冬小麦叶片SPAD值高光谱估测的预处理方法

为选择合适的光谱预处理方法,提高叶片SPAD值的预测精度,本研究分析冬小麦不同叶位叶片SPAD值与光谱的响应关系,对原始光谱数据进行归一化处理(NC)、多元散射校正(MSC)和基线校正(BC)及组合处理,并结合连续投影算法(SPA)和逐步多元线性回归(SMLR)构建SPAD值光谱估测模型。结果表明:增加施氮量能提高冬小麦不同叶位叶片的SPAD值,生育前期顶二叶在近红外光谱区域反射率最大,生育后期则为顶一叶最大;单一光谱预处理中基于NC处理的光谱预测模型最好(R2=0.770、RMSE=1.483),MSC处理降低了模型预测效果,组合预处理中,以BC+NC建模效果最好,R2和RMSE分别为0.755和1.540;部分预处理在一定程度上可以消减噪音,但不当的预处理方法会降低模型的预测能力;预处理方法并不是越多越好,顺序不同预测模型精度不同。     

基于多植被指数组合的冬小麦地上干生物量高光谱估测

为了探究多种植被指数组合与偏最小二乘回归(PLSR)结合对于提高冬小麦地上干生物量估测精度的影响,本研究以氮运筹试验为基础,比较分析了18种植被指数与冬小麦地上干生物量的相关性,筛选出相关性较好的植被指数,建立多种植被指数组合的PLSR模型,并对模型进行评价比较。结果表明:除叶绿素归一化植被指数(NPCI)外各植被指数均与冬小麦地上干生物量有良好的相关性,中分辨率陆地叶绿素成像指数(MTCI)、绿色归一化植被指数(GNDVI)、改进红边比值植被指数(MSR705)和特征色素简单比值指数c(PSSRc)4个植被指数相关系数绝对值均达到0.800以上;多植被指数组合构建的PLSR模型中,以PSSRc、MSR705和MTCI 3个植被指数建立的复合式模型建模集(R2=0.719,RMSE=0.316)和验证集(R2=0.696,RMSE=0.346)表现最佳。因此,多种植被指数组合与偏最小二乘回归(PLSR)结合能有效提高冬小麦地上干生物量的估测精度,为更好地实现冬小麦地上干生物量高光谱遥感估测提供有效技术途径。     

基于近红外光谱的冬小麦籽粒蛋白质含量检测

冬小麦籽粒蛋白质含量(GPC)是评价冬小麦品质的主要指标,为了研究不同建模方法对GPC检测的影响,本研究对冬小麦籽粒的近红外原始光谱进行S-G平滑、基线校正和多元散射校正等预处理,利用连续投影算法(SPA)提取冬小麦GPC的重要光谱波段,并结合偏最小二乘回归(PLSR)、主成分回归(PCR)、支持向量机(SVM)和多元线性回归(MLR)建立GPC的光谱预测模型,并综合比较模型的适用性。结果表明:经过SPA提取的特征波段为1801、1010、1109、2284、2219、2239、871、1361、1925、1849和1456 nm;模型评价方面,利用特征波段建立的SVM模型效果较好,其中校正均方根误差(RMSEC)和R2分别为0.2481和0.9760,验证均方根误差(RMSEP)和R2分别为0.3587和0.9581。研究表明,SPA+SVM预测模型在一定程度上能够实现冬小麦籽粒蛋白质的快速、无损检测。