东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

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。     

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。     

基于水稻冠层高光谱的叶片SPAD值估算模型研究

为进一步提高水稻冠层光谱对叶片叶绿素相对含量(soil and plant analyzer development,SPAD)值的反演精度,利用光谱仪和叶绿素计实测了水稻全生育期的冠层高光谱反射率和SPAD值,并对原始光谱反射率及一阶导数光谱与叶片SPAD值进行了相关性分析;利用主成分分析(principle component analysis,PCA)对原始光谱数据进行降维,将得到的主成分作为输入变量,分别应用逐步多元线性回归分析法(stepwise multiple linear regression,SMLR)与支持向量回归(support vector regression,SVR)构建叶片SPAD值的高光谱估算模型;另分析322种冠层光谱参数与叶片SPAD值之间的相关关系,筛选相关系数高的14种特征参数作为输入变量,分别应用逐步回归与支持向量回归构建SPAD值的高光谱估算模型,并进行验证。结果表明,叶片SPAD值与水稻冠层原始光谱反射率的相关性在669 nm处高达-0.876,与一阶导数光谱的相关性在543 nm处最高达-0.834;不同模型的精度值各异,以特征参数为输入变量建立的逐步回归模型和SVR模型的均方根误差RMSEv分别为2.926、3.895,相对分析误差RPD分别为2.064、1.55。而基于主成分分析建立的逐步回归模型和SVR模型的RMSEv分别为3.349、2.631,RPD分别为1.803、2.295。对比发现主成分分析结合支持向量机模型可以很好地预测叶片SPAD值。     

基于高光谱和BP神经网络模型苹果叶片SPAD值遥感估算

叶绿素含量表征植被的营养生长状况,为西北地区苹果的大面积、无损、实时生长监测提供科学依据,使用SVC HR-1024I型便携式野外光谱辐射仪和SPAD-502型叶绿素仪测定不同生育期苹果叶片光谱反射率和SPAD值。分析不同生育期苹果叶片SPAD值及其高光谱变化特征,不同生育期叶片SPAD值与原始光谱反射率和光谱特征参数的相关性,构建基于光谱特征参数的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型,并对反演模型进行验证。结果表明,1)从新梢开始生长到果实成熟,苹果叶片SPAD值呈现先上升后下降趋势;2)基于光谱特征参数构建估算叶片SPAD值的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型均通过显著性检验,在秋梢停止生长期各模型反演和预测精度均最高;3)在各生育期,基于光谱特征参数建立的单因素回归模型中,均以蓝边幅值Db和绿峰面积SRg为自变量建立的回归方程拟合和预测能力最优;4)在各生育期,基于逐步回归分析的BP神经网络模型反演和预测能力较单因素回归模型和多元逐步回归模型表现最优,建模R2和验证R2分别达到0.90和0.84以上,验证RMSE4.41,验证RE8.42%,是一种快速、高效估算苹果叶片SPAD值的良好反演方法。     

基于思维进化优化BP神经网络的大豆叶片叶绿素含量高光谱反演

为进一步研究优化神经网络算法在植物生化参量高光谱反演当中的应用问题,运用遗传算法和思维进化算法对BP神经网络进行优化来构建大豆叶片叶绿素含量反演模型。利用实测光谱数据和对应叶绿素数据建立训练数据集,然后分别使用遗传算法和思维进化算法对BP神经网络进行优化训练,将训练好的模型用于叶绿素含量估算。结果表明,基于思维进化优化BP神经网络模型能准确预测叶绿素含量,且模型最稳定,能够解决小样本情况下叶绿素含量估算问题,并保证估算精度,可以作为大豆叶片叶绿素含量估算的一种新的参考方法。     

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。     

水稻叶片SPAD值的高光谱估算模型

[目的]构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据.[方法]利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据.通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价.[结果]在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型.R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高.比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型.总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550.[建议]进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算.采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持.     

基于连续统去除和偏最小二乘回归的油菜SPAD高光谱估算

【目的】探讨油菜叶绿素含量的高光谱估算方法,为实现油菜叶片叶绿素含量的高效、无损、大面积监测提供理论依据。【方法】以陕西省关中地区油菜叶片为研究对象,分别测定苗期、蕾薹期、开花期及角果期的叶片高光谱数据和SPAD值,提取各生育期连续统去除光谱和7类光谱吸收特征参数,分析原始光谱、连续统去除光谱、光谱吸收特征参数与SPAD值之间的相关关系,构建基于原始光谱特征波段、连续统去除光谱特征波段、光谱吸收特征参数的SPAD估算模型,并对模型精度进行验证。【结果】在可见光范围,光谱反射率由蕾薹期、开花期、苗期到角果期依次递增,最大吸收深度和吸收谷面积逐渐增大。利用连续统去除光谱特征波段与吸收特征参数,分别建立的油菜各生育期叶片SPAD估算模型均优于原始光谱。运用连续统去除光谱特征波段结合最优吸收特征参数构建的偏最小二乘回归估算模型,是进行油菜叶片SPAD估算的最优模型。【结论】连续统去除法对不同生育期油菜叶片叶绿素相对含量具有较好的预测能力,是估算油菜叶片SPAD值的一种实时高效方法。     

基于红边参数和人工神经网络的苹果叶片叶绿素含量估算

【目的】应用人工神经网络来解决苹果叶片叶绿素含量与高光谱数据之间的非线性关系,建立估测苹果叶片叶绿素含量的最佳模型,为苹果叶片叶绿素含量的快速无损监测提供参考。【方法】以位于陕西扶风杏林镇的树龄为4～5年的15棵苹果树为研究对象,2015年分别于果树花期(4月27日)、幼果期(5月30日)、果实膨大期(7月6日)、果实着色期(8月5日)、果实成熟期(9月11日)采集叶片样本,利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素仪同步获取苹果叶片光谱值和对应的叶绿素含量,对原始光谱和一阶导数光谱与叶绿素含量之间的关系进行分析,从一阶导数光谱中提取苹果叶片光谱的5个红边参数,从5个红边参数中筛选出相关性好的红边参数,使用传统单变量回归算法、反向传播(back propagation,BP)神经网络和径向基函数(radial basis function,RBF)神经网络,建立叶绿素含量估测模型,用决定系数(R2)、均方根误差(RMSE)和相对误差(RE)来验证模型的准确性。【结果】与原始光谱相比,一阶导数光谱与苹果叶片叶绿素含量的相关性更高。5个红边参数中,红边位置、峰度系数、偏度系数与叶绿素含量的相关系数均较高,且均达极显著水平。建立的传统单变量回归模型中,基于红边位置、峰度系数和偏度系数的R2均大于0.7,其中基于偏度系数建立的多项式模型模拟精度最高,验证结果R2为0.872,RMSE为4.631,RE为8.81%。选取红边位置、峰度系数和偏度系数为人工神经网络的输入变量,分别优化BP神经网络的隐含层节点数和网络类型以及RBF神经网络的扩展系数(SPREAD值)来提高预测精度,结果发现,建立隐含层节点数为4的双隐含层BP神经网络最优模型R2为0.891,RMSE为3.844,RE为7.55%;当SPREAD值为0.6时,建立的RBF神经网络最优模型的R2为0.955,RMSE和RE分别为2.517和3.69%。【结论】估算苹果叶片叶绿素含量时,人工神经网络模型比传统单变量模型精度高,其中RBF神经网络模型学习速度快、精度高,拟合结果更加可靠。