不同施肥种类对大豆叶片光谱及叶绿素含量的相关性分析

为准确测定叶绿素含量,以大豆品系2146-7为试材,采用随机区组设计方法,研究不同施肥方式对大豆叶片光谱与叶绿素含量的相关性。结果表明:光谱反射率大小为:不施肥处理常规施肥处理有机肥处理+常规施肥处理;在可见光710nm处有一个叶绿素反射吸收谷;叶片叶绿素含量与光谱植被指数mSR705、mND705和PSSRc具有极显著相关性。     

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。     

大豆叶面积的高光谱模型

以ASD FieldSpec-Vnir光谱仪实测不同生长季大豆的冠层反射率,同期采集对应大豆LAI,然后逐波段分析冠层光谱反射率、导数光谱与大豆LAI的相关关系;并采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI确定性系数随波长的变化趋势,建立了以近红外与可见光波段冠层光谱反射率的比值植被指数RVI与大豆LAI的高光谱遥感估算模型。结果表明,冠层光谱反射率在350￣680nm、760￣1050nm波谱区与大豆LAI相关性较大,而在红边区680￣760nm的相关性变化较大;导数光谱在红边区与大豆LAI相关程度高。通RVI方式建立的遥感估算模型能较为准确估算大豆LAI,通过对红外与蓝波段建立的RVI指数与大豆LAI的回归模型,表明其预测大豆LAI的能力较好,有进一步研究的必要;通过对比发现,神经网络模型可以大大提升高光谱反演大豆LAI的水平,模型的确定系数R2为0.9661,而总均方根误差RMSE仅为0.446m2.m-2。     

用于监测柑橘叶片冻害的叶绿素含量光谱反射模型研究

果树叶片的叶绿素含量(SPAD)是植株营养状况的表现,也决定其光合作用能力的强弱,并且越冬前的树体营养状态,对果树抵御极端低温和顺利越冬是一个重要的影响因素,而果树受冻时叶绿素渗出和降解也是冻害发生程度的指标.通过对不同生长期的柑橘叶片进行光谱扫描,采用逐步回归法、红边参数法和光谱指数法分析叶片光谱反射率和叶绿素含量之间的关系,构建了柑橘叶片叶绿素光谱反射模型.结果表明,柑橘叶片叶绿素含量与反射光谱之间有较强的相关性,且两种方法所得模型预测值与实测值的相对误差都小于10％,说明模型具有良好的预测结果.两种方法中,选择波段的逐步回归法比光谱指数法的精度更高,但从建模参数的物理意义和逻辑性方面考虑,推荐光谱指数法建模,该模型可为远距离遥感监测果园营养状况和冻害情况提供参考.     

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...     

基于光谱分析不同温度下棉花叶片SPAD值含量估测

【目的】研究不同温度对棉花叶片SPAD值的影响,利用高光谱反演叶片SPAD值。【方法】以不同温度处理花铃期水培棉花叶片为材料,利用美国SVC-HR768光谱仪测定叶片光谱反射率和SPAD502叶绿素计测定叶片SPAD值,采用相关分析、线性回归等方法,分析叶片SPAD值与原始光谱、一阶微分光谱和高光谱参数数据之间的关系。【结果】随着温度的升高,叶片SPAD值和原始光谱反射率逐渐下降,叶片SPAD值与原始光谱、一阶微分光谱和高光谱参数数据均具有较好的相关性,通过相关系数、调整R2和平均相对误差最大优选原则综合比较,筛选建立的叶片SPAD值与原始光谱、一阶微分光谱和高光谱参数的较优估测模型,相关系数分别为0.81、0.857和0.833,调整R2分别0.747、0.844和0.824,平均相对误差分别为9.12%、5.78%和7.72%。【结论】一阶微分光谱671和683 nm组合波段构建的模型Y=50.487 X683-131.617 X671+36.777预测叶片SPAD值最为精确,高光谱参数次之,原始光谱最差,为利用高光谱遥感信息反演花铃期棉花叶片SPAD值提供理论依据。     

基于成像高光谱的小麦叶片叶绿素含量估测模型研究

为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用。采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型。经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2 094.242R'7153+112 646.744R'7152-1.561E7R'715+42.991。这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513~539、564~585、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

净套作下大豆叶绿素密度动态及光谱估测研究

【目的】利用高光谱数据构建一种适合于净作和套作群体的大豆叶绿素密度光谱估测通用模型,为监测以叶绿素密度为参数的净、套作大豆长势提供支撑。【方法】以南豆12为供试大豆品种,设计净作和套作2种种植模式,测定净、套作下大豆不同生育时期叶绿素密度及其冠层光谱特征,对通过原始、全波段导数光谱和多波段组合计算的植被指数与叶绿素密度进行相关性分析,比较不同高光谱特征参数与叶绿素密度之间的关系,借助高光谱遥感分析方法构建适合于净、套作下大豆叶绿素密度的估测模型。【结果】净作和套作大豆叶绿素密度在整个生育期呈先上升后下降的单峰曲线,在结荚期达到最大值,其中净作比套作平均高5.5%。同样,大豆冠层光谱反射率在近红外波段(700~1 000nm)也呈现先增后降趋势,结荚期最高,达到70%,并在结荚期之前红边位置出现红移现象。原始光谱自由组合的比值植被指数RVI(507/697)与叶绿素密度的相关性最高,相关系数大于0.962(P0.01)。对净、套作下大豆叶绿素密度模型进行比较分析,发现二次模型能够较好地估测净、套作下大豆叶绿素密度(R20.75,RMSE=0.25)。【结论】用比值植被指数RVI(507/697)构建的叶绿素密度二次估测模型,能够较好地对净、套作下大豆叶绿素密度进行估测。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513⁵39、564539、564⁵85、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

双子叶植物叶片类胡萝卜素含量高光谱反演估算

类胡萝卜素(Car)是植物进行光合作用的主要色素之一,在吸收传递光能、保护叶绿素,以及延缓叶片衰老等方面有重要作用。以LOPEX’93数据库为基础,系统分析400~2 500 nm高光谱波段范围内任意两波段组合而成的归一化差值植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)与双子叶植物叶片Car含量间的定量关系。结果表明,在756 nm处红光波段与809 nm处近红外波段的NDVI_(809,756)、RVI_(809,756),以及750 nm处红光波段与809 nm处近红外波段的DVI_(809,750)都可以较好地实现Car含量反演,建立的回归预测模型的判定系数(R²)均大于0.74。对由各植被指数构建的反演模型进行精度验证发现,NDVI_(809,756)和RVI_(809,756)的估算效果相当,且都好于DVI_(809,750),模型预测精度分别为0.735和0.738,均方根误差分别为1.426 1和1.420 5,平均相对误差分别为13.66%和13.60%。表明基于高光谱数据对双子叶植物叶片Car含量进行估算是可行的。     

基于高光谱数据的水稻叶片净光合速率反演

以水稻叶片光谱和光合入射有效辐射(PARin)为数据源,分别使用8种叶绿素相关植被指数和其与PARin的乘积对珞优9348和丰两优4号品种水稻叶片在3种氮肥浓度下的净光合速率进行反演,建立不同氮肥水平下,品种无关的水稻叶片净光合速率估算模型,并验证精度。结果表明:1)仅基于叶绿素相关植被指数反演叶片净光合速率是不可行的,模型R~2均0.48;2)考虑区分品种与氮浓度,使用叶绿素相关植被指数与PARin的乘积来反演叶片净光合速率可以显著提高模型精度,植被指数CI(Chlorophyll Index, CI)反演效果最好,R~2均0.75,RMSE不超过1.85μmol/(m~2·s);3)区分高、低氮水平进行反演,基于CI的模型R~2分别为0.80和0.89,RMSE分别为1.25和1.37μmol/(m~2·s),可满足反演需求。因此,基于叶绿素植被指数CI的模型可适用于不同品种的水稻叶片净光合速率统一反演。     

基于穗光谱指数的水稻产量预测

为探索运用水稻穗光谱植被指数预测水稻产量的可行性,以2个水稻品种为材料,设置3个氮素水平,测定了3个时期水稻叶片和穗的高光谱反射(350~2 500 nm)和色素含量,并测定了水稻的产量构成组分和籽粒产量。结果表明:与典型的植物反射光谱相比,水稻穗的反射光谱具有“绿峰消失”的特征;与叶片光谱指数[归一化差值指数(normalized vegetation index,NDVI)和光化学反射指数(photochemical reflectance index,PRI)]相比,穗光谱指数对叶绿素更敏感,而且能更准确地区分氮素水平。水稻叶片NDVI和PRI预测产量的均方根误差(RSME)分别为873.4~1 125.0、723.3~889.4 kg·hm^-2,而穗NDVI和PRI预测产量的RSME分别为681.7~743.1、515.0~637.8 kg·hm^-2,表明水稻穗光谱指数比叶片光谱指数更适合于水稻产量预测。     

干旱胁迫对接种ERM真菌桃叶杜鹃幼苗叶绿素含量及荧光参数的影响

[目的]分析干旱胁迫对接种杜鹃花类菌根(ERM)真菌桃叶杜鹃幼苗叶绿素含量和荧光参数的影响,为桃叶杜鹃抗旱栽培提供参考依据.[方法]采用盆栽控水法对接种不同ERM真菌(TY02、TY21、TY29和TY35)的桃叶杜鹃幼苗(简称菌根苗,下同)进行干旱胁迫,以不接种ERM真菌为对照(CK),水分梯度设正常水分(水含量80‰90%)、轻度干旱(水含量65‰75%)、中度干旱(水含量50%~60%)和重度干旱(水含量35%~45%)胁迫处理,测定分析各处理菌根苗的叶绿素含量和荧光参数.[结果]菌根苗叶片的叶绿素a(Chl.a)、叶绿素b(Chl.b)及叶绿素总含量(Chl.a+b)均显著提高(P<0.05,下同).随着干旱胁迫程度的加剧,TY29和TY35菌根苗的Chl.a含量先升高后降低,且在轻度胁迫下最高,分别为3.120和3.492 mg/gFW,比CK提高了161.0%和192.0%;CK、TY02和TY21菌根苗的Chl.a含量均呈下降趋势.接种ERM真菌能显著提高桃叶杜鹃幼苗叶片的叶绿素荧光参数(潜在活性Fv/Fo除外),但随着干旱程度加剧,菌根苗的最大荧光(Fm)、Fv/Fo、实际量子产量(ΦPSII)、表观电子传递速率(ETR)和光化学淬灭(qP)均呈下降趋势,而初始荧光(Fo)、最大光化学量子产量(Fv/Fm)和非光化学淬灭(NPQ)逐渐上升;干旱胁迫程度越大,各指标的变幅越大,但菌根苗的变幅均小于CK.菌根苗的Fv/Fm在各水分处理下均小于0.8,且在干旱条件下呈上升趋势,其中TY35菌根苗的Fv/Fm增幅最小,仅13.0%,而CK的Fv/Fm增幅为41.8%;干旱胁迫下,桃叶杜鹃幼苗的ETR均呈下降趋势,以CK的降幅最大,为42.5%,TY29和TY35菌根苗的降幅最小,分别为14.4%和9.4%;TY29和TY35菌根苗的qP和NPQ变幅分别为28.2%、24.4%和20.6%、20.2%,而CK为63.5%和41.9%.[结论]ERM真菌可用于桃叶杜鹃抗旱栽培,尤以接种TY29和TY35菌株的抗旱效果更佳.     

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。     

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。     

生姜叶片氮含量的高光谱遥感估算模型研究

作物叶片氮含量的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。该文以经济作物生姜为研究对象,获取了2015年4月-9月不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据,对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估算效果。在此基础上,基于波段组合算法,筛选出了生姜叶片氮含量的敏感波段,并构建了两个新型光谱指数NDSI_((754,713))和RSI_((754,713))。结果表明,所选择的植被指数中,MCARI(705,750)/OSAVI(705,750)对生姜叶片氮含量估算效果最好,模型精度R~2、RMSE和RE分别为0.73、0.27、11.64%;利用波段组合算法构建的归一化光谱指数NDSI(754,713)对生姜叶片氮含量估算效果要优于MCARI(705,750)/OSAVI(705,750),模型估算精度R~2达0.83,使用的敏感波段713 nm与754 nm均位于植被的"红边"区域。对所建模型进行验证,叶片氮含量的预测值和实测值具有较好的一致性,验证样本R~2为0.78,RMSE为0.20,RE为9.81%。上述分析结果可为农业管理部门及时掌握生姜长势信息、制定施肥策略提供技术支持。