叶绿素是评价玉米健康状况的重要生理生化参数,而快速、准确检测玉米叶片叶绿素含量,是实现玉米长势及健康状况精准诊断的关键。为提高玉米叶片叶绿素含量的高光谱反演精度,以玉米试验小区为基础,测定了东北地区玉米不同生长期的叶片光谱反射率及其对应的叶绿素含量。首先采用一阶微分方法提取光谱特征,构建9种高光谱特征参数(Db、Dy、Dr、λb、λy、λr、SDb、SDy和SDr),并分析一阶微分光谱、高光谱特征参数与叶绿素含量间的相关关系,优选出与叶绿素含量相关性较高的3种特征参数作为自变量,分别为535nm处的一阶微分值、蓝边内最大一阶微分值Db、蓝边面积SDb,叶绿素含量实测值作为因变量,随后采用遗传算法对BP神经网络进行优化,建立BP神经网络(BPNN)和遗传算法优化的BP神经网络(GA-BPNN)反演模型,并对模型进行验证;再结合主成分回归(PCR)和偏最小二乘回归(PLSR)模型进行比较。结果表明:叶绿素含量与一阶微分光谱在535nm处具有最大相关系数(R=-0.738),并且与特征参数Db、SDb呈显著相关,相关系数R分别为-0.732和-0.728;遗传算法可以有效地对BPNN初始权值随机化、易陷入局部极值等不足实现优化,并为其定位出理想的搜索空间;GA-BPNN模型的建模集与验证集R2分别为0.878和0.898,RMSE为0.731,与其他反演模型相比,GA-BPNN模型的稳定性和预测能力均表现最好,可为定量预测玉米叶片叶绿素含量提供一定的理论和技术依据。

利用便携式ASD野外光谱辐射仪对杉木冠层叶片光谱进行测定,同时以分光光度法对叶片叶绿素含量进行提取。样本经均值处理、平滑处理和微分处理后,进行红边参数提取。对11个红边参数以PCA方法进行降维,将得到的前7个主成分得分作为网络输入参数,叶绿素含量作为网络输出参数,以遗传算法(GA)优化网络初始权值阈值,建立隐含层神经元数分别为4,6,8,10,12和14的6种单隐层BP神经网络模型。以R2,RMSE和相对误差作为模型精度检验标准,结果表明:6种模型预测精度均可达到92.0%以上,其中隐含层神经元数为10时,预测精度最高,可达97.372%。说明此种模型可对杉木冠层叶片叶绿素含量进行高精度估算。

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】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。

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。

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]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。

采用盆栽试验研究了不同氮营养水平下的春玉米叶片叶绿素和全氮含量与叶片光谱反射率的相关性。结果表明,拔节期和喇叭口期是玉米氮素光谱营养诊断的敏感时期;利用绿峰处叶片最大光谱反射率反演玉米叶片氮素含量和叶绿素含量的精度为:喇叭口期>拔节期>开花吐丝期;不同生育时期诊断玉米叶片氮素含量和叶绿素含量时所采用的光谱波段也不同,拔节期和喇叭口期采用可见光波段的光谱反射率可靠性较高,而开花吐丝期采用近红外波段的光谱反射率可靠性较高;两波段组合光谱变量对叶片叶绿素和全氮含量的判别精度高于单一波段的判别精度。

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...

采用朱军包括基因型×环境互作效应的加性-显性-母体效应遗传模型(ADM模型)分析方法,研究了不同环境条件下玉米吐丝期叶片叶绿素含量性状的遗传主效应及其与环境互作效应。结果表明,玉米叶片叶绿素含量的遗传表现除了受制于基因的加性效应、显性效应及母体效应等遗传主效应外,还会明显受到遗传主效应与环境互作效应的影响。遗传主效应中以显性效应(VD)为主,加性效应(VA)次之。互作效应中以显性效应×环境互作效应(VDE)为主,其次为母体效应×环境互作效应(VME)。叶片叶绿素含量性状在早代不同环境中选择均具有一定的成效。在遗传育种中需要注意各种基因效应在不同环境中的差异,根据各亲本的遗传效应预测值,选用遗传...

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】快速、准确监测覆膜玉米叶绿素含量，探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础，以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象，使用监督分类分割影像背景像元和玉米像元，分析背景像元对玉米冠层光谱的影响，计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入，利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】（1）苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。（2）基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R 2提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g~(-1)，验证R 2提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g~(-1))。（3）基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著；其中光谱特征+纹理特征为变量输入的BP神经网络模型精度最高（验证R 2、RMSE、MAE分别为0.690、0.468 mg·g~(-1)、0.375 mg·g~(-1)）。【结论】采用剔除背景像元的无人机多光谱影像光谱和纹理特征数据并结合BP神经网络可较好地实现覆膜玉米叶绿素含量的反演，研究结果可为无人机遥感快速、准确反演覆膜玉米叶绿素含量提供理论参考。

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...

为了利用遥感监测小麦条锈病,研究条锈病侵染后小麦单叶光谱和叶绿素含量变化,人工接种条锈病菌在小麦幼苗上,测得接种1～24d的光谱和叶绿素含量,将其叶绿素含量与光谱及其一阶微分做相关性分析,利用光谱微分参数进行方程的模拟。接种1～12d,感染条锈病的叶片叶绿素含量与原始光谱及其一阶微分光谱在可见光波段呈负相关关系,接种13～24d,两者在可见光波段呈正相关的关系。接种后1～12d的方程模拟中以SDb为变量的模型为最佳模型,接种13～24d的方程模拟中以SDr/SDg为变量的模型为最佳模型,说明可利用光谱参数进行条锈病侵染小麦的早期监测。

【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...