不同病害胁迫下大豆的光谱特征及识别研究

在英国诺丁汉大学Sutton Bonington校区(52.8°N,1.2°W)实测感染锈病与普通花叶病大豆的单叶光谱数据,利用连续统去除法对原始光谱数据进行处理,筛选对病害及锈病严重度敏感的波段,构建植被指数对感染锈病与普通花叶病及不同严重度锈病的大豆进行识别研究。研究发现普通花叶病胁迫下的大豆光谱反射率在可见光区域均大于健康大豆的,而锈病胁迫的大豆光谱反射率在绿光区随病情严重度增加而减小,在红光区随病情严重增强而增大。根据大豆光谱变化特征设计了一个植被指数R500×R550/R680对大豆病害进行识别,通过计算不同病害及不同严重度之间的J-M距离对指数识别病害能力进行检验,结果表明指数R500×R550/R680能够较好的识别出大豆锈病与普通花叶病,且该指数在识别大豆锈病严重度方面也有较强的能力。研究结果对农作物病害遥感监测与防治具有重要的理论价值与实际应用意义。     

地下储存CO2泄漏胁迫下地表植被光谱变化特征及识别研究

随着全球气候变暖,减少温室气体排放成为全世界所关注的问题,而碳捕捉与储存(carbon captureand storage,CCS)技术可以减少温室气体CO2排放量,但储存在地下的CO2有泄漏的风险。本工作的目的是通过野外模拟实验,研究地表植被(甜菜)在CO2轻微泄漏胁迫下其叶片叶绿素含量、水分含量及光谱变化特征,结果表明CO2泄漏胁迫的甜菜叶绿素与叶片含水量明显降低,叶片反射率在550nm减小,而在680nm增大。设计了比值指数R550/R680进行识别CO2泄漏胁迫的甜菜,发现该指数能够在胁迫发生7天后识别出胁迫的甜菜,且该指数具有较强的敏感性、稳健性及识别能力。研究结果对于未来CCS项目选址、地表生态监测评估、遥感监测CO2泄漏点等都具有重要的现实意义与应用价值。     

基于改进的自动散点控制回归算法的遥感影像相对辐射归一化

多时相遥感影像的相对辐射归一化是进行变化检测或拼接不可缺少的步骤。针对现有方法的不足,以自动散点控制回归(Automatic scattergram-controlled regression,ASCR)技术为基础,提出了一种改进的ASCR算法(Im-proved automatic scattergram-controlled regression,IASCR)。它的核心思想是首先利用粗剔除和主成分分析的方法选择占主体信息量的“未变化”像元,然后再利用最小二乘法确定回归方程,对多时相遥感影像进行归一化。以北京地区的多时相TM影像为实验数据对其进行归一化,并与ASCR法、全景简单线性回归法(Simple regression)、暗-亮(Dark setbright set)归一化法、伪不变特征归一化法(Pseudo-invariant feature)的结果进行了比较。实验结果表明,IASCR算法是解决多时相遥感影像辐射归一化问题的有效手段。     

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R1 300/R1 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。     

主成分分析法与植被指数经验方法估测冬小麦条锈病严重度的对比研究

通过人工田间诱发不同等级小麦条锈病,在不同生育期测定染病冬小麦冠层光谱及其病情指数(disease index,DI).利用主成分分析法提取冠层光谱350～1 350 nm范围内的前5个主成分(principal components,PCs),以及一阶微分光谱在蓝边(490～530 nm),黄边(550～582 nm)和红边(630～673 nm)内的前3个PCs,并利用逐步回归法建立反演模型,其结果分别与植被指数经验模型进行对比,结果表明:以一阶微分PCs为变睛的模型精度优于其他模型,其RMSE为7.65,相对误差为15.59%.通过对预测值与实测值对比发现,以微分指数SDr'/SDg'为变量的模型适合监测冬小麦早期病情,而以一阶微分PCs为变量的模型特别适合监测冬小麦条锈病病情较严重期.研究结果对利用高光谱遥感监测与评估小麦病害程度具有实际应用价值.