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。     

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。     

玉米叶绿素含量高光谱反演的线性模型研究

叶绿素含量是衡量植被生长状况的一个重要指标,高光谱数据具有较高的光谱分辨率,利用其光谱信息建立叶绿素含量的关系模型,已成为监测植被长势的一种有效手段。传统叶绿素含量线性回归模型的输入因子是植被特征提取参数,由于高光谱数据波段间的冗余度较高,导致一般的线性模型的反演精度较低。主成分分析可以减少数据的维数,简化网络结构,得出能反映原始信息的综合变量。本文以盆栽玉米为研究对象,利用植被特征和主成分分析方法提取光谱反演参数,根据所提取的参数建立玉米叶片叶绿素含量的一元线性和多元线性回归模型。结果表明,利用绿峰峰值和近红外反射率均值两参数可在一元线性模型中较好地反演玉米叶片叶绿素含量;而利用分波段提取的主成分能够在多元线性回归模型中更好地反演叶绿素含量,反演精度较高。     

基于高光谱成像技术的油菜叶片叶绿素含量预测

叶绿素是作物生长中的重要因素,可用于实时监测作物的生长状况。以常规高油酸油菜品种为材料,采用大田试验研究油菜叶片在不同栽培措施下幼苗期、蕾薹期叶片的光谱响应,通过计算反射光谱及其反射光谱的一阶导数与SPAD值的相关性,结合逐步回归挑选出油菜叶片敏感波段,并计算光谱指数。采用一元线性回归和神经网络建立叶绿素含量估算模型。结果表明,由光谱指数所构建的神经网络叶绿素估算模型,精度评价结果均显示比较高的水平,幼苗期反射率光谱指数构建的模型精度最高,决定系数R2为0807 0,均方根误差（RMSE）为1131 5,蕾薹期一阶导数光谱指数构建的模型精度最高,决定系数R2为 0873 2, 均方根误差（RMSE）为1322 3,在蕾薹期和幼苗期通过构建BP神经网络模型能够较好的对油菜叶绿素进行反演。为利用高光谱技术大范围监测油菜叶绿素含量提供了一定的理论依据。     

基于高光谱和GA-BP神经网络模型的冬小麦叶绿素含量反演

叶绿素是绿色植被进行光合作用的主要色素,是影响作物产量的重要因素之一,也是评价作物健康状况的重要生化指标。快速、准确、无损地监测作物叶片叶绿素含量,是实现作物长势和健康程度精准监测的关键。为提高作物叶绿素含量反演的精度,以冬小麦试验小区为基础,测量关中地区冬小麦叶片反射率及其对应的叶绿素含量。运用分数阶微分法计算0～2阶步长为0.1的分数阶光谱,通过灰色关联分析法提取出与叶绿素含量关联度大的特征,作为模型的输入参数。最终提取出0.6阶751、760 nm, 0.7阶744、751 nm, 0.8阶738、747 nm, 0.9阶738、750 nm, 1.0阶731、750 nm共10个与叶绿素含量关联度高的波段作为模型的特征波段。为解决BP神经网络(back propagation network)收敛速度慢、易陷入局部极小值的问题,使用遗传算法(genetic algorithm, GA)优化BP神经网络的权值和阈值,利用优化后的模型进行叶绿素含量的预测。结果表明,运用遗传算法优化BP神经网络模型反演精度较高,r²为0.952,均方根误差(RMSE)为3.64...     

铜离子、铅离子胁迫的玉米冠层微分光谱与污染效应

通过设置玉米在不同浓度重金属铜、铅处理下的污染试验,测定玉米冠层在不同浓度重金属铜、铅污染下的高光谱反射率及其对应玉米叶片中的叶绿素、铜含量,分析玉米叶片中的叶绿素含量与土壤中重金属铜、铅浓度的关系,受不同浓度重金属铜、铅污染的冠层光谱的一阶、二阶、三阶、四阶微分光谱及其所对应的微分光谱角的区别,以及微分光谱及其所对应的微分光谱角与叶片中重金属铜含量的相关性。结果表明,玉米叶片中的叶绿素含量与土壤中Cu2+、Pb2+含量呈负相关;微分光谱波段位置的微分值和微分光谱角值可明显分辨受不同浓度重金属铜、铅的污染,微分光谱波段位置的微分值和微分光谱角值与叶片中重金属铜含量有显著相关性。     

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。     

基于高光谱的春小麦抽穗期叶绿素含量估算方法

对高光谱数据进行预处理是提升高光谱建模精度十分必要且有效的途径。利用高光谱技术分析春小麦作物光谱及其叶绿素含量的变化,对原始光谱反射率及对应的对数、倒数、平方根、对数倒数等4种数学变换及其一阶、二阶微分进行预处理运算,分析春小麦叶片叶绿素含量与预处理后的光谱数据相关性,基于选取的敏感波段对春小麦抽穗期叶绿素含量进行偏最小二乘回归法、BP神经网络2种方法建模并进行模型验证及比较。结果表明:对原始光谱数据数学变换的微分预处理可以明显提高春小麦叶片叶绿素含量与光谱反射率的相关性;通过显著性检验的敏感波段数量经一阶、二阶微分预处理呈现明显增加趋势,对应数学变换的波段数量有所不同;对数变换的二阶微分处理所建立的PLSR模型为最优模型,该模型精度参数为决定系数R■=0.93,校正均方根误差RMSE_c=2.53,预测决定系数R~2_p=0.91,预测均方根误差RMSE_p=2.41,相对分析误差RPD=3.20。说明数学变换的微分预处理过后的模型精度和稳健性有了大幅度的提升,并且运用在高光谱遥感反演春小麦抽穗期叶片叶绿素含量上是可行的。     

基于高光谱参量茶叶叶绿素含量估算模型研究

根据实测叶绿素含量数据,采用原始光谱、导数光谱技术分析,得到估算铁观音茶树鲜叶叶绿素含量的光谱特征参数（DV640,R716）,构建叶绿素含量的光谱参量模型,结果表明：用第5、6片叶的DV640参量构建模型估测精度较高,最高达到93％.     

基于光谱植被指数的冬小麦叶绿素含量反演

植物功能叶的SPAD值与其氮素和叶绿素有较强的相关性,研究功能叶SPAD与其冠层光谱的关系,对实现植株叶绿素含量快速、无损检测具有重要意义。本文通过对冬小麦生育期的冠层原始光谱进行一阶导数变换,研究其功能叶片SPAD值与冠层光谱的相关性,对监测冬小麦叶绿素含量的敏感波段进行了提取,并建立了叶绿素含量与冠层反射光谱的定量关系。结果表明,基于小麦冠层原始光谱反射率、冠层光谱导数反射率与SPAD的相关系数曲线,提取的各形式下冬小麦叶绿素含量的敏感波段分别为500、690、760和470、630、723nm;并构建了冬小麦叶绿素含量的预测模型,以FDNDVI(630,723)预测模型较好,其R2可达0.9485,模型验证参数R2、MRE和RMSE分别为0.8099、0.0294和1.805,拟合效果较好,表明该模型能有效地对冬小麦叶绿素含量进行预测。该研究结果可为冬小麦长势监测提供一定的理论参考。     

9个阔叶树种叶绿素估测模型

为了方便快速准确地测量树木叶片的叶绿素质量分数, 对9个阔叶树种的叶片采样, 利用CCM-200测得的叶绿素指数(CCI值)和叶片厚度因子建立叶绿素的估算模型, 将估算结果与萃取法测量叶绿素质量分数比较, 分析发现:仅利用CCM-200测得的叶绿素指数估算叶绿素a, 叶绿素b和总叶绿素质量分数的线性模型误差较大, 叶绿素指数与叶绿素a, 叶绿素b和总叶绿素质量分数的决定系数(R2)均在0.610左右, 相关性不是很显著。当用比叶质量(SLW)来反映叶片厚度, 与叶绿素指数一起作为自变量, 分别建立估算叶绿素a, 叶绿素b以及总叶绿素质量分数的线性回归方程, 发现叶绿素指数及比叶质量与叶绿素a, 叶绿素b和总叶绿素质量分数之间的决定系数(R2)分别为0.678, 0.707和0.689, 相关性得到较大提高。而如果采用比叶面积(SLA), 即比叶质量的倒数来反映叶片厚度, 与叶绿素指数一起作为自变量, 分别建立估算叶绿素a, 叶绿素b以及总叶绿素质量分数的线性回归方程, 各决定系数分别为0.869, 0.893和0.881, 相关性得到显著提高。由此得到结论:利用叶绿素指数与比叶面积建立的叶绿素质量分数估算模型精度较高, 且适用于多种不同树种叶绿素质量分数估算, 具有普适性。     

不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研究

 采用盆栽试验研究了不同氮营养水平下的春玉米叶片叶绿素和全氮含量与叶片光谱反射率的相关性。结果表明，拔节期和喇叭口期是玉米氮素光谱营养诊断的敏感时期；利用绿峰处叶片最大光谱反射率反演玉米叶片氮素含量和叶绿素含量的精度为：喇叭口期＞拔节期＞开花吐丝期；不同生育时期诊断玉米叶片氮素含量和叶绿素含量时所采用的光谱波段也不同，拔节期和喇叭口期采用可见光波段的光谱反射率可靠性较高，而开花吐丝期采用近红外波段的光谱反射率可靠性较高；两波段组合光谱变量对叶片叶绿素和全氮含量的判别精度高于单一波段的判别精度。     

荫蔽度对巢蕨生长的影响

通过6种不同荫蔽度处理,即处理A(56％)、处理B(64％)、处理C(70％)、处理D(82％)、处理E(88％)和处理F(91％),研究了荫蔽度对巢蕨生长的影响.结果表明:荫蔽度对巢蕨叶绿素相对含量、叶长、叶宽、新增叶片数和植株死亡数均有不同程度的影响;其中,对叶绿素相对含量的影响依次为F＞E＞D＞C＞B＞A;对叶长的影响为E＞F＞D＞C＞B＞A;对叶宽的影响为E＞D＞C＞F＞B＞A;对新增叶片数的影响为D＞C＞B＞F＞E＞A;对巢蕨死亡率的影响为A＞C＞B＞E=D＞F.荫蔽度与叶绿素相对含量呈正相关;对叶长、叶宽影响呈曲线变化,处理E最有利于巢蕨叶片生长;较强的阳光有利于叶片代偿性数量增加,过强的阳光会导致植株死亡.综合分析得出,通过控制荫蔽度可以调控新生叶数量和叶片生长,适宜巢蕨健康生长的荫蔽度在88％以上.     

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。     

基于高光谱参数的竹叶叶绿素质量分数估算模型

为研究竹叶叶绿素质量分数和高光谱参数的相关性,建立叶绿素质量分数估算模型。利用Field Spec4便携式地物光谱仪采集无病虫害的箭竹竹叶光谱,使用SPAD-502叶绿素仪测定相应竹叶的叶绿素质量分数,分析竹叶叶绿素质量分数与原始光谱、一阶导数光谱以及提取的光谱特征参数之间的相关性,采用线性和非线性分析法构建叶绿素质量分数估算模型并进行精度检验。结果表明:(1)竹叶叶绿素质量分数在原始光谱反射率762 nm处相关系数达到最大值,相关系数为0.544 3;在一阶导数光谱反射率689 nm和726 nm处分别达到了极显著相关水平,相关系数分别为-0.747 9和0.907 9。(2)基于λ_b、λ_r、S_(Dr)/S_(Db)和(S_(Dr)-S_(Db))/(S_(Dr)+S_(Db))等光谱参数都与叶绿素质量分数达到了极显著相关水平。(3)采用相关性达到极显著水平的4种光谱参数以及689、726 nm处的一阶导数光谱反射率,构建叶绿素质量分数估算模型。依据决定系数(R2)最高,筛选出的回归估算模型中,基于一阶导数光谱反射率在726 nm处的线性模型R~2最高,为0.882 8,均方根误差(R_(MSE))和相对误差(RE)最小,分别为1.7050%和4.18%。因此,一阶导数光谱反射率在726 nm处的线性模型为竹叶叶绿素质量分数的最佳估算模型。     

苹果冠层叶绿素含量高光谱估算模型

【目的】 研究一种快速、简便、无损的苹果冠层叶绿素含量估测模型。探索苹果品种岩富10号冠层的高光谱特征和叶绿素含量的估测方法,为该地区岩富10号苹果营养的快速诊断奠定基础,为红富士苹果精准化管理和-7光谱尺度研究提供参考依据。【方法】以红富士苹果(Malus domestica Borkh. cv. Red Fuji)主栽品种岩富10号叶绿素含量以及冠层高光谱反射率为数据源,分析叶绿素含量与冠层原始光谱(R)、微分光谱(R')之间的相关关系,利用敏感波段建立新的对应关系,构建岩富10号叶绿素含量的多种回归估测模型,并对不同模型进行了精度评价。【结果】微分光谱用于岩富10号叶绿素含量的估测精度要显著高于原始光谱反射率;利用敏感波段组合新定义的衍生变量拟合程度更优;在多种回归方式中,三次多项式模型的拟合程度最好,最优模型为357 nm等7个波段组合定义的新植被指数所建立的三次多项式模型,其精度为0.839。【结论】应用光谱技术对南疆塔里木盆地阿克苏地区岩富10号叶绿素含量进行定量反演是可行的。