基于车载式冠层光谱传感器的玉米拔节期叶绿素含量诊断

CropspecTM是一种基于735 nm 和808 nm的车载式主动作物冠层光谱传感器,能够快速、无损地检测作物氮素营养状态。为了评价其检测精度,针对农大8号和京农科等2种玉米作物品种,使用该检测系统在拔节期采集作物冠层在808nm和735nm波段处的反射率。然后组合计算了DVI735, NDVI735, PVI735和 RDV735 等常规的植被指数,并基于RVI735构造了一种新的植被指数MRVI735。通过分析各植被指数与叶绿素含量指标SPAD值之间的相关关系得出 :对于农大8号,MRVI735、NDVI735和RVI735与叶绿素含量指标的相关性较好,相关系数分别是:-0.7482、-0.6763和-0.6786,达到强相关水平。对于京农科,NDVI735、MRVI735和RVI735与叶绿素含量指标的相关性较好,相关系数分别是:0.7270、0.7252和0.7245,达到强相关水平。对于2个玉米品种,都分别选取了相关系数最好的一个和两个植被指数为参数,分别建立了一元线性回归模型和二元线性回归模型。农大8号的一元模型和二元模型的R2     

玉米叶片纤维素含量与冠层光谱特征的研究

以株型相近的高赖氨酸玉米“中单9409”、粮饲兼用型玉米“中原单32”和高油玉米“高油115”为供试材料,研究了不同生育时期和冠层中不同高度叶片中纤维素、半纤维素含量的差异及其冠层水平的光谱响应。结果表明：在相同栽培密度和施肥水平下,不同品玉米品种叶片的纤维素、半纤维素含量存在差异,其中以中、上层叶片相差较大,不同品种间同层叶片纤维素含量相差可达34.9%,下层叶片相差较小。通过对同步获取的冠层近红外光谱与叶片中纤维素、半纤维素含量进行相关分析,分别筛选出1420、1450、1490、2100和2270 nm可作为反演纤维素含量的特征波长;而2270、2280和2340 nm可作为反演半纤维素含量的特征波长,达到了显著或极显著水平。     

苹果花期冠层反射光谱特征

苹果花期是果树生产与管理的关键阶段,对冠层反射光谱特征研究具有重要的理论和现实意义。该文以山东省栖霞市为研究区,通过实测的120棵苹果花期冠层反射光谱数据,在分析不同累计样本容量冠层反射光谱特征的基础上,用方差分析和相关分析的方法,系统地研究了苹果树有花与无花、不同花量、花期不同阶段、不同树龄及不同品种的冠层反射光谱特征。研究结果表明,随着累计样本容量的增加,冠层反射光谱曲线趋于稳定、平滑。有花与无花冠层光谱反射率在431～500、591～680、761～1 300 nm波段方差分析结果极显著（α=0.01）;不同花量的冠层与391～513、598～687、711～1 193 nm波段的反射率显著相关（p＜0.05）;在670 nm“红谷”附近,反射率随花量的增加而增大,在近红外761～1 300 nm波段,反射率随花量的增加而减小;不同品种之间,除嘎啦外,红富士、金帅和新红星之间不易区分。研究结果揭示了高光谱遥感在苹果花期信息获取方面的巨大潜力,为今后遥感反演模型的构建提供了依据。     

不同条件下夏玉米冠层反射光谱响应特性的研究

通过对两个年份不同牛育阶段的田间夏玉米活体进行冠层反射光谱测定,该文分析了不同空间尺度、种植密度、观测角度、生育阶段、叶面积指数KAI、氮素胁迫、叶片含水量以及与杂草共生等8个条件下的冠层反射光谱响应特性,并探讨其发生机理,研究结果表明,夏玉米在不同条件下的冠层反射光谱响应均呈现出一定的规律性.在近红外波段,其反射率值随氮肥施用量的增加而增大,尤以750～1350 nm波段,但在可见光波段,反射率值降低;随着观测探头的逐步升高,反射率值降低:随杂草量的增多,反射率值逐渐增大.这些结果揭示了高光谱遥感田间夏玉米理化信息获取的巨大潜力,同时,为以后遥感反演建模提供了依据.     

基于高光谱的夏玉米冠层SPAD值监测研究

开展夏玉米冠层SPAD值监测技术研究,建立叶绿素含量与敏感波段、光谱指数间的定量关系模型,以促进高光谱技术在玉米快速、无损长势监测及水肥精准管理的应用。以小型蒸渗仪夏玉米光谱反射率与植株冠层SPAD值的监测为基础,研究了夏玉米植株冠层光谱信息与SPAD值的响应关系,并优选出监测夏玉米冠层SPAD值的敏感波段与最优光谱指数。结果表明:夏玉米冠层光谱反射率在可见光波段随玉米冠层SPAD值增加而下降,在近红外波段却与之相反;采用原始光谱反射率、一阶微分光谱监测夏玉米冠层SPAD值的最敏感波段分别为700,690nm,与SPAD值的相关性分别为-0.498(p<0.05)和-0.538(p<0.01);而根据多元逐步回归分析获得的最优波段组合由405,408,700nm波段构成;从已报道的73个光谱指数中筛选出与夏玉米冠层SPAD值相关性较高的(SDr-SDb)/(SDr+SDb)、MCARI∥OSAVI、TCARI/OSAVI、SDr/SDb和MTCI等5个光谱指数,光谱指数(SDr-SDb)/(SDr+SDb)与SPAD值的相关性在各生育期均达极显著正相关,且在全生育期相关系数高达0.697(p<0.01),进一步优选出监测夏玉米冠层SPAD值最适宜的光谱指数为(SDr-SDb)/(SDr+SDb);在基于敏感波段、光谱指数和最优波段组合建立的夏玉米SPAD值的回归模型中,按照模拟效果由高到低排序依次为最优波段组合、光谱指数、原始光谱反射率、一阶微分光谱,其决定系数分别为0.777,0.539,0.351,0.282;推荐以(SDr-SDb)/(SDr+SDb)指数构建的二次多项式模型与基于405,408,700nm波段组合建立的线性回归监测模型作为夏玉米植株冠层SPAD值光谱监测适宜模型,且R2大于0.539,RMSE及MAE分别小于6.194和4.702。     

玉米拔节期冠层叶绿素含量多光谱图像检测

为了探索大田玉米冠层叶片叶绿素指标的快速检测方法。采用自主研发的2-CCD多光谱图像成像系统采集了大田玉米拔节期冠层图像,并同步获取了样本叶绿素含量指标SPAD值。对多光谱图像进行了平滑滤波,并基于HSI颜色空间实现了冠层图像的分割。提取了玉米冠层可见光(blue(B),green(G),red(R);400~700 nm)和近红外(near-infrared,NIR,760~1 000 nm)4个波段平均灰度值并计算了平均灰度值计算比值植被指数(RVI,ratio vegetation index)、归一化植被指数(NDVI,normalized difference vegetation index)、修改型二次土壤调节植被指数(MSAVI2,modified soil-adjusted vegetation index)等8种常见植被指数作为图像检测参数。分析了这12个检测参数与叶绿素指标之间的相关性,讨论了图像检测参数的多种组合,建立了叶绿素指标的多元线性回归分析(MLRA,multiple linear regression analysis)模型。研究结果表明:R、G、B波段的平均灰度值与叶绿素指标成较高负相关,相关系数分别为-0.73,-0.71和-0.71,植被指数中相关性较好的是NDVI、MSAVI2和RVI,相关系数分别为0.83、0.81和-0.81。基于这6个参数组合建立的叶绿素指标估算模型拟合度最好,其建模集决定系数为0.79,验证集决定系数为0.71,研究结果为无损检测玉米拔节期叶绿素含量提供了支持。     

玉米苗期冠层多光谱反射率反演与叶绿素含量诊断

为了探索玉米苗期叶片叶绿素含量指标的快速、非破坏性估测方法,该文运用多光谱图像技术对大田玉米苗期叶绿素含量指标进行快速无损的诊断研究。大田试验中,采用2-CCD多光谱图像采集系统获取大田玉米苗期的冠层多光谱图像,并同步采集漫反射灰度板的多光谱图像。为消除光照对图像采集质量的影响,准确将不同光照条件下的玉米冠层图像数据转换为其叶面反射率数据,标定试验中采用一块4个不同灰度级的满足朗伯面条件漫反射灰度板,建立了叶片光谱反射率同图像灰度值之间的线性反演公式,并与大田试验中漫反射灰度板的多光谱图像建立了玉米冠层图像灰度值的校正公式。对玉米苗期冠层多光谱图像进行处理,提取出玉米冠层B、G、R、NIR(中心波长分别为470,550,620,800 nm)4个波段归一化平均灰度值。通过灰度值的校正公式得到校正后的归一化平均灰度值,由线性公式反演出R、G、B、NIR 4个波段的平均反射率值,并计算4种常见光谱植被指数(RNDVI、RNDGI、RRVI和RDVI),采用最小二乘-支持向量回归(LS-SVR)建立植被指数同叶绿素含量指标的拟合模型。结果表明:植被指数RNDVI、RRVI和RDVI和玉米冠层叶绿素含量指标拟合验证集决定系数R2为0.56,达到了较为理想的拟合结果。证明通过漫反射灰度板对玉米冠层多光谱图像建立反射率反演校正模型的方法是可行的,这一方法为快速无损检测玉米苗期叶绿素含量指标提供了支持。     

玉米全氮含量高光谱遥感估算模型研究

该文对不同品种玉米测定了其室内光谱反射率及其对应的全氮含量,采用相关性分析以及单变量线性与非线性拟合分析技术,对全氮含量与原始光谱反射率、光谱反射率一阶微分、一些高光谱特征参数(如红边波长、红边位置以及红边面积等)以及由一阶微分光谱所构建的一些比值植被指数和归一化植被指数之间的关系进行了分析,结果表明：全氮含量与原始光谱在716 nm处具有最大相关系数(r=-0.847),呈极显著负相关,并且基于此波长所构建的对数关系估算模型明显优于线性模型;与光谱反射率一阶微分值在759 nm处具有最大相关系数(r=0.944),呈极显著正相关,并且基于此波长所构建的线性和非线性模型的拟合效果接近;对于所选取的3类高光谱特征变量,全氮含量除了与黄边位置(λy)以及由红边面积和黄边面积所构建的比值植被指数和归一化植被指数的相关性较弱之外,与其余变量均呈极显著相关关系,说明由这些变量对玉米全氮含量进行估算具有可行性;对所建立的各类方程进行精度检验,最终筛选确定由759 nm处的光谱反射率一阶微分值所构建的指数模型作为对玉米全N含量的预测模型最为理想。     

基于敏感波段的小麦冠层氮含量估测模型

为提高小麦冠层叶片氮素含量检测精度,在不同生育时期对5种不同氮素水平的小麦试验田进行光谱采集,获取了234个范围为350~2 500 nm的高光谱数据。在比较蒙特卡洛-无信息变量消除(monte carlo-uninformative variable elimination,MC-UVE)、随机青蛙(random frog)、竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)及移动窗口偏最小二乘法的波段选择等方法的基础上,提出一种竞争性自适应重加权算法与相关系数法相结合的敏感波段选择方法,并从2151个原始波段中选出了30个敏感波段。用筛选后的30个波段数据建立非线性回归模型,得到了径向基神经网络模型校正集均方根误差为0.3699,预测集均方根误差为1.074e-009,校正决定系数为0.9832,预测决定系数为0.9982。试验结果表明:经过竞争自适应重加权采样的相关分析后所建立的径向基神经网络预测模型,无论是预测精度还是建模精度,比误差后向传播(back propagation,BP)神经网络和支持向量回归模型相比都有了显著提高,该方法在小麦氮含量预测过程中具有明显的优势,可在实际生产中应用。     

玉米冠层叶片光谱反射率与玉米长势空间变异的关系

为了寻找一种快捷获取玉米叶绿素空间分布信息的方法,研究了玉米苗期冠层叶片光谱反射率的变化特征,分析了不同生长阶段冠层叶片光谱反射率的空间分布和叶绿素质量浓度的空间分布.研究结果表明:玉米苗期冠层叶片叶绿素的质量浓度空间分布不均匀.冠层叶片的叶绿素质量浓度与光谱指数RVI的相关性较低,与归一化差异植被指数NDV1值和550 nm波段的反射率均有较高的相关性.分析550nm波段的反射率值与冠层叶片叶绿素质量浓度值的相关关系,显示二者成负相关变化趋势,相关系数绝对值在0.69～0.88范围随着生长期的变化而逐渐增大,五叶期前期的相关性系数绝对值达到苗期最大值,表明550 nm波段反射率值能够较好的反映玉米苗期叶绿素质量浓度的水平,分析和掌握550 nm波段反射率值的变化及其空间分布特性对快速监测玉米苗期生长状况,对指导田间施肥具有重要意义.     

基于高光谱的寒地水稻叶片氮素含量预测

为快速、无损和准确地诊断水稻营养状况,开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象,利用高光谱成像技术,分析拔节期水稻叶片光谱,采用全波段高光谱数据、连续投影算法及分段主成分分析(segmented principal components analysis,SPCA)与相关分析(correlation analysis,CA)相结合的方法建立多种回归分析模型,并对模型进行检验和筛选。结果表明:随着施氮水平提高,水稻叶片反射率在可见光区域降低,在近红外区域升高。在校正集决定系数上,基于多元逐步回归分析的全波段模型较好,校正集决定系数为0.821,校正集均方根误差RMSEC=0.079;在预测集决定系数上,基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好,预测集决定系数为0.869,预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。     

基于冠层温度的夏玉米水分胁迫指数模型的试验研究

探讨并建立了适合于中国华北地区夏玉米水分状况监测的作物水分胁迫指数(CWSI)模型。通过不同的田间试验处理和观测,得到了适合夏玉米的CWSI经验模型中的经验关系,且表现明显。该研究建立了不同生育阶段的经验模型,经过初步的检验和分析,认为这一模型是合理的,可以应用于田间的基于冠层温度信息的夏玉米水分状况监测。     

玉米抽穗期雄穗对冠层反射率辐射传输特征的影响

为分析玉米雄穗对冠层可见光、近红外波段辐射传输特征的影响,运用四维轨道塔吊系统获取连续2 a玉米抽穗期的冠层光谱,并在抽穗初期和末期分别进行了3个梯度的剪穗试验,分析玉米抽穗期冠层二向反射率特征以及雄穗干物质含量特征。结果表明：1）比较抽穗期不同时间冠层反射率的模拟值和实测值得出,在抽穗初期实测值高于模拟值,随着生育期的推进,模拟值逐渐高于实测值。但在可见光波段整个抽穗期实测值均高于模拟值,在近红外波段模拟值总体高于实测值。2）分析不同穗梯度冠层二向反射率特征发现,在可见光波段,太阳主平面和垂直太阳主平面方向上,2个散射方向的无穗反射率值在所有观测角度上均最高,1/2穗次之,全穗最低;近红外波段,在太阳主平面方向,3个穗梯度反射率差异不大,但在垂直太阳主平面方向,后向散射方向反射率值总体高于前向散射方向反射率值,且无穗反射率值依然总体高于1/2穗和全穗;在垂直观测条件下得到相同的结果。3）分析PROSAIL模型模拟值和农学参数相关性,得出模拟值与叶绿素含量、叶面积指数在全波段呈显著负相关,无穗实测值和模拟值分别与叶面积指数和叶绿素含量相关性表现一致。4）在玉米整个抽穗期雄穗鲜质量变化差异较大,而干质量变化差异不大。研究可为修正辐射传输模型、提高模拟精度,使之更好地应用于植被理化参数反演提供科学依据。     

冬枣氮素含量预测模型中特征波长选择方法的应用

为了提高近红外光谱法快速测定枣叶氮含量的准确性和鲁棒性。采用偏最小二乘法建立了冬枣叶片氮含量近红外光谱模型。模型的相关系数为0.799,均方根误差为0.055。整个光谱区域包含了许多与冬枣氮含量无关的光谱变量。冗余信息的存在降低了模型的预测性能。所以采用间隔偏最小二乘(IPLS)结合遗传算法和模拟退火算法来选择冬枣叶片氮含量的特征波长。用凯氏定氮法测定冬枣叶样品的氮含量。试验选用15棵枣树,每棵树5个叶片作为试验对象。用于光谱测量的仪器是ASD光谱仪,测试仪在350~2 500 nm波长范围内,光谱分辨率为1 nm。在数据采集前使用了白板进行校正(标准白板反射系数为1),每个样品测量了5次,取平均值作为样品的相对反射率。遗传算法结合间隔偏最小二乘法选取的4个特征波长为685,689,781,783 nm。根据这4个波长,建立了冬枣叶片氮含量近红外光谱模型。模型预测相关系数为0.9175,预测均方根误差为0.063。利用模拟退火算法,建立了7个波长的冬枣叶片氮含量的近红外光谱模型。模型的相关系数为0.9301,均方根误差为0.052。因此,近红外光谱结合光谱选择方法的特点,可以有效地提高模型的精度,使模型更实用。但光谱选择方法的特点并不普遍。基于单波长变量选择的模型更为敏感,更适用于均匀采样。基于波长间隔选择的模型抗干扰能力相对较强,但更适合于不均匀采样。因此,基于状态与模型相结合的特征选择可以更好地应用于模型。     

基于深度学习的玉米拔节期冠层识别

为了满足田间玉米植株快速识别与检测的需求,针对玉米拔节期提出了基于深度学习的冠层识别方法,比较并选取了适于玉米植株精准识别和定位的网络模型,并研制了玉米植株快速识别和定位检测装置.首先拍摄玉米苗期和拔节期图像共计3000张用于训练深度学习模型,针对拔节期玉米叶片交叉严重的问题,提出了以玉米株心取代玉米整株对象的标记策略...     

基于冠层温度的夏玉米水分胁迫理论模型的初步研究

该文探讨并建立了适合于中国华北平原夏玉米的作物水分胁迫指数(CWSI)模型。通过对夏玉米的冠层最小阻力、零平面位移和粗糙度进行分生育阶段取值,得到了适合于夏玉米的水分胁迫指数模型。     

利用无人机多光谱影像的多品种玉米成熟度监测

基于遥感监测多品种玉米成熟度进而掌握最佳收获时机，对提高其产量和品质至关重要。该研究在玉米成熟阶段获取无人机多光谱影像，同步采集叶片叶绿素含量（chlorophyll content，C）、籽粒含水率（moisture content，M）、乳线占比（proportion of milk line，P）等地面实测数据，以此构建玉米成熟度指数（maize maturity index，MMI），从而定量表征玉米成熟度。通过MMI与植被指数构建回归模型和随机森林模型，验证MMI适用性，并分析无人机遥感对不同品种玉米成熟度的监测精度。结果表明：1）不同品种玉米的叶片叶绿素含量、籽粒含水率、乳线占比的变化速率均存在差异。2）MMI与所选植被指数的相关性均可达到0.01显著水平，其中与归一化植被指数（normalized difference vegetation index，NDVI）、转换叶绿素吸收率（transformed chlorophyll absorbtion ratio index，TCARI）相关性最高，相关系数均为0.87。3）该研究基于不同组合的数据集进行了模型验证，其中随机森林模型对MMI的估测精度最高，测试集决定系数（coefficient of determination，R²）为0.84，均方根误差（root mean squared error，RMSE）为8.77%，标准均方根误差（normalized root mean squared error，nRMSE）为12.05%。此外，随机森林模型对不同品种MMI的估测精度较好，京九青贮16精度最优，其中R²、RMSE、nRMSE为0.76、10.67%、15.88%，模型精度证明了可以利用无人机平台对不同品种玉米成熟度进行监测。研究结果可为多光谱无人机实时监测农田多品种玉米成熟度的动态变化提供参考。