选出的特征波长数少且正确识别率为98.25%。K-PCA筛选的特征波长为468 nm、555 nm、635 nm、710 nm、729 nm、750 nm、786 nm和899 nm。本文提取的东亚飞蝗特征波长为东亚飞蝗的龄期识别奠定基础,进而对蝗灾的监测与预防提供了技术支持。     

苹果叶片氮素含量快速检测模型

利用UV-2450型光谱分析仪测量苹果叶片光谱反射率,同时在实验室利用凯氏定氮法测量苹果叶片的氮素质量比,建立了适用于便携式检测仪的苹果叶片氮素含量快速检测模型.研究了苹果叶片光谱特性并进行了光谱反射率与氮素的相关性分析,获得了两个氮素敏感波长652 nm和772 nm.同时,利用分段减量精细采样法,构建了350 ～ 730 nm与740～880 nm波段内所有两两波段形成的归一化植被指数NDVI,并获取了与氮素含量相关性最高的波段组合(859 nm,364 nm)来构建苹果树NDVI.最后建立了基于苹果树NDVI、652 nm处反射率以及772 nm处反射率的偏最小二乘回归模型,建模精度达到0.904 8,均方根误差为0.159 7,检验模型精度达到0.917,均方根误差为0.283 3.     

基于无人机高光谱影像的水稻叶片磷素含量估算

为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量（质量分数）（Leaf phosphorus content, LPC）。分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,基于特征波长反射率和光谱指数建立水稻LPC的估算模型,利用最佳模型对高光谱影像进行反演填图,得到LPC空间分布信息。结果表明：全生育期内LPC与462~718 nm范围内光谱反射率显著负相关,负相关最大处相关系数达到-0.902;LPC的特征波长为670、706、722、846 nm,基于特征波长、使用偏最小二乘回归建立的LPC估算模型精度最高,验证R2达到0.925,RMSE为0.027%;在任意波段组合构建的3种类型的光谱指数中,NDSI(R498,R606)、RSI(R498,R606)和DSI(R498,R586)与LPC的相关性最高,相关系数分别为0.913、0.915和0.938;基于3个光谱指数、使用神经网络构建的LPC估算模型精度较高,验证R2为0.885,RMSE为0.029%;对各生育期水稻LPC空间分布的反演结果与实测数据相一致,说明利用无人机高光谱遥感可以实现田间水稻LPC的快速无损监测。     

水稻白背飞虱虫害的冠层光谱特性与虫量反演

通过测试水稻白背飞虱主害代期间的冠层高光谱数据,采用多元统计分析方法对冠层反射光谱与白背飞虱百株虫量进行相关分析,确定了近红外波段779 nm、1 685 nm及可见光波段558 nm为白背飞虱虫害的3个敏感波段;并基于这些敏感波段及由它们组成的比值植被指数(RVI)和归一化植被指数(NDVI),建立了检测白背飞虱虫量的5种单变量线性函数模型.分析表明,5种模型方程在α=0.01条件下极显著相关,而且利用敏感波段建模时,779 nm处的光谱反射率建立的模型为最优,预测相关系数达到0.921;利用植被指数建模时,RVI建立的模型为最优,预测相关系数达到0.802.     

生菜叶片含水率光谱特征模型研究

利用便携式光谱分析仪测量生菜叶片的光谱反射率,并对其进行对数变换.通过变量筛选得到725、1 075、1 272、1 450、1 640和1 958 nm波长处的光谱反射率与生菜干基含水率呈极显著相关.为克服多重共线性影响,分别采用多元线性回归分析、主成分回归分析、偏最小二乘回归分析及偏最小二乘-人工神经网络回归分析4种方法建立了叶片干基含水率的定量分析模型.结果表明4种算法预测值与实测值相关系数分别为0.485 0、0.899 2、0.917 4和0.947 0,偏最小二乘-人工神经网络模型的预测能力优于其他模型.     

基于特征波长优化的便携式作物叶绿素检测仪研究

为了满足田间作物长势快速检测与指导变量管理的需求,基于作物叶绿素光谱响应特征波长筛选与优化,开发了一款便携式作物叶绿素检测仪。首先,采用高光谱仪采集玉米冠层325～1 075 nm反射光谱,并采样萃取叶片叶绿素含量真值,开展叶绿素敏感响应波长筛选。经蒙特卡洛无信息变量消除(MC-UVE)算法在10～100个特征波长范围内进行变量筛选,表明采用50个特征波长时具有最优的叶绿素含量检测能力。其次,选择AS7265x型光谱传感器,以半峰宽20 nm的12个区间覆盖筛选的50个波长,设计的叶绿素检测仪包括传感器、主控制器、显示和控制等模块,实现作物冠层反射光数据采集、处理、显示和存储功能。开展传感器反射率标定与田间应用测试,基于传感器获取的反射率构建叶绿素含量偏最小二乘检测模型验证集决定系数为0.628;进一步组合归一化红边植被指数(NDRE:730、900 nm)和绿光归一化差值植被指数(GNDVI:535、900 nm),检测模型精度提高到0.69,模型嵌入系统最终实现了田间叶绿素含量快速检测,为作物长势高效分析提供了技术支持。     

基于无人机高光谱遥感的水稻氮营养诊断方法

氮亏缺量能够直接反映作物氮营养缺失程度,快速、大面积获取水稻氮亏缺量信息对实现水稻精准施肥具有重要意义。而现有的研究大都集中于利用无人机遥感监测水稻氮营养情况,对氮亏缺量本身的研究较少。本研究基于无人机高光谱遥感获取冠层光谱数据、通过田间采样获取水稻农学数据,研究东北地区水稻临界氮浓度曲线构建方法,在此基础上确定水稻氮亏缺量;以氮亏缺量约等于0状态下光谱为标准光谱,分别对光谱反射率进行比值、差值、归一化差值变换,通过竞争性自适应重加权采样法对原始光谱反射率与变换后光谱反射率进行特征波长提取,并以二者提取的特征波长为输入变量,氮亏缺量为输出变量,分别构建基于多元线性回归、极限学习机与蝙蝠算法优化极限学习机3种算法的水稻氮亏缺量反演模型。结果表明：基于田间数据构建东北地区水稻临界氮浓度曲线方程系数a、b分别为2.026与-0.460 3,和以往研究基本一致;相比其余变换方法,对水稻冠层光谱进行归一化差值变换与特征波长提取显著提高了冠层光谱反射率与水稻氮亏缺量的相关性,也提高了后续反演模型的反演结果;以归一化差值光谱为输入的蝙蝠算法优化极限学习机反演模型预测效果显著优于其余模型,验证集R     

基于光谱分析的温室番茄叶片叶绿素含量预测

通过分析叶片光谱反射率与其叶绿素含量的相关关系表明,温室番茄叶片的光谱反射率与其叶绿素含量的敏感波段为510～625 nm和690～710 nm,最佳波长为526 nm、609 nm和697 nm.利用最佳波长处的光谱反射率与多种建模方法如多元回归分析MLR(Multilinear Regression)、偏最小二乘回归分析PLSR(Partial Least Square Regression)建立了预测叶片叶绿素含量的模型,建模相关系数很相近,均大于0.740,但是PLSR在一定程度上消除了多重相关性的影响,模型验证时的相关系数(0.768)大于MLR模型(0.740);本研究在NDVI的基础上提出了一个新的光谱指数NDCI,并基于NDCI建立了叶片叶绿素含量的预测模型(Rc=0.753),获得了比较好的预测效果(Rv=0.761),为作物长势检测仪的开发奠定了基础.     

黄绵土风干过程中土壤含水率的光谱预测

以2014年两次在陕西省乾县田间采集的129个黄绵土土壤样本为研究对象,建立土壤含水率定量反演模型。在土壤风干过程中测量光谱反射率及含水率,分析土壤含水率与光谱反射率之间的关系,并利用一元线性及指数回归建立土壤含水率光谱预测模型。结果表明在400~1 340、1 460~1 790、1 960~2 390 nm波长范围内,与含水率相关性最大的反射率对应的波长分别为570、1 460、1 960 nm;吸收深度最大的波长位于490、1 460、1 960 nm。土壤光谱特征指标与含水率之间的线性相关关系优于指数相关关系。以特征波长1 980 nm(C1980)、1 980 nm的吸收深度(D1980)和1 480 nm的吸收深度(D1480)为自变量建立的线性模型为土壤含水率预测的最优模型,校正和验证的决定系数R2大于0.92,相对预测偏差(RPD)大于2.5,均方根误差(RMSE)小于2.5%。研究表明利用自然土样,在风干过程中进行土壤含水率光谱快速预测是完全可行的,从而为遥感实时、快速监测土壤水分含量及大面积土壤水分反演提供了参考。     

基于RED-NIR的主动光源叶绿素含量检测装置设计与试验

为了无损和高效地检测作物叶绿素含量,设计了一种采用主动光源的双波长便携式叶绿素含量检测装置,获取作物在红色范围660 nm附近的光谱深吸收和近红外850 nm附近的光谱强反射特征。采集作物叶片的反射光信号,经转换、调制和放大后,利用灰度标准板拟合反射率,660 nm和850 nm拟合的校正模型R~2分别为0. 993、0. 979。光源稳定性与抗干扰性测试结果显示,660 nm和850 nm光源的稳定性均方差分别为0. 007 9和0. 004 4,误差率分别为2. 378%和1. 223%;抗干扰性的均方差分别为0. 009 9和0. 018 7,误差率分别为2. 000%和4. 360%。通过叶绿素浸提溶液配比,设计了叶绿素梯度与双波长反射率的相关性试验,结果显示,660 nm和850 nm与叶绿素浓度相关系数分别为-0. 919和0. 272。660 nm附近叶绿素对光谱有深吸收的特征,将其作为主要测试波长;850 nm附近是叶片结构和以环境光学响应为主,反射光与叶绿素相关性不强,将其作为检测的参比波长。以田间玉米苗期植株为试验对象,利用双波长采集作物反射率,计算归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)和土壤调整型植被指数(SAVI),其与SPAD仪器测量值的相关系数r分别为0. 892、0. 846、0. 867、0. 883。基于NDVI、DVI、RVI和SAVI建立SPAD多元线性回归模型,其决定系数R~2为0. 831。利用该装置提供的模型嵌入功能导入诊断模型可直接输出叶绿素诊断结果,为作物叶绿素含量快速检测提供支持。