基于叶冠尺度高光谱的冬小麦叶片含水量估算

叶片含水量(leaf water content,LWC)的快速监测对于作物的干旱诊断和灌溉决策至关重要。以叶片、冠层两个尺度,原始、一阶导数两种光谱处理形式的高光谱数据为基础,采用两波段植被指数如归一化差分(normalized difference spectral index,NDSI)和比值光谱指数(ratio spectral index,RSI),偏最小二乘回归(partial least squares regression,PLSR)和竞争自适应重加权采样-偏最小二乘回归(competitive adaptive reweighted sampling-partial least squares regression,CARS-PLSR)三种方法对叶片含水量进行建模分析,以确定最佳冬小麦叶片含水量预测模型。结果表明:三种方法中,基于叶片一阶导数光谱的CARS-PLSR模型对LWC的预测效果最好, LWC的预测值与实测值高度重合(R~2=0.969, RMSE=0.164, RRMSE=6.00%)。相同条件下,三种方法的叶片光谱模型对LWC的预测效果均优于冠层光谱模型。在两波段指数模型以及PLSR模型中,原始光谱模型对LWC的预测效果优于一阶导数光谱模型,而在CARS-PLSR模型中结果相反。在两波段指数模型中, RSI比NDSI具有更高的估算精度。研究表明,通过竞争自适应重加权采样方法提取敏感波段后所建立的偏最小二乘回归预测模型,无论是预测精度还是建模精度,与两波段指数和偏最小二乘回归模型相比都有了显著提高,该方法可为精准快速地监测冬小麦旱情以及灌溉决策提供参考。     

用冠层光谱比值指数反演条锈病胁迫下的小麦含水量

通过高光谱遥感估测条锈病胁迫下的小麦冠层水分含量。通过人工田间诱发不同等级小麦条锈病,在不同生育期测定感染不同严重程度条锈病的冬小麦冠层光谱、相对含水量(relative water content,RWC) 以及调查小麦条锈病病情指数(disease index,DI)。研究发现随着小麦RWC的减少,冠层光谱反射率在近红外区域(900～1 300 nm)逐渐降低,而在短波红外区域(1 300～2 500 nm)逐渐增大,且RWC与DI间具有强负相关性。对冠层光谱进行平滑处理,利用冠层光谱近红外与短波红外水分敏感波段构建比值指数,然后建立以比值指数为变量的反演RWC线性模型,并分析对比各模型反演RWC的精度以及稳定性,结果发现比值指数R_{1 300}/R_{1 200}反演RWC的精度及稳定性(R2=0.63)都优于其他指数,其线性模型反演绝对误差为3.43,相对误差(relative error,RE)为4.78%。该研究结果不仅为判别小麦病害提供辅助信息,而且也为未来利用高光谱图像反演植物含水量提供理论与方法支持。     

牧草品质的高光谱遥感监测模型研究

粗蛋白、粗纤维、粗脂肪是评价牧草品质和饲用价值的重要指标。针对目前已有的牧草品质检测方法存在费时费力、容易产生化学废物等问题,提出了一种利用牧草冠层高光谱数据来实现牧草品质实时、无损监测的方法。通过ASD FieldSpec 3地物光谱仪采集了青海湖环湖地区19种天然牧草的冠层光谱反射率,并采样分析了牧草品质参数——粗蛋白、粗脂肪和粗纤维的相对含量(%)。光谱经去噪处理后,分别选择原始光谱、一阶导数、波段比值以及小波系数与牧草品质参数进行相关性分析。结果表明：在所有高光谱参量中,牧草品质参数含量与424,1 668,918 nm波段处的光谱一阶反射率以及低尺度(scale=2,4)的Morlet,Coiflets和Gassian小波系数之间的相关性较强。在此基础上,运用单变量线性、指数和多项函数分别建立牧草品质的高光谱遥感估算模型,分析结果显示,以Coiflets小波系数(scale=4,wavelength=1 209 nm)为自变量的二次多项式模型、以1 668 nm波段光谱一阶导数为自变量的二次多项式模型、以918 nm波段光谱一阶导数为自变量的指数模型分别为估算牧草粗蛋白、粗脂肪、粗纤维含量的最佳回归模型,模型检验均达到了极显著水平(0.762≥R2≥0.646),说明在冠层尺度利用高光谱技术结合光谱一阶导数或小波分析的方法来估测牧草品质参数是可行的,它将为牧草品质遥感监测提供依据。     

基于光谱波段自相关的水稻信息提取波段选择

通过大田试验,使用ASD光谱仪测量水稻不同生育期的冠层光谱,将光谱以10 nm为步长进行合并,再将不同日期光谱的所有波段组合计算相关系数平方（R2）,生成R2矩阵,并绘制R2分布图。根据R2越大,光谱波段之间冗余信息越多,R2越小,水稻光谱波段信息含量越多的原则,在所有测量日期中选择出前100个R2最小值对应的波段,将这些波段进行统计分析。结果表明,可见光区域各个波段之间和红外（近红外和短波红外）区域各个波段之间都含有大量冗余信息。水稻信息量丰富的波段主要集中在可见光的长波波段,红边波段,近红外第一和第二峰值波段,以及短波近红外第一峰前区（1 530 nm附近）和第二峰值区（2 215 nm附近）。比较水稻与其他植被对于最优波段的选择,400～410,630～650和1 520～1 540 nm三个波段区间表现为水稻信息提取较为独特的波段。     

融雪期积雪深度高光谱反演方法研究

积雪在干旱区的水分平衡中发挥着极为重要的作用,积雪深度的监测主要依靠地面站点观测和遥感反演等技术,高光谱遥感为快速、大面积监测积雪的物理特性提供了可能。通过对融雪期不同厚度积雪表面的反射光谱以及积雪深度数据的观测,进而对二者进行相关性分析;采用相关性较高同时也是特征吸收谷的波段数据建立单波段雪深回归模型;采用呈显著相关的波段进行逐步回归,选用贡献率最高的波段作为神经网络模型的输入变量进行积雪深度的反演研究。结果表明：在天山北坡中段的军塘湖流域地区,1 022,1 241和1 492 nm附近是积雪的特征吸收谷;相比单波段反演雪深模型的估算精度(R2=0.53),BP神经网络模型具有更高的雪深反演水平,当隐含层节点数为4时,R2为0.86,RMSE为0.67,表明神经网络模型可以显著提高高光谱数据反演积雪深度的能力。     

基于光谱指数波段优化算法的小麦玉米冠层含氮量估测

作物关键生育时期冠层氮素含量的实时监测对于优化氮肥用量和减少环境风险具有重要的意义。为了寻求预测不同作物氮素含量的最佳光谱参数,实现作物氮素无损营养诊断。本研究通过2008年—2011年在德国慕尼黑弗莱辛和河北曲周的不同氮量的小麦玉米田间试验,采用高光谱仪获取小麦玉米冠层的反射光谱,利用光谱理论模型进行光谱指数波段的优化,从而抽取不同冠层结构条件下的小麦玉米氮素营养敏感波段。结果表明与传统的基于红光的光谱指数相比,优化光谱指数显著提高了小麦玉米冠层氮素含量的预测能力,克服了传统的基于红光光谱指数的饱和问题。优化光谱指数的波段结合随着作物品种及其冠层结构的变化而变化,其优化波段范围主要集中在红边(730～760 nm)和红边向近红外的过渡区域(760～880 nm)。优化结果显示玉米最佳光谱指数为R_λ766/R_λ738-1,小麦最佳光谱指数为R_λ796/R_λ760-1,玉米小麦相结合优化后的最佳光谱指数为Rλ₈₇₆/Rλ₇₃₀-1。结果进一步验证了优化光谱指数估测的不同作物含氮量的预测值与实测值相关性最高,且验证偏差最小,证实了优化后的光谱特征参数可对不同作物氮素丰缺状况进行快速、准确、无损估测。试验结果也为设计作物冠层氮素传感器和更好的利用现有基于卫星的传感器实施区域上的作物氮素营养监测提供了理论基础。     

作物植被覆盖度的高光谱遥感估算模型

通过大田试验,使用ASD光谱仪测量了油菜、玉米、水稻三种作物不同覆盖度水平下的冠层光谱,同时拍照获取植被图片并用计算机求算了植被覆盖度。利用三种作物光谱求算“红边”变量,并对波段两两组合求算归一化植被指数(NDVI),建立这些光谱变量与覆盖度之间的估算模型,得到适用于三种作物的最优估算模型和最佳的NDVI波段组合。另外,利用响应函数模拟了TM归一化植被指数,同植被覆盖度进行了相关分析,回归方程的R2达到0.80,并通过了预留数据的检验,为TM数据植被覆盖度估算进行了探索性的研究。     

基于高光谱数据的高寒草地营养状况的研究

高寒草地牧草营养状况的遥感监测是草地合理利用的基础,是草地动态监测的难点。通过对高寒草地牧草营养成分和对应时间高光谱数据的分析,探讨草地营养状况与植被高光谱数据间的关系。结果表明,两波段比高光谱指数模型与草地营养biomass,air-DM,P,CF,CP指标间显著相关;MAXR多元回归模型,当选取波段数达到五个,模型与各营养指标均显著相关。总体上,MAXR回归模型要优于两波段比模型,MAXR模型对air-DM,P,CF进行反演,可获得较高的精度。     

基于几何标记模型参数反演的作物株形敏感性分析

传统的利用冠层反射光谱和光谱指数进行叶面积指数反演时,株形(利用平均叶倾角ALA等指标来表征)对叶面积指数的反演精度存在较大的影响,使得利用遥感手段进行作物长势监测和肥水调控决策时,株形因素不容忽略,以免造成遥感监测精度不高。研究首先利用模拟作物冠层反射光谱的PROSAIL模型将影响作物冠层光谱的叶面积指数等其他参数保持不变的情况下,分析了ALA对作物冠层反射光谱的影响;并基于半经验的几何光学模型对作物株形对冠层光谱影响的不同波段受到ALA变化的敏感性进行了定量分析,对于研究如何消除株形影响,提高遥感反演作物长势和叶面积指数的精度和提高作物大面积、快速遥感肥水调控决策水平具有重要意义。     

污染土壤对脐橙叶片镉含量影响的光谱预测

近年来可见-近红外光谱技术在农业污染监测中应用越来越广泛,但在果树的重金属污染研究中应用较少。本文以纽荷尔脐橙(Citrus sinensis[L.]Osbeck cv. Newhall)为研究对象,采用盆栽方法,通过添加镉（Cd）形成不同污染程度的土壤,然后定期监测叶片中Cd含量及其光谱,分别建立了基于光谱指数的线性回归预测模型,以及基于偏最小二乘回归（PLSR）的Cd含量高光谱预测模型。结果表明：Cd更容易向新叶迁移和聚集,在高Cd污染的土壤中这种现象更加明显;新叶光谱在700～730 nm之间反射率升高,发生红边蓝移现象,老叶光谱没有显著变化;基于光谱指数建立的线性回归模型的R2达到0.8左右,而利用PLSR方法建立的预测模型精度普遍高于线性回归模型,其R2达到0.9左右,并且标准归一化（SNV）的光谱预处理方法可以显著提高PLSR模型的预测精度。研究显示,可见-近红外光谱技术在脐橙重金属污染监测上有很好的潜力。     

Biomass estimation of desert steppe based on spectral indices along a precipitation gradient

Abstract

Accurate estimation of grassland biomass in desert steppe is crucial for various studies such as grassland dynamic monitoring, scientific management, and environmental degradation. Observational tests were conducted in the Ordos desert steppe in July and August from 2014 to 2016 to measure the grassland biomass and grassland canopy spectral data along a precipitation gradient, to analyze the spectral reflectance characteristics and the correlation between different spectral indices and grassland biomass in the range of 350–1830?nm, and to establish and verify a model for estimating grassland biomass of desert steppe. The results showed that the spectral reflectance of the Ordos desert steppe is similar to the spectral characteristics of typical green vegetation. The spectral reflectance values of control and of lightly, medium-, and heavily degraded plots successively increased in the visible light band at 350–696?nm and decreased in the near-infrared band at 792–1349?nm. The sensitive band of the normalized difference spectrum indices after optimization was 705 and 710. The coefficient of determination of normalized difference spectral indices (705 and 710) and grassland biomass was R²?=?0.735. These values were significantly correlated at the p?R² values of the fitted power function model and the verification power function model were 0.764 and 0.746, respectively. The root mean square error was 41.59?g/m². The relative error was 28.37%, and the constructed power function model was the best model. Therefore, the optimized spectral indices can be used to effectively estimate the grassland biomass of desert steppe.     

高光谱特征参量的冬小麦吸收性光合有效辐射分量估算模型

精确估算吸收性光合有效辐射分量(EPAR)对于检测植被水分、能量及碳循环平衡具有重要意义。应用ASD地物光谱仪与SUNSCAN冠层分析仪对冬小麦整个生育期内冠层光谱反射和光合有效辐射进行监测,并利用冠层反射率数据构建了24个高光谱特征参量,通过分析不同光谱特征参量与冬小麦FPAR的相关关系,建立冬小麦FPAR光谱参量估算模型。结果表明：除蓝边幅值Db外其余高光谱参量均与冬小麦FPAR呈极显著相关(p＜0.01)。红边面积SDr与蓝边面积SDb的比值(VI₄)与FPAR的相关系数最高,达到0.836。提取相关性较高的7个光谱参量分别与冬小麦FPAR建立最优线性与非线性估算模型,通过精度检验分析,优选了冬小麦FPAR最合适的模型。对于线性模型,绿峰位置λg与FPAR的反演模型最好,其预测模型的R2, RMSE和RRMSE分别为0.679, 0.111和20.82%;对于非线性模型,绿峰反射率Rg与红谷反射率Rr的归一化比值(VI₂)与FPAR的反演模型最好,其预测模型的R2, RMSE和RRMSE分别为0.724, 0.088和21.84%。为进一步提高模型精度,分别运用多元线性逐步回归与BP神经网络建立多个高光谱参量同时参与的模型,与单参量模型相比,BP神经网络模型的反演精度明显提高(R2=0.906,RMSE=0.08,RRMSE=16.57%)。利用高光谱特征参量测定冬小麦FAPR具有可行性,这为实时、有效、准确监测冬小麦生长过程中FPAR的动态变化提供了一种新的方法和理论依据。     

基于EEMs及PARAFAC的洪湖、东湖与梁子湖CDOM组成特征分析

国内外关于长江中下游地区如洪湖、东湖及梁子湖等大中型浅水湖泊DOM组成特征的分析较少,本文基于2007年9月—10月洪湖、东湖与梁子湖34个站点野外实地采样数据,运用三维荧光图谱(EEMs)与平行因子分析(PARAFAC)模型,着重分析了三个湖泊CDOM吸收荧光特性及组成特征。结果表明,CDOM在350 nm处吸收系数a(350)在三个湖泊表现为洪湖极显著高于东湖与梁子湖(p<0.001);三个湖泊CDOM光谱斜率S_280～500与a(350)呈极显著负相关(R2=0.781, p<0.001)且洪湖S_280～500值极显著低于东湖与梁子湖(p<0.01);光谱斜率比值S_R值也表现为洪湖显著低于东湖与梁子湖(p<0.05)。PARAFAC模型解析得到两个类腐殖质组分(C1, C2),两个类蛋白质组分(C3,C4),其中组分C1与C2呈极显著正相关(R2=0.884,p<0.001),组分C3与C4亦为极显著正相关(R2=0.677,p<0.001),这表明三个湖泊CDOM组分C1与C2,C3与C4来源相似,然而统计结果并未发现四个荧光组分与DOC及Chl-a浓度之间存在任何显著性相关关系。三个湖泊荧光指数FI₂₅₅(HIX),FI₂₆₅,FI₃₁₀(BIX)与FI₃₇₀值均表现为东湖显著高于梁子湖(p<0.05),极显著高于洪湖(p<0.01),这意味着东湖富营养化程度高于洪湖与梁子湖。     

应用近红外高光谱成像技术预测甘蔗可溶性固形物含量

为了探究应用近红外高光谱成像技术对甘蔗内部可溶性固形物（SSC）预测的可行性,试验样本选择三种不同品种中的240个甘蔗节作为研究对象。通过高光谱成像系统获取甘蔗节的近红外光谱信息和图像信息,并分别探讨了光谱信息和图像纹理信息对甘蔗可溶性固形物预测的可行性。采用最小二乘回归（PLSR）,最小二乘支持向量机（LS-SVM）及主成分回归（PCR）建模方法构建甘蔗可溶性固形物的预测模型。比较了连续投影算法（SPA）、无信息变量消除算法（UVE）及区间偏最小二乘（iPLS）特征提取方法对预测结果的影响。实验结果表明：基于甘蔗的光谱信息能实现可溶性固形物的预测,其中偏最小二乘回归模型的建模集和预测集的相关系数分别为0.879和0.843,均方根误差分别为0.644和0.742。通过UVE算法提取105个有效波长所建立的PLSR模型的建模集及预测集相关系数分别为0.860和0.813,均方根误差分别为0.693和0.810。     

基于光谱重建优化的无人机高光谱影像估算牧草生物量

准确及时地预测牧草的地上生物量AGB(above ground biomass)是实现牧草生长监测和合理放牧的前提。无人机高光谱遥感可快速获取高空间、光谱和辐射分辨率的遥感影像,已被广泛应用于精准农业和高通量植物表型等领域。为探究无人机高光谱影像(unmanned aerial vehicle hyper-spectral image, UAV-HSI)对草原牧草AGB预测的适用性,获取了青海省典型草场样区的UAV-HSI、样方牧草AGB和相关辅助数据。然而,UAV-HSI具有较大的数据量级,不便于被广泛采集、存储和传输,也会显著影响数据处理的效率,严重制约其被有效利用。着眼于此,提出一种兼顾数据简化和光谱保真的牧草冠层光谱重建优化方法,以期在有效降低数据量的同时,保证牧草AGB的预测精度。首先,利用残差量化方法对UAV-HSI进行特征参量化处理,获得低数据量级的多阶二值立方体(H_i)及系数矩阵(β_i),并以此替代原始数据进行存储和传输;其次,利用H_i和β_i进行光谱重建,得到初构光谱PRS(preliminarily reconstructed spectra);最后,运用Savitzky-Golay滤波对PRS进行优化,即为OPRS(optimized PRS)。以样区牧草光谱为例,对OPRS的光谱保真性,即OPRS与原始光谱之间的相关系数、光谱角和光谱矢量距离进行分析,结果表明,在3种保真性指标上,OPRS均明显优于同阶的PRS。进而,分析了牧草AGB与光谱变量之间的相关性,结果表明,与原始光谱和PRS相比,OPRS各波段对牧草AGB的预测能力相对较高且最为稳定。而后,利用偏最小二乘法回归构建了牧草AGB的反演模型,结果表明,在原始光谱、1～4阶PRS和1～4阶OPRS等9种光谱中,4阶和3阶OPRS的AGB预测精度分别达到了最优和次优水平,二者的AGB预测相对分析误差RPD(ratio of performance to deviation)分别为2.31和2.23,比原始光谱模型的RPD分别高0.26和0.18。在降低1个数量级的情况下,OPRS取得了优于原始光谱的牧草AGB预测性能,说明OPRS兼具数据简化和牧草AGB准确预测性能,为UAV-HSI估算牧草AGB提供了一种新的有效解决方案。     

基于近红外反射光谱的洋葱可溶性固体物检测

研究利用近红外(924～1 720 nm)反射光谱预测了洋葱的可溶性固体物含量。实验选取了三种不同产地和不同采收期的洋葱为样本(268)。在重复采集光谱数据之后,榨取对应光谱采集处洋葱块汁,测定可溶性固体物参考值。研究对比了Savitzky-Golay平滑、散射校正和微分处理等预处理方法,同时基于偏最小二乘回归方法建立了统计模型。结果表明,带S-G平滑的微分处理在平滑窗口为32,跨度为10时效果最佳。一阶微分比二阶微分的预处理效果要好,预测复相关系数R2为0.87,均方根误差RMSEP为2.42 °Brix。对比显示,无平滑处理光谱数据散射校正预处理得到的结果最好,预测复相关系数R2为0.88(RMSEP=2.31 °Brix)。采用交叉验证得到的PLSR模型预测复相关系数R2为0.90,RMSEP为1.84 °Brix,其相对分析误差RPD为3。说明加散射校正处理的近红外反射光谱可用于洋葱的可溶性固体物检测。     

钢铁中钒、钛元素的激光诱导击穿光谱定量检测

采用激光诱导击穿光谱(LIBS)技术测量钢铁中钒、钛元素的含量。选取V Ⅰ 440.85 nm和Ti Ⅰ 334.19 nm作为定量分析谱线、基体元素谱线Fe Ⅰ 438.35 nm作为内标谱线,分别建立了基本定标法和内定标法的钢铁样品中V和Ti含量的光谱分析定标曲线,并将它们用于检验样品的定量分析。研究表明,V和Ti基本定标曲线的拟合相关系数R2分别为0.987 5和0.990 9,对检验样品中V和Ti元素的测定相对误差最大分别为11.1%和4.0%;而采用内定标法时,V和Ti的拟合相关系数R2分别达到0.995 2和0.992 1,对检测样品中V和Ti元素的测定相对误差均可降低到4.0%以下。结果证明,采用内定标的激光诱导击穿光谱分析方法更适于钢铁样品中钒、钛含量的测定。     

基于中红外漫反射光谱的土壤重金属元素含量预测研究

研究了中红外漫反射光谱快速预测土壤重金属元素含量的可行性。以在南京江宁区和八卦洲采集的共161个土壤样品为例,利用偏最小二乘回归(PLSR)法对土壤中Ni,Cr,Cu,As,Zn,Pb,Hg和Cd等8种重金属元素数据进行了预测。通过对样品的中红外(MIR)漫反射光谱进行各种预处理,探讨了中红外光谱数据预处理对预测精度的影响,并比较了中红外光谱与可见光-近红外(VNIR)光谱对土壤重金属含量预测的精度。结果表明,依次经平滑、基线校正、多元散射校正预处理能显著提高中红外光谱数据的预测精度;经校正的中红外光谱对异地样品预测的均方根误差是可见光-近红外光谱的21%～73%,比VNIR波段更能准确预测异地样品中土壤重金属元素含量。研究表明,中红外漫反射光谱可以作为一种快速、非破坏方法预测土壤重金属元素含量,且比可见光-近红外精度高。     

基于SVM与RF的苹果树冠LAI高光谱估测

叶面积指数(leaf area index,LAI)是反映作物群体大小的较好的动态指标。运用高光谱技术快速、无损地估测苹果树冠叶面积指数,为监测苹果树长势和估产提供参考。以盛果期红富士苹果树为研究对象,采用ASD地物光谱仪和LAI-2200冠层分析仪,在山东省烟台栖霞研究区,连续2年测量了30个果园90棵苹果树冠层光谱反射率及LAI值;通过相关性分析方法构建并筛选出了最优的植被指数;利用支持向量机(support vector machine, SVM)与随机森林(random forests, RF)多元回归分析方法构建了LAI估测模型。新建的GNDVI₅₂₇,NDVI₆₇₆,RVI₆₈₂,FD-NVI₆₅₆和GRVI₅₁₇五个植被指数及前人建立的两个植被指数NDVI₆₇₀和NDVI₇₀₅与LAI的相关性都达到了极显著水平;建立的RF回归模型中,校正集决定系数C-R2和验证集决定系数V-R2为0.920,0.889,分别比SVM回归模型提高了0.045和0.033,校正集均方根误差C-RMSE、验证集均方根误差V-RMSE为0.249,0.236,分别比SVM回归模型降低了0.054和0.058, 校正集相对分析误C-RPD、验证集相对分析误V-RPD达到了3.363和2.520,分别比SVM回归模型提高了0.598和0.262,校正集及验证集的实测值与预测值散点图趋势线的斜率C-S和V-S都接近于1,RF回归模型的估测效果优于SVM。RF多元回归模型适合盛果期红富士苹果树LAI的估测。