基于支持向量机的水稻叶面积指数高光谱估算模型研究

为了研究支持向量机(SVM)对于作物农学参数高光谱估算的能力,通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻在不同生长期的冠层高光谱反射率(350～2 500 nm)。依据Ladsat-5的TM传感器波段宽度,将高光谱反射率转换为10种不同的植被指数。利用所有样本的植被指数和水稻叶面积指数(LAI),通过不同统计模型的模拟分析,依据模型的R2选取了三种相关性较高的统计关系(包括NDVI_green的指数关系、TCARI/OSAVI的乘幂关系和RVI₂的乘幂关系)。对这三种关系,通过具有不同核函数的SVM模型和相应统计模型对LAI进行估算。结果表明：所有的SVM模型都具有较低的均方根误差值,估算精度都高于相应的统计模型;基于TCARI/OSAVI的POLY核SVM具有最高的估算精度,其RMSE比相应的统计模型降低近11个百分点。因此,SVM方法用于水稻LAI高光谱估算具有良好的学习能力和鲁棒性。     

冬小麦不同生育时期叶面积指数反演方法

针对当前作物叶面积指数遥感反演过程中,在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。以冬小麦为研究对象,选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数,分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5,RMSE=0.320 9。改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI,得到的LAI反演值和真实值之间的相关系数r=0.728 7,均方根误差RMSE=0.297 1;比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前),得到的LAI反演值和真实值之间的R2=0.654 6,RMSE=0.306 1;NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI,得到的LAI反演值和真实值之间的R2=0.679 4,均方根误差RMSE=0.316 4。 研究表明：在冬小麦的不同生育时期,根据地表作物覆盖度的变化和反射率的变化,选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。     

洪涝胁迫的水稻叶面积指数变化及其光谱响应研究

通过水稻淹水实验模拟洪涝胁迫状态,分析不同生育期、不同洪涝胁迫强度下的水稻叶面积指数变化及其冠层高光谱响应规律,建立洪涝胁迫下水稻叶面积指数(LAI)的估测模型。结果表明,分蘖期、拔节期、抽穗期水稻LAI均随淹水深度的增加而降低;水稻冠层680~760 nm光谱的一阶微分具有“双峰”现象,主峰位于724~737 nm,701和718 nm有次峰出现,并随淹水深度的增加出现“三峰”;冠层红边位置在各个生育期出现“蓝移”,红边幅值、红边面积在分蘖期、拔节期、灌浆期均呈现“蓝移”,在抽穗期出现“红移”;生育前期水稻LAI与光谱特征参量存在显著相关,生育后期相关性不显著;最后以D_λ737/D_λ718光谱参量建立了水稻生育前期的LAI估测模型。表明在洪涝胁迫下,水稻LAI的变化幅度直接反映胁迫强度的大小,估测模型LAI=3.138(D_λ737/D_λ718)-0.806可用于估测洪涝胁迫不同强度下的水稻叶面积指数。     

微型近红外光纤光谱仪用于奶粉中蛋白质脂肪的定量检测研究

提出利用微型近红外光谱仪、结合Y型光纤探头,在900～1 700 nm范围内对奶粉中蛋白质、脂肪含量进行快速、无损检测的漫反射光谱检测方法。基于Unscrambler 9.7化学计量学软件,选择合适的光谱波段,通过PLS算法分别建立了蛋白质、脂肪的校正模型,得到蛋白质、脂肪校正模型的决定系数R2分别为0.987和0.986,均方根误差RMSC分别为0.385和0.419。利用所建模型对预测样本数据集进行预测验证,得到蛋白质的标准差SEP_Protein=0.768、脂肪的标准差SEP_Fat=1.109,表明所建模型具有较高的预测能力,已基本达到实用化要求。     

基于CASI高光谱数据的作物叶面积指数估算

叶面积指数(LAI)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。利用2012年7月7日在黑河流域张掖市获取的CASI高光谱数据,精确提取出了不同作物的光谱反射率,同时结合地面实测数据,对比分析了宽波段和“红边”植被指数在估算作物LAI方面的潜力,在此基础上,基于波段组合算法,筛选出作物LAI估算的敏感波段,并构建了两个新型光谱指数NDSI和RSI,最后对研究区域作物LAI的空间分布进行了分析。结果表明,在植被覆盖度较低的情况下,宽波段植被指数NDVI对LAI具有较好的估算效果,模型的精度R2与RMSE分别为0.52,0.45(p<0.01);对于“红边”植被指数,由于CI_{red edge}充分考虑了不同的作物类型,其对LAI的估算精度与NDVI一致;利用波段组合算法构建的光谱指数NDSI_{(569.00, 654.80)}和RSI_{(597.6, 654.80)}对LAI估算的效果要优于NDVI与CI_{red edge},其中,NDSI_{(569.00, 654.80)}主要利用了植被光谱“绿峰”和“红谷”附近的波段,模型估算的精度R2可达0.77(p<0.000 1);根据LAI与NDSI_{(569.00, 654.80)}之间的函数关系,绘制作物LAI的空间分布图,经分析,研究区域的西北部LAI值偏低,需增施肥料。研究结果,可为农业管理部门及时掌握作物长势信息、制定施肥策略提供技术支持。     

利用地表温度与LAI的新型土壤湿度监测方法

地表温度（T_s）是土壤湿度和植被生长状态等因素的综合反映,利用植被指数和T_s能够监测土壤湿度的时空分布特征。利用农田气候模型CUPID的T_s模拟结果,发展了利用温度与叶面积指数（LAI）的新型土壤水分反演方法（advanced temperature vegetation dryness index, ATVDI）。前人研究表明归一化植被指数（NDVI）容易达到饱和状态,因此利用LAI代替NDVI开展土壤水分反演。利用CUPID模型模拟结果构建LAI-T_s散点图,分析T_s随LAI与土壤湿度的变化特征,利用对数关系式改进了温度植被干旱指数（TVDI）中相同土壤湿度时T_s与植被指数之间的线性关系,建立了ATVDI方法。在实际应用中,首先利用LAI与T_s的散点图确定对数曲线的上边界与下边界,然后采用查找表的方法将每个像元对应的T_s变换为研究区最小叶面积指数对应的T_s。以陕西省关中作为研究区,利用MODIS的LAI和T_s产品（MOD11A2和MOD15A2）以及野外观测土壤湿度数据对ATVDI模型进行验证,结果表明该方法具有较高的监测精度,R2达到0.62。此外,ATVDI的计算结果具有一定的物理意义,使得不同时期的监测结果具有一致性,因而可更好地满足不同空间尺度土壤湿度的动态监测。     

利用高光谱植被指数估测苹果树冠层叶绿素含量

叶绿素含量是反映植物生长状况的重要参数。利用ASD FieldSpec 3光谱仪,测定春梢停止生长期苹果冠层高光谱反射率,对原始光谱进行微分变换,与苹果叶绿素含量进行相关分析确定敏感波段,通过分析敏感区域400～1 350 nm范围内所有两波段组合的植被指数,选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：(1)苹果冠层叶绿素含量的敏感波段区域为400～1 350 nm。(2)利用筛选得到的植被指数CCI(D₇₉₄/D₇₆₃)构建的估测模型能较好的估测苹果冠层叶绿素含量。(3)以CCI(D₇₉₄/D₇₆₃)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。因此,利用高光谱技术能够较快速、精确的对苹果冠层叶绿素含量进行定量化反演,为苹果长势的遥感监测提供理论依据。     

基于CHRIS数据的新型植被指数的LAI估算研究

叶面积指数(LAI)作为重要的植被冠层结构参数,对其进行正确估算一直是遥感应用研究的重点。CHRIS/PROBA是目前具有较高分辨率(17 m)的高光谱多角度数据,该数据在反演LAI方面有着重要的应用价值。本次研究应用辐射传输ACRM模型来模拟一系列LAI在不同观测天顶角(-80°～+80°)情况下的植被光谱数据,在此基础上利用红波段和近红外波段构建了一个新型高光谱多角度植被指数HDVI,并成功地应用于CHRIS/PROBA数据对LAI的估算。结果表明：(1)相比光谱指数NDVI和多角度指数HDS,新指数能更好地利用光谱和多角度双重信息,与研究区LAI有着更好的相关性,决定系数R2高达0.734 7。(2)利用LAI-HDVI最优拟合方程关系来估测LAI值,得到了研究区的LAI分布图,LAI估算精度均方根误差RMSE为0.619 8。     

冬枣光谱数据的灰色关联分析及叶片氮素含量预测

采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析,分析结果显示波长560,678以及786 nm处的光谱反射率(G560,R678,NIR786)与冬枣叶片氮素含量之间的灰色关联度最高。利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度,结果显示：归一化植被指数(NDVI)、绿色比值植被指数(GRVI)、归一化差异绿度植被指数(NDGI)、绿色归一化植被指数(GNDVI)和组合归一化植被指数(CNDVI)等5个指数与叶片氮素含量的灰色关联度较高。利用3个特征波段的光谱反射率和5个关联度较高的植被指数,分别采用最小二乘支持向量机(LS-SVM)以及GM(1,N)模型建立了冬枣叶片氮素含量预测模型。结果表明,采用特征波段光谱反射率(G560,R678,NIR786)建立的冬枣叶片氮素含量GM(1,N)模型的精度最高,预测R2达0.928,验证R2达0.896。     

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares, PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm, GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling, CARS)分别对预处理后的473～1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS, CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R2_c)和均方根误差(root mean square error, RMSEC)分别为0.96和0.29,交互验证的决定系数(R2_cv)和均方根误差(root mean square errorof cross validation, RMSECV)分别为0.92和0.46,预测集的决定系数(R2_p)和均方根误差(root mean square error of prediction, RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation, RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。     

三维漫射光谱法检测猪肉嫩度的初步研究

猪肉是光的强散射物质,嫩度是评价猪肉品质优劣的重要标准之一,提出一种基于三维漫射光谱法的猪肉嫩度检测方式。将猪肉样本更多的散射信息引入光谱分析中。利用实验室搭建的数据采集系统,通过采集距光源入射点不同距离处的样本漫反射光信号构建了64个猪肉样本的三维漫射光谱。经过小波消噪处理后,利用多维偏最小二乘法(NPLS)建立了三维漫射光谱与猪肉嫩度之间的分析模型,模型的校正决定系数R2_Cal是0.883 1,校正标准差RMSEC是3.685 0N,预测决定系数R2_Pred是0.874 7,预测标准差RMSEP是3.9756N。实验结果表明, 与常规的漫反射光谱法相比,三维漫射光谱法所建立的猪肉嫩度NPLS模型具有更高的校正精度和预测稳健性,有望为猪肉嫩度及其他品质的快速检测提供一种新的途径。     

遥感光谱信息提取不同覆盖下植被水分信号的研究进展

综述了基于遥感光谱信息的植被水分信号提取的研究进展,包括直接利用光谱反射率反演植被水分信息到建立植被水分指数(WI),再发展至利用辐射传输模型来获取植被冠层水分信息。着重评述了针对低植被覆盖条件下的提取其冠层水分信息的方法,包括利用冠层生理参数估算植被水分信号;基于去除土壤背景影响的光谱植被水分指数或辐射传输模型估算植被水分信息,以及基于多角度的星-地观测提取稀疏条件下的植被水分信息。最后讨论了针对提取低覆盖植被冠层水分信息方法的可能发展趋势。     

液态样本近红外光谱测量中的光程变化误差消减方法研究

以蔗糖溶液为研究对象,利用近红外光谱分别测量4,5和6 mm光程下不同浓度蔗糖溶液的透反射光谱,研究采用矢量归一化、基线偏移校正、多元散射校正、标准正态变量变换、一阶导数5种预处理方法消除光程差异的影响,并结合PLS方法建立校正集模型。与原始光谱的PLS模型相比,五种预处理方法均对模型的预测精度有不同程度的提高,其中,多元散射校正结合PLS方法建立的模型最优,使原始光谱的主成分数PC由6下降为3,决定系数R2由0.891 278提高到0.987 535,交互验证决定系数R2_CV由0.888 374提高到0.983 343,校正标准偏差RMSEC由1.704%下降到0.89%,交互验证的校正标准偏差RMSECV由1.827%下降到1.05%,预测集样本的相关系数由0.950 89上升到0.976 22,预测标准偏差由0.014 36下降为0.01。结果表明,五种预处理方法中,多元散射校正法能够消除光程差异的干扰,提高模型的预测精度,改善稳定性。     

基于叶片光学属性的作物叶片水分含量反演模型研究

叶片含水量是反映作物生理特性的一个重要参数,对生态环境的研究具有重要意义。采用小波分析方法,分析叶片含水量对反射率的影响特征,建立综合利用多波段信息的作物叶片水分含量反演模型。基于PROSPECT模型的辐射传输理论,推导出由叶片反射率光谱的小波系数反演叶片水分含量C_W的理论模型。利用六种常用的小波函数,对叶片组分水、干物质和白化基本层的吸收光谱进行小波分解。选取对水分变化最敏感,同时对其他组分不敏感的分解尺度和波段位置,找到能稳定突出水的光谱特征的小波系数。结果表明：bior1.5小波函数在尺度为200 nm,波段位置为1 405和1 488 nm的小波系数具有上述特征。建立由叶片反射率光谱的bior1.5小波系数反演叶片水分含量C_W的反演模型,模型有两个转换系数a和Δ都受叶片结构参数N的影响。利用PROSPECT模型生成模拟光谱数据集,校正建立的叶片水分含量反演模型中的两个转换系数a和Δ,并与LOPEX93实验光谱数据集结合验证反演模型。结果表明：反演模型不仅比传统基于植被指数的统计模型在精度上有提高(反演值与实测值的R2最高达到0.987),而且更加稳定,普适性更高。研究表明,小波分析方法在利用高光谱数据反演作物叶片水分含量方面具有独特的优势。