【目的】研究西北地区不同生育时期油菜叶片SPAD值与多种光谱参数之间的关系,并建立估测模型。【方法】以陕西省乾县齐南村施肥程度一致的大田种植的油菜为试验材料,分别在苗期、现蕾抽苔期和开花期测定叶片的光谱反射率和SPAD值,得到不同波段组合的光谱指数,计算其与SPAD值之间的相关性系数,并拟合以各种光谱指数预测SPAD值的模型,以均方根误差(RMSE)和相对误差(RE)作为模型的评价和检验指标。【结果】苗期SDr/SDy与叶片SPAD值相关性最高,为0.79,构造的最佳预测模型决定系数为0.67;现蕾抽苔期

【目的】基于叶片反射光谱建立快速、无损监测水稻氮营养指数(nitrogen nutrition index,NNI)的估算模型。【方法】2018—2019年开展2个水稻品种(徽两优898和Y两优900)及5个氮肥梯度(施氮量为0、75、150、225和300 kg·hm~(-2),分别记为N_0、N_1、N_2、N_3、N_4)的田间小区试验,测定关键生育期不同叶位叶片反射光谱和植株NNI,构建多种光谱指数的水稻NNI监测模型。【结果】单叶及叶位组合的敏感波段均分布在540 nm的绿光波长处,其与近红外波段构成的窄波段比值指数SR(R_(900),R_(540))可较好反演水稻NNI。但不同叶位叶片窄波段比值指数与水稻NNI的预测精度表现不同,顶3叶(L_3)预测精度最好(R~2=0.731,RMSE=0.130,RE=11.6%),顶2叶(L_2)次之(R~2=0.707,RMSE=0.136,RE=12.2%),顶1叶(L_1)最差(R~2=0.443,RMSE=0.187,RE=14.7%);顶2叶和顶3叶组合平均光谱(L_(23))的预测精度优于单叶水平和其他叶位组合(R~2=0.740,RMSE=0.128,RE=11.5%)。再将窄波段比值指数SR(R_(900),R_(540))近红外与绿光区域分别重采样50 nm和10 nm,所构建的宽波段比值指数SR[AR_((900±50)),AR_((540±10))]模型精度较SR(R_(900),R_(540))未明显降低,且在L_(23)水平下2个模型的模型精度和预测精度基本一致(R~2=0.740,RMSE=0.128,RE=11.5%)。水稻NNI小于1时与产量呈线性的正相关关系(P<0.05),大于1时产量趋于平稳。【结论】L_2和L_3叶片反射光谱为监测水稻NNI的敏感叶位,其中叶位组合L_(23)可提高模型预测精度。基于叶片反射光谱构建的多种波段比值指数(SR(R_(900),R_(540))和SR[AR_((900±50)),AR_((540±10))])可快速估测水稻NNI,从而为不同传感器对水稻氮营养指数估测监测研究提供了理论依据。

以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R

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...

利用光谱仪（ＳＶＣ ＨＲ－７６８）对树龄２２年的库尔勒香梨叶片进行光谱反射率测定，采集并分析叶片全氮含量。采用逐步回归法分析库尔勒香梨叶片全氮含量与叶片原始光谱反射率、一阶微分光谱反射率的相关性，并建立叶片全氮含量估测模型。结果表明：不同生育期库尔勒香梨叶片光谱的敏感波段和敏感波长均有差异，依据敏感波长建立库尔勒香梨叶片全氮含量估测模型，并对其进行检验。确定基于光谱一阶微分模型Ｙ＝５０．５３５Ｘ７０３－４０．５８６可作为坐果期库尔勒香梨叶片全氮含量的最佳估测模型；基于原始光谱模型Ｙ＝０．８５６Ｘ７６９－２９．２３３可作为膨大期库尔勒香梨叶片全氮含量的最佳估测模型；基于原始光谱模型Ｙ＝０．７２８．．．

【目的】传统植被生化组分化学分析法具有破坏性且耗费较多人力物力等缺点，高光谱技术可以为快速无损地估测植被生化组分含量提供有效手段。【方法】利用LOPEX’93数据集，对原始光谱进行了4种光谱变换（一阶微分DR、取倒数1/R、取对数log R、倒数的对数log(1/R)），提取了“三边”参数、光谱指数、全波段光谱指数，并分析它们与叶绿素含量（C＿ab）、干物质含量（LMA）、等效水厚度（EWT）的相关性，将提取的相关性高的光谱特征作为输入变量，分别采用偏最小二乘回归（PLSR）、支持向量机（SVM）、随机森林（RF）建立模型并进行预测，以模型的决定系数R~2和均方根误差RMSE作为判定模型优劣的指标。【结果】4种光谱变换中最有效的方式是一阶微分，其中，一阶微分波段D_(742)、D_(535)对C＿ab有较强的光谱响应；D_(1700)、D_(1229)、D_(2192)对LMA具有较高的响应；D_(1145)、D_(1302)、D_(955)对EWT具有较高的响应。“三边”参数虽然在一定程度上提高了与叶绿素的相关性，但是相关性不如一阶微分光谱与光谱指数。在光谱指数的分析方法中，对C＿ab响应较高的光谱指数有DD、NDVI_(842)，对LMA和EWT具有较高响应的光谱指数有ND_(LMA)、NDMI和Ratio975、Ratio1200。构建的4种全波段光谱指数中，RI、DI、NDVI、TVI与C＿ab相关性分别是0.64、0.66、0.64、0.67，与传统光谱指数相比相关性得到明显的增强。将以上关于C＿ab、LMA、EWT的光谱特征分别参与建模并估测，最佳估测模型分别为SVM、PLSR、RF,R~2分别为0.73、0.75、0.93,RMSE分别为9.62、0.001 274、0.000 971。【结论】一阶微分变换及全波段光谱指数可以提高光谱对生化组分的响应能力，构建的SVM、PLSR、RF模型总体上可以实现对植被叶片C＿ab、LMA、EWT的估测，为高光谱数据精细化反演植被生化组分提供了参考。

为提高棉花叶片各生育时期氮素估测模型的准确性和普适性,以2019年不同施氮水平(0,75,150,300kg·hm~(-2))的棉花叶片为研究对象,利用高光谱成像仪获取棉花叶片苗期、蕾期、初花期、盛花期和结铃期光谱反射特征,对原始光谱进行卷积平滑(SG)处理,并在此基础上进行多元散射校正(SG-MSC)、标准正交变换和去趋势算法联合应用(SG-SNV-Detrending)、区域归一化(Area-normalize)、倒数二阶微分(1/SG)"和对数二阶微分[lg(SG)]"5种预处理,基于连续投影算法(successive projections algorithm,SPA)选取原始光谱和不同预处理的氮素特征波段,构建偏最小二乘回归(partial least squares regression,PLSR)和主成分回归(principal components regression,PCR)氮素估测模型,并对模型进行年际间的精度检验。结果表明:基于SPA筛选的氮素含量特征波段减少共线性和冗余信息,原始光谱反射特征经不同预处理,相关性均得到提高,5种预处理以(1/SG)"变换最优,最大相关系数出现在1114nm处,为0.522;基于PLSR和PCR构建的氮素特征波段估测模型精度均高于全波段估测模型,且PLSR方法对棉花叶片氮素含量的估算精度优于PCR方法。棉花不同生育时期光谱氮素估测精度存在差异,盛花期的(1/SG)"光谱变换的精度最高,R_p~2为0.967,RMSE_p为1.222,RPD为4.590,全生育期为SG-MSC光谱变换估算精度最高,R_p~2为0.895,RMSE_p为2.148,RPD为4.344。利用2020年棉花样本数据验证模型精度,其中盛花期的模型精度和稳定性最好,R~2高达0.783,RMSE为0.035,苗期的模型精度最低,R~2仅为0.541,RMSE为0.057。因此,对地物原始光谱反射率进行数据变换和提取特征波段是提高棉花叶片氮素含量估测模型精度的有效方式。

[目的]以福建省顺昌县大干镇的毛竹为研究对象,研究毛竹叶片氮元素含量的最优估测模型,为毛竹生长状态分析与林地土壤肥力估测提供基础。[方法]通过对毛竹叶片原始光谱、一阶微分光谱及相关的植被指数与叶片氮元素含量进行相关性分析来筛选氮元素敏感特征参数,并构建了多元线性回归模型、随机森林模型以及支持向量机模型,利用决定系数最优原则筛选3个模型中的最优模型并进行精度验证。[结果]R_(387)、DR_(663)、NDVIg-b(R_(575)、R_(440))、SIPI、PRI和PPR 6个参数与毛竹叶片氮含量具有较为显著的相关性,基于这6个敏感参数所构建的3种模型中,多元线性回归模型与随机森林模型拟合效果较差,精度验证结果R~2分别为0.435 5、0.437 1,惩罚因子C和核参数Sigma分别设为3和0.1的支持向量机模型估测结果最好,其实测值与预测值拟合决定系数为0.803 1,总体精度为94.02%。[结论]基于R_(387)、DR_(663)、NDVIg-b(R_(575)、R_(440))、SIPI、PRI和PPR6个叶片光谱参数所构建的支持向量机模型能够较为准确地估测毛竹叶片氮元素含量。

【目的】探究玉米叶片ＳＰＡＤ值与其高光谱特征之间的品种差异，构建不同玉米品种叶片ＳＰＡＤ值估测模型，并对模型应用范围进行验证。【方法】通过大田试验，测定多个玉米品种叶片的ＳＰＡＤ值及其高光谱数据，利用相关分析及逐步回归分析等方法，构建和筛选玉米叶片ＳＰＡＤ值与相关光谱参数的回归模型，并利用偏差率对模型精度进行检验。【结果】不同玉米品种叶片的ＳＰＡＤ值与其高光谱反射率及一阶导数的相关波段存在差异，但品种间差异较小，关系最密切的波段均处于５６０和７００ｎｍ附近。对不同玉米品种的光谱反射率一阶导数进行比较时，出现＂红移＂现象，＂红移＂规律与各品种叶片ＳＰＡＤ值大小表现一致；叶片ＳＰＡＤ值与光谱反射率．．．

以陕西省扶风县马席村、巨良农场和杨凌区揉谷乡种植的大田玉米为试验材料,分别测定玉米抽雄期、灌浆期和乳熟期的冠层光谱反射率和叶片叶绿素含量,分析冠层各光谱植被指数与叶片叶绿素含量之间的相关关系,建立玉米叶绿素含量估测模型。结果表明,以单变量光谱植被指数估算叶绿素含量,抽雄期的最佳模型由修正叶绿素吸收反射率指数(Modified chlorophyll absorption reflectivity index,MCARI)建立,灌浆期最佳模型由垂直植被指数(Perpendicular vegetation index,PVI)建立,乳熟期最佳模型由植被衰老反射率指数(Plant senescen...

为更好地指导矿区进行受损土地的微生物复垦,减少传统监测方法对植物的损害,需要运用快速有效的方法来监测菌根作用下植物的生长状况。对不同生长期的大豆叶片光谱、叶绿素含量、菌根侵染率和菌丝密度测定分析,结果表明:各生长期接菌组叶绿素含量均高于同期对照,其叶绿素含量与侵染率间具有显著正相关性,且叶片光谱反射率在550nm处显著低于对照组。同时根据叶片光谱可见光区域叶绿素敏感波段选择植被指数,然后建立以植被指数为变量的线性模型反演叶绿素含量,结果发现植被指数MCARI反演叶绿素含量的精度及稳定性(R2=0.67)都优于其他指数,其线性模型反演绝对误差为2.504,相对误差为6.57%。该研究结果说明高光...

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。

采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。

【目的】探讨采用光谱分析手段估测果树N、P、K营养元素含量的精度及应用潜力。【方法】首先,对果树鲜叶的光谱反射率(Rλ)以及叶片全氮(TN)、全磷(TP)、全钾(TK)含量进行测定,并对各种元素含量与Rλ及其多种变式数据(1/Rλl、g(1/Rλ)、d1Rλ、d2Rλ、d1[lg(1/Rλ)]、d2[lg(1/Rλ)]l、g(1/BNC)、f′(Rλ)、Dn)的相关性进行分析,找出与每种元素含量相关性最强的光谱数据形式;其次,采用逐步回归法,对每种元素含量和与其相关性最强的光谱数据形式进行回归分析,得到入选波长;最后,利用入选的波长,进行基于最小误差平方和的偏最小二乘回归建模。【结果】叶片TN...

【目的】探试利用光谱分析手段估测果树微量元素含量的精度与应用潜力。【方法】首先对果树鲜叶的光谱反射率(Rλ)以及叶片铁(Fe)、锰(Mn)、铜(Cu)、锌(Zn)4种元素含量进行测定,并分别对各种元素含量与Rλ及其多种变式数据(1/Rλl、g(1/Rλ)、d1Rλ、d2Rλ、d1[lg(1/Rλ)]、d2[lg(1/Rλ)]l、g(1/BNC)、f′(Rλ)、Dn)的相关性进行了分析,找出了与每种元素含量相关性最强的光谱数据形式。最后采用逐步回归法,分别对每种元素含量及与其相关性最强的光谱变式数据进行了回归分析,得到了入选波长,并利用入选的波长Rλ进行了基于最小误差平方和的偏最小二乘回归建模。...