基于红边位置的马铃薯植株氮浓度估测方法研究

【目的】高光谱遥感技术可以用于植被生长状况的监测和研究光谱与植被理化性质间的关系。红边位置是与作物氮素营养关系较为密切的光谱参数,常用于作物叶绿素或氮素的含量监测,监测参数以及数据的计算都影响着该方法的准确性和实用性。为此,本研究优化了红边位置方法的参数,比较了六种方法对所得马铃薯氮浓度预测数据的翻译的准确性和精确度。【方法】于2014—2016年在内蒙古阴山北麓,进行了三个马铃薯品种、不同施氮量的田间试验。在马铃薯苗期、块茎形成期、块茎膨大期、淀粉积累期和收获期,使用红边位置获取了马铃薯冠层反射光谱,采用六种方法计算了该数据翻译的马铃薯地上部氮浓度,并分别与实测值进行了相关性分析。【结果】马铃薯生育后期一阶导数光谱中双峰现象较为明显。不同生育时期中苗期由于受到噪声光谱的影响氮浓度,与红边位置相关性较差,块茎形成期至淀粉积累期的氮浓度与红边位置相关性较高,其中块茎膨大期相关性最高。最大一阶导数法和拉格朗日内插法所得红边位置无连续性;线性外推法所得红边位置变幅与标准差最高,最大分别可达到44.6和9.3;多项式拟合法次之,变幅和标准差分别为15.1和2.6;倒高斯拟合法和线性四点内插法的变幅和标准差较小。在六种方法所得红边位置与马铃薯地上部氮浓度的预测模型中,线性外推法决定系数最高(R^2=0.55),预测值与观测值相关性最好(R^2=0.44,RMSE=3.96 g/kg,RE=11.46%);倒高斯拟合法与多项式拟合法模型决定系数相近,R^2均在0.40左右,倒高斯拟合法对氮浓度的预测能力更高一些(R^2=0.31,RMSE=4.33 g/kg, RE=12.03%)。【结论】红边位置能够对块茎形成期至淀粉积累期的植株氮浓度进行诊断,花期红边位置有轻微的饱和现象,但并不影响整体的预测,在花期和块茎膨大期采集光谱时需要注意传感器与植物冠层的距离,保证采集数据的准确性。线性外推法是最适合马铃薯冠层光谱的红边位置计算方法,所得红边位置变幅大,对马铃薯地上部氮浓度的变化较为敏感,回归模型决定系数和预测精度也最高,而且对于高氮浓度处的饱和现象有较好的缓解作用。     

油菜红边特征及其叶面积指数的高光谱估算模型

在2003～2004年油菜生长季,选用6个油菜品种,设置3个氮素水平的小区试验。在不同发育期同步测定油菜冠层的光谱反射率及对应叶片的叶面积指数。利用油菜冠层的光谱反射率数据提取红边参数,分析其变化规律,油菜叶面积指数与红边参数的相关性,估算结果表明：油菜冠层红边一阶导数光谱具有“双峰” 现象,红边位置λ_red位于690～720 nm之间,在油菜生长旺盛期间出现“红边平台”,前期有“红移”,后期有“蓝移”现象;叶面积指数与冠层光谱红边参数λ_red、Dλ_red、S_red之间在开花前存在显著相关,但开花后相关性不显著;利用开花前的红边参数可以估算油菜的叶面积指数,开花后的红边参数不能用于估算油菜的叶面积指数;最后建立了不同时期和开花前油菜叶面积指数的估算模型。     

采用不同红边位置提取技术估测蔬菜叶绿素含量的比较研究

红边位置常被用来估测植被的叶绿素/氮素含量、叶面积以及探测植被胁迫,其精确计算十分重要.目前其计算主要是基于导数光谱或曲线拟合技术,但哪种方法能更有效地探测植被的叶绿素/氮素含量,还没有一个定论.本研究以菠菜的叶片高光谱为例,详细比较了目前常用的6种红边位置提取方法与叶片叶绿素之间的关系,并从其对叶绿素含量预测的准确度、计算的难易程度、所需数据的精度及适用范围等几个方面进行了讨论.结果表明,叶片红边位置的计算结果对选择方法的依赖性很大,几种计算方法提取的红边位置与叶绿素含量的相关性均较好.四点线性内插法计算的红边位置往往偏大,最大一阶导数法与叶绿素含量的关系存在着明显的不连续性,拉格朗日内插法、倒高斯模犁法在一定程度上存在着对高叶绿素含量的饱和现象,多项式拟合法对拟合波段区间、最高项次及光谱分辨率等比较灵敏而导致结果不够稳定,而线性外推法计算出的红边位置对叶绿素含量最为敏感,预测的准确度最高,且计算相对比较简单,并能适用于较宽波段的遥感数据.在实际应用时还应根据具体情况而选择合适的红边位置提取方法.     

基于红边参数的植被叶绿素含量高光谱估算模型

利用ASD便携式野外光谱仪和SPAD-502叶绿素计实测了落叶阔叶树法国梧桐、毛白杨叶片的高光谱反射率与叶片绿度,并对原始光谱反射率及一阶导数光谱与叶片绿度进行了相关分析,建立了基于红边位置、峰度系数、偏度系数的叶片叶绿素含量的高光谱估算模型,最后采用红边位置、峰度、偏度作为BP人工神经网络的输入变量进行了叶绿素含量的估算。结果表明：基于红边位置的法国梧桐、毛白杨叶绿素估算模型的决定系数达到0.7366、0.7289;基于峰度、偏度建立的估算模型可以有效提高估算精度,模型的决定系数均达0.8341以上;法国梧桐和毛白杨人工神经网络模型的确定系数决定系数分别达到0.9574和0.9523。与单变量模型相比人工神经网络模型反演精度明显提高,是一种良好的植被叶绿素含量高光谱反演模式。     

红边位置改进算法的冬小麦叶绿素含量反演

植被反射光谱的红边位置对叶绿素含量高度敏感,利用遥感数据建立基于红边位置的作物叶绿素含量反演模型,可实现大范围作物及时的长势监测。该研究以冬小麦为研究对象,在学习6种经典红边位置求解算法的基础上,提出牛顿-切比雪夫插值法和牛顿八点插值法2种改进红边位置求解算法。根据不同算法的红边位置分布特征综合分析了改进算法的优缺点,并在此基础上建立基于红边位置的冬小麦叶绿素含量反演模型。结果表明,与传统算法相比,2种改进算法均显著改善了双峰现象和红边位移,且基于改进算法的模型预测值与叶绿素含量实测值的决定系数>0.619,较最大一阶导数法,牛顿八点插值法提高了6.321%～9.947%,牛顿-切比雪夫插值法提高了5.024%～10.480%,具有更高的精度。同时,在2种改进算法中,牛顿八点插值法具有更高的稳定性与实用性。研究结果为植被理化参数反演与农业生产应用提供理论与技术支撑。     

RapidEye卫星红边波段对农作物面积提取精度的影响

在传统的可见光与红外波段基础上增加红边波段(690~730 nm),是当前高分辨卫星传感器研制的明显趋势。德国Rapid Eye卫星携带有红边波段传感器,该文基于黑龙江省北安市东胜乡2014年7月27日的Rapid Eye遥感数据,采用监督分类的方法,通过计算有红边参与条件下、无红边参与条件下,玉米、大豆及其他3种地物类型的可分性测度、分类精度及景观破碎度等指标,比较分析了2种波段组合方式下的红边波段对农作物面积提取精度的影响。其中,监督分类的训练样本是以覆盖研究区的2 km×2 km格网为基本单元,在玉米和大豆面积比例等概率原则下,选取了10个网格作为训练样本,样方内作物的识别采用目视解译的方式完成。精度验证是采用覆盖研究区的农作物面积本底调查结果评价的,本底调查数据是在5 m空间分辨率Rapideye数据初步分类基础上,根据多时相Landsat-8/OLI(Operational Land Imager)数据季节变化规律,结合地面调查,采用目视修正的方法完成。结果表明,有红边参与的玉米、大豆和其他3种地物类型识别的总体精度为88.4%,Kappa系数为0.81,玉米、大豆和其他3种地物类型的制图精度分别为93.1%,86.0%和87.3%;没有红边参与的3种地物识别的总体精度为81.7%,Kappa系数为0.71,玉米、大豆和其他3种地区类型的制图精度分别为83.9%,73.4%和84.6%;通过引入红边波段,3种地物的总体识别精度提高了6.7百分点,玉米、大豆和其他3种地物类型的识别精度分别提高了9.2百分点,12.6百分点和2.7百分点。利用Jeffries-Matusita方法计算了3种地物的可分性测度,玉米-大豆、玉米-其他、大豆-其他的可分性测度分别由0.84变为1.73、1.37变为1.81、1.27变为1.29;采用破碎度指数计算了景观破碎度,地块数量减少了69.2%,平均地块面积增加了2.2倍,平均地块周长增加了60.50%,地块面积与周长比增加了1.0倍。由上述研究结果可以看出,通过红边波段的引入,增加了地物的间的可分性测度,减少了"椒盐"效应造成的景观破碎度的增加,农作物面积识别整体精度得到了提高。目前搭载红边波段的卫星载荷越来越多,即将发射的国产卫星也拟增加红边波段提高作物识别能力,该文研究结果将为国产红边卫星数据在农业上的应用提供参考。     

不同水分处理对烟草叶片高光谱及红边特征的影响

采用ASD Fieldspec HH光谱仪, 测定了不同水分处理下两个烟草品种叶片的光谱特性, 分析其红边特征参数的变化规律及其与烟叶生理指标的相关性。结果表明: 不同水分处理之间的烟草叶片光谱反射率差异明显, 但两个品种的变化规律一致。烟草伸根期和旺长期, 近红外光区的光谱反射率随土壤水分的增加而升高, 成熟期则呈相反趋势, 且光谱反射率在旺长期达到最高值。不同水分处理下烟草叶片一阶微分光谱趋势总体一致, 但红边一阶导数光谱差异显著。红边位置随土壤水分减少向长波方向移动, 发生“红移”现象。红边幅值和红边面积在伸根期和旺长期均随土壤含水量的增加而发生“红移”现象, 成熟期则发生“蓝移”现象。烟草叶片的红边位置同其生理指标的相关性要优于其他参数, 同叶绿素a含量、叶绿素b含量、类胡萝卜素含量、叶绿素总量、叶片鲜重、叶片干重、叶面积和叶片含水率均呈极显著相关关系; 红边幅值和红边面积与叶绿素a含量、叶绿素b含量、类胡萝卜素含量、叶绿素总量和叶片含水率之间均呈极显著性正相关, 红边面积同叶片干重呈极显著性负相关关系。     

水稻叶面积指数与MODIS植被指数、红边位置之间的相关分析

对模拟中分辨率成像光谱仪（MODIS）两个植被指数归一化植被指数（NDVI）、增强植被指数（EVI）以及红边位置（REP）与水稻叶面积指数（LAI）进行了相关研究。利用光谱分辨率为3 nm 的ASD FieldSpec UV/VNIR 光谱仪获得了2002年两个不同水稻品种——杂交稻和常规稻整个生长期的高光谱数据，同时对水稻LAI进行了测定。利用一阶微分计算红边位移。模拟了MODIS 3个波段，波段1(620-670 nm，红波段)，波段2(841～876 nm，近红外)和波段3(459～479 nm，蓝波段)，并用这些波段计算了MODIS-NDVI和EVI。结果表明：对于常规稻，MODIS-NDVI、EVI和REP与水稻LAI呈现出良好的相关性；而对于杂交稻，与水稻LAI相关性来说，MODIS-EVI和REP要比MODIS-NDVI更敏感。分析原因，主要是因为杂交稻同常规稻相比在生长的中后期LAI比较大，MODIS-NDVI容易饱和；而MODIS-EVI和REP由于可以消除背景影响，增强对LAI的敏感性。因此MODIS-EVI和REP可以更有效地监测水稻叶面积指数。     

高温胁迫下水稻红边特征及SPAD和LAI的监测

为了促进高光谱遥感技术在水稻长势监测及其灾害评估中的作用,该文以扬稻6号与南粳43为试验对象,通过高温胁迫试验,测定孕穗期高温胁迫后2个品种在不同生育期冠层高光谱反射率、红边参数和叶片绿色度（SPAD）值及叶面积指数（LAI）。结果表明,2个水稻品种剑叶的SPAD值与LAI随生育期的进行呈先上升后下降的趋势,在开花期均达到最大值,在始穗期与蜡熟期时较低。随着高温胁迫的加剧,SPAD值和LAI不断减小。冠层光谱红边位置、红边幅值与红边面积在开花前呈“红移”,开花后呈“蓝移”现象。随着胁迫温度的提高,3个红边参数也呈现“蓝移”现象。不同生育期剑叶SPAD值和LAI与红边特征参数均具有显著或极显著的相关关系。相对于红边幅值,以红边位置为参数所建的模型能更好地预测水稻剑叶的SPAD值和LAI。     

基于异源多时相遥感数据提取灌区作物种植结构

用遥感技术提取灌区作物种植结构需要源影像具有适宜的时空分辨率以适应其动态变化特征。该文综合运用多种遥感影像数据,将Landsat ETM+与MODIS NDVI数据融合区分灌区土地利用类型,由融合后的时间系列数据非监督分类结果提取植被指数变化信息,结合作物系数变化规律运用光谱耦合技术提取作物种植结构。根据该方法将漳河灌区作物种植结构区分为水稻—油菜、水稻—小麦、单季夏季作物以及双季经济作物。由地面统计数据和高分辨率IKONOS影像进行了检验,分类精度达到91%并且与统计数据相吻合。结果表明该法不仅能提供更为准确的灌区作物种植结构时空信息,而且节省影像购买成本,方便灌区尺度遥感应用。     

利用相关矩阵法优化光谱指数的冬油菜氮素营养诊断

近年来高光谱技术由于无损和高效等优点成为了现代精准农业发展的必要手段方法。为实现冬油菜无损、快速的氮素盈亏诊断,该研究以连续两年(2022—2023年)不同覆盖及施氮处理下冬油菜蕾薹期采集的90份植物样品(地上部生物量和植株氮浓度)和高光谱实测数据为数据源,根据原始光谱和一阶微分(first-order differential,FD)光谱与氮营养指数(nitrogen nutrition index,NNI)的相关系数计算了8种(共16个)典型的光谱指数,随后利用相关矩阵法提取最佳光谱组合,并根据与NNI相关系数的计算结果筛选最优光谱指数,最后将最优光谱指数分为3组模型输入变量,分别采用支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、极限学习机(extreme learning machine,ELM)和反向神经网络(back propagation neural network,BPNN)构建冬油菜蕾薹期NNI估算模型。结果表明一阶微分光谱指数与NNI的相关系数均大于原始光谱指数,3个组合选择的光谱指数与NNI的相关...     

基于高光谱的冬油菜植株氮素积累量监测模型

为无损和定量研究高光谱技术在冬油菜植株氮素积累量(PNA,plant nitrogen accumulation)时空变化监测的适宜性及准确性,该文以两年田间氮肥水平试验为基础,采用单变量线性和非线性回归方法,建立基于特征光谱参数的冬油菜P NA高光谱估算模型。结果表明,采用比值光谱的方法可显著提高冬油菜冠层光谱反射率与PNA间的相关性,其最佳的波段组合为1 259 nm与492 nm处光谱反射率比值(R1259/R492),决定系数R2为0.85。高光谱参数间,以比值植被指数(RVI-5)、归一化光谱指数(NDSI)、线性内插法红边位置(REIP)、三角植被指数(TVI)、742 nm处一阶微分光谱值(FD742)和红边面积(SDR)等光谱参数与PNA相关性较好(平均R2和标准误SE分别为0.69和42.70),且以FD742表现最优(R2=0.79,SE=35.66)。精度分析结果显示,以光谱参数R1259/R492和FD742为自变量的指数方程模型作为高光谱监测油菜PNA的最佳模型,各生育期Noise Equivalent(NE)均较低且表现稳定,同时模型估测精度较高,R2分别为0.98和0.98,相对均方根误差RRMSE分别为0.73和0.72,相对误差MRE分别为14.42%和10.31%。该方法为快捷和精确评估冬油菜PNA提供了新的研究思路。     

冬油菜叶片的物质及养分积累与转移特性研究

为优化当季和下季作物的养分管理,采用田间试验研究了冬油菜品种:华双5号与中油杂12号叶片的干物质及氮、磷、钾的积累及转移规律,并比较了品种间的异同。结果表明,两个油菜品种的绿叶干物质量在苗后期基本达最大值,花后期迅速降低;苗期的落叶干物质量较小,蕾薹期后直线增加;叶片总干物质先增后减,花期达最大值。中油杂12号的落叶及叶片总干物质均高于华双5号,差异随生育期的推进逐渐明显。绿叶氮含量出苗后逐渐降低,后因越冬肥的施用又略有升高,蕾薹期后便迅速下降;落叶氮含量持续降低,苗后期降至最低点,其后一直保持稳定。绿叶磷含量在苗期缓慢增加,蕾薹期达到最大值,而后迅速下降;苗期落叶的磷含量逐渐降低,蕾薹期降至最低值,角果期后又略有升高。出苗50d后绿叶钾含量快速下降,70d达到最低值,其后保持稳定;落叶钾含量在蕾薹期达到最低值,其后波动较大。两品种叶片养分含量的变化趋势相似,但无论绿叶还是落叶,华双5号的养分含量总体略低于中油杂12号。绿叶的养分与叶片总养分积累的变化规律一致,即氮、磷、钾积累量均先增加后降低,分别在蕾薹期、苗后期和花期达到最高值。落叶的养分积累量在抽薹后迅速增加,收获期达最大值。华双5号叶片的干物质、N、P2O5、K2O转移率分别为25.5%、82.9%、75.4%、45.8%;中油杂12号则分别为8.4%、76.0%、60.2%、38.8%,品种间差异显著。     

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。     

基于棉花红边参数的叶绿素密度及叶面积指数的估算

利用野外非成像高光谱仪,测试棉花两个品种4种配置种植方式两年关键生育时期的冠层反射光谱数据,应用光谱微分技术,获取棉花微分光谱680～750 nm波段的红边参数：红边面积（SDr）、红边斜率（Dr）以及红边位置（λr）变量;将棉花红边面积、红边斜率分别与其冠层叶绿素密度（CH.D）、叶面积指数（LAI）进行相关分析,它们的相关性均达到1%极显著水平,其中红边面积与叶绿素密度的相关性最好（RCH.D=0.8787**,n=137）;并且红边面积较红边斜率对叶绿素密度、叶面积指数的预测精度更高。以棉花新陆早13号和19号为建模样本,通过红边面积与叶绿素密度的线性相关模型,分别反演新陆早13号、19号冠层叶片的叶绿素密度,结果表明对这两个棉花品种的叶绿素密度估算精度分别达87.4%和83.3%,说明高光谱红边参数是估算棉花叶绿素密度和叶面积指数的一种简单、快捷、非破坏性的有效方法。