稻瘟病胁迫下水稻叶片叶绿素含量与光谱特征参数的相关性研究

为实现受稻瘟病侵染水稻叶片叶绿素含量的高光谱反演,以‘陵两优268’为研究对象,测定受稻瘟病侵染的85个水稻叶片样品的叶绿素含量和高光谱反射率,分析受稻瘟病侵染的水稻叶片高光谱反射率与叶绿素含量间的相关关系,使用线性与非线性回归技术建立叶绿素含量反演模型。结果显示:叶绿素含量与原始光谱及一阶导数光谱的敏感波段分别发生在700 nm和752 nm,基于光谱特征参数SDr的回归模型均方根误差为1.27,平均相对误差为10.2%。研究表明受稻瘟病侵染水稻叶片光谱反射率差异明显,基于光谱特征参数SDr的回归模型预测叶绿素含量具有较高的精度。     

基于高光谱的水稻土有机质含量估算研究

利用高光谱技术可实现土壤有机质含量的快速、精确反演。然而运用不同的光谱预处理算法及建模方法获取的模型预测精度及稳定性不同。为了选取最佳土壤有机质估算模型,本研究应用ASD波谱仪测定河南省潢川县水稻土的光谱数据,比较使用2种建模方法组合18种光谱预处理转换算法建立模型的反演效果。对于多元逐步回归模型和偏最小二乘模型,使用SGF3-2预处理算法均获得了最佳的预测效果,所建模型具有较小的误差和较高的精度。相比使用多元逐步回归法,使用偏最小二乘回归法可以获取更稳定的预测模型。运用偏最小二乘模型结合SGF3-2预处理算法得到了最佳的水稻土有机质含量估算模型,模型预测均方根误差RMSEv=0.036,决定系数Rv2=0.89。选择最佳的建模方法结合预处理算法,可以改进模型反演精度。本研究对比的不同方法也可以应用到类似的土壤模型选取中。     

利用叶片高光谱指数预测水稻群体叶层全氮含量

通过测定叶片高光谱来快速估测整个水稻叶层全氮含量对于水稻氮素诊断有重要意义。本文通过连续3年不同施氮水平和不同品种类型的4个大田试验,分生育期同步测定了不同叶位叶片的高光谱反射率及叶层全氮含量,并系统分析了叶片水平多种高光谱指数与水稻叶层全氮含量的定量关系。结果表明,不同叶位叶片的光谱反射率与叶层全氮含量的相关程度不同,顶二叶(L2)表现最好、顶三叶(L3)次之,而L2和L3的平均光谱(L23)有助于进一步提高光谱指数的敏感性,是估测叶层氮含量的适宜叶位组合。绿光560nm和红边705nm波段附近光谱反射率与叶层全氮含量呈极显著负相关关系,两者分别与近红外波段组合而成的光谱比值指数可较好地监测水稻叶层全氮含量,其中绿光、红边窄波段比值指数SR(R780,R580)和SR(R780,R704)表现较好,与叶层全氮含量的决定系数分别为0.887和0.884;独立试验数据检验的RMSE分别为0.216和0.235。将上述2个窄波段比值指数中的近红外、绿光波段和红边波段宽度分别扩展至100、20和10nm,从而构建的宽波段比值指数SR[AR(750-850),AR(568-588)]和SR[AR(750-850),AR(699-709)]与叶层全氮含量相关性仍具有较高水平,线性回归模型的拟合精度(R2)为0.886和0.883,检验RMSE值分别为0.218和0.237。从而在叶片水平,确立了适于叶层全氮含量估测的基于绿光、红边与近红外波段的比值组合和波段适宜宽度。     

基于无人机多光谱影像的水稻冠层SPAD值预测研究

比较筛选水稻冠层SPAD值估测模型，为无人机多光谱遥感反演水稻SPAD值提供依据。利用无人机获取水稻拔节期、抽穗期、乳熟期的冠层多光谱影像，选取7种常用的植被指数，利用3种回归方法建立基于植被指数的水稻叶片SPAD值反演模型。结果表明，在不同生育期与水稻叶片SPAD值相关系数最高的植被指数不相同，拔节期最高的是GNDVI，抽穗期最高的是CI_Green，乳熟期最高的是CI_Rededge。抽穗期是水稻叶片SPAD值反演的最佳时期，模型具有较好的建模精度和估测效果，其中多元线性回归的建模精度较高，偏最小二乘回归模型的估测效果最好。试验结果可为水稻长势的实时无损监测提供参考。     

水稻叶片叶绿素含量与吸收光谱变量的相关性研究

采用小区试验研究了水稻叶片叶绿素含量与吸收光谱衍生变量的相关性。结果表明：拔节期、抽穗期和灌浆期是水稻叶片诊断的敏感时期;选择最佳的敏感波段组合构造衍生变量,利用光谱衍生变量反演水稻叶片叶绿素含量。发现：在抽穗期和灌浆期,对数相加模型的反演能力明显优于SPAD值的反演能力。SPAD值的反演能力仅在拔节期略优于对数相加模型的反演能力,说明用每个生育期的相应敏感光谱波段对数相加能更加准确地估测叶绿素含量。本文为进一步改进SPAD-502的测量性能提出一些探索性研究。     

基于全波段高光谱的冬小麦生长参数估算方法比较

利用高光谱数据监测作物生长情况具有无损和高效的特点,是现代农业的发展方向。为了简化高光谱数据处理流程,直接利用原始的高光谱反射率完成从建模到估算作物生长参数的全过程,应用于作物长势的实时监测。本文利用偏最小二乘回归（partial least squares regression,PLSR）、支持向量回归（support vector regression,SVR）和前馈神经网络（feedforward neural network,FNN）3种方法,利用全波段高光谱数据分别对冬小麦多个关键生育期（拔节、孕穗、扬花和乳熟期）生长参数（地上部生物量、叶面积指数、全氮含量和叶绿素浓度）进行了估算。比较3种方法的建模及估测效果,发现对于建模集数据,SVR对上述生长参数4个生育期的估测结果R²均值为0.89~0.98,MAPE为1.70%~7.53%,对于验证集数据,R²均值为0.90~0.94,MAPE为4.04%~7.46%,拟合优度和估测精度均超过PLSR和FNN,是估算方法中利用全波段光谱反射率估测冬小麦生长参数的最佳方案。随着无人机载高光谱技术成熟,SVR方法能够用于处理航拍获取的大范围田间高光谱信息,简便快捷地进行建模与参数反演,实时反映作物生长状态。     

基于无人机高光谱影像的玉米地上生物量反演

【目的】研究以玉米地上干生物量为研究对象,探讨基于无人机高光谱数据利用人工神经网络法反演生物量的可行性。【方法】在吉林省蔡家镇开展玉米氮肥梯度试验,并进行无人机高光谱数据和地上干生物量获取,共获数据30组。随机选22组数据用于建模,剩下8组用于模型的外部验证。分别基于光谱指数法和BP神经网络算法构建反演模型,比较分析各种方法反演玉米生物量的优劣。【结果】结果表明：和基于光谱指数构建的生物量反演模型相比,BP神经网络模型取得了更好的反演结果。其建模时决定系数为0.99均方根误差为0.08 t/ha,相对均方根误差为3.39%;外部验证时,决定系数为0.99,均方根误差为0.15 t/ha,相对均方根误差为8.56%。【结论】BP神经网络模型可有效提高无人机高光谱遥感反演玉米地上生物量的精度。     

基于无人机多光谱的华北平原花铃期棉花叶片SPAD建模方法研究

华北平原地区棉花叶片SPAD光谱特征有待探明,其最适宜建模方法亦有待研究。笔者针对华北平原棉区,基于无人机多光谱探索其叶片SPAD光谱特征和最佳建模方法。以德州市夏津县大李庄棉区为研究区,利用无人机获取棉花花铃期的多光谱图像,同步测定棉花叶片SPAD值;对原始光谱进行预处理并组合构建光谱指数,进而采用相关分析筛选出6个棉花SPAD特征光谱指数;分别采用BP神经网络(BPNN)、多元逐步回归(MSR)和支持向量机(SVM)方法构建棉花SPAD值定量分析模型,并对模型验证、对比,优选最佳模型和建模方法,进而定量分析研究区棉花叶片SPAD空间分布。结果表明:棉花叶片SPAD的特征波段为红光和红边波段;入选模型的特征光谱指数为r、r*reg、(reg-r)/(reg+r)、r-g、r/g、$\sqrt{r^{2}+g^{2}}$;对比3种建模方法,BPNN模型精度最高,其建模集R²、RMSE分别为0.747、4.568,验证集R²、RMSE、RPD分别为0.758、4.142、2.135,确定为棉花叶片SPAD的最佳模型。基于BP神经网络模型进行棉花叶片SPAD的空间分布反演,反演值与实测值具有高度一致性,拟合结果较好。BP神经网络可以作为基于无人机多光谱的华北平原棉花叶片SPAD建模的优选方法,该研究可促进棉田定量遥感和棉花长势监测。     

小麦籽粒蛋白质含量高光谱预测模型研究

为定量分析小麦籽粒蛋白质含量、叶片氮素营养指标、冠层高光谱参数的相互关系,确立能够准确预测小麦籽粒蛋白质含量的敏感光谱参数和定量模型,2003—2006年在连续3个生长季不同小麦品种和不同施氮水平的4个大田试验条件下,于小麦不同生育期采集田间冠层高光谱数据并测定植株氮素含量和籽粒蛋白质含量。试验1以低蛋白质含量的宁麦9号和高蛋白质含量的豫麦34为材料,试验2以低、中、高蛋白质含量的宁麦9号、扬麦12和豫麦34为材料,试验3以低蛋白质含量的宁麦9号、中蛋白质含量的扬麦10号和淮麦20以及高蛋白质含量的徐州26为材料,试验4以低蛋白质含量的宁麦9号和中蛋白质含量的扬麦10号为材料。结果显示,不同品种小麦的籽粒蛋白质含量随施氮水平的提高而增加,可以通过开花期叶片氮含量和氮积累量进行可靠的估测。而不同试验条件下的叶片氮含量和氮积累量可以基于统一的光谱参数进行定量反演,其中基于REPle和mND705的叶片氮含量监测模型及基于SDr/SDb和FD742的叶片氮积累量监测模型,具有可靠的预测性和适用性。根据特征光谱参数—叶片氮素营养—籽粒蛋白质含量这一技术路径,以叶片氮素营养为交接点将两部分模型链接,建立了基于开花期高光谱参数的小麦籽粒蛋白质含量预测模型,经独立资料检验表明,以参数mND705、REPle、SDr/SDb和FD742为变量建立成熟期籽粒蛋白质含量预报模型均给出较好的检验结果。因此,利用开花期关键特征光谱指数可以直接评价小麦成熟期籽粒蛋白质含量状况,其中基于mND705参数的预测模型更为准确可靠。     

桃树叶片氮素含量的高光谱遥感监测

通过设计试验分析用桃叶片反射率光谱预测其氮素含量,以及用光谱特征值与氮素含量建立相关模型的可能性。探讨采用光谱分析手段预测果树氮元素含量的精度及应用潜力。对桃树鲜叶的光谱反射率（Rλ）以及叶片全氮（TN）含量进行测定,并对氮素含量与Rλ及其多种变式数据（1/Rλ、log Rλ、d Rλ）的相关性进行分析,找出与氮素含量相关性最强的光谱数据形式;采用逐步回归法,对氮素和与其相关性最强的光谱数据形式进行回归分析,得到入选波长;利用入选的波长,进行基于最小误差平方和的回归建模。结果表明,可以由叶片的精细光谱特征,特别是利用d Rλ作为因子,较好地反映出氮素含量,从而为进一步探讨利用高光谱遥感探测叶片化学组分提供参考。     

Estimation of litchi (Litchi chinensis Sonn.) leaf nitrogen content at different growth stages using canopy reflectance spectra

The estimation of crop nitrogen status in fresh vegetation leaf using field spectroscopy is challenging due to the weak responses on leaf/canopy reflectance and the overlapping with the absorption features of other compounds. Although the spectral indices were proposed in the literature to predict leaf nitrogen content (LNC), the performance of selected spectral indices to estimate the LNC is often inconsistent. Moreover, the models for nitrogen content estimation changed with the growth stage. The goal of this study was to evaluate the performance of published indices, ratio of data difference index (RDDI) and ratio of data index (RDI) developed by band iterative-optimization algorithm in LNC estimation. The correlation analysis, linear regression and cross validation were used to analyze the relationship between spectral data and LNC and construct the best performed estimation model. The study was conducted by the data of five growing seasons of litchi from the orchards in Guangdong Province of China. Results showed that the relationship between chlorophyll (Chl) related spectral indices and LNC varied with the growth stage. Even in flower bud morphological differentiation stage and autumn shoot maturation stage, there were not significant correlations between the proposed spectral indices and LNC. Besides it is difficult to estimate the LNC by the general model across the growth stages due to the integrated effects of cultivar, biochemical, canopy structure, etc. The band iterative-optimization algorithm can improve the sensitivity of spectral data to LNC to some extent. The optimal RDDI performed better than other indices for the synthetic dataset and the dataset in each growth stage. And the sensitive bands selected in the optimal indices at each growth stage are not consistent, which are not only related to the Chl absorption but also other biochemical components, such as starch, lignin, cellulose, protein, etc. In general, the LNC can be estimated by the optimized CR-based RDDI indices in autumn shoot maturation stage, flower spike stage, fruit maturation stage, and flowering stage with the R² > 0.50 and RMSE < 0.14. Although there were the significant relationship between RDIs and RDDIs in flower bud morphological differentiation stage, the highest R²s of the model developed by RDDIs and RDIs were less than 0.50 in cross validation. This study indicated that the applicability of canopy reflectance to estimate litchi LNC was closely related to the growth stage of litchi. Growth stage-specific models will be preferred for estimating litchi LNC estimation.     

机器学习在农作物品种识别中的应用研究进展

机器学习在图像识别领域的成功应用,为农作物品种的自动识别提供了一种新的思路。为了全面了解机器学习在农作物品种识别中的应用现状,把握农作物品种识别的发展趋势和研究方向,本文归纳了农作物图像的常用获取方法,分析了光谱图像和RGB图像结合机器学习方法识别农作物品种的研究现状。基于RGB图像进行农作物品种识别研究起步较早,图像获取成本较低,识别率一般;基于高光谱图像进行农作物品种识别研究近年来发展迅速,识别精度较高,但图像获取成本较高,且易受环境因素影响。通过总结,指出了农作物品种识别研究中存在的问题,认为深度学习在农作物品种自动识别上具有广泛的应用前景     

水稻穗部氮素含量高光谱估测研究

氮素是影响水稻生长发育的主要营养元素之一,稻穗生长与氮素营养息息相关。本研究利用高光谱技术测定了稻穗的全氮含量并进行了相应的分析,结果表明：稻穗全氮含量与冠层光谱反射率在近红外波段760~1 300nm呈极显著负相关关系,稻穗全氮含量与光谱特征指数λb、SDr、SDr/SDb、DVI的相关性较好,并建立了相应的估算模型。经独立的实测数据检验可知,基于SDr/SDb与DVI指数组合所建线性回归模型y=2.075+0.001x₁-2.952x₂估测稻穗全氮含量效果最好。上述结果为稻穗营养元素的快速诊断提供了新的手段。     

随机森林方法在玉米-大豆精细识别中的应用

研究基于遥感影像的作物精确识别技术方法, 对获取作物分布信息具有重要意义。随机森林分类(random forest classification, RFC)是机器学习的一种, 本文使用Landsat-8 OLI卫星影像数据, 针对研究区内的大豆、玉米和其他地物等3种主要作物类型, 系统比较了该方法与较为成熟的最大似然分类(maximum likelihood classification, MLC)、支持向量机分类(support vector machine, SVM)方法的分类精度。结果表明, MLC、SVM、RFC的总体分类精度分别为91.68%、91.49%、94.32%, Kappa系数分别为0.87、0.87、0.91, RFC方法作物识别精度比MLC和SVM分类显著提升。对原始7波段影像进行主成分变换(principal component analysis, PCA), 提取前4个主成分分量, 同时计算归一化植被指数(normalized difference vegetation index, NDVI)和归一化水体指数(normalized difference water index, NDWI), 将6个额外辅助特征波段叠加到原始7个波段影像上进行再次分类, MLC和SVM方法作物识别精度未有提升, RFC方法总体精度提高了1.49个百分点, Kappa系数提高0.03, 精度提升幅度有限, 主要原因是6个辅助波段在类型识别中作用较小。在分类耗时上, MLC、SVM、RFC分别为145 s、11 000 s、1800 s, 表明随机森林分类具有最好的分类精度和适中的耗时。综合评价后, 随机森林分类方法在进行大豆-玉米精细识别中具有较大优势, 具有业务应用的潜力。     

棉花叶绿素密度和叶片氮积累量的高光谱监测研究

利用非成像高光谱仪,获取棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,应用光谱多元统计分析技术,研究表明,棉花冠层叶绿素密度（CH.D）和叶片氮积累量（LNA）分别在反射光谱762 nm和763 nm处的相关系数达最大值（R_CH.D= 0.8845**和R_LNA= 0.7870**,n = 47）;而一阶微分光谱数据对CH.D、LNA最敏感的波段均发生在750 nm处(R_CH.D= 0.9098**和R_LNA = 0.9164**,n = 47);采用47个建模样本的一阶微分光谱750 nm处的数值与棉花冠层CH.D建立线性相关模型方程,估算47个检验样本的棉花冠层CH.D,再根据CH.D与LNA建立的线性相关方程估算检验样本的LNA,47个检验样本的实测LNA与估测LNA极显著线性相关（R = 0.8982**,n = 94）,模型方程的估算精度达86.3%,实测值与估算值的R_MSE = 1.0155,相对误差为0.1380。说明基于高光谱数据的棉花冠层叶绿素密度的遥感估测,可以间接用于棉花冠层叶片氮积累量的监测研究。     

计算机视觉技术在水稻氮素营养诊断中应用的研究进展

为探究水稻冠层外观特征与水稻氮素营养状况的关系,综述了应用计算机视觉技术进行水稻氮素营养诊断的基本思路及研究进展。主要分述了常规性水稻氮素营养指标的获取,水稻冠层图像的获取、预处理以及特征的提取与优化,水稻氮素营养诊断模型建立的方法等方面的内容。指出近地面水稻冠层图像的获取方法、水稻图像处理方法、多种综合性特征的优化选择方式都有待进一步研究,应用机器学习进行水稻氮素营养诊断建模的方法需要更加深入探究。今后应加大计算机视觉技术在水稻氮素营养诊断相关研究中的应用,将多种图像处理方法、特征优化选择方法与机器学习建模方法相结合,并探寻更为简便易行的方法进行水稻氮素营养诊断。     

氮素和小麦条锈病胁迫下小麦高光谱遥感估产模型研究

为了构建不同施氮水平和条锈病发病条件下的小麦估产模型,设置了不同氮素水平及人工接种小麦条锈病,通过采用将多个关键生育期的光谱植被指数、一阶微分参数与小麦条锈病病情指数、叶片含氮量、产量构成因子、产量进行相关分析,植被指数、一阶微分参数与产量进行回归分析的方法,研究与产量相关性高的植被指数、微分参数,结果表明分别利用绿光红光比值植被指数(GR)和绿光波段一阶微分值总和(SDg)、蓝光波段一阶微分值总和(SDb)在灌浆期构建的估产模型预测效果较好,2010年预测准确率分别可以达到99.87%、99.98%,2011年预测准确率分别可以达到97.9%和95%。通过试验研究发现高光谱遥感技术在氮素和小麦条锈病双重胁迫下也可以较好的预测产量,这对研究多重胁迫、多种栽培措施下的小麦估产模型有重要意义。