新型铜胁迫植被指数NCSVI探索铜污染下玉米叶片光谱敏感区间

目前我国土壤重金属污染日趋严重,高光谱遥感因具有光谱分辨率高、图谱合一等特点成为农作物重金属污染研究的热点。农作物受重金属污染后其光谱会发生细微的改变,如何探寻叶片光谱中对重金属污染敏感的波段是目前的一种研究方向。提出了一种新型铜胁迫植被指数（NCSVI）来探索铜胁迫下玉米光谱敏感区间。通过设计不同梯度下的玉米铜胁迫实验,测定每个铜胁迫浓度下玉米叶片的光谱和Cu2+的含量。首先,将玉米叶片光谱分为11个子区间,以每个子区间的中间波长对应的光谱反射率构建各自的NCSVI。然后,计算NCSVI与玉米叶片中Cu2+含量的相关性系数R及均方根误差RMSE,结合水波段指数（WBI）、改进的叶绿素吸收率指数（MCARI）和归一化水指数（NDWI）这三种常规植被指数进行对比。最后,选用其他年份相同实验条件下获取的玉米叶片光谱进行验证,确认NCSVI的稳定性和有效性。结果表明,11个子区间中只有绿峰、红边、近谷和近峰A这四个子区间对应的NCSVI与玉米叶片Cu2+含量相关性系数的绝对值高于0.9,分别为-0.94,-0.97,-0.94和-0.96,均方根误差均低于15,分别为12.57,8.71,12.71和10.06,而WBI,MCARI和NDWI的相关性系数最高的仅达到0.75,均方根误差最小的为24.21,说明四个子区间对应的NCSVI对玉米叶片铜污染有着更好的指示性。利用不同年份相同条件下的玉米实验对以上结果进行验证,发现11个子区间中,R绝对值大于0.9、RMSE小于1.55的只有绿峰、红边、近谷和近峰A这四个子区间,其中R分别为-0.9,-0.97,-0.97和-0.93,RMSE分别为1.50,0.85,0.78和1.29,均优于WBI,MCARI和NDWI,与2016年实验得出的敏感子区间一致,说明NCSVI能探测铜胁迫下玉米光谱的敏感区间,具备效率高、稳定性好的特点。所提出的NCSVI指数可作为监测玉米叶片铜污染的一种方法,并为其他农作物重金属污染研究提供一定的理论支持。     

铜胁迫下玉米污染特征波段提取与程度监测

我国农田重金属污染形势不容乐观。土壤中的重金属被作物根系吸收后会影响作物正常的生长发育,降低农产品质量,进而通过食物链进入人体,危害人体健康。高光谱遥感为实时动态高效监测作物重金属污染提供了可能。设置不同浓度Cu2+胁迫梯度的玉米盆栽实验,并采集苗期、拔节期和穗期玉米老、中、新叶片光谱数据,测定不同生长时期叶片叶绿素含量、叶片Cu2+含量。基于所获取的光谱数据、叶绿素含量和叶片Cu2+含量,结合相关分析法、最佳指数法(OIF)和偏最小二乘法(PLS)构建OIF-PLS法提取含有Cu2+污染信息的特征波段。首先依据苗期、拔节期和穗期叶片叶绿素含量及穗期叶片Cu2+含量与相应叶片光谱的相关系数初步筛选特征波段;然后,从中选取三个波段计算最佳指数因子,并以该三个波段为自变量,对玉米叶片Cu2+含量进行偏最小二乘回归分析,计算均方根误差;最后根据最佳指数因子最大、均方根误差最小的原则选取最佳特征波段。基于OIF-PLS法所选取的特征波段构造植被指数OIFPLSI监测重金属铜污染,并与常规的红边归一化植被指数(NDVI 705)、改进红边比值植被指数(mSR 705)、红边植被胁迫指数(RVSI)和光化学指数(PRI)监测结果做比较,验证OIFPLSI的有效性和优越性。另外利用在相同的实验方法下获取的不同年份的数据对OIFPLSI进行检验,验证OIFPLSI的适用性和稳定性。实验结果表明,基于OIF-PLS法提取的特征波段(542,701和712 nm)比基于OIF法提取的特征波段(602,711和712 nm)能更好地反映Cu2+污染信息;植被指数OIFPLSI与叶片Cu2+含量显著正相关,相关性优于NDVI 705,mSR 705,RVSI和PRI;OIFPLSI与叶片叶绿素含量显著负相关,与土壤中Cu2+含量显著正相关;不同生长时期OIFPLSI与土壤中Cu2+含量的相关性高低依次为拔节期、穗期、苗期。基于不同年份数据验证结果表明,OIFPLSI与叶片Cu2+含量显著正相关,OIFPLSI具有较强的稳定性。基于OIF-PLS法所提取的特征波段构建的OIFPLSI能够较好地诊断分析玉米叶片铜污染水平,可为作物重金属污染监测提供一定的技术参考。     

重金属铜铅胁迫下不同品种玉米污染程度监测研究

植被重金属污染监测是当今高光谱遥感监测研究的重要内容。为了将高光谱遥感技术定性的用于植被重金属污染监测研究,从盆栽实验采集的反射率光谱数据方面进行研究。在实验室室内设置不同胁迫浓度的重金属铜铅玉米盆栽实验,测定了不同浓度Cu²⁺和Pb²⁺胁迫下玉米叶片的反射率光谱和Cu²⁺和Pb²⁺含量等有关铜铅污染玉米的基础数据,形成了关于重金属铜铅污染玉米植株的一套完整的数据集。研究提出了一种铜铅探测指数(CLDI),实现了不同培育期的两种玉米品种的重金属铜铅胁迫监测,从而为当前植被重金属污染探测提供了新的思路。研究设计了不同浓度的铜铅污染实验,将测量获得的玉米叶片450～850 nm的光谱反射率进行一阶微分(D)和包络线去除(CR)处理后得到微分包络线去除(DCR)光谱曲线,利用皮尔逊相关系数(r)分析DCR数据和生化数据,选择对重金属Cu敏感的特征波段。计算的皮尔逊相关系数表明DCR值在490～520和680～700 nm与土壤和叶片中的Cu²⁺含量呈现接近于1的线性正相关,在630～...     

基于高斯回归分析的水稻氮素敏感波段筛选及含量估算

水稻氮素含量的准确监测是稻田精准施肥的重要环节,水稻叶片氮素含量发生变化会引起叶片、冠层的光谱发射率发生变化,高光谱遥感是目前作物氮素无损监测的关键技术之一。以2018年-2019年湖北监利两年水稻氮肥试验为基础,分别获取水稻分蘖期、拔节期、孕穗期、扬花期、灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据,利用单波段原始光谱和一阶导数光谱的相关性分析、高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。针对敏感波段,利用单波段回归分析、随机森林（RF）、支持向量回归（SVR）、高斯过程回归-随机森林（GPR-RF）、高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型,并进行精度对比,以确定水稻叶片在各生育期的氮素估算最佳模型。结果表明：GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。相同条件下,叶片模型精度整体高于冠层模型。相关性分析模型中,叶片尺度原始光谱模型更好,冠层尺度刚好相反,冠层一阶导数光谱可以减弱稻田背景噪声的影响。其中,叶片最佳模型建模集R2为0.79,验证集R2为0.84;冠层最佳模型建模集R2为0.80,验证集R2为0.77。与相关性回归分析模型相比,机器学习模型受生育期影响小（R2>0.80,NRMSE<10%）。其中,RF比SVR更适合对GPR敏感波段建模,GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。五种方法中,GPR模型对生育期敏感度最低、叶片及冠层尺度效果都很好(R2>0.94,NRMSE<6%)。且与其他四种机器学习方法相比,GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02,NRMSE降低1.2%）。GPR方法可为筛选作物氮素高光谱敏感波段、反演各生育期叶片及冠层氮素含量提供方法参考。     

IWD-Hankel-SVD模型下玉米叶片光谱铜污染信息预测

近年来在工业化和城镇化快速发展的地区,由重金属污染导致的环境问题尤为突出,特别是农业重金属污染更为社会所关注,因此,探索快速便捷的重金属污染甄别与监测方法极为重要。高光谱遥感作为新兴的重金属污染监测技术已有了深入研究。提出了固有波长尺度分解（IWD）概念和方法,并结合Hankel矩阵和奇异值分解（SVD）等建立了植被重金属污染程度预测的IWD-Hankel-SVD模型,该模型分为单变量模型和多变量模型。单变量模型主要是通过重金属污染的植被光谱IWD处理来获取光谱信息固有旋转分量（PRC）以提取最佳PRC的有效特征波段;在对各特征波段所构建的Hankel矩阵进行奇异值分解（SVD）基础上,依据获得该模型的奇异熵实现重金属污染信息预测。多变量模型是以植物叶绿素浓度相对值、单变量模型奇异熵作为参数实现重金属污染的信息预测。根据不同重金属Cu2+胁迫梯度下玉米植株污染的叶片光谱和叶绿素浓度以及叶片中Cu2+含量测定的数据,首先对不同浓度Cu2+胁迫下玉米叶片光谱进行IWD分析,获得能够较好保留原始输入光谱信息的最佳PRC,并从中提取到有效特征波段553~680,681~780,1 266~1 429,1 430~1 631,1 836~1 913和1 914~2 111 nm;然后对每一个特征波段构造其Hankel矩阵并进行SVD处理,以求取单变量的IWD-Hankel-SVD模型奇异熵;最后通过各特征波段所对应模型奇异熵与玉米叶片中Cu2+含量的相关分析,得到依据1 266~1 429和1 836~1 913 nm特征波段计算出奇异熵与玉米叶片中Cu2+含量的决定系数R2均高达0.9左右,说明这两个特征波段用于IWD-Hankel-SVD模型的Cu污染程度预测更具优越性和解释能力。同时,再把玉米叶片中叶绿素浓度相对值、1 266~1 429和1 836~1 913 nm特征波段相应模型奇异熵作为参数,采用偏最小二乘回归分析,得出多变量IWD-Hankel-SVD模型的玉米叶片Cu污染程度预测能力更强,决定系数R2达到0.9476,证明了多变量模型更具有鲁棒性和稳健性。     

铜污染植被指数的玉米叶片污染程度探测模型

高光谱遥感监测农作物重金属污染已成为遥感研究的重要内容之一。受污染的作物叶片中重金属含量映射到光谱上的信息量差异较微弱,如何灵敏地挖掘其所包含的价值信息具备一定挑战性。以农作物叶片光谱为研究对象,通过多个光谱特征波段组合的方式,提出了一种铜污染植被指数(CPVI)的污染程度探测模型,来表征重金属Cu对农作物的污染程度。首先设置盆栽实验,将不同浓度梯度的CuSO_4·5H_2O粉末添加到土壤中,模拟Cu污染土壤环境,胁迫玉米生长。采集玉米穗期的老、中、新叶片光谱,测定叶片中Cu~(2+)含量及相对叶绿素浓度。而后利用随机选取的58组玉米叶片光谱作为实验数据,在380～900 nm波长范围内选取波长λ_1和λ_2的两组叶片光谱反射率并计算相应的CPVI[λ_1,λ_2]模型指数及其与对应叶片中Cu~(2+)含量的皮尔逊相关系数,得到相关性特征绝对值矩阵。其次,根据得到的相关性特征绝对值矩阵,提取皮尔逊相关系数较高的光谱特征波段690和465 nm,并结合波段850 nm建立针对玉米叶片的铜污染植被指数(CPVI_m)。之后,利用另外26组数据对CPVI_m指数进行检验,同时将该指数与归一化植被指数(NDVI)、陆地叶绿素指数(MTCI)等常规植被指数进行比较以验证CPVI_m的有效性与优越性。结果表明,NDVI, MTCI, REP和DVI与叶片中Cu~(2+)含量相关系数最高仅为0.68,残差平方和RSS最低为70.99,而CPVI_m与叶片中Cu~(2+)含量显著负相关,相关系数达-0.80,残差平方和为48.52,均优于NDVI和MTCI等常规植被指数,证明CPVI_m对重金属胁迫更敏感。同时利用两期不同年份不同品种的玉米光谱数据进行CPVI_m指数的鲁棒性验证, CPVI_m与叶片Cu~(2+)含量的相关系数r分别为-0.90和-0.96,均显著相关,说明该指数对于不同品种的玉米污染程度探测仍具有良好的适用性。另外,利用玉米叶片中Cu~(2+)含量、 CPVI_m和叶片中叶绿素相对浓度构建三维分析模型,从空间角度直观地反映了三者之间具有一定的相关关系。通过光谱特征波段组合方式构建的CPVI探测模型可作为评价农作物重金属污染程度的参考方法,基于该方法构建的CPVI_m指数可有效甄别玉米受重金属Cu~(2+)污染的程度。     

铜胁迫下玉米叶片反射光谱的红边位置变化及其与叶绿素的关系

采用5级梯度铜胁迫砂培试验,通过测定叶片反射光谱曲线和叶绿素含量,研究铜胁迫对玉米叶片反射光谱与叶绿素含量的影响。研究表明：玉米叶片反射光谱的红边位置与铜胁迫浓度显著相关(R2≥0.5755),且存在明显的“红边蓝移”现象,即叶片光谱红边位置向短波方向移动。随着铜胁迫浓度的升高或胁迫时间延长,红边蓝移程度增加。不同胁迫浓度之间,叶绿素a、叶绿素b含量及二者比值 (Chla/Chlb)均差异显著(p分别为0.002,0.007和0.001)。叶绿素a、b比值(Chla/Chlb)与培养液中铜浓度呈显著负相关(R=-0.898);Chla/Chlb与平均红边波长显著正相关(R=0.814)。这表明随着铜胁迫浓度升高,Chla/Chlb降低,叶绿素b相对于叶绿素a升高,叶片反射光谱的红边位置蓝移。铜胁迫改变了玉米叶片中Chla和Chlb含量和比值,由此导致的色素吸收光谱变化,是铜胁迫导致叶片反射光谱红边蓝移的可能的生理学成因。     

铜铅胁迫下玉米叶片弱光谱信息的LD-CR-SIDSCAtan探测模型

农作物在受到重金属污染以后,会破坏本身的组织细胞结构和叶绿素含量,从而影响农作物的新陈代谢和健康状况。人和动物如果食用了污染的农作物以后,会有致命的伤害。高光谱遥感目前被广泛应用于监测农作物受重金属污染的程度。重金属污染下的农作物叶片的光谱变化很微小,传统的监测方法和常规的光谱特征参数很难将光谱之间的微弱差异区别开,目前高光谱遥感应用是研究的重点和难点。通过设置不同浓度的Cu2+和Pb2+胁迫下玉米盆栽实验,采集玉米叶片的光谱数据、叶绿素的相对含量以及重金属Cu2+和Pb2+的相对含量。提出了包络线去除(CR)、光谱相关角(SCA)、光谱信息散度(SID)以及正切函数(Tan)和兰氏距离(LD)相结合的LD-CR-SIDSCA_tan模型,将其与传统的光谱测度方法,如光谱相关系数(SCC)、光谱角(SA)、光谱角正切(DSA)、光谱信息散度-光谱相关角正切(SIDSAM_tan)、光谱信息散度-光谱梯度角正切(SIDSGA_tan)和常规的光谱特征参数,如红边最大值(MR)、绿峰高度(GH)、红边一阶微分包围面积(FAR)、红边一阶微分曲线陡峭度(FCDR)、蓝边(DB)、红谷吸收深度(RD)相比较,验证了该模型的优越性和可行性。并且将LD-CR-SIDSCA_tan模型应用于不同浓度下Cu2+和Pb2+胁迫的玉米叶片的整体波形和子波段的光谱差异信息的测度上。结果表明,LD-CR-SIDSCA_tan模型实现了重金属Cu2+和Pb2+污染的定性分析,能够测度光谱相关系数达到0.99以上的相似光谱之间的差异信息,波形差异信息与叶片测得的叶绿素相对含量和重金属Cu2+和Pb2+相对含量显著相关,也分别找到了重金属Cu2+和Pb2+胁迫下的光谱响应波段。在测度光谱数据的整个波段区间范围,模型值为负值时的光谱差异要比模型值为正值更加明显;在模型值为正值时,如果数值越大,光谱的差异性也越大。因此,随着重金属Cu2+和Pb2+浓度的增加,光谱的差异增大,意味着重金属Cu2+和Pb2+污染程度更为严重;玉米植株受到重金属Cu2+胁迫污染,在测度光谱数据的局部子波段区间范围时,“蓝边”、“红边”、“近谷”、“近峰B”处对重金属Cu2+胁迫污染响应特别的敏感,可以作为监测重金属Cu2+污染程度的有效波段;当玉米植株受到重金属Pb2+胁迫污染时,在“紫谷”、“蓝边”、“黄边”、“红谷”、“红边”、“近峰A” 处对重金属Pb2+胁迫污染响应特别的敏感,可以作为监测重金属Pb2+污染程度的有效波段。最后通过LD-CR-SIDSCA_tan模型的应用结果与玉米叶片中Cu2+和Pb2+含量进行线性拟合分析,从而反演和预测了重金属Cu2+和Pb2+对玉米植株的污染程度。     

基于Sentinel-2A影像的玉米冠层叶绿素含量估算

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能,及时、准确地估算叶绿素含量对于农作物长势、养分含量监测、品质评价和产量估算具有重要意义。Sentinel-2卫星的重访周期为5 d,空间分辨率为10 m,具有13个光谱波段,其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段,是叶绿素含量估算的理想数据源。植被指数是基于农作物在不同波段的反射特性,通过不同波段组合方式刻画长势和叶绿素含量的差异,可用于大区域范围内的玉米冠层叶绿素含量快速、精确估算。以Sentinel-2A影像为数据源,开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。课题组于2016年8月6-11日在河北省保定市（115°29′-116°14′E,39°5′-39°35′N）进行玉米冠层叶绿素含量的实地测量,并在每个采样位置上采用中绘i80 智能RTK(real-time kinematic)测量系统进行定位。Sentinel-2A影像预处理工作包括几何校正、辐射定标和大气校正,其中大气校正使用Sen2Cor模型和SNAP模型。首先,基于预处理后的Sentinel-2A遥感影像,分别计算CI_green(green chlorophyll index), CI_red-edge(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。然后,建立样方位置上实测叶绿素含量与各植被指数的统计关系,从而构建玉米冠层叶绿素含量估算模型,并以野外实测玉米冠层叶绿素含量为依据,对基于各植被指数的估算结果进行精度评价。最后,利用筛选出的最优叶绿素含量估算模型,估算研究区内的玉米冠层叶绿素含量。研究的目标为：（1）通过比较分析,构建合适的玉米冠层叶绿素含量估算模型,估算精度以决定系数R2、均方根误差RMSE以及相对误差RE作为评价指标;（2）确定最优波段组合方案：在红边波段中选择与可见光、近红外波段组合效果更优的波段组合方案;（3）确定参与植被指数计算的红边波段的最优数量。精度评价结果表明：（1）选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系,其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果;红边波段引入后明显提高了可见光、近红外波段对叶绿素含量的拟合的精度,CI_{green(560, 705)}指数比CI_{green(560, 842)}的回归模型R2提高0.516,红边波段参与计算的DVI相对于RVI来说,估算结果更稳定。（2）对于不同的植被指数,参与运算的Sentinel-2A影像的两个红边波段,估算精度的提高程度不同。对于可见光波段参与计算的植被指数来说,在红边波段1（中心波长为705 nm）的估算精度较高,如LCI,CI_green,DVI和RVI等;对于近红外波段参与计算的植被指数来说,在红边波段2（中心波长为740 nm）的估算精度较高,如CI_red-edge,NDRE和NAVI等。（3）对于Sentinel-2A影像来说,两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。选用的植被指数中,MTCI_{(665, 705, 740)}指数与玉米冠层叶绿素含量估算精度最高,回归模型拟合精度R2为0.803,模型验证R2为0.665,RMSE为3.185,相对误差RE为4.819%。MTCI_{(665, 705, 740)}指数计算中使用了两个红边波段,突出红边波段反射率差值变化,与玉米冠层叶绿素含量表现出很好的相关性。最后,利用优选出的基于MTCI指数的叶绿素含量估算模型,对研究区范围内的叶绿素含量进行估算并完成空间制图。     

铜铅离子胁迫下玉米污染程度的光谱识别

重金属铜离子(Cu2+)与铅离子(Pb2+)污染对玉米叶片光谱的影响微弱、隐蔽而难于探测。研究中设置不同浓度Cu2+, Pb2+胁迫的玉米盆栽实验,测定了玉米叶片光谱、叶片中Cu2+, Pb2+含量与叶绿素相对含量,分析了Cu2+, Pb2+污染胁迫下玉米叶片光谱响应特征,并选取480～670与670～750 nm范围来进行分析,在光谱维中定义了光谱微分差信息熵指数与在频率域中通过谐波分析提取了前三次谐波振幅(c₁, c₂与c₃)指数,并用所定义的指数探测分别受Cu2+, Pb2+胁迫玉米叶片光谱微弱差异。实验结果表明,在480～670与670～750 nm范围内,玉米叶片中重金属离子浓度越大,其光谱微分差信息熵就越大;在480～670 nm波段,谐波分解后第一谐波振幅c₁与第二谐波振幅c₂可用于识别Cu2+, Pb2+污染程度;在670～750 nm波段,第一谐波振幅c₁、第二谐波振幅c₂与第三谐波振幅c₃可用于识别Cu2+污染程度,而c₂则可以识别Pb2+污染程度,污染胁迫越大振幅越大。在480～670与670～750 nm波段内,光谱微分差信息熵与前三次谐波振幅可作为识别玉米受Cu2+, Pb2+污染胁迫程度的指数,从光谱维与频率域两种维度来识别玉米受Cu2+, Pb2+胁迫程度的方法可行,文中定义的两类指数可稳健、可靠地探测与识别玉米受Cu2+, Pb2+影响所产生的光谱微弱差异,研究结果对利用高光谱来探测植被受重金属污染胁迫程度具有一定的参考价值。     

水胁迫下典型盐生植被梭梭光谱特征分析

荒漠地区由于气候干燥，降水稀少，水分常成为制约植被生长的因素之一，水分胁迫对植物长势和产量的影响比任何其他胁迫都要大。随着高光谱技术的发展，国内外已有众多学者利用高光谱数据研究植被遭受胁迫作用，然而这些研究对象多集中于甜菜、棉花、玉米、水稻等作物，针对干旱区盐生植被遭受胁迫作用的研究较少。梭梭作为荒漠、半荒漠地区的典型盐生植被之一，具有极高的经济和生态效益。选择梭梭作为研究对象，培育一年生梭梭，并设置三个水分梯度，形成受不同水分量胁迫的梭梭。使用原始光谱、红边位置参数，结合植被指数及二维相关光谱研究其叶片光谱特征，为干旱区利用高光谱遥感监测盐生植被提供借鉴。结果表明：(1)分析梭梭叶片反射光谱曲线发现，在可见光至中红外各波段范围内，受不同水分量胁迫作用的梭梭叶片光谱反射率有显著差异。在可见光(350～610 nm)波段，各水分处理的梭梭叶片反射率依次为100 mL>500 mL>200 mL，这是由于100和200 mL水分促进梭梭内部叶绿素合成，使该波段反射率降低，而过多的水分(500 mL)对梭梭内部的叶绿素合成没有更大的促进作用。在红光区(611～738 nm)，随着水分量的增多，受不同水分量胁迫的梭梭叶片光谱反射率依次减小。在738～1 181和1 228～1 296 nm波段，受不同水分量胁迫作用的梭梭叶片光谱反射率为：200 mL>100 mL>500 mL；在1 182～1 227 nm波段，受不同水分量胁迫作用的梭梭叶片光谱反射率为：100 mL>200 mL>500 mL。这是由于植被细胞结构对近红外区域的反射率影响较大，因而受不同水分胁迫作用的梭梭叶片光谱反射率有显著差异。在1 300～1 365和1 392～1 800 nm波段，受各水分胁迫作用的梭梭叶片反射率为：100 mL>200 mL>500 mL。这表明在500 mL水分胁迫量范围内，水分越多，叶子的细胞液、细胞膜对水分的吸收能力越强，使得反射率下降。通过对原始光谱求取一阶导数并提取红边位置参数发现，各水分处理下的梭梭叶片一阶微分光谱曲线中红边位置未发生移动。这是由于梭梭在长期的干旱环境影响下，形成了特殊的适应机制，水分对其红边位置影响不敏感。(2)选取若干植被指数分析各水分处理下的梭梭光谱指数变化。当水分胁迫量由100 mL增至200 mL时，WI/NDWI，MSI和NDII指数值变化显著，可用于研究水分胁迫下梭梭的光谱特征。(3)使用二维相关光谱技术分析受各水分胁迫作用的梭梭光谱特征，得出在100 mL水分胁迫下，在536，643，1 219和1 653 nm波段处，吸收峰对水分的微扰敏感；在200 mL水分胁迫下，在846和1 083 nm波段处，吸收峰对水分的微扰敏感；在500 mL水分胁迫下，在835和1 067 nm波段处，吸收峰对水分的微扰敏感。总之，在近红外波段，与100 mL水分量相比，梭梭受200和500 mL水分量胁迫时，吸收峰对水分的微扰敏感度上升。由100 mL水分胁迫下梭梭的二维同步相关谱图可知，1 044和1 665 nm，1 072和903 nm，903和1 264 nm，1 230和1 061 nm波段处形成正交叉峰，表明这些波段处光谱强度随水分的干扰同时变化。     

Determining the Canopy Water Stress for Spring Wheat Using Canopy Hyperspectral Reflectance Data in Loess Plateau Semiarid Regions

Crop water stress significantly reduces crop yield. Several studies have employed optical and remote-sensing methods to obtain nondamage monitoring crop water content to understand the agriculture drought process. In this paper, the spectral information (i.e., the canopy absorption feature at the 350–2500 nm band range) from the field experiments was used to estimate and identify the canopy water stress. Five different levels of water treatments exist in the spring wheat field in the semiarid regions of Loess Plateau, Northwest China. The hyperspectral reflectance, soil moisture content, soil water potential, canopy water content, amount of chlorophyll, leaf area index, and environmental parameters were measured. The relationship between canopy reflectance and canopy water content was analyzed at different water stress levels. In addition, various spectral indices were tested by measurements. Results showed that a high correlation exists in semiarid water index-1, semiarid water index-2, and red-edge normalized difference vegetation index, thus denoting that these indices can indicate water stress effectively. We can conclude that canopy reflectance can identify crop water stress and can be used to develop a certain index for monitoring agriculture drought.     

基于光谱分析与角度斜率指数的植被含水量研究

植被含水量是植被生长状态的重要指示因子,是农业、生态和水文等研究中的重要参数,其诊断对于监测自然植被群落的干旱状况、预报森林火灾等都具有重要意义。通过对植被光谱反射率与植被含水量的相关性分析,发现植被波谱不同波段的光谱反射率与植被含水量的相关性差异很大,其中可见光红光波段(620～700 nm)、近红外波段(800～1 350, 1 600～1 950, 2 200～2 400 nm)的光谱反射率与植被含水量具有较好的相关性,选取了660,850,1 630和2 200 nm的光谱反射率作为RED,NIR,SWIR1和SWIR2的波段值来建立角度斜率指数;分析了植被含水量与角度斜率指数的关系,将角度斜率指数(SANI,SASI,ANIR)作为反演植被含水量的参量,建立植被含水量与角度斜率指数之间线性回归模型。通过对近红外角度指数ANIR改进,提出了近红外角度归一化指数NANI(near infrared angle normalized index)与近红外角度斜率指数NASI(near infrared angle slope index),建立植被含水量与NANI和NASI之间线性回归模型,结果显示：NANI与Palacios-Orueta等提出的角度斜率指数(SANI,SASI,ANIR)相比有一定的优势,模型可决系数R2从原最高0.791提高到0.853,RMSE也从原最小0.047降低到0.039。确定了NANI为反演植被含水量的最佳角度斜率指数,并建立了植被含水量反演模型。该研究主要创新点：在前人研究成果基础上,通过对原角度斜率指数的改进,提出了NANI和NASI角度斜率指数,使其在植被含水量反演上具有更高的精度。     

基于小波分析的马铃薯地上生物量估算

地上生物量（AGB）是作物长势评价及产量预测的重要指标,因此快速准确地估算AGB至关重要。由于传统植被指数（VIs）估算多生育期的AGB存在饱和现象,因此,利用VIs结合基于离散小波转换（DWT）的影像小波分解（IWD）技术提取的高频信息和连续小波转换（CWT）技术提取的小波系数,探究VIs,VIs+IWD和VIs+CWT对于AGB的估算能力。首先,基于无人机平台分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期的数码影像和成像高光谱影像以及地面实测的AGB数据。其次,利用数码影像通过IWD技术提取3种高频信息和利用高光谱反射率数据通过CWT技术提取小波系数以及构建6种高光谱植被指数。然后,将植被指数、高频信息和小波系数分别与AGB进行相关性分析,并挑选出不同尺度下相关系数绝对值较高的前10波段。最后,以VIs,VIs+IWD和VIs+CWT这3种变量分别使用偏最小二乘回归（PLSR）方法构建AGB估算模型,并对比不同模型估算AGB的效果。结果表明: （1）每个生育期选取的6种植被指数、3种高频信息和10种小波系数与AGB的相关性均达到0.01显著水平,整个生育期相关性均呈现先升高后降低的趋势,其中以小波系数得到的相关性最高、高频信息次之,植被指数最低。（2）对比分析每个生育期的3种估算模型,以VIs+CWT为输入变量的估算效果最好,VIs+IWD的估算效果次之,而VIs的估算效果最差,说明基于小波分析构建的模型适用性较广、稳定性较强。（3）每个生育期分别以3种变量利用PLSR方法构建的AGB估算模型均在块茎增长期达到最高精度（VIs：建模R2=0.70,RMSE=98.88 kg·hm-12,NRMSE=11.63%;VIs+IWD：建模R2=0.78,RMSE=86.45 kg·hm-12,NRMSE=10.17%;VIs+CWT：建模R2=0.85,RMSE=74.25 kg·hm-12,NRMSE=9.27%）。通过VIs分别结合IWD和CWT技术利用PLSR建模方法,可以提高AGB估算精度,为农业指导管理提供可靠参考。     

基于空间谱的玉米叶片铜铅污染区分及程度监测

利用高光谱遥感技术监测并识别农作物受重金属污染信息是当今热点,研究设置了不同浓度铜离子(Cu2+)、铅离子(Pb2+)胁迫梯度的玉米盆栽实验,并测取了玉米叶片的光谱及叶片中重金属离子与叶绿素含量。基于获取的光谱数据,将光谱划分为紫谷、蓝边、绿峰、红谷、红边和红肩六个光谱特征区间,通过光谱的一阶微分和二维多重信号分类(2D-MUSIC)算法构造空间谱,对各光谱特征区间进行变换分析。实验结果表明：蓝边、绿峰和红边阵列信号的空间谱在Cu2+胁迫下为双高峰,在Pb2+胁迫下为单高峰,以此能够快速、直观地区分玉米叶片所受重金属污染的Cu2+和Pb2+元素类别。红谷和红肩阵列信号空间谱的方位角谱峰值与玉米叶片中Cu2+含量的相关系数分别达到-0.954 5和-0.964 8,说明用于监测Cu2+污染程度时效果理想;紫谷阵列信号空间谱的方位角谱峰值与玉米叶片中Pb2+含量的相关系数达到-0.999 8,说明用于监测Pb2+污染程度时效果理想。同时通过与常规重金属污染监测方法绿峰高度(GH)、红边位置(REP)、红边最大值(MR)、红边一阶微分包围面积(FAR)的应用结果进行比较分析,空间谱法的应用结果与玉米叶片中重金属离子含量的相关性较高,从而验证了空间谱应用于玉米重金属污染信息监测具有更好的有效性和优越性。     

无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究

叶绿素含量是植物生长中的重要参数,与农作物产量密切相关。无人机遥感技术作为一种新的数据获取手段,在农业中已得到广泛应用。以玉米为目标作物,将具有不同光谱响应函数的两种轻小型多光谱传感器(MCA和Sequoia),同时搭载在六旋翼无人机上,获取不同氮肥水平下大田玉米花期的多光谱影像。利用无人机影像空间分辨率高的特点,在小区尺度上,分别计算了基于两种多光谱传感器的各26种植被指数,并将其与地面实测的叶绿素含量(SPAD)值进行回归分析,研究不同波段反射率对SPAD值的敏感性,利用不同多光谱传感器及植被指数预测SPAD值的精度及稳定性。结果表明,对于具有较宽波段的Sequoia,在550 nm(绿波段)、735 nm(红边波段)的反射率对SPAD值的变化较敏感,其中,550 nm与SPAD值的相关系数最大(R2=0.802 9)。而对于较窄波段的MCA,720 nm(红边波段)的反射率与SPAD值具有较高的相关性(R2=0.724 8),550 nm(绿波段)次之。此外,由于两传感器红波段的中心波长和波段宽度不同,660 nm(Sequoia)反射率与SPAD值的相关系数为0.778 6,而680 nm(MCA)反射率与SPAD值的相关性较小,仅为0.488 6。利用无人机多光谱遥感技术预测大田玉米的SPAD值精度较高,但对于不同的多光谱传感器而言,同一植被指数却表现出较大的差异,其中,红波段和近红外波段组合构造的植被指数RVI,NDVI,PVI和MSR差异较大,具有较宽波段的Sequoia传感器优于窄波段的MCA;此外,对于Sequoia相机,GNDVI与RENDVI预测SPAD值的精度较高,RMSE分别为3.699和3.691;对于MCA相机,RENDVI预测精度最高(RMSE=3.742),GNDVI预测精度低于RENDVI(RMSE=3.912);两传感器中MCARI/OSAVI预测SPAD值精度均较低,RMSE分别为7.389(Sequoia)和7.361(MCA)。在所有的植被指数中,利用绿波段和近红外波构造的植被指数(G类),以及用红边波段和近红外波段构造的植被指数(RE类),预测SPAD值精度更高,均高于红外和近红外波段构造的植被指数;利用更多波段(三个及以上)组合构造的复杂植被指数,并不能显著提高预测精度。就预测模型而言,MCARI1更适用于对数模型,可有效提高预测精度, 而其他植被指数变化不显著。研究还发现,在小区水平SPAD值的预测方面,除NDVI和TVI,Sequoia相机对于不同氮肥条件下植被覆盖度、阴影和裸露土壤等环境背景因素具有较强的抗干扰能力;而对于MCA相机来说,TVI,DVI,MSAVI2,RDVI和MSAVI对环境背景因素非常敏感,预测SPAD精度低;此外,去除环境背景因素并不总是能够提高SPAD值的预测精度。本研究对于利用无人机多光谱遥感技术进行高精度的叶绿素含量预测具有指导意义,对于精准农业的推广和应用具有一定的借鉴价值。