粳稻氮素含量的快速、无损、准确估算,可以及时掌握粳稻的生长状况,对指导粳稻田间管理具有重要意义。为提高粳稻冠层氮素含量的高光谱反演精度,利用沈阳农业大学路南试验基地2018年粳稻3个关键生育期无人机高光谱影像和同步测定的粳稻冠层氮素含量作为数据源,选用从粳稻冠层光谱中提取的高光谱位置变量、面积变量和植被指数变量3种类型20个光谱特征参数与氮素含量进行相关性分析,选出各个生育期内相关性较高的前3个光谱特征参数作为模型输入分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)和思维进化算法优化BP神经网络(MEA-BPNN)3种粳稻冠层氮素含量反演模型并验证。结果表明:在粳稻分蘖期、拔节期、抽穗期,与粳稻氮素含量相关性最好的高光谱特征参数均为红边面积SDr,相关系数分别为0.771,0.664,0.775;MEA-BPNN反演模型与PLSR、BPNN相比,无论在模型精度还是预测能力都有明显提高,在各个生育期,MEA-BPNN模型的建模集和验证集决定系数R~2均达到0.700以上,RMSE均低于0.400以下,说明MEA-BPNN反演模型是筛选出的最佳粳稻冠层氮素含量反演模型。综上研究,该模型能够快速无损反演粳稻冠层氮素含量,可为后续施肥决策提供支持。

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。

高光谱遥感技术为水稻叶片叶绿素含量的高通量、无损、准确监测提供了有效途径,然而高光谱数据的降维或特征光谱参数的选择是叶绿素含量有效反演的关键环节。利用2017年辽宁省盘锦市大洼水稻氮高效品种筛选试验基地的水稻叶片叶绿素含量与叶片高光谱数据,探讨了高光谱数据的降维方法与叶绿素含量的反演建模。首先应用最优子集选择算法(best subset selection)对工程常用的水稻叶绿素反演特征光谱指数进行优选,筛选出最优组合,作为叶绿素多元回归模型的输入特征;同时应用没有在光谱领域得到有效应用的基函数展开算法,利用Gram-Schmidt正交变换寻找叶片高光谱数据的基函数空间,再将高光谱数据投影到基函数空间从而实现降维,最后利用降维后的数据进行多元回归建模,反演叶绿素。结果表明:最优子集选择算法优选出的mNDVI(445,705,750)、NDVI(705,750)、PSRI(500,680,750)、RD(505,705)、RI1dB(720,735)、MCARI(550,670,700)、PPR(450,550)共7个特征指数组合,回归模型反演精度最高,决定性系数R2为0.844,均方根误差RMSE为0.926;基于基函数展开算法对400～1000nm波段范围601维高光谱数据降至13维,叶绿素反演回归模型的决定性系数R2达到0.861,均方根误差RMSE为0.906。说明基于基函数展开的高光谱降维与叶绿素含量估测方法效果较好,可为水稻叶绿素含量估测与长势诊断提供技术支持。

【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性，建立叶绿素含量估算模型。【方法】２０１４年，以鲁棉研２８号为研究对象，测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及３５０～２ ５００ｎｍ光谱反射率，以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源，在分析叶绿素含量与原始高光谱反射率（Ｒ）、一阶导数光谱反射率（ＤＲ）、光谱提取变量和植被指数相关性的基础上，采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型，并对从中筛选的６种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】１）棉花冠层叶片叶绿素含量在反射光谱７６６ｎｍ处相关系数达到最大值，相关系数Ｒ＝０．８３６；对于一阶导数．．．

【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测，旨在为叶绿素含量快速准确估测提供参考。【方法】利用ＡＳＤ便携式野外光谱仪和ＳＰＡＤ－５０２叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量，并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析，建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型，并进行检验，从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦（抽穗期）叶绿素含量估算模型拟合精度优于其他４种估算模型，决定系数Ｒ２分别为０．８４７和０．５７２，均方．．．

【目的】建立苹果冠层叶绿素含量及冠层光谱特征参量间的定量关系模型,以促进高光谱技术在苹果树精准施肥以及快速、无损长势监测中的应用。【方法】以蒙阴县果园的苹果树为试验材料,连续2年分别测定了苹果冠层光谱反射率和冠层叶绿素(Chl(a+b))含量,分析了冠层叶绿素含量与光谱反射率之间的相关关系,并计算了400—1 000 nm任意两波段组合而成的RVI、DVI、NDVI和RDVI,分析了它们与冠层叶绿素含量的关系,以逐步回归分析做比较,建立了苹果冠层叶绿素含量监测模型。【结果】结果表明,以单变量估算叶绿素含量的最佳光谱指数为NDVI(975,742),相关系数为0.5093。利用多元逐步回归建立的...

【目的】分析苹果叶片的高光谱特征,探索建立苹果叶片色素含量的高光谱监测模型,以促进高光谱技术在苹果长势监测中的应用。【方法】通过方差分析方法,分析苹果春梢和秋梢停止生长两个时期功能叶片的不同部位、不同含水率、不同品种的高光谱特征。利用相关分析方法,研究高光谱参数与叶片色素含量间的关系,并建立基于光谱参数的叶片色素含量监测模型。【结果】在760—1300nm的近红外波段,叶片光谱反射率后部低、前部高、中部居于二者之间;随着叶片含水率降低,光谱反射率逐渐增大;不同品种的叶片,光谱反射率差异显著。光谱参数R800/R550、红边面积Sr和绿峰反射率Rg与叶片色素含量之间有较好的相关性,并分别建立了色...

【目的】以高光谱技术实现小麦含水量信息的快速、无损与准确获取,为小麦灌溉的精确管理提供科学依据。【方法】利用水氮胁迫试验条件下小麦主要生长期的导数光谱构建了16种新指数,将其与NDII、WBI以及NDWI等常用指数进行比较分析,筛选小麦叶片含水量反演最佳光谱指数,并利用其建立反演模型进行小麦含水量的遥感填图。【结果】在各指数中,FD730-955对小麦冠层叶片含水量的估测结果最佳,其估测模型(对数形式)校正决定系数(C-R2)与检验决定系数(V-R2)分别达0.749与0.742,优于NDII等常用指数;FD730-955所建模型对32个未知样的预测结果与实测值相似度较高,其回归拟合模型R2达...

为研究基于高光谱优化NDVI值在反演喇叭口期玉米叶片氮含量的可行性,使用Fiedspec3.0光谱仪和Greenseeker分别对不同施氮量下玉米叶片的光谱反射率和NDVI进行了测定,并对NDVI值进行了提取和优化,建立玉米叶片氮含量优化NDVI反演模型,对其反演精度进行验证。结果显示:优化NDVI值与NDVI测定值、玉米叶片氮含量均呈显著正相关(r=0.913 2,0.949 8),优化NDVI值对玉米叶片氮含量反演精度达到显著水平(r=0.908 1),反演精度高于NDVI测定值。优化NDVI值能通过群体的速测来决策玉米叶片的氮含量,为玉米进行氮营养诊断提供新的技术支持,具有重要的现实意义...

【目的】本研究探索了油菜在不同硼用量下反射光谱与叶绿素含量之间的关系,旨在为油菜品质育种提供参考。【方法】以甘蓝型油菜早熟品种420为对象,分别于蕾薹期、花期和成熟期,利用高光谱技术,测定不同硼肥条件下冠层反射高光谱,同时测定叶绿素a,b的含量以研究光谱与两者之间的关系。【结果】在3种硼肥条件下,光谱参数及光谱一阶微分与叶绿素含量之间均表现出极显著相关关系,利用SPSS 22.0拟合两特征光谱得到的多元回归函数亦达到极显著水平,且R2均在0.8以上。此外,0.5倍硼肥条件下叶绿素a,b的3种植被指数与3边幅值均达到极显著水平;正常硼肥条件下的3种植被指数和3边幅值均达到显著水平以上;而1.5倍硼肥条件下,除叶绿素a与光谱一阶微分的比值和归一化植被指数未达显著水平之外,其他均达到显著水平以上。【结论】本研究具有较好的预测精度,可为油菜品质育种研究与区域尺度油菜生长的快速、无损遥感监测提供参考。

[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"三边"参数以及由350～1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"三边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R’751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。

研究了不同氮肥水平下多时相水稻冠层光谱反射特征及其与叶片含氮量等参数的关系。结果表明 ,水稻冠层光谱反射率与叶片氮积累量 (单位土地面积上叶片的氮素总量 )显著相关 ,尤其是近红外与绿光波段的比值(R810 /R560 )与叶片氮积累量 (LNA)呈显著线性关系 ,不受氮肥水平和生育时期的影响 ,回归方程为LNA =0 .85 9R810 /R560 - 1.15 96。利用不同粳稻品种、播期、密度、水分和氮肥处理的数据对方程进行了较充分的检验 ,表明模拟值与实测值之间符合度较高 ,估算精度为 91.2 2 %,估计的RMSE为 1.0 9,平均相对误差为 0 .0 2 6。

【目的】从夏玉米叶片一阶导数光谱中提取监测叶片氮素含量变化的敏感红边面积,为夏玉米氮素营养遥感监测提供依据。【方法】使用高光谱仪ASD Field Spec Pro,于喇叭口期(08-05)、抽雄期(08-22)、吐丝期(09-05)和乳熟期(09-13)采集不同氮素处理水平下(0,120,240 kg/hm2)的夏玉米叶片光谱,并在红边波长范围(680~760nm)求取一阶导数(一阶导数光谱),然后采用基于小波变换的阈值去噪方法对一阶导数光谱进行去噪处理;考察夏玉米4个生育时期内一阶导数光谱对不同氮素处理水平的响应特征,以及当波长范围从红边核心区域720~740 nm逐步扩展到700~760...

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。

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。