基于高光谱数据的滴灌甜菜叶绿素含量估算

为明确甜菜叶绿素含量与高光谱植被遥感的定量关系,探索建立干旱区甜菜叶绿素含量估测模型,即时监测甜菜生长状况,选取新疆滴灌甜菜（Beta356）为研究对象,利用ASD野外高光谱仪在甜菜叶丛快速生长期、块根膨大期与糖分积累期采集各处理反射光谱,并同时测定叶绿素含量,分析原始光谱反射率和一阶微分光谱反射率与叶绿素含量的相关关系,并进一步建立光谱特征参数和敏感波段植被指数叶绿素含量估算模型。结果表明：原始光谱反射率在近红外区（700~1 300 nm）随着氮素水平的增加呈先升高后降低趋势,红边（680~760 nm）也表现出相同趋势,原始光谱反射率在近红外区（700~1 300 nm）随着运筹管理的递进呈现升高趋势,红边（680~760 nm）也表现出相同趋势;原始光谱反射率和一阶微分反射率与叶绿素含量均具有较好的相关性,其最大正相关分别位于902 nm（r=0.574,P<0.01）和676 nm（r=0.843,P<0.01）附近,最大负相关分别位于611 nm（r=-0.664,P<0.01）和1 138 nm（r=-0.727,P<0.01）附近。对所建12个线性模型进行精度检验,其中差值植被指数DR₆₇₆–DR₄₄₆和DR₆₇₆估算模型的预测值与实测值的决定系数分别达到0.774和0.781,以DR₆₇₆所建立的估算模型最优。本研究为快速无损监测甜菜生长状况、制定氮素管理方案、指导甜菜氮肥管理提供支持。     

马尾松叶绿素含量与高光谱数据相关性分析

利用高光谱技术,探索马尾松反射光谱与其叶绿素含量之间的相关关系。采用美国ASD公司生产的手持式野外光谱辐射仪测量马尾松冠层光谱,对观测叶片进行同步叶绿素含量测定,并利用统计学分析方法,分析马尾松叶绿素含量与原始光谱、一阶微分光谱、植被指数的相关关系,结果表明:马尾松光谱与叶绿素含量最大相关系数位于621 nm和715 nm;通过对13种植被指数与叶绿素含量进行相关分析,表明TCARI与叶绿素含量相关性最大,其次是PVR、SRPI。从而说明下一步可以选择621 nm和715 nm以及TCARI进行马尾松叶绿素含量的高光谱反演研究。     

不同生育期核桃树冠层叶绿素含量高光谱估算研究

无损、实时、精准地对核桃树冠层叶绿素含量进行高光谱估算,对核桃树生长监测、营养诊断具有重要的指导意义。本研究以连续2年测定126棵核桃树不同生育期冠层光谱反射率及叶绿素含量,分析果实膨大期、果实硬核期、油脂转化期和果实成熟期4个生育期冠层光谱变化规律及叶绿素含量变化特征;在冠层光谱反射率400～1 000 nm范围内计算任意两波段组合生成的RVI、DVI和NDVI指数与各生育期冠层叶绿素含量的相关性,确定各生育期最佳敏感波段组合;基于RVI、DVI和NDVI指数构建不同生育期冠层叶绿素含量估算模型,并用第2年监测数据对估算模型进行精度验证。结果表明:(1)核桃树冠层叶绿素含量随着生育期的推进,呈现先增加后降低的趋势,各生育期叶绿素含量的变异系数和标准偏差存在明显差异,冠层叶绿素含量在油脂转化期最大,果实膨大期最小;(2)从果实膨大期到果实成熟期,在可见光波段冠层光谱反射率与冠层叶绿素含量呈负相关关系,在760～1 000 nm的近红外波段由负相关变为正相关;(3)基于两波段组合生成的RVI、DVI和NDVI指数均在油脂转化期与叶绿素含量相关性最大,估算模型拟合效果更好,且精度更高。其中,RVI指数构建的模型在核桃树中后期估算精度较高,前期较低;DVI指数构建的模型在核桃早中期估算精度较高,后期较低;而基于NDVI指数构建的估算模型,在各生育期对叶绿素含量的估算效果均最为理想,验证精度最高。因此,基于两波段组合生成的NDVI指数构建的估算模型,适用于核桃树整个生育期冠层叶绿素含量的估算研究。     

北疆棉花叶绿素密度的高光谱估算研究

利用非成像高光谱仪,对4水平种植密度下的2个北疆棉花品种在5个关键生育时期进行冠层光谱测定,分析棉花反射光谱及微分光谱生育期的变化规律,并对棉花冠层叶绿素密度(CH.D)与光谱数据进行回归分析,结果表明,近红外729 nm波段处一阶微分光谱数值与CH.D高度相关(r=0.937 2**,n=20),用此波段建立的CH.D估算模型,精度达84.3;,标准差为0.234g/m2,RMSE=0.156 9.研究表明,可以用高光谱数据对新疆棉花冠层CH.D进行遥感估算.     

基于高光谱特征参数的樟树叶绿素含量的估算模型研究

叶绿素在植物的生理生态过程中非常重要,而高光谱遥感的快速发展使得定量估算植被叶绿素含量成为可能.采用美国ASD公司生产的野外光谱辐射仪测量樟树幼林的叶片光谱,对观测叶片进行了同步叶绿素含量的测定.利用基于光谱位置变量的分析方法,分析樟树叶片光谱与叶绿素含量之间的关系.结果表明:樟树幼林叶绿素含量与Db,Rg,Rg/Ro,(Rg-Ro)/(Rg+Ro)之间的相关程度很高,相关系数达到极显著检验水平;通过建立特征参数与叶绿素含量之间的估算模型,并进行精度检验,得出了叶绿素含量估算的高光谱模型为y=exp[1.356+(-361.973)Db].说明利用高光谱遥感数据可以估测樟树幼林的叶绿素含量.     

冬小麦冠层水平叶绿素含量的高光谱估测

【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测,旨在为叶绿素含量快速准确估测提供参考。【方法】利用ASD便携式野外光谱仪和SPAD-502叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量,并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析,建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型,并进行检验,从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦(抽穗期)叶绿素含量估算模型拟合精度优于其他4种估算模型,决定系数R2分别为0.847和0.572,均方根误差RMSE分别为0.397和0.697,相对误差RE分别为61.0%和119.0%,拟合精度优于其他4种估算模型。【结论】原始光谱一阶导数的偏度和峰度作为自变量能很好地估测抽穗期小麦冠层叶绿素含量。     

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％.     

基于实测光谱的红花叶绿素含量高光谱估算模型研究

通过分析红花(Carthamus tinctorius L.)原始光谱、变换光谱以及其他25种应用最普遍的高光谱参数与其叶绿素含量的相关性,并选择每个生长期与红花叶绿素含量相关性较好的高光谱指数和波段,建立不同生长期红花叶绿素含量的线性、抛物线、指数和对数模型,并用RMSE评价模型精度。最后得出各期的最佳模型:出苗期归一化差异指数(NDI)的抛物线模型具有最大模型精度0.900和检验精度0.932;分枝期黄边幅值(Dy)的抛物线模型精度为0.850,检验模型精度为0.811;始花期444 nm处二阶导数光谱的抛物线模型精度为0.734,检验精度为0.866;终花期798 nm处二阶导数光谱的抛物线模型精度为0.929;成熟期795 nm处二阶导数光谱的指数模型精度为0.904,检验精度为0.868。     

107杨叶片叶绿素含量高光谱反演的研究

利用Field-Spec Pro测定107杨叶片光谱特征参数,研究不同叶绿素含量的107杨叶片的光谱特性、叶绿素含量与11种植被指数之间的关系以及107杨叶片叶绿素含量的光谱反演模式。结果表明:1)光谱反射率呈现典型的植物光谱特征,蓝紫谷位于350~500nm之间,其中多集中在350nm处;绿峰位于500~600nm之间,其中大部分集中在552nm处;红谷位于600~700nm之间,多集中在672nm处。700nm后进入近红外高反射平台,以762nm居多;2)107杨叶片叶绿素含量与11种植被指数之间均具有很强的相关性,其中mND705植被指数与叶片叶绿素含量相关性最强,R2为0.69;3)基于植被指数建立叶绿素反演模型,结果显示mND705植被指数的高光谱反演模型y=0.09x1.621 7反演精度较高,拟合R2和预测R2均达到最大,分别为0.812 4、0.703 5;均方根误差最小,为0.007 0,说明可以利用测量107杨叶片光谱的方法来监测叶片叶绿素含量。     

塔里木河流域上游天然胡杨叶片叶绿素与可见光-近红外光谱反射率的相关性研究

采用ISI921VF-512野外地物光谱辐射计实地测量了塔里木河上游天然胡杨5月至10月叶片可见光-近红外波段光谱反射率以及叶绿素含量,比较了不同月份间叶绿素含量的差异,并对叶绿素含量与光谱反射率进行了相关分析.研究结果表明:不同月份之间胡杨叶片叶绿素a、叶绿素b、叶绿素a+b含量差异极显著(p＜0.01),叶绿素含量最高的月份是8月,最低的月份是10月;胡杨叶片的可见光-近红外波段反射光谱与绿色植物的反射光谱曲线是一致的,不同波长位置的光谱反射率与叶绿素含量的相关性因波长不同而存在明显差异.在510 ～ 710 nm,胡杨光谱反射率与叶绿素含量之间呈极显著负相关,其中645nm处的相关系数最低(r在-0.45～-0.35之间);在415 ～510 nm和710～920 nm,胡杨光谱反射率与叶绿素含量之间呈极显著正相关,其中769 nm处相关系数最高(r在0.34～0.41之间).645nm和769 nm是两个具有特殊意义的波长位置,用于指示胡杨叶片叶绿素与反射率的相关性.     

牧草叶绿素含量与蛋白质含量的相关性研究

为探讨牧草中叶绿素含量和蛋白质含量的相关性,分别测定了苜蓿、聚合草、串叶松香草3种牧草初花期的叶绿素含量和蛋白质含量,并采用Duncan’s新复极差法进行多重比较分析。结果表明:不同牧草品种间的蛋白质含量和叶绿素含量存在差异,牧草叶绿素a、b、a+b含量及a/b间存在一定的相关性,苜蓿、聚合草、串叶松香草中蛋白质含量与叶绿素a含量、叶绿素a/b显著相关,从综合效应看,其相关系数分别为0.624、0.677。表明,影响牧草蛋白质合成的最主要因素是叶绿素a/b,其次是叶绿素a含量,叶绿素b含量影响较小。     

基于氮素叶绿素关系的冬小麦籽粒蛋白质含量高光谱反演

为进一步提高光谱数据反演小麦籽粒蛋白质含量的精度以及反演模型的可解释性,研究以籽粒蛋白质含量（GPC）-氮素-叶绿素之间的关系为载体,通过叶绿素筛选相关植被指数,采用偏最小二乘回归（PLS）方法建立GPC反演模型。结果表明,开花期是监测籽粒蛋白质含量的最优时期。开花期氮素与对应密度叶绿素的相关性较高。通过筛选出与叶绿素密切相关的植被指数,利用PLS建立籽粒蛋白质含量反演模型,模型决定系数R2为0.77,RMSE为0.95%,用其他年份数据进行模型验证,结果显示RMSE达到1.22%。本研究表明：基于氮素、叶绿素关系建立PLS反演模型能够实现不同年份GPC光谱遥感反演,且模型在年际间表现出较高的精度和稳定性。     

基于EFAST方法的苹果叶片叶绿素含量估算

为了快速、准确地估算叶绿素含量,使用2012年和2013年在山东省肥城市潮泉镇获取的整个生育期苹果叶片叶绿素含量和配套的光谱数据,利用PROSPECT模型和EFAST方法探讨了对叶绿素含量敏感的波段,然后采用经验统计方法实现了单波段高光谱对苹果叶片叶绿素含量的监测。结果表明:以571 nm和697 nm波段光谱参数为自变量所建立的估测模型拟合精度较高,其决定系数(R2)分别为0.71和0.69,均方根误差(RMSE)分别为1.14、1.17 mg/dm~2,相对误差(RE)分别为-1.07%和-1.01%。以PROSPECT模型和EFAST方法整合筛选的敏感波段建立的估算模型监测叶绿素含量效果较好,为利用高光谱技术监测苹果长势提供了理论依据。     

基于成像高光谱的小麦叶片叶绿素含量估测模型研究

为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用。采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型。经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2 094.242R'7153+112 646.744R'7152-1.561E7R'715+42.991。这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高。     

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。     

加工番茄叶绿素密度与高光谱数据的相关分析

[目的]分析加工番茄高光谱数据与叶绿素密度的相关关系,为加工番茄生育期生长状况的实时、无损、快速的遥感监测提供理论依据.[方法]通过非成像ASD地物光谱仪获取加工番茄两个品种四个氮素水平冠层关键生育时期的反射光谱,与其相应的冠层叶绿素密度(CH.D)进行逐步回归相关分析.加工番茄冠层CH.D分别在其近红外反射光谱757 nm波段处和红光677 nm波段处的相关系数达最大值(rp757 -CH.D=0.7521**,rp677 -CH.D=-0.8437**,n=44,α=1;);采用这两个波段的反射率分别组成了归一化植被指数(NDVI)和比值植被指数(RVI),建立与加工番茄CH.D的5种线性和非线性的相关模型.[结果]NDⅥ和RVI所构建的加工番茄CH.D的双曲线函数模型的相关性和精度最高,再采用这两个植被指数的双曲线函数模型分别对加工番茄CH.D进行估算,它们的实测CH.D与估测CH.D的相关性均达到极显著检验水平(r实测CH.D-NDVI估测的CH.D -NDVI=0.8041**,r实测CH.D-RVI估测CH.D- RVI=0.8094**,n=44,α=1;),估算精度均为86.6;.[结论]利用高光谱植被指数可以精确提取加工番茄冠层叶绿素密度信息并对其进行遥感估算研究.     

西葫芦叶片SPAD值与叶绿素含量相关性分析

为了探讨西葫芦叶片SPAD值与叶绿素含量之间的相关性,采用SPAD叶绿素仪和酒精-丙酮浸提法对西葫芦叶片的叶绿素含量及SPAD值进行测定。结果表明,4种西葫芦叶片的叶绿素a、叶绿素b和总叶绿素含量与SPAD值的相关性均为极显著。就SPAD值与叶绿素a的相关性而言,板栗西葫芦的最佳数学模型为y=0.8252e0.0109x(r=0.8057**),盛玉306的最佳数学模型为y=0.2719e0.0344x(r=0.8854**);丰抗早的最佳数学模型为y=0.6186e0.0173x(0.7831**);香蕉西葫芦的最佳数学模型为y=0.9181 ln(x)-2.1481(r=0.7901**)。就SPAD值与叶绿素b的相关性而言,板栗西葫芦的最佳数学模型为y=0.6069e0.0081x(r=0.7845**);盛玉306的最佳数学模型为y=0.6069e0.0081x(r=0.6473**);丰抗早的最佳数学模型为y=0.4712e0.0129x(r=0.7868**);香蕉西葫芦的最佳数学模型为y=0.7384 ln(x)-1.886 9(r=0.8357**)。就SPAD值与叶绿素总含量的相关性而言,板栗西葫芦的最佳数学模型为y=1.4989e0.009x(r=0.8095**);盛玉306的最佳数学模型为y=0.5225e0.0309x(r=0.8200**);丰抗早的最佳数学模型为y=1.0843e0.0156x(r=0.7989**);香蕉西葫芦最佳数学模型为对数函数y=1.6565 ln(x)-4.0349(r=0.8154**)。     

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。