苹果叶片氮素含量快速检测模型

利用UV-2450型光谱分析仪测量苹果叶片光谱反射率,同时在实验室利用凯氏定氮法测量苹果叶片的氮素质量比,建立了适用于便携式检测仪的苹果叶片氮素含量快速检测模型.研究了苹果叶片光谱特性并进行了光谱反射率与氮素的相关性分析,获得了两个氮素敏感波长652 nm和772 nm.同时,利用分段减量精细采样法,构建了350 ～ 730 nm与740～880 nm波段内所有两两波段形成的归一化植被指数NDVI,并获取了与氮素含量相关性最高的波段组合(859 nm,364 nm)来构建苹果树NDVI.最后建立了基于苹果树NDVI、652 nm处反射率以及772 nm处反射率的偏最小二乘回归模型,建模精度达到0.904 8,均方根误差为0.159 7,检验模型精度达到0.917,均方根误差为0.283 3.     

大豆叶片氮素含量检测装置的研究

根据大豆叶片氮素含量光谱检测技术研究结果,设计了具有4个通道、两种检测模式的便携式检测装置,分别采用540nm波段冠层反射率和比值植被指数RVI检测大豆开花前期和结荚前期叶片氮素含量.该装置由敏感波段光电传感器、信号放大电路、A/D转换器和单片机系统构成.单片机系统内建立了敏感波段冠层反射率及相关植被指数与大豆氮素含量的反演模型,可直接根据冠层反射率反演出大豆叶片氮素含量,也可通过串口通讯将反射率数据传给上位机进行进一步的处理.经田间试验验证,该仪器具有质量轻、价格低、操作简便和检测精度可行等优点,可以为大豆氮肥合理施用提供指导.     

小麦氮素无损监测仪敏感波长的最佳波段宽度研究

为研究不同核心波长时波段宽度对小麦冠层叶片氮素营养监测精度的影响,以作物氮素营养无损监测仪的最佳光谱指数NDSI(R860,R720)和RSI(R990,R720)为例,分析核心波长的反射率、光谱指数及基于光谱指数的冠层叶片氮积累量监测模型随波段宽度的变化规律.结果显示,随波段宽度的增加,核心波长为720 nm时反射率...     

基于无人机遥感影像的核桃冠层氮素含量估算

叶片氮素含量是评价植被生长状况的重要指标,快速、准确监测核桃树冠层氮素含量的变化,对及时掌控树体长势、实施精准管理具有重要意义。本研究通过低空无人机遥感平台搭载GS-2型成像光谱仪,获取了果实膨大期5年生核桃林地的高光谱遥感影像数据。利用ENVI 5.3软件对观测范围内的核桃、土壤以及阴影区域进行识别提取,根据不同地物的波谱差异寻找核桃与土壤、阴影区域之间无交集且差异较大的波段区间,确定冠层的范围,并通过支持向量机方法验证其提取精度;根据NDVI、RVI和DVI植被指数筛选指示冠层氮素含量的特征敏感波段,分析了9种光谱参数对核桃冠层氮素含量的估算能力及其相关性,并将筛选的特征敏感波段作为BP神经网络模型的输入变量,进行了核桃冠层氮素含量的估算。结果表明：当B100 (550.7)处的光谱反射率大于0.10,且 B233 (779.4) 处的光谱反射率大于0.70时,可有效识别和确定核桃树冠层范围,制图精度高达96.43%。在分析核桃树冠层氮素含量与NDVI、RVI、DVI植被指数相关关系的基础上,确定了B33 (440.6)、B165 (660.7)、B186 (697.0)和B347 (986.4)为指示氮素含量的特征敏感波段。9种光谱参数中,以B347 (986.4)和B186 (697.0)重构的NDVI(986.4,697.0) 在核桃林地冠层氮素含量的诊断中更接近实测值,估算模型精度最高。基于BP神经网络建立的估算模型较9种光谱参数具有更高的估算精度,测试集R 2 达0.805,具有一定的估算可靠性。     

基于多光谱卫星模拟波段反射率的冬小麦水分状况评估

为及时掌握作物水分利用状况、评估作物水分亏缺和提高作物水分利用效率,在2012—2016年期间进行了不同水分处理的冬小麦田间试验,获取了冬小麦主要生育期冠层光谱和叶片含水量等数据。利用冬小麦冠层光谱以及Quickbird、IKONOS、GF-2、GF-1、Landsat8、HJ-1A/B、GF-4和MODIS卫星传感器光谱响应函数模拟卫星多波段反射率,参照归一化植被指数(Normalized vegetation index, NDVI)、比值植被指数(Ratio vegetation index, RVI)和差值植被指数(Difference vegetation index, DVI)的形式,将各卫星波段反射率两两组合,系统分析构建的植被指数与叶片含水量的相关性,探讨不同空间分辨率(2.44、4、8、30、50、250m)波段组合及植被指数对作物水分状况和灌溉活动的响应能力。结果表明,NDVI、RVI和DVI 3种指数对作物水分敏感区域的分布类似;8个卫星的近红外波段与叶片含水量的相关系数为正,其余几个波段与叶片含水量的相关系数为负;NDVI(GF-1绿波段,GF-2绿波段)、RVI(GF-1绿波段,GF-2绿波段)和DVI(GF-2蓝波段,GF-4蓝波段)与叶片含水量相关性较好,决定系数R2分别为0.776、0.774和0.886,以DVI形式构建的植被指数对叶片含水量的估算效果最好。本研究可为区域作物水分状况评估以及作物灌溉活动监测提供技术和方法支持。     

基于多波段光谱探测仪的玉米冠层叶绿素含量诊断

为了快速无损地检测大田作物冠层叶绿素含量,使用便携式多波段光谱探测仪针对农大8号（G1）、郑单（G2）、先玉（G3）和京农科（G4）4种玉米作物品种,在拔节期采集550、650、766、850 nm波长处太阳光信号和作物冠层反射光信号,用于建立玉米冠层叶绿素含量诊断模型。首先,利用作物冠层650 nm和550 nm波长反射率之间的差值 T D 剔除了土壤背景数据点（ T D >0）。然后,组合计算了NDVI、RVI和DVI共12个植被指数,分析各植被指数与叶绿素含量之间的相关关系,结果显示与G1~G4品种叶绿素含量相关性最优的参数分别为RVI(766,550)、 DVI(850,650)、 NDVI(850,550)和RVI(766,550),相关系数均达0.6以上。数据按一定间隔聚类后,相关性分析结果表明多波段光谱探测仪对玉米叶绿素含量检测最优分辨率为0.5 mg/L,且NDVI(850,550)、NDVI(766,550)和RVI(850,550)与叶绿素含量的相关系数分别为0.837 0、0.773 7和0.767 7,达到了强相关水平。最后,建立了多品种通用型玉米拔节期叶绿素含量诊断模型,可为大田玉米拔节期叶绿素含量诊断提供技术支持。     

叶面施硒下荞麦LNC的遥感估测研究

氮作为植物生长发育过程中的大量元素之一，其含量的快速准确性获取对大田农作物监测和管理有着重要意义，本研究采用无人机（UAV）搭载多光谱传感器对田间荞麦冠层叶片氮含量（Leaf Nitrogen Content，LNC）进行定量化估测，为荞麦叶片的信息化管理提供理论依据。试验选用“晋荞6号”、“晋荞9号”为研究对象，通过无人机于荞麦开花期和灌浆期获取多光谱影像并同步采集荞麦冠层叶片的氮含量，然后分别提取了五个波段下的反射率，选用与叶片LNC相关的12个植被指数进行皮尔逊（person）相关性分析，选取17个光谱变量中相关性较高的特征变量与实测LNC进行PLSR、SVM和BPNN回归建模，结果表明：适量施用叶面硒肥可促进叶片吸收氮素从而增加LNC，过量硒肥不能持续提高LNC。G、R、NIR、NDVI、RDVI、RVI、SAVI、NLI、OSAVI、GRVI与LNC相关性较高，最高为GRVI，达到了0.824。采用BP神经网络建立的回归模型表现最优，盛花-灌浆期预测集决定系数（R2）为0.828，均方根误差为（RMSE）为2.172，验证集R2为0.939，RMSE为1.100，RPD为4.587。因此，无人机多光谱遥感技术可实现大田尺度的荞麦冠层叶片LNC估测。     

氮素胁迫下水稻高光谱特征研究

氮素是水稻生长发育的一种大量必需元素,需及时准确地监控水稻的氮营养状况。水稻的合理施肥对增产、优化品质、降低水污染具有重要意义。水稻营养状况遥感诊断技术具有简单、无损、快速等特点而得到各国专家的广泛研究和应用。本实验以方正水稻阳光4号品种为例,通过大田实验,利用高光谱遥感技术,采集6个施氮水平的水稻冠层水稻冠层图像,测定水稻冠层光谱反射率。结果表明:水稻冠层反射率与不同氮素含量有明显的相关性,从曲线图中可以定性区分出严重缺氮、正常施氮及过量施氮。下一步将结合光谱曲线找出诊断水稻氮素营养水平的敏感波段,为日后水稻冠层氮素营养诊断模型奠定基础。     

大豆叶片氮素含量检测技术的试验研究

研究了大豆开花前期和结荚前期冠层多光谱特征与氮素营养状况间的关系,选择540nm波段反射率和比值植被指数分别作为开花前期和结荚前期叶片全氮拟合的特征参数并建立了回归模型.经检验,模型相关系数达0.8624以上,最大误差小于19%,能够有效反应大豆开花前期和结荚前期叶片全氮状况.实现了一种简便、快捷、较精确的作物田间非破坏性营养状况诊断方法,为指导大豆花期和结荚期追肥以及植物理化特性快速采集智能仪器的开发奠定了理论基础.     

基于无人机偏振遥感的水稻冠层氮素含量反演模型

受水稻冠层几何结构的影响,传统的无人机高光谱获取到的反射光谱信息中包含与水稻内部组成物质无关的镜面反射信息,从而影响水稻氮素含量的反演精度,因此在利用无人机获取水稻冠层反射光谱信息时,有必要考虑通过偏振测量技术去除反射光谱中的镜面反射分量,进而实现提升水稻氮素含量反演精度的目的。基于无人机偏振遥感测量得到的水稻分蘖期多角度偏振光谱数据和与之对应的氮素含量数据,采用植被指数方法分析二者之间的相关性,得到了水稻冠层偏振光谱数据与其对应氮素含量相关性最高时对应的角度,选取该观测角度下的偏振光谱数据,利用连续投影法(Successive projections algorithm, SPA)提取特征波段,在此基础上,基于数学变换的方法,提出了构建植被指数的新思路,构建了由2个波段组成的偏振光谱植被指数(Polarisation spectrum vegetation index, PSVI),并利用线性回归方法建立水稻冠层氮素含量的反演模型。结果表明,通过对不同观测天顶角下水稻冠层偏振光谱数据与氮素含量相关性分析,得到最佳观测角度为-15°(后向观测15°);利用连续投影法提取得到该角度下偏振...