初期稻叶瘟病害的叶绿素荧光光谱分析

为了实现稻叶瘟病害的早期、快速检测,对稻叶瘟病害初期水稻叶片的叶绿素荧光光谱变化进行分析,建立光谱诊断模型。将稻梨孢接种于水稻叶片,分别在接种前期(0 h)、潜育期(48 h)和病斑初现期(7 d)3个时段采集水稻叶片的叶绿素荧光光谱。分析3个时段光谱变化特征,并利用Savitzky-Golay平滑(SG)和一阶导数变换(FDT)对光谱进行预处理。利用高斯拟合法(GFF)分别对原始光谱、SG平滑光谱和SG-FDT光谱提取各波段光谱特征向量。将试验样本划分为建模样本和检验样本,以病害初期的3个时段作为稻叶瘟病害的等级指标,分别采用全波段光谱特征向量和组合波段光谱特征向量,对3种预处理光谱利用建模样本建立稻叶瘟病害的支持向量分类(SVC)模型,对比4个经典核函数,并利用检验样本对模型进行检验。结果表明,蓝绿光区域、红光与远红光区域荧光随初期稻叶瘟病害程度的变化而变化,SG-FDT光谱的GFF-SVC(PLOY)模型对3个时段病害的分类准确率最高,且原始光谱、SG光谱、SG-FDT光谱的不同波峰位及其组合对稻叶瘟病害的识别效果不同。     

夏玉米叶片光谱吸收率初探

对不同株型、不同发育期、不同部位的夏玉米叶片光谱吸收率及冠层中的光谱分布状况作了初步分析,发现各绿色叶片对各波段光的吸收率随波长的变化趋势基本相同,但对不同叶龄、不同部位的叶片,不同品种同一部位的叶片而言,在吸收率的高低上有差异。     

水稻多组分双向反射模型的建立

在作物多组分双向反射模型的基础上，基于辐射传输原理和水稻群丛结构特征，特别是考虑水稻不同生长时期的特点，建立了水稻的多组分双向反射模型。模拟与实测结果的比较表明：模型基本上能反映水稻多组分反射光谱的角度分布特征，特别是较准确地模拟水稻不同生长期，不同太阳天顶角下，“热点”的右移和乳熟期前向反射中的反射高峰点。分蘖期和抽穗期，水稻冠层“热点”效应在水稻各组分的平均倾角约37°左右时达到最大，然后随平均倾角的增大，“热点”效应明显减弱。从数学的角度，模型计算值与实测值通过了t-检验，证明模拟值是可接受的。     

利用航空成像光谱数据研究土壤供氮量及变量施肥对冬小麦长势影响

以推扫式成像光谱仪PHI(Pushbroom Hyperspectral Imager)获取的冬小麦拔节期、灌浆初期及乳熟期的航空影像数据为基础，提取反映冬小麦长势的光谱特征值，结合地面调查数据，分析了研究区冬小麦的长势情况；对不同时相光谱特征值与土壤基础供氮量、土壤总供氮量以及变量施肥量进行统计分析，分析结果显示：土壤基础供氮量、土壤总供氮量的空间分布差异对冬小麦长势有明显的影响，其中，土壤基础供氮量是影响冬小麦长势的重要因素，它对冬小麦的长势影响贯穿冬小麦的整个生育期；此外，该文还通过变量施肥前后作物     

一种改进的RS图像融合方法用于土地利用调查

常用的遥感图像融合的方法如IHS变换法在实施图像融合时,会产生色彩扭曲现象,本文探讨了一种新的光谱保持型的高通滤波融合算法(HPFF融合法)。HPFF融合法先对参与融合的全色波段进行高通滤波,尔后将滤波后的全色波段替换多光谱经IHS正变换后的强度分量,再进行IHS逆变换便得到融合图像。HPFF融合法的光谱保持性能优于IHS变换法,HPFF融合后的图像的色彩与TM影像相近,HPFF融合后图像的分类精度高于IHS融合后的图像,HPFF融合法是一种能较好地保持光谱特性的融合方法。     

土壤有机质光谱响应特性研究

土壤有机质光谱响应特性研究是光学遥感定量化的基础性研究.研究利用VF991地物光谱测量仪对八个不同环境条件下形成的土壤样本剖面上的各个土层进行光谱测量,得到各个土层的反射率光谱曲线,并测出各个土层的有机质含量.通过研究土壤的有机质含量与土壤反射光谱间的相关性分析,发现有机质含量与土壤光谱在紫外区的376.795nm波段、可见光区的616.506nm波段和近红外区的724.0975nm波段附近有较好的负相关性     

基于无人机多光谱影像的夏玉米SPAD估算模型研究

快速获取作物叶片叶绿素含量对及时诊断作物健康状况、指导田间管理具有重要意义。本研究以关中地区2020年夏玉米为研究对象,获取试验区无人机多光谱影像,提取植被指数,分析所选植被指数与SPAD的相关性,筛选得到模型的输入变量,利用偏最小二乘法(PLS)、随机森林回归(RF)和分层线性模型(HLM)分别构建拔节期、抽雄期、灌浆期以及全生育期的SPAD估算模型,最终选出最优估算模型,以期为快速获取夏玉米SPAD提供参考。研究发现：除NRI之外,NDVI、OSAVI、GNDVI、RVI、MCARI、MSR、CIre与SPAD均显著相关,其中,OSAVI、NDVI与SPAD呈现出较强且稳定的相关性;各个生育期的最优模型均是RF模型,在拔节期、抽雄期、灌浆期和全生育期,验证集R²分别为0.81、0.81、0.73、0.61,RMSE分别为1.24、2.32、3.13、3.20;对于SPAD估算模型,将降雨量、最高气温这两个气象因子与植被指数耦合的HLM模型可以一定程度提升线性模型的估算精度,但其精度低于RF模型。因此,基于无人机多光谱影像的RF模型可以实现夏玉米SPAD的快速准...     

基于时序高光谱和多任务学习的水稻病害早期预测研究

水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析（Principal component analysis, PCA）和随机森林（Random forest, RF）算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆（Long short-term memory, LSTM）网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法（Whale optimization algorithm, WOA）对MTL-LSTM模型进行优化。实验结果表明：PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。     

基于光谱FOD与优化指数的银川平原土壤有机质含量反演

土壤有机质（SOM）是土壤肥力的重要组成部分,是作物生长的主要养分来源。为探究分数阶微分（FOD）联合优化光谱指数对低肥力地区SOM的反演效果,以银川平原为研究对象,对野外土壤高光谱反射率原始数据进行0~2阶FOD处理（间隔0.2阶）,构建优化光谱指数DI/RDI、DI/NDI、NDI/RDI、RDI/NDI、DI/GDI和RI/GDI,分析各指数与土壤有机质含量间的二维相关性,筛选出最佳优化光谱指数,并建立基于支持向量机（SVM）的SOM含量反演模型。结果表明：银川平原SOM含量整体偏低,其中93.05%处于四级到六级水平。土壤野外原始光谱反射率吸收特征差异明显,在1400、1900nm处有明显吸收峰。随着分数阶的不断增加,光谱反射率不断趋近于0。土壤DI/NDI、DI/GDI、RI/GDI、NDI/RDI和RDI/NDI在0~2阶最大相关系数绝对值（MACC）均小于0.80,DI/RDI在0.2~2.0阶范围内的MACC为0.9965~0.9986,其敏感波段主要集中在1450~1750nm和2100~2400nm之间。基于0.2阶微分处理的DI/RDI-SVM模型对SOM的反演精度最佳,建模决定系数R2c和验证决定系数R2p分别为0.98和0.99,相对分析误差（RPD）为4.31。研究结果可为低肥力地区的SOM含量快速、准确反演及制图提供科学依据。     

病害胁迫下玉米LAI遥感反演研究

为了在病害发生条件下进行玉米LAI的遥感估算,针对41个不同抗性的玉米自交系品种,通过人工接种方法,获得了不同病害严重程度(1～9级)的LAI数据,同时采集了地面高光谱和无人机多光谱数据,构建了K近邻算法、支持向量机、梯度提升分类树和决策分类树分类模型对病害进行分类,对玉米种质资源抗病性进行了划分。基于不同玉米病害胁迫程度分类结果,采用随机森林回归、梯度提升回归树、极端梯度增强算法、轻量梯度提升机4种机器学习模型对玉米LAI进行反演,讨论了不同模型在病害胁迫下的鲁棒性。研究结果表明,对不同生育期玉米病害程度进行划分,基于地面高光谱识别精度分别为84.72%(梯度提升分类树)、47.67%(支持向量机)、55.05%(K近邻算法)、83.02%(决策分类树)。基于病害分类结果,本文利用无人机多光谱数据估算了不同病情等级胁迫下的玉米LAI。构建了4种集成学习模型对不同病情等级的LAI进行估算,4个LAI反演模型的总体反演精度(rRMSE)分别为：19.11%(梯度提升回归树)、15.94%(轻量梯度提升机)、14.51%(随机森林回归)和15.45%(极端梯度增强算法)。其中极端梯度增强算...