基于冠层高光谱信息的苹果树花量估测

【目的】研究基于盛花期冠层高光谱数据的苹果花量估测技术,为植株花果管理和生产力预测技术的建立奠定基础。【方法】以5年生M₉无性系砧木‘米奇嘎啦’苹果（Malus pumila‘Mitch Gala’）、树形为高纺锤形的植株为试材,在盛花期采集植株冠层可见-近红外高光谱图像,人工统计供试植株花量,比对分析基于原始光谱反射率（original reflectance spectra,OS）与Savitzky-Golay平滑法（savitzky-golay smoothing,SG）、正态变量标准化（standardization of normal variables,SNV）、标准化（Normalize）、一阶求导（first derivation,l^st Der）、二阶求导（second derivation,2^nd Der）共5种预处理的高光谱数据的偏最小二乘法（partial least squares method,PLS）模型,以及基于载荷系数法（x-loading weight,x-LW）提取的特征波长的PLS模型、人工神经网络（the back-propagation neural network,BPNN）、最小二乘支持向量机（the least squares support vector machines,LS-SVM）等模型对单株单位面积花量实时估测精度的影响。【结果】苹果树单株花量与单株单位面积花量具有较高的相关系数,表明采用冠层单位面积花量替代单株总花量进行树体花量估测可行。单株单位面积花量与植株冠层光谱反射率在紫外-可见光波长（308—700 nm）呈极显著正相关,在近红外波长（750—1 000 nm）相关性不显著。基于全波长,以Normalize预处理光谱建立的PLS模型对单株单位面积花量的预测效果最好,校正集决定系数（R_c²）和预测集决定系数（R_p²）分别为0.794和0.804,校正集均方根误差（RMSEC）和预测集均方根误差（RMSEP）分别为0.084、0.062,预测相对误差（RE%）为3.940。基于特征波长的BPNN模型稳定性差,而LS-SVM模型的建模效果较好,R_c²和R_p²分别为0.826和0.804,RMSEC和RMSEP分别为0.077、0.064,RE%为12.160。【结论】基于Normalize预处理的PLS模型对高纺锤形苹果树冠层单位面积花量的预测效果最优,同时,本研究利用高光谱成像仪获取的数据,经过分析处理对提取特征信息进行简化,可为多光谱遥感数据的应用提供依据。     

基于冬小麦冠层高光谱的干生物量监测

冬小麦地上干生物量(AGB)能够表征麦田生态系统生产力的大小,提取AGB光谱特征信息和实现其准确估算,对于掌握冬小麦长势情况具有重要的作用。基于连续2 a的氮运筹试验,利用连续投影算法(SPA)提取原始光谱和一阶微分光谱的重要波段,并基于所提取的光谱特征利用多元线性回归(MLR)方法构建AGB的光谱监测模型。结果表明,利用SPA算法可有效降低光谱维度,基于原始光谱所筛选的重要波段分别为528,671,734,910,1 235 nm,而基于一阶微分光谱所筛选的波段为530,669,740,817,1 209 nm;基于一阶微分处理所建立的模型校正集与验证集模型均达到了较高的精度,Y=-5.01+2 043.86R530-7 772.11R669+348.54R740+14 462.04R817+14 196.13R1209,其R2,RMSE和RPD分别为0.72,1.92 t/hm2和2.53;验证集R2和RMSE分别为0.67,2.25 t/hm2。研究表明,结合SPA和MLR可以实现冬小麦AGB的实时估算,研究结果对冬小麦生长状况监测具有一定的参考价值。     

宁夏引黄灌区水稻冠层高光谱特征研究

以不同施氮量试验小区为依托,对各生育期水稻(Oryza sativa L.)冠层光谱反射率及一阶微分光谱进行分析。结果表明,水稻冠层光谱随生育期的变化规律与其生长发育变化特征相对应;不同施氮条件下水稻冠层光谱反射率随施氮量增加在可见光波段降低、近红外波段升高,其中550~600 nm和800~900nm处差异明显,是诊断氮素的特征波段;红边位置(λr)和红边斜率(Dr)在孕穗期前均随着氮素水平的提高而增加,齐穗期后λr出现蓝移现象,Dr减小;将特征波长的比值指数、λr和Dr与叶片氮积累量进行相关性分析,结果显示,800 nm和550 nm的反射率之比(R800 nm/R550 nm)与叶片氮积累量的相关性较好,其相关系数为0.864,λr和Dr与叶片氮积累量的相关系数分别为0.814、0.908。说明合适的光谱变量可以诊断水稻氮素状况,进而为合理施肥提供参考。     

雷达遥感在水稻生长监测应用中的研究进展

结合雷达遥感特点,分析了水稻后向散射特性的主要影响因素,总结了用于水稻生长监测的主要雷达遥感数据源和特点,在阐述水稻识别与估产、病虫害和水旱灾害监测的雷达遥感研究现状的基础上,初步探讨了未来水稻生长雷达监测研究的发展方向.     

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。     

白叶枯病胁迫下水稻冠层高光谱研究

采用高光谱遥感技术,对受到白叶枯病病害胁迫的水稻冠层进行高光谱检测。通过采集感染不同程度的白叶枯病病害的水稻冠层进行高光谱检测,并通过移动平均法、峰值面积归一化法以及一阶微分法进行数据处理,结果表明:健康水稻与感染不同程度病害的水稻在冠层光谱反射率确实存在差异,尤其是在感染病害的早期即存在较大的差异,可以利用水稻冠层的光谱反射率进行水稻病害的早期检测及防治。     

光谱技术在水稻生长监测中的应用研究进展

光谱技术可以快速、准确、无损地获取水稻生长状态的实时信息,是水稻生长监测和精确管理中实施变量投入不可或缺的关键技术。综述了以光谱技术监测水稻长势（包括叶面积指数和生物量）、水稻生物化学参数（包括氮素营养和叶绿素含量）和水分的国内外研究进展,并提出了一些今后研究的设想,以期为提高水稻精确管理水平和单位面积产量提供技术支撑。     

基于作物冠层数字图像的氮素营养及生长指标监测研究进展

农作物生长信息的实时、快速、无损监测与诊断正逐步成为现实,可广泛应用于作物生产的栽培管理、生产力预测等。随着数码相机、手机相机、扫描仪的普及,运用数字图像处理技术进行作物营养状况与生长指标监测成为成本低、应用方便的方法。基于数字图像技术的作物营养诊断和生长指标监测,包括基于单叶片与基于冠层图像分析两类。该文综述了基于数字图像的作物冠层氮素营养及生长指标监测的研究进展。     

水稻冠层温度研究进展

冠层温度是水稻重要的生理生态特征,可以综合衡量水稻的生长状况。通过冠层温度和田间诊断的结合,可以制定高效的田间管理措施,对水稻生产具有重要意义。中国水稻冠层温度研究工作起步较晚,但取得了一定成效,随着高效测温技术的普及,对水稻冠层温度应用的挖掘具有很高的科研价值。鉴于此,笔者从冠层温度的基本特性、影响因素、测定方法和成果转化等方面进行综述并提出建议,以期为水稻冠层温度方面的科研工作提供参考和借鉴。     

水稻生长监测系统的开发与应用

为了收集水稻种植过程中农学、气象、土壤、作物苗情图像、病虫害图像等数据,实现绿色稻米生产提供决策所需要的基础数据采集,该研究以当涂县为例,运用物联网技术,设计并开发了水稻生长监测系统。该系统包括1个监测中心和分布在5个现代新型经营主体的监测基站。系统每隔20min采集1次土壤和气象环境数据,每日上午10时采集苗情图像和虫情图像数据。数据通过以太网形式传输汇总到监测中心的服务器数据库中。系统最终形成数据报表、决策意见,为农技部门指导生产和农技推广提供新方法。     

基于光谱信息的作物氮素营养诊断研究进展

快速、准确地进行作物氮素营养诊断,有助于管理者及时、有效地采取相应的应对措施,既保障作物的高产量,又有效地管控、减少化肥施用量。由于作物氮素营养状况直接影响着作物的光谱信息,因此以作物光谱信息为依据进行作物氮素营养诊断极具潜力。对当前基于光谱信息进行作物氮素营养诊断的3种方法(便携式叶绿素仪法、高光谱遥感诊断法和数字图像分析诊断法)进行了综述,介绍了各个方法的原理、特点和研究进展,并对未来基于光谱信息的作物氮素营养诊断进行了展望。     

基于甜菜冠层高光谱红边参数的SPAD值诊断

通过大田小区试验,利用野外便携式ASD光谱仪和SPAD-502叶绿素计分别实测甜菜冠层的高光谱反射率和叶片的叶绿素含量。基于冠层光谱反射率的一阶导数,提取甜菜冠层光谱的红边参数,分析不同SPAD值的红边参数的变化规律,以及各个红边参数与甜菜SPAD值的相关关系,并建立估测模型。结果发现,当甜菜SPAD值增大时,红边位置发生"红移"现象,红边振幅、红边面积增大;当SPAD值降低时,规律则相反。在红边参数对SPAD值的估测模型中,红边位置的一元线性估测模型精度最高;红边参数决定系数比红边位置的一元线性估算模型提高了30.3%。     

基于冠层高光谱的南方丘陵地区晚稻氮素营养诊断

为研究水稻氮素营养诊断的快速方法、初步构建基于高光谱的水稻氮素营养诊断模型,以南方丘陵区晚稻氮肥试验为例,利用分别测定不同施氮水平及水稻不同生育期水稻冠层叶片的高光谱反射特征,应用一阶微分光谱以及植被指数分别构建基于高光谱的晚稻氮素营养诊断模型。结果表明:不同氮素水平下冠层叶片光谱反射率的差异主要集中在400~650 nm可见光处和730~1350 nm近红外处,随着冠层氮素含量增加可见光处光谱反射率降低,而在近红外范围内反射率增加。随着水稻生长发育,冠层叶片光谱反射率降低,而且反射峰值由519 nm向554 nm移动。应用738 nm处的光谱反射率与叶片氮素含量建模,用一阶微分反射率得到的最优模型为指数模型Y=1.591 4e~(88.794X)(R~2=0.736 2),用比值植被指数(RVI)和归一化植被指数(NDVI)得到的最优模型分别为指数模型Y=18.658e~(-1.040 9X)(R~2=0.630 4)和二次多项式Y=-17.454X~2+0.733 1X+4.130 2(R~2=0.652 3),所有模型中以一阶微分反射率得到的模型最佳,最适合于在供试条件下的水稻氮素营养诊断。     

用雷达遥感监测水稻生长

中国科学院遥感应用研究所邵芸研究员领导是中国科学家小组前不久发表在国际权威遥感期刊《Remote Sensing of Environment》（《环境遥感》）上的论文被正式选入联合国粮农组织的《空间地球观测信息用于粮食安全保障的报告》。 联合国粮农组织委派Robert Ryerson等3位国际     

基于便携式作物生长监测仪的水稻生长指标光谱监测研究

为验证作物生长监测仪无损监测水稻各项长势指标的准确性,并建立基于CGMD302作物生长监测光谱仪的水稻叶面积指数、生物量、氮积累量的监测模型。本研究通过实施5个氮素水平的水稻田间实验,采用甬优538和浙优18 2个水稻品种,利用仪器监测水稻冠层从分蘖期至灌浆期归一化植被指数(NDVI)和比值植被指数(RVI),同步测定水稻叶面积指数、生物量和氮积累量3个农学参数,分析水稻叶面积指数、生物量、氮积累量随移栽后天数的动态变化,分别建立了叶面积指数、生物量、氮积累量与作物生长监测仪所测得光谱参数之间的预测模型。结果发现,水稻叶面积指数、干物重和氮积累量随施氮水平的增加而增大,随移栽后天数的增加逐渐变大。甬优538和浙优18在各个生育时期NDVI、RVI与叶面积指数、生物量、氮积累量的R²值均在0.7以上,具有极显著的相关性。构建的全生育期NDVI、RVI与叶面积指数、生物量和氮积累量呈指数函数关系,R²值均在0.75以上。因此,本研究所采用的作物生长监测仪器可用于准确地获取水稻冠层的NDVI和RVI,实时有效地反映和监测水稻的生长状况。     

基于冠层高光谱遥感对加工番茄产量的估算模型

[目的]对加工番茄的产量进行遥感估测。[方法]以ASD FieldSpec光谱仪实测大田中不同生育期加工番茄的冠层高光谱及其产量,采用单时相线性逐步回归和复合回归,首次建立了加工番茄高光谱与产量的估算模型。[结果]在坐果期光谱参量与产量相关性最大,而其他时期的光谱参量与产量相关性均达到了显著水平(P<0.05);多时相复合回归模型以4个生育期与产量的复合回归最为理想。[结论]利用高光谱遥感来监测加工番茄的生长状况,可以最终对加工番茄的产量进行遥感估测。     

基于冠层反射光谱的水稻群体叶片氮素状况监测

 研究了不同氮肥水平下多时相水稻冠层光谱反射特征及其与叶片含氮量等参数的关系。结果表明 ,水稻冠层光谱反射率与叶片氮积累量 (单位土地面积上叶片的氮素总量 )显著相关 ,尤其是近红外与绿光波段的比值(R810 /R560 )与叶片氮积累量 (LNA)呈显著线性关系 ,不受氮肥水平和生育时期的影响 ,回归方程为LNA =0 .85 9R810 /R560 - 1.15 96。利用不同粳稻品种、播期、密度、水分和氮肥处理的数据对方程进行了较充分的检验 ,表明模拟值与实测值之间符合度较高 ,估算精度为 91.2 2 %,估计的RMSE为 1.0 9,平均相对误差为 0 .0 2 6。     

基于植被指数与叶面积指数的水稻生长状况监测

在江苏省高邮、兴化、阜宁、洪泽分别选择了一个样点,在水稻反射光谱特性与水稻生物学参数荚未的支持下,探讨了基于NOAA／AVHRR遥感影像的归一化植被指数（NDVI）与地面观测数据叶面积指数（LAI）的关系,实现大面积水稻LAI的反演,并以江苏省高邮市为例进行了水稻长势遥感豁测。     

基于冠层高光谱数据与马氏距离的马铃薯品种识别

为丰富高光谱数据在精细农业中的应用,本研究基于冠层光谱数据进行不同马铃薯品种区分研究。利用田间实测的6-8月的马铃薯原始光谱数据以及经过一阶微分、对数一阶微分、包络线去除处理后的光谱,采用马氏距离法选择3种马铃薯光谱差异显著波段,再利用逐步判别法检验波段识别精度。结果表明,7月份经过对数一阶微分变换选取的特征波段识别精度最高,达87. 7%。不同生育期内,多种预处理方法下的光谱识别能力有差异。6月份包络线去除法的识别精度最高,7月份对数一阶微分处理下的识别精度最高,而8月份原始光谱的识别精度最高。提取的特征波段多位于红光及近红外波段。研究结果表明基于高光谱数据,借助马氏距离与逐步判别法可以区分马铃薯品种。