基于高光谱影像的虫害水稻叶片花青素含量估算

稻纵卷叶螟是水稻常见虫害,遭受虫害为害的叶片部位花青素含量会发生明显变化。试验使用成像光谱仪获取遭受稻纵卷叶螟为害的水稻叶片高光谱图像,同时测量叶片上健康区域和虫害区域的花青素值,建立花青素高光谱反演模型,为虫害严重程度定量化评估提供依据。分析结果表明:水稻叶片花青素值随着虫害程度的加剧而升高;花青素值与光谱反射率在波长为400—710 nm的可见光-红边波段范围内上显著正相关,相关系数最高为0.878(667 nm处);与一阶导数光谱在可见光-近红外多个波段范围表现出极显著相关性,相关系数最高为0.883 (464 nm处);与归一化植被指数(NDVI)等多个植被指数极显著相关,相关系数最高为-0.887(NDVI)。以植被指数为自变量、使用偏最小二乘回归算法的花青素值估算模型精度最高[建模R2为0.801,均方根误差(RMSE)为0.032]。使用模型对虫害叶片高光谱图像进行逐像元解算,得到的花青素值分布图能够定量化、可视化地反映虫害严重程度。该研究为水稻叶片花青素值测量和虫害监测提供了一种直观、快速的技术手段。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

基于无人机成像光谱仪数据的棉花叶绿素含量反演

以棉花为目标作物,使用低空无人机平台的成像光谱仪获取地表农作物高光谱影像,利用无人机影像光谱分辨率高的特点,提取27个光谱参数,构建棉花叶片叶绿素相对含量(SPAD)的反演模型,并制作棉花叶片SPAD分布图。结果表明:在影像上,不同叶片SPAD的棉花冠层反射率有显著差异。光谱参数中,与SPAD相关性最高的为DR526、DR578、SDy和Db,相关系数绝对值都在0.8以上。在各光谱参数参与建立的SPAD反演模型中,使用多元逐步回归和偏最小二乘回归方法的模型精度最高。对高光谱影像结合各模型制作的SPAD分布图进行精度分析,结果表明,使用SPAD-PLSR模型得到的分布图具有最佳预测效果,可以作为棉花叶片SPAD遥感监测的技术手段。     

基于高光谱成像技术的水稻叶片稻纵卷叶螟虫害信息提取

使用成像光谱仪获取遭受稻纵卷叶螟危害的水稻叶片的高光谱影像,统计分析虫害叶片和健康叶片在光谱反射率和植被指数上的差异,建立分类判别模型,精确提取叶片上虫害区域的像元数和比例,实现对虫害严重程度的精确评估。结果表明:在波长为400—710 nm的可见光-红边波段范围内,虫害叶片的反射率普遍高于健康叶片,差异极显著(P<0.01);在近红外波段虫害叶片反射率低于健康叶片(P<0.01),但二者差异略小。虫害叶片的NDVI、RVI、RARS和SIPI 4种植被指数值明显低于健康叶片。基于RVI构建决策树分类模型能够准确区分叶片上的虫害区域和健康区域,并据此计算出虫害区域所占比例,进而对虫害严重程度进行定量化评估。