关中地区小麦冠层光谱与氮素的定量关系

【目的】分析不同生育期及整个生育期小麦叶片氮含量(LNC)与冠层光谱反射特征的关系,以实现对田间小麦活体氮素营养状况的监测,为小麦叶片氮素状况的精确诊断提供依据。【方法】以位于陕西关中地区杨凌揉谷镇、扶风马席村和巨良农场的3个小麦试验田为研究对象,测定不同长势及生育期小麦LNC及冠层光谱反射率,分析不同长势下小麦LNC和反射率的变化,并研究氮含量与冠层光谱反射率的相关性,以及小麦LNC与比值植被指数(RVI)、归一化植被指数(NDVI)的相关性,建立小麦LNC的敏感波段及光谱监测模型。【结果】在同一生育期,长势差的小麦叶片氮含量较低,长势较好的叶片氮含量高。与单波段相比,组合波段构成的植被指数RVI、NDVI与LNC的相关性明显提高,近红外波段(730~1 075nm)和红波段630,660,690nm组成组合波段的RVI、NDVI与LNC呈极显著正相关,其中LNC与RVI的相关性较高。利用独立的小麦田间试验数据,采用通用的均方根差(RMSE)、决定系数(R2)、准确度(斜率)3个指标对所建立的模型进行检验,最终选取RVI(970,690)为监测小麦LNC的最佳光谱参数,构建的最佳模型为LNC=0.176 3×RVI(970,690)0.775 6,R2为0.863,RMSE为0.137,准确度为0.979,接近于1。【结论】利用小麦冠层光谱反射率构建了预测小麦LNC的最佳模型,该模型具有较好的准确度和普适性,适用于整个生育期小麦叶片氮含量的监测。     

基于高光谱的不同生育期玉米花青素含量估测

花青素(Anthocyanin)是玉米体内的重要色素,对花青素含量的便捷、无损估测对监测玉米长势具有重要意义。利用关中地区拔节期、大喇叭口期、抽雄期以及乳熟期玉米冠层叶片Anth值及高光谱数据建立多个单因素模型和多因素模型。结果表明,不同生育期玉米叶片原始光谱特征总体一致、局部不同。变换光谱的特征波段与Anth值相关性优于原始光谱,其中一阶导数光谱特征波段最优。连续投影算法(SPA)降维能力较好,筛选出的建模参数在2～27个。最优单因素模型与多元性线性回归模型精度均为抽雄期最优,拔节期和大喇叭口期次之,乳熟期最差。所有模型中,抽雄期基于一阶导数光谱的麻雀搜索算法-极限学习机回归(SSA-ELMR)模型精度最佳,该模型建模与验证R²分别为0.847、0.895,相应nRMSE为6.44%和7.21%。本研究结果表明抽雄期是玉米叶片花青素含量反演的最佳时期,极限学习机能进一步提升传统模型精度。     

基于变换光谱与光谱指数的夏玉米叶片含水率高光谱估算

为实现陕西关中地区夏玉米叶片含水率遥感估算,本研究通过夏玉米叶片高光谱反射率和含水率的测定,利用原始光谱及转换光谱,构建任意两波段的光谱指数,分析光谱指数与叶片含水率之间的关系,构建玉米叶片含水率估算的单因素回归模型和基于支持向量回归算法(SVR)、反向传播神经网络回归算法(BPNN)和麻雀搜索随机森林回归算法(SSA-RFR)的多因素模型,并根据模型精度筛选玉米叶片含水率估算的优化模型。结果表明,随叶片含水率的增加,短波红外波段的光谱反射率降低,最优光谱指数的构成波段主要位于短波红外波段,其中基于一阶导数光谱的比值光谱指数(R_{1 563}/R_{1 406})和归一化光谱指数[(R_{1 563}-R_{1 406})/(R_{1 563}+R_{1 406})]与叶片含水率相关性最佳,其相关系数绝对值均达0.83;多因素回归模型的模拟效果优于单因素回归模型,基于麻雀搜索随机森林回归模型的精度最高,验证集决定系数(R²)为0.78,均方根误差(RMSE)和相对误差...     

矿区高光谱数据与植物叶绿素含量相关性研究

以陕西省潼关县金矿区为研究背景,选取葎草、玉米、苦菜、梧桐4种植物为研究对象,使用ASD光谱仪进行野外实地测量,获得4种植物叶片的光谱反射率,室内利用紫外可见分光光度计进行叶绿素含量的测定。通过植物原始光谱、导数光谱、连续统去除法、倒数对数光谱(Log1/R)4种方法比对获得光谱参数与叶绿素含量相关性,建立植物光谱参数与叶绿素含量的回归方程。结果表明:光谱参数与叶绿素含量存在较显著相关性,葎草、玉米相关性顺序为Log1/R原始光谱一阶微分连续统去除(BDNBDIBNA),苦菜相关性顺序为原始光谱一阶导数BDNBDILog1/RBNA,梧桐为BDNBDI一阶导数BNALog1/R原始光谱;拟合模型以线性、指数、S形曲线模型最优。     

基于随机森林算法的冬小麦叶片氮含量遥感估算研究

精确、快速估算冬小麦叶片氮含量,对冬小麦长势监测及田间管理指导具有重要的研究意义。为精确反演冬小麦叶片氮含量(leaf nitrogen content,LNC),本文利用遥感方法 ,依托不同氮处理水平对冬小麦的影响试验,基于获取的高光谱遥感数据和LNC地面实测数据,对比分析光谱指数与随机森林算法(random forest,RF)反演冬小麦叶片氮含量的精度和稳健性。结果表明,以敏感波段496 nm和604 nm为自变量,利用随机森林算法构建的LNC回归模型精度较光谱指数法有了大幅提高,模型的建模精度为R2=0.922,均方根误差为0.290;验证精度为R2=0.873,均方根误差为0.397,并且相对分析误差值为2.220,表明将敏感波段与随机森林算法组合构建的反演模型能较好地反演冬小麦叶片氮含量。     

基于Landsat TM影像的冬小麦拔节期主要长势参数遥感监测

[目的]强化冬小麦长势遥感监测机制,为田间生产管理提供信息支撑.[方法]以2007-2009年试验实测数据为基础,以Landsat TM影像为数据源,分析试验样点拨节期冬小麦主要长势参数与品质、产量以及卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦拔节期叶面积指数(LAI)、生物量、SPAD值和叶片氮含量(LNC)的模型.[结果]冬小麦拔节期,选用中红外波段的反射率(B5)、归一化植被指数(NDVI)、DSW5和绿波段的反射率(B2)等遥感变量分别反演冬小麦的SPAD值、生物量、LAI和LNC是可行的;SPAD值,生物量、LAI和LNC遥感监测模型的精度较高,以此为基础,制作出了具有实际农学意义的冬小麦拔节期不同等级SPAD值、生物量,LAI和LNC遥感监测专题图,实现了主要长势参数空间分布量化表达.[结论]研究结果可为广大农学家、农业部门决策者和田问管理人员提供及时的农情信息.     

苹果叶片的高光谱特征及其色素含量监测

【目的】分析苹果叶片的高光谱特征,探索建立苹果叶片色素含量的高光谱监测模型,以促进高光谱技术在苹果长势监测中的应用。【方法】通过方差分析方法,分析苹果春梢和秋梢停止生长两个时期功能叶片的不同部位、不同含水率、不同品种的高光谱特征。利用相关分析方法,研究高光谱参数与叶片色素含量间的关系,并建立基于光谱参数的叶片色素含量监测模型。【结果】在760—1300nm的近红外波段,叶片光谱反射率后部低、前部高、中部居于二者之间;随着叶片含水率降低,光谱反射率逐渐增大;不同品种的叶片,光谱反射率差异显著。光谱参数R800/R550、红边面积Sr和绿峰反射率Rg与叶片色素含量之间有较好的相关性,并分别建立了色素含量监测模型。其中以Sr建立的Chla、Chl(a+b)、Car含量监测模型和以R800/R550建立的Chlb含量监测模型为最佳。经均方根误差(RMSE)和相对误差(RE%)指标测试表明,模型能较好地监测苹果叶片色素含量。【结论】用红边面积Sr和波段组合R800/R550来监测苹果叶片色素含量效果较好,为苹果长势遥感监测提供了理论依据。     

铜胁迫下玉米叶片污染信息监测模型

设置不同浓度铜离子(Cu~(2+))胁迫梯度(0、250、500μg/g)玉米盆栽试验,并测量各胁迫梯度下玉米叶片的光谱数据以及玉米叶片中的Cu~(2+)含量。在谐波处理、包络线去除、离散小波多层分解的基础上,将光谱特征吸收面积与小波能量熵相结合,构建探测玉米叶片Cu~(2+)污染信息的光谱特征吸收面积-小波能量熵(SCA-WEE)模型,并与光谱角、光谱相关系数等常规相似性测度方法和绿峰高度、红边位置、红边最大值等常规污染信息监测方法作比较分析。结果表明,SCA-WEE模型能够明显区分受污染的玉米光谱,与玉米叶片中Cu~(2+)含量的相关系数达到0.985 6,说明该模型能够有效甄别极度相似光谱之间的微小差异并判别玉米叶片的污染程度。最后基于不同时期的检验数据验证了SCA-WEE模型在玉米重金属污染监测方面的可行性和稳健性。     

基于SD-SWT的铜胁迫下玉米光谱奇异性甄别与污染监测

为甄别重金属铜(Cu)胁迫下玉米光谱的弱差及奇异信息以监测玉米受Cu污染的程度,于2017年设置多浓度Cu胁迫下玉米培株盆栽实验,测定玉米叶片反射光谱和Cu含量数据,将一阶光谱微分(SD)和离散平稳小波变换(SWT)相结合,定义并提取小波奇异指数(WSI),进行光谱的奇异性甄别,并与常规的光谱特征参数进行对比;结合逐步多元线性回归(SMLR)算法,构建玉米叶片Cu含量的WSI-SMLR反演模型,同时利用不同年份采集的玉米叶片反射光谱和Cu含量数据验证反演模型的可行性及稳定性,并与一些已有的类似研究成果进行对比。结果表明:相比于常规的光谱特征参数,WSI与玉米叶片中的Cu含量有更显著的相关性及线性关系,可用来监测玉米叶片中的Cu含量变化;与一些已有的类似研究成果相比,WSI-SMLR模型反演玉米叶片中Cu含量的精度更高且更稳定。研究验证了小波奇异指数在监测玉米Cu污染方面具有有效性和优越性,为监测农作物重金属污染提供了新的光谱奇异指数与技术方法。     

基于数码图像的甜菜氮素近地遥感监测模型

为定量研究利用数码图像进行甜菜冠层叶片氮含量(Leaf nitrogen content,LNC)时空变化监测的适宜性及准确性,以2014年内蒙古赤峰市松山区太平地镇田间试验为基础,在甜菜各生长阶段采集甜菜冠层数码图像,利用数字图像处理技术对图像进行分割并提取红光值(R)、绿光值(G)和蓝光值(B)。分析R/B、G/B等9个颜色参数与不同生育期冠层LNC的相关性,并研究冠层LNC随施氮量的变化规律,探寻适宜于甜菜氮素营养监测的关键生育时期及最佳颜色参数。分别利用支持向量机(Support vector machine,SVM)和BP人工神经网络(BackPropagation artificial neural network,BP-ANN)建立甜菜冠层LNC预测模型。研究结果表明,BP-ANN预测模型具有较高且较稳定的预测精度,其验证集的决定系数R~2和均方根误差RMSE分别为0.74和2.35,与SVM模型相比,BP-ANN模型的决定系数R~2提高了12.12%,均方根误差RMSE降低了8.09%。     

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。     

铜离子胁迫下玉米叶片污染信息的SM-DMFD探测模型

通过设置不同浓度铜离子(Cu2+)胁迫梯度的玉米盆栽实验,在采集了不同类型玉米叶片的光谱数据以及测定其Cu2+含量的基础上,通过建立叶片光谱变异的信息甄别模型(SM),并采用光谱谐波分析(HA)预处理、经验模态分解(EMD)、离散小波多层分解、量规法分形维数(DMFD)计算等方法,构建了玉米叶片光谱污染信息的SM-DMFD探测模型。同时,利用常规的绿峰高度(GH)、红边位置(REP)、红边最大值(MR)、红边一阶微分包围面积(FAR)和盒维数法(BDM)等植被重金属污染信息监测方法进行应用结果比较与分析,实验结果表明:SM-DMFD模型应用所得DMFD值与所测玉米叶片中Cu2+含量的相关系数R和拟合判定系数R2分别达到0.986 0和0.972 3,说明该模型能够有效甄别光谱间差异信息并能判别叶片的污染程度,从而验证了SM-DMFD模型在玉米的Cu2+污染信息监测方面具有更好的有效性和优势。而且,通过对玉米污染信息不同探测方法的监测结果进行可视化,也验证了SM-DMFD模型监测效果最为理想。     

冬小麦叶片氮含量遥感估算方法对比研究

精确、快速估算冬小麦叶片氮含量,对冬小麦长势监测及田间管理指导具有重要的研究意义。为精确反演冬小麦叶片氮含量（leaf nitrogen content , LNC）,该文利用遥感方法,依托不同氮处理水平冬小麦试验,基于获取的高光谱遥感数据和LNC地面实测数据,对比分析光谱指数与随机森林算法（random forest , RF）反演冬小麦叶片氮含量的精度和稳健性。结果表明,以敏感波段496 nm、604 nm为自变量,利用随机森林算法构建的LNC回归模型精度较光谱指数法有了大幅提高,模型的建模精度为R2=0.922,RMSE=0.290,验证精度为R2=0.873,RMSE=0.397,并且相对分析误差RPD值为2.22,表明将敏感波段与随机森林算法组合构建的反演模型能较好反演对冬小麦LNC。     

连续投影与SSA-ELM结合的玉米氮平衡指数高光谱估测

玉米氮平衡指数的快速、无损估测,对监测植株长势和指导田间氮肥施用具有重要现实意义。通过田间试验观测各生育期(拔节期、抽雄期、乳熟期、完熟期)玉米叶片氮平衡指数和对应光谱反射率,应用特征波段和植被指数,构建不同类型的玉米氮平衡指数高光谱反演模型。结果表明：不同氮平衡指数下的叶片高光谱反射特征基本一致,在可见光波段反射率较低、近红外波段反射率较高,不同生育期氮平衡指数与光谱反射率的相关性在抽雄期最高,乳熟期、完熟期次之、拔节期最低;连续投影算法具有良好的降维效果,筛选出的各生育期建模光谱参数为8～20个;各生育期多因素模型均优于单因素模型,抽雄期各类模型效果最佳,其中基于麻雀搜索算法优化的极限学习机回归模型是最优模型,其建模R²与验证R²均为0.93,相对预测偏差分别为2.57、2.31,表明该模型对氮平衡指数具有极好的预测能力。     

玉米叶片铜污染的EEMD-MA-FD光谱诊断模型

以铜为例探讨重金属不同胁迫浓度下玉米叶片光谱的微弱信息量差异,在2017年测定的玉米叶片光谱数据和Cu~(2+)含量的基础上,结合集成经验模态分解(Ensemble empirical mode decomposition,EEMD)、Mallat算法(MA)和分形维数(Fractal dimension,FD)构建EEMD-MA-FD光谱诊断模型来进行光谱弱信息变换监测。与红边最大值、蓝边最大值等常规重金属污染监测方法进行对比分析,验证EEMD-MA-FD模型在玉米叶片铜污染监测中的优越性,最后利用2016年采集的光谱数据作为检验数据验证模型的稳定性。结果显示,玉米叶片Cu~(2+)含量与EEMD-MA-FD模型结果存在较强的相关性,相关系数为-0.942 2,检验数据Cu~(2+)含量与模型结果相关系数为-0.993 7,与实验结果有较高的一致性。由此验证了EEMD-MA-FD诊断模型在农作物重金属铜污染监测中的可行性。     

应用光谱指数和机器学习反演紫丁香叶片的叶绿素面密度

为无损监测植物叶片叶绿素面密度,及时反映植物的生长状态,以内蒙古农业大学东校区紫丁香(Syringa oblata Lindl.)为研究对象,获取了160枚叶片反射率光谱(350～2 500 nm)及其对应的叶绿素面密度数据,在一维和二维光谱指数的基础上引入三维光谱指数(I_TBI),基于原始光谱(R)、一阶微分光谱(R_FD)和二阶微分光谱(R_SD)构建了全波段不同维度光谱指数,经皮尔逊相关系数法(PCC)筛选出最优光谱指数,构建了海洋捕食者算法优化孪生支持向量机融合模型(MPA-TSVR),并与孪生支持向量回归机(TSVR)、偏最小二乘回归法(PLSR)、反向传播神经网络(BPNN)和支持向量回归机(SVR)模型对比分析。结果表明：不同维度下最优光谱指数与叶绿素面密度间的最大相关系数分别是I_TBI3(R_SD714,R_SD745,R_SD700)为0.901 5、I_SRI(R_FD704,R     

基于高光谱植被指数的西北玉米不同时期叶绿素含量估测

以陕西省扶风县马席村、巨良农场和杨凌区揉谷乡种植的大田玉米为试验材料,分别测定玉米抽雄期、灌浆期和乳熟期的冠层光谱反射率和叶片叶绿素含量,分析冠层各光谱植被指数与叶片叶绿素含量之间的相关关系,建立玉米叶绿素含量估测模型。结果表明,以单变量光谱植被指数估算叶绿素含量,抽雄期的最佳模型由修正叶绿素吸收反射率指数(Modified chlorophyll absorption reflectivity index,MCARI)建立,灌浆期最佳模型由垂直植被指数(Perpendicular vegetation index,PVI)建立,乳熟期最佳模型由植被衰老反射率指数(Plant senescence reflectance index,PSRI)建立。随着玉米生长期的推进,叶片衰老,用PSRI所建立的模型来监测玉米叶绿素含量的效果较好,可为高光谱遥感在玉米长势监测提供理论依据和技术支持。     

基于无人机多光谱的夏玉米叶绿素含量反演研究

以济南市济阳区夏玉米为研究对象,通过无人机(UAV)搭载多光谱相机进行叶绿素动态监测。在夏玉米3个生育时期(大喇叭口期、开花期、灌浆期),每个时期选取5块具有代表性的1 m×1 m的样地,利用无人机获取样地多光谱影像;同时从每块样地选取不同植株冠层不同部位的7片叶,用叶绿素仪测定每片叶的SPAD值,取其平均值作为该样地的SPAD实测值。利用Pix4D mapper软件对获取的多光谱影像进行拼接,然后利用伪标准地物辐射校正法进行校正,输出5个波段的反射率影像图,用ENVI对各波段进行配准组合成ENVI格式的反射率数据。选取4种光谱参数和夏玉米SPAD实测值构建反演模型并进行模型评价,结果表明:以归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、冠层叶绿素含量指数(CCCI)三种光谱参数为变量的多元线性回归(MLR)模型精度更高且更加稳定,模型检验Rv~2为0.885,均方根误差(RMSE)为2.111,模型最优解参数(MOSP)为0.414。综合分析,该模型在估测玉米冠层叶绿素含量方面具有快速便捷、时效性强、准确度高等诸多优势,同时能快速、无损监测夏玉米叶绿素含量变化。     

玉米铜污染实时动态监测的高光谱分形维数模型

重金属Cu~(2+)在玉米植株中过量积累会破坏其组织细胞结构,降低叶绿素含量,使植物代谢紊乱,都将在光谱上表现变化。传统监测污染的方法费时费力,不能满足快速实时监测的需求。农作物污染监测中的高光谱遥感监测应用技术是当前研究的重点。通过设置不同Cu~(2+)浓度的盆栽试验,测得不同Cu~(2+)胁迫浓度下玉米叶片的Cu~(2+)含量、叶绿素含量以及高光谱反射率数据,系统分析玉米叶片光谱曲线的特征以及不同Cu~(2+)胁迫浓度下的光谱分形维数与光谱指数变化的情况,建立玉米叶片Cu~(2+)浓度、光谱分形维数和光谱指数的空间分布,研究Cu~(2+)定性分析中光谱指数与光谱分形维数的关系。结果发现,光谱分形维数比光谱指数能更好地反映Cu~(2+)污染下玉米植株的生理特征的变化,从而可以成为大范围监测玉米Cu~(2+)污染的甄别依据。     

GF-1/WFV在玉米叶面积指数估算中的应用研究

叶面积指数(leaf area index,LAI)是植被冠层重要的结构参数之一,与冠层生理过程密切相关,也是植被遥感领域关注的重要参数之一。本研究对已在轨运行7年的高分一号卫星WFV传感器的植被监测性能进行评测,以吉林省农安县典型玉米分布区作为研究区域,结合地面同步观测的叶面积指数和冠层光谱等实测数据,借助归一化植被指数(NDVI)、比植被指数(RVI)、大气阻抗植被指数(ARVI)、土壤调节植被指数(SAVI)、修改性土壤调节植被指数(MSAVI)这5种植被指数,对比分析地面实测光谱与GF-1/WFV光谱对玉米冠层叶面积指数的估算能力。通过决定系数(R²)、均方根误差(RMSE)、相对误差(RE)和预测残差(RPD)等参数筛选最优模型。研究结果显示,各种植被指数与LAI之间的相关性均表现为地面实测光谱高于GF-1/WFV星载光谱;对比不同植被指数与LAI的相关性发现,地面光谱和星上光谱构造的植被指数中,均表现为MSAVI与LAI的相关性最高;基于地面光谱和星上光谱的MSAVI构建的估算模型中,R²最高值所对应的函数类型不同,基于地面光谱的函数中,R²最高值对应的是指数模型,而基于GF-1/WFV星上光谱的函数中,二项式的R²最高。