基于红边位置的马铃薯植株氮浓度估测方法研究

【目的】高光谱遥感技术可以用于植被生长状况的监测和研究光谱与植被理化性质间的关系。红边位置是与作物氮素营养关系较为密切的光谱参数,常用于作物叶绿素或氮素的含量监测,监测参数以及数据的计算都影响着该方法的准确性和实用性。为此,本研究优化了红边位置方法的参数,比较了六种方法对所得马铃薯氮浓度预测数据的翻译的准确性和精确度。【方法】于2014—2016年在内蒙古阴山北麓,进行了三个马铃薯品种、不同施氮量的田间试验。在马铃薯苗期、块茎形成期、块茎膨大期、淀粉积累期和收获期,使用红边位置获取了马铃薯冠层反射光谱,采用六种方法计算了该数据翻译的马铃薯地上部氮浓度,并分别与实测值进行了相关性分析。【结果】马铃薯生育后期一阶导数光谱中双峰现象较为明显。不同生育时期中苗期由于受到噪声光谱的影响氮浓度,与红边位置相关性较差,块茎形成期至淀粉积累期的氮浓度与红边位置相关性较高,其中块茎膨大期相关性最高。最大一阶导数法和拉格朗日内插法所得红边位置无连续性;线性外推法所得红边位置变幅与标准差最高,最大分别可达到44.6和9.3;多项式拟合法次之,变幅和标准差分别为15.1和2.6;倒高斯拟合法和线性四点内插法的变幅和标准差较小。在六种方法所得红边位置与马铃薯地上部氮浓度的预测模型中,线性外推法决定系数最高(R^2=0.55),预测值与观测值相关性最好(R^2=0.44,RMSE=3.96 g/kg,RE=11.46%);倒高斯拟合法与多项式拟合法模型决定系数相近,R^2均在0.40左右,倒高斯拟合法对氮浓度的预测能力更高一些(R^2=0.31,RMSE=4.33 g/kg, RE=12.03%)。【结论】红边位置能够对块茎形成期至淀粉积累期的植株氮浓度进行诊断,花期红边位置有轻微的饱和现象,但并不影响整体的预测,在花期和块茎膨大期采集光谱时需要注意传感器与植物冠层的距离,保证采集数据的准确性。线性外推法是最适合马铃薯冠层光谱的红边位置计算方法,所得红边位置变幅大,对马铃薯地上部氮浓度的变化较为敏感,回归模型决定系数和预测精度也最高,而且对于高氮浓度处的饱和现象有较好的缓解作用。     

基于红边参数的植被叶绿素含量高光谱估算模型

利用ASD便携式野外光谱仪和SPAD-502叶绿素计实测了落叶阔叶树法国梧桐、毛白杨叶片的高光谱反射率与叶片绿度,并对原始光谱反射率及一阶导数光谱与叶片绿度进行了相关分析,建立了基于红边位置、峰度系数、偏度系数的叶片叶绿素含量的高光谱估算模型,最后采用红边位置、峰度、偏度作为BP人工神经网络的输入变量进行了叶绿素含量的估算。结果表明：基于红边位置的法国梧桐、毛白杨叶绿素估算模型的决定系数达到0.7366、0.7289;基于峰度、偏度建立的估算模型可以有效提高估算精度,模型的决定系数均达0.8341以上;法国梧桐和毛白杨人工神经网络模型的确定系数决定系数分别达到0.9574和0.9523。与单变量模型相比人工神经网络模型反演精度明显提高,是一种良好的植被叶绿素含量高光谱反演模式。     

基于红边参数的水浇地与旱地春小麦各生育期叶绿素最佳估测模型比较研究

通过分析水浇地与不同类型旱地春小麦红边参数变化规律,利用与春小麦叶绿素含量相关性最好的红边位置,分别建立水浇地与旱地春小麦叶绿素含量最佳估测模型。结果表明:春小麦的红边位置表现出水浇地阴坡旱地半阴/阳坡旱地阳坡旱地的特点。起身期到扬花期,各地类春小麦红边位置均偏向长波方向,扬花至乳熟期,又偏向短波。水浇地与阴坡旱地春小麦的红边在起身期和乳熟期存在"单峰"现象,而在其他各期均为"双峰";半阴/阳坡旱地在抽穗和扬花期"双峰"明显,在起身、拔节和乳熟期表现出"单峰"现象;阳坡地在各生育期均为"单峰"现象。整个生育期,水浇地春小麦的红边面积最大,阳坡地的最小。起身期至乳熟期,水浇地与旱地春小麦叶绿素含量线性模型的拟合R2和检验R2均大于0.81,RMSE均小于1.70,说明可以利用红边位置预测各地春小麦叶绿素含量。     

红边位置改进算法的冬小麦叶绿素含量反演

植被反射光谱的红边位置对叶绿素含量高度敏感,利用遥感数据建立基于红边位置的作物叶绿素含量反演模型,可实现大范围作物及时的长势监测。该研究以冬小麦为研究对象,在学习6种经典红边位置求解算法的基础上,提出牛顿-切比雪夫插值法和牛顿八点插值法2种改进红边位置求解算法。根据不同算法的红边位置分布特征综合分析了改进算法的优缺点,并在此基础上建立基于红边位置的冬小麦叶绿素含量反演模型。结果表明,与传统算法相比,2种改进算法均显著改善了双峰现象和红边位移,且基于改进算法的模型预测值与叶绿素含量实测值的决定系数>0.619,较最大一阶导数法,牛顿八点插值法提高了6.321%～9.947%,牛顿-切比雪夫插值法提高了5.024%～10.480%,具有更高的精度。同时,在2种改进算法中,牛顿八点插值法具有更高的稳定性与实用性。研究结果为植被理化参数反演与农业生产应用提供理论与技术支撑。     

基于红边位置变化特征的油菜种植区域提取

油菜种植区域的准确提取是进行长势监测、估产和灾情评估的前提,遥感手段已成为作物种植区域提取与监测的高效方法,而高光谱遥感具有波段多、波谱分辨率高、信息丰富等特点,因而提供了一种新的技术手段。为了探究高光谱遥感在作物识别与提取中的优势,该文基于2004年4月4日和5月6日2期EO-1 Hyperion影像,依据油菜盛花期到荚果期红边位置"蓝移"特征,区别于其他植被,实现了油菜种植区域的高光谱遥感提取。采用随机点验证方法对提取结果进行验证,总体精度为92.6%,Kappa系数为0.803,漏分和错分误差均处在合理的范围之内。该方法充分利用了高光谱遥感手段可提取植被红边参数的优势,且算法对地物光谱差异性不敏感,为油菜种植区域遥感提取提供了一套全新的思路与解决方案。     

基于无人机高光谱影像的马铃薯叶绿素含量估测

[目的]叶绿素含量高低反映植被的健康状况与光合能力.研究准确、有效地将冠层影像反演为叶绿素含量的技术参数,以便经济快速、实时地监测作物生长状况.[方法]田间试验于2018-2020年在内蒙古阴山北麓马铃薯主产区进行,设置氮肥梯度处理,在马铃薯块茎膨大期和淀粉积累期,测定试验地马铃薯植株SPAD值,通过线性关系将其转化成...     

利用高光谱估测干旱胁迫下接菌根菌大豆叶绿素含量

该研究旨在利用高光谱遥感动态监测干旱胁迫下接种菌根植物生长状况,为菌根技术在旱区农业中的推广提供一定的理论基础。以盆栽大豆为对象,在不同接种丛枝菌根时期采用高光谱遥感技术监测不同干旱胁迫下接菌和不接菌处理大豆叶片的叶绿素含量变化,对比分析了3个水分梯度下及同一水分梯度下接菌和不接菌处理的大豆地上部分干质量、叶绿素含量和叶片光谱在可见光和近红外区域的响应特征差异,建立了大豆叶绿素含量与多个光谱变量的估测模型。研究结果表明:接菌第45天和第64天,同一水分梯度下接菌大豆地上部分干质量优于不接菌处理,且其叶绿素含量也高于不接菌,这些差异在叶片光谱曲线特征中同样得以反映,接种菌根在一定程度上可以缓解干旱胁迫对植物生长的影响;基于多元线性逐步回归方法建立的一阶微分模型能较准确地估测干旱胁迫下接菌大豆的叶绿素含量,其模型决定系数和预测检验决定系数分别为0.90和0.84,具有较高的精度和良好的预测能力。     

大豆叶绿素含量高光谱反演模型研究

叶绿素是植物体进行光合作用、进行第一性生产的重要物质,能够间接反映植被的健康状况与光合能力,同时也能反映植被受环境胁迫后的生理状态。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。该研究实测了不同水肥耦合作用下,大豆冠层的高光谱反射率与叶绿素含量数据,对二者进行了相关分析;采用特定叶绿素敏感波段建立了植被指数叶绿素估算模型;最后采用相关系数较大的波段作为神经网络模型的输入变量进行了叶绿素含量的估算。经对比发现叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致,在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度(R²>0.736),但是人工神经网络模型可以大大提高大豆叶绿素含量的估算水平,当隐藏层节点数为4时,R²大于0.94,随着隐藏层节点数的增加,R²可高达0.99,表明神经网络模型可以大大提升高光谱反演大豆叶绿素含量的能力。     

白粉病胁迫下小麦冠层叶绿素密度的高光谱估测

为了明确病害胁迫下作物生长特征及其危害程度,基于大田小区和盆栽小麦白粉病接种试验,在病害胁迫下不同生育时期测定群体光谱及叶绿素密度。综合分析群体光谱反射率、一阶微分及传统光谱特征参数与冠层叶绿素密度间关系,建立病害叶绿素密度估算模型并检验。结果表明,随病情指数增加,叶绿素含量下降,不同感性品种均如此,对白粉病易感品种的危害较重。病害冠层叶绿素密度与红光600～630nm和红边690～718nm的反射率及红边长波段(718～756nm)的一阶微分间相关性最显著。在传统植被指数中,以SDr/SDb和VOG3为变量的估测模型拟合精度较高,决定系数R2分别为0.752和0.723,模型检验相对误差(RE)最小,RE分别为18.0%和18.6%。利用红边区域(680～760nm)波段差异特性,选取680、718和756nm波段新建红边角度指数(REAI),较传统植被指数的模型拟合精度更高,归一化角度指数NDAI(α,β)和比值角度指数RAI(α,β)的R2分别为0.783和0.776,模型检验误差更小,RE分别为16.8%和17.5%。因此,NDAI(α,β)是估测病害小麦冠层叶绿素密度的可靠指标,对利用该模型监测小麦光合潜力和病害影响评价具有积极意义。     

光谱变换和光谱分辨率对土壤有机质含量估测精度的影响

利用高光谱遥感数据结合统计建模是当前土壤有机质（SOM）含量高光谱估测的主要方法。为了探讨SOM含量高光谱估测适宜的光谱变换方法和光谱分辨率,以黑龙江省建三江黑土区土壤样本为研究对象,采用SR-6500便携式光谱仪在实验室测量土样的光谱反射率。对土壤光谱数据重采样为1、5、10、20、30、40、50、60、70、80、90、100 nm共12种光谱分辨率,经过Savitzky-Golay光谱曲线平滑处理后,将光谱反射率R进行反射率倒数1/R、对数log R、倒数对数log(1/R)、对数倒数1/log R、一阶导数R′、倒数一阶导数（1/R）′、对数一阶导数（log R）′、倒数对数一阶导数[log(1/R)]′和对数倒数一阶导数（1/log R）′共10种光谱变换;利用多元线性逐步回归（MLSR）和偏最小二乘回归（PLSR）的方法建立SOM含量估测模型。结果表明：（1）1/R和（1/R）′光谱变换对于提高SOM含量估测精度的效果较好,其中1/R光谱变换的SOM含量估测精度R2val均高于0.87,(1/R)′光谱变换的SOM含量估测精度R2val均高于0.90;(2)5、10 nm...     

利用红边参数估计叶片叶绿素含量

Hyperspectral remote sensing makes it possible to non-destructively monitor leaf chlorophyll content (LCC). This study characterized the geometric patterns of the first derivative reflectance spectra in the red edge region of rapeseed (Brassica napus L.) and wheat (Triticum aestivum L.) crops. The ratio of the red edge area less than 718 nm to the entire red edge area was negatively correlated with LCC. This finding allowed the construction of a new red edge parameter, defined as red edge symmetry (RES). Compared to the commonly used red edge parameters (red edge position, red edge amplitude, and red edge area), RES was a better predictor of LCC. Furthermore, RES was easily calculated using the reflectance of red edge boundary wavebands at 675 and 755 nm (R675 and R755) and reflectance of red edge center wavelength at 718 nm (R718), with the equation RES = (R718－R675)/( R755－R675). In addition, RES was simulated effectively with wide wavebands from the airborne hyperspectral sensor AVIRIS and satellite hyperspectral sensor Hyperion. The close relationships between the simulated RES and LCC indicated a high feasibility of estimating LCC with simulated RES from AVIRIS and Hyperion data. This made RES readily applicable to common airborne and satellite hyperspectral data derived from AVIRIS and Hyperion sources, as well as ground-based spectral reflectance data.     

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机（Unmanned Aerial Vehicle, UAV）机动灵活、操作简便,可以按需获取高空间分辨率影像,是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题,该研究以DJI S1000+无人机为平台,搭载法国Parrot Sequoia相机,获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像,采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数,所构建的植被指数包括归一化植被指数（Normalized Difference Vegetation Index,NDVI）、叶绿素指数（Grassland Chlorophyll Index,GCI）、比值植被指数（Ratio Vegetation Index,RVI）、归一化红边红指数（Normalized Difference rededge-red Index,NDIrer）、归一化红边绿指数（Normalized Difference rededge-green Index,NDIreg）和重归一化植被指数（Renormalized Difference Vegetation Index,RDVI）,通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析,以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数,以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现,在分辨率为0.6 m时,NDVI与地面实测LAI之间的决定系数R2为0.80,决定系数达到了最大,利用该分辨率下的NDVI反演得到的LAI验证精度R2达到0.73;在分辨率为0.1 m时,NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70,决定系数达到最大,利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说,不包含绿波段的植被指数的LAI反演精度较高,这说明绿波段对LAI的变化不敏感;② 对于玉米冠层叶绿素含量反演来说,包含红边波段的植被指数的反演精度较高,因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m,此时NDVI与实测LAI的决定系数达到最大;反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内,此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。     

不同施肥情况下甘蔗叶片的光谱特征分析及叶绿素含量检测

In order to investigate the visible-NIR spectral features of the leaves of a sugarcane variety(ROC 22), the spectral reflectance and the chlorophyll content were measured in the laboratory, and their correlations were analyzed.Prediction models were built eventually.Results showed that the negative correlations with r greater than 0.8 was found in 527-578 nm and 701-731 nm between spectral reflectance and chlorophyll content.And the red edge position(REP) was also found having high correlation with chlorophyll content, with the highest r of 0.8442.In order to explore the most sensitive bands for normalized difference vegetation index(NDVI), 48471 NDVI values were computed with different wavebands for each sample and their correlations with chlorophyll were also analyzed.The distribution maps of NDVI and its correlations in a two-spectral-dimension space both indicated that the red bands had significant influence than the NIR bands.The suggested sensitive red range was 710-735 nm, especially 720-725 nm; and the sensitive NIR range was from 780-850 nm, which had the higher robustness.The chlorophyll predication model with NDVI(725 and 840 nm) in tillering stage had determination coefficients of 0.7386, and was recommended for guiding the subsequent ridging fertilization.     

基于高光谱的叶片滞尘量估测模型

为探索建立叶片滞尘量高光谱估测模型,利用光谱仪和电子分析天平采集了北京市区杨树叶片高光谱数据和滞尘量数据,研究了叶片光谱特征与滞尘量间的关系,并建立了基于光谱参数的叶片滞尘量估测模型。研究结果表明:近红外波段(730~1 000 nm)光谱反射率与叶片滞尘量呈现明显的线性相关性,各波段相关系数均高于0.7,绿光区波段反射率对叶片滞尘的影响不敏感;三边参数中仅红边幅值、红边面积与叶片滞尘量达到显著相关;基于多元线性回归、主成分回归、偏最小二乘回归建立的模型均具有较强的预测能力,其中以偏最小二乘回归为模型构建方法,以749、644、514 nm波段的光谱反射率值,红边幅值,红边面积,924、1 010 nm波段组成的归一化指数,713、725 nm波段组成的差值指数,749、644 nm波段组成的归一化植被指数为自变量建立的模型估测精度最好,其建模和预测的决定系数分别达到0.734和0.731,预测均方根误差为0.311。该研究为促进高光谱技术在大气降尘监测中的应用提供参考。     

基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算

叶绿素含量是影响作物生长及产量的主要因素。该研究以2017年6月小型试验田获取的抽穗期春小麦叶绿素含量及其对应的光谱反射率为数据源,对红边(627~780 nm)、黄边(566~589 nm)、蓝边(436~495 nm)、绿边(495~566 nm)、吸收谷和反射峰的最大反射率及反射率总和等16个高光谱特征参数与叶绿素含量之间的相关性进行了分析,并结合偏最小二乘回归法(partial least-squares regression,PLSR)对叶绿素含量进行高光谱建模及验证。结果表明:1)对特定的16个光谱特征参数而言,光谱特征参数绿边最大反射率与春小麦叶绿素质量分数之间的决定系数最低(R~20.5);决定系数较高(R~2≥0.5)的光谱特征参数包括蓝边最大反射率、蓝边反射率总和、黄边最大反射率、黄边反射率总和、红边最大反射率、红边反射率总和、绿边反射率总和、820~940 nm反射率总和及最大反射率、500~670 nm归一化吸收深度和560~760 nm归一化吸收深度,其中820~940 nm反射率总和决定系数达到最高(R~2为0.8);2)利用16个特征参量进行PLSR建模后,发现波段范围在820~940 nm的最大反射率及反射率总和所建立的PLSR估算模型为最优模型,其精度参数R~2p=0.8、RMSEp=2.0 mg/g、RPD=3.2。因此,该模型具有极好的预测能力。该研究为相关研究及当地精准农业提供科学支持和应用参考。     

基于三波长漫反射理论的玉米叶绿素含量无损测定

传统的叶绿素无损检测方法采用是的光学透射法,它的测量值是一个相对值。植物叶片的厚度显著的影响了测量的准确性。该文利用三波长漫反射的技术设计了一个试验装置。选取了3种玉米品种,郑单-958,浚单-20和豫单-606来验证检测装置的可行性。在玉米叶片漫反射函数值和叶片叶绿素真实值之间建立了回归分析,郑单-958,浚单-20和豫单-606的决定系数R2分别为0.9766,0.9612和0.9409。试验结果证明了三波长漫反射光谱的方法测量玉米整体叶绿素含量的可行性。