基于高光谱数据的互花米草营养成分反演

  目的  粗蛋白、粗纤维和粗脂肪含量是决定草本质量的指标之一,研究以江苏大丰麋鹿国家级自然保护区（核心三区）内的互花米草为对象,结合高光谱数据和实测数据,找到光谱数据与互花米草营养成分的关系,建立相应的营养成分估测模型。  方法  在2018年3、5、7和10月,利用ASD Field Spec Pro FR2500高光谱仪采集互花米草叶片的光谱数据,同时采集互花米草叶片,测定其粗蛋白、粗纤维和粗脂肪含量,对原始反射率及其一阶导数和互花米草粗蛋白、粗纤维和粗脂肪含量实测值之间进行相关性分析,在350 ~ 1 364 nm和1 411 ~ 1 799 nm的范围内选取与互花米草各营养成分含量的相关系数绝对值大于0.7的波段,同时构建选定的8个植被指数,进行建模分析,筛选出最优模型。  结果  粗蛋白的估测模型以673 nm和1 740 nm处的光谱一阶反射率的多元线性估测最优（R2 = 0.917,RMSEP = 1.344）;粗纤维的估测模型以1 738 nm处的光谱一阶反射率的线性估测最优（R2为0.741,RMSEP为1.708）;粗脂肪含量的估测模型以1 734 nm和880 nm处的光谱一阶反射率的多元线性估测最优（R2 = 0.737,RMSEP = 0.343）。  结论  在构建的估测模型中,粗蛋白和粗纤维的估测模型对互花米草粗蛋白和粗纤维含量的估测结果极好,粗脂肪含量的估测模型可以对互花米草粗脂肪含量做出很好的预测。研究结果为评估互花米草营养质量提供参考和技术依据。      

微型植物工厂LED多光谱补光系统的设计与应用

不同的光谱、光强和光照周期对植物的影响不同。为了深入研究植物与光照的关系,设计一种微型植物工厂LED多光谱补光系统的可控光源。基于嵌入式系统,对微型植物工厂所需补光进行分析,通过控制不同波长的LED产生不同光强,使其接近所需光谱。该补光系统可从365～940 nm的25种不同波段的光谱自由选择,实现大功率LED光谱自由拟合、光照强度连续可调、光照周期自由设定的功能,同时可根据不同植物种类的适宜光环境需求进行"量身定做",进而实现精确补光。该系统成本低、效率高、精确性高、针对性强,更利于对光与植物关系的研究。     

基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取

目的 结合传统与现代农业病虫害监测的优缺点,探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像,经过光谱预处理和特征工程后,采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合,基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法,建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve,AUC)分别为0.883 0和0.912 0,分类准确率均超过95%;提取出698和762 nm的特征波长组合,基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率,证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。     

荒漠林高光谱与光学影像植被指数(Ⅵ)的比较

【目的】利用地面遥感和航天遥感数据结合植被指数实现快速调查,研究各数据中植被指数的差异。【方法】用地面高光谱数据和光学影像中分别对梭梭林和柽柳林进行归一化植被指数(NDVI)、重归一化植被指数(RDVI)和土壤调节植被指数(SAVI)3种植被指数的提取,并进行比较。【结果】在高光谱Ⅵ中,梭梭林和柽柳林的3种VI的数值大小和变化趋势都很接近,特别是SAVI和RDVI,但NDVI的变化较其他2种大;而在光学影像Ⅵ中,梭梭林和柽柳林的NDVI和SAVI的数值基本保持在一定范围内,且变化幅度微小,而RDVI的数值和变化趋势均较大,相对不稳定。【结论】高光谱数据所提取的NDVI和SAVI均大于光学影像,而光学影像所提取的RDVI均大于高光谱数据,RDVI对植被覆盖度更敏感。     

基于偏最小二乘法的新疆杏可溶性固形物含量的无损检测

利用近红外光谱无损检测技术,以成熟的库车小白杏为研究对象,先通过一阶导数混合标准正态变量变换法进行光谱预处理,再利用偏最小二乘法建立杏可溶性固形物含量预测模型。结果表明,最佳因子数为4,模型的相关系数为0.964 45,校正集标准偏差为0.215,预测集标准偏差为0.456时模型最佳。结果表明,基于近红外光谱技术测定杏的可溶性固形物含有具有可行性,可以为库车小白杏的无损检测提供重要参考与技术支持。     

小麦冠层光谱获取及信息分析综述

高光谱技术可以快速、准确监测作物的生长信息,小麦冠层光谱与其叶片的叶绿素等生长信息密切相关,同时利用光谱信息可以监测作物的产量、籽粒信息等。介绍了高光谱数据的3种采集方式,综述了利用高光谱数据监测小麦的生长状况(叶绿素、叶面积指数、叶片氮素含量)以及小麦产量、籽粒及病害等相关应用领域研究,并提出了作物冠层光谱分析存在的问题以及下一步发展方向。     

预处理对土壤有机质光谱估算的影响

为实现土壤有机质(SOM)含量的实时、动态监测,以晋南麦区169个土壤样本为研究对象,通过测定其SOM含量与高光谱,采用多种常规预处理光谱相结合的方法,分析预处理光谱与SOM含量间的相关性,并选择光谱特征波长,构建基于光谱波长的SOM含量监测模型。结果表明,SOM含量与光谱反射率成反比;通过不同预处理方法与SOM含量相关性分析,筛选出最佳特征波长为580、567、571、560、535、672、673、674、678 nm,MSC+1st耦合多元逐步回归(MLR)构建的模型R~2为0.74,RPD为1.52,模型精度最高,误差最小,更利于实现SOM含量的光谱监测。经比较分析,多种预处理方法相结合较单一预处理方法更有利于建立估测模型。     

截形叶螨危害下枣叶片叶绿素含量高光谱估算模型

以不同截形叶螨(Tetranychus truncatus Ehara)危害等级下枣叶片高光谱和叶绿素含量数据为基础,分析不同截形叶螨危害等级(0级、1级、2级、3级、4级)下枣叶片高光谱特征,构建基于一阶微分光谱的不同截形叶螨危害等级枣叶片叶绿素含量高光谱线性回归估测模型。结果表明:截形叶螨危害造成叶片中叶绿素含量减少,导致光谱反射率降低,表现为随危害等级的增加叶绿素含量呈逐级减少趋势。在不同截形叶螨危害等级枣叶片叶绿素估测模型中,危害等级为0级时,模型拟合度最好,达到0.810,表明利用高光谱数据构建不同危害等级枣叶片叶绿素含量估算模型具有一定的潜力,对危害植被叶片的虫害诊断意义重大。