水稻叶片氮素及籽粒蛋白质含量的高光谱估测模型

研究水稻叶片氮素和籽粒蛋白质含量的高光谱快速、无损监测方法,对于水稻营养诊断、籽粒品质监测及氮肥高效利用具有重要意义。本文通过水稻盆栽试验,测定水稻叶片氮素、籽粒蛋白质含量和冠层光谱,采用不同的光谱建模方法来提高氮素、籽粒蛋白质含量的估测精度。先用主成分分析(PCA)方法进行特征波段的提取,再用多元线性回归(MLR)、人工神经网络(ANN)和偏最小二乘回归(PLSR)进行建模。结果表明,水稻叶片氮素和籽粒蛋白质含量与特征光谱存在很好的模型关系,3种模型预测的决定系数(R2_p)均在0.847以上,并以PLSR模型的预测效果为最好,可以实现水稻氮素营养和籽粒品质的高光谱估测。     

基于高光谱遥感处方图的寒地分蘖期水稻无人机精准施肥

分蘖期根外追肥是水稻生产的重要田间管理环节,也是水稻生长中的第一个需肥高峰期,追肥效果直接影响分蘖数以及中后期长势。为了探究利用无人机遥感构建施肥量处方图指导农用无人机对分蘖期水稻精准追肥,在保障水稻产量的前提下降低化肥施用量,该研究在水稻分蘖期追肥窗口期,利用无人机遥感诊断与农用无人机精准作业相结合,采用无人机高光谱技术建立水稻分蘖期施肥量处方图,结合农用无人机作业参数对待施肥地块进行栅格划分,确定精准施肥量,并通过农用无人机进行精准施肥。结果表明:利用特征波段选择与特征提取的方式在450～950nm范围内共提取5个水稻高光谱特征变量用于水稻氮素含量的反演;利用粒子群优化的极限学习机(Particle Swarm Optimization-Extreme Learning Machine,PSO-ELM)构建的水稻氮素含量反演模型效果要好于极限学习机(Extreme Learning Machine,ELM)反演效果,模型决定系数为0.838;结合待追肥区域反演氮素含量(N_r),标准田氮素含量(N_(std))、氮肥浓度(p)、水稻地上生物量(B_(std))、水稻覆盖度(C_(std))、化肥利用率(k)及转化率(u)等构建了农用无人机追肥量决策模型,与对照组相比,利用该研究构建的处方图变量施肥方法使氮肥追施量减少27.34%。研究结果可为寒地水稻分蘖期农用无人机精准变量追肥提供数据与模型基础。     

基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测

实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法,该文依托不同氮素水平水稻试验,基于成像高光谱数据和无人机高光谱影像,综合运用统计分析及遥感参数成图技术,对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明,以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数(ratio spectral index,RSI)构建的线性模型为水稻叶片全氮含量的最优估测模型(检验R2为0.673,均方根误差为0.329,相对分析误差为2.02);无人机高光谱影像反演的水稻叶片全氮含量分布范围(1.28%~2.56%)与地面实际情况较相符(1.34%~2.49%)。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。     

傅立叶变换中红外光谱估测水稻叶片氮素含量的研究

通过不同氮素水平的水稻田间试验,在分析测定了水稻叶片叶绿素、氮素等农学参数后,采用傅立叶中红外光谱仪测定了水稻孕穗期叶片干样的透射光谱,利用协同偏最小二乘算法（siPLS）分析选取了傅立叶变换红外光谱估测水稻氮素含量的敏感波段及其组合。结果表明,其最优主成分数是9个,最佳估测建模的波段组合分别为1350.89～1586.57, 1587.53～1822.40 和 3709.41～3943.72 cm-1;建立的水稻氮素预测模型的精度较高,交互验证均方根误差（RMSECV）和预测均方根误差（RMSEP）分别为0.1538和0.1933,预测值与化学分析获得的叶片总氮浓度之间的交互相关系数和独立检验相关系数分别为0.9393和0.6649,高于中红外光谱指数NFS和NFSA的预测精度。说明利用傅立叶红外光谱作为水稻氮含量的诊断技术是可能的,值得进一步验证和完善。     

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。     

基于冠层光谱特性的水稻叶片含水率模型

基于水稻叶片含水状况与冠层光谱反射率存在关联,尝试构建水稻叶片含水率模型。在水稻生长的孕穗期,同时测量室外水稻冠层光谱反射率和叶片含水率,依据水稻叶片含水率与各光谱波段反射率之间的相关性系数,选取高相关性系数对应的光谱特征波段。采用遗传算法对BP神经网络的初始权值进行优化处理。分别应用BP神经网络和GA-BP-Network、传统多元线性回归方法建立预测模型。试验表明,GA-BP-Network模型的预测含水率值与真实值平均误差率为3.9%,最大误差率为6.1%,均比BP神经网络、传统多元线性回归预测模型有了很大的改善,提高了预测水稻叶片含水率的准确性。     

基于包络线消除法的油菜氮素营养高光谱评价

该文将广泛应用于岩矿高光谱分析中的包络线消除法借用至鲜叶片的光谱分析及作物氮素营养状况评价。利用油菜主要生育期的不同氮处理下鲜叶片反射光谱及全氮含量数据,对鲜叶片可见光波段反射光谱进行包络线消除处理,以及吸收特征与叶片全氮含量的统计分析。结果表明:在可见光区域,叶片反射率随着施氮量的增加而减小,包络线消除处理扩大了原始反射光谱中由氮素胁迫引起的吸收特征微小变化。在油菜的苗期、现蕾期至开花始期三个生育期中,550～750 nm波段的红光吸收峰总面积、吸收峰左面积和吸收峰右面积均随着施氮量的增加而增大,面积归一化最大吸收深度均随着施氮量的增加而减小。相关分析表明,苗期叶片全氮含量与吸收特征参量相关性最为密切。进一步基于各光谱吸收特征参数建立了油菜氮素营养的评价模型,这些评价模型除现蕾期外,其他均达到了1%的极显著性水平。研究表明,利用包络线消除法为定性和定量评价油菜氮素营养是可行的,苗期是利用光谱吸收特征来定量评价油菜氮素营养的最佳生育期。     

基于高光谱和参数优化支持向量机的水稻施氮水平分类研究

为探索水稻氮素营养的快速、无损诊断方法以及构建基于高光谱技术的水稻氮素营养状况分类识别模型。本研究以 4种不同施氮水平的“中嘉早 17”水稻分蘖期顶部第三完全展开叶叶片(简称顶三叶)为研究对象,测定各叶片的可见光到近红外波段(350～ 2500 nm)内的光谱数据,对所获取的光谱数据进行平滑处理和归一化处理,以消除噪声及量纲的影响,并采用主成分分析(PCA)的方法进行数据降维至 22维,同时分别选用基于网格搜索算法、粒子群算法和遗传算法优化参数的支持向量机进行水稻氮素营养状况分类识别模型的建立。研究结果表明:1)不同施氮水平下的水稻叶片光谱反射率曲线走势大致相同,但不同施氮水平下 780～ 1 300、1 400～ 1 850及 1 900～ 2500 nm波段光谱反射率存在一定的差别;2)优化参数后的 SVM模型与默认参数下的 SVM模型相比,其训练集与测试集分类识别效果都要优于默认参数下的 SVM模型。其中,以遗传算法优化参数的 SVM模型识别分类效果最佳,训练集和测试集识别准确率分别为 99.375%、98.750%,测试集的4种施氮水平(施氮量从低到高)识别准确率分别为 100%、95%、100%和 100%。结果表明利用高光谱技术能够很好地进行水稻氮素营养状况的定性诊断研究。为快速水稻氮素营养诊断提供了一种新途径,为精确施氮提供了技术支撑和理论依据。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

基于CARS-RUN-ELM算法的水稻叶片氮磷含量协同反演方法

同时反演氮、磷元素含量相对于单一元素反演可以更加全面地表达水稻的营养状况,为快速、准确获取水稻叶片氮、磷含量和精准变量施肥提供依据。该研究基于不同氮肥处理的田间小区试验,获取水稻叶片氮、磷含量数据,采用竞争性自适应重加权采样法（Competitive Adapative Reweighted Sampling,CARS）筛选氮素与磷素共同特征波长,以特征波长反射率为输入,以化学方法测得叶片氮、磷元素含量为输出,分别使用反向传播神经网络、极限学习机（Extreme Learning Machine,ELM）、龙格-库塔算法优化极限学习机（RUNge Kutta optimizer-Extreme Learning Machine,RUN-ELM）构建水稻叶片氮、磷含量反演模型并分析。结果表明：采用CARS方法有效去除了高光谱中大量无用、冗余信息,得到5个氮、磷元素共同特征波长,去除具有共线性的特征波长,最后筛选出的特征波长分别是451、488、780、813 nm。使用筛选后的特征波长反射率构建RUN-ELM水稻叶片氮、磷含量反演模型效果最好,氮素训练集的决定系数R2为0.690,均方根误差为0.669 mg/g,磷素训练集的决定系数R2为0.620,均方根误差为0.027 mg/g。通过对比,RUN-ELM在预测能力、模型稳定性上优于反向传播神经网络以及ELM模型。综上研究,基于CARS-RUN-ELM的水稻叶片氮、磷含量反演模型可以快速、准确获取水稻叶片氮、磷含量,可为水稻精准施肥提供参考。     

基于高光谱维数约简与植被指数估算冬小麦叶面积指数的比较

高光谱遥感反演LAI时,由于实际样本数远小于光谱维数,易导致基于全谱段建立的模型不稳定。针对该问题,该文提出将基于原始光谱反射率与LAI相关性和基于光谱曲线特征的2种波段选择方式分别与主成分回归(PCR)或偏最小二乘回归(PLSR)结合的高光谱维数约简方法,估算冬小麦LAI。并选择归一化植被指数(NDVI)、增强型植被指数(EVI)、重归一化植被指数(RDVI)、修正土壤调节植被指数(MSAVI)和三角形植被指数(TVI)5种代表性植被指数,利用2009、2010年实测大田冬小麦冠层高光谱和LAI数据,将提出的基于维数约简的方法与基于植被指数的LAI估算方法进行了比较,独立样本集验证结果和交叉验证结果均表明,提出的基于维数约简的方法比基于植被指数方法的估算精度高,在交叉验证结果中,基于维数约简的方法R2最高达到0.818,相应RMSE为0.685。该研究可为后续基于高光谱的LAI估算提供参考。     

水稻镉污染胁迫遥感诊断方法与试验

农田重金属污染是当今世界面临的重大生态环境问题,是普遍关注的重要课题之一。该文通过研究受镉污染胁迫水稻生理生态参数变化的高光谱响应特征来揭示作物污染胁迫遥感信息机理,从而选择水稻镉污染胁迫诊断光谱指数。采用水稻生长季节多个时相的ASD实测高光谱数据和同步获取的作物参数与农田土壤镉含量数据,分析镉污染胁迫水稻生理生态参数如叶片色素含量、水分含量、细胞结构和叶面积指数等与潜在敏感光谱遥感指数的响应关系,确定MCARI、NDWI、RVSI 和RVI为相应的诊断光谱指数。在此基础上建立多级诊断光谱指数空间,用于表达和判别水稻镉胁迫程度。试验结果表明,该方法能有效地诊断水稻镉污染胁迫,但定量估算精度还有待提高。     

基于高光谱图像的茶树LAI与氮含量反演

为了对茶树进行实时、快速、无损的叶面积指数LAI和氮含量检测,该文以英红九号茶树为试验对象,利用便携式高光谱成像仪采集光谱数据、人工破坏性采摘叶片进行叶面积指数的计算以及传统化学方法测量叶片氮含量,比较不同高光谱特征变换形式与LAI和氮含量之间的相关性,并选择其中相关系数较高的高光谱特征变量作为自变量,分别采用线性、指数、对数和抛物线表达式建立LAI和氮含量的回归模型。结果显示:在多种高光谱数据变量建立的模型中,以绿峰反射率R_g为自变量的对数拟合模型最佳,其拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.9和0.087 6。以植被指数变量VI_4(红边面积/黄边面积)与氮含量建立的指数模型为最佳建模效果,拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.830 3和0.102 9,研究结果可为茶树叶面积指数LAI和营养成分的无损检测提供参考。     

稻纵卷叶螟危害下水稻叶片光谱特征及产量估测

2020年在南京市浦口区桥林街道对稻纵卷叶螟[Cnaphalocrocis medinalis Güenée(C. medinalis)]自然发生的水稻农田进行高光谱观测试验，以探明不同稻纵卷叶螟危害程度下水稻叶片光谱特征与产量的关系，并对水稻产量进行预测。试验共选取80个样点，各样点虫害等级根据稻株的受害叶片数量占叶片总数的比例进行划分，利用SOC710VP便携式高光谱成像仪，采集水稻主要生育期（拔节期、孕穗期、灌浆期和成熟期）各样点水稻叶片的高光谱数据，调查收获后各样点的水稻产量数据，分析不同虫害等级下水稻叶片原始光谱、一阶导数光谱特征和产量参数的变化规律，并利用观测光谱与产量相关性较强的特征波段计算植被指数，建立基于植被指数的水稻产量估算模型。结果表明：（1）同一生育期内，水稻叶片近红外波段和红边波段的反射率随着虫害等级的升高而降低，而红光波段则相反。（2）同一生育期内，一阶导数光谱的峰值、红边幅值和红边面积随着虫害等级的增大而降低，红边位置的“蓝移”现象加重。（3）水稻的有效穗数、千粒重、结实率以及产量总体上随着虫害等级的上升而降低；但虫害等级较低时，有效穗数、千粒重以及结实率...     

采用GA-ELM的寒地水稻缺氮量诊断方法

为快速、准确、无损实现寒地水稻缺氮量的诊断。该文基于田间试验系统采集的资料,研究东北粳稻氮素含量的亏损或富余与光谱反射率差值之间的关系,并建立东北粳稻氮素含量差值的反演模型。该文采用高光谱反演水稻的缺氮量,并为实施精准施肥提供参考依据,达到减肥不减产的目的,采用产量最高的原则来构建标准氮素含量与标准光谱反射率,并在此基础上,将获取的水稻叶片氮素含量和叶片光谱反射率分别与标准氮素含量和标准光谱反射率做差,得到氮素含量差值和光谱反射率差值,然后对光谱反射率差值分别采用离散小波多尺度分解、连续投影法(successive projections algorithm,SPA)和构建植被指数的方法进行降维处理,将处理后的结果分别作为偏最小二乘(partial least squares regression,PLSR)、极限学习机(extreme learning machine,ELM)和遗传算法优化极限学习机(genetic algorithm-extreme learning machine,GA-ELM)的建模输入,构建东北粳稻氮素含量差值的反演模型。结果分析表明:采用离散小波多尺度分解的结果建立的GA-ELM反演模型预测效果最好,训练集与验证集的R2均在0.7062以上,均方根误差(root mean square error,RMSE)均低于0.51mg/g以下,在预测能力、稳定性和泛化性上比PLSR和ELM的预测模型有明显提高。     

基于高光谱数据的水体叶绿素a指数反演模型的建立

水体叶绿素a含量是反映水体质量的重要指标之一,利用遥感技术监测其含量具有众多优势。该研究利用2012年7月在广西壮族自治区桂林市漓江流域实地采集的水体高光谱数据和实验室化验分析数据,借鉴陆表植被叶绿素a的遥感反演模型,发展了一种新的水体叶绿素a提取指数(water chlorophyll-a index,WCI)。通过与反射率敏感波段法、波段比值法和半分析方法对比分析发现,新提出的WCI指数使用650、685、696 nm波段,波段稳定,决定系数R2可达0.58,均方根误差最小为0.24,受水体悬浮物影响小,在天津海河区域的验证效果也表明了该模型可以有效地提取水体叶绿素a含量。该方法扩展了水体叶绿素a监测的建模思路,对水体叶绿素a监测建模有一定的指导作用。     

基于多光谱和气象参数的菜心水分胁迫指数反演

作物水分胁迫指数（Crop Water Stress Index，CWSI）的监测对掌握作物的水分状况、指导灌溉具有重要意义。该研究以菜心为试验对象，测量了不同土壤水分条件下的冠层温度，采集了空气温度、相对湿度、风速、光合有效辐射和4个波段（450、650、808、940 nm）的光谱反射图像，并计算了归一化植被指数（Normalized Difference Vegetation Index，NDVI）、差值植被指数（Difference Vegetation Index，DVI）、再归一化差值植被指数（Re-Difference Vegetation Index，RDVI）和转换型土壤调整指数（Optimized Soil-Adjusted Vegetation Index，OSAVI）等，通过支持向量回归（Support Vector Regression，SVR）分别构建了CWSI上基线、CWSI下基线和冠层温度的反演模型。结果表明，菜心在450和650 nm的冠层光谱反射率在0～0.1之间，在808和940 nm的反射率较高，在0.4～0.6之间，当菜心由营养生长阶段进入生殖生长阶段，808和940 nm的反射率有所上升。植被指数能反映菜心的生长状态和植被覆盖度，随着冠层温度的升高，NDVI、DVI、RDVI上升，OSAVI下降；而同一个水分处理组在不同生长期的植被指数有明显的差异，生殖生长期的植被指数变化范围小于营养生长期。结果表明，使用空气温度、相对湿度、风速、光合有效辐射反演CWSI上、下基线具有可行性，决定系数均大于0.75；使用植被指数反演菜心在两个生长期的冠层温度具有较好精度，决定系数均大于0.7。基于反演值计算的CWSI与基于测量值计算的CWSI有较好的相关性，决定系数为0.70；CWSI与气孔导度是负相关的关系，决定系数为0.53。该研究应用气象参数反演CWSI上基线和CWSI下基线，利用植被指数反演冠层温度，基于SVR的模型反演值达到了一定的拟合效果，为实现菜心水分胁迫指数的光谱监测提供支持。     

利用独立变量分析与高光谱植被指数模型监测成熟期水稻中砷污染

水稻中过量砷（As）能够损害叶片中叶绿素和叶片内部结构,进而影响水稻光合作用效率,并改变水稻在光谱上的表现。利用高光谱植被指数（CARI、PRI、SIPI）和独立变量分析（ICA）模型对水稻中As含量进行了研究。结果表明,以上3种高光谱植被指数与水稻中As含量均呈一定的相关关系,其相关系数在0.67以上;而经过独立变量分析（ICA）可知,在蓝光波段（440～540nm）和红光波段（600～700nm）之间各有一个独立变量与水稻中As含量高度相关,相关系数达到0.95以上。将上述植被指数与独立变量和水稻中As含量之间进行回归分析,得到水稻中As含量的线性回归方程。研究表明,重金属As对水稻生长的影响可以通过其在光谱上的特征（如相关植被指数）改变来体现,并可以用独立变量分析（ICA）方法提取光谱中关于As胁迫的隐含弱信息,建立遥感预测模型,为大面积监测农作物As污染提供依据。