高光谱成像分析植物叶片滞尘前后光谱特征变化

灰霾的监测与治理是迫切需要解决的问题,分析植被叶片滞尘前后的光谱变化特征是灰霾监测的一种有效方式。植物叶片具有吸附空气颗粒物的能力。该文通过获取10种常见树木叶片10月和11月连续26 d的高光谱图像,对比分析每种叶片滞尘前后的光谱特征变化情况,得出滞尘前后叶片光谱变化的基本趋势:1)10种叶片变化趋势基本一致,10种叶片滞尘前后光谱变化明显的区间均表现在500~550 nm、550~700 nm、730~760 nm波段内;2)滞尘前后的叶片红边位置并没有发生改变,滞尘没有对叶片内部生理结构构成影响;3)金露梅和二球悬铃木在765 nm波段处的光谱响应与其它树种存在很大差异;白杜、金银忍冬、紫薇和玉兰在550~570 nm波段区间对于滞尘的敏感度较弱。研究为大气降尘的监测以及灰霾的治理提供应用参考。为进一步通过高光谱探测灰霾典型成分提供理论支撑。     

通州区东郊森林公园不同树种叶片滞尘能力探究

植物叶片对粉尘有明显的阻挡、过滤和吸附作用,可使大气含尘量降低,探讨不同植物的滞尘能力具有重要的意义。以通州区东郊森林公园的3种杨树和8种典型园林绿化树种为研究对象,运用方格法计算叶面积、质量差减法计算其滞尘量,对不同树种的滞尘能力进行的分析评价结果表明:同一采样周期,3种杨树在林缘处采集的叶片滞尘量均远远大于林内的叶片;3种杨树中,新疆杨的林内叶片滞尘量和林缘叶片滞尘量总体上远大于河北杨与小叶杨;在同一采样点,3种杨树叶片的滞尘量随时间变化却并不相同;8种园林绿化树种的滞尘能力存在相当大的差异,灌木树种以金叶女贞最小、玫瑰最大,乔木树种以垂柳最小、洋白蜡最大,灌木树种的滞尘能力总体远高于乔木树种,约为乔木树种的3.1倍。     

条锈病胁迫下冬小麦冠层叶片氮素含量的高光谱估测模型

为利用高光谱遥感诊断条锈病胁迫下作物的营养状况,测量感染条锈病的冬小麦冠层反射率以及相应叶片全氮(LTN)含量,利用线性和非线性回归方法,建立了微分光谱与小麦LTN含量之间的回归模型.研究表明随病情加重,小麦LTN含量逐渐降低,并与一阶微分光谱在430～518、534～608、660～762 nm以及783～893 nm区域具有极显著相关性.经检验,以红边内一阶微分总和与蓝边内一阶微分总和比值(SDr/SDb)为变量的模型是估测LTN含量的最佳模型,其RMSE为0.3567,相对误差为8.33%.因此,利用高光谱遥感估测条锈病胁迫下作物LTN含量是可行的,且具有较高的反演精度.研究成果可为小麦氮素营养监测、精准施肥以及条锈病情诊断等提供理论依据和指导.     

基于高光谱的柑橘叶片氮素含量多元回归分析

快捷、准确、无损地检测柑橘叶片氮(N)素含量,对柑橘树N肥施用的精准动态管理有重大现实意义。以117株园栽罗岗橙为试验研究对象,在不同生长期用ASD公司的FieldSpec3采集柑橘树健康叶片的高光谱反射值,以高光谱反射数据或其变换形式作为柑橘树样本多元矢量描述;用凯氏定氮法同期检测出柑橘树叶的真实N素含量值;在用PCA对高维光谱矢量降维的基础上,利用支持矢量回归算法(SVR)建立高光谱多元表达和N素含量间的映射关系,以实现任意柑橘树N素含量的预测分析。试验结果表明,测试集上预测值和真实值间的平方决定系数R2为0.9730,平均相对误差为0.9033%,均方误差MSE为0.090343,证明了该方法的有效性,为利用高光谱技术进行柑橘树N素含量的无损检测提供了参考。     

不同生长期柑橘叶片磷含量的高光谱预测模型

针对传统柑橘叶片磷含量检测耗时费力、操作繁琐且损伤叶片等弊端,该研究引入高光谱信息探索柑橘叶片磷含量快速无损检测与预测模型,选ASD Field Spec 3光谱仪采集柑橘4个重要生长期的叶片反射光谱,同步采用硫酸-双氧水消煮-钼锑抗比色法测定叶片的磷含量;先用正交试验确定小波去噪的最佳去噪参数组合,再分别选拉普拉斯特征映射(laplacian eigenmaps,LE)、局部线性嵌入(locally-linear embedding,LLE)、局部切空间对齐(local tangent space alignment,LTSA)、等距映射(isometric mapping,Isomap)和最大方差展开(maximum variance unfolding,MVU)5种典型的流形学习算法对去噪后的光谱数据进行降维和特征提取,进而建立基于支持向量机回归(support vector regression,SVR)的柑橘叶片磷含量预测模型。结果表明,基于一阶导数谱的Isomap-SVR建模结果最佳,全生长期校正集和验证集模型决定系数分别为0.9430和0.8949。试验表明,5种流形学习算法皆适用于对柑橘叶片磷含量的预测,为高光谱检测技术用于柑橘树长势监测和营养诊断提供了参考。     

基于高光谱的冬油菜叶片磷含量诊断模型

为快捷、无损和精准表征冬油菜磷素营养与冠层光谱间的定量关系,该文以连续3a田间试验为基础,探究叶片磷含量的敏感波段范围及光谱变换方式,明确基于高光谱快速诊断的叶片磷含量有效波段,降低光谱分析维度,提高磷素诊断时效性。以2013-2016年田间试验为基础,测定不同生育期油菜叶片磷含量和冠层光谱反射率。此后,对原初光谱(raw hyperspectral reflectance,R)分别进行倒数之对数(inverse-log reflectance,log(1/R))、连续统去除(continuum removal,CR)和一阶微分(first derivative reflectance,FDR)光谱变换,采用Pearson相关分析确定叶片磷含量的敏感波段区域。在此基础上,利用偏最小二乘回归(partial least square,PLS)构建最优预测模型并筛选有效波段。结果表明,油菜叶片磷含量的敏感波段范围为730~1300 nm的近红外区域;基于敏感波段的FDR-PLS模型预测效果显著优于其他光谱变换方式,建模集和验证集决定系数(coefficient of determination,R2)分别为0.822和0.769,均方根误差(root mean square error,RMSE)分别为0.039%和0.048%,相对分析误差(relative percent deviation,RPD)为2.091。根据各波段变量重要性投影(variable importance in projection,VIP)值大小,确定油菜叶片磷含量有效波段分别为753、826、878、995、1 187和1 272 nm。此后,再次构建基于有效波段的油菜叶片磷含量估算模型,R2和RMSE分别为0.678和0.064%,预测精度较为理想。研究结果为无损和精确评估冬油菜磷素营养提供了新的研究思路。     

基于光谱特征参量的核桃叶片氮素含量估测模型

建立基于光谱特征参量的新温185号(Juglans regia‘Xinwen185’)核桃叶片氮素含量估测模型,旨在为快速监测新温185号核桃叶片N素营养状况提供技术途径。基于肥料效应田间试验,测定N肥不同施用量水平下新温185号核桃果实坐果期、速生生长期、脂化期和近成熟期的叶片光谱反射率和N素含量,采用Pearson相关分析方法筛选与叶片N素含量呈极显著相关的光谱特征参量,并应用回归分析方法建立叶片N素含量光谱特征参量估测模型。结果表明:与叶片N素含量呈极显著相关(P0.01)的光谱特征参量在果实坐果期有绿峰反射率和红色比值指数,在果实速生生长期有黄边位置、红谷反射率和绿色比值指数、红色比值指数、绿色归一化差值指数、红色归一化差值指数,在果实脂化期有绿峰反射率和红色比值指数,在果实近成熟期有绿峰反射率、黄边幅值和红边面积。分别以绿峰反射率、黄边位置、红色比值指数和黄边幅值为自变量采用三次函数建立的果实坐果期、速生生长期、脂化期和近成熟期叶片N素含量回归估测模型的拟合度R2均在0.99以上,且模型具有很好的稳定性和很高的估测精度。表明可采用三次函数建立果实不同生育时期叶片N素含量光谱特征参量估测模型对新温185号核桃树体N素营养水平进行监测。光谱技术在核桃树体N素营养信息探测方面有较大的应用潜力。     

库尔勒香梨叶片全钾含量高光谱估算模型研究

为实现库尔勒香梨养分状况的无损、实时、快速监测,利用便携式光谱仪(SVC HR-768)测定不同钾肥施用量的20年树龄库尔勒香梨叶片光谱反射率,并结合叶片全钾含量的室内分析,对叶片全钾含量与原始光谱、一阶导数光谱、高光谱参数之间相关性进行分析。结果表明:在425 nm处原始光谱与叶片全钾含量构建的线性模型,调整决定系数R2值达到0.913;在630 nm处一阶微分光谱与全钾含量构建的线性模型,调整决定系数R2值为0.986。叶片全钾含量与高光谱特征变量中绿峰位置变量(Rg)和红谷位置变量(Ro)的相关性极显著,由此构建的线性模型调整决定系数R2值均达到0.96以上。通过模型检验,确定基于630 nm的光谱一阶微分(X630)模型Y=1 136.835X630+50.709为库尔勒香梨叶片全钾含量(Y)的最优估测模型。     

柑橘叶片叶绿素含量高光谱无损检测模型

针对柑橘叶片叶绿素含量的传统化学检测,不仅耗时长且损伤柑橘叶片,还依赖检测者实操技术,无法集成于精细农业中变量喷施农机具的诸多弊端,该文探讨快速无损检测柑橘叶片叶绿素含量方法。以117棵园栽萝岗甜橙树为研究对象,选用ASD Field Spec 3光谱仪对萌芽期、稳果期、壮果促梢期、采果期共4个生长时期的柑橘叶片进行高光谱反射率采集,并同步采用分光光度法测得叶片的叶绿素含量;以原始光谱及其变换形式作为模型输入矢量,分别在主成分分析(principle component analysis,PCA)降维的基础上利用支持向量机回归(support vector regression,SVR)算法和在小波去噪的基础上利用偏最小二乘回归(partial least square regression,PLSR)算法对柑橘叶片叶绿素含量进行建模预测,全生长期整体建模的校正集和验证集最佳模型决定系数R2分别为0.8713和0.8670,均方根误差RMSE(root-mean-square error)分别为0.1517和0.1544,试验结果表明,高光谱可快速无损地对柑橘叶片叶绿素含量进行精确的定量检测,为柑橘不同生长期的营养监测提供理论依据。     

基于近地高光谱的土壤氯离子含量估测

[目的]建立土壤氯离子与高光谱波段的多元线性回归模型,获取盐渍化信息,为盐分的高精度提取提供更有效的方法,为农业生态环境重建工作提供科学依据。[方法]以山东省垦利县作为研究区,于2014年10月5—7日野外采集93个土壤样本,利用ASD高光谱仪野外采集土样高光谱数据并进行预处理,然后采用多元回归和主成分分析方法建立估测氯离子含量的高光谱模型,以快速估测氯离子含量。[结果]氯离子在近红外749,830,987,1301,1 432,1 486nm较为敏感,在土壤光谱分析的基础上,得到室内风干土壤氯离子含量预测最优模型,模型均通过T检验和F检验,能较好地预测土壤氯离子含量。[结论]研究区土壤各组分盐离子中,阳离子以钠离子为主,阴离子以氯离子为主,该模型使间接得到土壤盐分含量具有较好可行性。     

基于赤池信息准则的冬小麦植株氮含量高光谱估算

为了快速、准确地测定冬小麦植株氮含量,利用2014?2015年的冬小麦冠层反射光谱数据构建了16种氮素或叶绿素敏感光谱指数,基于变量投影重要性(variable importance projection,VIP)-偏最小二乘(partial least squares,PLS)-赤池信息准则(Akaike’s information criterion,AIC)整合模型构建了不同生育期植株氮含量最佳回归模型,并用2012?2013年挑旗期数据对模型进行了验证。结果表明:在AIC下,拔节期以4个植被指数为自变量的模型最优;挑旗期以5个植被指数为自变量的模型最优;开花期以4个植被指数为自变量的模型最优;灌浆期以6个植被指数为自变量的模型最优。4个生育期建模的决定系数(R2)和均方根误差(RMSE)分别为0.71、0.86、0.75、0.46和0.23%、0.13%、0.12%、0.15%,以挑旗期决定系数为最大。挑旗期验证集的R2和RMSE分别为0.81和0.41%,预测模型和验证模型均具有较高的估算精度和可靠性,研究结果为选择小麦合适的生育期估算小麦植株氮营养状况提供参考。     

基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算

为改善高光谱技术对荒漠土壤有机质的估测效果,该文采集了以色列Seder Boker地区的荒漠土壤,经预处理、理化分析后将土样分为砂质土和黏壤土2类,再通过光谱采集、处理得到6种光谱指标:反射率(reflectivity,REF)、倒数之对数变换(inverse-log reflectance,LR)、去包络线处理(continuum removal,CR)、标准正态变量变换(standard normal variable reflectance,SNV)、一阶微分变换(first order differential reflectance,FDR)和二阶微分变换(second order differential reflectance,SDR)。通过灰度关联(gray correlation,GC)法确定SNV、FDR、SDR为敏感光谱指标,采用偏最小二乘回归(partial least squares regression,PLSR)法和岭回归(ridge regression,RR)法,构建基于敏感光谱指标的土壤有机质高光谱反演模型,并对模型精度进行比较。结果表明:砂质土有机质含量的反演效果要优于黏壤土;基于SNV指标建立的模型决定系数R~2和相对分析误差RPD均为最高、均方根误差RMSE最低,所以SNV是土壤有机质的最佳光谱反演指标;对SNV-PLSR模型和SNV-RR模型综合比较得出,SNV-RR模型仅用全谱4%左右的波段建模,实现了更为理想的反演效果:其中,对砂质土有机质的预测能力极强(R_p~2为0.866,RMSE为0.610 g/kg、RPD为2.72),对黏壤土有机质的预测能力很好(Rp2为0.863,RMSE为0.898 g/kg、RPD为2.37)。荒漠土壤有机质GC-SNV-RR反演模型的建立为高光谱模型的优化、土壤有机质的快速测定提供了一种新的途径。     

金银花贮藏过程中绿原酸含量的高光谱无损检测模型研究

绿原酸(chlorogenicacid,CGA)是评价金银花品质的重要指标。为了实现金银花贮藏期间CGA含量变化的快速有效检测,该文采集了500个不同贮藏时间(0～20d)的金银花高光谱图像,构建CGA含量的高光谱检测模型。为了提高模型性能,采用savizky-golay卷积平滑(SG),移动窗口平滑(moving average),标准正态变量(standard normal variable,SNV),基线校正(baseline correction,BC),多元散射校正(multiplicative scatter correction,MSC),正交信号校正(orthogonal signal correction,OSC)6种预处理方法并建立偏最小二乘回归(partial least squares regression,PLSR)模型,确定SNV方法为最佳预处理方法,其预测集的R2为0.976 6,RMSE为0.271 1%。为了简化校准模型,利用无信息变量消除(uninformative variable elimination,UVE),连续投影算法(successive projections algorithm,SPA),竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)以及UVE-CARS、UVE-SPA等方法对SNV预处理后的光谱提取特征波长。然后,分别基于全光谱数据和所选特征变量数据,建立线性偏最小二乘回归(PLSR)和非线性BP神经网络模型。结果表明:UVE-CARS算法可以有效地减少提取变量个数(共提取26个,仅占全光谱范围的3.2%),PLSR和BP模型的预测集R2分别为0.974 6和0.978 4,RMSE分别为0.286 3%和0.250 3%。非线性BP模型预测结果整体优于线性PLSR模型,在BP模型中,UVE-CARS-BP预测精度最高,预测集的R2和RMSE的值分别为0.978 4, 0.250 3%。综上,基于高光谱成像技术建立的SNV-UVE-CARS-BP模型,可以实现金银花贮藏过程中CGA含量变化的快速无损预测。     

最优权重组合模型和高光谱估算苹果叶片全磷含量

为了估算苹果叶片全磷含量,该文使用2012年和2013年在山东省肥城市潮泉镇下寨村的2个苹果示范园获取的整个生育期苹果叶片全磷含量和对应的叶片光谱数据,建立了预测苹果叶片全磷含量的最优权重组合模型。首先分析了苹果叶片全磷含量和原始光谱的相关关系,确定了以553和722 nm为苹果叶片全磷含量的诊断波段;根据叶片全磷含量与400~2 500 nm范围两两组合的决定系数等值线图,确立了对苹果叶片全磷含量敏感的546和521 nm、553和518 nm组合的归一化差值指数和543和525 nm、1 394和718 nm组合的比值指数;最后以553和722 nm的反射率以及546和521 nm、553和518 nm组合的归一化差值指数和543和525 nm、1 394和718 nm组合的比值指数为自变量,构建了基于苹果叶片全磷含量的最优权重组合模型,实现了对苹果叶片全磷含量的高光谱估算。结果表明,最优权重组合模型无论是建模集还是验证集,其预测能力(R2=0.94)要优于该文中的6种统计方法(平均R2=0.82),研究结果为快速无损诊断苹果叶片的磷素状况提供新的技术途径。     

基于偏最小二乘回归的土壤有机质含量高光谱估算

为实现基于光谱分析土壤有机质含量的快速测定,该文以江汉平原公安县的土壤为研究对象,进行室内理化分析、光谱测量与处理等一系列工作,在土壤原始光谱反射率(raw spectral reflectance,R)的基础上,提取了其倒数之对数(inverse-log reflectance,LR)、一阶微分(first order differential reflectance,FDR)和连续统去除(continuum removal,CR)3种光谱指标,分析4种不同形式的光谱指标与有机质含量的相关性,对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围,并基于全波段(400~2 400 nm)和显著性波段运用偏最小二乘回归(partial least squares regression,PLSR)建立了该区域土壤有机质高光谱的预测模型,通过模型精度的比较确定最优模型。结果表明,进行CR变换后,光谱曲线的特征吸收带更加明显,相关系数在可见光波段范围内有所提高;基于全波段的PLSR建模效果要优于显著性波段,其中以CR的预测精度最为突出,其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58;显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度来比较,具有模型简单、运算量小、变量更少的特点;最后,综合比较了全波段和显著性波段4种光谱指标的反演精度,发现CR-PLSR模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR模型都要显著。该研究可为将CR-PLSR高光谱反演模型用于该区域土肥信息的遥感监测提供参考。     

不同施氮水平下棉花叶片最大羧化速率的高光谱估测

植物叶片最大羧化速率（Maximum Carboxylation Rate,Vcmax）是表征植被光合能力的重要参数之一,研究叶片Vcmax对氮素的响应对预测植被光合作用和未来植被生产力具有重要意义。该研究以国欣棉9号为试验材料,设置4个施氮水平,测定棉花不同生育时期叶片生理参数和叶片反射光谱,探究Vcmax与生理参数及光谱指数的关系,建立叶片Vcmax最优反演模型。结果显示,棉花叶片Vcmax在苗期至蕾期不受施氮水平的影响,随着生育进程的推进,氮素逐渐成为影响叶片Vcmax高低的主要因素之一。此外,叶片Vcmax与含氮量的相关程度最高,远高于叶片Vcmax与叶绿素、比叶重的关系。对叶片Vcmax与光谱指数进行回归分析发现,由蓝光和红边波段组合的光谱指数能较好的预测叶片Vcmax,其中表现最好的为归一化差值植被指数（Normalized Difference Vegetation Index,NDVI697,445）和比值植被指数（Ratio Vegetation Index,RVI445,694）,决定系数（R2）均大于0.75。最后,以生理参数和光谱指数为基础,采用一般线性回归和多元逐步回归构建棉花叶片Vcmax估算模型,结果表明,由RVI445,694、光化学植被指数（Photochemical Vegetation Index,PRI）、修正型归一化差值植被指数（Modified Normalized Difference Vegetation Index,mND705）所构建的多元逐步回归模型精度最高（R2=0.809,RMSE=16.93 μmol/(m2?s)）,叶片含氮量和叶绿素所构建的多元逐步回归模型次之（R2=0.801,RMSE=17.01 μmol/(m2?s)）,高于其他单变量线性回归模型。研究表明,利用高光谱指数可以有效地估测棉花叶片最大羧化速率,结果可为叶片Vcmax准确反演和评估光合能力提供支撑。     

基于高光谱图像及深度特征的大米蛋白质含量预测模型

为了充分挖掘高光谱图像的光谱信息和图像信息,实现大米中蛋白质含量的无损检测,该文提出一种堆叠自动编码器(stackedauto-encoder,SAE)提取高光谱图像深度特征的方法,在高温(45℃)高湿(95%相对湿度)条件下对市售大米进行放置处理,以6组不同放置时间(0,24,48,72,96和120h)共420个大米样本(每组70个)为对象,利用可见光/近红外高光谱成像仪采集高光谱图像(400～1 000 nm,共478个波段),采用阈值分割法获取样本高光谱图像掩膜,分别提取掩膜后高光谱图像感兴趣区域(region of interest,ROI)的平均光谱信息和图像信息。应用多项式平滑(savitzky-golay,SG)对获取的光谱曲线进行预处理,利用SAE提取光谱深度特征,采用支持向量机回归(support vector regression,SVR)建立预测模型,结果表明训练集决定系数RC2、训练集均方根误差RMSEC、预测集决定系数RP2和预测集均方根误差RMSEP分别为0.976 2、0.068 6 g/(100 g)、0.939 2和0.115 3 g/(100 g)。将图像尺寸统一为28像素?28像素的灰度图并扁平化处理,利用SAE提取图像深度特征,结果表明RC2、RMSEC、RP2和RMSEP分别为0.915 4、0.051 0 g/(100 g)、0.821 0和0.111 8 g/(100 g)。进一步融合光谱信息和图像信息,结果表明RC2、RMSEC、RP2和RMSEP分别为0.971 0、0.077 2 g/(100 g)、0.964 4和0.085 1 g/(100 g),相较于光谱信息,RP2提升幅度2.68%;相较于图像信息,RP2提升幅度17.47%。研究表明,充分挖掘大米样本高光谱图像中的光谱信息和图像信息并进行融合,利用SAE提取光谱-图像融合深度特征,可有效提高模型的预测精度,为大米蛋白质含量无损检测提供了理论依据,具有良好的应用前景。