基于 PROSPECT模型的蔬菜叶片叶绿素含量和SPAD值反演

叶绿素含量是衡量植物营养和病虫害发生情况的重要指标。传统的分光光度法对植物叶片破坏性较大且无法实时、快速、无损地获取叶绿素含量。新兴的利用叶绿素仪测量叶绿素相对含量（以下简称SPAD值）的方法不能定量获取实际含量。光学辐射传输模型PROSPECT从生物物理、化学的角度以及能量传输的过程出发,定量描述了叶片色素、水分、结构参数等对叶片反射光谱的影响。因此,提出利用PROSPECT模型同时反演蔬菜叶片叶绿素含量和SPAD值,实时、快速、无损、定量获取植物叶片叶绿素的含量。第一,多次测量三种蔬菜叶片的反射光谱,并用叶绿素仪测量SPAD值。然后,预处理光谱数据,获得平均反射率光谱。第二,以欧式距离为评价函数,利用PROSPECT模型对实测反射率光谱进行拟合。拟合过程中三种蔬菜欧式距离最大为0.008 9,最小为0.006 4,平均为0.007 5,表明该模型能够很好地拟合蔬菜叶片的反射率光谱。第三,根据拟合结果,反演叶绿素含量和透射率光谱,再根据透射率光谱获取叶片在940和650 nm波长处的光透过率,计算叶片的反演SPAD值。第四,建立反演叶绿素含量、反演SPAD值与实测SPAD值的关系模型。结果表明: (1)利用该模型反演得到的叶绿素含量值与实测SPAD值有较好的线性关系, 其关系模型为：y=1.463 3x+16.374 3,两者相关系数为0.927 1,模型的决定系数为0.862,均方根误差为2.11;(2)利用该模型反演得到的SPAD值与实测SPAD值之间线性关系较好,其关系模型为：y=0.986 9x-0.668 3,两者相关系数为0.845 1, 模型的决定系数为0.714 3,均方根误差为3.380 2。研究表明,通过测量植物叶片的反射率光谱,利用PROSPECT模型可以无损、定量地获取蔬菜叶片的叶绿素含量和SPAD值。该方法可推广至其他植物的叶绿素测量和实时监测,为变量施肥、精准种植提供可靠的数据支持。研究结果对蔬菜生长态势的无损监测具有重要的意义。     

植被叶片叶绿素含量反演的光谱尺度效应研究

目前光谱指数方法已被广泛地应用于植被叶绿素含量的反演中,考虑到不同传感器的光谱响应存在差异,研究了光谱尺度效应对光谱指数反演植被叶片叶绿素含量的影响。基于PROSPECT模型模拟了不同叶绿素含量(5～80 μg·cm-2)下的5 nm叶片光谱反射率数据,并利用高斯光谱响应函数将其分别模拟成10～35 nm六种波段宽的光谱数据,再分析评价5～35 nm波段宽下光谱指数与叶片叶绿素含量的相关性、对叶片叶绿素含量变化及对波段宽变化的敏感性。最后,利用波段宽为40～65 nm的反射率数据对光谱指数反演植被叶绿素含量的光谱尺度效应进行验证。结果表明,通用光谱指数(vegetation index based on universal pattern decomposition method, VIUPD)反演叶绿素含量的精度最高,反演值与真实值拟合程度最好;归一化差值植被指数(normalized difference vegetation index, NDVI)和简单比值指数(simple ratio index, SRI)其次,虽然其决定系数R2高达0.89以上,但反演的叶绿素含量值小于真实值;其他光谱指数的反演结果较差。VIUPD对叶绿素含量具有较好的相关性和敏感性,受光谱尺度效应影响较小,具有较好的反演能力,这一结论恰好验证了其“独立于传感器”的特性,同时证明了VIUPD在多源遥感数据反演植被理化参量的研究中具有更好的应用前景。     

基于PROSPECT+SAIL模型的森林冠层叶绿素含量反演

森林冠层叶绿素含量直接反映着森林的健康和胁迫情况。叶绿素含量的准确估测,更是研究森林生态系统循环模型的关键。文章以PROSPECT+SAIL模型为基础,从物理机理角度反演森林冠层叶绿素含量。首先利用PROSPECT和SAIL模型模拟叶片水平和冠层水平的光谱,并建立叶片水平叶绿素含量的查找表反演叶片叶绿素含量,然后结合森林结构参数Leaf Area Index(LAI)实现叶片尺度与冠层尺度叶绿素含量的转化,从Hyperion影像反演研究区域冠层水平叶绿素含量。结果表明,叶绿素含量的主要影响波段为400～900nm;PROSPECT模型模拟的叶片光谱和SAIL模型模拟的冠层光谱均与实测光谱拟合效果较好,相对误差分别为7.06%,16.49%;LAI反演结果的均方根误差RMSE=0.5426;利用PROSPECT+SAIL模型可以较好地反演森林冠层叶绿素含量,反演精度为77.02%。     

光谱指数的植物叶片叶绿素含量估算模型

叶片叶绿素能够有效监测植被的生长状况,利用光谱指数反演植被叶绿素含量是目前的通用方法。实测了盐生植物光谱反射率和叶片叶绿素含量。对SPAD值进行变换,对比Pearson与VIP方法探讨盐生植被叶片叶绿素含量与植被指数的相关性并进行精度验证,从中选出最佳拟合模型。研究表明,通过对Pearson与VIP相关性分析,最终选定VIP方法建立植被指数的叶片叶绿素估算模型,NDVI₇₀₅,ARVI,CI_{red edge},PRI,VARI,PSRI和NPCI的VIP值均大于0.8,因此选定这七个植被指数为最优植被指数;预测结果显示,所有模型的相关性都在0.7以上,预测值与实测值相关性最好的是经过倒数变换的SPAD值,R=0.816,RMSE=0.007。基于VIP方法的反演模型能较好地估算研究区植被叶绿素含量,该方法为植物叶绿素含量诊断的实际应用提供了重要的理论依据和技术支持。     

基于珠海一号高光谱卫星的巢湖叶绿素a浓度反演

叶绿素a是重要的水质参数,可以衡量水体的富营养化程度。遥感技术可以实时、快速、大范围地获取水体中叶绿素a的浓度与分布,对于水生态环境的评价及治理具有重要意义。内陆水体的光谱特征复杂,宽波段的多光谱遥感难以精确获取水体的光谱信息。国产珠海一号高光谱卫星因其光谱分辨率高,波段多等优势在内陆湖泊的遥感监测中具有广阔的应用前景。基于珠海一号高光谱数据,充分发挥其高光谱分辨率的优势,对巢湖的叶绿素a浓度进行反演,从影像中提取实测点处的遥感反射率曲线,筛选具有显著光谱特征的波段,并以OIF指数衡量不同波段组合获取水体组分信息的能力,以此构建与实测叶绿素a浓度相关性较高的波段组合。结果表明珠海一号OHS-2A星影像的14,16和19波段所构建的三波段模型[R_rs(700 nm)-1-R_rs(670 nm)-1]×R_rs(746 nm)在巢湖的叶绿素a浓度反演中取得了较高的精度,相对误差和均方根误差分别为19.97%和10.85 mg·m-3。由模型反演巢湖2019年5月10日的叶绿素a浓度空间分布图可知,叶绿素a浓度自东向西呈上升趋势,全湖南部和东北部的叶绿素a浓度较低,西巢湖的北部叶绿素a浓度最高。西巢湖的整体叶绿素a浓度是全湖最高的,尤其是其北部水域,水质情况较差,已经出现了一定面积的水华,其主要原因在于该地区紧邻合肥市,人类活动强烈,污水废水排放量大。珠海一号高光谱卫星对于内陆湖泊的水质反演具有一定的优势,但也存在着数据处理困难,波段利用率低,反演模型普适性差等局限,今后仍需借助珠海一号高光谱数据开展更多的湖泊遥感研究,不断提出高光谱遥感影像处理的新方法,提高反演模型的精度与普适性,充分挖掘数据源的潜力,使其更好地服务于水质的遥感监测工作。     

ANFIS在植被叶绿素含量高光谱反演中的应用

利用ASD便携式野外光谱仪和SPAD-502叶绿素计实测了落叶阔叶树法国梧桐、毛白杨叶片的高光谱反射率与叶片绿度,建立了10个常见植被指数叶绿素含量估算模型,并采用相关系数较大波段作为BP人工神经网络模型(ANN-BP)的输入变量进行了叶绿素含量的估算,将自适应神经模糊推理系统(ANFIS)应用到植被叶绿素含量高光谱反演中。结果表明:10个常见植被指数中归一化植被指数可以较为精确反演叶绿素含量,法国梧桐、毛白杨归一化植被指数回归模型确定性系数R2分别为0.795 7和0.754 6,法国梧桐、毛白杨ANN-BP预测值与实测值之间的线性回归的确定性系数R2分别为0.935 2和0.917 1,ANFIS可以大大提高反演精度,法国梧桐、毛白杨预测值与实测值之间的线性回归的确定性系数R2分别为0.9998和0.995 6,是一种良好的植被叶绿素含量高光谱反演模式。     

基于卷积神经网络的全球海洋叶绿素a浓度反演方法

作为浮游植物体内主要色素的叶绿素a能够指示水体富营养化的程度,因此准确地获取与预测叶绿素a浓度可为保护海洋环境提供依据。以中分辨率成像光谱仪获取的遥感影像作为数据源,将同一水域的叶绿素a浓度图像作为相对真值,采用卷积神经网络建立遥感反射率与叶绿素a浓度之间的关系模型,进而实现对海洋叶绿素a浓度的反演。首先,对2020年全球海洋反射率数据(波段组合为412, 469, 488, 547和667 nm)和叶绿素a浓度数据进行倍数放大、对数变换等预处理。其次,从中截取2020年1月太平洋与印度洋交界处的水域影像作为数据集,并将其划分为训练集和验证集,构建与训练海洋叶绿素a浓度的卷积神经网络反演模型,以决定系数(R²)、均方根误差(RMSE)和平均绝对误差(MAE)作为评价指标,优化反演模型。最后,使用2020年1月—12月的叶绿素a浓度数据作为测试集,验证模型的反演精度。结果表明,构建的反演模型R²=0.930, RMSE=0.132, MAE=0.103,证明模型给出的叶绿素a浓度的反演结果与真值具有较高的一致性,能够应用于基于遥感影像进行全球海...     

利用光谱指数反演植被叶绿素含量的精度及稳定性研究

农业遥感中,利用光谱指数方法反演作物叶绿素含量一直得到广泛地应用。利用PSR-3500光谱仪及SPAD-502叶绿素仪同步获取了冬小麦冠层光谱数据及对应叶片的叶绿素相对含量(SPAD值),并利用高斯光谱响应模型将PSR获取的地面连续光谱数据重采样为多光谱Landsat-TM7及高光谱Hyperion光谱数据,然后分别计算基于两种传感器的归一化差值植被指数(normalized difference vegetation index, NDVI)、综合叶绿素光谱指数(MCARI/OSAVI,the ratio of the modified transformed chlorophyll absorption ratio index (MCARI) to optimized soil adjusted vegetation index(OSAVI))、三角形植被指数(triangle vegetation index, TVI)及通用植被指数(vegetation index based on universal pattern decomposition method, VIUPD),再将四种光谱指数与叶绿素含量进行回归分析。结果表明,针对重采样后的TM和Hyperion两种传感器数据,VIUPD反演叶绿素含量精度(决定系数R2)最高,反演能力最稳定,这与其“不受传感器影响”的特性密不可分;MCARI/OSAVI反演精度和稳定性次之,是因为引入的OSAVI削弱了土壤背景的影响;宽波段指数NDVI和TVI对模拟TM数据有较好的反演精度,对Hyperion数据反演精度却很低,可能是因为两种指数的构成形式简单,考虑的影响因素较少。以冬小麦为例,对利用光谱指数反演植被叶绿素含量的精度和稳定性进行了研究并分析了其影响因素,经比较发现利用植被指数VIUPD进行植被叶绿素含量反演时,其精度和稳定性最好。     

水稻叶绿素浓度对荧光光谱的影响（英文）

为了加强对水稻生长状况的监测,指导水稻的田间施肥,提高施肥利用效率,以增加农作物产量、提高粮食品质,实验室搭建了基于激光诱导荧光技术的荧光探测系统,以研究水稻叶片的叶绿素含量与荧光峰值比之间的相关性。文中测量样本为水稻分蘖期和拔节期的倒二叶,栽培地区位于中国江汉平原。文中先采用凯氏定氮法和相应公式结合测得水稻叶片的叶绿素含量(mg·g-1),再用搭建的荧光探测系统采集了水稻叶片不同叶绿素含量的荧光光谱(激发波长为355nm)。获得了水稻叶片在不同叶绿素含量下的荧光光谱数据库,定量分析了荧光峰值比F740/F685(荧光谱峰740nm、685nm处的荧光强度比)与叶绿素含量的相关性,发现叶绿素含量的变化对荧光光谱特性影响明显。由实验数据分析可知荧光参数中的峰值比(F740/F685)与叶绿素含量呈现很好的线性正相关,相关系数(R2)在水稻的分蘖期和拔节期分别达到了0.901 3和0.912 5。实验分析结果表明诱导荧光光谱技术具有方便、快捷、无损等优点,在农作物生长状况的遥感定量监测等方面也具有一定发展潜力。     

基于高光谱数据和模型反演植被叶面积指数的进展

植被叶面积指数(Leaf Area Index , LAI)是陆面过程中影响陆-气交换的重要参数,也是表征植被冠层结构最基本的参量之一。准确而快速地获取LAI是植被-气候相互作用、植被生态和农作物估产研究不可缺少的工作。本文首先针对LAI和高光谱遥感进行概述,然后从不同平台高光谱传感器数据和不同反演方法两个角度总结了国内外近些年来高光谱遥感LAI的研究进展,最后分析了高光谱遥感反演LAI的未来发展方向。     

基于光谱指数的不同叶倾角分布下玉米冠层叶绿素含量反演

遥感是开展地面/近地面、航空及航天层次无损伤探测植物叶绿素信息的主要手段。目前多波段计算光谱指数方法已被广泛地应用于植被冠层叶绿素含量的经验/半经验反演及应用中。考虑不同作物及同种作物不同品种间存在着一定的植被叶倾角分布(LAD)特征差异,针对叶倾角分布对光谱指数反演冠层叶绿素含量(CCC)的影响进行分析,并开展针对叶倾角分布变化不敏感的叶绿素相关光谱指数优选和冠层叶绿素反演建模研究。基于PROSAIL辐射传输模型模拟了不同叶片叶绿素含量(LCC)、叶面积指数(LAI)和LAD对应的冠层反射率数据。模拟结果显示,在相同LAI和LCC条件下,不同LAD对应的冠层反射率有明显差异,冠层反射率随着平均叶倾角的增加而降低。通过计算12个常用的叶绿素相关光谱指数与CCC的相关性指标,来评估光谱指数在不同LAD下反演叶绿素含量的敏感性差异,并依次优选出MTCI,MNDVI8,MNDVI1和CI_red-edge4个对LAD变化较不敏感的叶绿素相关光谱指数。利用玉米实测数据对光谱指数进行冠层叶绿素估测的建模和模型检验,模型的建立和验证结果显示,MNDVI8对LAD变化最不敏感,反演模型的精度最高,决定系数R2=0.70,均方根误差RMSE=22.47 μg·cm-2。CI_red-edge(R2=0.63,RMSE=24.06 μg·cm-2),MNDVI(R2=0.66,RMSE=24.07 μg·cm-2)和MTCI(R2=0.65,RMSE=26.76 μg·cm-2)反演模型的精度较为接近并稍弱于MNDVI8。通过对反演结果分析得出结论,不同的光谱指数对LAD变化的敏感性不同,优选的光谱指数普遍对叶绿素含量具有较好的相关性和敏感性,其中MNDVI8受LAD影响最小,能较高精度的反演LAD变化下的玉米冠层叶绿素含量。优选的其他光谱指数MTCI,CI_red-edge和MNDVI1反演能力虽然稍弱于MNDVI8,但受LAD影响较小,同样具有较好的反演能力。该工作开展LAD对光谱指数叶绿素反演的敏感性分析和光谱指数优选研究,其实测数据的检验结果和模拟数据的分析结果一致;基于优选光谱指数的冠层叶绿素含量反演建模结果及精度分析结论,对开展缺乏叶倾角分布差异先验知识下的大范围作物叶绿素含量遥感估测和应用具有借鉴意义。     

利用叶片正反面反射光谱估算叶绿素含量

叶片叶绿素含量的快速无损估算方法对研究植被生长和环境胁迫都具有重要意义。传统叶绿素光谱估测方法,主要是基于叶片正面光谱信息。而在实际遥感观测中,传感器不仅会接收植被叶片正面光谱信息,植被叶片反面光谱信息也会同时被接收。该研究主要目的是找到在同时考虑叶片正反面光谱信息时也能精确估算叶片叶绿素含量的分析方法。对比了简单差值植被指数(SD),简单比值植被指数(SR),归一化植被指数(ND)与偏最小二乘(PLS)建模方法,并对检验样本集进行了精度比较。结果发现用PLS方法估算两种植被正反面叶片的叶绿素含量与真实叶片叶绿素含量的拟合精度更高,R2为0.91,RMSE为5.21 μg·cm-2。因此可以认为PLS方法在同时考虑植被叶片的正反面光谱信息时对植被叶片叶绿素含量的估算更准确。     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

刚竹毒蛾胁迫下毛竹叶绿素与叶光谱特征的关系及其变化

叶绿素是反映绿色植被健康状态的重要生理参数,虫害胁迫下叶绿素与叶光谱的变化机制较为复杂,深入剖析二者关系对于虫害检测有重要意义。以福建省南平市顺昌县为试验区,测定不同受害情景下毛竹叶叶绿素含量(SPAD)与叶光谱,采用Pearson相关法筛选叶光谱特征指标,建立叶SPAD的多元线性回归、岭回归、随机森林与XGBoost估测模型。通过比较光谱特征指标筛选结果及模型估测效果,分析刚竹毒蛾胁迫下毛竹叶绿素与叶光谱特征的关系及其变化。结果表明：(1)随着虫害程度上升,毛竹叶SPAD呈下降趋势;(2)较之于未受害状态,刚竹毒蛾胁迫下毛竹叶光谱特征发生明显变化,“绿峰”和“红谷”趋于消失,“红边”斜率减小,近红外波长反射率降低;(3)基于全样本拟合叶SPAD的最优光谱特征指标为VOG₂,R₅₁₅/R₅₇₀, CI_red, PRI与NDVI₇₀₅,最佳估测模型为多元线性回归模型(R²=0.753 7, RMSE=3.015 0);(4)基于不同受害程度样本拟合毛竹叶SP...     

表面增强拉曼光谱准确检测玉米中杀螟硫磷农药残留

杀螟硫磷是一种在农作物上广泛使用的有机磷杀虫剂,常用于玉米上害虫的防治。过量或者不合理施用导致的残留积累关系到食品安全和人体健康。常规检测杀螟硫磷的方法有气相色谱-质谱法、高效液相色谱法,其准确性虽好,但存在需要专业人员介入、样品前处理复杂、检测时间长等缺点。表面增强拉曼光谱(SERS)法具有分析速度快、检测灵敏度高和特异性好等优点,被广泛应用于农产品中痕量残留的快速检测。利用表面增强拉曼光谱结合化学计量学方法实现玉米中杀螟硫磷残留的准确检测。以两步种子生长法合成的纳米金棒作为拉曼增强基底,测量600～1 800 cm-1范围内的拉曼光谱。对比杀螟硫磷乙醇溶液和金棒的光谱,确定杀螟硫磷的特征峰在650,830,1 082,1 241,1 344和1 581 cm-1处。采用简单预处理方法快速提取玉米中的杀螟硫磷残留。将受污染的玉米样品粉碎后,利用乙醇溶剂对残留进行两次提取,每次获取的提取液经离心获得上清液,将上清液合并混匀,在水浴中蒸发浓缩,浓缩后的上清液用于采集SERS光谱。每个浓度制备50个平行样本。各浓度残留提取液中的残留参考值采用色质联用方法测定。对比残留提取液的光谱,1 082,1 241和1 581 cm-1处特征峰强度随残留浓度的降低而迅速变弱甚至消失,650,830和1 344 cm-1处的特征峰直至残留浓度为0.48 μg·mL-1时依然可见。当浓度低至0.37 μg·mL-1时,所测光谱与空白提取液光谱相似。采用主成分分析(PCA)提取不同浓度杀螟硫磷残留光谱的主体信息,其中残留为0.37 μg·mL-1和空白提取液光谱的主成分得分重叠,进而判断SERS方法对玉米中杀螟硫磷残留的检测限可达到0.48 μg·mL-1,低于国家规定的农作物中最大残留限,体现出SERS检测的高灵敏性。选取浓度为14.25 μg·mL-1的50个样本分析其650,830和1344 cm-1处的特征峰强度变化可知,所采集的光谱呈现出较好的重复性,相对标准偏差(RSD)值仅为3.12%。对杀螟硫磷残留的定量分析采用支持向量机回归(SVR)实现,Savitzky-Golay卷积平滑和小波变换(WT)用于本次光谱数据的预处理。校正集和预测集样本的划分采用Kennard-Stone算法实现,模型的性能采用校正均方根误差(RMSEC)、校正集决定系数(R2_c)、预测均方根误差(RMSEP)和预测集决定系数(R2_p)评估。最优模型为SVR结合WT所构建的,具有最小的预测误差,其中校正集的RMSEC=0.103 2 μg·mL-1,R2_ｃ=0.999 74,预测集的RMSEP=0.134 1 μg·mL-1,R2_p=0.999 60。同时,最优模型的预测值与色质联用法所测值基本一致,其预测回收率为95.31%～100.66%。以上表明,SERS结合化学计量学方法检测玉米中杀螟硫磷残留是准确可行的,且有望推广到农作物中多种农药残留的检测,为农产品的安全检测提供一种新思路。     

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法（CARS）选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R2分别为：DSI(R₈₅₇, R₆₂₃), 0.704; DSI(R₆₇₀, R₅₇₈), 0.786; DSI(R₉₉₅, R₅₀₈), 0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明：SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。     

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。     

改进特征波段选取和混合集成建模的东北粳稻叶绿素含量估算

利用光谱信息快速、无损和准确的检测水稻冠层叶片叶绿素含量,对水稻的长势评估、精准施肥、科学管理都具有非常重要的现实意义。以东北粳稻为研究对象,以小区试验为基础,获取关键生长期的水稻冠层高光谱数据。首先采用标准正态变量校正法（SNV）对光谱数据进行预处理,针对处理后光谱数据,以随机蛙跳（RF）算法为基础,结合相关系数分析法（CC）和续投影算法（SPA）,提出一种融合两种初选波段的改进型随机蛙跳算法（fpb-RF）筛选叶绿素含量的特征波段,并分别与标准RF,CC 和SPA方法进行对比。以提取的特征波段作为输入,结合线性模型和非线性模型各自优势,提出一种高斯过程回归（GPR）补偿偏最小二乘（PLSR）的叶绿素含量混合预测模型（GPR-P）：利用PLSR法对水稻叶绿素含量初步预测,得到叶绿素含量的线性趋势,然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测,两者叠加得到最终预测值。为了验证所提方法优越性,以不同方法提取的特征波段作为输入,分别建立PLSR、最小二乘支持向量机（LSSVM）、BP神经网络预测模型。结果表明：相同预测模型条件下,改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、提高模型预测性能,各模型测试集的决定系数（R2_P）和训练集的决定系数（R2_C）均高于0.704 7。另外,在各算法提取特征波段进行建模时,GPR-P模型的R2_C和R2_P均高于0.755 3,其中,采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高,R2_C和R2_P分别为 0.781 5和0.779 6,RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1,可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。     

低空遥感平台下可见光与多光谱传感器在水稻纹枯病病害评估中的效果对比研究

高效无损地评估农作物病害等级,对于实际农业生产和研究都具有重要意义。研究探讨了基于低空无人机遥感平台进行水稻纹枯病病害等级评估的可行性,分析可见光与多光谱传感器的光谱响应差异及其对感病水稻光谱反射率获取的影响,并定量对比两种传感器的病害监测效果。实验研究区由67个不同品种的水稻小区组成,每块小区均分为相接的纹枯病接种区和侵染区。以大疆精灵Phantom 3 Advanced小型消费级无人机作为搭载平台,分别搭载该无人机系统自带的可见光传感器和MicasenseRedEdgeTM多光谱传感器获取遥感影像。同时,通过植保专家现场调查的方式识别病害等级,并利用Trimble公司的手持式NDVI测量仪获取实测NDVI值。基于影像拼接、波段叠合、辐射校正后的预处理结果,对可见光图像的接种区和侵染区共134个小区计算七种可见光植被指数,即NDI（normalized difference index）, ExG（excess green）, ExR（excess red）, ExG-ExR,B*,G*,R*,多光谱图像除上述可见光指数外再计算NDVI（normalized difference vegetation index）, RVI（ratio vegetation index）和NDWI（normalized difference water Index）三种多光谱植被指数。将计算得到的图像植被指数与地面实测NDVI进行相关性分析,以选取两种传感器的最优图像植被指数建立水稻纹枯病病害等级反演模型。相关性分析结果表明,基于多光谱传感器计算的图像NDVI与实测NDVI拟合度最高,接种区R2为0.914,RMSE为0.024,侵染区R2为0.863,RMSE为0.024。对于可见光传感器,NDI与实测NDVI的相关性最好,接种区R2为0.875,RMSE为0.011,侵染区R2为0.703,RMSE为0.014。比较两种传感器两种区域的同一图像植被指数与实测NDVI的一致性,除B*外,NDI,ExR,ExG-ExR,G*,ExG,R*与实测NDVI基本属于高度相关,在病害严重的接种区,两种传感器对水稻纹枯病的监测效果相近,但在病害相对较轻的侵染区,多光谱传感器的监测更为精确灵敏。基于多光谱图像NDVI建立的病害等级反演模型,R2达到0.624,RMSE为0.801,预测精度达到90.04%,模型效果良好。而基于可见光图像NDI建立的反演模型,R2为0.580,RMSE为0.847,预测精度为89.45%,效果稍差。对比分析可见光与多光谱传感器的光谱响应曲线,可见光传感器可获取可见光范围的红、绿、蓝三个波段,波段范围互相重叠,多光谱传感器包含五个成像单元,可独立获取从可见光到近红外的五个窄波光谱波段,提供更加准确的光谱信息。比较传感器获取的接种区和侵染区水稻平均反射率曲线得出,多光谱传感器不仅在可见光波段反映了较可见光传感器更强的差异,在红边和近红外波段差异则更加明显,这说明专业窄波段传感器在病害监测方面较宽波段消费级传感器更有优势。综上所述,基于可见光与多光谱传感器的低空无人机遥感平台进行水稻纹枯病病害等级评估是可行的,多光谱传感器精确灵敏,可用于纹枯病的早期监测,可见光传感器效果稍差但经济易于推广。研究结果为病虫害防治提供决策支持,有助于推动实现精准农业,保障粮食安全。