干旱区棉花冠层高光谱反射特征研究

为揭示棉花冠层高光谱特征,建立棉花高光谱估算模型,促进高光谱技术在棉花长势监测和估产中的应用。基于新疆棉花生长发育规律,对棉花各生育期冠层进行高光谱反射率的测定,研究不同灌水量、氮素营养条件及品种对棉花冠层光谱反射特性的影响。结果表明:在可见光区(400-700nm),适度缺氮(N1)条件下的棉花冠层光谱反射率相对较高,而氮过量(N3)条件下的冠层光谱反射率相对较低;随着灌水量的增加,在近红外波段(700-800nm),棉花冠层光谱反射率呈上升趋势,在盛蕾期和盛花期不同灌水量处理的光谱反射率差异明显;不同棉花品种冠层光谱反射率存在一定差异,在近红外区新陆早13与新陆早10只在吐絮后期光谱反射率差异不明显,在前3个生育期差异较明显。     

病害胁迫对棉叶光谱反射率和叶绿素荧光特性的影响

研究病害胁迫对棉叶光谱反射率和叶绿素荧光特性的影响,以期为利用光谱和叶绿素荧光技术监测棉花黄萎病提供新的技术和方法.通过田间黄篓病接种处理,诱导发病后测定病害棉叶理化参数,光谱及叶绿素荧光参数,并对三者进行分析.结果表明,随着病害严重度增加,棉叶叶绿素a、叶绿素b、叶绿素a+b、叶片含水率、叶片全氮质量分数均减少,类胡...     

不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研究

 采用盆栽试验研究了不同氮营养水平下的春玉米叶片叶绿素和全氮含量与叶片光谱反射率的相关性。结果表明，拔节期和喇叭口期是玉米氮素光谱营养诊断的敏感时期；利用绿峰处叶片最大光谱反射率反演玉米叶片氮素含量和叶绿素含量的精度为：喇叭口期＞拔节期＞开花吐丝期；不同生育时期诊断玉米叶片氮素含量和叶绿素含量时所采用的光谱波段也不同，拔节期和喇叭口期采用可见光波段的光谱反射率可靠性较高，而开花吐丝期采用近红外波段的光谱反射率可靠性较高；两波段组合光谱变量对叶片叶绿素和全氮含量的判别精度高于单一波段的判别精度。     

库尔勒香梨叶片全钾含量高光谱估算模型研究

为实现库尔勒香梨养分状况的无损、实时、快速监测,利用便携式光谱仪(SVC HR-768)测定不同钾肥施用量的20年树龄库尔勒香梨叶片光谱反射率,并结合叶片全钾含量的室内分析,对叶片全钾含量与原始光谱、一阶导数光谱、高光谱参数之间相关性进行分析。结果表明:在425 nm处原始光谱与叶片全钾含量构建的线性模型,调整决定系数R2值达到0.913;在630 nm处一阶微分光谱与全钾含量构建的线性模型,调整决定系数R2值为0.986。叶片全钾含量与高光谱特征变量中绿峰位置变量(Rg)和红谷位置变量(Ro)的相关性极显著,由此构建的线性模型调整决定系数R2值均达到0.96以上。通过模型检验,确定基于630 nm的光谱一阶微分(X630)模型Y=1 136.835X630+50.709为库尔勒香梨叶片全钾含量(Y)的最优估测模型。     

水稻遥感估产模拟模式比较

通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻抽穗后不同时期冠层的光谱反射率、叶面积指数及最后的理论产量和实际产量,模拟MSS、TM、SPOT、资源一号CCD相机、IKONOS、MODI S和高光谱的波段来构建光谱差值植被指数DVI、比值植被指数RVI、差值归一化植被指数NDVI和绿度G,并模拟建立遥感估产模式.结果表明:单变量估产模式以差值植被指数DVI效果最好,蜡熟期估产效果要优于抽穗期和灌浆期;多时期复合估产模式估产效果要优于单一生育期;成熟期各种数据的DVI估产模式具有相近估产精度,达91%以上,其中MSS波段的估产精度最高.     

中国陆面短波净辐射模型参数确定与分析

利用国家气候资料中心在网上提供的气象数据，建立全国各地区短波净辐射模型，提出了在东北和新疆北部非沙漠地区反射率的非线性回归模型。对影响短波净辐射的日照百分率和绝对湿度的统计计算和分析表明：影响短波净辐射的主要因子是日照百分率。所建立的模型中，高海拔地区模型精度要比低海拔地区的高。     

高光谱反射率与大豆叶面积及地上鲜生物量的相关分析

以ASD FieldSpec光谱仪实测了不同生长季大豆的冠层高光谱,同期采集了对应大豆LAI、地上鲜生物量。逐波段分析了冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量的相关关系;采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量确定性系数随波长的变化趋势;并建立了以近红外与可见光波段的冠层光谱反射率的比值植被指数RVI与大豆LAI、地上鲜生物量的高光谱遥感估算模型。结果表明,冠层光谱反射率在350～680 nm、760～1050 nm波谱区与大豆LAI、地上鲜生物量相关性     

基于机器学习结合植被指数阈值的水稻关键生育期识别

为建立不依赖时序数据的水稻生育期识别模型,基于四波段辐射计(SKYE)获取的水稻全生育期每日的冠层光谱反射率数据,利用K近邻(k-nearest neighbors, KNN)、决策树(Decision trees)、支持向量机(Support vector machines, SVM)、随机森林(Random forests, RF)和梯度提升决策树(Gradient boosted decision trees, GBDT)共5种机器学习算法开展水稻生育期识别研究。结果表明:RF算法的识别准确率最高,达93.00%,KNN算法的识别准确率也达到了91.92%,其他3种算法的准确率也都超过90%。在此基础上,将建立的水稻生育期识别模型应用至无人机(UAV)影像数据,KNN算法适用性最好,识别准确率为83.54%,RF算法的适用性一般,识别准确率为74.38%,SVM算法的适用性最差,识别准确率仅为62.92%,但5种机器学习算法都容易错误地将抽穗扬花期识别为拔节孕穗期;而新构建的KNN算法结合可见光大气修正指数(Visible atmospherically resistant index,VARI)的水稻生育期识别模型对无人机数据的识别准确率可达86.04%,与单独应用KNN算法相比,对水稻各个生育期的识别精度更加均衡。     

不同生育期水稻光谱反射率的变化规律

不同生育期水稻(Oriza sativa L.)冠层光谱反射率随着营养条件的变化而发生波动,掌握其变化规律,对快速诊断水稻养分亏缺,指导水稻施肥具有重要意义.以水稻合美占和粤晶丝苗2号品种为试验材料,以0.027、0.018、0.009和0kg/m24个施氮水平进行田间小区试验,对不同关键生育期水稻冠层光谱反射率的变化规律进行了研究.结果表明:水稻抽穗前,冠层的比值植被指数(Ratio vegetation index,RVI)(810,720)逐渐增大,到孕穗期达到最大值;水稻抽穗后,冠层的RVI(810,720)值逐渐减小,至收获期降至最低值.水稻RVI(810,720)与氮肥水平正相关,...     

利用水稻成熟期冠层高光谱数据进行估产研究

通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻抽穗后不同时期冠层的高光谱反射率、叶面积指数及理论产量和实际产量。结果表明,抽穗后水稻冠层光谱反射率随发育期推移在可见光范围逐渐增大,在近红外区域逐渐减小;理论产量、实际产量与差值植被指数R1200-R680、R990-R680、R800-R680、R1200-R550、R990-R550、R