冬小麦白粉病冠层光谱特征解析与病情指数反演

为探讨利用高光谱技术快速无损地监测小麦白粉病灾情的方法,通过人工田间诱发白粉病,在灌浆期对不同发病等级(病情指数)的冬小麦进行冠层高光谱测定,对原始光谱数据进行一阶微分处理,筛选最佳光谱特征参量和植被指数,构建冬小麦白粉病病情指数反演模型。结果表明,在冠层尺度,小麦白粉病"红边"位置均在730nm左右(±1nm);经验证,5种模型中三角植被指数(TVI)模型估算精度最好,r2和RMSE分别达到了0.700和0.112,与精度最低的优化土壤调节植被指数(OSAVI)模型相比,r2提高了0.071,RMSE降低了0.013。小麦白粉病"红边"蓝移现象并不明显;五种模型r2都达到了0.6以上,说明高光谱技术都能够有效地对冬小麦白粉病病情指数进行无损、快速、精确的反演,其中TVI的反演精度最佳。     

基于CHRIS/PROBA的植被叶面积指数估算模型研究

选用江西省余干县多角度高光谱遥感数据CHRIS/PROBA,提取了5种植被指数(VI),即归一化植被指数(NDVI)、垂直植被指数(PVI)、调整土壤植被指数(MSAVI)、比值植被指数(RVI)、大气阻抗植被指数(ARVI),与地面实测的植被叶面积指数进行了回归分析,建立300个LAI-VI关系模型。结果表明:在所有的模型中,从5个角度来看,0°提取叶面积指数效果最好,R2=0.591,RMSE=0.650;-55°提取叶面积指数效果最差,R2=0.551,RMSE=0.821;从植被类型来看,针阔林最好,其次为阔叶林、灌木、针叶林和草地;从植被模型种类来看,指数模型好于一次回归模型;从植被指数来看,PVI最好,其次为MSAVI、NDVI、RVI、ARVI。在LAI-VI关系建模过程中,基于多角度高光谱遥感数据提取植被指数,有利于充分挖掘遥感影像信息,能够提高LAI估算精度。     

基于机器学习的春小麦叶片水分含量高光谱估算

为了比较不同机器学习算法在干旱半干旱区春小麦叶片水分含量(leaf water content, LWC)遥感监测中的应用效果及筛选最佳波段组合,在田间尺度上,以春小麦冠层高光谱数据为基础,采用两波段组合形式,计算15种光谱参数(比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI和12种水分植被指数),通过对抽穗期叶片含水量与光谱参数拟合效果进行对比与分析,分别构建了基于机器学习[人工神经网络(artificial neuralnetwork, ANN)、K近邻(K-nearestneighbors, KNN)和支持向量回归(support vector regression, SVR)]和光谱参数的春小麦LWC反演模型,并对模型精度进行验证,以确定有效波段组合。结果表明,小麦抽穗期LWC与冠层高光谱反射率(R_784～950)、12种水分植被指数均显著相关(P<0.01);波段组合形式有效地优化了两波段指数的波段组合,在800～1 000 nm区间光谱参数(RVI_1046,1057、NDVI_1272,1279     

基于冠层高光谱的冬小麦植株含水率估算

为确定适用于冬小麦植株水分诊断的最佳高光谱指数及其在植株水分处于适宜状态时的阈值,设置4个水分处理（灌溉定额分别为0、60、120和180 mm）,获取了小麦关键生育时期（返青期、拔节期和灌浆期）的冠层高光谱反射率、植株含水率、土壤含水率和产量等数据。依据高光谱指数与冬小麦植株含水率之间的相关性对高光谱指数进行筛选,以筛选的高光谱指数为输入变量,分别构建一元回归、偏最小二乘回归、随机森林回归和支持向量回归的冬小麦植株含水率估测模型。考虑到土壤含水率对冬小麦植株含水率的影响,进一步量化了当日植株含水率与不同时间土壤含水率的关系,通过产量比较法分别确定了冬小麦植株水分、土壤水分的阈值。结果表明：（1）在返青期、拔节期和灌浆期,一元回归模型的精度（r²=0.673,RMSE=3.144%,RE=5.489%）较好,能确定高光谱指数阈值,可以较精准、快捷地实现冬小麦水分诊断。机器学习算法中随机森林回归的模型精度（r²=0.904,RMSE=1.701%,RE=3.606%）最高,但模型参数较多,无法给出高光谱指数阈值。（2）当日植株含水率与其前一天0~50 cm土层的含水率之间具有较强的正相关关系（r²为0.708,RMSE为2.436%,RE为7.755%）。（3）返青期、拔节期和灌浆期估测冬小麦植株水分最佳高光谱指数分别为 MCARI/0SAVI、PRI3和VEG,其相应的阈值分别为0.765 1~1.130 1、0.155 2~0.225 7、1.633 9~1.668 5。因此,可根据植株含水率与土壤含水率之间的关系确定冬小麦在关键生育期内所处水分状态,从而采取相应对策。     

基于高光谱成像技术的青贮玉米饲料pH值无损检测

为实现青贮玉米饲料pH值的快速、无损检测,该研究采用高光谱成像技术建立不同品质青贮玉米饲料pH值的定量检测模型。采集青贮玉米饲料样本936～2 539 nm的平均光谱,采用6种预处理方法对青贮玉米饲料平均光谱进行处理,通过建立偏最小二乘回归（partial least squares regression,PLSR）模型得出多元散射校正（multiplicative scatter correction,MSC）和卷积平滑（savitzky-golay,SG）两种预处理方法效果较好,使用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、变量组合集群分析算法（variable combination population analysis,VCPA）以及迭代保留信息变量（iteratively retains informative variables,IRIV）算法对经MSC和SG卷积平滑预处理光谱进行特征波长提取,利用PLSR和极限学习机（extreme learning machines,ELM）分别建立饲料全波段、特征波长的pH值预测模型。MSC-CARS-PLSR为最优算法组合,其校正集决定系数为0.926 2,均方根误差为0.421 3,预测集决定系数为0.917 0,均方根误差为0.426 6。研究结果表明,结合PLSR模型可以实现对青贮玉米饲料pH值的准确预测,可为青贮玉米饲料pH值提供一种可靠且有效的无损检测新方法。     

柑橘黄龙病光谱特征波段选择及光谱检测仪研制

黄龙病（Huanglongbing,HLB）被称为柑橘的癌症,及早检测出患病植株可防止病情蔓延,降低病情灾害程度。高光谱分析技术因其丰富的光谱信息,成为近年来作物病害检测的研究热点。然而高光谱设备昂贵,波段数较多,计算量大,在实际应用中尚未形成规模应用。使用合理的波段选择方法,可以去掉冗余信息,避免\     

运用实测高光谱数据对梭梭同化枝叶绿素的估算

叶绿素是植物光合作用过程中最重要的色素,与植被的光能利用及转化效率密切相关。以荒漠生态系统建群种梭梭(Haloxylon ammodendron)为研究对象,通过收集64种叶绿素光谱指数,对这些指数在梭梭同化枝叶绿素面积质量反演的适用性进行评价,利用实测光谱数据对梭梭同化枝叶绿素进行相关性分析。结果表明:64种光谱指数在梭梭同化枝叶绿素反演的精度很低;对梭梭同化枝叶绿素面积质量解释性较好的光谱指数有R600/R1630、R600-R1605、(R600-R1630)/(R600+R1630)、D1815-D1290、D1210/D1290、(D1210-D1290)/(D1210+D1290);极端的干旱气候及长期的水分胁迫导致梭梭同化枝叶绿素的光谱响应特征具有独特性。     

徐州九里矿区水土污染高光谱影像识别可行性研究

采用传统的水、土监测方法,明确徐州九里矿区被测区域的污染情况,为高光谱影像识别被测区域污染情况提供基础数据。利用高光谱遥感技术,结合传统的污染识别方法获得的数据,解决矿区水土中的污染识别和监测问题。     

Estimating canopy leaf nitrogen concentration in winter wheat based on multi-angular hyperspectral remote sensing

Real-time, nondestructive estimation of crop nitrogen (N) status is highly important for precision N management in winter wheat production. Developing a new N indicator based on the direct link between spectral index and chlorophyll content is important for crop N diagnosis. In this study, we investigated the quantitative relationships between leaf N concentration (LNC) and ground-based multi-angular remote sensing hyperspectral reflectance in winter wheat (Triticum aestivum L.). Field experiments were conducted from 2011 to 2014 across different sites, cultivars, growth stages, N rates, and planting densities, and a novel Multi-angular vegetation index (MAVI_SR) was developed to improve the prediction accuracy and stability of LNC measurement. The optimum vegetation indices (VIs) obtained from 40 traditional indices reported in the literature, as well as normalized difference spectral indices (ND) and Simple Ratio Indices (SR), were tested for their stability in estimating LNC at 13 viewing zenith angles (VZAs). Overall, the coefficient of determination (r²) of spectral reflectance and traditional VIs with LNC decreased with increasing VZA in both the forward and backward scattering directions and reached maximum values at a viewing angle of −20°. Ratio index (RI-1 dB) exhibited the best linear relationship to LNC (r² of 0.837) at the −20° viewing angle, but Enhanced vegetation index (EVI-1) showed the highest r² (0.819) with LNC at the nadir direction. The relationships between the LNC and two-band combinations indicate that there are three sensitive regions with high r², which vary with VZA, usually comprising combinations of blue–red wavelengths, green–red edge wavelengths, and between-red edge wavelengths. To further analyze the relationship between the combination of the three sensitive regions and the sensitive VZAs with LNC, the MAVI_SR index in the form of MAVI_SR = (R538/R768)₋₂₀ − (R478/R634)₊₁₀ was calculated and found to be highly correlated with LNC (r² = 0.897). When independent data were fit to the derived equations, the average relative error (RE) values were 15.5%, 14.3%, and 12.6% between measured and estimated LNC using EVI-1_0°, RI-1 dB_−20°, and MAVI_SR, respectively. These results suggest that the models can accurately estimate LNC in wheat, and the novel MAVI_SR is more effective for estimating LNC than previously reported VIs, independent of years, sites, and growth periods. The results also indicate the importance of taking into account angle effects when analyzing VIs.     

小波分析在大豆叶绿素含量高光谱反演中的应用

实测了不同水肥耦合作用下,大豆冠层高光谱反射率与叶绿素含量数据,并对光谱反射率、微分光谱与叶绿素含量进行了相关分析;采用叶绿素A与叶绿素B诊断波段构建了特定植被指数,对叶绿素A、叶绿素B进行了回归分析;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对叶绿素含量进行估算。经分析发现,叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致——在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度(R2>0.73);小波能量系数回归模型可以进一步提高大豆叶绿素含量的估算水平,以一个特定小波能量系数作为自变量的回归模型,叶绿素A其确定性系数R2为0.76,叶绿素B为0.78;以4变量与9变量回归分析结果表明:叶绿素A实测值与预测值的线性回归确定性系数R2分别大于0.85、0.89;叶绿素B实测值与预测值的线性回归确定性系数R2分别为0.86、0.90。