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。     

基于光谱变换与SPA-SVR的玉米SPAD值高光谱估测

叶绿素含量快速、无损监测是评估玉米生长状态有效方式之一.以抽雄期玉米为研究对象,研究原始光谱、普通一阶导数光谱、间隙一阶导数光谱、开平方根光谱以及连续统去除光谱的特征波段以及5个传统植被指数与玉米叶绿素含量之间关系.对比分析不同模型(单因素回归模型、结合连续投影与多元线性回归、支持向量回归模型)对抽雄期玉米叶绿素含量预...     

基于无人机高光谱分数阶微分玉米SPAD值估算

以夏玉米为研究对象，基于无人机高光谱数据和野外玉米冠层叶片实测SPAD值，以0.2阶为步长，计算光谱0～2阶分数阶微分，分析其与玉米冠层实测SPAD值之间相关性，筛选相关系数绝对值前10波段为特征波段组合，构建并比较玉米冠层叶片SPAD值的支持向量回归模型(SVR)、反向传播神经网络模型(BPNN)和麻雀优化算法随机森林模型(SSA-RFR)。结果表明，经分数阶微分变换可显著提高与SPAD值相关性，其中以0.6阶698 nm处相关系数绝对值最大；基于分数阶微分模型整体精度高于整数阶模型，其中基于分数阶微分的SSARFR模型精度最高，R²为0.706，较整数阶提高32.46%,RMSE和MRE分别为2.444和3.579%，较整数阶降低13.46%和12.95%。     

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.     

佛手瓜叶片光谱特征与SPAD值估算模型研究

构建佛手瓜叶片叶绿素含量估算模型，为实现高光谱技术监测佛手瓜叶片叶绿素含量变化提供参考依据。利用SPAD-502 PLUS叶绿素仪同步测定佛手瓜叶片的SPAD值，以Field Spec 3地物光谱仪采集佛手瓜叶片光谱数据。对原始光谱去噪处理后经一阶微分变换、倒数对数变换和倒数对数的一阶微分变换提取其特征波段，然后利用红边及绿峰位置构建了SPAD值的预测模型，并采用决定系数(R²)、均方根误差(RMSE)和相对误差(RE)对模型进行精度评价。结果表明，在400～1 000 nm波长范围内，佛手瓜叶片光谱特征在可见光区的绿峰波段反射率在22%左右，在近红外区形成高反射率，达到56%左右。通过对原始光谱曲线进行一阶微分变换、倒数对数变换和倒数对数的一阶微分数学变换后，提取出佛手瓜叶片的特征波长分别有520、550、640、650、670、680、700 nm。以单一红边位置与佛手瓜SPAD值建立的模型，r²为0.814 2,以此模型进行SPAD值预测，得到预测值与实测值的决定系数r²为0.833 7,RMSE为2.83,RE为...     

不同玉米品种叶片SPAD值估测模型的构建及其差异性研究

【目的】探究玉米叶片SPAD值与其高光谱特征之间的品种差异,构建不同玉米品种叶片SPAD值估测模型,并对模型应用范围进行验证。【方法】通过大田试验,测定多个玉米品种叶片的SPAD值及其高光谱数据,利用相关分析及逐步回归分析等方法,构建和筛选玉米叶片SPAD值与相关光谱参数的回归模型,并利用偏差率对模型精度进行检验。【结果】不同玉米品种叶片的SPAD值与其高光谱反射率及一阶导数的相关波段存在差异,但品种间差异较小,关系最密切的波段均处于560和700nm附近。对不同玉米品种的光谱反射率一阶导数进行比较时,出现"红移"现象,"红移"规律与各品种叶片SPAD值大小表现一致;叶片SPAD值与光谱反射率一阶导数的显著相关波段在510,615,690和740nm附近。在构建估测模型时,以单波段光谱参数构建的模型估测效果较组合波段构建的模型好,且模型类型为多元方程和指数方程。以单一玉米品种叶片光谱参数建立的模型可以对其他玉米品种叶片的SPAD值进行估测,但估测精度在不同品种间存在差异。【结论】以高光谱560nm附近波段反射率建立的模型精度最高,对不同品种的玉米叶片SPAD预测值偏差率普遍小于5.00%。     

基于变换光谱与光谱指数的夏玉米叶片含水率高光谱估算

为实现陕西关中地区夏玉米叶片含水率遥感估算,本研究通过夏玉米叶片高光谱反射率和含水率的测定,利用原始光谱及转换光谱,构建任意两波段的光谱指数,分析光谱指数与叶片含水率之间的关系,构建玉米叶片含水率估算的单因素回归模型和基于支持向量回归算法(SVR)、反向传播神经网络回归算法(BPNN)和麻雀搜索随机森林回归算法(SSA-RFR)的多因素模型,并根据模型精度筛选玉米叶片含水率估算的优化模型。结果表明,随叶片含水率的增加,短波红外波段的光谱反射率降低,最优光谱指数的构成波段主要位于短波红外波段,其中基于一阶导数光谱的比值光谱指数(R_{1 563}/R_{1 406})和归一化光谱指数[(R_{1 563}-R_{1 406})/(R_{1 563}+R_{1 406})]与叶片含水率相关性最佳,其相关系数绝对值均达0.83;多因素回归模型的模拟效果优于单因素回归模型,基于麻雀搜索随机森林回归模型的精度最高,验证集决定系数(R²)为0.78,均方根误差(RMSE)和相对误差...     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

基于光谱指数的不同生育期油菜叶片SPAD估测

【目的】研究西北地区不同生育时期油菜叶片SPAD值与多种光谱参数之间的关系,并建立估测模型。【方法】以陕西省乾县齐南村施肥程度一致的大田种植的油菜为试验材料,分别在苗期、现蕾抽苔期和开花期测定叶片的光谱反射率和SPAD值,得到不同波段组合的光谱指数,计算其与SPAD值之间的相关性系数,并拟合以各种光谱指数预测SPAD值的模型,以均方根误差(RMSE)和相对误差(RE)作为模型的评价和检验指标。【结果】苗期SDr/SDy与叶片SPAD值相关性最高,为0.79,构造的最佳预测模型决定系数为0.67;现蕾抽苔期(SDr-SDy)/(SDr+SDy)与叶片SPAD相关性最高,达到0.82,构造的最佳SPAD估测模型决定系数为0.70;苗期(SDr-SDy)/(SDr+SDy)与叶片SPAD有较高相关性,相关性系数为0.65,构造的预测模型决定系数为0.43。【结论】各时期预测模型效果较好的光谱指数基本一致,为SDr/SDy和(SDr-SDy)/(SDr+SDy),可以利用高光谱遥感信息反演西北地区油菜各时期的叶绿素含量,并分析其生长状况。     

基于数码相机的玉米冠层SPAD遥感估算

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。     

基于Vis-NIR光谱的土壤质地BP神经网络预测

为快速、准确地获取土壤质地信息,提出了应用Vis-NIR光谱结合BP神经网络的建模方法。以河南封丘县的86个土壤样本为研究对象,以原始光谱和微分光谱主成分为输入变量,建立土壤粘粒和砂粒的BP神经网络预测模型,并将其预测结果与多元线性逐步回归模型进行比较。结果表明:基于原始光谱主成分的BP人工神经网络预测结果最好,优于多元逐步回归模型,预测粘粒和砂粒的RMSE分别为1.62和6.52。BP神经网络所建模型训练时间短、准确度也较高,能实现对土壤质地的高效预测。     

基于BP和Adaboost-BP神经网络的 羊肉新鲜度高光谱定性分析

【目的】 实现对羊肉新鲜度的快速准确鉴别。【方法】 研究通过对460~1 000 nm的羊肉高光谱图像纯肌肉部分提取光谱数据,以挥发性盐基氮(TVB-N)值对新鲜度等级进行划分,对预处理后的光谱数据分别采用连续投影算法(SPA)、主成分分析(PCA)两种压缩降维方法和反向传播(BP)神经网络、自适应提升BP(Adaboost-BP)神经网络两种建模方法开展羊肉新鲜度的分类比较。【结果】 其中采用SPA、PCA建立的BP模型校正集与预测集准确率均为100%、83.33%,建立的Adaboost-BP模型校正集与预测集准确率均为100%、94.44%,两种压缩降维方法下Adaboost-BP模型效果均优于BP模型。【结论】 利用高光谱图像技术结合Adaboost-BP方法对羊肉新鲜度等级进行分类判别是可行的。     

基于GA、BP神经网络和多元回归的集成算法研究

建立了一个考虑税收腐败和公共支出腐败的经济增长模型,从理论上探讨财政腐败行为及其影响.主要结论归纳：第一, 财政腐败降低私人资本的回报率,使厂商的生产力下降,就整体而言阻碍了经济增长.第二,最优税率可能大于或小于Barro的最优税率,取决于征税效率和寻租引发的行政成本.第三,两种类型的公共支出隐含着不同程度的腐败机会,以及对官员行为产生的不同“激励”作用,从而扭曲公共支出结构效率.第四,增强制度约束力对遏制财政腐败至关重要.     

连续投影与SSA-ELM结合的玉米氮平衡指数高光谱估测

玉米氮平衡指数的快速、无损估测,对监测植株长势和指导田间氮肥施用具有重要现实意义。通过田间试验观测各生育期(拔节期、抽雄期、乳熟期、完熟期)玉米叶片氮平衡指数和对应光谱反射率,应用特征波段和植被指数,构建不同类型的玉米氮平衡指数高光谱反演模型。结果表明：不同氮平衡指数下的叶片高光谱反射特征基本一致,在可见光波段反射率较低、近红外波段反射率较高,不同生育期氮平衡指数与光谱反射率的相关性在抽雄期最高,乳熟期、完熟期次之、拔节期最低;连续投影算法具有良好的降维效果,筛选出的各生育期建模光谱参数为8～20个;各生育期多因素模型均优于单因素模型,抽雄期各类模型效果最佳,其中基于麻雀搜索算法优化的极限学习机回归模型是最优模型,其建模R²与验证R²均为0.93,相对预测偏差分别为2.57、2.31,表明该模型对氮平衡指数具有极好的预测能力。     

基于BP神经网络的玉米区试产量预测研究

以国家农业科学数据中心数据库中的数据为样本数据依据,用BP神经网络建立预测玉米区域测试产量模型,并用现有数据进行检测,证明运用BP神经网络模型预测玉米区试产量是可行的。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于星-机光谱融合的棉花叶片SPAD值反演

【目的】为提高棉花叶片叶绿素含量的反演精度,并掌握其在山东省夏津县的空间分布特征。【方法】本研究以山东省德州市夏津县为研究区,以夏津县大李庄棉田为试验区,通过SPAD（soil and plant analyzer development,SPAD）仪实地测定试验区棉花叶片叶绿素含量的相对值（SPAD值）,并获取同期试验区无人机（unmanned aerial vehicle,UAV）近地多光谱图像和研究区Sentinel-2A MSI（MSI）卫星影像;然后分别基于UAV和MSI的光谱反射率,构建并筛选最优光谱参量,采用多元线性回归（multiple linear regression,MLR）建立SPAD值定量反演模型;最后采用二次多项式拟合法融合UAV和Sentinel-2A MSI对应的最优光谱参量,对比分析融合前后模型效果,优选最佳反演模型,实现研究区SPAD值反演。【结果】研究表明,(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI可作为SPAD值的最优光谱参量;基于UAV图像的定量反演模型精度优于基于MSI影像的模型;基于二次多项式拟合后建模R ²提高了0.015—0.057,RMSE降低了0.457—0.638,验证R ²提高了0.040—0.085,RMSE降低了0.387—0.397,RPD提高了0.020—0.139;将融合后的MSI光谱参量代入基于UAV图像的反演模型（Fused MSI-Mod_UAV）,也可获得较高的反演精度,建模R ²达0.672,RMSE为3.982,验证R ²达0.713,RMSE为3.859,RPD为1.685;基于上述模型进行研究区棉花叶片SPAD值反演分析,试验区整体呈南高北低的分布趋势,研究区呈中间低、四周高的分布趋势,均与实地情况一致,具有较好的预测效果。【结论】采用二次多项式拟合法融合无人机和卫星影像数据,可较好地实现区域高精度作物生长指标的定量反演,研究结果可丰富多源遥感融合理论与技术,为后续棉花长势监测与精准生产提供技术参考和数据支持。