沿海滩涂棉花叶片叶绿素含量高光谱遥感估算模型研究

以连云港滩涂棉花地为研究区域,利用ASD便携式光谱仪在晴朗天气条件下测试了野外采集的棉花叶片反射光谱,选取原始光谱和一阶导数光谱作为多变量,三边参数（红边、黄边和蓝边）和归一化植被指数NDVI、比值植被指数RVI、结构相关色素指数SIPI、叶面叶绿素指数LCI、水分指数WI、窄波段微分植被指数1DZ_DGVI和窄波段植被指数TCARI/OSAVI作为单变量,分析棉花叶片叶绿素含量与这些变量之间的相关性;在相关分析的基础上构建棉花叶片叶绿素含量估算模型。结果表明,叶绿素a、b和a＋b含量与单变量参数之间的相关性均未达显著水平;而与原始光谱、导数光谱都存在显著相关性。对叶绿素a含量而言,基于440 nm处的一阶导数光谱应用指数函数和幂函数构建的估算模型精度最高,R2为0.231。对叶绿素b含量而言,基于652 nm处的一阶导数光谱应用一元线性回归法构建的高光谱估算模型精度最高,R2为0.165。对叶绿素a＋b含量而言,基于440 nm处的一阶导数光谱应用指数函数、复合函数和生长函数构建的估算模型精度高,R2为0.155。该研究为进一步加强滩涂农业管理和提高滩涂农作物的产量提供技术支持。     

基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算

【目的】建立并研究棉花冠层叶片叶绿素含量的高光谱估算模型,探讨合适的建模方法,以提高棉花叶绿素含量的高光谱遥感估算精度。【方法】以2016年种植的渭北旱塬区棉花鲁棉研28号为试验对象,用SPAD-502型手持式叶绿素仪和HR-1024i便携式地物光谱仪,分别测定棉花不同生育期冠层叶片SPAD值和对应的光谱反射率,分析SPAD值与光谱反射率的相关性。选取8个光谱参数,分析SPAD值与这8个光谱参数的相关性,并采用单因素回归、多元逐步回归和支持向量机(SVM)回归方法,构建棉花冠层叶片叶绿素含量的高光谱估算模型,比较各模型的决定系数(R2)、均方根误差(RMSE)以及相对误差(RE),评价模型的精度。【结果】(1)棉花冠层叶片光谱反射率在400～700nm波段随叶片SPAD值升高而降低,在700～1 000nm波段表现为SPAD值越高,叶片光谱反射率越高;(2)在530～570nm和680～730nm处叶绿素含量与光谱反射率呈极显著负相关(99.99%置信区间,n=144);(3)所选用的8个光谱参数与叶绿素含量均达到极显著相关,相关系数最高为0.686;(4)SVM回归模型验证R2达到了0.884,RMSE和RE最低,分别为2.186和3.419,比单因素回归模型中预测精度最高的SPAD-RVI1的RMSE和RE分别降低46.4%和46.3%,较多元逐步回归模型SPAD-MSR的RMSE和RE分别降低33.4%和32.1%,明显提高了棉花叶绿素含量的估算效果。采用8个光谱参数构建的SPAD-SVM8模型RMSE和RE比采用4个光谱参数构建的SPAD-SVM8模型分别降低了19.2%和23.5%。【结论】支持向量机(SVM)回归方法可以作为棉花冠层叶片叶绿素含量高光谱遥感估算的优选方法,且采用较多光谱参数构建的SVM模型估算精度更高。     

基于光谱特征参数的琯溪蜜柚叶片叶绿素含量估算

[目的]利用光谱特征参数建立蜜柚叶片叶绿素含量估算模型,为实现快速、无损、精确的叶绿素含量估算提供理论依据和技术支持.[方法]通过提取原始光谱及一阶微分光谱特征波段和光谱特征变量,分析蜜柚叶片高光谱特征参数与叶绿素相对含量(SPAD)值之间的相关关系,构建单变量估算模型和多元回归模型,并确定蜜柚叶绿素含量的最佳估算模型...     

利用叶片高光谱反射率预测棉花叶绿素含量

为提高棉花叶绿素含量预测的准确性,利用连续小波分析和传统光谱变换对棉花叶片原始光谱进行分解和变换,以特征小波系数和光谱特征波段为自变量,并利用单变量、逐步回归和偏最小二乘法建立反演棉花叶片叶绿素含量的数学模型。结果显示,不同的光谱处理方法使得棉花叶片叶绿素和光谱反射率的相关性都有不同程度的提升,对于传统光谱变换,倒数对数一阶微分lg(1/R′)对棉花叶片叶绿素相关性提高了0.41。结果表明,连续小波分析在信息降噪和挖掘特征信息方面优于传统光谱模型,建立的模型RPD>2,具有很好的稳定性,对样本数据都具很好的预测能力。     

棉花冠层叶片叶绿素含量与高光谱参数的相关性

【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性,建立叶绿素含量估算模型。【方法】2014年,以鲁棉研28号为研究对象,测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350~2 500nm光谱反射率,以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源,在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型,并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】1)棉花冠层叶片叶绿素含量在反射光谱766nm处相关系数达到最大值,相关系数r=0.836;对于一阶导数光谱,叶绿素含量的敏感波段发生在753nm处,r=0.878;2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型,筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg),仅采用8种常用植被指数建立估算模型,筛选出的变量为比值植被指数(RVI);3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高,均方根误差(RMSE)为1.075,相对误差(RE)为2.22%,相关系数(r)为0.952。【结论】采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测,其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。     

北疆棉花叶绿素密度的高光谱估算研究

利用非成像高光谱仪,对4水平种植密度下的2个北疆棉花品种在5个关键生育时期进行冠层光谱测定,分析棉花反射光谱及微分光谱生育期的变化规律,并对棉花冠层叶绿素密度(CH.D)与光谱数据进行回归分析,结果表明,近红外729 nm波段处一阶微分光谱数值与CH.D高度相关(r=0.937 2**,n=20),用此波段建立的CH.D估算模型,精度达84.3;,标准差为0.234g/m2,RMSE=0.156 9.研究表明,可以用高光谱数据对新疆棉花冠层CH.D进行遥感估算.     

基于高光谱图像的枸杞叶片叶绿素含量估算模型

为高效无损获得枸杞叶片叶绿素含量,基于无人机搭载高光谱成像仪实拍的宁夏枸杞叶片高光谱图像,结合手持叶绿素仪测定的叶片叶绿素含量,通过对高光谱图像进行特征波段选取并利用光谱微分技术处理,以反射率一阶导数为输入变量,设置不同训练集及数量,选用BP、Elman两种神经网络并分别用遗传算法(GA)、粒子群优化算法(PSO)进行优化,通过预测效果比较确定枸杞叶绿素含量预测的最优模型。结果表明,相比于传统的BP、Elman神经网络,优化后的模型预测结果更好,尤其PSO-Elman模型,预测模型变量为原始反射率与反射率一阶导数的R²分别为0.91408、0.98967。本研究结果可为宁夏枸杞的生产管理提供一定的技术支持。     

基于高光谱成像技术的辣椒叶片叶绿素含量估算

叶绿素是植被光合作用的重要物质,能够间接反映植被的健康状况和光合能力.高光谱技术的发展为大面积、快速检测植被叶绿素含量变化提供了可能.选取150组不同生长期的辣椒叶片作为研究对象,分别采集辣椒叶片的高光谱图像和叶绿素含量.利用随机森林特征选择算法进行数据筛选,结合线性回归、偏最小二乘回归、梯度提升回归树、随机森林回归等4种模型分别构建回归模型.结果表明:(1)利用随机森林特征选择算法筛选后波段建立的模型决定系数(r2)均大于0.8,说明该方法具有较高的稳定性和预测精度;(2)利用随机森林特征选择算法筛选的波段结合随机森林回归,其验证集的r2为0.9、均方根误差(RMSE)为1.87、平均绝对误差(MAE)为1.43.可以较为准确地预测辣椒叶片叶绿素含量,为后期利用高光谱成像技术大面积检测辣椒的生长状况提供了理论依据.     

基于高光谱的石楠叶片叶绿素含量估算模型

准确估算叶绿素含量对于植物生长监测、产量预测、生境的适宜性评价具有重要作用。为寻求叶片叶绿素含量的高精度估算模型,以石楠为对象,实测叶片叶绿素含量和反射光谱反射率,对原始光谱进行变换并计算植被指数,通过相关性分析挑选特征波段,运用多元逐步线性回归和偏最小二乘回归建立叶绿素预测模型。结果表明:1）FDR的逐步线性回归模型和偏最小二乘模型优于R、1/R、LR、SDR;2）DNDVI(R₆₄₅,R_{1 370})的指数函数模型为估算叶绿素含量的最佳单变量模型;3）DRI(R₇₄₇,R_{1 464})与RI(R₇₃₃,R₉₄₄)的逐步线性回归模型精度最高,验证结果的决定系数R²为0.955,均方根误差RMSE为3.145。因此,该模型可以实现叶片叶绿素含量的准确估算,从而为实现高光谱技术监测植被叶绿素含量变化提供依据。     

粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算

目的 叶绿素含量是表征粳稻生长状态的重要指示信息,利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础,利用连续投影算法(SPA)进行有效波段的提取,提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入,利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中,针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80,w为0.9~0.3线性递减,C₁和C₂分别为2.80和1.10,m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887,均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型,前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。     

基于EMD-SD光谱的玉米叶片叶绿素含量GA-BP模型反演

叶绿素是作物进行光合作用所需的主要色素,BP神经网络（BPNN）是较为新颖的反演叶绿素含量的方法。为研究反演精度更高的叶绿素含量反演模型,将经验模态分解（EMD）与光谱微分（SD）结合来提高输入因子与叶绿素含量的相关性,并使用遗传算法（GA）优化BPNN得到GA BP模型以获得最优初始权值阈值。将光谱数据EMD后进行一阶微分变换得到EMD SD光谱,选择与叶绿素含量相关系数超过06的5个波段处的EMD SD值作为GA BP模型的输入因子,隐含层节点数为7,多次训练取最优个体适应度值最低的GA BP模型来反演玉米叶片叶绿素含量。GA BP模型反演得到的预测值与实测值之间的判定系数（R2）最高,达到0818,均方根误差（RMSE）仅为2442,平均相对误差（e）为5436%。研究表明,EMD SD光谱作为GA BP模型的输入因子,与线性模型MLR和未优化的BP模型相比反演精度最高,验证了基于EMD SD光谱的GA BP模型提高玉米叶片叶绿素含量反演精度的可行性。     

融合光谱反射率与时频特征的坡垒叶绿素含量估测模型研究

【目的】研究估测坡垒叶绿素含量的高光谱模型,探讨融合光谱反射率与时频特征估测叶绿素含量的可行性,为坡垒叶绿素含量的快速无损检测提供参考。【方法】以2年生坡垒为研究对象,设置N0（0 kg/hm²）、N1（35 kg/hm²）、N2（70 kg/hm²）3个氮肥水平,测定不同氮肥水平下坡垒冠层叶绿素含量和光谱曲线,采用离散傅里叶变换（DFT）和短时傅里叶变换（STFT）方法提取光谱时频特征,采用偏最小二乘回归（PLSR）算法,构建基于光谱反射率、时频特征及其二者融合特征的不同氮水平的分区模型以及全氮肥水平下的综合模型,估测不同氮肥水平下坡垒叶绿素含量,并以决定系数（R²）、平均绝对百分比误差（MAPE）、相对均方根误差（RRMSE）作为评价指标比较各模型精度,确定最优估测模型。【结果】（1）不同叶绿素含量下坡垒冠层光谱反射特征的整体变化趋势相似,在可见光波段（380~750 nm）内,光谱反射率随着叶绿素含量的增加而降低。（2）在构建的分区模型中,基于光谱反射率和时频特征构建的模型均能较好地估测坡垒叶绿素含量,检验R²分别为0.626~0.816,0.662~0.797,检验MAPE分别为4.966％~9.269％,6.029％~8.181％,检验RRMSE分别为6.827％~11.593％,8.247％~9.792％;基于融合光谱反射率与时频特征（融合特征）构建的分区模型检验R²为0.913~0.951,检验MAPE和RRMSE均低于10％。（3）在构建的综合模型中,当引入哑变量时,基于融合光谱反射率与时频特征（融合特征）构建模型的检验R²为0.814,MAPE和RRMSE分别为7.212％和8.578%,二者较基于光谱反射率构建的模型分别降低了37％和36％,较基于时频特征构建的模型分别降低了47％和45％。【结论】基于融合光谱反射率和时频特征（融合特征）构建的模型能够提高坡垒叶绿素含量估测的精度,对于不同氮肥水平下坡垒叶绿素含量有较好的估测效果,可作为估测坡垒叶绿素含量的优选方法。     

基于反射光谱全波段与双波段甘蔗叶片叶绿素预测模型比较

以甘蔗品种新台糖22号(ROC22)叶片为研究对象,针对全波段和双敏感波段处的反射率分别建立甘蔗叶片叶绿素含量的预测模型,对比各模型的精度。全波段方面,以可见-近红外光谱反射率为输入量,提取出前5个主成分后,分别采用多元线性回归(MLR)与BP神经网络(BPNN)方法建立全波段模型M1与M2;敏感波段方面,选择731和785nm这2个敏感波段及由二者计算出的植被指数为输入量,建立一元线性回归(SLR)模型M3、MLR模型M4以及BPNN模型M5。研究结果表明:M1与M2的预测值与实测值间的决定系数R~2分别为0.792 4和0.892 9;M3、M4、M5的R~2分别为0.821 2、0.840 1和0.848 2;BPNN模型精度高于线性回归模型;虽M5的精度稍低于M2的精度,但M5只包含2个敏感波段信息,具有更高的工程应用价值。     

基于高光谱数据的滴灌甜菜叶绿素含量估算

为明确甜菜叶绿素含量与高光谱植被遥感的定量关系,探索建立干旱区甜菜叶绿素含量估测模型,即时监测甜菜生长状况,选取新疆滴灌甜菜（Beta356）为研究对象,利用ASD野外高光谱仪在甜菜叶丛快速生长期、块根膨大期与糖分积累期采集各处理反射光谱,并同时测定叶绿素含量,分析原始光谱反射率和一阶微分光谱反射率与叶绿素含量的相关关系,并进一步建立光谱特征参数和敏感波段植被指数叶绿素含量估算模型。结果表明：原始光谱反射率在近红外区（700~1 300 nm）随着氮素水平的增加呈先升高后降低趋势,红边（680~760 nm）也表现出相同趋势,原始光谱反射率在近红外区（700~1 300 nm）随着运筹管理的递进呈现升高趋势,红边（680~760 nm）也表现出相同趋势;原始光谱反射率和一阶微分反射率与叶绿素含量均具有较好的相关性,其最大正相关分别位于902 nm（r=0.574,P<0.01）和676 nm（r=0.843,P<0.01）附近,最大负相关分别位于611 nm（r=-0.664,P<0.01）和1 138 nm（r=-0.727,P<0.01）附近。对所建12个线性模型进行精度检验,其中差值植被指数DR₆₇₆–DR₄₄₆和DR₆₇₆估算模型的预测值与实测值的决定系数分别达到0.774和0.781,以DR₆₇₆所建立的估算模型最优。本研究为快速无损监测甜菜生长状况、制定氮素管理方案、指导甜菜氮肥管理提供支持。     

基于无人机热成像的棉花根域土壤水分含量估测研究

为探究棉花冠层无人机热红外影像对根域土壤水分含量反演规律,以棉花花铃期土壤水分为研究对象,利用小区水分胁迫控制试验和模型模拟的方法,获取棉花花铃期在不同干旱胁迫天数下（灌水后第2、10和32天）的叶片含水量、根域各土层（0~10、10~20、20~30、30~40、40~50 cm）土壤相对含水量（Relative soil water content,RSWC）,同步获取无人机热红外影像数据,通过将棉花冠层温度与叶片、大气温度结合构建差值温度指数（Difference temperature index,DTI）,比值温度指数（Ratio temperature index,RTI）和归一化差值温度指数（Normalized difference temperature index,NDTI）,选择与RSWC相关性在0.6以上的指标（冠层温度、冠-高温差、冠-均温差、DTI2、DTI3、NDTI2、NDTI3）构建不同土层水分含量估测模型,并进行验证。结果表明：1）随干旱胁迫天数的增加,棉花叶片含水量呈先升高后降低的趋势,土壤相对含水量随干旱胁迫天数的增加逐渐降低;2）冠层温度协同叶片、大气温度构建的温度指数估测根域土壤水分含量精度要优于单一使用冠层温度,具体表现为NDTI3>DTI3>DTI2>NDTI2>冠-均温差>冠-高温差>冠层温度;3）多元线性回归模型对棉花根域土壤含水量具有较高的估测精度,其中干旱胁迫第2天对10~20 cm根域土层的估测精度最高,R²为0.600,RMSE为0.388;第10天对20~30 cm根域土层的估测精度最高,R²为0.721,RMSE为0.267;第32天对30~40 cm根域土层的估测精度最高,R²为0.918,RMSE为0.068。因此,利用无人机热成像仪获取棉花冠层温度并结合叶片及大气温度,可对作物根域土壤水分含量进行拟合估测,对发展节水灌溉等土壤水分调控与管理技术具有现实意义。     

基于高光谱植被指数的西北玉米不同时期叶绿素含量估测

以陕西省扶风县马席村、巨良农场和杨凌区揉谷乡种植的大田玉米为试验材料,分别测定玉米抽雄期、灌浆期和乳熟期的冠层光谱反射率和叶片叶绿素含量,分析冠层各光谱植被指数与叶片叶绿素含量之间的相关关系,建立玉米叶绿素含量估测模型。结果表明,以单变量光谱植被指数估算叶绿素含量,抽雄期的最佳模型由修正叶绿素吸收反射率指数(Modified chlorophyll absorption reflectivity index,MCARI)建立,灌浆期最佳模型由垂直植被指数(Perpendicular vegetation index,PVI)建立,乳熟期最佳模型由植被衰老反射率指数(Plant senescence reflectance index,PSRI)建立。随着玉米生长期的推进,叶片衰老,用PSRI所建立的模型来监测玉米叶绿素含量的效果较好,可为高光谱遥感在玉米长势监测提供理论依据和技术支持。     

基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型

【目的】探讨龙眼Dimocarpus longan Lour.叶片发育过程中叶绿素含量二维分布变化规律,实现无损检测病虫害对叶片叶绿素含量分布的影响,为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。【方法】利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像,自动提取感兴趣区域,利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性,建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性,将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量,结合"图谱信息"的SAE模型预测龙眼叶片叶绿素含量的分布情况。【结果】龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰,嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698和705 nm;全发育期的最敏感波段相关性远高于3个生长发育期,r达到0.890 3。回归模型中,吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R_c~2=0.856 8,RMSEc=0.219 5;R_v~2=0.771 2,RMSEv=0.286 2),其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中,结合"图谱信息"的SAE模型预测效果最好(R_c~2=0.979 6,RMSEc=0.171 2;R_v~2=0.911 2,RMSEv=0.211 5),且预测性能受叶片成熟度影响相对较小,3个生长阶段R_v~2的标准偏差仅为最小二乘回归模型标准偏差的29.9%。【结论】提出了一种自动提取感兴趣区域的方法,成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大,而基于"图谱信息"融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高,SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。     

基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。