琅琊山景区不同叶绿素条件下树种叶片光谱差异分析

叶绿素含量高低反映植物健康状况,研究景区树种叶片叶绿素绝对值(SPAD)不同的光谱变化规律能为叶绿素高光谱监测波段识别与景区树种管理提供理论支撑。从琅琊山景区灌木和乔木类选取9个常见树种,探讨相同树种叶片SPAD值变化时的光谱差异,同时,横向对比相同SPAD值不同树种叶片的光谱特征,并深入分析不同树种叶片SPAD值与单波段原始光谱、光谱倒数、一阶微分、二阶微分及波段组合差值指数、归一化指数、比值指数、一阶微分归一化指数、一阶微分比值指数之间的关系。结果表明：9个所测树种叶片随着叶绿素SPAD值的升高,光谱变化规律各不相同,在可见光波段区分明显,总体上,光谱反射率最高的样本组SPAD值较低;叶绿素SPAD值相同时,在可见光波段,桂花较其余树种反射率整体较高; 在780~1 350 nm波段,广玉兰叶片反射率始终排前三,其余波段变化规律不明显;原始光谱反射率的二阶微分与海桐叶片SPAD值相关系数最大,一阶微分与其余8种相关性最高;与灌木、落叶乔木叶片SPAD值相关系数最大的光谱指数分别为差值指数、一阶微分归一化指数,与常绿乔木、不分树种相关系数最大的为一阶微分比值指数。     

不同氮肥处理下小麦冠层和叶片光谱特征及产量分析

利用遥感光谱无损、快速分析出氮肥的施用时期和施用模式,对于保护环境、产量及氮肥利用率的提高具有重要意义。利用FieldSpec 4 Wide-Res Field Spectrum radiometer便携式地物光谱仪,测定了不同氮水平下小麦冠层和叶片两种模式光谱特征及红边参数变化规律;提出一个新指数--归一化差异最大指数（normalized difference maximum index,NDMI）,并分析其与叶面积指数（leaf area index,LAI）、SPAD（soil and plant analyzer development）值、MDA（malondialdehyde）含量、旗叶氮含量和产量的相关性。结果表明,小麦叶片原始光谱在开花后26 d起800～1 330 nm区间的光谱反射率以N3（1/3底施+1/3冬前追肥+1/3拔节期追肥）处理为最高,N1处理（1/2底施+1/2冬前追肥）次之。主要原因是由冬前和拔节期两个时期均施三分之一氮肥,增强了叶片光合能力。小麦冠层原始光谱,在400～700 nm波段,N2（1/2底施+1/2拔节期追肥）处理最低;在760~1 368 nm波段区间,由于群体结构不同,在开花期至灌浆中期N1处理的光谱反射率最高,N3处理次之;N3处理的冠层光谱反射率在开花后26和33 d最高。建议用400～700和760～1 368 nm波段的冠层原始光谱数据,分别来辨别小麦旗叶含氮量的高低及施肥模式。叶片模式下一阶微分光谱在500～750 nm区间出现两个“峰”,通过峰的位置偏移程度和偏移时期来估测施氮的模式。在670～740 nm区间冠层一阶微分光谱值在开花期最高,开花后10 d的一阶微分光谱值最低。在开花期至开花后10 d N1处理的一阶微分光谱值高于N3处理;灌浆中期至开花后33 d N3处理的一阶微分光谱值高于N1处理。可以通过一阶微分最大值来推测小麦所处的生育期和施肥的方式及施肥时期。在开花期至灌浆中期,冠层反射率一阶导数最大值（FD-Max）N1处理最高,N3处理次之;在开花后26～33 d,N3处理的群体结构较其他处理密,导致其一阶导数最大值一直最高。四个处理叶片一阶导数最大值变化趋势不如冠层显著。四个处理的反射率一阶导数最大值对应的红边位置（REP_FD-Max）中,N1和N3冠层REP_FD-Max在灌浆中期后偏移显著;在开花后26～33 d,N3处理的群体上层结构密,叶片宽且厚,冬前追施氮肥影响REP_FD-Max偏移程度。基于NDVI基础上,筛选出一个新指数--归一化差异最大指数。冠层归一化差异最大指数（CNDMI）与农化参数的相关系数高于叶片归一化差异最大指数（LNDMI）,且CNDMI与产量的相关性比LNDMI显著。冠层归一化差异最大指数与旗叶氮含量、SPAD值和MDA含量有着显著的相关性,相关系数r分别为0.812 88,0.928 21和-0.722 17。综上所述,借助光谱数据和红边参数可以推测小麦含氮量的高低,所处的生育期和施氮肥的模式,进而为田间施肥管理及施肥诊断提供依据。CNDMI与小麦产量有着更好的相关性,符合我国资源卫星的光谱波段范围,具有可实际操作性。     

滇中三类典型地表植被的机载高光谱特征分析

高光谱遥感技术因为具有图谱合一的优势,并且相较于传统多光谱遥感技术,可以实现对目标的精确识别,逐渐运用于地表植被的探测。选择以滇中地区的竹林、华山松、杂木林这三类典型地表植被为研究对象,基于机载高光谱影像数据,通过对原始高光谱、一阶微分处理光谱、连续统去除处理光谱进行处理与对比分析,获得滇中三类典型地表植被类型高光谱特征的初步探测认识。主要结果包括：(1）基于对原始光谱特征分析得出,三类典型地表植被的原始高光谱的最佳波段窗口出现在690~946 nm,且在该波段范围内光谱反射率特征为竹林>华山松>杂木林;(2）运用一阶微分处理光谱特征分析得出,利用光谱微分变换处理能够增强植被的光谱差异。经过一阶微分处理后光谱的最佳波段窗口出现在670~774 nm,在该波段范围内的一阶微分系数为竹林>华山松>杂木林。且发现718 nm为三类植被的敏感波段,即可用718 nm敏感特征波段区分开三类植被类型;并且综合运用一阶微分光谱特征参数中的红边位置,蓝边幅值、黄边幅值、红边幅值、蓝边面积、黄边面积和红边面积可以将三类植被类型进行区分;(3）最后基于连续统去除处理光谱特征分析得出,连续统去除方法能够有效地增强植被光谱曲线反射和吸收的特征。经过连续统去除处理后的光谱,三类典型植被的最佳波段窗口在458~554和570~690 nm,这两个波段范围内的连续统去除系数均为竹林>华山松>杂木林,且发现502和674 nm为三类典型植被的敏感波段,即可用此特征综合区分三类植被类型。该研究结果有助于对滇中森林植被精细判别提供技术方法,同时,为今后发展天-地-空的高光谱影像数据一体化遥感植被精细分类提供技术支撑。     

三亚鹿回头海域盾形陀螺珊瑚和精巧扁脑珊瑚反射率光谱分析

为了进一步深入研究不同形状和不同颜色珊瑚的光谱特征,选择三亚湾鹿回头海域两种常见造礁石珊瑚(褐色片状珊瑚：盾形陀螺珊瑚(Turbinaria peltata)和蓝灰色块状珊瑚：精巧扁脑珊瑚(Platygyra daeda))为样本进行测量和分析。于2015年7月22日上午采集两种珊瑚样品各7组。样品块大小~6 cm,并将其暂养于中国科学院海南热带海洋生物重点实验站岸基实验室珊瑚养殖缸,养殖缸内水温控制在~26 ℃。待样品块暂养≥4小时后用光纤光谱仪测量其反射率,光谱采集条件为无云遮挡的晴天。所用光纤光谱仪(海洋光学USB2000+),波段为200～850 nm,光谱分辨率1.34 nm,步长0.6 nm,视场角为25°。珊瑚样品置于缸内的平台上,过滤后恒温~26 ℃的海水持续注入以保证缸内水温恒定;多余的海水自动从养殖缸上壁溢出以排除因光线折射入水体后引起的“汇聚现象”;养殖缸内壁采用黑色尼龙布贴壁,以避免玻璃缸壁光线反射对测量结果的影响。光纤光谱仪的探头与样品间距保持在5 cm,每个样品重复测量10次取平均值以代表该样品的光谱反射率。测量光源为太阳光,每次测量前校正一次光谱仪,选用可见光波段的反射率光谱进行数据分析。反射率光谱导数分析可以放大光谱间的差异,四阶导数光谱法在提高检测灵敏度、改善分辨率和加强抗干扰力等方面具有独特的优点,故此对所测珊瑚光谱反射率数据进行反射率光谱数据一阶导数、二阶导数和四阶导数分析,根据盾形陀螺珊瑚和精巧扁脑珊瑚反射率光谱导数之间的差异确定两种珊瑚光谱的敏感可区分波段。分析结果发现,可见光范围内两种珊瑚反射率差异明显;后者反射率光谱明显高于前者,仅~700 nm出现类似较高反射率。盾形陀螺珊瑚反射率介于4%～15%之间,波峰和波谷明显。400～450 nm反射率相对较低约为4%～5%;480 nm后急升至~10%,502,578,604和652 nm附近为明显波峰;随后激增至700 nm的~36%。精巧扁脑珊瑚反射率介于6%～16%之间;400～420 nm波长附近反射率值相对较低,为~6%;420～470 nm急剧升高至~15%,486 nm附近出现宽大波峰,为该珊瑚的特征峰;486,577,607和650 nm处也存在四个明显波峰;随后剧增至700 nm的~37%。光谱反射率导数分析结果表明盾形陀螺珊瑚和精巧扁脑珊瑚可区分波段为：一阶导数483.7～492.6,496.2～500和533.5～540.5 nm。二阶导数414～422.7,499.4～504,520.2～523.3,534.2～536.6,557.5～561和671.8～675 nm。四阶导数414～417.6,427.4～430.3,433.4～436.5,452.3～455.5和657.1～659.1 nm。     

刚竹毒蛾危害下的毛竹叶片光谱特征波长研究

旨在获取刚竹毒蛾危害下的毛竹叶片光谱特征波长,以助于该虫害的有效、准确识别。将于福建省顺昌县实测的105条高光谱数据随机划分为实验组(71条)和验证组(34条)。基于实验组数据,利用单因素方差分析获取健康、轻度危害、中度危害、重度危害等虫害等级间具有极显著差异的波长;结合常用遥感卫星的波段设置对上述波长进行筛选,采用欧式距离、相关系数及光谱角匹配等3种方法判定其虫害判别能力,获取特征波长,并引入验证组样本对其予以验证。结果表明：(1)受害叶片的光谱反射率明显低于健康叶片,虫害等级越高,其反射率越低;(2)受害叶片的光谱特征变化较大,随着虫害等级的上升,其光谱曲线中的“绿峰”及“红谷”趋于消失,“红边”斜率逐渐减小;(3)确定原始光谱703.43~898.56 nm及一阶微分光谱497.68~540.72,554.53~585.25和596.24~618.23 nm为刚竹毒蛾危害下的毛竹叶片光谱特征波长,其对该虫害具有较强的判别能力。该研究从叶片尺度剖析了寄主对刚竹毒蛾的响应机理,是“地-天”耦合的理论基础,可为虫害遥感监测技术体系的建立提供重要依据。     

不同高光谱特征参数区分马铃薯品种的优劣势分析

对马铃薯关键生育期的高光谱遥感图像进行特征提取和分析,提出了一种快速区分不同马铃薯品种的方法。以两个早熟和中熟马铃薯品种为研究对象,采集其块茎形成期、块茎膨大期和淀粉积累期的冠层反射光谱曲线,对实测反射光谱曲线进行Savitzky-Golay滤波平滑和一阶微分处理,以高光谱位置参数、振幅参数、面积参数、宽度参数和反射率参数为研究指标,根据21个高光谱特征参数的贡献率大小,评价了其区分不同马铃薯品种的优劣。结果表明：(1)同一类高光谱特征参数在不同生育期区分马铃薯品种的能力不同: 高光谱位置参数、宽度参数和反射率参数在块茎膨大期区分不同马铃薯品种的能力最强,淀粉积累期次之;高光谱振幅参数和面积参数在淀粉积累期的区分能力最强,块茎膨大期次之,五类高光谱特征参数在块茎形成期的区分能力均最差。(2)同一生育期5类高光谱特征参数区分马铃薯品种的能力也存在差异。在块茎形成期,五类高光谱特征参数的区分能力从强到弱依次为：反射率参数>振幅参数>面积参数>宽度参数>位置参数;在块茎膨大期和淀粉积累期,从强到弱依次为：面积参数>振幅参数>反射率参数>宽度参数>位置参数。综合能力从强到弱依次为：面积参数>振幅参数>反射率参数>宽度参数>位置参数。     

玉米叶片的光谱响应及其氮素含量预测研究

以不同施肥水平下两年玉米田间试验为基础,利用高光谱技术探讨大喇叭口期不同层次玉米叶片光谱响应的敏感区域,并依据叶片氮素含量与原始光谱反射率及其一阶导数的相关性,最终构建了叶片氮素含量的预测模型。结果表明：不同施肥水平下叶片光谱反射率差别明显区域集中在550 nm附近波段、761～1 300 nm波段,不同层次间叶片光谱反射率差别明显区域集中在550 nm附近波段,叶片氮素含量与470～760 nm波段光谱反射率及其一阶导数呈极显著相关。经过对比筛选,以光谱指数DSI(564,681)和DSI(681,707)构建的指数预测模型效果最好,预测精度达93.43%和93.39%,能有效估测叶片氮素含量。     

不同滞尘量对城市植物冠层光谱的影响

为了探索不同滞尘量对植被冠层光谱的影响,以位于上海市中心城区的上海师范大学徐汇区校园为研究样区,选取并使用ASD FieldSpec 3地物光谱仪测定校园内龙爪槐、紫荆、红叶石楠及蔓长春等植物不同滞尘量等级下的冠层反射光谱,然后在实验室中使用万分之一电子分析天平测定相应植物的滞尘量并计算各植物的滞尘能力。在此基础上,分析不同滞尘量对植物冠层光谱特征变化的影响。结果表明： (1)植物在710～1 350 nm之间光谱反射率会随着滞尘量的增减而减小而且三条曲线之间的差值较大;滞尘量的变化对各植物在350～710和1 450～1 750 nm之间的光谱影响较复杂,三条曲线之间的差值虽小但差值比并不小。(2)滞尘对植物冠层光谱的影响不仅与滞尘量有关还与树种有关,不同植物或同种植物不同波长的光谱曲线对滞尘量的灵敏度不同。(3)各植物在“绿峰”和红边附近的光谱曲线的斜率会随着滞尘量的增加而减小。(4)滞尘不会引起红边位移现象,但会消弱红边一阶导数的“双峰”现象,表现为“主峰”值与“次峰”值之间的差随着滞尘量的增加而减小,红边位于719 nm处。找到滞尘或不同滞尘量对植被冠层光谱的影响关系,对高光谱遥感在这一领域的应用具有重大意义。     

落叶松受雅氏落叶松尺蠖危害程度光谱检测

近年来蒙古国雅氏落叶松尺蠖灾害不断加剧，逐渐逼近大兴安岭地区，将威胁我国北方森林生态系统安全。以现代遥感监测方法替代传统检测方法，及早掌握该虫害发生发展规律对防控有重要意义。为快速、大范围遥感监测雅氏落叶松尺蠖灾害，利用光谱分析技术研究了该害虫危害下落叶松受害程度检测模型。通过实测健康和轻度、中度、重度受害落叶松光谱，计算与比较不同受害程度落叶松原始光谱和去除包络线光谱的敏感度，揭示光谱敏感波段及去除包络线光谱敏感性。然后对去除包络线光谱进行一阶导数变换获得光谱特征参数并分析其随受害程度的变化特征，构建基于CART(分类与回归树)算法的落叶松受害程度光谱检测模型。研究表明：去除包络线光谱敏感性比原始光谱更显著，尤其在480～520 nm(蓝边)、640～720 nm(红谷、红边)、1 416～1 500 nm(短波红外谷)等波段内光谱敏感度介于0.1～2.0，而且出现了敏感峰现象。随受害程度增加，去除包络线光谱敏感性增强趋势比原始光谱更明显；在蓝边波段上去除包络线光谱敏感峰位置向短波方向移动，即502 nm→490 nm，而在红谷及红边、短波红外谷等波段上光谱敏感峰位置向长波方向移动，即664 nm→672 nm和1 436 nm→1 448 nm；红谷位置和短波红外谷位置归一化反射率以及红谷和短波红外谷面积呈上升趋势。在蓝边与红边波段内去除包络线光谱一阶导数对受害程度有明显响应，出现了波峰现象。随害虫危害程度加剧红边位置蓝移(718 nm→700 nm)，红边斜率及面积和蓝边斜率及面积呈下降趋势。基于此，利用红边斜率、红谷位置和短波红外谷位置归一化反射率、红谷和短波红外谷面积、蓝边斜率及面积等去除包络线光谱特征参数构建的CART模型对落叶松受害程度有很好的检测能力。与多元线性回归模型相比，CART模型检测精度更高，其Kappa系数达0.875。研究结果对雅氏落叶松尺蠖灾害的防治有参考价值。     

铀污染下的商陆叶片反射光谱特征与铀含量关系研究

通过室内盆栽试验,利用微分技术处理叶片反射光谱数据,研究铀污染下商陆叶片中的铀含量在不同光谱波段与原始光谱反射率、一阶导数光谱的相关关系,找到商陆铀污染诊断的敏感波段范围和最优光谱特征参数,并以相关性较好的敏感波段及光谱特征参数为自变量,与商陆叶片铀含量建立对应的估测拟合模型。如果以该模型为基础创建铀含量的冠层光谱模型,则有可能实现通过遥感影像监测叶片中的铀含量。实验结果表明：当商陆叶片中的铀含量为5.94～71.74 mg·kg-1时,叶片中铀含量与一阶导数光谱数据的相关性较原始光谱数据好,在749～766 nm区间内存在较好的相关性和光谱响应;根据上述相关性分析,选择14个光谱特征参数,计算他们与商陆叶片铀含量的相关系数,其中蓝边面积、红边位置、红边面积与蓝边面积的比值及红边面积与蓝边面积的归一化值与叶片铀含量的相关系数达到了0.05显著检验水平;选取一阶导数光谱中相关系数最高的波段757,758,760和761 nm处的值和上述相关性最高的4个光谱特征参数,与叶片铀含量建立多种形式的估测拟合模型,通过对拟合模型的精度检验,发现以红边面积与蓝边面积的比值、757和760 nm处反射率的一阶导数为自变量的拟合模型的预测效果较好,其中拟合效果最优的模型是以757 nm波段处反射率的一阶导数为自变量的三次函数模型,模型预测精度达到了89.8%。     

基于冠层光谱的水稻穗颈瘟病害程度预测模型

对水稻稻瘟病病害程度的定量预测是精准防控的关键,田间冠层尺度的研究可为高光谱传感器提供理论基础。以受穗颈瘟胁迫的水稻为研究对象,采用SVC HR768i型光谱辐射仪在大田中获取灌浆期两个不同时间段的水稻冠层光谱反射率,以水稻发病株数百分比作为病害严重程度指标。冠层光谱数据采用九点平滑预处理,并重采样为1 nm间隔,计算植被指数;经过去包络线和一阶导数光谱变换,提取高光谱特征参数。分析不同时间段的光谱变换、植被指数、高光谱特征参数与病害程度的相关关系,构建基于植被指数、高光谱特征参数的穗颈瘟病害程度随机森林预测模型,并对比分析两个单时期预测模型异同,优选共用输入量,构建出两时期混合数据的病害程度预测模型。结果表明：（1）原始光谱曲线经去包络线处理可有效增强与病害程度相关的光谱信息,近红外波段（960～1 050和1 150～1 280 nm）的相关系数在0.80以上;（2）高光谱特征参数与病害程度相关性分析中,去包络线吸收谷参数相关系数高于其他参数,吸收谷V₃（910～1 100 nm）、吸收谷V₄（1 100～1 300 nm）中面积（A₃和A₄）、深度（DP₃和DP₄）、斜率（SL₄和SR₄）的相关系数在0.74以上;（3）去包络线吸收谷参数结合随机森林模型预测穗颈瘟病害程度在单时期及两时期混合数据中均表现最好。灌浆期后期数据预测效果最佳,验证集决定系数R2=0.91,均方根误差RMSE=0.02;（4）两时期混合数据预测精度处于两个单时期预测精度之间,验证集决定系数R2=0.85、均方根误差RMSE=0.03。研究成果揭示了灌浆期不同时间段水稻穗颈瘟光谱响应机制,表明去包络线吸收谷参数结合随机森林模型预测稻瘟病的实用性,可为田间水稻穗颈瘟病害程度进行快速、精确、无损地定量预测,为精准施药提供理论依据,并对未来航空、航天遥感的病害监测提供一定的技术支持。     

基于Hyperion高光谱数据的温带森林不同冠层结构的光谱特征分析

冠层是植被进行生态过程的主要层次,森林冠层结构影响冠层生化组分的遥感反演,因此对其光谱特征的分析有助于提高冠层生化组分反演的精度。以长白山温带阔叶红松林为研究对象,利用Hyperion高光谱数据提取不同林冠反射率,运用连续统去除和光谱一阶微分法进行光谱变换,定量分析森林冠层的光谱特征。通过计算样方阔叶树种优势度(BFDI),以及一系列光谱指数(NIR,NDVI,EVI,NDNI,SPRI*NDVI和SPRI*EVI),探讨冠层结构组成对其光谱特征及光谱指数的影响。结果表明：(1)相比阔叶林冠层,针阔混交林、美人松林和樟子松林冠层光谱的红边有左移趋势,斜率明显下降,蓝边、黄边斜率特征也相应减弱,近红外波段反射率明显下降,可见光波段的归一化反射率有上升趋势,表明不同林冠,尤其针叶林与阔叶林林冠之间的光谱特征差异明显。(2)BFDI对冠层NIR反射率和三边斜率有明显的影响,与光谱指数显著相关(P<0.01),表明BFDI影响森林光谱指数。BFDI与NDVI,EVI,SPRI*EVI,NIR,SPRI*NDVI,NDNI的R2分别达到0.90,0.83,0.83,0.81,0.68,0.59,揭示了BFDI对于冠层绿度、叶面积指数、植被生产力以及冠层叶氮浓度等植被参数存在一定影响。研究表明,利用星载高光谱数据结合地面样方调查可以很好地阐明林冠结构组成对于光谱特征的影响,也对优化植被冠层生化组分和森林生态系统生产力的遥感反演具有借鉴意义。     

基于反射光谱特性的土壤分类研究

选取中国松嫩平原吉林省农安县主要土壤(黑土、黑钙土、草甸土、风砂土、冲积土)室内光谱反射率作为研究对象,利用去包络线方法提取反射光谱特征指标,作为输入变量建立BP神经网络模型,进行土壤分类研究,探索利用表层土壤反射光谱特性进行土壤分类的可行性。结果表明:(1)包络线去除后的曲线使土壤可见光近红外波段的吸收特征显著增强;农安县不同土壤在400～2500nm范围内主要有5个光谱吸收谷,前2个吸收谷主要是由于土壤有机质、铁及土壤机械组成引起的,后3个是土壤水分吸收光谱能量引起的;不同土壤类型反射光谱的差异主要表现在前2个吸收谷。(2)由于输入变量的选取客观准确,基于前2个吸收谷形状特征的BP神经网络模型的土壤分类精度显著优于以反射率或5个吸收谷形状特征为输入变量的模型,可以用于土壤分类。     

低温冷冻和机械损伤条件下马铃薯高光谱图像特征响应特性研究

开展了低温冷冻和机械损伤条件下马铃薯高光谱图像特征响应特性研究。采用卓立汉光公司Image~λ“谱像”系列高光谱相机获取完好的、低温冷冻和机械损伤条件下的光谱波段范围为387～1 035 nm的马铃薯高光谱图像;截取校正后的像素尺寸大小为60×60的马铃薯高光谱中部完好的图像并计算该区域平均反射率值;冻伤的马铃薯样本的反射光谱曲线在440,560和680 nm附近有明显吸收峰;机械损伤样本在560和680 nm附近有明显吸收峰,在680 nm附近吸收峰谷值明显低于冻伤样本;完好的马铃薯样本反射光谱曲线相对较为平滑,在560和680 nm附近未见明显吸收峰;撞伤样本在440,560和680 nm附近存在吸收峰,而在410 nm附近有一个明显的反射峰。四类马铃薯样本的反射光谱曲线特征峰值表现出一定的指纹特性,因而可以被用于后续品质特征检测分析使用。由于仪器或检测环境、光照强弱等因素影响,光谱数据中掺杂噪声,因此采用化学计量学预处理方法消除噪声的影响;随机选取70%的马铃薯四类样本的反射光谱作为训练数据,剩余的30%作为测试集;接着,利用极端梯度提升算法、类型提升算法和轻量梯度提升机算法来获取马铃薯高光谱图像的有效特征波谱,减少高维海量高光谱数据对后续品质分类模型的影响;最后,将提取到的有效特征波长构建马铃薯品质判别模型。在建立的分类模型中,使用的轻量梯度提升机+逻辑斯蒂回归达到最高的判别精度98.86%。该研究为将来高光谱图像成像技术在现代农业生产加工过程中马铃薯品质有效监测与控制提供理论基础和技术支撑。     

马铃薯冠层光谱响应特征参数优化与生长期判别

快速判别马铃薯作物的生长进程是指导田间关键生长期科学水肥管理的重要依据。研究在马铃薯发棵期（M1）、块茎形成期（M2）、块茎膨大期（M3）和淀粉积累期（M4）四个关键生长期,利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据,并同步采集叶片测定叶绿素含量。在光谱数据预处理后,分析了马铃薯不同生长期的光谱反射率变化特征,并初步选取了光谱“峰谷”响应参数,提出了一种基于方差分析与变量减少组合的光谱参数筛选算法（variance analysis combined with variable reduction,VACVR）用于明确光谱学响应的优化指标,采用Kennard-Stone(K-S)法划分样本集,最终基于支持向量机（support vector machine,SVM）方法建立马铃薯关键生长期判别模型。针对光谱数据,首先使用变量标准化(standard normalized variable,SNV)进行光谱预处理,在定性分析了随着生长期的推进马铃薯冠层反射特征的变化趋势的基础上,基于作物生长期动态光谱学响应与峰谷特性选取14个参数,包括：8个位置参数、2个面积参数、4个植被指数参数。采用K-S算法将样本按照3∶1划分为训练集（240个样本）和测试集（74个样本）。分析马铃薯不同生长期冠层反射光谱发现,随生长期的推进冠层光谱存在差异性：即在400~500和740~880 nm范围内,光谱反射率呈降低趋势;在530~640和910~960 nm范围内,反射率呈升高趋势;在530~640 nm范围内,M2和M3生长期的平均光谱非常接近,M4生长期的平均光谱与其他三个生长期的差别较大。叶绿素平均含量随生长期的进程,从M1（28.12 mg·L-1）到M2（31.04 mg·L-1）增加,在M2生长期达到最大值,之后M3（22.00 mg·L-1）和M4（15.36 mg·L-1）依次减少。光谱响应参数随着生长期的进程,绿峰位置L_g和红谷位置L_r逐渐红移,红边位置L_re逐渐蓝移;蓝边面积A_be逐渐增大,红边面积A_re逐渐减小;红边面积与蓝边面积比值依次呈现减小趋势。根据VACVR算法筛选10个敏感光谱响应参数,建立SVM判别模型,训练集判别率为100%,测试集判别率为94.59%,该模型可在判别马铃薯的生长期的基础上为田间管理决策提供支持。     

基于叶片高光谱特性分析的树种识别

高光谱遥感技术的出现将为解决森林树种的精细识别难题提供有效的途径。利用高光谱遥感技术进行树种鉴别时,光谱特征的选择及提取是个非常重要的过程。与多光谱数据相比,高光谱数据具有波段多、数据量大、冗余度大等特点。该文利用光谱微分法对原始光谱数据进行处理,分析不同树种原始光谱、光谱一阶微分和光谱二阶微分曲线图,从中选择差异较大的波段用于鉴别不同树种。最后利用欧氏距离对所选择的波段进行检验识别不同树种的效果,检验的结果显示选择的波段能有效地区分不同树种。区分不同树种的有效波段大都位于近红外波段, 并且差异最大的波段也是近红外波段,其分别为1 657～1 666和1 868～1 877 nm。