玉米叶片叶绿素含量的高光谱反演模型探究

叶绿素含量是绿色植物生长状态的一个重要指标。首先在实验室采集玉米叶片高光谱数据和测定叶绿素含量,并对光谱数据进行对数一阶微分变换,对比选取建模反演因子。根据选定的反演因子采用线性回归、模糊识别和BP神经网络方法建立了玉米叶片叶绿素含量高光谱反演模型,并计算出模型的精度。结果表明,有较好非线性映射能力的BP神经网络反演模型能够高精度地反演出玉米叶片中的叶绿素含量。BP神经网络模型叶绿素含量预测和实测叶绿素含量的平均绝对误差(e)为1.126,决定系数(R2)为0.902,均方根误差(RMSE)为1.375。玉米叶片叶绿素含量与高光谱数据并非线性关系,BP神经网络反演模型能够较好地运用到叶片叶绿素含量反演中。     

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。     

基于鬣狗算法神经网络反演林地叶面积指数

针对遥感影像的神经网络模型对林地叶面积指数(LAI)反演容易陷入局部最优、收敛效率低等问题,提出基于GF-1遥感影像和PROSAIL模型反演数据建立鬣狗算法神经网络模型,并与BP神经网络模型进行对比.结果表明,BP神经网络训练集的均方根误差(RMSE)值为0.140,验证集RMSE值为0.137,测试集决定系数(R²)为0.525;鬣狗神经网络训练集的RMSE值为0.131,验证集RMSE值为0.132,测试集决定系数(R²)为0.703.本研究提出的鬣狗算法,可提升神经网络模型的反演性能,为GF-1卫星在大范围林地LAI反演的应用推广提供了方法思路.     

基于思维进化优化BP神经网络的大豆叶片叶绿素含量高光谱反演

为进一步研究优化神经网络算法在植物生化参量高光谱反演当中的应用问题,运用遗传算法和思维进化算法对BP神经网络进行优化来构建大豆叶片叶绿素含量反演模型。利用实测光谱数据和对应叶绿素数据建立训练数据集,然后分别使用遗传算法和思维进化算法对BP神经网络进行优化训练,将训练好的模型用于叶绿素含量估算。结果表明,基于思维进化优化BP神经网络模型能准确预测叶绿素含量,且模型最稳定,能够解决小样本情况下叶绿素含量估算问题,并保证估算精度,可以作为大豆叶片叶绿素含量估算的一种新的参考方法。     

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。     

毛竹林分冠层叶面积指数高光谱估测

叶面积指数(leaf area index,LAI)是体现林分冠层结构的一项重要参数,其准确估测对于精准林业的实施具有重要意义。为了快速、无损地监测毛竹林LAI,采用ISI921VF-256野外地物光谱辐射计和LAI-2200冠层分析仪获取福建省西北部毛竹林分冠层光谱反射率和LAI值,通过敏感波段的选取,新建了8类植被指数,分析了LAI值与对应植被指数的相关性,进而利用随机森林回归、支持向量回归和反向传播神经网络法构建了毛竹林分冠层LAI高光谱估测模型,以决定系数(R2)、均方根误差(ERMS)、平均绝对误差(EMA)和估测值与实测值的回归线斜率为指标评价并比较了模型预测精度。结果表明:新建的NDVI_(674)、NDVI_(687)、GNDVI_(563)、GRVI_(563)、RVI_(674)、RVI_(687)、DVI_(674)、DVI_(687)八类植被指数与LAI均呈极显著相关(P<0.01)。建立的RFR模型中,决定系数R2达到0.732 3,分别比SVR模型和BP模型提高了0.106 6和0.247 0;其EMA为0.406 2,分别比SVR模型和BP模型减少了0.044 8和0.481 1;其ERMS为0.646 3,略高于SVR模型,但远小于BP模型;其实测值与估测值的回归线斜率接近1,优于SVR模型和BP模型的回归线斜率。RFR模型对毛竹林分冠层LAI的高光谱估测效果优于SVR模型和BP模型,可用于大区域范围毛竹林冠LAI的高光谱估测。     

基于PROSAIL模型和遗传算法优化的BP神经网络模型的不同大豆种群叶面积指数反演比较

以大豆叶面积指数(Leaf area index, LAI)反演为研究目标,利用PROSAIL模型和遗传算法优化后的BP神经网络模型,分别对重组自交系(Recombinant Inbred Lines, RIL)和自然野生大豆种群的LAI进行反演。结果表明,在对人工定向培育的RIL大豆种群冠层叶片LAI反演中,PROSAIL模型表现出了更优异的反演能力,而对品种繁多的自然野生大豆种群LAI反演中,遗传算法优化后的BP神经网络模型表现出了更好的适用性,并且上述2种模型在始粒期(R5)时性能最佳,PROSAIL模型和遗传算法优化后的BP神经网络模型R~2分别为0.89和0.85,RMSE分别为0.11和0.13,EA均为97%,典型生育期内的反演性能均优于全生育期综合反演性能。因此,针对同一农作物不同种群的表型特征反演,需要根据研究对象的特征来选择合适的模型,以便于精确的估测大豆长势情况,为农作物的规模化育种监测提供数据支持。     

基于EMD-SD光谱的玉米叶片叶绿素含量GA-BP模型反演

叶绿素是作物进行光合作用所需的主要色素,BP神经网络（BPNN）是较为新颖的反演叶绿素含量的方法。为研究反演精度更高的叶绿素含量反演模型,将经验模态分解（EMD）与光谱微分（SD）结合来提高输入因子与叶绿素含量的相关性,并使用遗传算法（GA）优化BPNN得到GA BP模型以获得最优初始权值阈值。将光谱数据EMD后进行一阶微分变换得到EMD SD光谱,选择与叶绿素含量相关系数超过06的5个波段处的EMD SD值作为GA BP模型的输入因子,隐含层节点数为7,多次训练取最优个体适应度值最低的GA BP模型来反演玉米叶片叶绿素含量。GA BP模型反演得到的预测值与实测值之间的判定系数（R2）最高,达到0818,均方根误差（RMSE）仅为2442,平均相对误差（e）为5436%。研究表明,EMD SD光谱作为GA BP模型的输入因子,与线性模型MLR和未优化的BP模型相比反演精度最高,验证了基于EMD SD光谱的GA BP模型提高玉米叶片叶绿素含量反演精度的可行性。     

基于GA-BP神经网络高光谱反演模型分析玉米叶片叶绿素含量

叶绿素是评价玉米健康状况的重要生理生化参数,而快速、准确检测玉米叶片叶绿素含量,是实现玉米长势及健康状况精准诊断的关键。为提高玉米叶片叶绿素含量的高光谱反演精度,以玉米试验小区为基础,测定了东北地区玉米不同生长期的叶片光谱反射率及其对应的叶绿素含量。首先采用一阶微分方法提取光谱特征,构建9种高光谱特征参数(Db、Dy、Dr、λb、λy、λr、SDb、SDy和SDr),并分析一阶微分光谱、高光谱特征参数与叶绿素含量间的相关关系,优选出与叶绿素含量相关性较高的3种特征参数作为自变量,分别为535nm处的一阶微分值、蓝边内最大一阶微分值Db、蓝边面积SDb,叶绿素含量实测值作为因变量,随后采用遗传算法对BP神经网络进行优化,建立BP神经网络(BPNN)和遗传算法优化的BP神经网络(GA-BPNN)反演模型,并对模型进行验证;再结合主成分回归(PCR)和偏最小二乘回归(PLSR)模型进行比较。结果表明:叶绿素含量与一阶微分光谱在535nm处具有最大相关系数(R=-0.738),并且与特征参数Db、SDb呈显著相关,相关系数R分别为-0.732和-0.728;遗传算法可以有效地对BPNN初始权值随机化、易陷入局部极值等不足实现优化,并为其定位出理想的搜索空间;GA-BPNN模型的建模集与验证集R2分别为0.878和0.898,RMSE为0.731,与其他反演模型相比,GA-BPNN模型的稳定性和预测能力均表现最好,可为定量预测玉米叶片叶绿素含量提供一定的理论和技术依据。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R²均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。     

基于光谱特征参数与主成分分析的玉米叶片叶绿素含量BP反演

利用美国SVC HR-1024I型地物光谱仪对盆栽玉米叶片进行光谱测定,同时用SPAD-502叶绿素仪测定叶片的叶绿素含量。基于实测光谱的微分处理结果,获取光谱位置、光谱面积、植被指数3个方面的11个光谱特征参数(spectral characteristic parameters,SCP),分析这11个SCPs与叶绿素含量的相关性,并对这些参数进行主成分分析(principal component analysis,PCA);然后,利用这11个SCPs及其PCA结果建立误差反向传播(error back propagation,BP)神经网络输入因子,并构建了玉米叶片叶绿素含量BP反演模型(简称SCP-PCA-BP模型)。另外,选取与叶绿素含量相关性较高的8个SCP,建立常规的线性回归模型并预测叶绿素含量。反演结果表明:SCP-PCA-BP反演的预测值与实测值之间的决定系数(r2)达到0.968 7,均方根误差(RMSE)为0.893 9;而用线性回归模型反演时,只有基于SCP中微分光谱蓝边面积、面积比值、归一化面积参数的预测效果较好,其中归一化面积的预测效果最好,预测值与实测值之间r2为0.704 0,RMSE为2.895。因此可知,与常规的线性回归模型相比,SCP-PCA-BP反演模型在预测玉米叶片叶绿素方面具有更好的预测效果。     

基于PCA-WNN的玉米叶片叶绿素含量遥感反演建模方法

为寻找一种准确、非破坏性的叶绿素含量获取方法,实时掌握作物的生理状况,研究一种基于PCAWNN的玉米叶片叶绿素含量遥感反演模型。利用SVC HR-1024I光谱仪采集盆栽玉米叶片光谱,同时用SPAD-502便携式叶绿素计测定叶绿素含量。从包络线去除、微分处理后的光谱曲线中提取7个光谱特征参数(SCPs)并与修改型土壤调节植被指数(MSAVI)、归一化差值植被指数(NDVI)、修正植被指数(MVI)、比值植被指数(RVI)、差值植被指数(DVI)5种植被指数分别结合主成分分析(PCA),并提取前4个主分量作为小波神经网络(WNN)的输入因子,以Morlet母小波基函数作为激励函数,建立隐含层节点数为3的PCAWNN模型反演玉米叶片叶绿素含量。通过精度检验,表明7个SCPs与MSAVI组合的建模精度最高,验证小波神经网络反演玉米叶绿素含量的可行性以及其预测精度比BP神经网络更好。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI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大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数,一直是气候变化和生态研究中的热点,遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象,以机载LiDAR和Landsat8/OLI为信息源,结合44块样地实测数据,使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上,进一步构建区域尺度的LAI反演模型,实现景洪市橡胶林LAI的反演。结果表明,基于LiDAR的林分水平模型中,SVR模型最优,决定系数（R²）为0.76,相对均方根误差（rRMSE）为17%,估测精度（P）为83%;以SVR模型估测结果作为区域尺度遥感反演模型的先验样本,结合Landsat8/OLI数据的BP神经网络模型反演效果最好,估测精度达76%。     

基于无人机多光谱遥感的冬小麦叶面积指数反演

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。     

数据预处理和统计方法对核桃叶片氮、磷、钾含量光谱反演精度的影响

为探究光谱数据预处理、不同统计方法对核桃叶片N、P、K含量光谱反演精度的影响，采用平滑去噪预处理光谱反射率数据，并比较一次函数、二次函数、三次函数、幂函数、指数函数和半对数函数构建的核桃叶片N、P、K含量光谱反演模型精度。结果表明：(1)平滑去噪预处理光谱数据比原始数据构建的反演模型决定系数(R²)更高、均方根误差(RMSE)和相对误差(RE)更小，即数据预处理后的反演精度更高；(2)将6种统计方法构建的N、P、K含量模型的预测值和实测值绘制1∶1关系图，以直观展示模型估算值与实测值的一致性程度，结果显示，具有最高决定系数(R²)、最小均方根误差(RMSE)和相对误差(RE)的均为三次函数建立的各生育期叶片N、P、K含量光谱反演模型，且该模型通过置信椭圆F检验，即三次函数构建的各生育期叶片N、P、K含量光谱反演模型精度最高。综上，本研究表明数据预处理和构建不同回归反演模型，可以提高光谱数据的利用水平，进一步提高反演模型的适用性和客观性。     

基于不同建模方法的土壤pH值无人机遥感影像反演

土壤pH值是土壤形成过程和熟化陪肥过程的一个指标。为了实现对农田土壤酸碱度状况的量化判别,提高模型预测精度,以江苏省南京市江宁区淳化街道农田土壤pH值为研究对象,采用棋盘式布点法选取60个点位进行土壤pH值测定,采用无人机搭载多光谱传感器获取土壤光谱信息,分别建立多元逐步线性回归（MLSR）、BP神经网络（BPNN）、LASSO回归模型,并采用R²、RMSE、VIF指标评价3种模型精度。结果表明,LASSO回归方法较其他回归方法在多光谱与土壤pH值反演中表现较好,R²=0.618,RMSE=0.430,可以平衡MLSR的共线性问题以及BPNN样本容量较少、验证集精度较差等问题。采用LASSO回归模型进行反演及分类制图,发现研究区内92.6%的土壤呈中性,以期为无人机多光谱反演土壤pH值提供理论参考。     

基于机器学习的粳稻叶片叶绿素含量高光谱反演建模

叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R²=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。     

基于连续投影算法与BP神经网络的玉米叶片SPAD值高光谱估算

叶片叶绿素含量是评价作物生长状况的重要指标。为实现玉米叶片叶绿素含量的准确、高效高光谱估测,以玉米大田试验为基础,于7月1日(大喇叭口期)、7月19日(灌浆初期)和8月18日(腊熟期)利用ASD高光谱仪和便携式叶绿素仪(SPAD-502)分别测定了玉米叶片高光谱数据和叶绿素含量相对值SPAD;利用连续投影算法提取出玉米叶片光谱的特征波长,再用BP神经网络构建SPAD值的估算模型,并对模型进行验证。结果表明,3个日期的分段监测模型及统一监测模型的R2分别为0.885,0.900,0.675,0.827;RMSE分别为2.156,2.103,3.236,2.651;7月1日模型、7月19日模型和统一监测模型均具有较高的精度,同时检验模型RPD均大于2,具有很好的预测能力;而8月18日的监测模型表现较差(RPD=1.641),但也达到可用水平。表明利用连续投影算法结合BP神经网络可以进行玉米叶片SPAD值的高光谱估算。