基于导数光谱变量叶片含水量模型的建立

利用实测单子叶、双子叶植物叶片含水量和高光谱反射率数据,基于导数光谱变量分析方法,讨论利用含水量识别两种植物的可行性,并分别建立两种植物叶片含水量的单变量和多变量估算模型。结果表明:D2、D6和D8等含水量表征方法能在一定程度上识别单、双子叶植物;单变量估算模型中,等价水深(EWT)与高光谱参数的相关性更大,单子叶植物的相关性大于相应的双子叶植物,并且以简单的一元线性模型普适意义最大,反演效果最好;多变量模型中,用FMC表征单子叶叶片含水量精度大于EWT,用EWT表征双子叶叶片含水量精度大于FMC,总体反演精度是单子叶植物高于双子叶植物。

水稻叶片叶绿素含量与吸收光谱变量的相关性研究

采用小区试验研究了水稻叶片叶绿素含量与吸收光谱衍生变量的相关性。结果表明:拔节期、抽穗期和灌浆期是水稻叶片诊断的敏感时期;选择最佳的敏感波段组合构造衍生变量,利用光谱衍生变量反演水稻叶片叶绿素含量。发现:在抽穗期和灌浆期,对数相加模型的反演能力明显优于SPAD值的反演能力。SPAD值的反演能力仅在拔节期略优于对数相加模型的反演能力,说明用每个生育期的相应敏感光谱波段对数相加能更加准确地估测叶绿素含量。为进一步改进SPAD-502的测量性能提出一些探索性研究。

利用光谱法测定水稻生物物理参数及其与光谱变量的相关性研究

选用水稻品种秀水 6 3和武进 972 8,利用光谱仪通过大田试验和室内测量测定不同氮素水平及不同时期水稻叶片的光谱反射率 ,利用GIS法测定叶面积指数 (LAI) ,并测量相应植株的叶形状参数 (LSP)、叶片重量、茎重、地上鲜生物量、地上干生物量、叶片含水率及茎含水率等生物物理参数 ,在此基础上分析了水稻生物物理参数与光谱变量之间的相关性。结果表明 ,LAI与比值植被指数 (RVI)和归一化植被指数的相关系数 (NDVI)在 0 .85以上 ,达到极显著水平 ,而地上生物量与比值植被指数和归一化植被指数的相关系数在 0 .6 5以上 。

水稻遥感估产的农学机理研究——Ⅱ.农学参数与光谱变量的相关分析

作者在主要农学参数间相关分析的基础上,进行了叶片含氮量、叶绿素含量、叶面积指数与光谱变量的相关分析和综合分析,明确了最佳农学光谱模式及其在各生育期光谱变异中的作用。从而证明通过光谱测定可以推算出叶绿素含量、叶片和稻株含氮量及叶面积指数。

基于模型集群的马铃薯叶绿素检测光谱变量筛选讨论

为了探究马铃薯作物叶绿素吸收特征,充分解析光谱特征波长变量,建立高精度叶绿素含量检测模型。在马铃薯发棵期(M1)、块茎形成期(M2)、块茎膨大期(M3)和淀粉积累期(M4)4个关键生长期,利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据,并同步采集叶片测定叶绿素含量。在光谱数据预处理之后,分析了马铃薯不同生长期的光谱反射率变化特征。利用基于模型集群思想的蒙特卡洛无信息变量消除(MC-UVE)、随机蛙跳(RF)、竞争自适应重加权采样(CARS)三种算法筛选叶绿素特征波长,建立叶绿素含量检测PLS模型。对4个生长期的314个样本,采用SPXY算法分别按照3∶1的比例划分,得到建模集240个样本、验证集74个样本。利用MC-UVE, RF, CARS三种算法筛选叶绿素特征波长,讨论迭代次数(N)和特征变量个数(LV)对MC-UVE和RF算法、迭代次数(N)对CARS算法筛选特征波长结果的影响,对迭代次数设置6个梯度,分别为N=50, 100, 500, 1 000, 5 000和10 000;对特征变量数设置4个梯度,分别为LV=15, 20, 25和30。以PLSR模型的验证集结果为评价指标,分析迭代次数(N)和特征变量数(LV)的最优参数组合。最后基于MC-UVE, RF和CARS算法筛选得到的最佳特征波长建立叶绿素检测PLSR模型,分别记为MC-UVE-PLSR, RF-PLSR, CARS-PLSR。结果表明, CARS, RF和MC-UVE三种算法的迭代次数(N)、特征变量数(LV)参数最佳组合分别为:(1)MC-UVE:迭代次数N=50特征变量数LV=30;(2)RF:迭代次数N=500、特征变量数LV=30;(3)CARS:迭代次数N=100。对比在最佳特征波长建立的MC-UVE-PLSR, RF-PLSR, CARS-PLSR叶绿素含量检测,发现RF-PLSRRR模型的性能最优,R^2v为0.786, RMSEV为3.415 mg·L^-1;MC-UVE-PLS模型性能次之,R^2v为0.696, RMSEV为4.072 mg·L^-1;CARS-PLS模型的性能最差,R^2v为0.689, RMSEV为4.183 mg·L^-1。以上结果说明:在筛选马铃薯叶绿素特征波长方面RF算法优于MC-UVE和CARS,得到的特征波长能够较全面地反映与马铃薯叶绿素相关的物质信息。

基于高光谱图像光谱变量和颜色特征的霉变玉米籽粒识别

目的:准确识别霉变玉米籽粒。方法:基于高光谱图像光谱变量和颜色特征建立霉变玉米籽粒识别的新方法。先对玉米籽粒图像进行图像分割和光谱变量、颜色特征提取,并根据颜色特征生成颜色直方图;将光谱变量和颜色直方图特征组成特征集合;通过距离函数对特征集合中所有特征的分析确定霉变玉米籽粒所属类别。结果:所提方法对霉变玉米籽粒类别的最大平均识别偏差为1.12,最佳平均识别准确率为97.59%;与基于高光谱图像+随机蛙跳+极限学习机的方法、基于高光谱图像+稀疏自动编码器+卷积神经网络的方法、基于高光谱图像+蚁群优化+BP神经网络的方法相比,研究所提方法对霉变玉米籽粒类别的识别准确率明显提高。结论:该方法可实现被测玉米籽粒样品是否霉变以及霉变程度的准确判断。

基于光谱敏感变量优选的澳洲坚果叶片氮素含量估算

利用高光谱遥感技术探索澳洲坚果叶片氮素含量估算方法,以实现澳洲坚果氮素营养快速诊断。本研究以临沧和西双版纳为研究区,获取澳洲坚果品种O.C和HAES344叶片的光谱反射率和氮素含量,首先采用对数变换、导数变换及其组合对原始光谱反射率进行多种数学变换,然后分析澳洲坚果叶片氮素含量与不同变换形式光谱数据的相关性;在决定系数较大的原则下,选择决定系数曲线图中波峰特征点对应的波长作为氮素敏感波长,从而得到相应的氮素敏感光谱变量;运用逐步回归法对氮素敏感光谱变量进一步优化,并采用多元线性回归(MLR)、偏最小二乘回归(PLSR)和支持向量回归(SVR)3种方法构建澳洲坚果叶片氮素含量估算模型;最后,分别利用验证集和测试集对构建的澳洲坚果叶片氮素含量估算模型性能进行测试。结果显示,MLR、PLSR、SVR等3种模型估算能力均表现良好,验证集和测试集的相对分析误差(RPD)均在2.0以上;其中,PLSR模型为最优估算模型,验证集和测试集的RPD分别为2.099和2.110。从反射率(R)、对数变换(LR)、一阶导数(FDR)、对数变换的一阶导数(FDLR)、二阶导数(SDR)、对数变换的二阶导数(SDLR)等6种变换光谱数据中优选的19个氮素敏感光谱变量,对氮素光谱响应具有较强的稳定性;基于优选的19个氮素敏感光谱变量,用常规的回归建模方法均能取得良好的估算效果,且具有较强的区域普适性。本研究从多种变换光谱数据中优选氮素敏感光谱变量,为澳洲坚果叶片氮素含量估算提供新思路。

高光谱结合离散二进制粒子群算法对久保桃可溶性固形物含量的检测

可溶性固形物(SSC)是评价久保桃内部品质的重要指标。传统的SSC检测有损、费时、费力;快速、无损检测久保桃的SSC含量对于其品质分级有着重要意义。离散二进制粒子群算法(BPSO)是在标准粒子群算法(PSO)的基础上,更新速度公式得到的,具有精度高,收敛快的特点,多用于离散空间的优化问题。基于高光谱技术结合BPSO算法及BPSO的组合特征波长选择算法对久保桃的SSC含量预测进行研究。首先采集198个久保桃样本的高光谱信息,获取久保桃900~1700nm范围内的光谱信息,计算感兴趣区域的平均光谱作为有效光谱数据,同时测量久保桃的SSC值。采用K-S(Kennard-Stone)算法将样本划分为校正集(147个)和预测集(51个)。使用BPSO特征波长选择算法对久保桃的原始光谱数据进行特征波长提取,并与竞争性自适应重加权算法(CARS)、连续投影法(SPA)、无信息变量选择法(UVE)等特征波长选择算法比较。同时为了避免单一算法建模中的不稳定问题,提出了基于BPSO的一次组合(BPS0+CARS、BPSO+SPA、BPSO+UVE)和二次组合[(BPSO+CARS)-SPA]、[(BPSO+SPA)-SPA]、[(BPSO+UVE)-SPA]特征波长提取方法。基于上述10种特征波长提取方法分别建立支持向量机(LS-SVM)模型和遗传算法(GA)优化的支持向量机模型(GA-SVM)模型。结果表明,基于BPSO算法提取特征波长建立的模型预测性能均高于其他单一特征波长方法,建立的两种模型预测集决定系数R_(p)^(2)均达到0.97以上;基于BPSO的组合算法中,二次组合(BPSO+SPA)-SPA算法建立的LS-SVM在特征波长数量较少的情况下对久保桃SSC含量预测性能最高,校正集和预测集决定系数R_(c)^(2)为0.982,R_(p)^(2)为0.955,均方根误差RMSEC为0.108,RMSEP为0.139。该模型预测性能略低于BPSO算法,但其仅用了22个特征波长进行建模,极大地简化了模型。说明(BPSO+SPA)-SPA是一种有效的特征波长提取方法,为水果SSC含量的无损检测提供了新的检测方法。

水稻叶片pH值与吸收光谱变量的相关性

采用小区试验研究了水稻叶片pH值与吸收光谱变量的相关性。结果表明:在整个生育期,522—540、700—740、480—500nm和675—680nm是水稻叶片pH值的敏感波段。选择最佳的敏感波段组合构造光谱变量,利用光谱变量反演水稻叶片pH值。除拔节期外,水稻吸收光谱比值变量和对数相加变量的相关性优于相加变量的相关性,同时用这两个光谱变量构建水稻叶片pH值的模型。为进一步提高吸收光谱快速测量水稻叶片pH值提出一些探索性研究。

基于相对光谱变量的无人机遥感水稻估产及产量制图

及时准确地监测农作物产量信息对国家和区域的粮食生产、贸易及粮食安全预警具有重要意义。当前卫星遥感估产由于高时空分辨率难以同时满足、波段数量少等原因限制估产精度进一步提高,无人机成像高光谱技术以其高时空分辨率、丰富的波段数量和图谱结合的遥感影像等优势被广泛地应用到现代智慧农业与精准农业,使高精度的农作物估产成为了可能。常规无人机估产方法使用的不同时期植被指数在获取时具有不同的光照条件、大气条件和背景,这些外界条件的差异将会引起不同时期植被指数的误差,进而影响估产精度。针对该问题,提出"相对光谱变量"和"相对产量"的概念开展多时期相对变量水稻遥感估产。首先将高光谱成像仪获取的波段进行一对一的组合建立相对归一化光谱指数RNDSI集,并确定水稻不同生育期的最优RNDSI及其构成波段;然后建立不同生育期组合的水稻估产最优模型并做相应的验证。结果显示:使用分蘖期RNDSI[784,635]、拔节期RNDSI[807,744]、孕穗期RNDSI[784,712]和抽穗期RNDSI[816,736]组成的多元线性回归模型是多生育期估产的最优模型,R^2和RMSE分别为0.74和248.97 kg/hm^2,并对此结果进行验证,估产平均相对误差绝对值达到了4.31%,结果表明相对植被指数和相对产量的水稻遥感估产方法可较好地应用于像素级的水稻遥感估产。基于该模型绘制了水稻的田间产量分布图,可更加直观地表现不同区域的产量并进行精准地田间管理。

基于光谱特征变量的湿地典型植物生态类型识别方法--以北京野鸭湖湿地为例

光谱特征变量的选择对于湿地植被识别的精度和效率有着直接的影响作用。以华北地区典型的淡水湿地——野鸭湖湿地为研究区,采用Field Spec 3野外高光谱辐射仪,获取了野鸭湖典型湿地植物的冠层光谱。以野外高光谱数据为基础,首先利用一阶导数与包络线去除的方法,分析和对比不同植物生态类型的光谱特征,选定了用于识别植物生态类型的光谱特征变量,选定的8个光谱特征变量为红边位置WP_r、红边幅值Dr、绿峰位置WP_g、绿峰幅值Rg、510 nm附近的吸收深度DEP-510和吸收面积AREA-510、675 nm附近的吸收深度DEP-675和吸收面积AREA-675。其中,7种植物生态类型的一阶导数光谱特征差异较小,吸收特征差异性相对较大。除WP_r和WP_g外,沉水植物Rg和Dr平均值最低,湿生植物的Rg平均值最高,达到0.164,栽培植物的Dr平均值最高,达到0.012。7种植物生态类型在675 nm附近的DEP-675和AREA-675均高于510 nm附近的DEP-510与AREA-510,除去栽培植物,随着水分梯度的变化,其他6种植物生态类型的吸收深度和吸收面积都表现出先升高后降低的趋势。然后利用单因素方差分析(One-way ANOVA)验证了所选光谱特征变量的区分度,在P≤0.01的置信水平下,选取的8个光谱特征变量都能够较好的区分7种植物生态类型,区分度的最小值为13,最大值为18,并且吸收特征参数的区分度优于一阶导数参数。最后应用非线性的反向传播人工神经网络(BP-ANN)与线性判别分析(FLDA)的类型识别方法,利用选定的8个光谱特征变量进行湿地植物生态类型识别,取得了较好的识别精度,两种方法的总分类精度分别达到85.5%和87.98%。单因素方差分析(One-way ANOVA)和不同分类器的分类精度表明,所选的8个光谱特征变量具有一定的普适性和可靠性。

不同供氮水平下水稻高光谱及其红边特征研究

通过大田和室内试验 ,测定了 3个供氮水平下 2个品种的水稻冠层、主茎叶片在不同发育期的高光谱反射率及对应的叶绿素、类胡萝卜素含量。结果表明 :不同供氮水平的水稻冠层和叶片光谱差异明显 ,其光谱反射率随供氮水平的提高在可见光范围降低 ,在近红外区域增高 ;拔节期和孕穗期主茎倒三叶反射率在可见光和近红外区域均高于倒一叶 ;冠层光谱红边位置λred、红边幅值Dλred和红边面积Sred孕穗前呈“红移” ,抽穗后呈“蓝移”现象 ;叶面积指数LAI、地上鲜生物量AFM、地上干生物量ADM和鲜叶重FLM与冠层光谱变量R12 0 0 /R550 ,R990 /R550 ,R80 0 /R550 ,R750 /R550 ,λred,Sred之间有极显著相关 ,冠层和叶片色素含量与其光谱变量R80 0 /R550 和λred之间也存在显著相关。这说明用合适的高光谱变量来估算水稻LAI,AFM ,ADM ,FLM和冠层。

棉花高光谱及其红边特征(I)

通过大田和室内试验,测定了2个品种的棉花冠层、完全展开倒1、3叶在不同时期的高光谱反射率及对应叶片的叶绿素、类胡萝卜素含量。结果表明:随发育期推移,棉花冠层光谱反射率在可见光范围降低,在近红外区域增高;叶片背面光谱反射率略高于正面,透射率小于反射率;叶面积指数、鲜叶重和干叶重与冠层反射光谱变量ρ800 ρ550、ρ800 ρ680、ρ680 ρ570之间存在显著相关;叶片叶绿素和类胡萝卜素浓度与其反射光谱变量ρ680 ρ570、ρ673 ρ640、ρ680 ρ550、PSSRa、PSNDa、RCh之间也呈显著相关。

玉米全氮含量高光谱遥感估算模型研究

该文对不同品种玉米测定了其室内光谱反射率及其对应的全氮含量,采用相关性分析以及单变量线性与非线性拟合分析技术,对全氮含量与原始光谱反射率、光谱反射率一阶微分、一些高光谱特征参数(如红边波长、红边位置以及红边面积等)以及由一阶微分光谱所构建的一些比值植被指数和归一化植被指数之间的关系进行了分析,结果表明:全氮含量与原始光谱在716 nm处具有最大相关系数(r=-0.847),呈极显著负相关,并且基于此波长所构建的对数关系估算模型明显优于线性模型;与光谱反射率一阶微分值在759 nm处具有最大相关系数(r=0.944),呈极显著正相关,并且基于此波长所构建的线性和非线性模型的拟合效果接近;对于所选取的3类高光谱特征变量,全氮含量除了与黄边位置(λy)以及由红边面积和黄边面积所构建的比值植被指数和归一化植被指数的相关性较弱之外,与其余变量均呈极显著相关关系,说明由这些变量对玉米全氮含量进行估算具有可行性;对所建立的各类方程进行精度检验,最终筛选确定由759 nm处的光谱反射率一阶微分值所构建的指数模型作为对玉米全N含量的预测模型最为理想。

春玉米磷素营养的光谱响应及诊断

通过盆栽试验监测不同磷营养水平春玉米典型生育期叶片光谱变化,并对叶片光谱反射率与叶片磷含量做了相关分析。结果表明,春玉米大喇叭口期是磷素营养的光谱响应敏感期,3507-30 nm和14201-800 nm是磷素营养的光谱敏感波段。该生育期构建的单波段高光谱变量、窄波段光谱变量和宽波段光谱变量与叶片磷含量都存在显著或极显著的回归关系;窄波段光谱变量比值指数R725/625和R1745/1585与叶片磷含量的回归关系达到了极显著水平,R625/555达到显著水平。可见光波段光谱变量与磷含量的回归关系优于近红外波段光谱变量与磷含量的回归关系,表明可见光波段叶片光谱反射率可能更适合春玉米磷营养状况的评价。不同波段宽度的光谱变量分析表明,在敏感波段范围内,801-00 nm波段平均的叶片宽波段光谱反射率没有降低对叶片磷含量的估算精度。

玉米叶绿素高光谱遥感估算模型研究

对不同品种玉米测定了不同层位叶片(上、中、下)以及叶片不同部位(叶尖、叶中、叶基和叶脉)的室内光谱反射率及其对应的叶绿素含量,采用单变量线性与非线性拟合分析技术,对叶绿素含量与原始光谱反射率、高光谱特征参数(如红边波长、红边位置以及红边面积等)以及植被指数之间的关系进行了分析。结果表明:叶绿素含量与原始光谱在713 nm处具有最大相关系数(R=-0.815),并且基于此波长所构建的指数估算模型明显优于线性模型;基于光谱位置和光谱面积的变量与叶绿素都呈负相关,植被指数与叶绿素含量均呈正相关,并且植被指数相关性优于单一的特征变量,比值植被指数(RVI)相关性优于归一化植被指数(NDVI);模型精度检验结果表明以蓝边面积变量(SDb)为自变量所构建的指数模型对叶绿素含量估算较好。

基于高光谱数据的荔枝SPAD值快速估测

通过分析荔枝叶片的反射光谱曲线与荔枝秋稍老熟阶段叶片SPAD-502叶绿素计读数（SPAD值）之间的关系,探索高光谱数据进行荔枝叶片SPAD值估算的能力。研究4类光谱变量,第1类变量是其他文献中提出的光谱指数,第2类变量是基于波段迭代算法进行波段优化后的新指数,第3类变量是蓝边、黄边和红边（＂三边＂）的面积、位置、斜率,第4类变量是二阶导数光谱波峰、波谷区间区间内光谱曲线的面积、最值、最值处波长。结果表明：一阶导数的蓝边斜率和光谱二阶导数提取的490~520 nm范围内光谱数值之和与SPAD值的相关程度也很高（r分别为-0.834和-0.856）;对于3种光谱数据处理形式SNV光谱（Standard Normal Variate,SNV）、FD光谱（First Derivative,FD）和SD光谱（Second Derivative,SD）,波段迭代算法优化后的最佳四波段双差值指数与SPAD值相关性最好,其中（FD_（516）-FD_（474））-（FD_（684）-FD_（660））与SPAD值的相关系数最高达到0.875,预测模型的确定系数达到0.747,RMSECV为2.375。利用高光谱数据监测荔枝叶片SPAD值是可行的。

利用高光谱数据和叶面积指数对加工番茄产量估算的研究

以ASD FieldSpec光谱仪实测了大田中不同生育期加工番茄的冠层高光谱、叶面积指数及作物的产量,采用单时相线性逐步回归和复合回归,建立了加工番茄光谱变量-叶面积指数与产量的复合光谱估产模型,并对模型的估算结果进行了初步分析。分析结果表明,在青熟期光谱参数与叶面积指数相关性最大,而其他时期的光谱变量与产量相关性均达到了显著水平;复合回归模型以4个生育期与产量的复合回归最为理想。

水稻光谱数据处理系统

水稻光谱数据处理系统＠沈掌泉＠王珂＠王人潮￥浙江农业大学水稻光谱数据处理系统①沈掌泉王珂王人潮（浙江农业大学，浙江省农业遥感与信息技术重点研究实验室，杭州３１００２９ＳｔｕｄｙｏｎＲｉｃｅＳｐｅｃｔｒａｌＤａｔａＰｒｏｃｅｓｉｎｇＳｙｓｔｅｍＳｈｅｎｇＺｈ...

不同早稻品种的光谱特性及其与农学参数的相关性

田间试验结果表明:①不同早稻品种的光谱特性,在抽穗前主要受水稻株型(叶片倾斜和披叶程度)的影响;在抽穗期和灌浆期,主要受稻穗(数量及成熟度)的影响。②不同早稻品种的光谱变量与农学参数之间,在抽穗前相关密切,相关系数高,用光谱变量可以估测农学参数;在抽穗后,由于受穗的光谱和天气的影响,它们之间相关较差,如何建立理想的相关模式尚需进一步深入研究。