基于高光谱数据的滴灌甜菜叶绿素含量估算

为明确甜菜叶绿素含量与高光谱植被遥感的定量关系,探索建立干旱区甜菜叶绿素含量估测模型,即时监测甜菜生长状况,选取新疆滴灌甜菜（Beta356）为研究对象,利用ASD野外高光谱仪在甜菜叶丛快速生长期、块根膨大期与糖分积累期采集各处理反射光谱,并同时测定叶绿素含量,分析原始光谱反射率和一阶微分光谱反射率与叶绿素含量的相关关系,并进一步建立光谱特征参数和敏感波段植被指数叶绿素含量估算模型。结果表明：原始光谱反射率在近红外区（700~1 300 nm）随着氮素水平的增加呈先升高后降低趋势,红边（680~760 nm）也表现出相同趋势,原始光谱反射率在近红外区（700~1 300 nm）随着运筹管理的递进呈现升高趋势,红边（680~760 nm）也表现出相同趋势;原始光谱反射率和一阶微分反射率与叶绿素含量均具有较好的相关性,其最大正相关分别位于902 nm（r=0.574,P<0.01）和676 nm（r=0.843,P<0.01）附近,最大负相关分别位于611 nm（r=-0.664,P<0.01）和1 138 nm（r=-0.727,P<0.01）附近。对所建12个线性模型进行精度检验,其中差值植被指数DR₆₇₆–DR₄₄₆和DR₆₇₆估算模型的预测值与实测值的决定系数分别达到0.774和0.781,以DR₆₇₆所建立的估算模型最优。本研究为快速无损监测甜菜生长状况、制定氮素管理方案、指导甜菜氮肥管理提供支持。     

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.     

基于高光谱的石楠叶片叶绿素含量估算模型

准确估算叶绿素含量对于植物生长监测、产量预测、生境的适宜性评价具有重要作用。为寻求叶片叶绿素含量的高精度估算模型,以石楠为对象,实测叶片叶绿素含量和反射光谱反射率,对原始光谱进行变换并计算植被指数,通过相关性分析挑选特征波段,运用多元逐步线性回归和偏最小二乘回归建立叶绿素预测模型。结果表明:1）FDR的逐步线性回归模型和偏最小二乘模型优于R、1/R、LR、SDR;2）DNDVI(R₆₄₅,R_{1 370})的指数函数模型为估算叶绿素含量的最佳单变量模型;3）DRI(R₇₄₇,R_{1 464})与RI(R₇₃₃,R₉₄₄)的逐步线性回归模型精度最高,验证结果的决定系数R²为0.955,均方根误差RMSE为3.145。因此,该模型可以实现叶片叶绿素含量的准确估算,从而为实现高光谱技术监测植被叶绿素含量变化提供依据。     

沿海滩涂棉花叶片叶绿素含量高光谱遥感估算模型研究

以连云港滩涂棉花地为研究区域,利用ASD便携式光谱仪在晴朗天气条件下测试了野外采集的棉花叶片反射光谱,选取原始光谱和一阶导数光谱作为多变量,三边参数（红边、黄边和蓝边）和归一化植被指数NDVI、比值植被指数RVI、结构相关色素指数SIPI、叶面叶绿素指数LCI、水分指数WI、窄波段微分植被指数1DZ_DGVI和窄波段植被指数TCARI/OSAVI作为单变量,分析棉花叶片叶绿素含量与这些变量之间的相关性;在相关分析的基础上构建棉花叶片叶绿素含量估算模型。结果表明,叶绿素a、b和a＋b含量与单变量参数之间的相关性均未达显著水平;而与原始光谱、导数光谱都存在显著相关性。对叶绿素a含量而言,基于440 nm处的一阶导数光谱应用指数函数和幂函数构建的估算模型精度最高,R2为0.231。对叶绿素b含量而言,基于652 nm处的一阶导数光谱应用一元线性回归法构建的高光谱估算模型精度最高,R2为0.165。对叶绿素a＋b含量而言,基于440 nm处的一阶导数光谱应用指数函数、复合函数和生长函数构建的估算模型精度高,R2为0.155。该研究为进一步加强滩涂农业管理和提高滩涂农作物的产量提供技术支持。     

TMV胁迫下烟草SPAD值的遥感估算模型研究

SPAD值是评价烟草健康状况的重要农学参数。本文利用ASD地物光谱仪和叶绿素仪（SPAD-502）连续两年测定了TMV胁迫下烟草冠层的光谱数据和SPAD值。采用减量精细采样法,筛选了TMV胁迫下烟草SPAD值的光谱敏感波段,并构建了预测模型。结果表明：TMV胁迫下烟草SPAD值的敏感波段主要位于可见光区域及近红外区域,其最佳波段为731 nm、741 nm、835 nm和910 nm。构建的SPAD值的差值植被指数DVI（R835,R910）、比值植被指数RVI（R731,R741）、归一化植被指数NDVI（R731,R741）线性模型、逐步回归（SMLR）和BP神经网络等预测模型,决定系数（R²）分别为0.62、0.60、0.61、0.69和0.89;模型的测试精度（P-R2）分别为0.49、0.52、0.52、0.51和0.79,均方根误差RMSE分别为5.33、5.22、5.23、17.13和3.40。表明可利用DVI（R835,R910）、RVI（R731,R741）、NDVI（R731,R741）和BP神经网络来预测烟草SPAD值,并进一步监测其健康状况...     

棉花冠层叶片叶绿素含量与高光谱参数的相关性

【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性,建立叶绿素含量估算模型。【方法】2014年,以鲁棉研28号为研究对象,测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350~2 500nm光谱反射率,以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源,在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型,并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】1)棉花冠层叶片叶绿素含量在反射光谱766nm处相关系数达到最大值,相关系数r=0.836;对于一阶导数光谱,叶绿素含量的敏感波段发生在753nm处,r=0.878;2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型,筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg),仅采用8种常用植被指数建立估算模型,筛选出的变量为比值植被指数(RVI);3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高,均方根误差(RMSE)为1.075,相对误差(RE)为2.22%,相关系数(r)为0.952。【结论】采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测,其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。     

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...     

佛手瓜叶片光谱特征与SPAD值估算模型研究

构建佛手瓜叶片叶绿素含量估算模型,为实现高光谱技术监测佛手瓜叶片叶绿素含量变化提供参考依据。利用SPAD-502 PLUS叶绿素仪同步测定佛手瓜叶片的SPAD值,以Field Spec 3地物光谱仪采集佛手瓜叶片光谱数据。对原始光谱去噪处理后经一阶微分变换、倒数对数变换和倒数对数的一阶微分变换提取其特征波段,然后利用红边及绿峰位置构建了SPAD值的预测模型,并采用决定系数(R²)、均方根误差(RMSE)和相对误差(RE)对模型进行精度评价。结果表明,在400～1 000 nm波长范围内,佛手瓜叶片光谱特征在可见光区的绿峰波段反射率在22%左右,在近红外区形成高反射率,达到56%左右。通过对原始光谱曲线进行一阶微分变换、倒数对数变换和倒数对数的一阶微分数学变换后,提取出佛手瓜叶片的特征波长分别有520、550、640、650、670、680、700 nm。以单一红边位置与佛手瓜SPAD值建立的模型,r²为0.814 2,以此模型进行SPAD值预测,得到预测值与实测值的决定系数r²为0.833 7,RMSE为2.83,RE为...     

基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。     

对水稻微分光谱和植被指数的探讨

通过不同供氮水平的田间试验，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的作用。结果表明：由微分光谱所得的红边位置、红边斜率与盖度、叶面积指数及供氮水平之间有一定的相关性；水稻多光谱植被指数RVI、NDVI与叶面积指数LAI及其地上部生物量之间有极显著相关性；高光谱植被指数及其变量与植被盖度、供氮水平之间存在相关性。这些表明，用微分光谱技术与植被指数方法监测水稻的田间供氮水平和长势似乎是可行的。     

基于物理模型与查找表策略的南繁水稻叶片叶绿素含量反演研究

【目的 】利用海南省中南部5市县采集的南繁水稻光谱、叶绿素等数据,研究物理模型与查找表策略对南繁水稻叶片叶绿素的反演,并对不同查找表进行比较分析。【方法 】文章先根据研究区调查与文献调研,利用辐射传输模型PROSAIL-PRO模拟2万条冠层光谱,分别构建波长400～1 000 nm区间的全波段查找表和双植被指数(Vegetation Index,VI)查找表,并使用实测的南繁水稻冠层光谱与叶绿素含量进行验证。其中,双VI查找表包括TCARI-OSAVI查找表、比值型植被指数(Ratio Vegetation Index,RVI)查找表和红边相对指数(Red Edge Relative Indices,RERI)查找表3种。【结果 】(1)传统的全波段查找表反演叶片叶绿素含量的精度较差,R值为0.46,均方根误差(Root Mean Squared Error,RMSE)为8.84μg/cm²,正规化均方根误差(Normalized Root Mean Squared Error,NRMSE)为0.32。(2)双VI查找表反演结果较传统查找表更好,TCARI-OSA...     

基于图像特征的水稻叶片全氮含量估测模型研究

探究水稻叶片生长外部颜色、几何形态特征与其全含氮量之间的定量描述关系,可以快速且准确地诊断水稻氮素营养状况。研究筛选了全氮含量估测敏感叶位,并比较了基于多元线性回归和机器学习方法的水稻敏感叶位全氮含量估测模型,为构建高性能的氮素营养定量诊断模型提供思路和方法。水稻田间试验于2017—2018年在江西省南昌市成新农场进行,供试水稻品种为两优培九,设置4个施氮水平(施氮水平从低到高为0、210、300和390 kg·hm^-2)。在水稻幼穗分化期和齐穗期,分别扫描获取水稻顶部第一完全展开叶叶片(顶1叶)、顶部第二完全展开叶叶片(顶2叶)以及顶部第三完全展开叶叶片(顶3叶)图像,共4 800张图像。通过图像处理技术获取25项水稻扫描叶颜色和几何形态特征,采用多元线性回归进行全氮含量估测,筛选出两个时期的敏感叶位,并应用机器学习方法建立水稻敏感叶位的全氮含量估测模型。与人工测量相比,通过图像处理方法获取的水稻叶片长宽平均相对误差分别为0.328%、3.404%;幼穗分化期顶3叶和齐穗期顶2叶较其他同期叶位更为敏感,且以幼穗分化期顶3叶最为敏感;应用机器学习建立的水稻敏感叶位全氮含量估测模型略优于多元线性回归模型,且采用BP神经网络建模最佳,幼穗分化期顶3叶模型验证集的RMSE_v=0.089、MRE_v=0.034、 $R^{2}_{v}$=0.887,齐穗期顶2叶模型验证集的RMSE_v=0.132、MRE_v=0.046、$R^{2}_{v}$=0.820。幼穗分化期顶3叶和齐穗期顶2叶的叶片图像特征最具有代表性,进行全氮含量估测更具可行性,可作为水稻氮素营养诊断的有效叶位。     

粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算

目的 叶绿素含量是表征粳稻生长状态的重要指示信息,利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础,利用连续投影算法(SPA)进行有效波段的提取,提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入,利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中,针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80,w为0.9~0.3线性递减,C₁和C₂分别为2.80和1.10,m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887,均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型,前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。     

生姜叶片氮含量的高光谱遥感估算模型研究

作物叶片氮含量的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。该文以经济作物生姜为研究对象,获取了2015年4月-9月不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据,对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估算效果。在此基础上,基于波段组合算法,筛选出了生姜叶片氮含量的敏感波段,并构建了两个新型光谱指数NDSI_((754,713))和RSI_((754,713))。结果表明,所选择的植被指数中,MCARI(705,750)/OSAVI(705,750)对生姜叶片氮含量估算效果最好,模型精度R~2、RMSE和RE分别为0.73、0.27、11.64%;利用波段组合算法构建的归一化光谱指数NDSI(754,713)对生姜叶片氮含量估算效果要优于MCARI(705,750)/OSAVI(705,750),模型估算精度R~2达0.83,使用的敏感波段713 nm与754 nm均位于植被的"红边"区域。对所建模型进行验证,叶片氮含量的预测值和实测值具有较好的一致性,验证样本R~2为0.78,RMSE为0.20,RE为9.81%。上述分析结果可为农业管理部门及时掌握生姜长势信息、制定施肥策略提供技术支持。     

基于优化指数的玉米冠层含水量遥感估测

对北京怀柔县EO–1 Hyperion高光谱数据进行波段筛选和植被含水量指数计算,采用耦合叶片与冠层辐射传输模型对水分指数(WI)、归一化差值水分指数(NDWI)、归一化植被指数(NDVI)、水应力指数(MSI)、归一化差值近红外指数(NDII)和冠层结构(CSI)的玉米冠层含水量估测能力进行分析,在不同理化参数的敏感性分析的基础上,将MCARII和NDWI进行整合,以完成玉米冠层含水量估测。结果表明,NDVI和CSI不能对玉米冠层含水量进行估测,NDII、WI、NDWI、MSI对玉米冠层含水量估测的R2值均大于0.78,但估测的RMSE值均在0.015附近,造成估测结果具有很强的不确定性;优化后的归一化水分指数(M–NDWI)能够有效地排除叶面积指数的干扰,显著改善玉米冠层含水量的估测效果。     

基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型

【目的】探讨龙眼Dimocarpus longan Lour.叶片发育过程中叶绿素含量二维分布变化规律,实现无损检测病虫害对叶片叶绿素含量分布的影响,为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。【方法】利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像,自动提取感兴趣区域,利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性,建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性,将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量,结合"图谱信息"的SAE模型预测龙眼叶片叶绿素含量的分布情况。【结果】龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰,嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698和705 nm;全发育期的最敏感波段相关性远高于3个生长发育期,r达到0.890 3。回归模型中,吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R_c~2=0.856 8,RMSEc=0.219 5;R_v~2=0.771 2,RMSEv=0.286 2),其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中,结合"图谱信息"的SAE模型预测效果最好(R_c~2=0.979 6,RMSEc=0.171 2;R_v~2=0.911 2,RMSEv=0.211 5),且预测性能受叶片成熟度影响相对较小,3个生长阶段R_v~2的标准偏差仅为最小二乘回归模型标准偏差的29.9%。【结论】提出了一种自动提取感兴趣区域的方法,成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大,而基于"图谱信息"融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高,SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。     

双子叶植物叶片类胡萝卜素含量高光谱反演估算

类胡萝卜素(Car)是植物进行光合作用的主要色素之一,在吸收传递光能、保护叶绿素,以及延缓叶片衰老等方面有重要作用。以LOPEX’93数据库为基础,系统分析400~2 500 nm高光谱波段范围内任意两波段组合而成的归一化差值植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)与双子叶植物叶片Car含量间的定量关系。结果表明,在756 nm处红光波段与809 nm处近红外波段的NDVI_(809,756)、RVI_(809,756),以及750 nm处红光波段与809 nm处近红外波段的DVI_(809,750)都可以较好地实现Car含量反演,建立的回归预测模型的判定系数(R²)均大于0.74。对由各植被指数构建的反演模型进行精度验证发现,NDVI_(809,756)和RVI_(809,756)的估算效果相当,且都好于DVI_(809,750),模型预测精度分别为0.735和0.738,均方根误差分别为1.426 1和1.420 5,平均相对误差分别为13.66%和13.60%。表明基于高光谱数据对双子叶植物叶片Car含量进行估算是可行的。     

东北寒地水稻冠层氮素含量高光谱预测模型

为实现动态、无损监测寒地水稻氮素状况,利用高光谱成像技术,分析不同生育期水稻冠层光谱特征,借助波段自相关分析(Bands inter-correlation analysis,BICA)与主成分分析(Principal components analysis,PCA),选择特征波段构建多种植被指数.根据植被指数与氮素含量相关性,建立单变量预测模型.利用最大R2增量法(MAXR)分析全部植被指数与氮素含量定量关系,建立多变量预测模型.结果表明,从分蘖期到抽穗期,寒地水稻冠层光谱反射率在可见光波段内降低,在近红外波段内增加.基于BICA-PCA-MAXR预测模型预测精度和稳定性较基于BICA-PCA结合一元回归预测模型显著提升.研究结果可为水稻氮素含量快速检测提供地域参考,水稻精准施肥管理提供技术支持.