【目的】筛选整粒小麦籽粒蛋白质的近红外特征光谱波段并建立优化模型,可实现快速、无损测定整粒小麦籽粒蛋白质含量,为田间便携式小麦籽粒蛋白质含量速测仪设计提供依据。【方法】2012—2013年以蛋白质含量有明显差异的8个冬小麦品种...【目的】筛选整粒小麦籽粒蛋白质的近红外特征光谱波段并建立优化模型,可实现快速、无损测定整粒小麦籽粒蛋白质含量,为田间便携式小麦籽粒蛋白质含量速测仪设计提供依据。【方法】2012—2013年以蛋白质含量有明显差异的8个冬小麦品种为试验品种,设置3个施氮量和2个灌溉量共6个处理,建立丰富的样本类型,共采集176个小麦籽粒光谱数据;将ASD Field Spec Pro光谱仪采集到的基于全反射下垫面的整粒小麦籽粒反射光谱通过公式A=log(1/R)转换为吸收光谱,对吸收光谱采用S-G平滑、多元散射校正和基线校正等方法进行预处理,以消除背景噪声,然后采用交叉验证偏最小二乘回归方法进行特征波段压缩;分析比较无信息变量剔除法(UVE)结合交叉验证偏最小二乘回归、连续投影算法(SPA)结合交叉验证偏最小二乘回归、UVE与SPA组合后结合交叉验证偏最小二乘回归、UVE与SPA组合后结合多元线性回归(MLR)及UVE与SPA组合后结合逐步多元线性回归(SMLR)等多种特征光谱筛选方法选出的蛋白质特征波段的优劣,并与凯氏定氮法测定的小麦籽粒蛋白质含量进行回归分析,构建并优选小麦籽粒蛋白质最佳预测模型。【结果】利用无信息变量剔除(UVE)方法可将与小麦籽粒蛋白质含量无关的信息变量剔除,把籽粒的原始光谱由1 621个波段压缩至717个,在保留了蛋白质信息的同时,实现了特征谱段的初次优选;对逐步多元线性回归(SMLR)、连续投影算法(SPA)、连续投影算法(SPA)+逐步多元线性回归(SMLR)及连续投影算法(SPA)+偏最小二乘回归(PLS)+交叉验证(CV)等特征波段优选算法比较发现,不同的方法获得的特征谱段有差异,构建的模型及精度也明显不同。对经过无信息变量剔除(UVE)法筛选光谱特征谱段,利用SPA消除光谱矩阵中波段共线性影响,再利用SMLR筛选出小麦籽粒蛋白质信息贡献最大的15个特征谱段,所得模型的预测均方根误差(RMSEP)和R2分别为0.5898和0.9410,模型预测精度最高。【结论】本研究利用UVE、SPA与SMLR方法有效压缩了整粒小麦籽粒光谱矩阵,基于所筛选的蛋白质含量特征谱段数构建的预测模型可以实现无损、快速测定整粒小麦籽粒蛋白质含量,预测模型精度可靠,方法经济有效,为设计田间便携式整粒小麦籽粒蛋白质测定仪的波段选择和开发奠定了基础。展开更多
土地利用时空格局变化与预测对土地资源管理与优化至关重要。本文基于遥感时空序列数据,协同景观指数与深度学习的长短时记忆网络(Long-Short Term Memory,LSTM)模型,对玛纳斯进行长时间序列土地利用时空格局演变特征分析和预测。结果表...土地利用时空格局变化与预测对土地资源管理与优化至关重要。本文基于遥感时空序列数据,协同景观指数与深度学习的长短时记忆网络(Long-Short Term Memory,LSTM)模型,对玛纳斯进行长时间序列土地利用时空格局演变特征分析和预测。结果表明:(1)1992—2020年耕地、草地和建设用地增加,林地、水域和未利用地减少。(2)耕地破碎化程度降低,林地和水域的景观指数轻微波动;草地破碎化程度降低,形状趋于规则化;建设用地处于持续扩张状态,破碎化程度加深,形状趋于复杂;未利用地破碎化程度增加,但形状趋于规则化。(3)比较了LSTM模型、多层感知人工神经网络(Multi-Layer Perception Artifical Neural Network,MLP-ANN)模型、逻辑回归(Logistic Regression,LR)模型和CA-Markov模型的预测精度。LSTM模型的Kappa系数为95.31%,较其他模型准确度高,符合实际土地利用格局分布。LSTM模型表明2025年土地利用类型可能仍以耕地、草地和未利用地为主。展开更多
棉花作为我国的主要经济作物,对其开展低空遥感精细监测的研究目前尚缺乏高质量的监测样本数据集。高光谱影像具有丰富的光谱特征和空间特征,被广泛用于生化参量反演、病虫害监测、长势评估与产量预测。为此,本文构建了面向棉花全生长...棉花作为我国的主要经济作物,对其开展低空遥感精细监测的研究目前尚缺乏高质量的监测样本数据集。高光谱影像具有丰富的光谱特征和空间特征,被广泛用于生化参量反演、病虫害监测、长势评估与产量预测。为此,本文构建了面向棉花全生长周期的机载高光谱成像数据集(Airborne hyperspectral imaging dataset for the full growth cycle of cotton,AHS-FGCC)。基于大疆M600 Pro无人机搭载Rikola高光谱成像仪,以100 m航高获取同一区域同一棉花品种苗期、苗后期、蕾期、花期、铃期、盛铃期以及吐絮期共7期无人机高光谱数据。该数据经过标准预处理,参考《地理信息元数据》规范,补充无人机载高光谱棉花数据元数据信息,从而构建全生长周期棉花高光谱正射影像数据集。通过与采样点ASD(SR-3500)地物光谱仪棉花冠层光谱曲线对比,分析棉花数据集的光谱精度以及对应的棉花生长期光谱变化规律。结果表明Rikola成像光谱仪和ASD地物光谱仪波长在503~850 nm区间,反射率曲线趋势具有良好的一致性,“绿峰特征”,“红谷特征”,“红边特征”3种典型光谱特征表现也基本吻合。本数据集可以较好地反应棉花不同生长周期的光谱特征变化规律,可为棉花的低空遥感精细监测提供样本数据,并为农作物高光谱或多光谱数据集构建的相关研究提供参考和借鉴。(数据集发布于科学数据银行,访问地址:https://www.scidb.cn/detail?dataSetId=a07c3451e3cf4ff090b1cbb72edc08c3。)展开更多
文摘【目的】筛选整粒小麦籽粒蛋白质的近红外特征光谱波段并建立优化模型,可实现快速、无损测定整粒小麦籽粒蛋白质含量,为田间便携式小麦籽粒蛋白质含量速测仪设计提供依据。【方法】2012—2013年以蛋白质含量有明显差异的8个冬小麦品种为试验品种,设置3个施氮量和2个灌溉量共6个处理,建立丰富的样本类型,共采集176个小麦籽粒光谱数据;将ASD Field Spec Pro光谱仪采集到的基于全反射下垫面的整粒小麦籽粒反射光谱通过公式A=log(1/R)转换为吸收光谱,对吸收光谱采用S-G平滑、多元散射校正和基线校正等方法进行预处理,以消除背景噪声,然后采用交叉验证偏最小二乘回归方法进行特征波段压缩;分析比较无信息变量剔除法(UVE)结合交叉验证偏最小二乘回归、连续投影算法(SPA)结合交叉验证偏最小二乘回归、UVE与SPA组合后结合交叉验证偏最小二乘回归、UVE与SPA组合后结合多元线性回归(MLR)及UVE与SPA组合后结合逐步多元线性回归(SMLR)等多种特征光谱筛选方法选出的蛋白质特征波段的优劣,并与凯氏定氮法测定的小麦籽粒蛋白质含量进行回归分析,构建并优选小麦籽粒蛋白质最佳预测模型。【结果】利用无信息变量剔除(UVE)方法可将与小麦籽粒蛋白质含量无关的信息变量剔除,把籽粒的原始光谱由1 621个波段压缩至717个,在保留了蛋白质信息的同时,实现了特征谱段的初次优选;对逐步多元线性回归(SMLR)、连续投影算法(SPA)、连续投影算法(SPA)+逐步多元线性回归(SMLR)及连续投影算法(SPA)+偏最小二乘回归(PLS)+交叉验证(CV)等特征波段优选算法比较发现,不同的方法获得的特征谱段有差异,构建的模型及精度也明显不同。对经过无信息变量剔除(UVE)法筛选光谱特征谱段,利用SPA消除光谱矩阵中波段共线性影响,再利用SMLR筛选出小麦籽粒蛋白质信息贡献最大的15个特征谱段,所得模型的预测均方根误差(RMSEP)和R2分别为0.5898和0.9410,模型预测精度最高。【结论】本研究利用UVE、SPA与SMLR方法有效压缩了整粒小麦籽粒光谱矩阵,基于所筛选的蛋白质含量特征谱段数构建的预测模型可以实现无损、快速测定整粒小麦籽粒蛋白质含量,预测模型精度可靠,方法经济有效,为设计田间便携式整粒小麦籽粒蛋白质测定仪的波段选择和开发奠定了基础。
文摘棉花作为我国的主要经济作物,对其开展低空遥感精细监测的研究目前尚缺乏高质量的监测样本数据集。高光谱影像具有丰富的光谱特征和空间特征,被广泛用于生化参量反演、病虫害监测、长势评估与产量预测。为此,本文构建了面向棉花全生长周期的机载高光谱成像数据集(Airborne hyperspectral imaging dataset for the full growth cycle of cotton,AHS-FGCC)。基于大疆M600 Pro无人机搭载Rikola高光谱成像仪,以100 m航高获取同一区域同一棉花品种苗期、苗后期、蕾期、花期、铃期、盛铃期以及吐絮期共7期无人机高光谱数据。该数据经过标准预处理,参考《地理信息元数据》规范,补充无人机载高光谱棉花数据元数据信息,从而构建全生长周期棉花高光谱正射影像数据集。通过与采样点ASD(SR-3500)地物光谱仪棉花冠层光谱曲线对比,分析棉花数据集的光谱精度以及对应的棉花生长期光谱变化规律。结果表明Rikola成像光谱仪和ASD地物光谱仪波长在503~850 nm区间,反射率曲线趋势具有良好的一致性,“绿峰特征”,“红谷特征”,“红边特征”3种典型光谱特征表现也基本吻合。本数据集可以较好地反应棉花不同生长周期的光谱特征变化规律,可为棉花的低空遥感精细监测提供样本数据,并为农作物高光谱或多光谱数据集构建的相关研究提供参考和借鉴。(数据集发布于科学数据银行,访问地址:https://www.scidb.cn/detail?dataSetId=a07c3451e3cf4ff090b1cbb72edc08c3。)