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】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

【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】铁元素含量是植物生长发育过程中所需的重要微量元素之一,实时动态估测香梨铁元素含量对指导香梨科学施肥具有重要意义。【方法】利用ASD FieldSpec 4光谱仪测定不同时期的香梨叶片光谱反射率,研究香梨叶片光谱反射率、一阶微分、比值SR、归一化ND、差值SD与铁元素含量的相关关系,筛选敏感波段参量,构建香梨叶片铁元素含量的回归估测模型。【结果】6月SR组合、7月ND组合、8月SR组合、9月SD组合的模型拟合度分别为0. 764、0. 551、0. 679、0. 656。检验结果显示不同时期两两波段光谱组合构建的估测模型拟合度较高。【结论】光谱参数组合可以有效的估测香梨叶片铁元素含量,在果树叶片铁元素营养诊断方面有重要的实践意义。

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

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

【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。

采用ASD Fieldspec光谱仪测定不同土壤水分条件下枫杨叶片高光谱反射率,并给出对应的枫杨叶绿素含量。研究不同土壤水分条件下枫杨幼苗叶片叶绿素含量的变化规律;综合分析9个常见光谱植被指数与枫杨叶片叶绿素含量的相关性与回归方程,利用主成分分析对光谱数据进行降维,将得到的主成分得分作为BP人工神经网络模型的输入变量进行枫杨叶片叶绿素含量的估算。结果表明:不同水分处理均显著影响枫杨幼苗叶绿素含量。在所列举的9个常用植被指数中,VOG1植被指数与叶绿素含量的关系最密切,相关系数R达到0.865。用主成分分析-BP神经网络模型进行叶绿素含量的估算,预测值与实测值之间的线性回归的相关系数R=0.93...

为提高枣树种植过程中施用氮肥的精准性，本研究以南疆重要经济作物骏枣（Ziziphus jujuba Mill.）为研究对象，通过对枣树叶片原始光谱和一阶微分光谱与全氮含量的相关性进行分析，利用光谱敏感变量构建植被指数作为衍生变量，再以衍生变量作为变量建立多种线性和非线性的氮素含量预测模型，并对氮素含量预测模型进行精度检验。结果显示：基于枣树原始光谱和一阶微分光谱的模型拟合决定系数均大于0.75，原始光谱变量的预测效果整体好于一阶微分光谱；预测效果最好的是基于原始光谱变量4的幂函数模型：Nit=1.097x~(0.735),R~2为0.821,RMSE为0.024 5。研究表明，建立的氮素含量预测模型能够实现基于高光谱反射率特征对枣树氮素的较好监测效果，能够作为枣树营养素诊断的重要理论依据。

[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。

选取长势、色泽差异较小的9个茶树品种,使用ASD Field Spec Hand Held 2光谱分析仪采集茶树冠层的光谱数据,通过对原始数据进行预处理去除噪音干扰,采用主成分分析方法得到茶树冠层特征波段520、765、821、940 nm,提取特征波段的反射率值,运用多元线性回归、一元线性回归、最小二乘法建立了光谱反射率与茶鲜叶茶多酚含量关系的估算模型。结果表明:最小二乘法模型的决定系数达到0.99;另选23个样品对模型进行验证,真实值与预测值的相关系数为0.97,相对误差为2.99%。

[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

【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。...