近红外图像和光谱分析技术在农产品品质无损检测中的应用与展望

介绍了现代近红外分析技术的发展及其技术特点,并就近红外图像技术和光谱分析技术两方面综合分析了国外利用近红外分析技术在农产品品质检测上的研究,以促进我国在该领域的研究.     

基于高光谱参数的竹叶叶绿素质量分数估算模型

为研究竹叶叶绿素质量分数和高光谱参数的相关性,建立叶绿素质量分数估算模型。利用Field Spec4便携式地物光谱仪采集无病虫害的箭竹竹叶光谱,使用SPAD-502叶绿素仪测定相应竹叶的叶绿素质量分数,分析竹叶叶绿素质量分数与原始光谱、一阶导数光谱以及提取的光谱特征参数之间的相关性,采用线性和非线性分析法构建叶绿素质量分数估算模型并进行精度检验。结果表明:(1)竹叶叶绿素质量分数在原始光谱反射率762 nm处相关系数达到最大值,相关系数为0.544 3;在一阶导数光谱反射率689 nm和726 nm处分别达到了极显著相关水平,相关系数分别为-0.747 9和0.907 9。(2)基于λ_b、λ_r、S_(Dr)/S_(Db)和(S_(Dr)-S_(Db))/(S_(Dr)+S_(Db))等光谱参数都与叶绿素质量分数达到了极显著相关水平。(3)采用相关性达到极显著水平的4种光谱参数以及689、726 nm处的一阶导数光谱反射率,构建叶绿素质量分数估算模型。依据决定系数(R2)最高,筛选出的回归估算模型中,基于一阶导数光谱反射率在726 nm处的线性模型R~2最高,为0.882 8,均方根误差(R_(MSE))和相对误差(RE)最小,分别为1.7050%和4.18%。因此,一阶导数光谱反射率在726 nm处的线性模型为竹叶叶绿素质量分数的最佳估算模型。     

基于多核支持向量机的小麦条锈病遥感监测研究

为提高小麦条锈病的遥感探测精度,依据日光诱导叶绿素荧光和冠层反射光谱数据在小麦条锈病遥感探测中的优势及其与病情严重度之间的映射关系,在运用独立分量分析法对光谱数据降维的基础上,利用核学习算法分别确定冠层光谱特征和日光诱导叶绿素荧光特征反映小麦条锈病病情严重度的最优核,同时针对冠层光谱与叶绿素荧光特征组,建立基于不同特征最优核映射的多核学习支持向量机模型,并与基于特征直接拼接的模型结果进行对比。结果表明,对于冠层光谱而言,采用高斯核构建的支持向量机模型可较好估测小麦条锈病病情指数,而日光诱导叶绿素荧光指数则是采用多项式核的效果更优;采用直接拼接法融合叶绿素荧光指数和冠层光谱特征能够在一定程度上改善小麦条锈病病情指数估测精度,决定系数(r~2)最高为0.847,而单独利用冠层光谱信息或者叶绿素荧光信息时,r~2最高仅为0.802;对日光诱导叶绿素荧光和反射光谱特征分别利用其最优核进行映射构建的多核学习支持向量机模型精度最高,r~2为0.915,RMSE为0.090,优于基于特征直接拼接构建的支持向量机模型精度。     

基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究

为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。     

高光谱遥感在小麦条绣病气象监测中的应用研究

现代农业实现高效、低耗、优质的一项重要途径就是利用精准农业信息技术。高光谱遥感技术能够对农田作物的各阶段生长状态进行实时信息的快速获取,提供了精准农业信息技术的有效支撑。本文研究分析了高光谱遥感技术在小麦条绣病气象监测方面的应用,包括监测条绣病的基本原理、特点以及关键技术线路等。并通过试验方法,利用遥感的空间数据、地面数据模型以及影像等,实现了小麦条绣病病害监测可行性试验,最后对此项技术的应用前景进行了展望。     

生活垃圾堆肥水溶性有机物荧光特性变化

利用城市生活垃圾进行堆肥,对堆肥前后水溶性有机物的荧光光谱进行分析。结果表明,水溶性有机物发射光谱相对简单,堆肥前在400 nm附近分别形成一个较强的荧光强度峰,而激发光谱与同步扫描光谱则由几个特征峰及肩峰组成。堆肥结束后,水溶性有机物在440 nm新形成一个较强的荧光强度峰;荧光激发与同步扫描光谱主峰的位置也发生明显的改变。对水溶性有机物发射、激发及同步扫描光谱的特征峰进行分析证实,堆肥结束后,水溶性有机物中含有较高的分子缩合度与芳构化程度,并与富里酸类物质相似,表明堆肥产品施入土壤后活性较高。     

基于地貌类型的土壤有机质多光谱遥感反演

该文基于地貌类型分析土壤有机质含量与多光谱遥感影像光谱波段之间相关关系,并构建不同地貌类型区有机质含量反演模型.结果表明,各波段光谱反射率与土壤有机质含量均呈负相关关系;利用SPSS软件对所有波段进行剔除变量(remove)线性回归分析,当全部波段参与构建反演模型时,一次反演模型拟合效果较好.分地貌类型区构建土壤有机质反演模型精度高于整个区域反演模型精度,与实际值对比,当允许误差为7％时,土壤有机质含量识别度为91.65％.基于地貌类型构建土壤有机质含量反演模型提取研究区土壤有机质含量是切实可行的,且精度较高.     

倒伏胁迫下冬小麦冠层光谱及红边特征

倒伏已成为影响小麦减产的主要因素之一,实时监测倒伏胁迫对小麦生长具有重要意义。通过人工模拟不同倒伏级别处理,利用光谱观测数据,分析了倒伏冬小麦光谱和红边参数变化特征。结果表明,倒伏小麦冠层光谱反射率较正常小麦整体增高,近红外波段比可见光波段增加明显,且倒伏级别越大反射率越高,表明冬小麦受倒伏胁迫后,冠层光谱对其响应敏感;倒伏小麦红边位置发生蓝移,红边幅值和红边面积则呈增大趋势。因此,可利用高光谱技术实现对冬小麦倒伏的实时监测。     

融合多光谱成像与深度学习的作物植株叶绿素检测系统研究

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared, NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm, SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression, ...     

Multi-Temporal Detection of Rice Phenological Stages Using Canopy Spectrum

Information on rice phenology is essential for yield estimation and crop management. To test the ability of remote sensing in detecting multiple phenological stages, paddy rice canopy spectrum was measured by a hand-held radiometer. Normalized difference vegetation index(NDVI) was calculated from spectrum, and the slope of NDVI was obtained as its difference. We evaluated the response of NDVI and its slope to rice growth with a comparison of two late-season rice cultivars. The results showed that NDVI and its slope curves had distinct variation corresponding to rice development and they could be used as cultivar-independent phenological indicators. The dates of flooding and transplanting, tillering, panicle development, heading and flowering, maturity, harvest stages, and even field management practices, could be deduced from these indicators. ‘NDVI ≤ 0' could be used as a single threshold for the detection of flooding and transplanting. The largest spike in the curve of the NDVI slope indicated the duration of tillering stage. The next spike corresponded to panicle development. The heading and flowering stage was characterized by the maximum NDVI and the change of NDVI slope from positive to negative. At the maturity stage, NDVI decreased continuously, and its slope fluctuated just below zero. When rice grains were completely mature and ready for harvest, NDVI decline was accelerated. At harvest, NDVI slope reached its minimum value. The distinction between heading and maturity stages was obscure, most likely due to NDVI saturation at high biomass. The study might provide references for paddy rice phenology determination through remote sensing images.