葡萄叶片叶绿素含量高光谱估测模型研究

针对传统方法测定叶绿素含量存在的不足,采用高光谱技术建立了快速、准确、无损估测葡萄叶片叶绿素含量的方法。以采自泰安万吉山基地的葡萄叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率、原始光谱反射率一阶导数、高光谱特征变量间相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的葡萄叶片叶绿素含量估测模型,即SPAD=59.352+44836.313R'601,其中R'601为601 nm波段原始光谱反射率一阶导数。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513~539、564~585、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513⁵39、564539、564⁵85、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

基于高光谱的小麦冠层叶绿素(SPAD值)估测模型

选择山东省泰安市山东农业大学试验田为研究区,分别采用ASD FieldSpec 3光谱仪和SPAD-502叶绿素仪测量小麦冠层的近地高光谱反射率和SPAD值,通过分析小麦冠层光谱特征,进行光谱反射率及其一阶导数与SPAD值的相关分析,筛选敏感波段,进而分别构建基于敏感波段和植被指数的小麦冠层SPAD值估测模型,并优选确定最佳模型。结果表明,光谱反射率经一阶导数变换能更好突出光谱特征,用来筛选敏感波段,将6个敏感波段分别建立单波段及多波段组合估测模型,进而优选出最佳估测模型为R′_(871),R_(1 349),R_(725),R′_(1 995)多元线性回归模型,决定系数R~2=0.668;基于4种植被指数构建的小麦叶绿素最佳估测模型为NDVI的二次模型,方程为y=61.978 x~2-34.426 x+54.089,决定系数R~2为0.845。基于植被指数的估测模型可较好实现小麦冠层叶绿素信息的无损和快速获取,为小麦生产的实时监测提供了有效手段。     

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。     

基于高光谱遥感的棉花叶片叶绿素含量估算

为提高高光谱植被指数对棉花叶绿素含量的估算精度,以陕西省关中地区棉花花铃期叶片高光谱反射率为数据源,分析了13种植被指数与棉花叶片叶绿素相对含量(SPAD)的相关关系;同时采用降精细采样法,详细分析400~2 000nm波段范围内原始光谱反射率的任意两两波段组合而成的优化光谱指数RSI与SPAD值的定量关系,构建线性及非线性回归监测模型,并对模型进行验证。结果表明:1)所提取的13种植被指数中NIR/NIR与SPAD值的相关系数最大(r=0.914),并且基于NIR/NIR(R780/R740)构建的回归方程模型优于其他植被指数,其构建的二次曲线方程回归模型建模与验模R2分别为0.900和0.785,RMSE为4.762,RE为7.86%,为基于提取的12种植被指数构建SPAD值估算模型中最佳模型;2)优化后的比值光谱指数RSI(Ration spectral index)的敏感波段为500和563nm,RSI(500,563)与SPAD值的相关系数r=0.999,与棉花叶片SPAD含量在0.01水平下呈显著相关,其构建的二次曲线方程模型效果最优,建模和验模R2分别为0.912和1.000,RMSE为2.848,RE为4.38%。与提取的13种植被指数相比,基于RSI指数二次曲线回归模型为估算叶绿素含量的最佳模型,并且模型预测值和实测值之间的符合度较高R2=0.843,表明基于波段优化算法的优化光谱指数RSI能更好的预测棉花叶片叶绿素含量。     

基于数码影像的香樟树叶片叶绿素分布可视化研究

叶绿素含量是植物生长的重要指标。为了快速、无损地测定香樟树叶片中叶绿素含量分布情况,本研究基于数码相机和Field Spec 4便携式地物光谱仪2种不同传感器,对比分析了颜色参数和光谱与SPAD值的关系,分别建立了多种定量预测模型,并且借助图像处理软件,实现了基于数码影像香樟树叶片SPAD值的可视化。结果表明:红光和R720波段分别是数码相机和光谱仪对SPAD值最敏感的波段;光谱指数可以提高光谱与SPAD值的相关性,而且以红光和蓝光波段组合的差值指数(R-B和DI)相关性水平最高;R-B所建香樟树叶片SPAD值预测模型的均方根误差RMSE为3.9736,预测精度R~2为0.6197;而DI构建的模型对SPAD值的预测能力比R-B高,其均方根误差为2.002,且精度最高(R~2=0.7338)。基于数码影像的香樟树叶片SPAD值分布图在一定程度上可以有效描述叶片叶绿素分布状况,进而判断香樟树的生长情况。因此,可以利用数码相机的颜色参数监测香樟树叶片叶绿素含量及分布状况。     

基于光谱特征参数的琯溪蜜柚叶片叶绿素含量估算

[目的]利用光谱特征参数建立蜜柚叶片叶绿素含量估算模型,为实现快速、无损、精确的叶绿素含量估算提供理论依据和技术支持.[方法]通过提取原始光谱及一阶微分光谱特征波段和光谱特征变量,分析蜜柚叶片高光谱特征参数与叶绿素相对含量(SPAD)值之间的相关关系,构建单变量估算模型和多元回归模型,并确定蜜柚叶绿素含量的最佳估算模型...     

基于小麦冠层近地多光谱图像的叶绿素(SPAD值)估测方法

选择山东省泰安市山东农业大学实验田为研究区,利用ADC便携式多光谱相机和SPAD-502叶绿素计采集该区泰农18和山农15两个品种小麦越冬期、返青期、起身期冠层近地多光谱图像和SPAD值,构建不同生育期小麦的归一化植被指数(NDVI)与SPAD值的线性、对数、乘幂、指数、二次函数5种模型,进而优选小麦叶绿素含量最佳估测模型。结果显示:泰农18和山农15两个小麦品种不同时期的SPAD值与NDVI值均具有极显著相关关系(P0.01),相关系数在0.797~0.915之间;泰农18小麦冠层SPAD值估测最佳模型为y=68.585x0.5841,山农15小麦冠层SPAD值估测最佳模型为y=124.4x~2+23.212x+44.973。该研究探索了基于近地多光谱数据的小麦叶绿素含量估测方法,为小麦叶绿素含量估测及营养诊断提供了一种快速有效的技术方法。     

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。     

苹果叶片高光谱特性与叶绿素含量和SPAD值的关系

以礼富一号和嘎啦苹果为材料,分别测量了叶片的光谱反射率、SPAD值和叶绿素含量,分析了叶片的SPAD值和叶绿素含量与微分光谱之间的相关性。结果表明,苹果叶片的叶绿素含量与SPAD值呈线性相关,品种间的SPAD值和光谱反射率都存在差异。苹果叶片叶绿素含量的敏感波段位于694 nm。基于敏感波段的微分数值,建立了一阶微分光谱值与苹果叶片SPAD值和叶绿素含量的回归模型,确定系数分别达到0.781 8和0.589 9,为利用高光谱遥感技术反映苹果生长状况的叶绿素信息提供了依据。     

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。     

基于高光谱的苹果盛果期冠层叶绿素含量监测研究

【目的】建立苹果冠层叶绿素含量及冠层光谱特征参量间的定量关系模型,以促进高光谱技术在苹果树精准施肥以及快速、无损长势监测中的应用。【方法】以蒙阴县果园的苹果树为试验材料,连续2年分别测定了苹果冠层光谱反射率和冠层叶绿素（Chl(a+b)）含量,分析了冠层叶绿素含量与光谱反射率之间的相关关系,并计算了400—1 000 nm任意两波段组合而成的RVI、DVI、NDVI和RDVI,分析了它们与冠层叶绿素含量的关系,以逐步回归分析做比较,建立了苹果冠层叶绿素含量监测模型。【结果】结果表明,以单变量估算叶绿素含量的最佳光谱指数为NDVI(975,742),相关系数为0.5093。利用多元逐步回归建立的苹果冠层叶绿素含量最佳监测模型为Y=-0.56(log1/R)771-0.48(log1/R)1978 +0.20(log1/R)2407 -0.10(log1/R)2440+4.749。【结论】用多元逐步回归方法建立的模型来监测苹果冠层叶绿素含量效果较好,为利用高光谱技术监测苹果生长状况提供了理论依据。     

甜菜叶片SPAD值和光和色素的相关性研究

为明确甜菜叶片SPAD值与光合色素含量的关系,以期为甜菜氮素营养诊断奠定提供理论基础。通过测定不同甜菜品种苗期叶片SPAD值、叶绿素a、叶绿素b、叶绿素总含量及类胡萝卜素含量,分析品种间SPAD 值、叶绿素含量的差异以及SPAD值分别与不同光合色素的相关性。结果表明：甜菜叶片叶绿素a含量>叶绿素b含量>类胡萝卜素含量,不同光合色素及SPAD值品种间存在差异。叶片SPAD值与光合色素呈正相关,其中总叶绿素含量与SPAD值的相关性最高,r=0.7766;叶绿素a、叶绿素b含量与 SPAD 值的相关性次之,而类胡萝卜素与SPAD值的相关性最低,r=0.5704。因此利用SPAD值来预测甜菜叶片叶绿素含量是可行的,为甜菜生产中快速无损地进行植株营养诊断提供了理论依据是可行的。     

基于数字图像技术的冬小麦不同施氮处理颜色特征分析

利用HSI颜色模型研究大田条件下不同施氮处理冬小麦群体数字图像的颜色特征,分析其与叶绿素含量、产量以及吸氮量之间的关系。结果表明:在孕穗至灌浆期前冬小麦群体的色调值H与叶片叶绿素含量(SPAD)存在显著的相关关系;从冬小麦群体色调值H的动态变化看,当生育前期监测到H由峰值开始下降时,可判断进入抽穗期,而生育后期H出现迅速下降时则表明冬小麦群体开始进入灌浆成熟期,数字图像的颜色特征能够反映冬小麦的生育进程;孕穗-开花期间H可以较好的反映作物产量,并建立了H值与冬小麦地上部生物量、籽粒产量之间的线性方程。     

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。     

小麦条锈病单叶片光谱和叶绿素含量关系分析

为了利用遥感监测小麦条锈病,研究条锈病侵染后小麦单叶光谱和叶绿素含量变化,人工接种条锈病菌在小麦幼苗上,测得接种1～24d的光谱和叶绿素含量,将其叶绿素含量与光谱及其一阶微分做相关性分析,利用光谱微分参数进行方程的模拟。接种1～12d,感染条锈病的叶片叶绿素含量与原始光谱及其一阶微分光谱在可见光波段呈负相关关系,接种13～24d,两者在可见光波段呈正相关的关系。接种后1～12d的方程模拟中以SDb为变量的模型为最佳模型,接种13～24d的方程模拟中以SDr/SDg为变量的模型为最佳模型,说明可利用光谱参数进行条锈病侵染小麦的早期监测。