优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

基于光谱指数的不同叶倾角分布下玉米冠层叶绿素含量反演

遥感是开展地面/近地面、航空及航天层次无损伤探测植物叶绿素信息的主要手段。目前多波段计算光谱指数方法已被广泛地应用于植被冠层叶绿素含量的经验/半经验反演及应用中。考虑不同作物及同种作物不同品种间存在着一定的植被叶倾角分布(LAD)特征差异,针对叶倾角分布对光谱指数反演冠层叶绿素含量(CCC)的影响进行分析,并开展针对叶倾角分布变化不敏感的叶绿素相关光谱指数优选和冠层叶绿素反演建模研究。基于PROSAIL辐射传输模型模拟了不同叶片叶绿素含量(LCC)、叶面积指数(LAI)和LAD对应的冠层反射率数据。模拟结果显示,在相同LAI和LCC条件下,不同LAD对应的冠层反射率有明显差异,冠层反射率随着平均叶倾角的增加而降低。通过计算12个常用的叶绿素相关光谱指数与CCC的相关性指标,来评估光谱指数在不同LAD下反演叶绿素含量的敏感性差异,并依次优选出MTCI,MNDVI8,MNDVI1和CI_red-edge4个对LAD变化较不敏感的叶绿素相关光谱指数。利用玉米实测数据对光谱指数进行冠层叶绿素估测的建模和模型检验,模型的建立和验证结果显示,MNDVI8对LAD变化最不敏感,反演模型的精度最高,决定系数R2=0.70,均方根误差RMSE=22.47 μg·cm-2。CI_red-edge(R2=0.63,RMSE=24.06 μg·cm-2),MNDVI(R2=0.66,RMSE=24.07 μg·cm-2)和MTCI(R2=0.65,RMSE=26.76 μg·cm-2)反演模型的精度较为接近并稍弱于MNDVI8。通过对反演结果分析得出结论,不同的光谱指数对LAD变化的敏感性不同,优选的光谱指数普遍对叶绿素含量具有较好的相关性和敏感性,其中MNDVI8受LAD影响最小,能较高精度的反演LAD变化下的玉米冠层叶绿素含量。优选的其他光谱指数MTCI,CI_red-edge和MNDVI1反演能力虽然稍弱于MNDVI8,但受LAD影响较小,同样具有较好的反演能力。该工作开展LAD对光谱指数叶绿素反演的敏感性分析和光谱指数优选研究,其实测数据的检验结果和模拟数据的分析结果一致;基于优选光谱指数的冠层叶绿素含量反演建模结果及精度分析结论,对开展缺乏叶倾角分布差异先验知识下的大范围作物叶绿素含量遥感估测和应用具有借鉴意义。     

铁皮石斛品质影响因素快速无损检测及光谱特性分析

随着人民生活水平的提高,中草药的保健功能越来越得到大家的重视,铁皮石斛是我国名贵中药材,素有“救命仙草”之称。尝试用叶绿素、糖度和pH值作为铁皮石斛的品质指标,选择安徽霍山、浙江雁荡山和云南3个不同产地的铁皮石斛作为研究对象,提取不同铁皮石斛的光谱数据和理化参数,然后进行各品质指标的反演,最终建立品质指标与光谱之间的相关模型,并对模型的有效性进行分析。实验中的研究对象是铁皮石斛的茎,用ASD光谱仪得到三种铁皮石斛茎的光谱数据,再把同一批样本研磨碎,放入离心管中加入甲醇溶液密封,并用锡箔纸包装处理制成相应的溶液,采用分光光度计、糖度计和pH计测量叶绿素含量、糖度和pH值,每个样本分别选取离心试管中的上层,中层,下层溶液检测糖度,测量3次并取平均值,以此结果作为对照组。原始光谱数据通过小波变换去除噪声和降维,将得到的能量系数（包括波段与尺度）,与铁皮石斛对照组的理化参数进行相关性分析,选取决定系数中较高的能量系数作为小波特征,用最小化二乘法对小波特征拟合。用全部实验样本作为测试集,随机选取70%作为验证集,对于浙江雁荡山、安徽霍山和云南三种不同品种铁皮石斛：叶绿素含量反演模型的决定系数（R2）分别为0.819,0.820和0.865,均方根误差（RMSE）分别为为0.035,0.013和0.017;糖度反演模型的决定系数（R2）分别为0.756,0.764和0.823,均方根误差（RMSE）分别为0.025,0.030和0.0368;pH值的反演模型决定系数（R2）分别为0.819,0.820和0.865,均方根误差（RMSE）分别为0.0345,0.013和0.017。从中可以发现,三种不同铁皮石斛的品质反演模型和决定系数（R2）均大于0.80,均方根误差（RMSE）小于0.10。实验证明了铁皮石斛中叶绿素、糖度和pH值的光谱特性对其进行品质评估的可行性。     

基于高斯回归分析的水稻氮素敏感波段筛选及含量估算

水稻氮素含量的准确监测是稻田精准施肥的重要环节,水稻叶片氮素含量发生变化会引起叶片、冠层的光谱发射率发生变化,高光谱遥感是目前作物氮素无损监测的关键技术之一。以2018年-2019年湖北监利两年水稻氮肥试验为基础,分别获取水稻分蘖期、拔节期、孕穗期、扬花期、灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据,利用单波段原始光谱和一阶导数光谱的相关性分析、高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。针对敏感波段,利用单波段回归分析、随机森林（RF）、支持向量回归（SVR）、高斯过程回归-随机森林（GPR-RF）、高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型,并进行精度对比,以确定水稻叶片在各生育期的氮素估算最佳模型。结果表明：GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。相同条件下,叶片模型精度整体高于冠层模型。相关性分析模型中,叶片尺度原始光谱模型更好,冠层尺度刚好相反,冠层一阶导数光谱可以减弱稻田背景噪声的影响。其中,叶片最佳模型建模集R2为0.79,验证集R2为0.84;冠层最佳模型建模集R2为0.80,验证集R2为0.77。与相关性回归分析模型相比,机器学习模型受生育期影响小（R2>0.80,NRMSE<10%）。其中,RF比SVR更适合对GPR敏感波段建模,GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。五种方法中,GPR模型对生育期敏感度最低、叶片及冠层尺度效果都很好(R2>0.94,NRMSE<6%)。且与其他四种机器学习方法相比,GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02,NRMSE降低1.2%）。GPR方法可为筛选作物氮素高光谱敏感波段、反演各生育期叶片及冠层氮素含量提供方法参考。     

一种针对作物生育期光谱迁移的修正植被指数

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC）。以信噪比（SNR）和平滑度指标（S）进行综合评价,小波去噪函数的最佳参数为(“sqtwolog”,“mln”,“3”,“db5”)。相关性分析结果表明,生育期特征波段的迁移范围为（700 nm,723 nm）。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为：拔节期R2_c=0.840 1,R2_v=0.823 7;孕穗期R2_c=0.865 5,R2_v=0.817 4;扬花期R2_c=0.833 8,R2_v=0.807 6。与ratio vegetation index（RVI）等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。     

OLI与6SV的褐土带煤炭开采沉陷区土壤有机碳反演

遥感反演已广泛应用于区域土壤理化性质的动态监测,但是鲜有针对有机碳含量低、下垫面不均一等土壤光谱特性不显著区域的研究。黄土高原褐土带地形多样,丘陵广布,有机碳含量低。采煤活动引起大面积土壤退化,土壤光谱特性受到强烈干扰,制约了区域尺度土壤有机碳(soil organic carbon)含量遥感反演精度。以山西省褐土带典型采煤沉陷区为例,借助地表反射率和室外实地采集的样本数据对褐土带煤矿开采沉陷区土壤有机碳含量进行反演。采用结合高空间、时间分辨率辅助气象数据的6SV(second simulation of a satellite signalin the solar spectrum-vector)模型和FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)模型对研究区Landsat8 OLI影像的大气校正方法进行对比实验,分析其对褐土带采煤沉陷区土壤光谱曲线及有机碳含量的影响,识别敏感波段。选择原始光谱反射率(R)和平方根()、倒数的对数log(1/R)、一阶微分(R′)等数学变换形式,利用多元线性回归(MLR)、BP神经网络(BP neural net)和偏最小二乘回归(PLSR)建立土壤有机碳反演模型。结果表明：6SV模型大气校正的效果要优于FLAASH模型,可以有效消除大气、地形对于反射率的干扰,可见光波段反射率降低而近红外波段明显上升,不同有机质含量等级土壤反射光谱特性分明;640～670,850～880,1 570～1 600和2 110～2 290 nm波段对土壤有机碳含量指示性强;相较于多元线性回归(决定系数R2为0.765)、BP神经网络(R2为0.767),偏最小二乘回归模型反演精度最高(R2为0.778);结合高空间、时间分辨率辅助气象数据的6SV大气校正模型与偏最小二乘回归建模能显著提高褐土带采煤沉陷区土壤有机碳的反演精度。在此基础上预测研究区2013年-2015年土壤有机碳含量,研究发现：研究区土壤有机碳含量中部高,两侧低,复垦使土壤有机碳含量得到恢复。研究结果可用于揭示黄土高原褐土带采煤沉陷区土壤有机碳含量的时空分布特征,为改进区域土壤光谱分析、土地复垦评价、建立褐土带采煤沉陷区碳通量观测网络和土壤碳库估算提供理论和技术支持,对研究区域甚至全球范围褐土带生态可持续发展提供依据。     

基于Roujean和Ross-Li模型算法的不同户外光照南疆冬枣BRDF特性研究

不同光照下,如何消除或减小反演数据差异,提高检测精度,是目前南疆冬枣户外检测中遇到的一大难题,因此通过用高光谱相机获得的南疆冬枣二向反射分布函数（BRDF）测量值,采用最小二乘法拟合Roujean模型和Ross-Li模型的参数,最后对比Roujean模型和Ross-Li模型反演的结果,提出何种天气何段波长用何种模型反演效果最好的建议,实验结果表明：（1）多云天气,反演南疆冬枣线偏振度（Dolp）时,Ross-Li模型的R2是0.974 8,Roujean模型的R2是0.969 9;反演南疆冬枣强度分量时,Ross-Li模型的R2是0.972 3,Roujean模型的R2是0.974 9。阴天反演南疆冬枣Dolp时,Ross-Li模型的R2是0.965 1,Roujean模型的R2是0.977 8;反演南疆冬枣强度分量时,Ross-Li模型的R2是0.942 0,Roujean模型的R2是0.968 8。晴天反演南疆冬枣Dolp时,Ross-Li模型的R2是0.965 5,Roujean模型的R2是0.926 2;反演南疆冬枣强度分量时,Ross-Li模型的R2是0.928 5,Roujean模型的R2是0.833 1。整体反演的最佳方案是多云天气下的南疆冬枣Dolp用Ross-Li模型反演,强度分量用Roujean模型反演;晴天南疆冬枣Dolp和强度分量均用Ross-Li模型反演;阴天南疆冬枣Dolp和强度分量均用Roujean模型反演。（2）多波段反演的最佳方案是：多云天气下,反演南疆冬枣强度分量时,波长为1 000~1 100 nm范围,需用Ross-Li模型,波长为1 450~1 600 nm范围,需用Roujean模型,其余波段处两种模型均可;反演南疆冬枣Dolp时,在波长为1 300 nm附近,需用Ross-Li模型,其余波段处两种模型均可。阴天反演南疆冬枣强度分量时,在1 000~1 350 nm范围,需用Roujean模型,在1 600 nm附近,需用Ross-Li模型,其余波段处两种模型均可;反演南疆冬枣Dolp时,在1 000~1 350 nm范围,需用Roujean模型,在1 600 nm附近,需用Ross-Li模型。晴天反演南疆冬枣强度分量时,波长为1 000~1 350和1 600 nm附近,需用Ross-Li模型,其余波段处则无特殊要求;反演南疆冬枣Dolp时,在1 000 nm附近,需用Roujean模型,在1 600 nm附近,需用Ross-Li模型。探索出消除或减小反演数据差异的方法,为南疆冬枣户外检测提高精度奠定基础。     

改进特征波段选取和混合集成建模的东北粳稻叶绿素含量估算

利用光谱信息快速、无损和准确的检测水稻冠层叶片叶绿素含量,对水稻的长势评估、精准施肥、科学管理都具有非常重要的现实意义。以东北粳稻为研究对象,以小区试验为基础,获取关键生长期的水稻冠层高光谱数据。首先采用标准正态变量校正法（SNV）对光谱数据进行预处理,针对处理后光谱数据,以随机蛙跳（RF）算法为基础,结合相关系数分析法（CC）和续投影算法（SPA）,提出一种融合两种初选波段的改进型随机蛙跳算法（fpb-RF）筛选叶绿素含量的特征波段,并分别与标准RF,CC 和SPA方法进行对比。以提取的特征波段作为输入,结合线性模型和非线性模型各自优势,提出一种高斯过程回归（GPR）补偿偏最小二乘（PLSR）的叶绿素含量混合预测模型（GPR-P）：利用PLSR法对水稻叶绿素含量初步预测,得到叶绿素含量的线性趋势,然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测,两者叠加得到最终预测值。为了验证所提方法优越性,以不同方法提取的特征波段作为输入,分别建立PLSR、最小二乘支持向量机（LSSVM）、BP神经网络预测模型。结果表明：相同预测模型条件下,改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、提高模型预测性能,各模型测试集的决定系数（R2_P）和训练集的决定系数（R2_C）均高于0.704 7。另外,在各算法提取特征波段进行建模时,GPR-P模型的R2_C和R2_P均高于0.755 3,其中,采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高,R2_C和R2_P分别为 0.781 5和0.779 6,RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1,可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。     

高光谱早稻生理指标可跨期预测性的初步研究

叶绿素含量和叶片氮含量是作物生长状况的重要指标,对其实时精准的监测有助于田间生产管理以及作物品质产量的提高。当前,高光谱技术和经验回归方法被广泛应用于构建作物生化参数预测模型。但是,有关同一生命活动周期内,作物跨期预测叶片生化参数的研究还存在空白。以超级早稻为研究对象,分别获取了蘖盛期、孕穗期、齐穗期、灌浆期和成熟期5个时期120组叶片高光谱数据、叶绿素以及叶片氮含量（LNC）,采用python 3.6编程,scikit-learn(0.22.1)用来构建模型和验证评估,通过网格搜索(GridSearch)和五折交叉验证(5-flod cross validation)在训练集中确定偏最小二乘回归(PLSR)、随机森林（RF）、支持向量回归（SVR）3种不同算法的最佳模型参数,结合数据的跨期处理,分别建立针对不同生育期的水稻叶片氮含量跨期预测模型和叶绿素跨期预测模型。此外,评估跨期预测模型与传统非跨期预测模型,独立数据对模型进行检验。结果表明,(1) 基于高光谱的早稻叶绿素、氮素的非跨期预测模型中,PLSR模型预测效果最佳,分别为叶绿素（R2=0.84, RMSE=1.85）、氮素（R2=0.85, RMSE=0.11）。(2) 基于SVR的早稻叶绿素跨期预测模型预测效果最佳,分别为跨分蘖期（R2=0.54）、跨孕穗期（R2=0.36）、跨齐穗期（R2=0.30）、跨灌浆期（R2=0.55）、跨成熟期（R2=0.74）。该结果为利用高光谱数据构建超级稻叶绿素含量预测模型提供新的理论参考,为水稻叶绿素含量的动态监测提供了模型依据。(3)早稻叶片氮含量跨期预测模型的拟合度很差,叶片氮含量预测具有不可跨期性。与非跨期预测模型相比,跨期预测模型虽然精度有所下降,但能有效克服经验模型普适性差的缺陷,有利于在同一生命活动周期内,实现作物不同生育期的生理指标预测,对实际生产管理具有重要意义。研究发现,作物生理指标存在可跨期预测性,这一概念为作物表型、作物内部品质以及产量的预测研究提供了新的思路。     

光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

基于色彩参数和高光谱特征的针叶树种色素含量预估

光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究,而色素与色彩参数相关性研究也有学者探索.但比较并优选分别以色彩参数值、光谱参数值作为自变量与色素含量拟合出的模型,还未见报道.本实验以5种针叶树种为研究对象,筛选蓝边幅值Db、黄边幅值Dy、红边幅值Dr、绿峰幅值Rg、红谷幅值Rr、蓝边面积SDb、黄边面积SDy、...     

基于Sentinel-2卫星数据的水稻叶片叶绿素含量反演研究

叶绿素含量是评价农作物健康状况、生产能力和环境胁迫的重要指标,实时、快速、准确获取农作物叶片叶绿素含量对监测农作物生长状况具有重要意义.遥感是获取区域和全球农作物叶片叶绿素含量的有效途径,但已有的作物叶片叶绿素含量遥感反演研究未充分考虑下垫面背景的干扰,影响了反演精度.为此,以Sentinel-2遥感卫星影像为数据源,...     

高光谱定量反演火龙果茎枝叶绿素含量的研究

火龙果是近年来引进我国的营养价值高、经济效益好的新型水果,肉质茎枝是其主要光合器官,与常见果树具有较大差异。为探索以茎枝为光合作用器官的植被的光谱特征及其生化组分的估测方法,以火龙果为研究对象,在贵州省典型种植区罗甸县开展了4个氮肥梯度田间试验,同步测定不同养分丰缺程度下的火龙果茎枝高光谱和相应叶绿素含量数据;然后分析火龙果茎枝光谱数据的演化规律,并采用数学变换、连续小波变换算法并结合相关性分析算法处理分析火龙果茎枝光谱数据,提取并筛选特征波段;最后利用偏最小二乘算法构建火龙果茎枝叶绿素含量估测模型。研究结果表明：（1）火龙果肉质茎枝的原始光谱曲线整体趋势与常见绿叶植物相似,但随施氮量的增加,火龙果近红外处的光谱反射率逐渐降低,变化趋势与常见绿叶植物相反,茎枝光谱的吸收峰（谷）随施氮量的增加呈升高（加深）的趋势。（2）数学变换中的一阶微分与在L₁-L₅尺度内的连续小波变换能有效提升光谱对叶绿素含量的敏感性,火龙果茎枝原始光谱与叶绿素含量的敏感区域主要位于730～1 400 nm,数学变换与连续小波变换均能提升光谱对叶绿素含量的敏感性。与常见绿叶植物相比,火龙果茎枝敏感波段分布相对分散,且多位于730 nm附近与近红外区域（1 100～1 600 nm）。（3）数学变换和连续小波变换能明显提升光谱对火龙果茎枝叶绿素含量的估测能力,其中基于一阶微分的估测模型与基于连续小波变换L₁与L₄的估测模型分别为数学变换与连续小波变换的最优模型,其验证精度分别为R2_验证=0.625,RMSE=0.048,RPD=1.238（一阶微分）;R2_验证=0.678,RMSE=0.037,RPD=1.652（连续小波变换）;表明高光谱技术可以作为火龙果茎枝叶绿素含量和营养诊断的无损监测手段。该研究为完善不同植被类型基于高光谱指数的叶绿素反演提供了补充。     

基于优化面积光谱指数的玉米叶片叶绿素值估测

综合使用光谱技术对作物养分进行实时、有效诊断,有助于作物的精准管理、保障产量和减少环境污染,提高肥料利用率,并且为定量估测作物生化组分状况提供了一种新的途径.光谱指数是进行作物叶片叶绿素实时估测的重要指标,然而由于受到环境条件及内在生化成分的影响,估测结果不尽满意.为了进一步提高光谱指数在估测作物叶片叶绿素含量时的抗干...     

基于最优光谱指数的大豆叶片叶绿素含量反演模型研究

叶绿素含量的准确获取及预测可为作物种植的精准化管理提供理论依据。利用最优光谱指数建立大豆叶绿素含量反演模型,以大豆花芽分化期叶片为研究对象,获取高光谱和叶绿素含量数据。首先构建了7种与叶绿素含量相关的典型光谱指数,分别为比值指数（RI）、差值指数（DI）、归一化差值植被指数（NDVI）、修正简单比值指数（mSR）、修正归一化差值指数（mNDI）、土壤调节植被指数（SAVI）和三角形植被指数（TVI）,并对原始高光谱进行一阶微分（FD）处理,随后分别对原始和一阶微分高光谱在全光谱波长范围内两两组合所有波长,进行14个光谱指数的计算。再采用相关矩阵法进行最优光谱指数的提取,将所有波长组合计算出的光谱指数与叶绿素含量进行相关性分析,以相关系数最大值为指标,提取出14组最优的波长组合,并进行对应光谱指数值的计算作为最优光谱指数。最后将最优光谱指数划分为3组模型输入变量,分别与偏最小二乘回归（PLS）、最小二乘支持向量机回归（LSSVM）和套索算法LASSO回归3种方法组合建模并对比分析,以决定系数R2_c,R2_p和均方根误差RMSEC,RMSEP作为模型评价指标,最终优选出精度最高的大豆叶片绿素含量反演模型。结果表明：14组最优光谱指数波长组合分别为RI（728,727）,DI（735,732）,NDVI（728,727）,mSR（728,727）,mNDI（728,727）,SAVI（728,727）,TVI（1 007,708）,FDRI（727,708）,FDDI（727,788）,FDNDVI（726,705）,FDmSR（726,705）,FDmNDI（726,705）,FDSAVI（727,788）和FDTVI（760,698）,相关系数最大值r_max均大于0.8。建立最优模型的方法为输入变量为一阶微分光谱指数（组合2）与LSSVM组合的建模方法,所建模型的R2_c=0.751 8,R2_p=0.836 0,RMSEC=1.361 2,RMSEP=1.220 4,表明模型精度较高,可为大面积监测大豆的生长状态提供参考。