光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

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。     

土壤铬的航空高光谱间接反演模型及可迁移性研究

铬（Cr）是我国东北黑土区土壤重金属污染评价中的主要目标元素之一,随着航空高光谱技术的引入,Cr含量的高光谱反演具备了大范围应用的数据基础,其中影响调查质量的关键是高光谱模型的精度及应用范围。常用的建模方法是利用各类统计学手段进行光谱特征提取并建模,局限性表现为建模结果受样本选择的影响较大,模型泛化能力不强。研究以土壤Cr的赋存规律为切入点,设计了一种新的基于Cr影响因素及光谱特征的间接反演模型,改善了模型在不同地区的适用性。选择黑龙江省建三江和海伦两个研究区,高光谱数据来自CASI/SASI航空高光谱成像系统,波段范围380～2 450 nm,建三江和海伦研究区地面采样数量分别为225个和121个,分析获得土壤Cr元素及SOM,N,P,K₂O,SiO₂,Al₂O₃,Fe₂O₃,CaO,MgO,Na₂O和pH等理化参数,建模方法采用偏最小二乘法。Cr的赋存规律分析结果表明,Cr在两个研究区均表现为与Al₂O₃,Fe₂O₃,MgO,K₂O和pH呈极显著的正相关关系,与SiO₂,Na₂O和SOM呈极显著的负相关关系,该特征为间接反演模型的建立提供了基础。两个地区Cr的光谱特征分析结果共同表明,光谱反射率经变量标准化（SNV）变换后与Cr含量的相关性最明显,特征波段为1 520,2 195,2 210和2 225 nm。将光谱SNV变换后的特征波段作为纯光谱模型自变量,将SNV特征波段和上述与Cr密切相关的土壤组分作为间接反演模型的自变量,建模结果显示,相比于纯光谱模型,建三江研究区的间接反演模型将建模R2由0.643提升到了0.751,验证R2由0.571提升到了0.687,海伦研究区的间接反演模型将建模R2由0.537提升到了0.676,验证R2由0.471提升到了0.643,间接模型相应的均方根误差（RMSE）也得到了降低,可见间接反演模型明显提升了Cr的反演精度。两个研究区之间的模型迁移性实验结果表明,纯光谱模型的可迁移性较差,模型迁移后实测与预测值的回归R2接近于0,而间接模型在两个研究区间的迁移能力得到了显著提升,海伦的间接反演模型应用到建三江时,实测与预测值的回归R2达到0.597 5,而建三江的间接模型应用到海伦时,回归R2为0.577 3。研究结果可为土壤Cr在不同地区的大范围反演制图提供一种新的途径。     

一种针对作物生育期光谱迁移的修正植被指数

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC）。以信噪比（SNR）和平滑度指标（S）进行综合评价,小波去噪函数的最佳参数为(“sqtwolog”,“mln”,“3”,“db5”)。相关性分析结果表明,生育期特征波段的迁移范围为（700 nm,723 nm）。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为：拔节期R2_c=0.840 1,R2_v=0.823 7;孕穗期R2_c=0.865 5,R2_v=0.817 4;扬花期R2_c=0.833 8,R2_v=0.807 6。与ratio vegetation index（RVI）等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。     

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。     

高光谱成像的土壤剖面水分含量反演及制图

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（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）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。     

土壤Cd含量实验室与野外DS光谱联合反演

土壤重金属高光谱遥感建模理论上能够大大降低传统化学分析测定所需成本,正逐步发展为有效探查土壤污染空间分布与开展污染土壤综合防治的关键技术。然而土壤重金属高光谱遥感调查技术目前多局限于稳定可控条件下的实验室光谱模型,野外诸多因素（光照、湿度、土壤粗糙度等）影响下野外原位光谱模型的有效性已成为困扰该项技术大范围推广亟待突破的关键科学问题。以湖南衡阳市某矿区为例,分别利用ASD地物光谱仪和等离子发射光谱法测定46个土壤样品350~2 500 nm的实验室光谱和Cd含量,并在土壤取样时同步测量样品野外原位光谱。在运用DS（direct standardization）转换算法处理野外光谱的基础上,融合实验室光谱先验知识,基于主成分逐步回归建模方法开展了土壤Cd含量实验室与野外原位DS光谱联合反演实验,交叉验证了模型的稳定性。同时为深入探究实验室与野外原位DS光谱联合反演模型的有效性,将其与基于实验室光谱、野外原位光谱、野外原位DS光谱、实验室与野外原位光谱联合建立的主成分逐步回归模型开展了对比分析。结果表明：野外原位光谱反演模型精度（R2=0.56）明显低于实验室光谱反演模型（R2=0.64）,野外原位DS光谱反演模型与之相比精度有所提升（R2=0.66）;在野外原位光谱DS转换校正基础上,联合实验室光谱先验知识的土壤Cd含量反演模型精度最高,R2可达0.72。与此同时,实验室与野外原位DS光谱联合反演模型揭示482,565,979和2 206 nm波段对研究区土壤Cd含量有较好指示性,此结果与实验室光谱反演模型所识别的特征波段一致,两者物理意义相同。研究结果证实了实验室光谱先验知识以及DS转换算法能够提升野外原位光谱模型的可靠性,可为发展土壤Cd含量野外原位高光谱遥感探测提供重要的提供理论与方法支撑。     

双包络去除和OPLS的土壤有机碳含量反演

土壤有机碳(SOC)对土壤肥力至关重要,可见-近红外光谱能对其实现快速反演,为区域监测和定量遥感提供基础。针对包络去除(CR)仅提供反射光谱的单向吸收特征,多元回归中预测信息缺失、拟合结果未充分反映波段特征,利用世界土壤数据库245份中国土样的可见-近红外光谱,首次提出双包络去除(BCR)与正交偏最小二乘(OPLS)结合的反演方法BCR-OPLS,同时纳入光谱反射率及上、下边包络去除量,讨论组分参考值偏态分布时幂函数或对数缩放在回归时的优化作用,建立多种土壤的综合与分类估计模型,并导出适用特定类型土壤的SOC指数。结果表明,对多种土壤有机碳含量反演,相较PLSR模型(决定系数R2和估计根均方误差RMSEE分别为0.69和0.45%),BCR-OPLS模型的预测能力明显改善(R2和RMSEE分别为0.9和0.26%);而对单一类型土壤的反演精度则进一步提升,根据载荷趋势和变量重要性建立的SOC指数,预测如黄色铁铝土的有机碳含量时(以400,590和920 nm),其反演结果R2达到0.94、RMSEE达到0.21%。双包络去除与OPLS相结合,增强了光谱特征诊断的鲁棒性,提高了不同类型土壤的综合与分类SOC全谱反演精度,基于直观的图谱表达可构建简单的波段预测关系,深化了物理经验吸收与统计多元回归之间的联系。     

连续小波变换的土壤有机质含量高光谱估测

土壤有机质含量的高光谱估测可快速、准确监测土壤肥力,对现代化农业生产进行精准施肥提供科学依据。以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、一阶微分R′和倒数对数一阶微分[lg(1/R)]′数学变换,以及基于小波母函数Bior1.3不同尺度分解的连续小波变换（CWT）,并与实测土壤有机质含量进行相关分析,从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数（p<0.01）。分别以原始光谱反射率（R）以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量,土壤有机质含量作为因变量,采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。结果表明：（1）各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性,其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高,相关系数由0.39提高到0.54（p<0.01）。（2）传统的[lg(1/R)]′变换构建的支持向量机回归模型,其决定系数（R2）高于lg(1/R)和R′变换构建的模型,说明倒数对数一阶微分变换可有助于提高估测模型的精度,且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。（3）经过CWT分解后,以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型,估测精度和稳定性均有明显的提高,构建的R-CWT-23-SVMR模型的决定系数（R2）为0.84,均方根误差（RMSE）为1.48,相对分析误差（RPD）等于2.11,模型精度达到最高并拥有极好的预测能力。高光谱数据经多种变换处理后可有效去除白噪声,而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息,实现光谱信号的近似特征和细节特征的有效分离,建立的反演模型可更加精准估测土壤有机质含量。     

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。     

土壤水分去除算法的田间原位光谱反演棉田有机质

田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率,但由于原位土壤中水分因素的影响,土壤属性的预测精度很难达到预期。如何有效去除土壤中的水分对土壤其他属性光谱预测的影响,是利用田间原位光谱高精度预测土壤属性所面临的难题,也是土壤光谱技术由室内转向田间的突破口。该问题的有效解决,可减除土壤样品的采集与室内预处理等过程,实现土壤属性的田间原位光谱测定。以新疆南部地区阿拉尔垦区十二团棉田为研究区,采用网格采样法共采集了116个0～20 cm深度的表层土壤样品,剔除1个异常值样品,得到115个有用样品,利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据,土样经风干、研磨和过筛等处理后测定其室内光谱和有机质含量。利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集,采用外部参数正交化法(EPO)、光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、反射率一阶微分(R′)、反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式,运用随机森林(RF)模型进行不同组合模型的构建及精度评价。结果表明：(1)土壤有机质含量越高,土壤光谱反射率越低。土壤田间原位光谱反射率低于土壤室内光谱反射率;(2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱,室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。(3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。在去除水分算法模型中,以EPO一阶微分模型去除水分效果最好,决定系数R2由0.71提高到0.83,RPD由1.49提高到2.04,RMSE由2.17 g·kg-1降低至1.58 g·kg-1,MAPE由0.20降低至0.14。本研究实现了去除土壤水分因素的影响,提高了田间原位光谱预测土壤有机质的精度,为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。     

基于PCA的土壤Cd含量高光谱反演模型对比研究

土壤重金属污染对人类健康造成了极大的威胁,如何快速摸清土壤污染情况尤为重要。高光谱遥感具备光谱分辨率高,快速无损等优势,使其在土壤组分反演方面具有巨大的潜力。针对高光谱信息冗余及光谱变换对土壤镉（Cd）含量估算的影响进行分析,并利用变换前后的高光谱数据对比研究了不同高光谱模型对土壤Cd含量反演的性能。首先利用等离子体质谱法和FieldSpec4地物光谱仪收集了56组土壤样品的Cd含量和对应的高光谱曲线（350～2 500 nm）;为了弱化光谱测定中光亮变化和土壤表面凹凸对实验结果的影响,研究对高光谱数据进行倒数对数预处理;考虑到高光谱数据中存在大量的信息冗余,研究采用了主成分分析（PCA）对高光谱数据进行降维处理并最终保留了前12个主成分量作为特征变量。针对高光谱反演模型,研究选择了偏最小二乘（PLSR）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）四种回归模型建立PCA主成分与Cd含量之间的关系;最后,研究选取了决定系数（R2）、均方根误差（RMSE）和RPD三种精度评估指标评估回归模型的拟合精度,结果表明针对光谱采用PCA波段降维的方法处理后,选取的12个主成分对变化前后的光谱累计贡献率均达到99.99%,作为模型的输入变量,四种模型均具有一定的预测能力。无论光谱变换与否,PCA-RF反演模型的预测能力均为最好（R2分别为0.856和0.855,RPD均高达3.39）。利用PCA对高光谱数据降维处理可以有效降低高光谱数据冗余,有力的保证模型的预测能力。以PCA筛选出的主成分量可以作为模型极好的输入变量,以RF为基础的高光谱反演模型在反演土壤Cd含量时具有最佳效果,可为该区域及类似地区的土壤重金属污染物反演提供新的方法支撑。     

光谱分辨率对黑土有机质预测模型的影响

高光谱遥感以其高光谱分辨率适于反射光谱特征复杂的地物识别与参数反演,但对于反射光谱特征平滑的地物,高光谱数据可能存在数据冗余问题。本研究对实验室测定的黑土高光谱反射率进行重采样,基于统计分析方法研究了光谱分辨率对黑土有机质预测模型精度的影响,结果表明:黑土有机质含量高,土壤有机质的光谱作用范围宽(445～1 380nm);黑土有机质光谱预测模型精度随光谱分辨率降低,呈现先增后减的趋势,最优模型的光谱分辨率为50nm,低于高光谱遥感波段设置,略高于多光谱传感器波段设置;黑土有机质光谱预测最优模型以倒数对数微分为自变量,模型决定系数R2=0.799,RMSE=0.439,研究成果为土壤有机质遥感反演、光谱速测仪器的研制,以及传感器波段设置提供理论基础与技术支持。     

基于高光谱的水体BOD含量模拟估算

高光谱技术由于满足连续性与光谱可分性的要求,具有能够区别同一种地物不同类别的能力,且光谱数据获取速度快,操作简易,在监测水体分布状况、水体指标上具有突出成就.生化需氧量BOD是评价水污染的重要指标,现行常规的测量方法为五日培养法,这种方法消耗试剂、操作复杂、受干扰因素多、测定时间长、不能及时反映水质变化、无法及时有效地...     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。     

GF-2 PMS2与ZY-3 MUX多光谱传感器数据的交互对比

近年来随着我国新型国产高分影像的相继问世以及相关应用的逐步展开，不少研究涉及了不同国产高分影像多光谱数据之间的交互对比，但两种国产分辨率最高的GF-2 PMS2与ZY-3 MUX传感器多光谱数据之间的对比仍未见报道。为了使这两种国产主力高分辨率传感器的多光谱数据能够在实际应用中相互补充使用，发挥更大的作用，基于它们的3对同日过空影像，采用两种方法对其进行交互对比。第一种方法是对整个试验区采用逐像元光谱比较法进行对比，第二种是采用样区光谱均值比较法进行对比，即在试验影像上选择一系列的样区，然后以各样区的均值进行对比。通过对两种传感器同步影像对的表观反射率进行回归分析，获得各对应波段的回归散点图，查明它们之间的定量关系，并据此提出相互转换的关系方程。研究结果表明，两种对比方法得出的结果相一致，但使用样区光谱均值比较法进行交互对比的结果的准确性更高。GF-2 PMS2与ZY-3 MUX各对应波段具有很强的相关性，其线性回归方程的决定系数(R2)都大于0.9，但其值在蓝绿波段较高，在红光和近红外波段有所下降，表明两种传感器的表观反射率在蓝绿波段的一致性好于红光和近红外波段。总体上看，GF-2 PMS2的信号强于ZY-3 MUX，二者的信号差异在蓝、绿光波段较大，在红光和近红外波段较小，但却明显受到地物类型的影响。对于以裸土为主的影像，两种传感器之间的差异随着波长的增大而逐渐减小，而对于以植被为主的影像，二者之间的差异却随着波长的增大而逐渐增大。将纯植被与纯裸土的样区单独提取出来做进一步分析，结果表明，两种传感器的信号差异程度在红光波段主要受裸土影响，而在近红外波段则主要是受植被影响，且植被长势越旺盛，两种传感器的表观反射率差异越大。通过研究获得了两种传感器多光谱波段数据之间的相互转换方程，并对其进行验证，结果表明：经过转换后的GF-2 PMS2数据与ZY-3 MUX数据之间的差异大大减小，各波段均方根误差的均值降幅可达64.79%，平均相对偏差率也有明显的降低。这表明，所查明的两种传感器的定量关系是有效的，其对应波段的转换方程可以用于两种传感器数据的相互转换，经转换后的数据更有利于这两种传感器数据的协同使用。分析两种传感器数据的差异原因表明：二者数据的差异主要是由于它们的光谱响应函数的差异和空间分辨率的差异引起的。ZY-3 MUX的光谱响应函数曲线相对平缓，没有明显的起伏波动，而GF-2 PMS2则较不稳定，在四个波段呈现出程度不同的起伏变化，从而影响了二者表观反射率信号的一致性；而GF-2 PMS2具有的4 m空间分辨率明显高于ZY-3 MUX的6m空间分辨率，因此更容易捕捉到细小地物的光谱信息，这也使得二者信号出现不一致。     

基于冠层光谱的水稻穗颈瘟病害程度预测模型

对水稻稻瘟病病害程度的定量预测是精准防控的关键,田间冠层尺度的研究可为高光谱传感器提供理论基础。以受穗颈瘟胁迫的水稻为研究对象,采用SVC HR768i型光谱辐射仪在大田中获取灌浆期两个不同时间段的水稻冠层光谱反射率,以水稻发病株数百分比作为病害严重程度指标。冠层光谱数据采用九点平滑预处理,并重采样为1 nm间隔,计算植被指数;经过去包络线和一阶导数光谱变换,提取高光谱特征参数。分析不同时间段的光谱变换、植被指数、高光谱特征参数与病害程度的相关关系,构建基于植被指数、高光谱特征参数的穗颈瘟病害程度随机森林预测模型,并对比分析两个单时期预测模型异同,优选共用输入量,构建出两时期混合数据的病害程度预测模型。结果表明：（1）原始光谱曲线经去包络线处理可有效增强与病害程度相关的光谱信息,近红外波段（960～1 050和1 150～1 280 nm）的相关系数在0.80以上;（2）高光谱特征参数与病害程度相关性分析中,去包络线吸收谷参数相关系数高于其他参数,吸收谷V₃（910～1 100 nm）、吸收谷V₄（1 100～1 300 nm）中面积（A₃和A₄）、深度（DP₃和DP₄）、斜率（SL₄和SR₄）的相关系数在0.74以上;（3）去包络线吸收谷参数结合随机森林模型预测穗颈瘟病害程度在单时期及两时期混合数据中均表现最好。灌浆期后期数据预测效果最佳,验证集决定系数R2=0.91,均方根误差RMSE=0.02;（4）两时期混合数据预测精度处于两个单时期预测精度之间,验证集决定系数R2=0.85、均方根误差RMSE=0.03。研究成果揭示了灌浆期不同时间段水稻穗颈瘟光谱响应机制,表明去包络线吸收谷参数结合随机森林模型预测稻瘟病的实用性,可为田间水稻穗颈瘟病害程度进行快速、精确、无损地定量预测,为精准施药提供理论依据,并对未来航空、航天遥感的病害监测提供一定的技术支持。     

基于近地面高光谱影像的冬小麦日光诱导叶绿素荧光提取与分析

结合FluorMOD模型模拟数据与利用光谱分辨率3.3 nm、光谱采样间隔为0.71~0.74 nm近地面成像高光谱系统获取的抽穗期小麦高光谱影像比较3种基于夫琅和费线暗线的提取方法(FLD,3FLD和iFLD)的精确性和稳定性。结果表明当光谱分辨率为3.3 nm时,在760 nm附近的O₂-A波段可以有效提取日光诱导叶绿素荧光,而在687 nm附近的O₂-B波段不适合。当存在噪声时,FLD和3FLD的稳定性高于iFLD,FLD倾向于高估荧光值。     

一种间接从高光谱数据中提取黑土硒含量的新方法

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。硒元素相对于黑土土壤的主要成分属于微量元素,但其对作物的正常生长的作用与大量元素是同等重要的,亦是人体健康所必要的营养元素。针对硒含量反演,建立了一个基于主要成分的间接提取模型,该模型能够显著提升硒含量回归系数,降低实测值与预测值的误差。数据源自CASI-1500航空高光谱成像系统,光谱范围380~1 050 nm,空间分辨率1.5 m。在黑龙江建三江地区采集60个土壤样本,化验获得硒、有机质、全铁、pH和氧化钙含量数据,选择BP神经网络,建立光谱与含量的反演模型。分析不同含量的黑土成分在可见-近红波段范围内光谱变换规律,掌握了硒元素随着含量升高,光谱反射率会逐步升高的规律。但当硒含量较低时,在其他成分的干扰下,这一规律会逐渐减弱,直至不显著。有机质的光谱特征与硒元素相反,总体上随着含量的增高,反射率整体下降,这与有机质的光谱特性紧密相关。全铁光谱呈现出与有机质光谱类似的规律,说明二者具有较高的相关性。不同pH值和氧化钙含量的光谱特征与检测值没有呈现出明显的特征规律,反射规律不明显。对60个采样点不同养分含量进行逐波段求反射率对养分的相关系数。结果表明,pH值各个波段相关系数最高,均值达到0.63;其次是全铁的相关系数,为0.54;有机质和氧化钙的相关系数接近,分别为0.42和0.47;而硒元素含量与逐波段的平均相关系数最低,为0.38。选取相关系数较高的前5个波段,作为建模波段。硒特征波段为447,437,456,466和475 nm;有机质特征波段为447,456,466,437和475 nm;全铁特征波段为752,695,800,762和733 nm;pH特征波段为905,752,800,943和695 nm;氧化钙特征波段为752,695,800,523和762 nm。通过计算样本点硒含量与其他成分的相关系数,硒与有机质呈正相关,相关系数为0.79;与全铁、pH、氧化钙呈负相关,相关系数分别为-0.80,-0.94和-0.69。针对有机质、全铁、pH和氧化钙反演精度较高,而硒元素含量较低,直接反演精度不足的问题,设计了一种先提取4种成分含量,再根据其提取结果建立硒元素函数关系,间接反演硒元素含量的方法。首先将五种成分与特征光谱进行神经网络分析,计算每种成分的回归系数R2和RMSE。显示全铁和pH具有较高的反演精度,有机质和氧化钙归系数虽低于0.8,但也显著高于硒元素的反演精度。建立硒元素与其他4种成分含量的回归模型,得出Se=0.522 9+0.041 8Som-0.016 6Fe₂O₃-0.035 6pH-0.005CaO,进行硒元素间接提取,回归系数从0.516增长到0.724,均方根误差从0.182降低到0.136,显著改进了反演硒含量的精度,为硒元素大范围精确制图提供了一种新技术。