【目的】阐明水稻顶部4张叶片蛋白氮含量和反射光谱特征的变化规律及其相互关系,建立快速、准确诊断水稻功能叶片蛋白氮含量的方法。【方法】通过3年不同施氮水平和不同品种类型的大田试验,分生育期同步测定顶部4张叶片的光谱反射率及蛋白氮含量,系统分析叶片蛋白氮含量与多种高光谱参数的定量关系。【结果】水稻叶片蛋白氮含量和光谱反射率在不同施氮水平、不同生育期及不同叶位间均存在明显差异,叶片蛋白氮含量的敏感波段主要存在于可见光绿光区530～580nm及红边区域695～715nm,其中红边区域表现最为显著。红边区域700nm附近波段与近红外短波段的比值组合(SRs)可以有效地估算水稻上部功能叶片的蛋白氮含量,其...

【目的】叶面积指数(LAI)是描述植物冠层结构、群落生长分析和陆地生态系统研究的重要参数,提高叶面积指数的估算精度是遥感工作者的重要研究方向之一。【方法】通过不同氮素营养水平的水稻小区实验,利用2004年中稻高光谱反射率数据,模拟中等分辨率成像光谱仪(MODIS)前四个通道,提出包含蓝、绿、红和近红外四个谱段的调节型归一化植被指数ANDVI(adjusted-normalized difference vegetation index)。对ANDVI和归一化植被指数NDVI(normalized difference vegetation index)、增强型植被指数EVI(enhanced ...

【目的】以海南省特有树种降香黄檀为研究对象,提出1种基于植被指数和多光谱纹理特征的叶片全铁含量(TIC)预测方法,为珍贵树种重金属营养诊断提供参考。【方法】分别设计4种梯度(CK、F1、F2、F3)的铁胁迫试验,胁迫结束后摘取叶片并获取多光谱图像,计算叶片图像的植被指数(VIs)及纹理特征(包括纹理特征均值TFMV和纹理特征方差TFV),分析其与TIC之间的关系。通过显著性检验筛选出与TIC在0. 05和0. 01水平上显著相关的变量,再使用相关性分析法(CA)、主成分分析法(PCA)、平均影响值法(MIV)和遗传算法(GA)进行二次筛选,将筛选结果作为粒子群优化-反向反馈神经网络(PSO-BPNN)的输入变量,分析比较预测结果。【结果】1)在CK～F2梯度区间内,树高、冠幅和地茎的生长量随着施铁含量的增加而增加,而在F3梯度下,树高、冠幅生长量降低,地茎生长量出现大幅度上升; 2)随着叶片TIC的上升,B波段呈先下降后上升趋势;G波段则与B波段相反; R波段先下降后上升,之后基本保持稳定; RE和NIR波段则一直呈上升趋势; 3)大部分VI与TIC在0. 01和0. 05水平上相关,TFMV和TFV也可以反映叶片TIC,但TFV在相关水平和相关个数方面均优于TFMV。从波段角度分析,RE和NIR波段在植被指数和纹理特征方面与TIC的相关性均优于其他波段; 4)使用不同筛选方法得到的预测结果不同,其中CA与GA得到的评价指标最佳且相似,但GA在150～300mg·kg~(-1)区间得到的预测结果偏低,不适用于田间施肥指导。5)仅使用植被指数得到的预测结果较差,加入纹理特征后很明显的提高了拟合优度及预测精度,纹理特征方差对模型精度的影响更大,说明叶片纹理的离散程度可以较好的作为预测全铁含量的辅助信息。【结论】F1和F2梯度的施肥量可以促进降香黄檀植株生长及生物量累计。最佳叶片全铁含量为150～300 mg·kg~(-1)。除植被指数外,MPV作为辅助因素可以提高模型的拟合优度及预测精度,同时,CA-PSO-BPNN方法可以有效的运用于田间施肥指导,为珍贵树种重金属含量监测提供较为准确的预测。

【目的】探索植被指数（VI）及其波段选择、回归建模方法、训练样本选取三方面因素对基于统计模型的水稻叶面积指数（LAI）高光谱遥感估算的影响，构建县域水稻LAI估算模型，并在四川省凉山彝族自治州昭觉县开展实证应用。【方法】本文基于不同样本量的３套训练数据，分别对增强型植被指数（EVI）、修正三角植被指数2（MTVI2）、归一化差值植被指数（NDVI）和修正比值植被指数（MSR）开展波段选择。在此基础上，以1种VI作为LAI的特征参量，试用指数回归（ER）和人工神经网络（ANN），构建LAI估算模型。计算LAI估算值和实测值之间的决定系数（R~(2)）和均方根误差（RMSE），开展估算精度验证。【结果】①基于EVI或MTVI2的LAI估算精度优于NDVI和MSR。以ANN模型为例，基于优选波段的EVI和MTVI2得到的R~(2)分别为0.638和0.681，RMSE分别为0.554和0.519；而NDVI和MSR得到的R~(2)分别为0.567和0.560，RMSE分别为0.606和0.611。②基于各VI优选波段组合的LAI估算精度（平均R~(2)为0.574，平均RMSE为0.598）优于默认波段组合（平均R~(2)为0.424，平均RMSE为0.694）。③ANN模型的表现优于ER模型。在基于默认波段、优选波段的LAI估算试验中，ANN模型得到的平均R~(2)比ER模型分别提高了40.27%和14.03%；平均RMSE分别降低了11.32%和8.11%。④就本项目试验而言，训练样本量对基于ANN模型的LAI估测精度的影响不显著。例如，当训练样本量低至24时，基于EVI构建的ANN模型的测试精度（R~(2)=0.660， RMSE=0.537），仍然优于ER模型（R~(2)=0.597， RMSE=0.585）。【结论】VI及其波段选择与回归建模方法对LAI高光谱遥感估算均有明显影响。针对特定区域的目标作物，尝试利用任意可能的波段组合来计算多种VI，遴选与实测LAI相关系数最大的VI及其波段组合，有益于提高基于VI的LAI高光谱遥感估算精度。同时，即使基于小样本训练数据，机器学习算法仍有可能得出优于参数回归的结果。

[目的]基于冠层图像可见光颜色分量进行冬小麦叶片氮含量(leaf nitrogen concentration,LNC)估算的算法研究,旨在为构建LNC估算模型提供方法借鉴。[方法]用Olympus E-620单反相机采集不同种植条件(2个品种、2个种植密度、3个氮处理)下2年生育期(2013年和2014年)的小麦冠层图像。基于H颜色分量的K-means聚类分割冠层图像,分别提取3个颜色空间HSV、L~*a~*b~*和RGB的3种基础颜色分量值,作为输入参数;分别使用多元线性回归(multivariate linear regression,MLR)、支持向量回归(support vector regression,SVR)、随机森林(random forest,RF)构建LNC估算模型,以决定系数R~2和均方根误差(root mean square error,RMSE)为评价指标;10×10嵌套交叉验证法分析3个颜色空间下各算法模型的拟合能力与泛化性能。[结果]单颜色空间下,3个算法模型的拟合与泛化性能以HSV空间下最优,L~*a~*b~*空间下其次,RGB空间下表现最弱;其中,RF拟合能力最强,但方差主导了泛化误差,模型过拟合;SVR拟合能力弱于RF,优于MLR,但该模型泛化性能最优;MLR拟合能力最弱,且偏差主导了泛化误差,模型欠拟合且受噪声干扰。融合3个颜色空间9种基础颜色分量的多颜色空间,3个模型拟合与泛化性能相对单颜色空间均更优,其中RF模型最优。与最优单色空间HSV相比,RF在训练集上R~2提高2.67%,RMSE降低11.59%;测试集上R~2提高7.57%,RMSE降低11.49%。多颜色空间下RF较SVR拟合更优,且泛化性能有效提升,提升比例高于SVR。[结论]基于3种算法构建的LNC估算模型,在融合3个颜色空间的9个基础颜色分量多颜色空间下,RF拟合与泛化性能最优,可为估算冬小麦LNC提供方法参考。

作物叶片氮含量的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。该文以经济作物生姜为研究对象,获取了2015年4月-9月不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据,对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估算效果。在此基础上,基于波段组合算法,筛选出了生姜叶片氮含量的敏感波段,并构建了两个新型光谱指数NDSI_((754,713))和RSI_((754,713))。结果表明,所选择的植被指数中,MCARI(705,750)/OSAVI(705,750)对生姜叶片氮含量估算效果最好,模型精度R~2、RMSE和RE分别为0.73、0.27、11.64%;利用波段组合算法构建的归一化光谱指数NDSI(754,713)对生姜叶片氮含量估算效果要优于MCARI(705,750)/OSAVI(705,750),模型估算精度R~2达0.83,使用的敏感波段713 nm与754 nm均位于植被的"红边"区域。对所建模型进行验证,叶片氮含量的预测值和实测值具有较好的一致性,验证样本R~2为0.78,RMSE为0.20,RE为9.81%。上述分析结果可为农业管理部门及时掌握生姜长势信息、制定施肥策略提供技术支持。

【目的】本文研究了品种和割龄对橡胶树叶片氮含量高光谱估算的影响。【方法】基于不同品种和割龄类型的橡胶树叶片样本,采用Savitzky-Golay(SG)平滑方法和偏最小二乘法(PLS)构建了橡胶树叶片氮素含量高光谱估算模型。【结果】不同品种和割龄组合下模型的预测精度从优到劣依次为:既分品种又分割龄,只分割龄不分品种,只分品种不分割龄,不分品种和割龄。【结论】品种和割龄均会影响模型精度,尤其是割龄,不同的割龄分类方法预测结果差异较大,且割龄划分并非越细越好,将橡胶树割龄分为未开割、小于10割龄和10割龄以上

作物叶片氮含量的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。该文以经济作物生姜为研究对象,获取了2015年4月-9月不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据,对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估算效果。在此基础上,基于波段组合算法,筛选出了生姜叶片氮含量的敏感波段,并构建了两个新型光谱指数NDSI_((754,713))和RSI_((754,713))。结果表明,所选择的植被指数中,MCARI(705,750)/OSAV

【目的】建立芒果叶片水分含量高光谱指数模型，实现芒果叶片水分含量快速无损监测，为芒果田间水分管理、日灼病防控、产量提升提供参考依据。【方法】于广西右江河谷百色国家农业科技园区生态遥感试验站采用离体测量法，同步测定芒果叶片反射率（R_(λ)）、水分含量、干物质含量、叶绿素含量和类胡萝卜素含量等生化参数。基于实测数据集校正PROSPECT模型，并生成模拟数据库。从实测数据集（n=200）和模拟数据库（n=1000）中各自随机选取85%样本作为建模集（n=1020），建立最优芒果叶片水分含量估算高光谱指数模型，并利用剩余15%样本作为验证集对指数模型进行精度验证。【结果】以实测数据校正PROSPECT模型后，PROSPECT模型模拟精度整体提升。比较实测数据与模拟生化组分数据分布特征，得出模拟数据库中光谱数据与实测光谱数据分布相近。对芒果叶片水分光谱吸收波段进行分析，结果表明，1400和1900 nm波段附近出现水分强吸收波谷。对芒果叶片水分含量进行高光谱指数开发，发现二重差值指数[DDn(1255，25)]与叶片水分含量间的相关性最佳、均方根误差最小（相关系数为0.86，均方根误差为2.58×10~(-3) g/cm~(2)），因而[DDn(1255，25)]为芒果叶片水分含量最优高光谱指数。利用多项式拟合[DDn(1255，25)]与芒果叶片水分含量，结果表明，基于[DDn(1255，25)]的一次多项式回归模型的决定系数为0.73，F检验值为2757.18，在验证集中表现最优。【结论】[DDn(1255，25)]指数与芒果叶片水分含量的相关性最高，基于该指数建立的一次多项式回归模型能快速无损监测芒果叶片水分含量，可用于芒果叶片水分含量无损监测，服务芒果田间水分管理、日灼病防控等生产活动。

[目的]探讨锐齿栎叶片色素含量和光谱反射率之间的关系,确定无损、快速估算锐齿栎叶片色素含量的敏感反射光谱波段和光谱指数。[方法]在2个样地进行了2年的野外观测试验,于生长季内同步测定了锐齿栎叶片的光谱反射率和不同光合色素含量,分析了350 2 500 nm范围内光谱反射率和敏感光谱指数与叶片色素含量及比率之间的定量关系。[结果]锐齿栎叶片的光谱反射率随叶片色素含量呈明显的规律性变化,与Chl a、Chl b、Chl和Car的含量在可见光的绿光黄光及红边区域表现为显著或极显著的负相关性,与Car/Chl表现

为建立利用光谱技术快速诊断覆膜旱作水稻植株氮营养和产量的估算模型，应用高光谱技术分析了长江中下游覆膜旱作区水稻拔节期和抽穗期内５种不同施氮水平（０、６０、１２０、１８０和２４０ｋｇ／ｈｍ～２（Ｎ））下植株冠层光谱特征及其与植株氮素含量和产量的关系，并分别构建了植株含氮量和产量的估算模型。结果表明：拔节期和抽穗期内不同供氮水平下冠层光谱的变化规律基本一致，均随着供氮水平的增加，反射率在可见光区降低、在近红外区增大。覆膜旱作水稻植株氮含量与５５２和８９０Ｎｍ ２个敏感波段构成的比值（ＲＶＩ）和绿色归一化植被指数（ｇＮＤＶＩ）的关系最佳。构建的水稻关键生育期植株全氮含量及水稻产量的估算模型预测效果均．．．

粳稻氮素含量的快速、无损、准确反演,可以反映和诊断作物的氮营养状况,为施肥决策提供依据。基于田间试验采集的粳稻分蘖期无人机光谱影像数据与对应氮素含量数据,采用无信息变量消除法(uninformation variable elimination,UVE)筛选得到的特征波段光谱反射率两两组合构建NDVI、DSI、RVI、RDVI、TVI、NRVI、WDRVI、LogR指数变量,根据与粳稻叶片氮素含量的决定系数等势图挑选出9组不同的植被指数组合(8种植被指数的组合共1组,每一种植被指数的组合共8组)分别作为模型的输入量,构建极限学习机(extreme learning machine,ELM)、天牛须搜索算法优化极限学习机(tenniu shall optimize-extreme learning machine,BAS-ELM)粳稻冠层叶片氮素含量反演模型并验证分析。UVE算法较好地剔除了无用及冗余信息波段,得到266个光谱特征波段;在构建植被指数过程中,各指数与粳稻冠层叶片氮含量的决定系数R~2分布在0.7283～0.7580之间,构建的植被指数均与氮含量呈现显著相关关系。从预测结果来看,9组不同输入量建立的BAS-ELM反演建模效果均较好,训练集与验证集的R~2均在0.646以上,RMSE均低于0.564mg·g~(-1);其中以8种植被指数的组合为输入量建立的BAS-ELM预测效果最好,训练集与验证集的R~2分别为0.756和0.753,均方根误差(RMSE)分别为0.431mg·g(-1)和0.466mg·g~(-1),优于单一结构的植被指数组合;通过对比,BASELM在预测能力、稳定性和泛化性上比ELM的预测模型有明显提高。综上研究,基于无人机获取的分蘖期水稻冠层光谱数据,以依特征波段构建的多种植被指数的组合作为输入量结合BAS-ELM建模方法在快速无损反演粳稻叶片氮素含量中具有优势,可为粳稻精准施肥提供参考。

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R2)、根均方差(root mean square error,RMSE)、

【目的】本研究以叶片氮含量为切入点,探求糜子籽粒蛋白质含量的最佳光谱预测模型,为糜子优质生产的管理调控提供理论依据。【方法】结合2017年和2018年2年的氮肥运筹试验数据和光谱数据,通过"光谱特征信息—叶片氮含量—籽粒蛋白质含量"这一研究思路,以叶片氮含量为中间链接点将光谱模型和籽粒蛋白质含量链接,建立基于高光谱糜子籽粒蛋白质含量监测模型。【结果】利用支持向量机(SVM)构建的糜子全生育期叶片氮含量监测模型要优于逐步多元线性回归(SMLR)和偏最小二乘法(PLS),并且原始光谱反射率(R)的SVM模型效果优于一阶导数(1ST)模型,建模集和验证集的R2分别为0.928、0.924;RMSE相对较小,分别为0.19、0.12;RPD都大于2,分别为3.71、6.07。开花期、灌浆期和成熟期的叶片氮含量和籽粒蛋白质含量均达到极显著正相关,相关系数分别为0.48、0.66和0.73。灌浆期R-SVM模型能准确的监测糜子籽粒蛋白质含量,决定系数R2为0.798,均方根误差RMSE为0.14,预测残差RPD为1.65。【结论】建立基于灌浆期糜子籽粒蛋白质含量的高光谱R-SVM监测模型,有助于指导糜子优化田间管理、种植业结构调整和籽粒品质分级,为高光谱技术在糜子优质高产栽培和精准农业发展提供技术基础。

以 6个中晚熟水稻品种为材料 ,研究了不同时期叶片含氮量与分蘖发生、穗粒形成及产量的关系。结果表明 ,分蘖发生率随出生时叶片含氮量提高而提高 ,分蘖发生与终止的临界叶片含氮量随分蘖出生期推迟而逐步提高 ;穗颖花数主要受倒 2叶期、倒 1叶期叶片氮状况影响 ,结实率与抽穗期叶片氮状况有关 ,穗颖花数和结实率最高时叶片含氮量粳稻为 2 7～ 2 8g·kg-1,籼稻为 2 5g·kg-1左右。试验发现 ,N -n叶龄期、倒 2叶期和抽穗期主茎顶 4叶叶色接近或略深于顶 3叶为不同品种高产的共同特征 ,并提出了高产水稻适宜的叶片含氮量指标