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。     

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。     

基于高光谱的叶片滞尘量估测模型

为探索建立叶片滞尘量高光谱估测模型,利用光谱仪和电子分析天平采集了北京市区杨树叶片高光谱数据和滞尘量数据,研究了叶片光谱特征与滞尘量间的关系,并建立了基于光谱参数的叶片滞尘量估测模型。研究结果表明:近红外波段(730~1 000 nm)光谱反射率与叶片滞尘量呈现明显的线性相关性,各波段相关系数均高于0.7,绿光区波段反射率对叶片滞尘的影响不敏感;三边参数中仅红边幅值、红边面积与叶片滞尘量达到显著相关;基于多元线性回归、主成分回归、偏最小二乘回归建立的模型均具有较强的预测能力,其中以偏最小二乘回归为模型构建方法,以749、644、514 nm波段的光谱反射率值,红边幅值,红边面积,924、1 010 nm波段组成的归一化指数,713、725 nm波段组成的差值指数,749、644 nm波段组成的归一化植被指数为自变量建立的模型估测精度最好,其建模和预测的决定系数分别达到0.734和0.731,预测均方根误差为0.311。该研究为促进高光谱技术在大气降尘监测中的应用提供参考。     

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。     

基于无人机多光谱影像的夏玉米叶片氮含量遥感估测

利用无人机平台搭载多光谱相机组成的遥感监测系统在农业上已取得了一些成果,但利用无人机多光谱影像开展作物氮素估测研究少有尝试。基于此,该文利用国家精准农业基地2017年夏玉米3个关键生育期无人机多光谱影像和田间实测叶片氮含量数据,开展夏玉米叶片氮素含量的无人机遥感估测研究。对该研究选用的15个光谱变量,通过相关性分析解析光谱变量与LNC的相关关系,筛选出对玉米叶片氮素含量敏感的光谱变量;应用后向逐步回归方法分析不同变量指数下估测精度变化,最终确定不同生育期夏玉米LNC估测的光谱变量,实现对夏玉米叶片氮含量的较高精度监测。研究发现:1)在3个生育时期,GRE和GNDVI与LNC都有很强的相关性,表明绿波段可以很好地进行夏玉米生物理化参数的反演;2)在喇叭口期和灌浆期,OSAVI、SAVI与LNC具有高度相关性,证明在夏玉米生长前期和后期选择控制土壤因素的光谱变量可以提高对氮素估测的能力。在筛选最优光谱变量建模过程中发现,喇叭口期选取5个光谱变量(GNDVI、GRE、OSAVI、REG、SAVI)建模效果最好,估测模型的R~2、RMSE和nRMSE分别为0.63、27.63%、11.62%;抽雄吐丝期选取6个光谱变量(REG、GRE、GNDVI、MNLI、RED、NDVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.64、20.50%、7.80%;灌浆期选取5个光谱变量(GRE、GNDVI、RED、NDVI、OSAVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.56、31.12%、12.71%;在不同生育期选取最优光谱变量进行夏玉米LNC估测具有很好的效果。应用无人机多光谱遥感影像数据可以很好地监测田块尺度夏玉米LNC的空间分布,可为玉米田间氮素精准管理提供空间决策服务信息支持。     

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。     

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HJ-1A超光谱影像的县域尺度耕地土壤速效磷含量遥感制图研究

及时、准确地获取耕地土壤养分含量信息,对于作物田间管理、产量提升和耕地环境保护具有重要意义。本研究基于HJ-1A超光谱遥感影像数据,结合野外实测样本,通过光谱反射率多种数学变换,利用相关性分析法提取土壤速效磷含量的敏感波段及特征波段组合,然后基于多元回归分析方法,建立各种敏感波段组合的土壤速效磷光谱诊断模型,筛选最优诊断模型,并基于野外样本开展精度验证,实现耕地土壤速效磷含量的空间制图。研究结果表明,土壤速效磷含量与四种微分变换形式的相关性较高,而与其他四种非微分形式的相关性较低;其中反射率对数的一阶微分的预测模型决定系数R2最大,可达到0.70,且均方根误差最小,因此确定光谱反射率对数的一阶微分预测模型为土壤速效磷含量的最优诊断模型,并可据此实现研究区耕地土壤速效磷含量的空间制图;利用未参与建模的野外样本进行精度验证,检验样本的决定系数R2为0.67,均方根误差RMSE为15.31 mg kg-1。因此,以环境小卫星超光谱影像为数据源,基于多元回归分析方法,可建立具有较高精度的土壤速效磷含量预测模型,实现县域尺度的耕地土壤速效磷含量空间制图。     

基于鲜叶光谱估测氮素营养的新植被指数(英)

采用田间试验的方法开展利用鲜叶光谱反射率估测水稻氮素营养状况的研究.基于氮素在水稻不同功能叶片之间运转规律的机理,文章重点分析了第一和第三完全展开叶红边斜率和红边位置的变化,并基于红边位置和红边斜率构建了一个新的植被指数(命名为"红边曲线肩夹角植被指数",简称为RSAVI)监测水稻氮素营养状况.为了证明RSAVI在监测水稻氮素营养状况的可行性,分析了不同生育时期氮素含量和RSAVI之间的相关性.结果表明RSAVI和叶片氮素含量显著相关,相关系数介于0.867～0.938之间.并且RSAVI和氮素含量之间建立的回归模型以多项式模型效果最佳.决定系数介于0.7512～0.8796之间,模型均通过0.01水平检验.因此研究结果表明,在本次试验中使用RSAVI估测水稻氮素营养是可行的.     

基于相似光谱匹配预测土壤有机质和阳离子交换量

土壤可见光-近红外波段光谱(350~2 500 nm)包含了大量的土壤属性信息,相同类型的土壤具有相似的光谱曲线特征,但相似光谱曲线是否具有相似的属性含量?探讨此问题可为土壤光谱库的应用提供依据,从而最终服务于快速获取土壤信息技术体系的构建。该研究以安徽宣城为研究区,根据母质、地形特征和土地利用等信息,采集91个典型土壤剖面,共含400个土壤发生层样品,测定了有机质(soil organic matter,SOM)和阳离子交换量(cation exchange capacity,CEC)含量,同时采用VARIAN公司的Cary 5000分光光度计测定了土壤光谱,并将光谱数据变换为反射率(R)、反射率一阶导数(FDR)和吸收度(Log(1/R))3种形式。该文采用光谱角(spectral angle mapper,SAM)、偏最小二乘回归(partial least square regression,PLSR)和SAM-PLSR(spectral angle mapper-partial least square regression,SAM-PLSR)3种方法预测土壤SOM和CEC。SAM方法是通过对测试集104个光谱曲线与参考集的296个光谱曲线进行相似性计算,并以此实现土壤SOM和CEC含量的预测。SAM-PLSR方法以SAM算法下的匹配结果作为建模样本建立PLSR模型和进行预测分析。结果表明,具有相似光谱曲线的土壤具有相似的SOM和CEC含量,SAM算法下相似光谱匹配可直接预测SOM(R2=0.78,RPD=2.17)和CEC(R2=0.82,RPD=2.41)。PLSR方法可很好地预测SOM(R2=0.87,RPD=2.77)和CEC(R2=0.87,RPD=2.59);相较之下,SAM-PLSR方法不仅可以更加准确预测SOM(R2=0.89,RPD=3.00)和CEC(R2=0.91,RPD=3.06),而且大大减少了建模样本的数量。该研究使可见光-近红外光谱可更加高效地用于土壤属性分析,并为土壤光谱数据库的建设及应用提供技术参考。     

基于彩色通道相似性图像分割方法的植物叶面积计算

为了快速、准确地测量植物叶面积,该文提出了基于彩色通道相似性图像分割的植物叶面积测量方法。该文基于彩色图像,利用像素彩色通道的相似性和自适应方法得到的阈值分割叶片区域,并分别统计叶片和参考矩形的像素数,进而计算植物叶面积。试验表明,该方法得到的植物叶片区域更准确,并且对叶片阴影、花斑等具有很强的鲁棒性,错分率为仅为1.23%,具有较高的精度。该方法是一种实用的通过拍照计算植物叶面积的方法,可嵌入到手机等移动设备中。     

玉米叶片氮含量的高光谱估算及其品种差异

准确、快速、及时地对玉米氮营养状况做出判断是氮肥合理施用的基础。该研究在水培条件下对3个玉米品种（组合）叶片氮含量（LNC）的高光谱敏感波段、估算模型及其品种差异进行了探讨。结果表明,LNC与不同波段叶片光谱反射率的相关性存在品种差异,但3个品种（组合）都在500～649 nm和691～730 nm表现极显著的负相关关系,并在同一波长获得最高的相关系数,说明可以利用统一的波段来预测不同品种的LNC。依品种建立了LNC与归一化差值光谱指数（NDSI）或比值光谱指数（RSI）的定量关系模型,NDSI（714,554）和RSI（714,554）所建模型的拟合度最好,直线和指数模型拟合度均达到极显著水平,可以用来估算玉米LNC。玉米LNC估算中,以该品种数据所建模型的估算偏差最低,利用综合模型或其他品种模型则加大了估算偏差,高估与低估的最高偏差分别为35.6%和32.7%。在利用高光谱技术进行玉米氮营养状况诊断的研究及应用中,应考虑品种间差异。     

基于敏感光谱波段图像特征的冬小麦LAI和地上部生物量监测

叶面积指数(LAI,leaf area index)和地上部生物量是评价冬小麦长势的重要农学参数,其实时动态监测对冬小麦的长势诊断、产量预测和管理调控等具有重要意义。该研究通过分析叶面积指数、地上部生物量与冬小麦冠层光谱参数的相关性,筛选出冬小麦长势指标敏感波段及最佳带宽范围;基于敏感光谱波段下图像的彩色因子,构建冬小麦叶面积指数和地上部生物量监测模型。结果表明,叶面积指数、地上部生物量长势指标的敏感波段及最佳带宽范围为(560±6)和(810±10)nm。敏感波段560、810 nm波段下获得的图像特征因子中,RGB颜色空间R810、G560、B810对叶面积指数的拟合效果最好,决定系数高达0.989;HSI颜色空间H810、S810、I560对地上部生物量的拟合效果最好,决定系数为0.937。试验数据检验表明,叶面积指数、地上部生物量监测模型的均方根误差RMSE分别为0.4515、3.3556,相对误差分别为15.7%、15.9%,所构建监测模型的精确度较高。因此,基于敏感光谱波段及相应图像特征构建的监测模型可有效对冬小麦叶面积指数、地上部生物量进行实时、快速、准确监测与诊断。     

施用氮、磷、钾对密植梨枣生长与叶片养分季节动态的影响

以山地梨枣(Zizyphus jujuba Mill. cv. Lizao)为试验材料,采用野外试验与室内分析,研究了黄土丘陵区山地滴灌下施用氮磷钾对矮化密植梨枣叶片8种营养元素（N、P、K、Ca、Mg、Fe、Mn、Zn）季节动态变化规律以及施肥对梨枣生长,产量及品质的影响。结果表明:不同生育期梨枣叶片养分含量变化具有一定的规律性。开花坐果期（5月上旬至7月上旬）,叶片N、P、K含量处较高水平,Mg、Fe、Mn、Zn含量处于较低水平。果实膨大期（7月中下旬到8月下旬）,叶片N、P有一个相对稳定的含量,K快速下降,而Fe、Mn、Zn含量上升。果实成熟期（9月初到10月初）,叶片N、P、K含量下降,Mg、Fe、Mn、Zn则是缓慢上升并趋于稳定。叶片N、P、K、Mn含量之间呈正相关,Ca、Mg、Fe、Zn含量之间也呈正相关关系,叶片N、P、K之间达极显著正相关关系,而N、P、K与Ca、Mg、Fe、Zn含量之间呈负相关关系。施氮肥可促进前期枣树新枝生长和枣果膨大;施磷肥可提高产量,达到33210 kg/hm2;施钾肥可明显提高枣果品质。     

土壤氮磷状况对小麦叶片养分生态化学计量特征的影响

生态化学计量学是研究生态系统能量平衡和多重化学元素平衡的科学,可利用植物体内C、N和P含量及其相互比值（N：P、C：N和C：P,即生态化学计量比）来判断植物生长过程中营养的供给状况。本文通过研究小麦叶片主要元素的生态化学计量比对不同土壤N、P状况的响应,为小麦生产中的精确施肥提供技术指导。选取研究区当家品种弱筋小麦‘扬麦15’和强筋小麦‘镇麦168’为试验对象,采用盆栽试验,设置16个土壤N、P梯度处理,分析不同处理下小麦拔节期、孕穗期和灌浆期叶片N：P、C：N和C：P等生态化学计量比及其相互关系。结果表明：1）在拔节期和孕穗期,土壤N：P范围在7.04~8.73时,两小麦品种叶片的N：P均达到较高水平;而在灌浆期,土壤N：P范围在8.73~10.42时,两小麦叶片的N：P均达较高水平。且小麦叶片N：P与土壤N：P具有极显著的正相关关系,但其相关性随着生育期的推进逐渐降低。2）当土壤处于低N水平时（108.4 mg·kg^-1）,两小麦品种叶片C：N均达较高水平,且其与土壤N：P呈显著负相关,即随着土壤N：P比率增大,小麦叶片中C：N呈减小的趋势。3）当土壤处于低P水平时（29.6 mg·kg^-1）,两小麦品种叶片C：P达较高水平,且其与土壤P含量呈极显著负相关,即随土壤中P的增加,小麦叶片中C：P均呈减小趋势。以上结果表明,土壤中N和P的不同供应水平显著改变不同品种小麦叶片的生态化学计量比,因此,具有稳态特性的生态化学计量比可作为小麦生产中养分调控的重要参照指标并加以应用。     

采用叶片光谱反射率预测寒地水稻稻米蛋白质含量

为实现利用水稻叶片光谱指数实时预测稻米蛋白质含量,该研究采集了不同年份中氮素、品种差异下寒地水稻主要生育期（T1拔节期、T2齐穗期、T3结实期）顶部3片叶（L1、L2、L3）的叶片光谱反射率,探究其变化规律以及光谱指数与稻米蛋白质含量的关系,并用P-k、均方根误差（Root Mean Square Error,RMSE）和对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error,SMAPE）对模型精度进行验证。结果显示：施氮量多则稻米蛋白质含量高,蛋白质含量高的稻米食味值评分低。提高氮肥投入量,叶片反射率在可见光区域内呈降低趋势,而在近红外平台叶片反射率上升。随着生育期的推进,可见光区域内的叶片反射率逐渐上升,叶片反射率在近红外平台表现出先增加后降低的趋势,其变化规律与蛋白质营养转运有着密切联系。对光谱指标和稻米蛋白质含量进行相关分析,T2时期的L2的光谱指数与蛋白质含量的相关性优于其他时期的叶片,其中T2时期L1叶ARI1指标（(1/R550)-(1/R700)）、L2叶CTR1指标（(R695/R420)）以及T3时期L3 叶Rg指标（绿光范围510～560 nm内的最大波段反射率）显示出与蛋白质含量良好的拟合关系,指标验证的P-k分别为0.01、0.01、0.03,RMSE分别为0.19、0.11、0.14,SMAPE分别为1.56%、1.24%、1.44%,其中以T2时期L2叶CTR1指标表现最优,蛋白质含量拟合方程R2为0.75。综上,借助CTR1指标能够实现快捷、无损和实时预测稻米蛋白质含量的目的,达到按质收获以及品质实时监测的要求,促进优质寒地水稻的可持续发展。     

基于多源环境变量和随机森林的橡胶园土壤全氮含量预测

土壤全氮与土壤肥力和土壤氮循环紧密相关。掌握土壤全氮详细的空间分布信息对提高土壤肥力管理效率和更好地了解土壤氮循环至关重要。该文以儋州国营橡胶园为研究区域,采集2511个土壤样品,利用随机森林(random forest,RF)、逐步线性回归(stepwise linear regression,SLR)、广义加性混合模型(generalized additive mixed model,GAMM)以及分类回归树(classification and regression tree,CART)结合多源环境变量(成土母质、平均降雨量、平均气温和归一化植被指数)对研究区橡胶园土壤全氮含量进行空间预测,并通过754个独立验证点比较了4种模型的预测精度。结果表明RF对土壤全氮的预测值和实测值的相关系数(0.82)明显高于SLR(0.68)、GAMM(0.70)和CART(0.69),而RF的预测平均绝对误差(0.08836 g/kg)和均方根误差(0.13090 g/kg)均低于SLR、GAMM和CART。此外,RF模型预测结果能反映更为详细的局部土壤全氮含量空间变化信息,与实际情况更为接近。可见,RF模型可作为橡胶园土壤全氮含量空间分布预测的高效方法,为其他土壤属性的空间分布预测提供了一种新的方法。     

基于混合像元分解模型的森林叶面积指数反演

在叶面积指数（LAI）遥感估算中,常用的基于统计的遥感反演方法难以处理"同物异谱,同谱异物"的难题,该文从研究地物组分物理结构着手,采用像元分解的方法建立LAI的遥感反演模型,不仅能很好的解决这个难题,而且反演方法简便可行、具有普适性。该研究先对TM数据做最小噪声分离（MNF）并基于影像本身选择端元,经混合像元分解得到研究区植被覆盖度,再根据植被覆盖度与LAI的关系,用多次散射过程冠层模型求解迭代的方法逐步逼近准确的LAI值。最终选择植被、土壤、水体和水泥建筑4个端元,采用非限制性线性混合像元分解模型来分解影像,4个端元分解影像的平均误差为0.0028,端元质量好,分解效果较好。结果证明：混合像元分解模型和多次散射过程冠层模型相结合来反演森林叶面积指数的方法,能很好的预测森林LAI;研究区样点实测值与预测值的拟合度R2为0.8219,均方根误差RMSE为0.368,两者存在很强的相关性。该研究可为森林资源遥感定量估算提供技术支撑,为森林资源空间配置的优化调整与辅助解决方案的提出提供参考。