【目的】光合作用是农作物产量和品质形成的基础,农作物光合参数的准确定量遥感反演不仅能够了解农作物的生长发育和有机物累积状况,还能为基于遥感的生态系统过程模型提供参考。为快速准确的估算光合特征参量,本研究综合原始光谱、3种传统光谱变换技术和4种模拟方法构建冬小麦3种光合参数的高光谱反演模型,探讨高光谱反演冬小麦光合参数的可行性,对比不同类别光谱和模拟方法的适用性。【方法】本研究基于氮肥施用条件冬小麦气体交换和高光谱田间试验,获取不同叶位叶片的最大净光合速率(Amax)、PSⅡ有效光化学量子产量(Fv′/Fm′)、光化学猝灭系数(qP)和高光谱反射率,并对原始高光谱进行倒数、对数和一阶微分变换。根据3种光合参数和4种光谱的相关性分析结果,筛选显著性水平优于0.01的波段作为输入变量,采用偏最小二乘(PLS)、支持向量机(SVM)、多元线性回归(MLR)和人工神经网络(ANN)等方法建立冬小麦叶片光合参量反演模型,以建模和验证的决定系数(R~2)和均方根误差(RMSE)为依据,对不同模型的模拟精度进行比较分析。【结果】(1)3种光合参数和4种光谱的相关性分析结果表明,原始、倒数和对数光谱对3种光合参数(Amax、Fv′/Fm′和qP)的敏感谱区均集中在400—750 nm波谱区间,一阶导数光谱对3个光合参数的敏感谱区为470—560、630—700和700—770 nm波谱区间。(2)Amax、Fv′/Fm′和qP的最优反演模型组合分别为基于倒数光谱的MLR模型、基于一阶导数光谱的MLR模型和基于原始光谱的MLR模型。模型的建模R2分别为0.75、0.65和0.65,验证R2分别为0.73、0.59和0.44,表明基于高光谱模拟Amax和Fv′/Fm′切实可行,模拟qP的有效性需要进一步验证。(3)不同变换的光谱表现能力不同,以PLS模拟Amax为例,光谱的表现能力顺序为原始光谱>倒数光谱>对数光谱>一阶导数光谱。(4)不同模型的估算能力也存在明显差异,以基于原始光谱的Amax模拟为例,不同模型的估算能力顺序为MLR>PLS>ANN>SVM。【结论】通过对比分析4种光谱和4种模拟方法对3种冬小麦光合参数的高光谱反演结果发现,Amax和Fv′/Fm′可以很好通过高光谱进行模拟,而高光谱对qP解释能力偏低,有待进一步研究。高光谱信息对冬小麦光合参量具有较强的敏感性,同时受光谱类型和模拟方法的影响,可以用来监测冬小麦光合能力的动态变化,为把握农作物生长状况提供依据。

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。

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

叶绿素(SPAD)是重要的植被生物参量。针对传统的SPAD监测方法效率低的问题,该研究探讨了利用高光谱遥感技术构建SPAD估算模型,实现大范围的冬小麦叶绿素快速无损检测和预测。首先,选取我国江汉平原的湖北省潜江市后湖管理区和黄淮海平原的山东省济南市长清区作为研究区域,分别采集冬小麦生育期的冠层反射光谱和倒二叶片SPAD数据。方差分析发现,两个地区冬小麦SPAD在各生育期存在显著差异。之后,选取和计算RVI、DVI、NDVI和GRVI四种植被指数,利用回归模型建立了不同地区的冬小麦叶片SPAD测算模型。模型精度检验表明,NDVI估算模型对两个样区的冬小麦叶片SPAD的总体估算效果较好,满足精度要...

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。

通过人工田间诱发不同等级小麦条锈病,在不同生育期测定染病冬小麦冠层光谱及其病情指数(DI)。把冠层光谱一阶微分数据与相应的DI进行相关分析,采用单变量线性和非线性回归技术,建立小麦DI的估测模型,并利用不同品种小麦样本对模型精度进行可靠性检验。结果表明:DI与一阶微分在432~582 nm、637~701 nm以及715~765 nm区域内有极显著相关性,以红边峰值区(725~735 nm)一阶微分总和与绿边峰值区(521~530 nm)一阶微分总和的比值为变量的线性模型估测DI精度最高,且其对小麦品种相对不敏感。上述研究结果对利用高光谱遥感监测农作物病害及其严重程度都具有实际应用价值。

为提高高光谱植被指数对棉花叶绿素含量的估算精度,以陕西省关中地区棉花花铃期叶片高光谱反射率为数据源,分析了13种植被指数与棉花叶片叶绿素相对含量(SPAD)的相关关系;同时采用降精细采样法,详细分析4002 000nm波段范围内原始光谱反射率的任意两两波段组合而成的优化光谱指数RSI与SPAD值的定量关系,构建线性及非线性回归监测模型,并对模型进行验证。结果表明:1)所提取的13种植被指数中NIR/NIR与SPAD值的相关系数最大(r=0.914),并且基于NIR/NIR(R780/R740)构建的回归方

采用便携式光谱分析仪UniSpec-SC对毛竹叶片的光谱特性与光合色素含量进行相关分析和回归分析,建立了毛竹叶片光合色素含量与绿峰位置、红边波段和红边位置之间的定量分析模型,并对模型的稳定性和预测能力进行了检验。结果表明:叶绿素a、叶绿素b、总叶绿素和类胡萝卜素的最佳光谱估算模型均为以红边波段光谱反射率为自变量的指数函数模型,该模型对毛竹幼叶、1龄成熟叶、2龄成熟叶各参数的预测有很好的拟合度和精度,同时也适用于雷竹和乌哺鸡等刚竹属同类竹种的光合色素估算。

【目的】碳氮代谢反映植株生理状况和生长活力,是小麦籽粒产量与品质形成的生理基础,因而叶片糖氮比的实时无损监测对小麦生长诊断和氮素管理具有重要意义。本研究的主要目的是通过分析小麦叶片糖氮比与冠层高光谱参数的定量关系,确立小麦叶片糖氮比的定量监测模型。【方法】采用不同蛋白质含量的小麦品种在不同施氮水平下进行了连续3年大田试验,于小麦不同生育期采集田间冠层高光谱数据并测定叶片糖氮比值,进而分析建立冠层高光谱参数与叶片糖氮比的回归模型。【结果】小麦叶片糖氮比随施氮水平的提高而下降,随生育进程呈"高-低-高"动态变化模式。利用高光谱对叶片糖氮比进行监测的适宜时期为拔节期至灌浆中期,其中开花期最好。水分特...

【目的】研究猕猴桃叶片叶绿素含量的高光谱估算方法,为猕猴桃长势的遥感监测提供理论依据。【方法】以陕西杨凌蒋家寨村2018年不同生育期(初花期、幼果期、膨果期、壮果期、果实成熟期)的猕猴桃叶片为研究对象,分别测定其高光谱反射率和叶绿素含量(SPAD值),分析原始光谱和5个常见的植被指数(归一化植被指数、归一化叶绿素指数、改进的叶绿素吸收反射率指数、MERIS地面叶绿素指数、土壤调整指数)与叶绿素含量之间的相关关系,提取各生育期的特征波段,分别建立基于特征波段和植被指数的单波段叶绿素含量一元线性估算模型。利用主成分分析对原始光谱数据进行降维,将得到的主成分得分作为随机森林模型的输入变量,建立基于多波段信息的叶绿素含量多元估算模型,并对模型进行精度验证和分析。【结果】不同生育期猕猴桃叶片光谱反射率变化趋势基本一致,整体趋势为可见光波段反射率低,近红外波段反射率高;在可见光波段,光谱反射率随着叶绿素含量的升高而降低;在近红外波段,光谱反射率则随着叶绿素含量的增加而升高。通过相关性分析可知,初花期、幼果期、膨果期、壮果期、果实成熟期原始光谱的特征波段分别为729,548,707,707和712 nm,估算模型决定系数(R~2)分别为0.18,0.85,0.54,0.85和0.82,其中初花期估算模型未通过显著性检验,其余生育期均通过极显著性检验。在5个常用植被指数中,初花期与叶绿素含量相关性最高的是归一化叶绿素指数(NPCI),但是估算模型决定系数R~2只有0.1,未通过显著性检验;其他生育期与叶绿素含量相关性最高的是MERIS地面叶绿素指数(MTCI),所建立的估算模型拟合效果好,预测精度高。基于主成分分析和随机森林回归建立的不同生育期猕猴桃叶片叶绿素含量估算模型的R~2在0.91～0.98,均通过极显著性检验,其拟合效果和预测精度远高于单波段一元线性回归和基于植被指数的一元线性回归模型,是估算猕猴桃叶片叶绿素含量的最优模型。【结论】基于主成分分析的随机森林模型包含了更完整的波段信息,对不同生育期猕猴桃叶片叶绿素含量具有较好的预测能力。

【目的】利用2种灌溉处理下不同发育阶段的冬小麦冠层高光谱信息,通过机器学习方法对小麦籽粒产量进行估测精度研究,明确产量最佳估测模型,对于育种工作有着重要应用价值。【方法】以黄淮麦区207个主栽小麦品种为材料,于2018—2019和2019—2020年度连续2个生长季在河南省新乡基地的正常灌溉和节水处理下种植,并调查开花期、灌浆前期和灌浆中期的冠层高光谱数据,分别以6种机器学习方法和集成方法建立光谱指数产量估测模型。【结果】2种灌溉处理下,3个生育期各光谱指数均与产量呈极显著相关(P

分别采用光谱指数法和偏最小二乘法(PLS)构建了橡胶树叶片氮素含量高光谱估算模型。结果表明,光谱指数模型中,基于NDSI(R1025,R736)建立的二次多项式模型最佳,调整R2达到0.792。基于不同Savitzky-Golay(SG)平滑模式预处理结果建立的PLS模型,估算精度差异明显,最优的SG平滑模式为零阶导数、53点平滑点数、二次多项式。利用测试集对光谱指数模型和PLS模型进行验证,结果显示,均方根误差RMSE分别为1.772和1.432 g/kg,相对分析误差RPD分别为2.598和3.215,平均相对误差ARE分别为5.189%和4.057%,PLS模型具有较高的估算精度。

【目的】文章尝试建立橡胶树叶片钾素含量高光谱估算模型。【方法】基于涵盖2个品种和6个割龄的橡胶树叶片钾素含量和光谱反射率,分别采用偏最小二乘法(PLS)和偏最小二乘-支持向量机(PLS-SVM)构建了橡胶树叶片钾素含量高光谱估算模型。采用多元散射校正(MSC)、标准正态变换(SNV)、SG平滑(SG)、一阶导数(FD)和二阶导数(SD)等预处理方法或方法组合对叶片原始光谱反射率进行预处理,通过筛选得到最佳预处理模式为SNV+SG+FD的组合方法,其中,SG平滑点数为7,多项式次数为1或2。【结果】利用验证集对PLS模型和PLS-SVM模型进行验证,结果显示,决定系数R~2分别为0.843和0.868,均方根误差RMSE分别为1.331和1.162 g/kg,相对分析误差RPD分别为2.414和2.764。【结论】2种模型均具有良好的估算效果,PLS-SVM模型具有更高的估算精度。

［目的］为实现杨树叶片水分高光谱信息进行快速、准确估算，［方法］将实测杨树叶片等效水厚度作为水分含量表征量，并测定叶片高光谱数据，同时，利用辐射传输模型模拟不同等效水厚度条件下的叶片尺度和冠层尺度的高光谱反射数据，通过分析常用水分植被指数对等效水厚度的敏感性，利用植被指数比值的方法构建新等效水厚度植被指数（ＧＶＭＩ／ＭＳＩ）。通过ＧＶＭＩ／ＭＳＩ、全球植被水分指数（ＧＶＭＩ）、水分胁迫指数（ＭＳＩ）分别对杨树叶片尺度和冠层尺度等效水厚度估算精度进行比较分析。［结果］表明：ＧＶＭＩ指数、ＭＳＩ指数以及新建ＧＶＭＩ／ＭＳＩ指数的叶片尺度杨树叶片等效水厚度估算模型的精度Ｒ２分别为０．９９７、０．９９．．．

针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX’93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较。结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R~2和最优验证样本R_V~2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R~2和最优验证样本R_V~2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模R_V~2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高。研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法。