云南山地胶园土壤有机质高光谱估算

有机质是反映橡胶园土壤养分状况的重要指标，其含量快速、高精度估算模型的建立，可以更好地指导胶园精细化生产管理。本研究从景洪市东风农场采集到225个橡胶园土壤样品，并获取土壤样品的光谱反射率和有机质含量数据，对光谱反射率进行噪声波段去除和重采样后，应用3种方法[log(1/R)、MSC、SNV]对重采样后的光谱反射率R进行光谱变换处理，然后对光谱反射率R以及3种变换形式光谱数据进行SG平滑或导数变换模式优选，得到最佳的光谱变换模式为log(1/R)结合SG平滑变换，其中，SG平滑变换模式为导数阶数0、SG滤波窗口5、多项式次数2或3。基于最佳光谱变换光谱数据与土壤有机质含量数据，选择CARS、SPA、CARS-SPA等3种方法提取特征波长，并采用MLR、PLSR和SVR3种方法构建土壤有机质高光谱估算模型。结果显示，CARS-SVR模型估算精度最高，R2、RMSE、RPD分别为0.897、3.990 g/kg、2.947。建立的云南山地胶园土壤有机质含量高光谱最优估算模型，RPD位于2.5～3.0之间，具有很好的估算能力。     

基于高光谱遥感的玉米叶片SPAD值估算模型研究

灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明：基于全谱构建的PLSR模型SPAD值拟合效果最好（R ²=0.910,RMSE=2.071）,而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果（R ²=0.867,RMSE=2.581,RPD=2.628）优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。     

基于遗传算法结合偏最小二乘的潮土碱解氮高光谱特征及含量估测

提取土壤碱解氮特征光谱是利用高光谱数据进行其含量估测的关键。对山东省典型潮土土壤样本测试高光谱并进行变换;采用遗传算法（GA）结合偏最小二乘法（PLS）,在筛选潮土碱解氮含量特征谱区的基础上,构建潮土碱解氮含量偏最小二乘（PLS）回归估测模型;优选最佳模型并与相关分析、逐步回归分析和单纯偏最小二乘回归分析的模型进行比较。结果表明：潮土碱解氮特征波段为449~469nm,988~1001nm,1065~1078nm,1716~1736nm,1912~1925nm,2213~2233nm,2262~2275nm;基于各输入光谱特征谱区构建的估测模型决定系数R²均较高,其中基于反射率一阶导数光谱筛选的特征谱区,构建的模型精度最高,数据点（147个）为原始全谱的7.17%,建模R²达到0.97,均方根误差RMSE为4.78mg/kg,验证R²为0.95,RMSE为5.49mg/kg,对潮土碱解氮含量具有较好的预测准确性;在光谱变换形式中,反射率的一阶导数表现最佳;方法比较显示采用遗传算法结合偏最小二乘（GA-PLS）获得较高预测精度的同时,可简化模型。说明遗传算法结合偏最小二乘法（GA-PLS）,可有效筛选土壤碱解氮的特征波段,减少模型参与变量,提高估测精度。     

基于穗层反射光谱的小麦籽粒蛋白质含量监测的研究

本试验对近地面高光谱仪监测小麦的不同测定方法进行了探讨，并比较了各方法对籽粒蛋白质含量（GPC）的预测能力。结果表明，穗全氮含量（ETNC）与穗层光谱反射率（Rel）的相关系数普遍高于与冠层光谱反射率（Rc）的相关系数。同时，基于小麦光谱反射率、穗全氮含量、籽粒蛋白质含量三者之间的相关性，选择了包括植被指数在内的20个穗层光谱特征参量，与ETNC进行相关分析，建立了最佳光谱特征参量预测ETNC以及ETNC预测籽粒蛋白质含量（GPC）的统计相关模型。通过2个模型的链接，建立了利用比值植被指数RVI[890,670]预测GPC的回归模型，可以较好地预测小麦籽粒蛋白质含量。在相同条件下，相对于以往基于冠层光谱的方法，基于穗层光谱的RVI[890,670]对GPC的预测表现出较大的优势，决定系数R2由0.662提高到0.865，总均方根差RMSE由0.851降低到0.734。本研究为实现田间条件下小麦氮素及相关品质指标的便携式监测仪的开发研制提供了初步的依据。     

基于无人机RGB遥感的甘蔗株高估测

为快速准确地估测甘蔗不同生育期株高，探讨了无人机RGB系统遥感估算株高的可行性及效果。利用无人机RGB遥感平台，获取苗期、分蘖期、伸长中、后期和工艺成熟期的影像，通过Pix4D mapper生成数字表面模型（digital surface model,DSM），采用Eris Arcmap提取株高，基于DSM提取的株高与实测株高建立各生育期的估测模型，采用决定系数（R2）、均方根误差（RMSE）和平均相对误差（MRE）对模型进行评价。结果表明，基于DSM提取甘蔗各生育期的株高高于实测株高；全生育期模型拟合性最好，预测精度较高（验证集R2、RMSE和MRE分别为0.9611、0.1623和0.1102），苗期株高模型预测精度最高。其他各生育期模型的拟合性不及全生育期和苗期，精度较低，工艺成熟期模型的预测精度最低，拟合性最差。因此，基于无人机RGB遥感平台获取甘蔗不同生育期影像后通过DSM提取株高并运用于甘蔗重要生育期株高的估测时，注意不同生育期模型的适用性。     

基于无人机高光谱融合连续投影算法估算棉花地上部生物量

【目的】地上部生物量是表征植物生命活动的重要参数。探索不同的光谱预处理方法和建模方法,实现对棉花地上部生物量快速、无损、准确的估算,对棉花长势监测和大田精准管理具有重要意义。【方法】以新陆早53号、新陆早45号为研究对象,设置不同施氮处理,于出苗后不同阶段获取棉花地上部生物量和无人机高光谱数据,通过连续投影算法(Successive projections algorithm,SPA)筛选不同预处理[一阶导数、二阶导数、Savitzky-Golay(SG平滑)、多元散射校正]后的特征波长,基于筛选出的不同波长组合使用偏最小二乘法回归(Partial least square regression,PLSR)和随机森林回归(Random forest regression,RFR)分别构建棉花地上部生物量估算模型,比较不同预处理后建立模型的精度,确定最优估算模型。【结果】(1)利用SPA算法对不同预处理后的光谱信息筛选出特征波长9～26个,可实现光谱信息降维。(2)基于SG平滑-SPA处理及PLSR方法建立的模型最佳,R~2达到了0.63,均方根误差(Root mean square error,RMSE)为0.42,验证集的R~2为0.67,RMSE为0.44。(3)一阶导数-SPA处理后,采用RFR构建的模型最佳,R~2达到0.87,RMSE为0.45,验证集R~2为0.81,RMSE为0.37。【结论】采用一阶导数预处理结合SPA筛选特征波长,经RFR构建的估算模型结果和验证效果均最佳,可用于棉花地上部生物量定量估算。     

基于近地高光谱棉花生物量遥感估算模型

分析棉花地上鲜生物量冠层高光谱反射率变异系数，反射率光谱、一阶微分光谱与地上鲜生物量相关关系得结果表明：在可见光近红外波段棉花冠层反射率光谱变异系数在672 nm波段处最大；棉花地上鲜生物量与反射率光谱相关系数最大值在可见光波段出现在589~700 nm，在近红外波段出现在865~919 nm波段，且前者大于后者。地上鲜生物量与一阶微分光谱相关系数在可见光波段出现524~528 nm、552~588 nm、710~755 nm 3个高值区。基于以上研究，选择19个高光谱特征参数建立了棉花地上鲜生物量高光谱遥感监测模型，经检验，单波段中以F₆₂₉估算水平最高，估算模型为Y = 9.7914 exp(－20.738 F629)，准确度为83.9%、RMSE为0.64 kg m^-2、预测值与实测值相关系数为0.940**；组合参数以[629, 901]指数形式估算模型估算水平最高，模型为Y = 0.0986 exp(4.3696[629, 901])，准确度达84.0%，RMSE为0.55 kg m^-2，预测值与实测值相关系数为0.960**，上述两个模型为参选模型中估算棉花地上鲜生物量最佳高光谱估算模型。     

利用光谱-盐分指数监测棉田土壤盐分

通过对棉田土壤盐分的光谱反演研究,为土壤盐渍化遥感动态监测提供可能。利用ASD地物光谱仪测定新疆兵团第六师共青团农场盐渍化棉田土壤光谱,结合土壤化学参数分析确定反映棉田土壤盐渍化程度的敏感波段,构建最佳盐分指数对棉田土壤盐分进行监测。结果表明,随盐渍化程度(0.084~1.659 g·kg-1)的加重,土壤光谱反射率呈上升趋势,在近红外区(1350~1850 nm)差异尤为显著,该波段范围光谱反射率与土壤盐分呈极显著相关(r=0.880**),且对土壤盐分响应敏感,为识别盐渍化土壤的敏感波段;选择盐渍化光谱敏感波段建立了盐分指数SI1,BI,SI2,NDSI,SI3监测棉田土壤盐渍化的模型,其中SI1和BI的RMSE分别为0.151和0.149、RE为7.5%和6.3%,预测能力强,可推荐为棉田土壤盐分监测的最佳模型。     

大米蛋白质含量近红外光谱检测模型研究

探索建立一种有效的大米蛋白质含量近红外光谱检测模型,并寻找1100~2500nm波段中预测大米蛋白质含量的有效波长。采用面积归一化（Area Normalization）方法进行光谱预处理。用主成分回归方法建立回归模型,用Martens不确定性检验方法选择有效波长。发现利用主成分分析可以较好地区分出不同种类的米粉,样品在主成分上的得分可以作为鉴别米粉种类及品质的依据。基于全部波长建立的回归模型,训练集r=0.9923,RMSE=0.0747。交叉验证的结果r=0.9399,RMSE=0.2103。预测集r=0.9364,RMSE=0.1607。基于有效波长建立的回归模型,训练集r=0.9899,RMSE=0.0854。交叉验证结果r=0.9437,RMSE=0.2004。预测集r=0.9079,RMSE=0.1796。使用近红外光谱分析技术检测大米蛋白质含量是可行的,采用Martens不确定性检验方法选择有效波长,并利用有效波长预测大米蛋白质含量也是可行的。     

基于高光谱的水稻种子活力无损分级检测

为研究高光谱图像技术用于水稻种子活力快速无损鉴别的可行性,本试验以不同老化程度的4个水稻品种共960粒水稻种子为材料,对样品进行人工老化后进行发芽试验,统计发芽率和根长,计算简易活力指数,据此将每个品种的样品划分为不同活力梯度组,采用高光谱图像技术,通过提取水稻种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法、标准正态变量(SNV)和多元散射校正(MSC)对874～1 740 nm波段内的光谱数据进行去除噪声处理,采用主成分分析法(PCA)、连续投影算法(SPA)进行特征波长选择,基于全波段光谱和基于特征波长分别建立了偏最小二乘判别分析(PLS-DA)模型.试验结果表明,经MSC预处理后,采用SPA挑选的特征波长建立的PLS-DA模型,建模集和预测集的识别正确率分别达到100％和98.75％.研究结果表明,利用高光谱图像技术对水稻种子活力进行快速无损检测是可行的.     

烟叶总氮的近红外光谱检测模型研究

探索建立一种有效的烟叶总氮含量近红外光谱检测模型,并寻找1100~2500 nm波段中预测烟叶总氮含量的有效波长。采用多种不同的光谱处理方法,并选择较优的一阶导数光谱处理原始光谱,再用偏最小二乘回归建立模型和Martens不确定性检验方法选择有效波长。基于全部波长建立的模型,训练集r=0.9930,RMSE=0.0490;交叉验证r=0.9708,RMSE=0.0996;预测集r=0.9747,RMSE=0.0884。基于有效波长建立的模型,训练集r=0.9937,RMSE=0.0464;交叉验证r=0.9744,RMSE=0.0938;预测集r=0.9610,RMSE=0.1116,预测值与化学值的绝对误差小于0.227%,相对误差未超过0.1%。表明使用近红外光谱分析技术检测烟叶总氮含量较好,采用Martens不确定性检验方法选择有效波长,并利用有效波长预测烟叶总氮含量是可行的。     

烤烟叶片含水量的光谱检测模型研究

为研究烤烟叶片中含水量随烘烤时间变化的问题,通过烘烤实验探索烤烟叶片含水量的可见-近红外光谱监测模型。针对光谱原始数据和预处理数据,利用交叉验证法采用偏最小二乘法建立回归模型,发现经过平滑处理的数据利用偏最小二乘法(PLS)可以较好地检测烤烟叶片含水量。基于全部波长建立回归模型,训练集r=0.9771,RMSEC=0.0742;交叉验证结果r=0.9573,RMSEC=0.1009;预测集r=0.9683,RMSEC=0.0862。结果表明,基于全部波长原始数据平滑处理的PLS模型预测烤烟叶片含水量是可行的。     

基于高光谱的水稻土有机质含量估算研究

利用高光谱技术可实现土壤有机质含量的快速、精确反演。然而运用不同的光谱预处理算法及建模方法获取的模型预测精度及稳定性不同。为了选取最佳土壤有机质估算模型,本研究应用ASD波谱仪测定河南省潢川县水稻土的光谱数据,比较使用2种建模方法组合18种光谱预处理转换算法建立模型的反演效果。对于多元逐步回归模型和偏最小二乘模型,使用SGF3-2预处理算法均获得了最佳的预测效果,所建模型具有较小的误差和较高的精度。相比使用多元逐步回归法,使用偏最小二乘回归法可以获取更稳定的预测模型。运用偏最小二乘模型结合SGF3-2预处理算法得到了最佳的水稻土有机质含量估算模型,模型预测均方根误差RMSEv=0.036,决定系数Rv2=0.89。选择最佳的建模方法结合预处理算法,可以改进模型反演精度。本研究对比的不同方法也可以应用到类似的土壤模型选取中。     

基于冠层光谱的早籼稻籽粒粗蛋白含量估测

利用2019年长江中下游早籼稻早中熟组种质资源为材料,分析主要生育期冠层光谱反射率与籽粒粗蛋白含量的关系,筛选出可用于早籼稻籽粒粗蛋白含量预测的敏感生育期和敏感波长,建立了基于敏感波长和光谱参数的籽粒粗蛋白的一元线性、多元线性、指数和多项式预测模型,用决定系数（R ²）、均方根误差（RMSE）和相对误差（RE）对模型精度进行评价,以期找到估测早籼稻籽粒粗蛋白含量的最适模型。研究发现,在孕穗期514、580、638和695nm波长处冠层一阶微分光谱反射率与籽粒粗蛋白含量相关性达到极显著水平;在基于敏感波长的估测模型中,四元线性模型估测效果最佳,其建模集R ²、RMSE和RE分别为0.566、0.342%和2.874%,验证集R ²、RMSE和RE分别为0.518、0.154%和1.303%;在基于光谱参数构建的估测模型中,DSI(R′₅₁₄和R′₆₃₈)为自变量构建的多项式模型估测效果较优,其建模集R ²、RMSE和RE分别为0.638、0.312%和2.639%,验证集R ²、RMSE和RE分别为0.581、0.230%和2.307%。     

基于光谱指数的苹果叶片水分含量估算模型研究

建立快速、无损的苹果叶片水分含量高光谱估算模型,为苹果树干旱预警提供理论依据。以2个不同生育期采集的苹果叶片为研究对象,研究了不同水分含量的苹果叶片高光谱特征,分析了苹果叶片水分含量与光谱指数(WI、WBI、PWI、GVWI、MSI、 NDW)之间的相关关系,建立了苹果叶片水分含量估算模型。结果表明,苹果叶片水分含量的敏感光谱波段主要集中于近红外和短波红外波段;利用6个光谱指数建立的单变量估算模型均达到了极显著水平(P<0.01),但以水分指数（WI）建立的估算模型y=29503x2-57746x+28317的拟合决定系数R2最大,为0.5401;经检验,拟合方程的RMSE为 2.4,RE为 5.8%,检验精度达到了94.2%。采用主成分回归分析方法,建立的苹果叶片水分含量估算模型y=-556.819+347.838x1-17.815x2-27.864x3+299.492x4+25.647x5+9.835x6的拟合决定系数R2为0.6371,经检验,拟合方程的RMSE为 1.26,RE为 1.8%,检验精度达到了98.2%。表明以主成分回归分析建立的苹果叶片水分含量估算模型具有较好的敏感性和稳定性。     

基于全波段高光谱的冬小麦生长参数估算方法比较

利用高光谱数据监测作物生长情况具有无损和高效的特点,是现代农业的发展方向。为了简化高光谱数据处理流程,直接利用原始的高光谱反射率完成从建模到估算作物生长参数的全过程,应用于作物长势的实时监测。本文利用偏最小二乘回归（partial least squares regression,PLSR）、支持向量回归（support vector regression,SVR）和前馈神经网络（feedforward neural network,FNN）3种方法,利用全波段高光谱数据分别对冬小麦多个关键生育期（拔节、孕穗、扬花和乳熟期）生长参数（地上部生物量、叶面积指数、全氮含量和叶绿素浓度）进行了估算。比较3种方法的建模及估测效果,发现对于建模集数据,SVR对上述生长参数4个生育期的估测结果R²均值为0.89~0.98,MAPE为1.70%~7.53%,对于验证集数据,R²均值为0.90~0.94,MAPE为4.04%~7.46%,拟合优度和估测精度均超过PLSR和FNN,是估算方法中利用全波段光谱反射率估测冬小麦生长参数的最佳方案。随着无人机载高光谱技术成熟,SVR方法能够用于处理航拍获取的大范围田间高光谱信息,简便快捷地进行建模与参数反演,实时反映作物生长状态。     

耕层土壤含水量间接光谱估测模型

为克服光学卫星遥感只能获取表层土壤光谱信息而不能用于直接估测耕层土壤含水量的局限性,建立基于表层土壤高光谱的耕层土壤含水量间接估测模型。以山东省济阳县85个潮土样本的含水量及高光谱数据为基础,根据表层与耕层土壤含水量的内在关系,建立耕层土壤含水量间接光谱估测模型。结果表明,表层土壤光谱反射率的对数变换效果较好,以1339、1457、1745、1969、1996 nm波段的对数变换值为估测因子,采用多元线性回归模型建立的表层含水量估测模型的决定系数为R ²=0.8911,平均相对误差为13.67%;土壤耕层与表层含水量之间存在着显著的相关性,R ²=0.8131;耕层土壤含水量间接光谱估测模型的精度较高,决定系数R ²=0.8138,平均相对误差为9.66%。研究表明,山东省济阳县潮土表层、耕层含水量之间存在着显著的相关性,利用表层土壤光谱间接估测耕层土壤含水量是可行有效的。     

基于无人机遥感图像的苎麻产量估测研究

本研究旨在探索一种利用无人机-RGB系统提取的苎麻株高和可见光图像光谱信息估测产量的新方法。试验于2019年在湖南农业大学耘园苎麻基地进行,利用无人机搭载高清数码相机获取二季苎麻苗期和成熟期的图像。首先利用Pix4Dmapper生成苎麻冠层2个生育期的数字表面模型和高清数码正射图像;然后基于数字表面模型采用"差分法"计算试验小区的平均株高(DSM-based H);基于正射图像提取试验小区RGB通道均值,进而计算遥感图像数码变量和植被指数,分析苎麻种质间的图像光谱表型性状和产量株高比性状的差异性与多样性;最后采用逐步回归方法建立苎麻产量预测模型,并对各项产量解释因子进行相关性分析。结果表明:(1)基于无人机-RGB系统遥感株高与实测株高显著相关(r=0.90),修正遥感株高的均方根误差为0.04 m。(2)苎麻产量与株高信息存在极显著相关性(r=0.91),而与图像光谱表型相关性不明显。(3)融合遥感图像株高和种质特征差异构建的苎麻产量估测模型精度较高, R~2=0.85, RMSE=0.71。因此,基于无人机遥感图像的苎麻产量估测是可行的,这对苎麻种质特征评价和产量估测具有重要的意义。     

基于光谱指数和偏最小二乘的棉花类胡萝卜素/叶绿素a比值估算

类胡萝卜素(Car)与叶绿素a含量比值(Car/Chla)的变化与植被生长发育变化、环境胁迫及叶片衰老特征等密切相关,可作为植被生理生态及物候的监测指标。不同植被类型和植被品种其色素变化随植被生长发育呈现出不同的变化特征。为了探究适用于干旱区棉花Car/Chla比值估算的光谱指数和估算方法,本研究通过2011年和2012年连续2年的大面积田间试验,获取了棉花不同生育期的叶片及冠层尺度光谱反射率及色素含量信息,对多种光谱指数及偏最小二乘回归(Partial Least Square Regression, PLSR)用于Car/Chla比值和Car估算进行了探讨。对比表明,基于光化学指数(PhotochemicalReflectanceIndex,PRI)的线性和一元二次模型对Car/Chla比值和Car的估算精度最高,由PRI-Car/Chla线性模型得到的叶片和冠层尺度的Car/Chla比值估算值与实测值之间的决定系数R2大于0.6, PRI-Car的R2大于0.36;基于PLSR模型得到的Car/Chla比值估算值与实测值之间的拟合关系略优于基于PRI的估算模型,由其得到的叶片及冠层尺度Car/Chla比值估算值与实测值之间的决定系数R2大于0.80,Car估算值与实测值之间R2大于0.73;不论基于PRI还是基于PLSR方法,对Car/Chla比值的估算精度均高于Car含量,该结论进一步证实了Car/Chla比值遥感监测的可行性,丰富了对棉花生长高温胁迫、养分胁迫等环境胁迫及病虫害等遥感监测的依据指标。