水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影...水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择,提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数(ORVI)。与Index Data Base数据库中其他用于叶绿素含量反演植被指数,包括ND_(528,587)、SR_(440,690)、CARI、MCARI的反演结果进行了对比分析,结果表明:IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R^2分别为0.672、0.630、0.595和0.574;ORVI植被所建立的叶绿素含量反演模型的决定系数R^2为0.726,均方根误差RMSE为2.68,精度高于其他植被指数,说明了ORVI在实际的应用中,能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。展开更多
光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱(Vis-NIR)为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0~10 cm深度的土壤样品,在实验室中分别测定样品的有机质(S...光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱(Vis-NIR)为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0~10 cm深度的土壤样品,在实验室中分别测定样品的有机质(SOM)含量、重金属砷(As)含量与高光谱;使用基于 JAVA 语言自主开发的两波段组合软件V1.0(No: 2018R11S177501)计算不同高光谱数据变换形式(原始反射率( R),倒数(1/ R),对数(lg R)和平方根( R)下Vis-NIR区域(400~2 400 nm)所有两波段组合得到的优化光谱指数(NPDI)与As的相关性,在最优光谱指数(| r |≥0.73和 p =0.001)中通过变量重要性准则(VIP)进一步筛选VIP≥1的指数作为模型自变量,基于地理加权回归(GWR)模型估算As含量并使用四个交叉验证度量标准:相对分析误差(RPD),决定系数(R^2),均方根误差(RMSE)和最小信息准则(ACI)评价模型精度,从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明:(1)研究区As含量离散度较高,所有样品中SOM含量均小于2%,且As含量与SOM含量在0.01的显著性水平上无显著相关性(| r |=0.113)。(2)As含量与单波段光谱反射率的相关性很低(| r |≤0.228),而通过 R , 1/ R , lg R , R 计算的NPDIs与As含量的相关性在近红外(NIR, 780~1 100 nm)和短波红外(SWIR, 1 100~ 1 935 nm)光谱中发现最高的相关系数和最低的 p 值(|r|≥0.73和 p =0.001),在长波近红外(LW-NIR)区域基于 R 形成的NPDIs与As含量相关性最高(|r|=0.74)。(3)VIP方法分别筛选NPDI R (1 417/1 246), NPDI 1/ R (799/953, 825/947)、 NPDI sqrt- R (1 023/1 257, 1 008/1 249, 1 021/1 250, 1 020/1 247)和NPDI lg R (801/953, 811/953, 817/951, 825/947, 828/945)为GWR模型自变量。(4)从4个预测模型的表现可以看出, Model-a( R)与其他三个模型(Model-b(1/ R), Model-c( R)和Model-d(lg R))相比,它具有最高的验证系数(R^2=0.831, RMSE=4.912 μg·g^-1 , RPD=2.321)和最低的最小信息准则值(AIC=179.96)。优化光谱指数NPDI R (1 417/1 246)有助于快速准确地估算As含量,为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考,促进露天煤矿区环境污染快速有效调查和生态可持续发展。展开更多
文摘水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择,提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数(ORVI)。与Index Data Base数据库中其他用于叶绿素含量反演植被指数,包括ND_(528,587)、SR_(440,690)、CARI、MCARI的反演结果进行了对比分析,结果表明:IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R^2分别为0.672、0.630、0.595和0.574;ORVI植被所建立的叶绿素含量反演模型的决定系数R^2为0.726,均方根误差RMSE为2.68,精度高于其他植被指数,说明了ORVI在实际的应用中,能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。
文摘光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱(Vis-NIR)为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0~10 cm深度的土壤样品,在实验室中分别测定样品的有机质(SOM)含量、重金属砷(As)含量与高光谱;使用基于 JAVA 语言自主开发的两波段组合软件V1.0(No: 2018R11S177501)计算不同高光谱数据变换形式(原始反射率( R),倒数(1/ R),对数(lg R)和平方根( R)下Vis-NIR区域(400~2 400 nm)所有两波段组合得到的优化光谱指数(NPDI)与As的相关性,在最优光谱指数(| r |≥0.73和 p =0.001)中通过变量重要性准则(VIP)进一步筛选VIP≥1的指数作为模型自变量,基于地理加权回归(GWR)模型估算As含量并使用四个交叉验证度量标准:相对分析误差(RPD),决定系数(R^2),均方根误差(RMSE)和最小信息准则(ACI)评价模型精度,从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明:(1)研究区As含量离散度较高,所有样品中SOM含量均小于2%,且As含量与SOM含量在0.01的显著性水平上无显著相关性(| r |=0.113)。(2)As含量与单波段光谱反射率的相关性很低(| r |≤0.228),而通过 R , 1/ R , lg R , R 计算的NPDIs与As含量的相关性在近红外(NIR, 780~1 100 nm)和短波红外(SWIR, 1 100~ 1 935 nm)光谱中发现最高的相关系数和最低的 p 值(|r|≥0.73和 p =0.001),在长波近红外(LW-NIR)区域基于 R 形成的NPDIs与As含量相关性最高(|r|=0.74)。(3)VIP方法分别筛选NPDI R (1 417/1 246), NPDI 1/ R (799/953, 825/947)、 NPDI sqrt- R (1 023/1 257, 1 008/1 249, 1 021/1 250, 1 020/1 247)和NPDI lg R (801/953, 811/953, 817/951, 825/947, 828/945)为GWR模型自变量。(4)从4个预测模型的表现可以看出, Model-a( R)与其他三个模型(Model-b(1/ R), Model-c( R)和Model-d(lg R))相比,它具有最高的验证系数(R^2=0.831, RMSE=4.912 μg·g^-1 , RPD=2.321)和最低的最小信息准则值(AIC=179.96)。优化光谱指数NPDI R (1 417/1 246)有助于快速准确地估算As含量,为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考,促进露天煤矿区环境污染快速有效调查和生态可持续发展。
