冬小麦叶绿素含量高光谱检测技术

以大田冬小麦叶绿素含量为研究对象,首先利用高光谱成像系统以线扫描方式获取其反射光谱图像,选择感兴趣区域(ROI)并计算出光谱平均反射率值;然后分别针对其原始光谱和一阶差分光谱,通过相关分析和逐步回归分析,得到能反映叶绿素含量变化的7个最佳优化波长;进而基于该优化波长采用多元线性回归(MLR)方法组建模型,通过假设检验剔除对模型贡献不显著的3个波长变量.选用剩余的4个波长即710.85、767.42、650和520 nm作为自变量重新建立模型,基于校正集和预测集模型的决定系数R2分别为0.843 4和0.709 3.研究结果表明,利用高光谱技术检测大田冬小麦叶绿素含量的方法是可行的.     

基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测

定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义.本研究验证高光谱成像技术结合偏最小二乘-最小二乘支持向量机(PLS-LS-SVM)建模方法预测大田冬小麦叶绿素含量的可行性.首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱,进而得到其立方体图像数据,并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值.为保证PLS-LS-SVM模型的鲁棒性和预测稳定性,首先通过PLS方法解决多重共线性问题并将输入变量维数减至4维,然后利用LS-SVM进行训练建模.所建叶绿素含量预测模型的决定系数达R2=0.8459,预测均方根误差RMSEV=0.4370.研究结果表明,基于高光谱成像系统,采用PLS-LS-SVM建立模型用来预测大田冬小麦叶绿素含量是完全可行的.     

基于正交变换与SPXY样本划分的冬小麦叶绿素诊断

冬小麦叶绿素含量的准确预测,可为冬小麦田间精细化管理提供依据。采集冬小麦冠层400~900nm范围反射光谱,经一阶微分预处理后,为了抑制由于连续波长自变量多重共线性对叶绿素含量诊断模型的干扰,利用Gram-Schmidt正交变换算法初步提取叶绿素敏感波长特征参数为848、620、677nm。在定量模型的建立过程中,对比了传统随机样本集划分与以空间中样本间距离远近为指导的SPXY样本集划分方法,并讨论了大田冠层反射光谱对叶绿素浓度诊断的最优精度,研究结果表明,以620nm和677nm两个敏感波长结合SPXY样本划分方法建立的多元线性回归模型预测精度较高,且叶绿素质量浓度为0.3mg/L分辨间隔时,建模决定系数和验证决定系数分别达0.730和0.739,可为无损检测冬小麦拔节期叶绿素含量提供技术支持。     

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。     

冬小麦叶绿素含量空间分布成图方法与精度分析

作物叶绿素含量能够反映作物的生长情况,建立大田叶绿素空间分布模型能够直观地表现田间作物长势情况,为开发车载式作物长势空间分布分析系统提供技术支撑,进行了基于地统计学的冬小麦叶绿素含量空间分布成图方法及精度分析。首先,采集了67个样区中心点叶绿素含量和GPS信息,基于地统计学理论讨论了利用稀疏样本点数据建立高精度空间分布图的可行性。随机划分建模集和验证集,基于建模样本分别使用反距离插值法（IDW）和普通克里金插值法（OK）绘制了冬小麦叶绿素含量田间分布图,然后对验证集数据进行分析,比较了2种方法的检测精度,并讨论了实验过程中可能存在的误差源。2种插值方法拟合的预测数据与验证数据均存在正相关关系,基于IDW插值与验证数据相关系数为0.722,协方差为1.361;基于OK插值与验证集数据相关系数为0.517,协方差为0.798。结果表明,IDW插值分析方法更适用于采样点分布不均且距离较近的稀疏样本点空间分布成图。     

杨树叶片叶绿素含量高光谱估算模型研究

以盆栽107号杨树为研究对象,在验证杨树叶片的SPAD值可作为衡量其叶绿素含量指标的基础上,基于最佳指数-相关系数法(OIFC),提取了杨树叶绿素特征波段(中心波长350、715、1 150 nm),建立了以该组合波段原始光谱数据为自变量的杨树叶片叶绿素含量估算模型;利用相关系数法,提取了杨树叶绿素归一化植被指数的计算波段(中心波长705、953 nm)与一阶光谱导数的叶绿素特征波段(中心波长647、691、721 nm),且分别建立了基于归一化植被指数、叶面叶绿素指数、一阶光谱导数为自变量的杨树叶片叶绿素含量估算模型;比较分析所建立的模型精度,筛选出杨树叶片的叶绿素含量最优估算模型。结果表明:化学法测得杨树叶片叶绿素含量与其对应的SPAD值之间具有显著的幂函数关系,R2可达0.902 3。利用OIFC法提取的叶绿素最佳三波段组合的高光谱数据为自变量,与叶片叶绿素含量构建的模型预测值与实测值具有显著的线性关系,决定系数为0.944 5;相比其他模型,该模型的精度最高且均方根误差最小。可见,基于OIFC法构建的杨树叶绿素高光谱模型具有较高的精度,是估算杨树叶片叶绿素含量的最优模型。     

基于红边参数的冬小麦SPAD高光谱遥感监测

在2010年度与2011年度冬小麦生长季,通过大田小区实验,实测了冬小麦冠层的高光谱反射率与叶绿素含量(SPAD)。分析了冬小麦红边特征对不同SPAD的响应及不同生育期冬小麦红边特征与SPAD的相关性,建立了基于红边位置、红边峰度的不同生育期冬小麦SPAD估算模型。结果表明:SPAD越高,冬小麦的红边振幅、红边面积增大,红边位置"红移";叶绿素含量越低,规律则相反。传统红边参数红边位置及新红边参数红边峰度与SPAD在不同生育期均具有较好的相关性。相比以红边位置为自变量的冬小麦SPAD估算模型,基于红边峰度的估算模型可以提高冬小麦SPAD的估算精度。     

基于特征波长优化的便携式作物叶绿素检测仪研究

为了满足田间作物长势快速检测与指导变量管理的需求,基于作物叶绿素光谱响应特征波长筛选与优化,开发了一款便携式作物叶绿素检测仪。首先,采用高光谱仪采集玉米冠层325～1 075 nm反射光谱,并采样萃取叶片叶绿素含量真值,开展叶绿素敏感响应波长筛选。经蒙特卡洛无信息变量消除(MC-UVE)算法在10～100个特征波长范围内进行变量筛选,表明采用50个特征波长时具有最优的叶绿素含量检测能力。其次,选择AS7265x型光谱传感器,以半峰宽20 nm的12个区间覆盖筛选的50个波长,设计的叶绿素检测仪包括传感器、主控制器、显示和控制等模块,实现作物冠层反射光数据采集、处理、显示和存储功能。开展传感器反射率标定与田间应用测试,基于传感器获取的反射率构建叶绿素含量偏最小二乘检测模型验证集决定系数为0.628;进一步组合归一化红边植被指数(NDRE:730、900 nm)和绿光归一化差值植被指数(GNDVI:535、900 nm),检测模型精度提高到0.69,模型嵌入系统最终实现了田间叶绿素含量快速检测,为作物长势高效分析提供了技术支持。     

不同车速车载多光谱成像系统性能分析

为了探索大田冬小麦冠层叶片叶绿素指标的快速检测方法,基于车载式多光谱成像系统进行了大田冬小麦叶绿素含量指标的快速无损诊断研究,并分析了不同车速条件下车载式多光谱成像系统的工作性能。系统以福田欧豹4040型拖拉机为车载平台,搭载了2-CCD多光谱图像智能感知系统。田间试验分别设置了4种行进速度（分别为S1（0.54 m/s）、S2（0.83 m/s）、S3（1.04 m/s）、S4（1.72 m/s））,采集了冬小麦冠层可见-近红外图像,同步获得了车载GPS轨迹坐标信息,并测量了样本叶绿素含量指标SPAD值。图像经滤波和冠层分割预处理后,提取了 R、G、B 、NIR 4个波段平均灰度,并计算了RVI、NDVI等4种常见植被指数、 H 分量的灰度平均值和覆盖度 C ,共10个图像检测参数。分析了各图像检测参数与叶绿素含量指标SPAD值之间的相关关系,结果表明,S1、S2和S3速度下,各图像检测参数与SPAD值相关性高于S4速度。同时,S1、S2、S3速度下,NDVI、NDGI、RVI与SPAD值的相关系数绝对值均达到0.50以上。分别建立了S1~S3不同车速下叶绿素含量指标诊断MLR模型,模型精度满足作物生长空间分布图制图的要求。为了进一步提高车载式大田作物生长参数移动诊断效率,将不同车速下的数据合并,选取NDVI、NDGI、RVI参数建立叶绿素指标MLR模型,结果表明模型具有通用性。该研究可为车载式大田作物生长快速诊断提供支持。     

基于小波变换和分数阶微分的冬小麦叶绿素含量估算

叶绿素含量变化直接表征冬小麦的光合作用能力,所以监测冬小麦叶绿素含量对分析冬小麦光合能力和生长状况具有重要意义。基于地面冬小麦冠层高光谱和实测叶绿素含量,分别利用原始光谱、分数阶微分光谱、原始光谱经连续小波变换后得到的小波能量系数与实测叶绿素含量进行相关性分析,选取相关性较好的分数阶微分光谱和小波能量系数,采用逐步回归分析、支持向量机、人工神经网络等方法构建冬小麦叶绿素含量估算模型。结果表明,在拔节期、孕穗期、开花期和全生育期,使用连续小波变换-人工神经网络建模结果最优,拔节期建模和验证决定系数分别为0.93和0.90,孕穗期建模和验证决定系数分别为0.93和0.90,开花期建模和验证决定系数分别为0.93和0.90,全生育期建模和验证决定系数分别为0.86和0.85;在灌浆期,使用分数阶微分-人工神经网络建模结果最优,灌浆期建模和验证决定系数分别为0.97和0.90。本研究可为作物叶绿素含量遥感估算提供技术方案。