基于光谱重建优化的无人机高光谱影像估算牧草生物量

准确及时地预测牧草的地上生物量AGB(above ground biomass)是实现牧草生长监测和合理放牧的前提。无人机高光谱遥感可快速获取高空间、光谱和辐射分辨率的遥感影像,已被广泛应用于精准农业和高通量植物表型等领域。为探究无人机高光谱影像(unmanned aerial vehicle hyper-spectral image, UAV-HSI)对草原牧草AGB预测的适用性,获取了青海省典型草场样区的UAV-HSI、样方牧草AGB和相关辅助数据。然而,UAV-HSI具有较大的数据量级,不便于被广泛采集、存储和传输,也会显著影响数据处理的效率,严重制约其被有效利用。着眼于此,提出一种兼顾数据简化和光谱保真的牧草冠层光谱重建优化方法,以期在有效降低数据量的同时,保证牧草AGB的预测精度。首先,利用残差量化方法对UAV-HSI进行特征参量化处理,获得低数据量级的多阶二值立方体(H_i)及系数矩阵(β_i),并以此替代原始数据进行存储和传输;其次,利用H_i和β_i进行光谱重建,得到初构光谱PRS(preliminarily reconstructed spectra);最后,运用Savitzky-Golay滤波对PRS进行优化,即为OPRS(optimized PRS)。以样区牧草光谱为例,对OPRS的光谱保真性,即OPRS与原始光谱之间的相关系数、光谱角和光谱矢量距离进行分析,结果表明,在3种保真性指标上,OPRS均明显优于同阶的PRS。进而,分析了牧草AGB与光谱变量之间的相关性,结果表明,与原始光谱和PRS相比,OPRS各波段对牧草AGB的预测能力相对较高且最为稳定。而后,利用偏最小二乘法回归构建了牧草AGB的反演模型,结果表明,在原始光谱、1～4阶PRS和1～4阶OPRS等9种光谱中,4阶和3阶OPRS的AGB预测精度分别达到了最优和次优水平,二者的AGB预测相对分析误差RPD(ratio of performance to deviation)分别为2.31和2.23,比原始光谱模型的RPD分别高0.26和0.18。在降低1个数量级的情况下,OPRS取得了优于原始光谱的牧草AGB预测性能,说明OPRS兼具数据简化和牧草AGB准确预测性能,为UAV-HSI估算牧草AGB提供了一种新的有效解决方案。     

优化光谱指数的露天煤矿区土壤重金属含量估算

光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱（Vis-NIR）为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0～10 cm深度的土壤样品,在实验室中分别测定样品的有机质（SOM）含量、重金属砷（As）含量与高光谱;使用基于JAVA语言自主开发的两波段组合软件V1.0（No: 2018R11S177501）计算不同高光谱数据变换形式（原始反射率（R）,倒数（1/R）,对数（lgR）和平方根（）下Vis-NIR区域（400~2 400 nm）所有两波段组合得到的优化光谱指数（NPDI）与As的相关性,在最优光谱指数（|r|≥0.73和p=0.001）中通过变量重要性准则（VIP）进一步筛选VIP≥1的指数作为模型自变量,基于地理加权回归（GWR）模型估算As含量并使用四个交叉验证度量标准：相对分析误差（RPD）,决定系数（R2）,均方根误差（RMSE）和最小信息准则（ACI）评价模型精度,从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明：(1）研究区As含量离散度较高,所有样品中SOM含量均小于2％,且As含量与SOM含量在0.01的显著性水平上无显著相关性（|r|=0.113）。（2）As含量与单波段光谱反射率的相关性很低（|r|≤0.228）,而通过R,1/R,lgR,计算的NPDIs与As含量的相关性在近红外（NIR,780~1 100 nm）和短波红外（SWIR,1 100~1 935 nm）光谱中发现最高的相关系数和最低的p值（|r|≥0.73和p=0.001）,在长波近红外（LW-NIR）区域基于R形成的NPDIs与As含量相关性最高（|r|=0.74）。（3）VIP方法分别筛选NPDI_{R（1 417/1 246）},NPDI_{1/R（799/953,825/947）}、NPDI_{sqrt-R（1 023/1 257,1 008/1 249,1 021/1 250,1 020/1 247）}和NPDI_{lgR（801/953,811/953,817/951,825/947,828/945）}为GWR模型自变量。(4）从4个预测模型的表现可以看出,Model-a（R）与其他三个模型（Model-b（1/R）,Model-c（）和Model-d（lgR））相比,它具有最高的验证系数（R2=0.831,RMSE=4.912 μg·g-1,RPD=2.321）和最低的最小信息准则值（AIC=179.96）。优化光谱指数NPDI_{R(1 417/1 246)}有助于快速准确地估算As含量,为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考,促进露天煤矿区环境污染快速有效调查和生态可持续发展。     

Landsat8光谱衍生数据分类体系下的牧草生物量反演

牧草生物量的估算对于草地资源合理利用和载畜平衡监测具有重要的意义,是评价草地生态系统与草地资源可持续发展的关键指标。基于Landsat遥感技术快速、无损的大面积植被生物量估算研究已广泛应用,当前大多基于单一变量或几个常用植被指数构建反演模型,这些指数往往不能从多方面反映植被理化特征。归纳了不同Landsat8光谱衍生数据所反映的植被理化特征及它们间的关联方式,构建了Landsat8光谱衍生数据的分类体系;在此基础上提出了一种基于随机梯度Boosting(SGB)算法的多变量、非线性生物量估算模型,探讨不同类型光谱衍生数据组合对于牧草生物量反演结果的影响。以青海省海晏县为研究区进行方案可行性探讨。结果表明常用的Landsat8光谱衍生数据主要从植被的绿度、黄度、盖度、水分含量、纹理特征以及通过消除大气干扰和土壤背景干扰等7个方面反映植被的理化特征(7个小类),可归纳为直接因子(绿度、黄度、盖度、水分含量)、间接因子(消除大气干扰和消除土壤背景干扰)和空间因子(纹理特征)3大类型。在牧草生物量反演中,这些光谱衍生数据类型间具有较好的互补性,单一的直接因子模型估算结果最差,引入间接因子和空间因子均能提高模型的估算结果,而由直接因子(GNDVI, TCW, NDTI, NDSVI, TCD)、间接因子(SAVI, VARI)和空间因子(MeanB3, MeanB6, HomⅡ, DisB5)共同构建的SGB模型估算精度最优,R2达到了0.88;RMSE为141.00 g·m-2。与5种常用的生物量估算模型结果对比,该方法具有明显的优势。较单变量模型,R2提高了42%~60%,RMSE降低47%以上,R■提高了31%~53%, RMSEcv降低29%;较多变量模型,R2提高了29%~42%, RMSE降低35%以上,R■提高了2%~18%, RMSEcv降低2%以上。此外,所提出方法在消除反演模型过饱和方面也具一定成效。综上,利用Landsat8数据从反映植被不同理化特征角度构建反演模型实现了牧草生物量的精准估算,对于后期牧草生长状况实时监测以及草地资源可持续利用与管理具有重要的指导意义。研究结果还可以为今后进行大面积区域草地动态监测以及其他农业领域的研究提供参考和借鉴。     

可见光光谱的冬小麦苗期地上生物量估算

地上生物量是表征冬小麦苗期长势的重要参数之一,对于监测冬小麦苗期长势,预测产量具有重要的实际意义。目前,通过计算光谱指数进行生物量估算是冬小麦苗期地上生物量无损测量的主要方法,但该方法需要一定的平台支撑,在便捷性方面存在一定的不足。为此,利用可见光图像数据获取方便、准确率高的特点,基于冬小麦苗期冠层可见光图像数据开展冬小麦苗期地上生物量估算研究。采用数码相机,采集冬小麦苗期冠层可见光图像并利用Canopeo进行冬小麦冠层与背景的分割。在获取冠层分割图像后,提取了CC（canopy cover）、ExG（excessg reen）、ExR（excess red）、ExGR（ExG-ExR）、NGRDI（normalized green-red difference index）、GLI（green leaf index）、RGRI（red-green ratio index）和RGBVI（RGB vegetation index）共8个可见光图像特征。利用相关性分析进行特征优选,选择与冬小麦苗期地上生物量实测数据相关性较高的图像特征构建估算模型。利用优选的图像特征,分别构建偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机回归（SVR）和随机森林（RF）模型,开展冬小麦苗期地上生物量估算研究,并定量分析特征数量和播种密度对估算模型准确率的影响。结果表明,ExR,GLI和RGBVI与生物量实测数据相关性较低,因此,将这3个特征剔除。CC,ExG,ExGR,NGRDI和RGRI与生物量实测数据的相关性较高,其中CC,ExG和ExGR与生物量实测数据呈正相关,而NGRDI和RGRI与生物量实测数据呈负相关。利用优选的图像特征构建估算模型,研究结果表明,基于优选的5个图像特征,PLSR的估算准确率最高,模型R2为0.801 5,RMSE为0.0788 kg·m-2,表明PLSR能够实现冬小麦苗期地上生物量的准确估算。特征数量是影响估算模型准确率的因素之一,随着特征数量的减少,模型估算的准确率逐步下降。利用不同播种密度数据集对估算模型进行测试,结果表明,PLSR在不同的播种密度数据集上均取得了最高的估算准确率,模型R2分别为0.897,0.827 9和0.788 6,RMSE分别为0.062,0.072和0.079 1 kg·m-2,表明PLSR估算的冬小麦苗期地上生物量数据与实测生物量数据之间具有良好的相关关系。随着播种密度的增加,所有估算模型的准确率均出现下降,而PLSR的准确率下降程度最小。由此可见,基于可见光图像数据,能够实现冬小麦苗期地上生物量的准确估算,为冬小麦苗期田间管理提供参考。     

基于高光谱成像的牧草粗蛋白含量检测研究

粗蛋白（CP）是评价牧草营养价值和品质参数的关键指标。快速、准确地对牧草中粗蛋白含量进行评估在畜牧业生产研究中具有重要意义。为确定牧草粗蛋白含量的高光谱特征波段及最优检测模型,研究分别于2017年5月至9月间在黑龙江省杜尔伯特自治区的人工牧草场（羊草）内每月随机选取35个样本,5个月共采集175个样本。采样时在样本点处放置1 m×1 m的样方,将样方内所有牧草全部齐地面收割采集后称重并冷藏保存。将样本带回实验室后,立即进行牧草叶片高光谱图像采集,同时采用凯氏定氮法对采集的牧草样本进行粗蛋白化学值测定,以此建立牧草粗蛋白含量高光谱数据集。研究首先通过Savitzky-Golay卷积平滑（SG）、多元散射校正（MSC）、变量标准化（SNV）、一阶导数（1-Der）和直接正交信号校正（DOSC）方法5种预处理方法对高光谱数据进行处理后分别建立偏最小二乘回归（PLSR）检测模型,从中确定最优预处理方法。利用最优预处理结果,分别采用连续投影算法（SPA）和随机蛙跳算法（RF）进行牧草粗蛋白含量的特征波段选择,并利用选择结果分别进一步建立PLSR模型,以此确定适合粗蛋白含量的特征波段选择方法,确定最优高光谱检测模型。结果表明,在五种高光谱预处理方法中,基于SNV方法预处理后所建立的高光谱PLSR模型表现最优（R2-P=0.929,RMSE-P=6.344 mg·g-1,RPD=4.204）。利用连续投影算法筛选的粗蛋白含量特征波长为30个,分布于530～700和940～1 000 nm范围内。经随机蛙跳算法确定的粗蛋白含量特征波段为6个,分别为826.544,827.285,828.766,971.012,972.494和973.235 nm。因此,该研究中牧草粗蛋白含量最优高光谱检测模型为SNV-RF-PLSR（R2-P=0.933,RMSE-P=6.034 mg·g-1,RPD=4.322）,模型精度较高。该研究结果为牧草粗蛋白含量的高光谱检测提供了最优模型和理论基础,同时为指导草业生产开拓了新的技术思路。     

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。     

基于可见光光谱和BP人工神经网络的冬小麦生物量估算研究

建立基于冬小麦冠层图像分析获取的冠层覆盖度和色彩指数的地上部生物量估算模型,以促进作物冠层图像分析技术和BP神经网络技术在冬小麦长势无损监测中的应用。六个施氮水平的田间试验条件下,在冬小麦拔节期,分四次采集冬小麦冠层图像,同步进行破坏性取样,测定冬小麦地上部生物量;分析了通过图像分析软件(利用微软Visual Basic软件开发)获取的冠层覆盖度和10种色彩指数与冬小麦地上部生物量的相关关系,以逐步回归和BP神经网络方法建立了冬小麦地上部生物量估算模型。结果表明,冬小麦地上部生物量与冠层覆盖度、饱和度和红光亮度值呈显著相关,其中,与冠层覆盖度间的相关性最强,且除亮度外,冠层覆盖度、色彩指数与地上部生物量间呈非线性相关。通过BP神经网络方法构建的模型相对于逐步回归模型,显著提高了冬小麦地上部生物量估算精度,均方根误差(RMSE)、相对均方根误差(RRMSE)更小,决定系数(R2)更大。     

无人机多光谱影像的马铃薯地上生物量估算

地上生物量(AGB)是评估作物生长发育和指导田间农业生产管理的重要指标.因此,高效精准地获取作物AGB信息,可以及时准确地估算产量,对于保障粮食供应和贸易提供有力依据.传统获取AGB的方法是采用破坏性取样法,这使得大面积、长期的测量变为困难.然而,随着精准农业的快速发展,无人机遥感技术被认为是估算大面积作物AGB最有效...     

高光谱技术联合归一化光谱指数估算土壤有机质含量

随着近地高光谱遥感技术的发展,为快速、有效、非破坏性地获取土壤有机质(SOM)信息提供了可能。土壤高光谱波段数据众多,光谱数据变量之间存在较为严重的多重共线性,影响模型复杂结构,而构建归一化光谱指数(NDSI)可以有效去除冗余信息变量,放大光谱特征信息。以江汉平原公安县为研究区,采集56份耕层土样,在室内获取土壤光谱数据,采用“重铬酸钾-外加热法”测定SOM含量,对实测土壤光谱数据(Raw)进行倒数之对数(LR)、一阶微分(FDR)和连续统去除(CR)三种变换,计算四种变换的NDSI数值,分析SOM与NDSI的二维相关性,并对一维、二维相关系数进行全波段范围内的p=0.001水平上显著性检验,提取敏感波段和敏感光谱指数,结合偏最小二乘回归(PLSR)建立SOM的估算模型,探讨二维光谱指数用于建模的可行性。研究表明,二维相关系数相比一维相关系数有不同程度的提升,以LR最为显著,相关系数数值提升约0.26;基于二维相关性分析提取的敏感光谱指数的PLSR建模效果整体优于一维相关性分析提取的敏感波段,其中,NDSI_LR-PLSR模型的稳健性最优,验证集R2为0.82,模型验证RPD值为2.46,模型稳定可靠,可以满足SOM的精确监测需要,适合推广到区域范围内低分辨率的航空航天遥感(如ASTER,Landsat TM等),应用潜力较大。     

基于无人机高光谱特征参数和株高估算马铃薯地上生物量

地上生物量(above-ground biomass,AGB)是评价作物长势及其产量估测的重要指标,对指导农业管理具有重要的作用.因此,快速准确地获取生物量信息,对于监测马铃薯生长状况,提高产量具有重要的意义.于马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期获取成像高光谱影像、实测株高(heigh,H)、地上...     

光谱分辨率和信噪比对光谱线指数测量精度的影响

分析光谱分辨率和信噪比对19个Lick原子吸收线指数测量精度的影响。采用高斯卷积方法,将光谱变换到不同分辨率下,通过测量并比较光谱在不同分辨率下的线指数值探究分辨率改变对线指数测量精度的影响;通过向光谱叠加符合不同高斯分布的随机噪声方法,将无噪理论光谱改变到不同信噪下,通过测量并比较光谱在不同信噪比时的线指数值分析信噪比对线指数测量精度的影响。结果表明：改变光谱分辨率能够引起线指数测量值的变化,此变化程度依赖于分辨率的改变程度,且此依赖关系对不同指数呈不同变化趋势;信噪比对线指数测量精度的影响随信噪比的降低而增大,当信噪比高于25时,此影响可忽略。     

基于光谱分析的草地叶绿素含量估测植被指数

对现有叶绿素遥感估测研究方法进行比较,确定植被指数法是其中最实用、普适性最强的研究方法。近年来,草地退化问题日益严峻,需要进一步从光谱分析、植物生化参数估测的角度加以研究,因而亟需建立一种用于反演草地植被叶绿素含量的植被指数。首先对四川省松潘草原和内蒙古自治区贡格尔草原的草地实测反射率光谱曲线及其一阶微分曲线进行分析,通过这两种光谱与叶绿素含量的相关性分析,找到红边区域（red-edge position, REP）与草地叶绿素含量之间的规律,即叶绿素含量越高,反射率一阶微分曲线的红边拐点（red-edge inflection point, REIP）取值越高,由此构建草地叶绿素含量估测植被指数（grassland chlorophyll index, GCI）,选取最适宜反演的波段,最后采用卫星高光谱影像计算GCI,将计算结果与野外试验观测的叶绿素含量数据进行精度分析验证。结果证明,对于草地叶绿素含量来说,GCI比其他叶绿素指数的敏感性更强,具有较高的草地叶绿素含量估测精度。GCI是第一个针对草地叶绿素含量估测而被提出的植被指数,其对遥感反演草地叶绿素含量具有广泛应用潜力。同时这种基于光谱分析的草原植被叶绿素含量估测方法为其他的草原植被生化参数估测、草原植被生长状况评价以及草地生态环境变化大面积监测提供了新的研究思路。     

基于优化面积光谱指数的玉米叶片叶绿素值估测

综合使用光谱技术对作物养分进行实时、有效诊断,有助于作物的精准管理、保障产量和减少环境污染,提高肥料利用率,并且为定量估测作物生化组分状况提供了一种新的途径.光谱指数是进行作物叶片叶绿素实时估测的重要指标,然而由于受到环境条件及内在生化成分的影响,估测结果不尽满意.为了进一步提高光谱指数在估测作物叶片叶绿素含量时的抗干...     

彩色扫描仪的光谱反射率估计方法

为从扫描仪获取精确的、设备无关的颜色描述,必须对扫描仪进行颜色表征(Characterization)。考虑到实际扫描仪的成像过程往往偏离线性反射模型,并且训练样本在颜色空间中的不同分布对颜色估计的精度有较大影响,提出了一种基于有限样本加权训练的彩色扫描仪光谱表征方法,从而可以从低维的RGB颜色值计算得到精确的光谱反射率。 实验结果表明,该方法在色度及反射率精度方面均明显优于先前的方法。     

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。