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。     

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。     

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。     

利用高光谱红边与黄边位置距离识别小麦条锈病

研究的目的是利用高光谱遥感尽可能早地识别出健康与遭受条锈病胁迫的小麦。通过人工田间诱发不同等级条锈病,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及病情指数(disease index,DI)。对测定的光谱进行平滑并计算一阶微分值,并用两种方法分别提取光谱红边位置(rededge position,REP)与黄边位置(yellowe dge position,YEP):(1)一阶微分最大值法;(2)Cho and Skidmore方法。研究表明随着病情严重度的增加,REP逐渐向短波方向移动,YEP逐渐向长波方向移动,而REP-YEP则迅速的减小。分别对比分析了REP,YEP以及REP-YEP预测DI的能力,结果表明,以REP-YEP为变量的模型预测DI的精度最好,模型估测绝对误差(RMSE)仅为6.22,相对误差(relativeerror,RE)为14.3%,且能够提前12d识别出健康与病害胁迫的小麦。该研究不仅可为将来利用高光谱遥感大面积监测小麦病害提供理论与技术支持,而且对精准农业的实施也具有重要意义与实际应用价值。     

基于小波特征的小麦白粉病与条锈病的定量识别

小麦白粉病和条锈病是小麦常发病害中为害较重的两种病害,在我国小麦产区均有发生,但它们由不同病原引起,需要采取不同的防治措施。因此,快速、准确的获取小麦病害类型信息对于病害的防治具有重要的指导意义。遥感数据具有快速、准确的获取空间上连续信息的特点,提出一种基于实测冠层高光谱数据信息的小麦病害定量识别方法。通过对标准化光谱进行连续小波变换,分析350~1 300nm范围内各波段及其连续小波特征与小麦白粉病和条锈病之间的相关性,以及在不同病害间的差异性,筛选出对不同病害敏感的光谱波段(SBs)和小波特征(WFs),然后采用Fisher判别分析法分别基于SBs,WFs以及结合SBs和WFs建立小麦白粉病、条锈病及正常小麦识别模型,分别采用未参与建模的55个地面调查数据和留一法进行验证。结果显示:(1)基于WFs模型的总体识别精度(分别为92.7%和90.4%)明显高于基于SBs模型的总体识别精度(分别为65.5%和61.5%);(2)SBs和WFs结合模型的总体识别精度(分别为94.6%和91.1%)略高于基于WFs模型的总体识别精度,在Fisher80-55模型中白粉病和正常样本的生产者精度提高了10%以上。(3)条锈病样本能在基于WFs和SBsWFs的模型中准确判别出来,用户精度和生产者精度均达到100%。结果表明采用作物光谱信息能够准确的识别健康作物和不同类型的作物病害,为采用遥感影像进行大范围作物病害识别提供了理论基础,对于指导作物病害防治具有实际应用价值。     

以聚(3-己基噻吩)-石墨烯-Nafion修饰的玻碳电极为工作电极示差脉冲伏安法测定细颗粒物PM_(2.5)中铅的含量

将聚(3-己基噻吩)-石墨烯在二甲基甲酰胺中的悬浮液(1g·L~(-1))10μL涂覆在玻碳电极(GCE)上,在室温干燥后,再将0.5%(质量分数)Nafion乙醇溶液滴涂于其表面,制得聚(3-己基噻吩)-石墨烯-Nafion修饰玻碳电极。用循环伏安法和示差脉冲伏安法研究了铅(Ⅱ)离子在此修饰电极上的电化学行为。结果表明:此电极对铅(Ⅱ)离子在-0.713V处出现明显的氧化峰,其峰电流为玻碳电极上的6倍。在pH 5.0的乙酸盐缓冲溶液中,在沉积电位为~(-1).0V,沉积时间为150s和扫描速率为100mV·s~(-1)的条件下,铅(Ⅱ)离子浓度在0.010~4.5μmol·L~(-1)内与其相应氧化峰电流值之间呈线性关系,检出限(3S/N)为5.0×10-9 mol·L~(-1)。在此条件下测定铅具有很好的选择性。方法用于测定环境监测站所取的PM_(2.5)实际样品,所得测定值与分光光度法测定值相符。     

复合支持向量机方法及其在光谱分析中的应用

SVC和SVR是支持向量机研究的两个主要问题.文章把两种建模方法相结合,先由SVC模型判别分类,后由各类的局部SVR模型进行定量分析,提出了复合支持向量机(CSVM)方法.根据71个试验小区的水稻冠层高光谱与叶片含氮量建立定量分析模型,考证了CSVM算法.基于模拟研究的思想,随机划分建模集和预测集,比例为55∶16.经过5次划分试验,复合支持向量机方法建模对叶片含氮量的预测值与凯氏定氮实际值之间的平均相关系数为0.89,平均绝对误差为0.088;而传统的支持向量机方法得到的平均相关系数为0.87,平均绝对误差为0.091.由此可见,复合支持向量机方法相对于传统的支持向量机方法预测精度有所提高.文章研究方法的提出为化学计量学定量分析研究给出了新的思路.     

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。     

冬小麦叶面积指数遥感反演方法比较研究

叶面积指数(leaf area index,LAI)是反映作物生长状况和进行产量预测预报的主要指标之一,对诊断作物生长状况具有重要意义。遥感技术为大面积、快速监测植被LAI提供了有效途径。利用高光谱遥感影像,结合田间同步实验数据,探讨不同方法对冬小麦叶面积指数遥感反演的能力。介绍了支持向量机、离散小波变换、连续小波变换和主成分分析四种LAI反演方法。分别利用上述四种方法构建冬小麦LAI反演模型,并对不同算法反演的LAI模型进行了真实性检验。结果显示,支持向量机非线性回归模型精度最高,对冬小麦LAI估算能力最强,反演值与实测值拟合的决定系数为0.823 4、均方根误差为0.419 5。离散小波变换法和主成分分析法都是基于特征提取和数据降维,其多元变量回归分析对LAI估算能力相近,决定系数分别为0.697 1和0.692 4,均方根误差分别为0.605 8和0.554 1。连续小波变换法回归模型精度最低,不适宜直接用其小波系数来反演LAI。结果表明,非线性支持向量机模型最适宜用于研究区域的冬小麦LAI反演。     

基于光谱知识库的TM影像冬小麦条锈病监测研究

基于高光谱信息的冬小麦条锈病严重度反演模型通常不能直接应用在宽波段卫星影像上,而拥有高光谱波段信息的航空遥感影像又因数据尺度小、成本高难以应用于大规模监测。文章提出一种通过构建冬小麦条锈病光谱知识库,利用TM影像实现病情识别和监测的方法。该方法以包含各种不同病情严重度的试验田的三幅小麦关键生育期PHI航空遥感影像为媒介,利用病情指数DI的经验反演模型和基于波谱响应函数的TM波段模拟,建立DI和TM波段模拟反射率间的光谱知识库。在此基础上,通过马氏距离法和光谱角度填图(SAM)法将待检象元的光谱信息与光谱知识库进行匹配分析从而实现对病情识别和监测。监测的精度利用模拟TM象元进行评价,识别的效果利用TM影像象元进行检验。结果表明,该方法在一定生育期范围内具有较佳的监测精度和识别效果。其中,使用模拟TM象元在小麦灌浆期精度最佳,评价的R2达到0.93,乳熟期次之,拔节期最差,基本不能用于监测。使用TM影像象元在灌浆期和乳熟期可较好地识别染病象元,在拔节期无法有效识别染病象元。匹配方法马氏距离法略优于光谱角度匹配法。