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。     

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。     

苹果冠层叶绿素含量高光谱估算模型

【目的】 研究一种快速、简便、无损的苹果冠层叶绿素含量估测模型。探索苹果品种岩富10号冠层的高光谱特征和叶绿素含量的估测方法,为该地区岩富10号苹果营养的快速诊断奠定基础,为红富士苹果精准化管理和-7光谱尺度研究提供参考依据。【方法】以红富士苹果(Malus domestica Borkh. cv. Red Fuji)主栽品种岩富10号叶绿素含量以及冠层高光谱反射率为数据源,分析叶绿素含量与冠层原始光谱(R)、微分光谱(R')之间的相关关系,利用敏感波段建立新的对应关系,构建岩富10号叶绿素含量的多种回归估测模型,并对不同模型进行了精度评价。【结果】微分光谱用于岩富10号叶绿素含量的估测精度要显著高于原始光谱反射率;利用敏感波段组合新定义的衍生变量拟合程度更优;在多种回归方式中,三次多项式模型的拟合程度最好,最优模型为357 nm等7个波段组合定义的新植被指数所建立的三次多项式模型,其精度为0.839。【结论】应用光谱技术对南疆塔里木盆地阿克苏地区岩富10号叶绿素含量进行定量反演是可行的。     

基于高光谱成像技术的番茄叶片叶绿素含量检测

叶绿素是植物生长发育必不可少的色素,可用来衡量植物生长状况,为实现番茄叶片叶绿素含量快速、无损检测,以番茄为试验材料,通过高光谱无损检测方法,对番茄叶片叶绿素含量进行监测。提取出82个叶片样本的平均光谱反射率数据(400～1 000 nm),对原始光谱数据分别进行7种预处理(平均平滑、高斯滤波、中值滤波、卷积平滑、归一化、基线校准(baseline)、标准正态化(standard normal variation, SNV),建立PLSR模型,建模结果显示：SNV预处理光谱的建模效果最优。用β权重系数、无信息变量消除变换法(uninformation variable elimination, UVE)、竞争自适应重加权法(compet-itive adaptive weighted sampling, CARS)及连续投影算法(successive project-ion algorithm, SPA)等提取特征波长,并建立了PLSR模型,建模结果表明：CARS法提取特征波长所建立的模型最优,CARS法提取了8个特征波长(732、796、946、953、957、968、983、994...     

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。     

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.     

基于高光谱苹果品种叶片铁含量估测模型

【目的】 在叶片水平上构建基于高光谱的苹果品种叶片铁素含量估测模型,为探寻实时、高效、无损的果树树体营养诊断提供技术途径。【方法】以苹果品种岩富10号为材料,测定岩富10号叶片光谱数据和铁素含量,采用光谱分析和相关分析法,筛选与叶片铁素含量相关性较强的光谱组合,利用偏最小二乘法构建苹果叶片铁素含量光谱估测模型。【结果】岩富10号苹果叶片一阶微分光谱与铁素含量的敏感波段为R′₉₉₀、R′_{1 113}、R′_{1 360}、R′_{1 408},相关系数最高为-0.698 9。对敏感波段两两进行加、减、乘、除运算,最优波段组合形式R′₉₉₀×R′_{1 048}与铁素含量相关系数为0.846 2。估测模型拟合度(R²)最高为0.827 5。【结论】苹果叶片一阶微分光谱组合与铁素含量显著相关(P<0.05),光谱组合能够明显提高其相关性,偏最小二乘法与逐步回归建模相比估算模型的精度更佳,可以用于苹果叶片铁素含量的光谱估算。     

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。     

苹果叶片的高光谱特征及其色素含量监测

【目的】分析苹果叶片的高光谱特征,探索建立苹果叶片色素含量的高光谱监测模型,以促进高光谱技术在苹果长势监测中的应用。【方法】通过方差分析方法,分析苹果春梢和秋梢停止生长两个时期功能叶片的不同部位、不同含水率、不同品种的高光谱特征。利用相关分析方法,研究高光谱参数与叶片色素含量间的关系,并建立基于光谱参数的叶片色素含量监测模型。【结果】在760—1300nm的近红外波段,叶片光谱反射率后部低、前部高、中部居于二者之间;随着叶片含水率降低,光谱反射率逐渐增大;不同品种的叶片,光谱反射率差异显著。光谱参数R800/R550、红边面积Sr和绿峰反射率Rg与叶片色素含量之间有较好的相关性,并分别建立了色素含量监测模型。其中以Sr建立的Chla、Chl(a+b)、Car含量监测模型和以R800/R550建立的Chlb含量监测模型为最佳。经均方根误差(RMSE)和相对误差(RE%)指标测试表明,模型能较好地监测苹果叶片色素含量。【结论】用红边面积Sr和波段组合R800/R550来监测苹果叶片色素含量效果较好,为苹果长势遥感监测提供了理论依据。     

基于高光谱成像技术的油菜叶片叶绿素含量预测

叶绿素是作物生长中的重要因素,可用于实时监测作物的生长状况。以常规高油酸油菜品种为材料,采用大田试验研究油菜叶片在不同栽培措施下幼苗期、蕾薹期叶片的光谱响应,通过计算反射光谱及其反射光谱的一阶导数与SPAD值的相关性,结合逐步回归挑选出油菜叶片敏感波段,并计算光谱指数。采用一元线性回归和神经网络建立叶绿素含量估算模型。结果表明,由光谱指数所构建的神经网络叶绿素估算模型,精度评价结果均显示比较高的水平,幼苗期反射率光谱指数构建的模型精度最高,决定系数R2为0807 0,均方根误差（RMSE）为1131 5,蕾薹期一阶导数光谱指数构建的模型精度最高,决定系数R2为 0873 2, 均方根误差（RMSE）为1322 3,在蕾薹期和幼苗期通过构建BP神经网络模型能够较好的对油菜叶绿素进行反演。为利用高光谱技术大范围监测油菜叶绿素含量提供了一定的理论依据。     

基于EFAST方法的苹果叶片叶绿素含量估算

为了快速、准确地估算叶绿素含量,使用2012年和2013年在山东省肥城市潮泉镇获取的整个生育期苹果叶片叶绿素含量和配套的光谱数据,利用PROSPECT模型和EFAST方法探讨了对叶绿素含量敏感的波段,然后采用经验统计方法实现了单波段高光谱对苹果叶片叶绿素含量的监测。结果表明:以571 nm和697 nm波段光谱参数为自变量所建立的估测模型拟合精度较高,其决定系数(R2)分别为0.71和0.69,均方根误差(RMSE)分别为1.14、1.17 mg/dm~2,相对误差(RE)分别为-1.07%和-1.01%。以PROSPECT模型和EFAST方法整合筛选的敏感波段建立的估算模型监测叶绿素含量效果较好,为利用高光谱技术监测苹果长势提供了理论依据。     

基于实测光谱的红花叶绿素含量高光谱估算模型研究

通过分析红花(Carthamus tinctorius L.)原始光谱、变换光谱以及其他25种应用最普遍的高光谱参数与其叶绿素含量的相关性,并选择每个生长期与红花叶绿素含量相关性较好的高光谱指数和波段,建立不同生长期红花叶绿素含量的线性、抛物线、指数和对数模型,并用RMSE评价模型精度。最后得出各期的最佳模型:出苗期归一化差异指数(NDI)的抛物线模型具有最大模型精度0.900和检验精度0.932;分枝期黄边幅值(Dy)的抛物线模型精度为0.850,检验模型精度为0.811;始花期444 nm处二阶导数光谱的抛物线模型精度为0.734,检验精度为0.866;终花期798 nm处二阶导数光谱的抛物线模型精度为0.929;成熟期795 nm处二阶导数光谱的指数模型精度为0.904,检验精度为0.868。     

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。     

基于高光谱成像的苹果损伤检测方法研究

【目的】研究苹果损伤高光谱特征,建立基于高光谱成像的苹果损伤区域最佳分类模型,为实时、快速、准确地识别苹果损伤提供重要依据。【方法】以北京平谷区收集的苹果样品为研究对象,利用高光谱图像技术检测水果表面机械损伤。利用 390 ~1 000 nm 范围的高光谱图像（HSI）数据,通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性,筛选特征波段,并构建较好地突出损伤区域特征的 3 种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。在此基础上,优选提取损伤区域能力较强的光谱指数,利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。【结果】当苹果表面受到损伤时,光谱反射率变化显著。波段优化后发现,528、676 nm 的反射率可以有效识别异常区域。基于选定的特征波段,构建苹果损伤检测的识别光谱指数,包括 NDSI、RSI 和 DSI。光谱指数图像的像素值分析发现,损伤区域特征与正常区域特征在各光谱指数（SI）增强图像中区分明显。两类图像特征的 NDSI 像素平均值相差最大、达到 0.629,表明建立的 NDSI 对损伤区域及正常区域特征具有较强的区分能力。利用无监督分类方法 ISODATA 分类,验证了光谱特征指数在检测苹果损伤方面具有较高的特异性,对苹果损伤的检测正确率 达到 92.50%。【结论】研究结果适用于苹果损伤的实时快速检测,为苹果的精准管理生产提供技术基础与参考。     

基于光谱角指数小麦冠层叶片特征差异估测研究

[目的]为利用高光谱技术实现作物氮素营养状况无损快速监测提供途径.[方法]通过不同品种小麦不同氮素水平试验,分析小麦不同氮素营养状况下,叶片叶绿素含量与叶面积指数、冠层光谱角的关系,定量分析光谱角指数,并建立相关模型对小麦氮素营养状况进行实时监测.[结果]冠层光谱角指数与差值叶绿素含量和差值叶面积指数的相关性最高为0.919 7,两者之间建立的模型决定系数为0.739 2,0.617 8,具有很好的拟合效果.[结论]利用光谱角可以监测小麦叶片叶绿素及叶面积差异,在此基础上进行小麦氮素营养监测是可行的.     

玉米叶片叶绿素含量的高光谱反演模型探究

叶绿素含量是绿色植物生长状态的一个重要指标。首先在实验室采集玉米叶片高光谱数据和测定叶绿素含量,并对光谱数据进行对数一阶微分变换,对比选取建模反演因子。根据选定的反演因子采用线性回归、模糊识别和BP神经网络方法建立了玉米叶片叶绿素含量高光谱反演模型,并计算出模型的精度。结果表明,有较好非线性映射能力的BP神经网络反演模型能够高精度地反演出玉米叶片中的叶绿素含量。BP神经网络模型叶绿素含量预测和实测叶绿素含量的平均绝对误差(e)为1.126,决定系数(R2)为0.902,均方根误差(RMSE)为1.375。玉米叶片叶绿素含量与高光谱数据并非线性关系,BP神经网络反演模型能够较好地运用到叶片叶绿素含量反演中。     

基于氮素叶绿素关系的冬小麦籽粒蛋白质含量高光谱反演

为进一步提高光谱数据反演小麦籽粒蛋白质含量的精度以及反演模型的可解释性,研究以籽粒蛋白质含量（GPC）-氮素-叶绿素之间的关系为载体,通过叶绿素筛选相关植被指数,采用偏最小二乘回归（PLS）方法建立GPC反演模型。结果表明,开花期是监测籽粒蛋白质含量的最优时期。开花期氮素与对应密度叶绿素的相关性较高。通过筛选出与叶绿素密切相关的植被指数,利用PLS建立籽粒蛋白质含量反演模型,模型决定系数R2为0.77,RMSE为0.95%,用其他年份数据进行模型验证,结果显示RMSE达到1.22%。本研究表明：基于氮素、叶绿素关系建立PLS反演模型能够实现不同年份GPC光谱遥感反演,且模型在年际间表现出较高的精度和稳定性。     

基于Hyperion数据的森林叶绿素含量反演

利用高光谱分辨率的Hyperion数据进行叶绿素含量的分步反演。首先建立叶片水平叶绿素含量反演模型,然后在Hyperion数据处理的基础上利用几何光学模型4-scale,结合查找表的方法,将Hyperion数据的像元反射率转化为叶片反射率,从影像上反演叶片水平的叶绿素含量。结果表明,采用分步反演得到叶片水平叶绿素浓度的方法效果较好,反演的结果与地面实测值之间的相对误差为16.27691,精度达到79.6593%。