基于PCA-BP神经网络算法桃树叶片SPAD值高光谱估算

光谱技术实现了桃树叶片SPAD(soil and plant analyzer development)值的监测,使用基于主成分分析(principal component analysis,PCA)的BP神经网络算法建立桃树叶片SPAD值光谱估算模型。分析各生育期桃树叶片SPAD值的变化及其与叶片光谱的相关关系,分析5种红边参数与SPAD值的相关性,选取相关性较高的3种红边参数,分别与SPAD值进行单因素建模;然后把红边参数和SPAD值用主成分分析、基于PCA-BP神经网络算法建模,并对估算模型进行验证,结果表明:1)5-9月,桃树叶片SPAD值呈先上升后下降的变化特征,8月达到最大;2)4个生育期所建立的3种模型均通过0.01显著性检验,其中6月估算SPAD值的模型,建模精度和验证精度均最高, R 2≥0.814;3)各生育期桃树叶片SPAD值在单因素模型中,以红边位置建立的模型估算和预测精度最高;4)各个生育期中,基于PCA-BP神经网络模型的估算效果最好,建模精度和预测精度最高, R 2最高分别为0.938和0.974;主成分分析模型次之,单因素模型最低。因此,基于红边参数建立的PCA-BP神经网络反演模型能进行桃树叶片SPAD值的准确估算,为桃树叶片叶绿素含量监测提供理论依据。     

水稻叶片SPAD值的高光谱估算模型

[目的]构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据.[方法]利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据.通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价.[结果]在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型.R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高.比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型.总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550.[建议]进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算.采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持.     

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。     

RGB与HSI色彩空间下预测叶绿素相对含量的研究

为探明RGB与HSI两种色彩空间下水稻叶色图像参数与叶绿素相对含量(SPAD)之间的关系,应用支持向量机的方法预测水稻叶片的SPAD值,为快速精准获取植物SPAD值提供理论基础,同时为科学施肥提供理论指导。水稻田间试验于2015—2017年在江西农业大学农学试验站和江西省成新农场进行,供试水稻品种为金优458(JY458)、中早35(ZZ35)和两优培九(LYP9),每个水稻品种均设计4组不同的氮素水平。通过对获取的水稻图像进行叶色参数提取以及叶绿素仪测量的SPAD值来分析水稻叶色图像参数与SPAD值之间的关系,并用支持向量机的方法建立相关模型预测SPAD值。结果显示,较RGB色彩空间下三种水稻品种在HSI色彩空间上预测值的均方根误差分别减少了0.067 5(JY458)、0.020 0(ZZ35)和0.154 2(LYP9),平均相对误差比RGB色彩空间下分别减少了0.084 2(JY458)、0.133 5(ZZ35)和0.238 2百分点(LYP9)。水稻叶片在两种不同色彩空间下的叶色图像参数和水稻叶片SPAD值之间存在显著性相关(P<0.05),利用改进的网格搜索算法优化支持向量机的方法建立水稻叶片SPAD值预测模型,其预测结果误差小,为快速准确无损获取植物SPAD值的预测提供了一种新方法。     

生境与农艺措施对羊草叶绿素(SPAD值)的影响

采用SPAD-502叶绿素仪,测试5个中科系列羊草品系叶绿素(SPAD值),分析不同生境(土壤类型)及农艺措施对羊草叶片SPAD值的影响,探索利用SPAD-502叶绿素仪快速评价出种植羊草生境条件及人为农艺措施的合理性。结果表明,羊草Y1品系与Y3、B、BG、BG-2品系叶片SPAD值之间存在显著差异;不同生境(土壤类型)下,同一羊草品系叶片SPAD值之间也存在显著差异;随着种植密度增加,羊草叶片SPAD值呈增大趋势,但是密度超过195万株/hm2时羊草SPAD值下降;不同栽培方式、刈割羊草留茬高度及刈割时间对羊草叶片SPAD值均不会造成显著影响;叶片SPAD值与株高相关关系,可用Cubic模型y=133.248-6.624x+0.161x2-0.01x3拟合。且采用SPAD叶绿素仪测定叶绿素的方法简便快捷,不破坏叶片结构,可作为羊草产量、质量、适地适草的测试指标之一。     

新疆滴灌冬小麦灌溉量对产量形成与水分利用的影响

为优化新疆北疆滴灌冬麦区节水灌溉技术,探讨滴灌量对冬小麦产量形成及水分利用的影响,2013—2015年设置0(CK)、900(W1)、1 800(W2)、2 700(W3)、3 600(W4)、4 500(W5)、5 400(W6)、6 300m3/hm2(W7)共8个灌溉量处理,测定不同滴灌量下冬小麦叶面积指数、SPAD值、光合特性、干物质积累、产量及耗水特性的变化。结果表明:各处理冬小麦随生育进程递进LAI均呈现单峰型变化趋势,在孕穗期达到最大,其值以W5最高;叶片最高SPAD值出现时期随滴灌量增加而后延。叶片净光合速率、蒸腾速率、气孔导度及单茎干物质最大增长速率(Vm)均以W5处理最高。随着滴灌量的增加,冬小麦籽粒产量及水分利用效率(WUE)均呈"先升后降"的变化趋势,W5处理获得最高产量,而W4处理获得最大水分利用效率。因此,在本试验条件下,滴灌量为3 600~4 500m3/hm2的处理为高产高效的最适灌溉水平。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于数码影像的香樟树叶片叶绿素分布可视化研究

叶绿素含量是植物生长的重要指标。为了快速、无损地测定香樟树叶片中叶绿素含量分布情况,本研究基于数码相机和Field Spec 4便携式地物光谱仪2种不同传感器,对比分析了颜色参数和光谱与SPAD值的关系,分别建立了多种定量预测模型,并且借助图像处理软件,实现了基于数码影像香樟树叶片SPAD值的可视化。结果表明:红光和R720波段分别是数码相机和光谱仪对SPAD值最敏感的波段;光谱指数可以提高光谱与SPAD值的相关性,而且以红光和蓝光波段组合的差值指数(R-B和DI)相关性水平最高;R-B所建香樟树叶片SPAD值预测模型的均方根误差RMSE为3.9736,预测精度R~2为0.6197;而DI构建的模型对SPAD值的预测能力比R-B高,其均方根误差为2.002,且精度最高(R~2=0.7338)。基于数码影像的香樟树叶片SPAD值分布图在一定程度上可以有效描述叶片叶绿素分布状况,进而判断香樟树的生长情况。因此,可以利用数码相机的颜色参数监测香樟树叶片叶绿素含量及分布状况。     

不同菌草品种叶片叶绿素含量的光谱特征参数模型研究

【目的】建立各种品种菌草叶片叶绿素光谱模型为快速无损地评估菌草健康状态提供理论依据。【方法】利用多光谱相机拍摄光谱信息，使用RGB和HSV两种颜色空间系统进行NDSI、RSI植被指数指标的建立，并采用4种回归算法进行叶绿素相对含量即SPAD值和光谱信息建模，选出合适菌草的模型。【结果】不同品种的菌草SPAD值差异不显著，主要是健康和干枯叶片的差异。叶片SPAD值和光谱反射值具有良好的相关性，RGB颜色系统红波段是最相关的波段，相关性达到-0.79。试验证明红波段的变化在健康叶片和干枯叶片之间更敏感。2种颜色系统综合评价，建模精度及稳定由高到低依次为：包含5个通道的RGB颜色系统，HSV颜色系统，仅包含R、G、B 3个通道的颜色系统。4种反演方法中，反演效果最好依次为随机森林机器学习方法、支持向量机机器学习和逐步线性回归方法、一元线性统计方法。预测SPAD值拟合效果最好的是RGB-NDSI-RF类型，其拟合数R²为0.95、RMSE为3.04、MRE为0.19，验证R²为0.75、RMSE为8.26、MRE为0.76。【结论】机器学习方法尤其是...     

基于星-机光谱融合的棉花叶片SPAD值反演

【目的】为提高棉花叶片叶绿素含量的反演精度,并掌握其在山东省夏津县的空间分布特征。【方法】本研究以山东省德州市夏津县为研究区,以夏津县大李庄棉田为试验区,通过SPAD（soil and plant analyzer development,SPAD）仪实地测定试验区棉花叶片叶绿素含量的相对值（SPAD值）,并获取同期试验区无人机（unmanned aerial vehicle,UAV）近地多光谱图像和研究区Sentinel-2A MSI（MSI）卫星影像;然后分别基于UAV和MSI的光谱反射率,构建并筛选最优光谱参量,采用多元线性回归（multiple linear regression,MLR）建立SPAD值定量反演模型;最后采用二次多项式拟合法融合UAV和Sentinel-2A MSI对应的最优光谱参量,对比分析融合前后模型效果,优选最佳反演模型,实现研究区SPAD值反演。【结果】研究表明,(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI可作为SPAD值的最优光谱参量;基于UAV图像的定量反演模型精度优于基于MSI影像的模型;基于二次多项式拟合后建模R ²提高了0.015—0.057,RMSE降低了0.457—0.638,验证R ²提高了0.040—0.085,RMSE降低了0.387—0.397,RPD提高了0.020—0.139;将融合后的MSI光谱参量代入基于UAV图像的反演模型（Fused MSI-Mod_UAV）,也可获得较高的反演精度,建模R ²达0.672,RMSE为3.982,验证R ²达0.713,RMSE为3.859,RPD为1.685;基于上述模型进行研究区棉花叶片SPAD值反演分析,试验区整体呈南高北低的分布趋势,研究区呈中间低、四周高的分布趋势,均与实地情况一致,具有较好的预测效果。【结论】采用二次多项式拟合法融合无人机和卫星影像数据,可较好地实现区域高精度作物生长指标的定量反演,研究结果可丰富多源遥感融合理论与技术,为后续棉花长势监测与精准生产提供技术参考和数据支持。     

不同氮肥施用量与磷肥运筹对云光109叶长及产量的影响

以云光109为材料,采用精确定量栽培技术、不同氮肥水平(B0、B1、B2、B3、B4、B5)与磷肥运筹(A1、A2)相结合,研究云光109叶长、剑叶SPAD值变化,并分析对其产量及结构的影响。结果表明,云光109在磷肥运筹A2时叶长顺序为倒2>倒3>倒4>倒1>倒5,在磷肥运筹A2各不同氮肥施用量的叶长、抽穗灌浆期剑叶的SPAD值大于磷肥运筹A1。通过不同氮肥水平与磷肥运筹措施,明确了云光109在生育后期施磷可以使其在抽穗期增加叶长,提高剑叶叶片的叶绿素含量,氮肥施用量为B3与磷肥运筹A2组合产量最高,达11.88 t/hm2。     

棉花生育时期SPAD值准确性与样本数的关系

 【目的】研究高产滴灌棉花观测样本数对SPAD诊断棉花氮素营养准确性的影响,为SPAD法指导棉花施肥提供理论依据。【方法】采用田间膜下滴灌方式,在390 kg•hm-2施氮量下,设计5个氮肥运筹方案,监测棉花全生育期5个氮肥运筹方案下随机观测的60个SPAD值样本数,测定产量后分析高产施氮水平下不同样本数与标准偏差的变化关系。【结果】高产棉花各生育时期SPAD值的变异系数和标准偏差差异不大,但是存有明显不同;棉花蕾期、初花期、盛花期、花铃期、盛铃期、吐絮初期的SPAD值样本数（y）与标准偏差（x）的乘幂函数关系分别为：y=5632.2x-4.893（R2=0.7968）,y=26456x-6.0437（R2=0.8732）,y=50184x-6.5227（R2=0.9782）,y=174890x-7.2601（R2=0.9655）,y=27410x-5.743（R2=0.9182）,y=16237x-5.3756（R2=0.942）,并可通过y=ax-b（a,b均为参数）模型来预测SPAD值的变异程度及各生育时期诊断样本数量的多少;不同样本数下SPAD值和叶片含氮量线性相关性的高低排列顺序为：60个样本＞30个样本＞5个样本。【结论】用SPAD叶绿素仪诊断棉花各个生育时期氮素营养,测定样本数为26—60时样本数越大,SPAD均值准确性越高,SPAD均值与叶片含氮量的相关性就越好,SPAD值测定样本数与标准偏差呈乘幂函数关系。     

苹果叶片高光谱特性与叶绿素含量和SPAD值的关系

以礼富一号和嘎啦苹果为材料,分别测量了叶片的光谱反射率、SPAD值和叶绿素含量,分析了叶片的SPAD值和叶绿素含量与微分光谱之间的相关性。结果表明,苹果叶片的叶绿素含量与SPAD值呈线性相关,品种间的SPAD值和光谱反射率都存在差异。苹果叶片叶绿素含量的敏感波段位于694 nm。基于敏感波段的微分数值,建立了一阶微分光谱值与苹果叶片SPAD值和叶绿素含量的回归模型,确定系数分别达到0.781 8和0.589 9,为利用高光谱遥感技术反映苹果生长状况的叶绿素信息提供了依据。     

一次性采收上部烟叶的成熟度及成熟特征研究

为验证上部烟叶一次性采烤对提高上部烟叶成熟度和品质的作用,确定适合云南省实际的一次性采收上部烟叶的成熟度特征和标准,设置了移栽后105±5 d、115±5 d、125±5 d、130±5 d等4种一次性采收上部烟叶的成熟度处理,进行一次性采烤上部烟叶成熟度及成熟特征与提高上部烟叶成熟度和品质关系的试验研究。结果表明：顶部1～3叶叶面绿黄至淡黄,叶面落黄60%～80%,主脉变白2/3以上,叶面黄色程度接近顶4～6叶,栽后120～130 d,叶绿素相对含量值（SPAD值）为20～30,而且顶2叶和顶5叶的叶绿素相对含量值（SPAD值）没有显著差异时,就是云南一次性采收上部烟叶最佳的田间成熟度和成熟特征。此时采烤的烟叶,外观质量好,主要化学成分协调,感官评吸质量改善,工业可用性提高。     

长期定位有机-无机肥配施对早稻叶绿素含量的影响

采用田间小区试验,研究17年定位不同种类有机肥与无机肥配施对早稻分蘖期、齐穗期、乳熟期、腊熟期和黄熟期叶片叶绿素含量的影响.结果表明,与NPK处理相比,有机-无机肥配施分别使早稻分蘖始期和分蘖盛期倒二叶叶绿素SPAD值提高1.74%～5.03%和4.69%～7.87%,分蘖盛期叶片叶绿素SPAD值各有机-无机配施处理与NPK处理间差异达到显著水平;齐穗后有机-无机肥配施处理均可减缓早稻生育后期功能叶叶绿素降解速度,以NPK GM处理SPAD值减少量最小,为单施NPK处理的67.91%,各有机-无机肥处理与单施无机肥之间差异达到极显著水平.     

水稻叶片SPAD值分布特征及其与施氮量的关系

[目的]探明水稻叶片SPAD值分布特征及其与施氮量的关系,为构建基于SPAD值的水稻施氮管理线性模型提供参考依据.[方法]试验采用裂区设计,主处理设2个不同品种(Q优6号和准两优527),副处理设6种不同施氮量水平(0、75、150、225、300和375 kg/ha,以纯N计),测定不同施氮水平下水稻重要生育时期的叶片SPAD值,并分析稻叶SPAD值分布特征及其与施氮量的关系.[结果]Q优6号在不同施氮处理下的产量排序为300 kg/ha>225 kg/ha> 150kg/ha>375 kg/ha>75 kg/ha>0 kg/ha,准两优527产量随施氮量的增加而增加;准两优527的有效穗数和千粒重显著高于Q优6号.两个水稻品种不同施氮水平间SPAD值的动态变化趋势相似,但SPAD值最高值出现的时间和幅度略有差别.两个水稻品种SPAD值与施氮量在拔节期、抽穗期和成熟期均呈极显著正相关(P<0.01),拟合方程斜率均较低.不同测定时期SPAD值存在品种间和叶位间的差异.各SPAD值次级指标与施氮量的一元二次多项式拟合结果表明,下部叶片SPAD值(L3和L4)与施氮量的曲线拟合度高于上部叶片SPAD值(L1和L2),两次追肥时期的SPADL4X3/mean值可作为氮素营养实时诊断的理想指标.[结论]水稻叶片SPADL4xL3/mean与施氮量具有较好的拟合关系,且这一关系不受时间和品种的影响,可作为构建基于SPAD值水稻变量施氮模型时的理想参数.     

水稻多生育期实测光谱与SPDA值的响应分析

本研究旨在探索和研究水稻叶片不同生育期叶绿素相对含量（SPAD）与实测水稻叶片光谱的变化规律和响应特征。通过采集研究区水稻发育关键期叶片光谱及叶绿素相对含量，研究探讨了随着生育期的推进，水稻叶片光谱特征变化以及与SPAD变化响应关系，分析比对了SPAD与四个生育期水稻DVI、RVI、EVI2等植被指数敏感波段。结果表明，随着生育期推进SPAD值逐渐减少，可见光范围光谱反射率呈一致的逐步增加趋势；孕穗期近红外波段对SPAD反映敏感，抽穗期、灌浆期和成熟期可见光波段对SPAD敏感；四种植被指数与SPAD值相关性，DVI与孕穗期、成熟期，RVI对抽穗期，EVI2对灌浆期的SPAD值更敏感。