基于PHI影像敏感波段组合的冬小麦条锈病遥感监测研究

利用ASD地面非成像光谱仪对不同严重度的冬小麦条锈病的冠层光谱反射率进行测定,同时调查病情指数。通过对地面实测的46组病情指数与相应的光谱反射率进行相关性分析,筛选出了小麦条锈病在350～1 500 nm的敏感波段。结合多时相的高光谱航空飞行遥感图像数据的特点和规律,最终选择红波段的620～718 nm与近红外波段的770～805 nm为条锈病在PHI影像上的敏感波段。并利用620～718 nm和770～805 nm的平均光谱反射率与相应的病情指数建立了多元线性回归模型:DI=19.241 R_1—2.207 R_2+12.274,验证结果表明,该模型的历史拟合度很好。并利用此模型最终在PHI影像上成功的实现了对冬小麦条锈病发生程度与发生范围的监测。     

最小二乘支持向量机方法对冬小麦叶面积指数反演的普适性研究

冬小麦叶面积指数(leaf area index,LAI)是进行作物长势判断和产量估测的重要农学指标之一,高光谱遥感技术为大面积、快速监测植被LAI提供了有效途径。在探讨利用最小二乘支持向量机(least squares support vector machines,LS-SVM)方法和高光谱数据对不同条件下冬小麦LAI的估算能力。在用主成分分析法(principal component analysis,PCA)对PHI航空数据降维的基础上,利用实测LAI数据和高光谱反射率数据,构建LS-SVM模型,采用独立变量法,分别估算不同株型品种、不同生育时期、不同氮素和水分处理条件下的冬小麦LAI,并与传统NDVI模型反演结果对比。结果显示,每种条件下的LS-SVM模型都具有比NDVI模型更高的决定系数和更低的均方根误差值,即反演精度高于相应的NDVI模型。NDVI模型对不同株型品种、不同氮素和水分条件下冬小麦LAI估算精度不稳定,LS-SVM则表现出较好的稳定性。表明LS-SVM方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。     

融合可见光-近红外与短波红外特征的新型植被指数估算冬小麦LAI

考虑到短波红外特征与叶面积指数(LAI)有很好的关联,将短波红外特征的典型水分指数与基于可见光-近红外特征的植被指数相融合,尝试构建新的植被指数估算作物LAI。通过PROSAIL辐射传输模型分析新植被指数对LAI饱和响应的特征;利用2009年和2008年北京地区冬小麦实测光谱数据进行LAI估算建模与验证。结果表明:所选择的10个典型可见光-近红外植被指数分别与5个水分植被指数相结合构建的新指数,都能够有效提高与LAI的相关性,特别是在融合了含有短波红外特征的sLAIDI*指数后,新指数显著提高了对LAI响应的饱和点,而对植被水分变化不敏感,LAI估算精度得到改善。研究表明:将短波红外特征引入到可见光-近红外植被指数中,构建的新植被指数对冬小麦LAI估算具有明显的优势。     

应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算

当作物生物量较大时,现有植被指数由于受饱和问题限制,不能较好的估算作物生物量。针对此问题,尝试将波段深度分析与偏最小二乘回归(partial least square regression,PLSR)结合,提高对大田冬小麦生物量的估算精度,并将两者结合建立的模型与应用代表性植被指数建立的模型进行生物量估算精度比较。波段深度分析主要对冬小麦冠层光谱550～750nm范围进行,采用波段深度、波段深度比(band depth ratio,BDR)、归一化波段深度指数和归一化面积波段深度对波段深度信息进行表征。在建立的模型中,波段深度分析和PLSR结合的估算精度比应用植被指数模型的精度高,其中BDR与PLSR结合的估算精度最高(R2=0.792,RMSE=0.164kg.m-2)。研究结果表明波段深度分析与PLSR结合能较好的克服生物量较大时存在的饱和问题,提高冬小麦生物量的估算精度。     

用高分辩率卫星影像辨识城市建筑物

在对试验区IKONOS卫星高分辨率影像预处理的基础上,采用HIS变换法对1m分辨率全色影像和4m分辨率多光谱影像进行了融合处理;通过建筑物阴影提取了建筑物高程,采用正交小波变换方法提取了图像的纹理信息;采用了四种不同的特征图像组合方式,对试验区高、中、低层建筑物进行了分类.     

基于6S模型的遥感影像逐像元大气纠正算法

大气纠正的目的是从遥感影像中去除大气影响,并反演获取地物真实反射率。介绍了一种逐像元对遥感影像进行大气纠正的算法,该算法基于6S(Second Simulation of the Satellite Signal in the Solar Spectrum)大气辐射传输模型计算建立的查找表(look-up table),并利用地面暗目标(dark object)进行陆地气溶胶光学厚度的自动反演,由于气溶胶的分布具有空间连续性,在获取地面暗目标气溶胶光学厚度值后,通过空间插值的方法计算影像中非暗目标像元的气溶胶光学厚度值,经过查找表二次插值计算,逐像元进行大气纠正并获取像元地表反射率值。以Landsat5遥感影像为例,介绍了算法流程,展示了大气纠正的结果。结果显示,利用查找表逐像元大气纠正的算法,能够在一定程度上去除云雾对影像的影响,更加精确的对遥感影像进行大气纠正并获取地物的真实反射率。     

水稻产量遥感监测机器学习算法对比

水稻是我国的主要粮食作物,利用高光谱遥感技术在水稻未成熟之前对水稻产量进行监测,一方面可以及时调整栽培管理方式,指导合理追肥,另一方面,可以准确掌握水稻的产量信息,帮助政府提前做出决策。以2019年—2020年广州市白云区钟落潭试验基地氮肥梯度实验为基础,分别获取水稻分化期和抽穗期冠层高光谱数据、作物群体长势参数（生物量、叶面积指数）及作物养分吸收量,利用贝叶斯岭回归（BRR）、支持向量回归（SVR）、偏最小二乘回归（PLSR）三种方法建立各生育期的产量监测模型并进行精度对比,确定水稻产量的最优估算时期和最佳估测模型。结果表明,三种方法中,BRR和SVR方法更适合产量监测,在不同时期及不同的参数组合下均有较好的表现（R2>0.82,NRMSE<8.22%）;基于2019年与2020年数据,采用全波段光谱信息进行产量监测时,分化期最佳监测模型为BRR模型,R2为0.90,抽穗期最优监测模型为SVR模型,R2为0.87;采用全波段光谱协同作物群体长势参数进行产量监测时,两时期最佳监测模型均为BRR模型,R2分别达到0.90和0.92;相较于BRR模型和SVR模型,PLSR模型在不同时期和不同参数组合下,最高R2仅为0.75;基于2020年数据,以三种不同的参数组合作为输入时,两时期估算结果均为BRR模型最优,且分化期建模精度高于抽穗期（R2至少增加0.02,NRMSE至少降低0.61%）;当输入参数组合为全波段光谱协同作物群体长势参数、作物养分吸收量时,BRR模型对产量的估算精度达到最高,R2为0.94。分析认为产量的最优监测时期是分化期,最优监测模型为BRR模型。研究结果可为水稻产量的早期遥感监测提供参考。     

基于热点效应的不同株型小麦LAI反演

针对小麦株型对LAI反演精度的制约,利用地面实测的多角度数据,提出采用热点指数反演高精度的不同株型小麦LAI。通过分析京411紧凑型和中优9507披散型两种株型小麦在红光(670nm)和近红外波段(800和860nm)的二向反射光谱特征,借鉴热暗点指数HDS和归一化热暗点信息指数NDHD,构建了改进的归一化热暗点指数MNDHD和热暗点比值指数HDRI两个新热点指数。将HDS,NDHD,MNDHD和HDRI与NDVI,SR和EVI相乘得到的热点组合指数用于不同株型小麦LAI的反演。分析得出对紧凑型小麦京411,由860nm近红外波段的NDVI与MNDHD和HDRI的组合指数反演的LAI精度分别为0.9431和0.909 2;对披散型小麦中优9507,由800nm近红外波段的SR与HDRI和MNDHD的组合指数获得的LAI反演精度分别为0.964 8和0.895 6。表明基于冠层的热点效应反演不同株型小麦LAI的方法可行,多角度遥感数据在作物结构参数提取方面比常规观测数据更具优势。     

分散剂对水焦浆成浆性影响的量子化学研究

为高效利用半焦资源,选择适宜的水焦浆分散剂以提高兰炭制备水焦浆的性能,本研究以陕北半焦及四种不同分散剂(腐植酸钠SH、木质素磺酸钠SLS、十二烷基磺酸钠SDS和一种自制衣康酸型分散剂IPMS)为研究对象,探讨了不同添加剂对水焦浆成浆特性的影响。利用Material Studio(MS)软件计算了分散剂的结构参数及半焦与分散剂间的相互作用能,从量子化学角度对分散剂的作用进行探讨,并与制浆实验结果进行比较。结果表明,加入分散剂可有效降低液体表面张力,增大半焦颗粒表面电负性,从而增强颗粒间静电排斥作用使得浆体更加稳定。相同制备条件下,分散剂IPMS制备水焦浆时效果较优,在剪切速率为100 s~(-1)时,其表观黏度为625 mP·s,7 d析水率仅为2.38%且无硬沉淀。通过计算机模拟得出吸附过程中分散剂的氧原子向半焦的羟基一侧靠近,产生电荷转移,四种分散剂活性大小顺序为IMPS SH SLS SDS,IMPS与半焦相互作用的吸附作用较强与实验结果一致。证明了采用量子化学计算结合实验数据可以对水焦浆分散剂的性能进行评价,为浆体燃料制备技术及新型药剂的设计开发提供了理论基础。     

基于叶片及冠层叶绿素参数的冬小麦籽粒蛋白质含量预测研究

小麦籽粒蛋白质含量是衡量小麦营养品质的重要指标,实现小麦品质快速的预测预报对于粮食收购部门和加工企业具有重要意义。研究基于作物叶绿素/氮素速测仪SPAD及Multiplex 3,获取冬小麦不同生育期叶片及冠层叶绿素参数,从小麦个体及群体参量两方面进行冬小麦收获期籽粒蛋白质含量及蛋白产量的预测研究。试验于2012年4—6月在国家精准农业研究示范基地开展,研究结果表明,冬小麦返青至灌浆初期,小麦冠层氮素密度与籽粒蛋白质含量的相关性优于叶片氮素含量与蛋白质含量的相关性,灌浆中期两者与籽粒蛋白质含量相关性差别不大;小麦叶片SPAD值与叶片氮素含量相关性总体优于其与冠层氮素密度的相关性,而叶绿素荧光参数SFR_G,SFR_R与冠层氮素密度的相关性优于其与叶片氮素含量的相关性;叶片SPAD与籽粒蛋白质含量的相关性在拔节期最弱,在灌浆中期最强,小麦冠层叶绿素荧光参数SFR_G,SFR_R与籽粒蛋白质含量相关性在返青至拔节期不显著,但孕穗期开始显著相关,在灌浆中期相关性最强且明显优于同期叶片SPAD与籽粒蛋白质含量的相关性;冬小麦籽粒蛋白产量与叶片SPAD值在小麦孕穗期至灌浆期显著相关,与SFR_G和SFR_R在小麦灌浆期显著相关;研究基于灌浆中期SPAD值及SFR_R值,构建了冬小麦籽粒蛋白质含量及籽粒蛋白产量的预测模型,其中,籽粒蛋白质含量预测模型复相关指数分别为0.426和0.497,模型标准误差分别为0.060%和0.055%,籽粒蛋白产量预测模型复相关指数分别为0.366和0.386,模型标准误差分别为125.367和123.454kg·ha-1。研究表明,利用叶片SPAD值及冠层叶绿素荧光信息,在小麦收获前进行品质的快速预测是可行的。