不同灌水处理下冬小麦地上干生物量的高光谱监测

地上干生物量是反映作物生长发育和产量的重要指标。本试验通过不同的灌溉处理,研究了冬小麦生育期地上干生物量的变化规律,分别利用多元线性回归(MLR)和连续投影算法-MLR(SPA-MLR)构建了冬小麦地上干生物量光谱监测模型。结果表明:拔节期+孕穗期+开花期+灌浆期的灌溉方案有利于生物量积累;基于SPA-MLR构建的预测模型精度均高于MLR预测模型,其中,以开花期模型最优,R~2达到了0.96,RMSE为0.092,验证集的R~2为0.76,RMSE为0.18;综合冬小麦主要生育时期(拔节期至灌浆期)的预测模型的R~2达到了0.64,RMSE为0.30,验证集的R~2为0.54,RMSE为0.26,可以实现拔节期至灌浆期冬小麦地上干生物量的预测。本研究可为利用高光谱遥感技术预测冬小麦地上干生物量提供技术支持。     

受渍冬小麦不同叶位叶片的SPAD高光谱估算

实时、准确获取叶绿素含量信息对及时了解农作物受害程度、指导农业生产和估测产量等具有重要意义。为探索受渍冬小麦各层叶片叶绿素相对含量(SPAD)的最优估测模型,本研究设置排灌可控的冬小麦渍害胁迫梯度微区试验,分析了15个常用高光谱特征指数与SPAD的相关关系,并对基于多元线性回归、支持向量机、BP神经网络、决策树和随机森林模型的受渍冬小麦各层叶片SPAD的估算结果进行了对比分析。结果表明：短期渍水(≤3 d)对冬小麦分层叶片的SPAD值影响不明显,当渍水时间大于9 d时,SPAD值随着渍水时间的增加降低较为明显,在生长后期为0;15个高光谱特征指数与SPAD均达到极显著相关水平(P<0.05),其中Ctr2、Dy、NDVI和SIPI 4个指数与SPAD的相关性最好,其相关系数的绝对值分别达到0.880、0.868、0.868和0.833;与基于L1、L2和L3层叶片SPAD相比,基于平均SPAD的高光谱估算结果最好,其R²达到0.719;与其他4个估算模型相比,随机森林模型可较好地估算各层叶片的SPAD值,其R²、RMSE、RE分别为0....     

杂交稻增密减肥处理的SPAD值光谱估算模型

响应"一控两减三基本"的要求,在不减产的前提下减少化肥用量,研究全程机械化大苗机插条件下不同增密减肥处理的水稻叶绿素相对含量(SPAD值)光谱估算模型.分析水稻叶片SPAD值与冠层一阶微分光谱的相关性,建立基于敏感波长及一阶微分光谱参数的SPAD值估算模型,用决定系数(R2)、均方根误差(RMSE)、相对误差(RE)对...     

青海瑞香狼毒叶绿素含量高光谱预测模型

叶绿素含量是植物生长状况的重要指标,狼毒叶绿素含量预测可为狼毒长势监测及危害防控提供科学依据。本文选取青海省兴海县瑞香狼毒分布的典型退化草甸,利用全光谱的偏最小二乘法(PLS)、基于连续投影算法的多元线性回归法(SPA-MLR)、基于连续投影算法的偏最小二乘法(SPA-PLS)、红边参数以及植被指数共5种方法对狼毒叶片SPAD值进行预测和对比分析,构建青海省瑞香狼毒叶绿素含量的最优预测模型。结果表明:利用SPA算法筛选出9个特征波长建立的PLS模型对狼毒SPAD值的预测结果最好,预测相关系数为0.778,预测均方根误差为1.895;与全光谱PLS模型相比,SPA-PLS模型明显减少计算量,提高了建模效率;与SPA-MLR模型相比,SPA-PLS模型有效解决了变量之间的共线问题,显著提高了预测精度,是狼毒叶绿素含量的最佳预测模型;基于红边参数和植被指数建立的预测模型中,MCARI指数构建的模型对狼毒SPAD值的预测精度最高,预测相关系数为0.808,预测均方根误差为1.969,可作为反演狼毒叶绿素含量的最优植被指数。     

利用叶色特征监测小麦叶片的碳氮状况

研究了不同土壤水氮条件下小麦 (Triticumaestivum) 抽穗后叶片碳氮状况及其比例与叶片叶色 (SPAD值 ) 的关系。结果表明, 小麦中后期叶片氮含量和可溶性糖含量与顶部 3张叶片叶色 (SPAD值 ) 均呈显著的指数正相关, 其相关程度大小为L1>L2 >L3, 但与不同叶位叶色间的差值或比值相关并不显著 ;而叶片碳氮比与各叶位叶色相关不显著, 但与顶 1叶和顶 3叶的叶色差值呈极显著直线相关, 据此建立了基于叶色特征的叶片氮含量、可溶性糖含量和碳氮比监测模型, 检验结果显示, 顶 1叶叶色和顶 1叶与顶 3叶叶色的差值可用来有效地评估小麦叶片的碳、氮含量及碳氮比状况。     

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。     

基于多元统计方法的冬小麦叶面积指数光谱估测

叶面积指数(LAI)是评价作物生长状况的指标之一,利用光谱技术实现冬小麦LAI的快速、准确监测具有重要的意义。本文以连续两年的氮素运筹试验为基础,通过测定各生育时期的冠层光谱和LAI,并利用多元统计分析方法(偏最小二乘法,PLS;逐步多元线性回归,SMLR)提取氮素运筹条件下LAI特征波段和构建LAI估测模型。结果表明,光谱波段765、775、1060 nm进入到LAI的预测模型中,结合PLS中VIP参数和B-系数证实,以上波段与冬小麦LAI具有重要的关系;基于PLS-SMLR方法构建的预测模型R~2=0.699,RMSE=1.447,RE=0.275,经验证模型仍然具有较好的表现(R~2=0.689,RMSE=1.323,RE=0.285)。表明利用PLS-SMLR提取特征波段、建模的方法是可行的,可为作物LAI的快速诊断监测提供一定的理论依据。     

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。     

秋茄类胡萝卜素含量高光谱反演

类胡萝卜素(Car)作为植物主要色素,对诊断植被生理状态有重要作用。于2013年4月和7月采集闽江口秋茄(Kandelia candel)叶片,室内测定其叶片正面和背面反射光谱,同时测定其Car含量\[单位面积(μg·cm-2)和单位质量(mg·g-1)\]。选取常见Car含量估算的光谱参数,同时分析确定最佳比值植被指数(SR),基于回归分析,建立秋茄叶片Car含量估算与验证模型。结果表明,叶片光谱反射率表现为叶片背面大于正面(350~2350 nm);基于叶面背面光谱计算的SR与叶片Car含量(μg·cm-2)的相关系数优于其他组合,相关系数较高的区域分布在520~540 nm与1000~1100 nm波段组合,700~720 nm与800~1100 nm波段组合;基于背面光谱计算的大部分光谱参数与Car含量(μg·cm-2)的相关系数要高于基于正面光谱计算的。因此,以叶片背面光谱作为Car含量估算的光谱数据,以单位面积Car含量为估算量纲建立反演模型。本研究表明,光谱指数LCI、DD、NDVI(770,713)、NDVI(773,562)、SR(723,770)和SR(1000,700)均可实现Car含量的反演,估算与检验模型的R2均0.65,RMSE均1.52;并且新构建的SR(1000,700)估算精度最好,模型和检验R2分别为0.77和0.87,模型和检验RMSE分别为1.08和1.11。这些预味着基于高光谱遥感对闽江河口湿地秋茄Car含量进行估算是可行的。     

芦苇粉大尾蚜虫害下芦苇叶绿素高光谱反演估算

叶绿素含量是表征芦苇虫害胁迫状态的一个重要指示因子。选取遭受芦苇粉大尾蚜(Hyalopterus pruni)虫害的芦苇(Phragmites australis)作为研究对象,用便携式地物光谱仪ASD FieldSpec 4测定其叶片反射率光谱,同时用SPAD-502 Plus叶绿素测量仪测定其叶绿素相对含量(SPAD),分析健康和虫害芦苇叶片高光谱反射率与叶绿素含量间的相关关系,采用一元线性回归和偏最小二乘法回归方法,建立芦苇叶绿素含量红边位置和全波段高光谱反演估算模型。结果表明:健康芦苇叶片反射率高于虫害叶片,两种叶片叶绿素含量与高光谱的相关性存在显著差异,尤其在绿光波段和近红外波段部分区域(1400~2500nm)表现明显;全波段高光谱估算模型具有较高的准确性,健康叶片回归模型的决定系数(R2)为0.965,均方根误差(RMSE)为0.813,预测偏差比率(RPD)为3.940;虫害叶片回归模型的R2为0.966,RMSE为0.989,RPD为3.855;异地验证结果进一步表明,通过高光谱数据全波段反演能较好地估算芦苇粉大尾蚜虫害下芦苇叶绿素相对含量,这也预示着利用高光谱全波段数据估算虫害植被叶绿素相对含量是可行的。     

平稳小波变换在冬小麦SPAD高光谱监测中的应用

在2010与2011年度冬小麦生长季通过大田小区试验,利用ASD便携式野外光谱仪和SPAD 502叶绿素计实测冬小麦冠层的高光谱反射率与SPAD值.分析不同SPAD值下的冬小麦冠层光谱特征,建立了基于归一化植被指数（NDVI）与比值植被指数（RVI）、小波能量系数的不同生育期冬小麦SPAD估算模型.结果表明： 随着SPAD值的增大,“绿峰”与“红谷”特征愈加明显.在冬小麦返青期、拔节期、抽穗期、灌浆期NDVI估算SPAD的效果较好,估算模型的R²分别为0.7957、0.8096、0.7557、0.5033.小波能量系数回归模型可以提高冬小麦SPAD的估算精度,在返青期、拔节期、抽穗期、灌浆期以高频、低频小波能量系数为自变量的冬小麦SPAD估算模型的R²分别达到0.9168、0.9154、0.8802、0.9087.     

基于地面观测光谱数据的冬小麦冠层叶片氮含量反演模型

冬小麦冠层叶片氮含量是反映其产量与品质的重要指标,构建高普适性、高精准性冬小麦冠层叶片氮含量高光谱反演模型对提高其监测效率具有重要意义。以不同地点、品种、年份、施氮水平、生育期的大田试验数据为基础,基于两波段光谱植被指数NDRE和550 nm光谱反射率组合构建一个三波段植被指数NEW-NDRE,并与11个传统冬小麦冠层叶片氮素光谱指数进行比较。结果表明: NEW-NDRE及传统植被指数中NDRE、NDDA、RI-1dB与冬小麦冠层叶片氮含量的相关性较好;其中,灌浆初期NEW-NDRE与冬小麦冠层叶片氮含量相关性最好,决定系数R²为0.9,均方根误差(RMSE)为0.4;经独立数据检验,以NEW-NDRE为变量建立的冬小麦冠层叶片氮含量反演模型的平均相对误差(RE)为9.3%,明显低于以NDRE、NDDA、RI-1dB为变量的模型RE。总体上,新构建的NEW-NDRE对冬小麦冠层叶片氮含量的模拟能力显著优于传统指数,减弱了试验条件的限制性,可为精准施肥提供新的技术支撑。     

近红外光谱技术预测猪肉的pH、嫩度和蒸煮损失

以冷却猪肉为研究对象,评价近红外光谱（NIR）技术用于肉类物理特性预测的可行性以及不同的光谱处理方法和建模方法对预测准确性的影响。试样取自排酸24h的同一批猪胴体的小里脊肉,采集4000—10000cm-1的光谱。经外部验证的偏最小二乘（PLS）模型在预测pH时表现出良好的相关性（Rc^2=0．88,Rp^2=0．80,SEC=0．08,SEP=0．084）,嫩度与蒸煮损失模型的相关性分别是Rc^2=0．50和0．57,R;=0．34和0．50。在各种光谱预处理方法中,平滑处理结合多元散射校正（MSC）或标准正态变量变换（SNV）的效果最好。     

光谱植被指数与水稻叶面积指数相关性的研究

 综合分析比较了几种常见光谱植被指数与水稻（Oryza sativa）叶面积指数的相关性及其预测力。结果表明,植被指数的预测力在水稻营养生长旺盛期间最好。植被指数的预测力主要依赖于叶面积指数(LAI)的整体变化范围。因此,综合不同生育时期和氮肥处理的试验资料,光谱植被指数能准确地预测LAI的变化。LAI与各植被指数均呈曲线相关,与比值植被指数(RVI)、再归一化植被指数(RDVI)和R810/R560显著幂相关,与归一化植被指数(NDVI)、垂直植被指数(PVI)、差值植被指数(DVI)、土壤调整植被指数(SAVI)和转换型土壤调整指数(TSAVI)显著指数相关。其中,近红外与绿光波段的比值R810/R560的预测力最佳。用不同移栽秧龄、不同密度、不同水分和氮肥处理的数据对R810/R560的表现进行了检验,结果表明估算精度平均为91.22%,估计的均方差根(RMSE)平均为0.480　5,平均相对误差为-0.013。表明宽波段光谱植被指数可以准确地用来监测水稻叶面积指数。     

基于小波变换的毛竹叶片净光合速率高光谱遥感反演

在对毛竹林叶片高光谱反射率数据进行小波变换的基础上,寻找和确定最佳的小波植被指数反演毛竹林叶片的净光合速率(P_n).结果表明:理想的高频小波植被指数反演得到的P_n精度高于低频小波植被指数和光谱植被指数,其中,由小波分解第一层高频系数构建的归一化植被指数、比值植被指数和差值植被指数与P_n之间的相关性最好,R~2为0.7,均方根误差(RMSE)较低,为0.33;而低频小波植被指数反演P_n的精度低于光谱植被指数.由各层理想小波植被指数所构建的多元线性模型反演得到毛竹叶片P_n与实测P_n之间具有显著的相关关系,R~2为0.77,RMSE为0.29,且精度明显高于基于光谱植被指数所构建的多元线性模型.与光谱植被指数反演毛竹P_n的敏感波段仅局限于可见光波段相比,小波植被指数探测的敏感波长范围更广,包含了可见光及多个红外波段.高光谱数据在经过小波变换后能够发现更多反映毛竹P_n的细节信息,且整体反演精度比原始光谱有了显著提高,研究结果为基于高光谱遥感反演植被P_n提供了一种新的可选方法.     

祁连山中部金露梅种群生长过程中的植被光谱特征

金露梅灌丛是祁连山最具代表性的高寒落叶灌丛,其生长过程对生态系统服务功能有重要影响。2015年生长季对其叶功能性状进行了观测,并利用地物光谱仪(ASD)对金露梅灌丛不同物候期的高光谱反射率进行了测定。结果表明:金露梅灌丛的叶面积、叶面积指数(leaf area index,LAI)、绿色叶面积指数、叶片叶绿素含量(以SPAD值表示)从生长初期开始呈现先增大,到生长后期开始下降的规律;不同物候期金露梅灌丛的反射光谱波形曲线变化规律基本相似;植被指数NDVI、EVI、CI_(red edge)与LAI、叶片SPAD值均达到了显著(P0.05)或极显著相关(P0.001);EVI与LAI的相关性最好,NDVI与叶片SPAD值的相关性在整个生长阶段最为稳定。根据相关性分析,建立了不同物候期金露梅灌丛LAI、SPAD预测模型,为金露梅植被生长过程的遥感监测提供了方法。     

基于湿地植物光谱的水体总氮估测

利用再生水补充城市湿地是目前湿地恢复与重建的主要方向,然而再水中高浓度的氮、磷含量极易导致水体富营养化。遥感技术已成为富营养化监测的重要手段,但对于植被覆盖水域的富营养化直接探测存在一定的局限性。以北京市典型再生水补水湿地奥林匹克公园南园湿地为研究区,利用湿地植物光谱进行水体富营养化主控因子总氮的遥感探测。测定芦苇(Phragmites australis)和香蒲(Typha angustifolia)的叶片光谱及水体总氮含量,在对数据进行预处理的基础上建立二者的关系模型,包括单变量模型(比值光谱指数(SR)模型和归一化差值光谱指数(ND)模型),与多变量模型(逐步多元线性回归(SMLR)模型和偏最小二乘回归(PLSR)模型),并利用交叉验证决定系数(R2cv)和均方根误差(RMSEcv)进行模型精度检验。结果表明,不同回归模型相比,多变量回归模型精度较高;多变量回归模型中,PLSR模型精度较高,R2cv可达0.72,RMSEcv仅为0.24,是建立湿地植物光谱与水体总氮含量关系的最优模型。不同湿地植物类型相比,利用芦苇反射光谱建立的各种预测模型的精度都高于香蒲。其他环境因子(总磷)也是影响TN含量与湿地植物反射光谱关系的重要因素。研究成果可以弥补现有水体富营养化遥感探测的不足,并为再生水利用的城市湿地水质监测与管理提供有力的科学依据。     

基于遥感与模型耦合的冬小麦生长预测

遥感的空间性、实时性与作物生长模型的过程性、机理性优势互补,将两者有效耦合已成为提高作物生长监测预测能力的重要手段之一。提出了一种基于地空遥感信息与生长模型耦合的冬小麦预测方法,该方法基于初始化/参数化策略,以不同生育时期的小麦叶面积指数(LAI)和叶片氮积累量(LNA)为信息融合点将地面光谱数据(ASD)及HJ-1 A/B CCD、Landsat-5 TM数据与冬小麦生长模型(WheatGrow)耦合,反演得到区域尺度生长模型运行时难以准确获取的部分管理措施参数(播种期、播种量和施氮量),在此基础上实现了对冬小麦生长的有效预测。实例分析结果表明,LNA较LAI对模型更敏感,以之作为耦合点的反演效果较好。另外,抽穗期是遥感信息与生长模型耦合的最佳时机,对播种期、播种量和施氮量反演的RMSE值分别达到5.32 d、14.81 kg/hm²、14.11 kg/hm²。生长模型与遥感耦合后的模拟结果很好地描述了冬小麦长势和生产力指标的时空分布状况,长势指标的模拟相对误差小于0.25,籽粒产量模拟的相对误差小于0.1。因此研究结果可为区域尺度冬小麦生长的监测预测提供重要理论依据。     

小麦叶片氮素状况与光谱特性的相关性研究

 系统分析了不同时相下两个小麦(Triticum aestivium)品种叶片含氮量及叶片氮积累量与冠层光谱反射特征的关系。结果表明,随施氮水平的增加,小麦冠层在可见光区的反射率逐渐降低,而近红外波段的反射率逐渐升高。小麦叶片氮素状况与比值指数或归一化指数显著相关,两个品种表现极为一致,可以用一个指数方程来拟合。分阶段建模并没有提高模型的精度,因此可以建立一个适用于整个生育时期的通用氮素诊断方程。叶片含氮量同光谱指数在整个生育期内的关系要优于叶片氮积累量的,其中,与叶片含氮量关系最佳的指数为红波段(660 nm)和蓝波段(460 nm)的组合(R2>0.80);与叶片氮积累量关系最佳的光谱指数为中红外波段(1 220 nm)与红波段(660 nm)的组合(R2>0.62)。     

福州市土壤铬含量高光谱预测的GWR模型研究

通过系统分析不同光谱分辨率和光谱变换对土壤铬高光谱预测模型的不确定性影响,筛选出最优的光谱分辨率及光谱变量进行土壤铬含量预测的地理权重回归(GWR)模型构建,利用该模型进行福州市土壤铬含量预测,并将预测结果与普通最小二乘法回归(OLS)结果进行比较分析,探讨GWR模型在土壤铬高光谱预测中的适用性及局限性。结果表明:(1)在10 nm分辨率尺度下,以土壤全铬含量为因变量,反射率的二阶微分和反射率倒数的二阶微分为自变量构建的GWR模型对土壤铬预测的效果最好。GWR模型的R~2和调节R~2分别为0.821和0.716,较OLS模型分别提高了0.529和0.450,而AIC值为720.703,较OLS模型减少了22个单位,残差平方和仅为OLS模型的1/4,说明GWR模型的预测效果较OLS模型有了显著提高。(2)土壤铬预测模型的精度受光谱分辨率影响。对于OLS预测模型来说,3 nm分辨率的模型预测效果最好,而对于GWR预测模型来说,10nm分辨率的模型不仅预测效果最好,其相较于OLS模型的改善作用显著,为土壤铬含量GWR预测的最佳光谱分辨率。(3)光谱的一阶微分变换可以有效增强土壤铬的光谱特征,而其余的光谱变换对土壤铬的光谱特征则未起到增强作用,但可以很好地提高模型的预测效果。(4)研究得出土壤铬GWR模型预测的最佳光谱分辨率为10 nm,为EO-1 Hyperion影像的光谱分辨率,而且随着采样点的增加,GWR模型的预测效果趋于稳定,适合空间异质性大的区域尺度土壤铬预测。故该模型与高光谱影像结合,实现模型从实验室尺度向区域尺度的推广,为格网尺度土壤铬的空间预测提供可能。