排序方式: 共有521条查询结果,搜索用时 218 毫秒
1.
高光谱图像和叶绿素含量的水稻纹枯病早期检测识别 总被引:1,自引:0,他引:1
基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358~1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域(ROI),利用感兴趣区域的光谱数据,对其进行Savitzky-Golay(SG)平滑、Savitzky-Golay(SG)一阶求导、Savitzky-Golay(SG)二阶求导、变量标准化(SNV)和多元散射校正(MSC)预处理,建立线性判别分析(LDA)和支持向量机(SVM)分类模型,结果表明:采用SG二阶求导预处理后的线性判别分析(LDA)模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法(x-loading weights, x-LW)对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析(LDA)和支持向量机(SVM)分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析(LDA)模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机(SVM)分类模型,其中基于图像主成分分析的反向传播神经网络(BPNN)模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络(BPNN)和线性判别分析(LDA)模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络(BPNN)建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。 相似文献
2.
考虑水分光谱吸收特征的水稻叶片SPAD预测模型 总被引:1,自引:0,他引:1
叶绿素是植被光合作用的重要色素,传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。通过构建高精度SPAD光谱估算模型,可以实现对水稻叶片叶绿素含量的实时无损监测。以黑龙江省不同施氮水平下水稻为研究对象,采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。光谱探测范围350~2 500 nm。利用自带光源型手持叶片光谱探测器直接测定叶片光谱,光源为内置卤素灯。采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。叶片水分是植物光合作用的基本原料,也间接影响着叶绿素含量。叶片含水量降低则会影响植物正常的光合作用,导致其叶绿素含量随之降低。因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。随机森林模型是一个基于多个分类树的算法。算法在采样的过程中包括两个完全随机的过程,一是有放回抽样,可能会得到重复的样本,二是选取自变量是随机的。因此本文对叶片光谱反射率进行去包络线(CR)处理,综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数,综合分析光谱指标与SPAD相关关系,采用随机森林算法构建不同输入量的SPAD高光谱估算模型。结果表明: (1)水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围(600~690 nm)、红边范围(720~760 nm)、水分吸收波段范围(1 400~1 490和1 900~1 980 nm)均为0.75以上;(2)在光谱参数与SPAD 的相关分析中,NDVI,DP2与水稻叶片SPAD值相关性最好,相关系数为0.811和0.808;(3)以结合水分光谱信息后的CR(V1, V2, V3, V4)为自变量所建立的随机森林模型精度最高,R2为0.715,RMSE为2.646,可作为水稻叶片叶绿素预测模型。研究结果揭示了不同品种水稻的光谱响应机制,提供了水稻叶片SPAD值高精度反演的技术方法,为监测与调控东北地区水稻正常生育进程提供技术支持。 相似文献
3.
工矿业城市区域水质参数高光谱定量反演 总被引:1,自引:0,他引:1
工矿业城市区域易受工业活动、矿产开采影响,使其水环境遭受不同程度的破坏,以至于水体污染问题突出。当前常规水质监测主要采用“以点代面”的工作方式进行野外采样及其室内化验分析,然而环境复杂多变,空间差异大,导致调查点代表性受限,整体精度不高,效率低下,更难以实现区域性动态监测。以因矿兴市的矿业重镇湖北黄石大冶市为研究区,同步开展无人机高光谱航飞、地面光谱测量和水体样品采集测试,分别获得具有49个波段的高光谱影像数据和光谱分辨率为1 nm的水体光谱曲线,其中影像数据波谱范围为505~890 nm,光谱分辨率为7.78 nm,空间分辨率为30 cm。对获取的高光谱影像和光谱数据剔除异常值、光谱定标、辐射校正等预处理后,对比分析研究区内水体的不同光谱吸收、反射及光谱曲线形态特征信息,从而提取出高光谱影像和测量光谱的反射光谱曲线形态特征、去包络线后光谱曲线形态特征、三阶求导后光谱曲线形态特征和光谱四值编码共四大类25个光谱特征。采用皮尔森相关系数分析样品水质参数与光谱特征之间的相关性,以此筛选出存在显著相关的水质参数与光谱特征。在此基础上,采用逐步回归分析方法筛选出最大反射率及其波长位置、对称度、光谱编码Ⅲ、三阶导最大及最小值等光谱特征作为模型变量,构建出水质参数的多元线性反演模型,并对模型进行F检验和t检验。将检验后的反演模型推广运用于研究区内高光谱影像,获得尾矿库、河流、湖泊等典型区域的水质参数反演结果,从而实现“由点到面”水质参数信息的快速获取。结果显示水质参数pH、硬度(Ca2++Mg2+)、钾与氯离子比值(K+/Cl-)、镁与碱度比值[Mg2+/(HCO3-+CO2-3)]的反演精度较高,其pH的判定系数R2最小为0.669,镁与碱度比值的判定系数R2最大为0.895,相对均方根误差均小于28%;而总溶解固体(TDS)反演精度较低,其判定系数R2仅为0.463,相对均方根误差达36.762%。提出了一种基于光谱曲线形态特征的高光谱遥感水质参数定量反演模型方法,实现了pH值、硬度、镁离子与碱度之比等水质参数的高光谱定量反演,为区域水环境动态监测提供了新方法。 相似文献
4.
倒伏胁迫是玉米生产中的主要灾害之一,严重影响玉米的产量、品质和机械收获能力。解析不同倒伏胁迫强度下玉米冠层结构变化规律及其光谱响应机理,是玉米倒伏灾情大范围遥感监测的基础。分别在玉米抽雄期、灌浆中期设置茎倒、茎折、根倒3种强度的倒伏处理,基于田间多频次持续观测实验,分析生育期、倒伏类型对玉米冠层结构动态变化及其自我恢复能力的影响;采用传统光谱变换与连续小波变换方法对倒伏玉米冠层高光谱进行处理,选取叶面积密度(LAD)为玉米倒伏冠层结构特征指标,筛选叶面积密度最佳敏感波段和小波系数,基于随机森林法构建叶面积密度高光谱响应模型,利用未参与建模的实测样本验证模型精度,重点探讨小波分解尺度和光谱分辨率对LAD光谱响应能力的影响规律。研究结果表明:叶面积密度作为单位体积内叶面积总量的冠层结构表征指标,与倒伏胁迫强度具有较好的响应关系,灌浆期的倒伏玉米LAD普遍高于抽雄期,抽雄期LAD整体表现为茎折>根倒>茎倒>未倒伏,灌浆期LAD整体表现为根倒>茎折>茎倒>未倒伏;经连续小波变换后,玉米倒伏冠层光谱对玉米倒伏LAD的响应能力普遍优于传统光谱变换,随着小波分解尺度的增加,LAD与敏感波段的相关性越强,其中10尺度相关系数最高,达0.74;连续小波变换所构建的模型精度普遍优于传统光谱变换,其中由原始光谱小波变换后构建的LAD响应模型精度最高,检验样本的R2为0.811,RMSE为1.763,表明连续小波变换技术可凸显和利用冠层光谱中的细微信息。因此,叶面积密度可有效定量表征不同倒伏胁迫程度的玉米冠层结构变化特征,连续小波变换能有效提升冠层光谱对倒伏玉米结构变化的响应能力,基于随机森林法构建的倒伏玉米叶面积密度诊断模型具有较高的精度和稳定性,可为区域尺度的夏玉米倒伏灾情遥感监测提供先验知识。 相似文献
5.
高光谱成像的土壤剖面水分含量反演及制图 总被引:2,自引:0,他引:2
传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱(882~1 709 nm)成像反演剖面土壤水分含量(SMC),并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值(DN)校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱(Raw)经吸光度[LOG10(1/R)],Savitzky-Golay平滑(SG)、一阶微分(FD)、二阶微分(SD)、多元散射校正(MSC)和标准正态变量(SNV)转换后,采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG10(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数(R2c)和均方根误差(RMSEc)分别为0.96和0.65%,预测集的决定系数(R2p)、均方根误差(RMSEp)和相对分析误差(RPDp)分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高(R2: 0.85~0.95, RMSE: 0.94%~1.02%),且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。 相似文献
6.
小麦白粉病和条锈病是我国两种最普遍、最具破坏性的小麦病害,且田间常常混合发生。由于病源和发病机理不同,有必要对这两种病害进行准确区分和识别,以采取不同的防治措施。基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、白粉菌侵染叶片和健康叶片(共计320个)在375~1 017 nm范围内的高光谱图像,利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线,发现小麦白粉病和条锈病的敏感波段均集中在550~680 nm的色素强吸收位置,且趋势基本一致。针对两种病害的响应波段交叉重叠的问题,通过主成分分析-载荷法(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对小麦叶片的光谱信息进行有效降维,分别优选出3、6、30个敏感波段和特征波长;在此基础上,采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、PCA、SPA和CARS的优选波段,建立白粉病、条锈病和健康叶片的判别模型。结果表明,8种模型的准确识别率均在94.58%以上。其中,主成分分析-载荷法结合极限学习机模型最优,训练集与校正集的正确识别率分别为99.18%和100%,且结构简单,仅含有三个变量(占全波段的1.1%)。最后,通过对小麦白粉病、条锈病以及健康叶片的显微结构分析,发现病菌入侵叶片,破环细胞结构,导致叶绿素含量减少,光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱,反射率增大。可见,利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害,为研发作物病害在线识别的多光谱系统提供重要的理论依据。 相似文献
7.
水体辐射传输模型是水体光谱特性分析的理论基础,水体固有光学量由水体组成决定,与水体表面光场无关。基于统计的半经验算法虽然能获取指定区域水质参数反演结果,但是缺乏物理意义;基于生物光学模型的分析算法,针对城市河网内陆Ⅱ类水体光学特性复杂、空间分布异质性强、水体细小、流动性大等特点,利用高光谱数据,研究基于固有光学量的城市河网水质参数反演模型,对内陆城市浑浊水体光谱特性研究具有重大意义。提出了适用于内陆城市河网水体的改进QAA算法,以获取水体固有光学量,改进包括后向散射估计模型调整和参考波段优化两个方面;计算参考波段总吸收系数、颗粒物后向散射系数等固有光学量,得到浮游植物吸收系数和剔除纯水吸收系数;对浮游植物吸收系数最优波段比值与叶绿素a浓度进行线性回归分析,构建叶绿素a水质浓度反演模型,对剔除纯水吸收系数最优波段比值与悬浮物浓度线性回归分析,构建悬浮物水质浓度反演模型。针对内陆河网Ⅱ类水体,以典型的河网城市嘉兴市为研究区域,获取了研究区域航空高光谱数据,以及水质采样化验数据和水面以上光谱数据等地面准同步测量数据;利用QAA算法和IIMIW算法对实测水面以上光谱进行固有光学量反演,对比分析两个算法并结合城市河网水体特点,提出改进QAA算法;利用改进的QAA算法实现了研究区域水体的固有光学量反演,基于反演的水体固有光学量建立了叶绿素a浓度和悬浮物浓度两项水色参数定量反演模型,反演模型决定系数R2分别为0.64和0.71;并用航空高光谱数据同步区域的4个地面样点实测数据,对反演结果进行验证分析。通过水质参数浓度反演值与实测值的对比,叶绿素a和悬浮物水质浓度反演的平均相对误差分别为9.2%和9.4%,反演得到的叶绿素a和悬浮物浓度分布图,也与城市河网的特点和实际情况相符,为城市河网水质监测提供方法和模型参考。 相似文献
8.
2016年9月15日发射的TG-2空间实验室上搭载的MAI是我国首个在轨运行的多角度偏振成像仪,主要用于获取云和气溶胶等大气环境信息。星载遥感仪器的定标是观测资料定量应用的关键前提且贯穿仪器的整个寿命期。MAI发射前已经进行了实验室定标,且精度较高。为了监测MAI发射后的在轨运行情况,针对其未配置在轨定标装置的问题,利用Metop-B/GOME-2可见光波段的高光谱分辨率和较高探测精度的优势,提出了基于GOME-2对MAI 565,670以及763 nm通道进行在轨监测及交叉定标的方法。该方法首先通过时空匹配、视线几何匹配等获取MAI与GOME-2相近时刻、相近视线几何条件下的同目标观测数据,再将GOME-2反射率按照MAI可见光通道光谱响应函数进行卷积,得到各通道的参考反射率,与MAI反射率进行对比分析,从而实现对MAI的定标。利用不同反照率特性目标的匹配观测数据,该方法能够实现仪器的高、中、低端观测的全覆盖定标。定标过程主要包括: (1)对2016年12月到2017年2月期间TG-2和Metop-B的运行轨道进行预报,获取二者交叉观测的整轨数据;设置观测时间差为900 s,初步匹配得到8组MAI与GOME-2交叉观测样例,包含2 455组匹配像元;(2)对匹配像元空间位置进行检验,保留单个GOME-2像元覆盖的MAI像元数超过338的交叉样本,以确保单个GOME-2像元尽可能被MAI观测充满;(3)给定GOME-2观测天顶角小于30°的限制条件,同时设置视线几何检验条件为两仪器观测天顶角余弦的比值接近于1,且相差不超过0.05,并充分利用MAI的多角度观测优势,对每一个MAI像元采用最多14个方向的视线几何进行匹配,从而选择最优的视线匹配方向;(4)设置观测目标均匀性检验条件为一个GOME-2像元覆盖的全部MAI像元反射率的标准差和均值之比小于0.5,对匹配像元进行检验,得到469个匹配的GOME-2像元。(5)将以上GOME-2像元对应的各个波长的反射率按照MAI可见光通道的光谱响应函数进行积分,即可得到MAI各通道对应的GOME-2参考反射率。(6)利用GOME-2像元空间分辨率显著大于MAI分辨率的特征,对每个GOME-2像元覆盖的全部MAI像元反射率进行平均作为MAI反射率,显著降低了定标结果对观测目标均匀性的依赖程度。(7)将GOME-2参考反射率与MAI反射率进行回归分析,得到定标系数,实现对MAI的在轨交叉定标。为了分析各匹配条件对定标结果的影响,利用单一变量法对像元匹配过程中各检验条件阈值进行调整并开展了分析试验。结果表明,当进一步严格匹配筛选条件时,定标结果不会产生显著变化。基于该方法对MAI三个通道反射率和GOME-2参考反射率进行对比分析,结果表明二者之间存在显著地线性关系,且相关系数均优于0.97,对比差异的均值分别为1.6%,4.2%和2.3%,标准差分别为3.1%,4.1%和2.4%。总体来看,利用在轨交叉定标方法能够实现MAI可见光波段的在轨监测及定标,为MAI数据的定量应用奠定了基础。 相似文献
9.
煤炭矿区植被冠层光谱土地复垦敏感性分析 总被引:1,自引:0,他引:1
煤矿区土地复垦及复垦监测工作,对于我国土地利用和生态环境治理具有重要意义。微生物复垦技术能够促进植物吸收利用矿质养分和水分,增强土壤肥力,对矿区生态恢复具有显著作用。监测和评价土地复垦效应对植物生长影响的传统方法,通常采用野外采集植物和土壤样本并进行室内分析,但这些方法不仅破坏植物根系原状土壤,造成植株损伤,而且耗费人力、物力,时效性差。高光谱遥感技术具有数据获取速度快、信息量大、精度高且无须离体破坏植株等优点,对于土地复垦监测有非常大的潜力。目前,土地复垦效应遥感监测相关研究仍以观测盆栽大豆、玉米等作物的叶片光谱分析为主。实际上,卫星遥感数据观测到的是冠层光谱,并非叶片光谱,但目前还没有通过植被冠层光谱对矿区土地复垦进行监测的研究成果出现。植被冠层光谱不仅受到叶片光谱的影响,还受到植株长势、下垫面等其他因素的影响,光谱特征变化更为复杂。矿区植被冠层光谱特征对于土地复垦效应的敏感度分析,是对矿区植被理化参量进行定量反演的基础,也是限制高光谱技术应用于大面积土地复垦监测的主要瓶颈。于煤炭矿区土地复垦实验基地开展野外冠层光谱观测实验,获取了接菌组和对照组野外植株冠层光谱数据,并从光谱波形变化和光谱特征参量变化两方面综合分析了植被冠层光谱对土地复垦的敏感性。冠层光谱波形方面,分别采用标准差和光谱敏感度作为组内和组间光谱波形差异的有效指标;冠层光谱特征参量方面,选取了植被红边、黄边、蓝边、绿峰、红谷等典型光谱特征,计算获取其位置、斜率、面积等特征参量,并通过描述性统计和单因素方差分析研究了这些冠层光谱特征参量对土地复垦效应的敏感性,挑选出矿区土地复垦监测的有效特征参量。研究表明,接菌组和对照组冠层光谱的主要波形变化趋势一致,但接菌组植株的生长状况更稳定,不同植株之间差异较小,且绿峰和红谷两个特征更突出。这说明土地复垦能够减少植株间冠层光谱差异,增强植被典型光谱特征,而绿峰和红谷对土地复垦有较高的光谱敏感度。光谱特征参量方面,绿峰、红谷、红边波长在土地复垦作用下显著向长波方向移动,而此前叶片光谱研究中对土地复垦较敏感的红边、蓝边斜率变化并不显著。这说明,野外植被冠层光谱分析结果与实验室植被叶片光谱分析的结果并不完全一致,这可能和植被类型、生长周期、土壤背景光谱干扰等因素相关。在采用卫星或航拍遥感数据进行矿区植被环境监测时,所获取的都是植被冠层光谱,因此本研究所得到的结论具有更强的参考意义和实际应用价值。 相似文献
10.
农作物生长发育过程中经常会遭到病虫害等外界因素侵染,如果不能实施有效的监测诊断和科学的防治,极易引起农药喷洒不当或过量,不仅会影响作物的产量和种植户的经济效益,还会造成严重的环境污染。近年在广西大棚厚皮甜瓜上发生了一种严重的由瓜类尾孢(Cercospora citrullina)引起的甜瓜叶斑病,导致甜瓜减产和种植户的经济损失。故此应用高光谱成像开展甜瓜叶片的尾孢叶斑病检测,获取健康甜瓜叶片和受瓜类尾孢感染的具有不同病变程度的甜瓜叶片在380~1 000和900~1 700 nm的高光谱图像,选取感兴趣区域并获取相应的平均光谱反射率,比较发现健康叶片和不同病变程度叶片染病区域的平均反射率差异显著。在540 nm处附近,健康叶片和病变程度轻微的叶片的光谱具备波峰形态,随着病变程度增加,波峰逐渐消失;在700~750 nm处附近,叶片反射率曲线急剧上升,出现绿色植物光谱曲线显著的“红边效应”特征;750~900 nm范围,健康叶片与轻微病变区域的光谱反射率变化趋于平稳,而其他病变区域的反射率呈上升趋势,且健康叶片的反射率高于病变区域,反射率随病变程度增加而下降,这一变化规律一直持续到近红外波段的900~1 350 nm范围。运用主成分分析、最小噪声分离法观察叶片早期病变的特征,经主成分分析和最小噪声分离法处理后,特别是对于早期病变,样本受感染后发病的区域更为明显。基于高光谱图像提取的前三个主成分得分绘制三维散点图,虽然不同病变程度的部分样本有重叠,但病变样本与健康样本的分布区分明显。应用K-近邻法和支持向量机方法建立叶片病变判别模型,结果显示:KNN模型对健康样本测试集判别率为98.7%,病变样本的判别率随病变程度加重而逐渐升高;对病变程度较轻样本,支持向量机模型相比于KNN模型而言,判别正确率更高、分类效果更好;总体上,高光谱图像对健康样本的判别率较高(>97%),可用于健康样本与病变样本的识别,但对不同病变程度的区分效果欠佳。研究结果表明,高光谱成像可用于甜瓜尾孢叶斑病的检测,对不同病变程度的区分效果仍有待提高。 相似文献