基于近地面高光谱影像的冬小麦日光诱导叶绿素荧光提取与分析

结合FluorMOD模型模拟数据与利用光谱分辨率3.3 nm、光谱采样间隔为0.71~0.74 nm近地面成像高光谱系统获取的抽穗期小麦高光谱影像比较3种基于夫琅和费线暗线的提取方法(FLD,3FLD和iFLD)的精确性和稳定性。结果表明当光谱分辨率为3.3 nm时,在760 nm附近的O₂-A波段可以有效提取日光诱导叶绿素荧光,而在687 nm附近的O₂-B波段不适合。当存在噪声时,FLD和3FLD的稳定性高于iFLD,FLD倾向于高估荧光值。     

不同地类春小麦拔节期冠层光谱与叶绿素差异研究

为实现对不同地类春小麦叶绿素含量的无损估测,通过分析春小麦冠层光谱与叶绿素含量的相关性,以及对其红边拐点位置与叶绿素含量做回归分析,分别建立了水浇地和旱地春小麦叶绿素含量估测模型并检验了模型精度。结果表明: (1) 拔节期水浇地和旱地春小麦叶绿素含量差异较大,且前者明显大于后者。虽然各地类春小麦光谱反射率与叶绿素含量均有很好的相关性,但旱地春小麦的相关性在可见光和近红外波段均低于水浇地。(2)在可见光范围,旱地春小麦冠层光谱反射率高于水浇地,而在近红外区则相反。阴坡地由于土壤水分高,春小麦长势较好,冠层光谱特点与水浇地差异不大。(3)建立的不同地类春小麦反射光谱红边拐点位置与叶绿素含量的监测模型表明,水浇地春小麦叶绿素含量的监测可用线性模型,预测精度达94.06%。而旱地则宜用二项式模型,预测精度为97.15%,比其线性模型高10.48%。     

农田土壤水分含量的激光诱导荧光光谱表征

通过实验探讨了植物的激光诱导叶绿素荧光光谱与土壤水分间的关系。实验利用Y-形光纤探头获取了植物在450 nm LED光源照射下所发出的叶绿素荧光光谱,同时利用TDR传感器测量土壤湿度。实验以水稻为研究对象,研究了在持续水分胁迫和间歇水分胁迫下,叶绿素荧光光谱743 nm附近波峰的变化,结果发现,波峰强度与土壤水分含量具有相关性。最后,利用Lorentzian方程,将持续水分胁迫下的土壤含水量与叶绿素荧光强度进行建模,发现所建的模型具有较高的决定系数,说明该方法可以应用于农业生产中对土壤水分的测量。     

基于生物光学模型的水体叶绿素浓度反演算法

文章提出了一种基于生物光学模型的二类水体叶绿素浓度反演算法.本算法根据生物光学模型,利用一系列已知各组分浓度的反射光谱计算各组分的吸收和后向散射系数,然后采用非负最小二乘法解得叶绿素浓度.研究是在实验室内进行了绿藻的培养,且在暗室内测定了具有不同叶绿素和非藻类悬浮物浓度的水体样本的反射光谱.并把实验室测得的反射光谱重采样到Landsat TM对应的波段以检验该算法在TM数据中的适用性,同时比较了利用不同TM波段组合反演叶绿素浓度和非藻类悬浮物浓度的精度.结果表明,对于绿藻而言,利用TM第二、三、四波段反射率数据的组合反演时的效果最好,叶绿素浓度反演结果的均方根误差为4.7 ug·L-1,其精度明显优于传统的回归分析算法.     

荧光光谱法间接测定叶绿素的含量

叶绿素中的镁可被氢离子置换而形成去镁叶绿素。本文首次提出用荧光光谱法测定叶绿素中的镁而间接测定叶绿素的方法。在氨性溶液中,以7-碘-8-羟基喹啉-5-磺酸(铁试剂)作荧光试剂,省去了叶绿素标准物质。     

双波长光度法快速测定蔬菜中的呋喃丹

研究了西维因和叶绿素共存时光度法测定呋喃丹的方法。呋喃丹水解为酚类物质 ,再用对硝基苯重氮氟硼酸盐显色法测其含量。从西维因和叶绿素的吸收光谱曲线中 ,可看出波长 5 2 7、6 34nm吸光度均相等 ,采用双波长法可消除两者对测定的干扰     

改进的CATSMLP预警藻类污染

人工神经网络由于其很多的特点与优势现已被广泛关注和运用.但是人工神经网络也存在学习过程易陷入局部极小、易出现震荡和网络存在冗余连接或节点等缺陷.针对这些不足,一种新的级联M LP神经网络CATSM LP比ATSM LP有更好的鲁棒性和高度的解释性,并且是一个万能逼近器.采用粒子群优化算法对其进行优化使其鲁棒性增强,具有更快速的收敛能力和更好的寻优能力,从而能更有效的建模.藻类的生长是湖泊等水体污染程度的一个直接表现形式.在某些情况下,甚至精密仪器都不能测出某些藻类污染物,因此需要好的方法越来越受到专家学者们的重视.将其用于藻类污染预警,仿真试验表明其用于环境污染防治有很好的效果,值得推广应用.     

玉米作物多光谱图像精准分割与叶绿素诊断方法研究

为了快速获取大田玉米作物长势信息,基于多光谱图像开展了大田玉米叶绿素指标的非破坏性诊断研究。应用自主开发的2-CCD多光谱图像感知系统,在田间采集玉米冠层可见光[Blue(B),Green(G),Red(R);400～700 nm]和近红外(Near-infrared: NIR,760～1 000 nm)图像,并使用SPAD同步测量样本叶绿素指标。采集后图像经自适应平滑滤波处理后,进行图像玉米植株提取。为了选择最优算法实现玉米植株与杂草、土壤背景的分割,首先比较了最大类间方差(OTSU)分割算法和局部阈值处理分割算法,选取了基于局部统计的可变阈值处理方法对玉米NIR图像进行初步分割,进而采用区域标记算法进行精细分割,分割准确率达95.59%。将分割结果应用于玉米植株可见光图像R,G,B各通道,从而实现了玉米植株多光谱图像中可见光图像的整体分割。基于分割后R,G,B和NIR四个通道的玉米冠层图像,提取了各通道图像灰度均值(A_NIR,A_Red,A_Green和A_Blue)并计算了归一化植被指数(NDVI)、比值植被指数(RVI)和绿色归一化植被指数(NDGI)作为光谱特征参数,建立了玉米冠层叶绿素指标诊断的偏最小二乘法回归模型。结果表明,建模R2达0.596 0,预测R2达0.568 5,该方法通过玉米多光谱图像特征参数评估叶片叶绿素含量,可为大田玉米长势监测提供支持。     

利用光谱指数反演植被叶绿素含量的精度及稳定性研究

农业遥感中,利用光谱指数方法反演作物叶绿素含量一直得到广泛地应用。利用PSR-3500光谱仪及SPAD-502叶绿素仪同步获取了冬小麦冠层光谱数据及对应叶片的叶绿素相对含量(SPAD值),并利用高斯光谱响应模型将PSR获取的地面连续光谱数据重采样为多光谱Landsat-TM7及高光谱Hyperion光谱数据,然后分别计算基于两种传感器的归一化差值植被指数(normalized difference vegetation index, NDVI)、综合叶绿素光谱指数(MCARI/OSAVI,the ratio of the modified transformed chlorophyll absorption ratio index (MCARI) to optimized soil adjusted vegetation index(OSAVI))、三角形植被指数(triangle vegetation index, TVI)及通用植被指数(vegetation index based on universal pattern decomposition method, VIUPD),再将四种光谱指数与叶绿素含量进行回归分析。结果表明,针对重采样后的TM和Hyperion两种传感器数据,VIUPD反演叶绿素含量精度(决定系数R2)最高,反演能力最稳定,这与其“不受传感器影响”的特性密不可分;MCARI/OSAVI反演精度和稳定性次之,是因为引入的OSAVI削弱了土壤背景的影响;宽波段指数NDVI和TVI对模拟TM数据有较好的反演精度,对Hyperion数据反演精度却很低,可能是因为两种指数的构成形式简单,考虑的影响因素较少。以冬小麦为例,对利用光谱指数反演植被叶绿素含量的精度和稳定性进行了研究并分析了其影响因素,经比较发现利用植被指数VIUPD进行植被叶绿素含量反演时,其精度和稳定性最好。     

基于神经网络的叶绿素含量精细测量建模方法研究

活体植物叶片叶绿素含量SPAD值易受叶片厚度、水分等影响,提出了基于多参数神经网络建模的叶绿素含量精细反演方法。通过测量叶片在中心波长分别为650,940和1 450 nm光照射下的透过率,获得叶片的SPAD值和水分指数WI(water index),同时用数字螺旋测微仪测量相应的叶片厚度并用分光光度法测得其叶绿素含量。利用建模集样本分别建立SPAD值与实测叶绿素含量之间的单参数模型和基于BP神经网络的WI、厚度及SPAD值与实测叶绿素含量之间的非线性模型。利用这两种模型分别计算获得验证集样本的叶绿素含量预测值,对预测值和实测值进行了相关分析和相对误差的分析。实验以340个三种不同植物叶片为样本,用以上方法进行了分析。结果表明,利用BP神经网络建模后,每种植物样本的叶绿素含量预测精度都有不同程度的提高,尤其对于叶片厚度值较大的样本,效果更为明显。数据显示所有混合样本平均相对误差绝对值由单参数模型的7.55%降低到5.22%,实测值与预测值的拟合决定系数由0.83提高到0.93。验证了利用多参数BP神经网络模型可以有效地提高活体植物叶绿素含量预测精度的可行性。