玉米作物多光谱图像精准分割与叶绿素诊断方法研究

为了快速获取大田玉米作物长势信息, 基于多光谱图像开展了大田玉米叶绿素指标的非破坏性诊断研究。应用自主开发的2-CCD多光谱图像感知系统, 在田间采集玉米冠层可见光［Blue(B), Green(G), Red(R);400～700 nm］和近红外(Near-infrared: NIR, 760～1 000 nm)图像, 并使用SPAD同步测量样本叶绿素指标。采集后图像经自适应平滑滤波处理后, 进行图像玉米植株提取。为了选择最优算法实现玉米植株与杂草、土壤背景的分割, 首先比较了最大类间方差(OTSU)分割算法和局部阈值处理分割算法, 选取了基于局部统计的可变阈值处理方法对玉米NIR图像进行初步分割, 进而采用区域标记算法进行精细分割, 分割准确率达95.59%。将分割结果应用于玉米植株可见光图像R, G, B各通道, 从而实现了玉米植株多光谱图像中可见光图像的整体分割。基于分割后R, G, B和NIR四个通道的玉米冠层图像, 提取了各通道图像灰度均值(ANIR, ARed, AGreen和ABlue)并计算了归一化植被指数(NDVI)、比值植被指数(RVI)和绿色归一化植被指数(NDGI)作为光谱特征参数, 建立了玉米冠层叶绿素指标诊断的偏最小二乘法回归模型。结果表明, 建模R2达0.596 0, 预测R2达0.568 5, 该方法通过玉米多光谱图像特征参数评估叶片叶绿素含量, 可为大田玉米长势监测提供支持。     

玉米作物多光谱图像精准分割与叶绿素诊断方法研究

为了快速获取大田玉米作物长势信息,基于多光谱图像开展了大田玉米叶绿素指标的非破坏性诊断研究。应用自主开发的2-CCD多光谱图像感知系统,在田间采集玉米冠层可见光[Blue(B),Green(G),Red(R);400～700 nm]和近红外(Near-infrared: NIR,760～1 000 nm)图像,并使用SPAD同步测量样本叶绿素指标。采集后图像经自适应平滑滤波处理后,进行图像玉米植株提取。为了选择最优算法实现玉米植株与杂草、土壤背景的分割,首先比较了最大类间方差(OTSU)分割算法和局部阈值处理分割算法,选取了基于局部统计的可变阈值处理方法对玉米NIR图像进行初步分割,进而采用区域标记算法进行精细分割,分割准确率达95.59%。将分割结果应用于玉米植株可见光图像R,G,B各通道,从而实现了玉米植株多光谱图像中可见光图像的整体分割。基于分割后R,G,B和NIR四个通道的玉米冠层图像,提取了各通道图像灰度均值(A_NIR,A_Red,A_Green和A_Blue)并计算了归一化植被指数(NDVI)、比值植被指数(RVI)和绿色归一化植被指数(NDGI)作为光谱特征参数,建立了玉米冠层叶绿素指标诊断的偏最小二乘法回归模型。结果表明,建模R2达0.596 0,预测R2达0.568 5,该方法通过玉米多光谱图像特征参数评估叶片叶绿素含量,可为大田玉米长势监测提供支持。     

镀膜型光谱成像数据提取与作物叶绿素分布探测研究

为了快速感知并分析田间作物生长状况,采用先进的半导体镀膜工艺的光谱成像传感器,研究镀膜型光谱成像数据的提取与叶绿素含量分布式检测的方法。实验采用基于镀膜原理的IMEC 5×5成像单元式多光谱相机,对47株苗期玉米植株的冠层进行拍摄,获取673～951 nm范围内的25个波长的光谱图像。利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量指标,每株玉米冠层叶片设置2～3个采样点,每点测量3次取平均,共计251个样本数据;同时使用ASD Handheld2型光谱仪采集相应位置区域的反射率曲线,以对比分析镀膜型光谱成像传感器提取玉米植株冠层叶片反射率曲线的特性。首先,在分析镀膜型光谱成像传感器的成像原理的基础上,通过对原始图像的拆分和重组分别提取成像单元中相同波段的像素灰度值,并利用相同波段的像素灰度值重构单波段光谱图像,获取各波段光谱图像。其次,利用4灰度级标准板建立图像灰度值和灰度板反射率之间的线性反演公式,对提取的反射率进行校准。然后,为了准确分割出玉米植株冠层,提出了大津算法(OTSU)和霍夫圆变换组合的玉米植株冠层图像二次分割方法,分别剔除图像中土壤和培养盆背景的干扰。最后,利用马氏距离算法剔除异常样本数据,利用SPXY (sample set partitioning based on joint X-Y distance)算法划分建模集和验证集,采用偏最小二乘回归法(PLSR)建立玉米植株叶绿素含量指标诊断模型,并绘制其分布伪彩色图用于分析叶绿素含量空间分布特征。研究结果表明,①对25波段多光谱图像提取和反射率线性校准拟合模型决定系数均达到0.99以上。分析校准前和校准后与ASD光谱仪测量反射率曲线,镀膜型成像传感器获取玉米冠层反射光谱总体与ASD采集反射率体现的光谱特征一致,且校正后数据比校正前与ASD光谱反射率的一致性得到了提升。②建立初次OTSU分割算法和基于霍夫圆变换识别的二次分割算法,可以有效剔除玉米植株光谱图像中的土壤和培养盆背景噪声的干扰。③叶绿素含量指标PLSR诊断模型建模集R■为0.545 1,验证集R■为0.472 6。玉米作物冠层叶绿素分布可视化图可以直观反映叶绿素含量分布与生长动态情况。通过对镀膜型光谱成像传感器应用方法的研究,为后续玉米植株叶绿素动态快速检测奠定基础和提供技术支持。     

基于光饱和影响校正的作物叶绿素分布光谱成像检测

叶绿素含量是作物光合能力与营养评价的重要指标,因此快速检测作物叶绿素含量与分布可为作物营养动态分析与长势评估提供支持。基于RGB(Red, Green, Blue)和NIR(Near Infrared)多光谱图像的获取,开展玉米作物营养状态分布光谱学成像检测。构建了多光谱图像采集平台获取RGB和NIR图像,研究了基于光饱和校正算法的RGB图像的光饱和校正与NIR图像去噪方法,通过图像的匹配分割,冠层的提取校正,建立了基于冠层图像的作物SPAD值检测模型与分布成图。采集15株玉米植株RGB-NIR图像,并同步获取不同植株,不同位置共68个叶绿素含量指标SPAD值。首先对RGB图像进行光饱和校正,再对NIR图像进行滤波和图像增强,其次对RGB和NIR图像进行了SURF(speeded-up robust features)和RANSAC(random sample consensus)图像匹配,利用RGB图像的颜色特征,采用ExG(Extra Green)和OTSU算法生成分割掩模,对RGB图像和NIR图像进行分割提取,提取图像的R, G, B和NIR分量,利用4阶灰度板进行反射率校正,然后计算作物图像中像素级P_SPAD值,并建立图像P_SPAD值与叶绿素仪SPAD值的拟合模型,最后绘制作物SPAD分布图。通过HSI(Hue, Saturation, Intensity)彩色模型中的I分量直方图对比去饱和前后光分布范围,以作物SPAD值分布图验证光饱和校正算法对作物叶绿素含量分布检测提升的效果。RGB图像光饱和校正前I分量集中在[140～180]之间,光饱和校正后的RGB图像I分量集中在[85～130]之间, 校正了相机成像时产生模糊和RGB图像饱和。对分割后的RGB图像和NIR图像提取R,G,B,NIR分量进行4阶灰度板校正,相关系数分别为0.829,0.828,0.745和0.994,进而生成R,G,B和NIR四波段的反射率伪彩色图像,反射率R_NIR＞R_C＞R_R＞R_B。体现了作物的在蓝光和红光区域吸收光,在绿光区域和近红外区域反射光的光谱特性。校正前后的R和NIR分量反射率计算图像P_SPAD值拟合叶绿素含量指标SPAD值的模型结果显示,校正前R2为0.332 6,校正后R2为0.619 3,绘制作物的SPAD特征分布图,可为作物的营养动态快速分析与分布检测提供技术支持。     

基于RGB-NIR图像匹配的作物光谱指数特征可视化分析

归一化植被指数(NDVI)基于可见光的红色波段(630～680 nm)和近红外区(780～1 100 nm)的反射光谱进行计算,被认为是作物营养与长势诊断的重要指标。为了低成本、快速、无损的检测作物叶绿素含量,计算植株的NDVI并呈现作物的NDVI分布情况,并通过不同角度图像的分析,监测作物营养分布与动态。利用可见光和近红外波段双目成像技术获取图像,在讨论可见光(RGB)和近红外(NIR)图像的匹配算法的基础上,经图像分割与光照影响校正后,针对不同测试角度建立了作物植被指数空间分布图,并对其空间分布特征与影响因素进行了可视化分析。试验利用可见光和近红外双目相机对51株玉米植株,分别在90°,54°和35°视角下同步采集RGB和NIR图像。对RGB和NIR图像分别进行高斯滤波和拉普拉斯算子增强预处理后,选取了SURF,SIFT和ORB共3种图像匹配算法,并首先利用其进行RGB-NIR图像匹配对齐,以匹配时间(Time), 峰值信噪比(PSNR), 信息熵(MI)和结构相似性(SSIM)4个参数作为匹配性能评价指标,分别从时间、准确性、稳定性三个方面综合确定最优匹配方法。其次,研究玉米植株的分割方法包括超绿算法(ExG)和最大类间方差算法(OTSU),分别实现图像中作物和背景的分离,提取分割后的RGB图像R(Red), G(Green), B(Blue)分量和NIR图像分量。基于HSI颜色模型,提取I分量讨论了光照对图像的影响,并利用多灰度级标准板建立了植株光谱反射率校正线性公式。然后,利用R(Red)和NIR图像分量计算图像中每个像素的NDVI值,绘制作物植被指数的空间分布图,从而对比分析了不同拍摄角度下光谱植被指数的分布特征。通过不同角度图像的NDVI分布情况,展示监测作物植株不同位置的叶绿素分布情况。结果显示,RGB-NIR图像匹配时间SIFT(1.865 s)>SURF(1.412 s)>ORB(1.121 s),匹配准确性上SURF≈SIFT>ORB,匹配稳定性上SURF>SIFT>ORB,综合比较选取SURF为最优匹配算法。采用4灰度级标准板对R, G, B, NIR分量校正模型的R2分别为0.78,0.76,0.74,0.77。90°和35°视角分别展现了作物叶和茎的NDVI植被指数分布情况,可为分析和监测作物的营养分布提供技术支持。     

针对水稻植株三维叶绿素(SPAD)信息获取的最优波段选择问题研究

实时准确地获取作物叶绿素含量的三维空间分布信息,是作物营养、栽培和育种等科学研究和生产领域密切关注的问题。该研究以水稻植株为研究对象,采用改造后的普通单反相机加载近红外滤光片的方法,多角度获取水稻植株的多光谱图像。基于不同波段不同通道的组合图像计算多种植被指数,将其结果与对应的实测SPAD值之间建立水稻植株叶绿素(SPAD)预测模型,并筛选出最优预测模型。研究结果表明,近红外760 nm波段的R通道与可见光G通道构建的GNDVI植被指数,与实测SPAD值建立的二次函数预测模型能够很好地反演水稻植株叶绿素(SPAD)含量,其中,R2=0.758, RMSE=1.532。在此基础上,利用多角度成像三维建模方法建立具备纹理信息的水稻三维模型,将最优预测模型应用于水稻综合纹理图,得到水稻叶绿素含量三维空间分布信息, 从而实现水稻生长情况以及叶绿素养分分布状况的快速无损检测。     

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。     

消费级近红外相机的水稻叶片叶绿素(SPAD)分布预测

便捷可靠的作物营养诊断是作物科学施肥管理的基础,也是精准农业的核心。叶绿素含量是作物氮营养含量的重要指标。以水稻叶片为研究对象,用改造后的普通单反相机搭载滤波片的方式拍摄叶片的可见光和中心波长为650,680,720,760,850和950 nm多个波段的近红外图像,获取不同波段的相对反射率值,通过可见光与多个近红外波段结合的回归分析与比较,筛选出精度较高且稳定的模型。经过对比相机三个成像通道,R通道与叶绿素含量(SPAD值)的相关性要高于B和G通道。实验结果表明,植被指数GVI最能反映作物的生长状况,近红外波段760 nm对SPAD值的预测效果最好,最小二乘支持向量机法结合多个植被指数建模的预测精度R2为0.831 4,取得了较为理想的效果。同时使用高光谱成像仪采集水稻叶片的高光谱影像,对比消费级近红外相机成像方式下与高光谱成像方式下得到的植被指数多因子预测模型精度,两者相当。实验证明消费级近红外相机能够获得与高光谱成像仪相近的叶绿素含量估测结果。     

高光谱成像的马铃薯叶片含水率分布可视化

为了快速检测马铃薯叶片的水分含量,并探究受到干旱胁迫时叶片含水率变化情况,利用高光谱成像对马铃薯叶片含水率进行检测和可视化研究。采集71个叶片,用烘干法对叶片水分梯度进行控制,共得到355个样本。使用高光谱分选仪器采集叶片862.9~1 704.2 nm(256个波长)的光谱成像数据,采用称重法测量含水率。利用Sample set partitioning based on joint X-Y distance(SPXY)算法将总样本按照2∶1的比例划分为建模集(240个样本)和验证集(115个样本)。对采集的数据进行光谱特征分析,本文分别用CA和RF两种算法,各筛选得到15个特征波长。基于CA筛选出相关系数高于0.96的15个波长分别为1 406.82,1 410.12,1 403.62,1 413.32,1 416.62,1 419.82,1 400.32,1 423.12,1 426.32,1 429.62,1 432.82,1 436.12,1 439.32,1 442.52和1 445.8 nm。基于RF算法筛选被选概率高于0.3的15个特征波长,按照被选择概率值从大到小排列,分别为1 071.62,1 041.12,1 222.52,1 465.22,1 397.02,1 449.02,1 034.32,1 523.22,976.42,1 172.52,979.82,1 165.82,1 037.72,1 426.32和869.8 nm。用CA和RF算法筛选到的特征波长建立PLSR模型,分别记为CA-PLSR模型和RF-PLSR模型。利用高精度模型检测结果,对马铃薯叶片含水率进行可视化分析,首先计算马铃薯叶片图像每个像素点的含水率,得到灰度图像,然后对灰度图像进行伪彩色变换,绘制出叶片含水率可视化彩色图像。为了体现马铃薯叶片烘干处理中含水率变化进程,用HSV彩色模型对样本叶片的伪彩色图像进行分割,获得分割图像结果,显示出在某含水率区间的叶片面积比例。结果显示,CA算法选取的15个波长均在1 400.3~1 450.0 nm范围内,CA-PLSR模型的建模精度(R2_c)为0.975 5、建模集均方根误差(RMSEC)为2.81%,验证集精度(R2_v)为0.933 2、验证集均方根误差(RMSEV)为2.31%。RF算法选取的特征波长分布范围较CA法选取范围广,具有局部“峰谷”特性,且RF-PLSR模型的建模集精度(R2_c)为0.983 2、RMSEC为2.32%,验证集精度(R2_v)为0.947 1、RMSEV为2.15%。选取RF-PLS模型计算马铃薯每个像素点的含水率,得到伪彩色变换图像,观察可知随着烘干时间的增加含水率逐渐下降;并能够从叶片结构角度看到,随着水分胁迫的加强,叶片从边缘开始失水,逐渐向叶片中间蔓延,其中叶茎和叶脉的含水率较其他部位高。计算得到叶片伪彩色图像中含水率大于90%,80%和70%的像素点占整个叶片图像的比例。利用高光谱成像技术可以实现马铃薯叶片的含水率检测与分布可视化表达,为监测马铃薯生长状况以及叶片含水率分析提供新的理论根据。     

基于高光谱的草坪草叶绿素含量模拟估算

草坪色泽是草坪观赏价值的最直接体现。探索基于高光谱的草坪草叶绿素含量的估算和反演对草坪质量评定具有重要意义。以3种常用草坪草种——"红象"高羊茅(Festuca arundinacea cv. Hongxiang)、"百灵鸟"多年生黑麦草(Lolium perenne cv. Bailingniao)和"肯塔基"草地早熟禾(Poa pratensis cv. Kentucky)为试样,通过盆栽实验,在草坪草生长旺盛期,使用SOC710VP成像光谱仪和TYS-A3500叶绿素仪分别测定了草坪草冠层光谱数据和叶绿素相对含量(SPAD),并通过Person相关系数分析了原始SPAD, 1/SPAD和log(1/SPAD)与10个植被指数:GI(绿度植被指数)、 ARVI(大气阻抗植被指数)、 VARI(可视化气压阻抗指数)、 NDVI_(705)(归一化植被指数705)、 MSR_(705)(改进红边比值植被指数)、 NDVI_(670)(归一化植被指数670)、 CI(叶绿素指数)、 PSRI(植被衰减指数)、 RGI(相对绿色指数)和EVI(增强植被指数)的相关性,筛选与叶绿素相关性较高的高光谱波段植被指数,构建植被指数反演叶绿素含量模型,最后通过精度检验,筛选最优草坪草叶绿素估算模型。研究结果如下:(1)不同草坪草光谱曲线整体趋势相差不大,但不同种间反射率(REF)还是有所区别。在730～1 000 nm波段,"百灵鸟"多年生黑麦草与"红象"高羊茅REF差异不大,但"肯塔基"草地早熟禾REF较高,光谱特征更为明显;(2)10个植被指数中, VARI, RGI和PSRI与草坪草3个叶绿素指标极显著相关,相关系数R~2绝对值均大于0.65,可作为首选植被指数进行草坪草叶绿素含量估算;(3)植被指数与叶绿素指标逐步回归分析发现,单因素回归模型中,利用VARI, RGI和PSRI估算1/SPAD的模型决定系数R~2均在0.6以上,普遍高于SPAD与log(1/SPAD)的估算模型;而多元线性回归中, 10个植被指数中, RGI与叶绿素指标1/SPAD所构建的模型决定系数R~2同样最高,为0.817,说明SPAD倒数形式适用于草坪草叶绿素反演;(4)选择决定系数较高(0.7)的模型进行精度检验,筛选的最优的草坪草叶绿素指标反演模型为:y_(1/SPAD)=0.161x_(RGI)+0.007x_(GI)-0.054(R~2=0.817, RMSE=0.023)。     

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。     

基于高光谱和BP神经网络的棉花冠层叶绿素含量联合估算

冠层叶绿素能够有效反映植被的生长状况。为了基于高光谱精确估算冠层的叶绿素含量,以棉花为研究对象,实测棉花冠层光谱反射率和叶绿素含量,然后进行原始光谱数据转换,计算高光谱参数,分析叶绿素含量与高光谱参数之间的相关关系,构建估算棉花冠层叶绿素含量的BP神经网络模型。结果表明:包络线去除处理后,冠层反射率和叶绿素含量的相关性在560～740 nm波段范围内提高了10.7%,效果优于原始光谱和一阶微分光谱得到的结果;基于原始光谱和去除包络线光谱建立的植被指数mSR、mND、NDI、DD与叶绿素含量表现出较高的相关性,相关系数均在0.8左右;在所建的BP神经网络模型中,基于包络线光谱指数建立的模型的决定系数为0.85,均方根误差和相对误差分别为1.37、1.97%,这一结果优于基于红边参数、原始光谱植被指数和一阶微分光谱指数建立的模型。本研究可为作物叶绿素含量估算的实际应用提供理论依据和技术支持。     

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。     

晚播条件下基于高光谱的小麦叶面积指数估算方法

利用高光谱遥感技术,分析晚播条件下小麦叶片与冠层模式光谱特征和叶面积指数（LAI）的变化规律,建立了适用于晚播小麦的叶面积指数估算方法。研究结果表明：（1）从红光和蓝紫光420～663 nm波段提取的叶绿素光谱反射率植被指数（CSRVI）与旗叶SPAD值做相关性分析,结果表明正常播期和晚播处理在叶片模式的相关系数分别为0.963*和0.997**,达显著和极显著水平。（2）利用相关性分析,得出两个播期处理的LAI与SPAD值相关系数分别是0.847*和0.813*,均达到显著水平。SPAD值与LAI及CSRVI指数均具有相关性,可以用CSRVI指数建立LAI的估算模型。（3）对叶片模式和冠层模式光谱曲线特征分析得出,叶片模式中在680～780 nm处的反射率呈现陡升趋势,在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷,在540～600,1 660和2 210 nm波段处有两个明显的反射波峰;三种冠层模式中60°模式下的光谱反射率整体表现为最高。（4）将各波段反射率与叶面积指数做相关性分析得出在可见光波段范围内,光谱反射率与LAI总体呈现负相关性,500～600 nm处有一个波峰。（5）将三种冠层模式下（仪器入射角度分别与地面呈30°,60°和90°夹角）的等效植被指数与LAI做相关性分析得出：60°冠层模式下八种植被指数与正常播期LAI的相关性均未达显著水平,比值植被指数（RVI）、归一化植被指数（NDVI）、增强型植被指数（EVI）、再次归一化植被指数（RDVI）、土壤调整植被指数（SAVI）、修改型土壤调整植被指数（MSAVI）的等六种植被指数与晚播条件下的LAI具有显著和极显著相关关系;90°冠层模式下CSRVI指数与正常播期处理的LAI具有显著相关关系,NDVI指数与晚播处理的LAI具有显著相关关系;30°冠层模式下的八种植被指数与两播期处理的LAI的相关性均未达显著水平。综合分析CSRVI指数、NDVI指数的相关性最高,这两种指数最具有估算LAI的潜力。（6）通过三种冠层模式所计算的植被指数估算LAI模型,结果表明,正常播期条件下,其最佳估算模型是90°冠层模式CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X;晚播条件下的最佳模型是60°冠层模式RDVI指数所建立的幂函数模型Y=30 221 333.33X17.679 1,两个模型的决定系数R2分别为0.950*和0.974**。研究表明试验中所提取的CSRVI指数能够反映旗叶叶绿素含量,可以通过光谱仪器的叶片模式对小麦生育期内叶绿素含量进行监测;通过冠层模式计算的CSRVI指数和RDVI指数所建立的LAI估算模型可以对小麦的LAI进行无损害观察。     

应用数码相机进行绿肥翻压后春玉米氮素营养诊断和产量预测

在绿肥翻压条件下,常规的玉米氮素营养诊断技术存在耗时、费力和可靠性差的缺点。基于数码相机的可见光光谱技术已被广泛应用于大田作物的氮素营养诊断,但尚未见应用于绿肥翻压后的玉米氮素营养诊断。为评价利用图像处理技术进行绿肥翻压后玉米氮素营养诊断和玉米产量预测的可行性,设置了不同施氮水平下的绿肥翻压试验,利用数码相机获取不同生育期玉米冠层数字图像,分析了玉米冠层图像色彩参数与氮素营养诊断指标和成熟期籽粒产量之间的关系。结果表明,绿肥翻压显著改善了玉米的氮素营养,不同生育期的玉米叶绿素含量(SPAD值)、地上部生物量和吸氮量均高于单施化肥处理;绿肥翻压处理下,玉米冠层光谱指数与氮素营养指标间的相关性较单施化肥处理低,且其相关性在不同的生育期有较大变异,其中,12叶期(V12)的蓝光标准化值(B/(R+G+B))与灌浆期(R4)的红光标准化值(R/(R+G+B))与植株氮营养指标相关性较好,二者均与玉米产量间呈显著直线回归关系,回归系数分别为45%和46%。因此,数字图像技术在进行绿肥翻压后玉米氮素营养的诊断和产量预测方面具有应用潜力,但应注意诊断时期和关键指标的选择。     

农作物冠层光谱信息的施肥管理分区研究

随着地面遥感技术的不断发展,越来越多的农作物冠层光谱检测传感器被应用到了农业生产,其中应用较为广泛的就是Greenseeker植物光谱检测仪,利用Greenseeker植物光谱检测仪可以获取农作物冠层光谱信息归一化植被指数(NDVI)数据,从而能够进行农作物的施肥管理分区的划分,依据划分好的施肥管理分区可以实现有针对性的变量施肥。模糊c-均值(FCM)算法是划分农作物施肥管理分区常用的算法,但是模糊c-均值算法具有一定的局限性,就是在计算过程中随着NDVI数据量的增加会不断进行数据的迭代计算,从而会影响施肥管理分区划分的速度。在模糊c-均值算法的基础上提出一种基于模型的模糊c-均值(MFCM)算法,基于模型的模糊c-均值算法在划分农作物施肥管理分区过程中不必在每获取一组数据时就对全部数据进行迭代计算,可有效提高划分施肥管理分区的速度。通过搭建的农作物冠层光谱信息采集平台获取大豆和玉米的NDVI数据,利用基于模型的模糊c-均值算法划分大豆和玉米的施肥管理分区,使用分区评价指标轮廓系数(SC)和调整兰德指数(ARI)评价划分施肥管理分区的效果。结果表明,随着获取的NDVI数据量的不断增加,...     

大豆冠层多光谱图像提取方法

为解决大豆冠层在近地端的多光谱图像边缘灰度不均,目标与背景之间灰度差别小,难以准确高效地获取大豆冠层目标区域的难题,将多光谱成像处理技术与经典图像分割方法有机融合,提出基于多光谱图像处理技术的大豆冠层提取方法。以东北大豆为对象,通过Sequoia多光谱相机采集绿光、近红外、红光、红边和可见光五类大豆多光谱图像,采用高斯平滑滤波法对原始大豆多光谱图像进行预处理,分析多光谱图像中大豆冠层和背景的灰度直方图分布特性,在此基础上利用迭代法、Otsu法和局部阈值法提取原大豆多光谱图像中冠层区域,并以图像形态学开运算处理细化和扩张背景,避免图像区域内干扰噪声对大豆冠层识别效果的影响,同时以有效分割率、过分割率、欠分割率、信息熵以及运行时间等为监督指标,对大豆冠层多光谱图像识别模型进行效果评价。大豆冠层识别模型中迭代法可以有效分割近红外和可见光大豆冠层图像,有效分割率分别为97.81%和87.99%,对绿光、红光和红边大豆冠层图像分割效果较差,有效分割率低于70%;Otsu法和局部阈值法可以有效分割除红光波段的其余四种多光谱大豆冠层图像,且有效分割率均在82%以上;三种算法对红光大豆冠层图像的有效分割率均低于20%,未达到较好效果。在原始多光谱图像中应用迭代法、Otsu法和局部阈值法提取大豆冠层图像与标准图像的信息熵平均值波动幅度分别为：0.120 1,0.054 7和0.059 8,其中Otsu法和局部阈值法较小,表明了对于大豆冠层多光谱图像识别中两种算法的有效性。该算法中Otsu法和局部阈值法均可以有效提取绿光、近红外、红边和可见光等多光谱的大豆冠层图像,二者较为完整地保留了大豆冠层信息,其中Otsu法实时性能较局部阈值法更好。该成果为提取农作物冠层多光谱图像提供理论依据和技术借鉴。     

近红外高光谱成像扫描速度对拟南芥冠层含水率预测的影响

高光谱成像技术可以无损检测植物不同尺度的理化信息,现有研究往往以分析高光谱图像的平均光谱为主,忽略了其空间维度的信息。以模式植物拟南芥为研究对象,探究高光谱成像不同扫描速度引起的图像空间分辨率差异对植物冠层含水率测量的影响,为高光谱成像在线快速检测植物冠层含水率提供优化方案。首先利用室内在线高光谱成像系统分别在20, 30和40 mm·s~(-1)三种扫描速度下采集了拟南芥冠层高光谱图像,并提取拟南芥冠层平均反射光谱。其次,利用偏最小二乘算法(PLSR)建立了拟南芥冠层含水率与平均反射光谱的定量分析模型,通过决定系数(R~2)、均方根误差(RMSE)、相对分析误差(RPD)对模型进行评估。比较基于原始光谱与多元散射校正算法(MSC)、 Savitsky-Golay平滑算法等预处理光谱建立的PLSR模型,选取最佳光谱预处理方法用于后续的数据处理。最后,利用连续投影算法(SPA)分析比较基于最优特征波长与全波长的模型预测准确度,探明高光谱图像扫描速度对拟南芥冠层含水率预测的影响规律。研究结果表明,当扫描速度从20 mm·s~(-1)提升到30 mm·s~(-1)时,基于MSC预处理的全波段PLSR模型预测拟南芥冠层含水率决定系数降低0.88%,小于1%;当扫描速度从20 mm·s~(-1)提升到40 mm·s~(-1)时,拟南芥冠层含水率决定系数降低2.3%。说明在适当提高扫描速度的同时,能够保证植物冠层的高含水率预测准确度。改变高光谱扫描速度可以更有效地利用高光谱图像空间维度有效信息,扫描速度适当增大后,高光谱图像的空间维度信息改变,提高实际生产应用环节的图像采集效率,减少数据处理时间。     

基于双波段植被指数(TBVI)的柑橘冠层含氮量预测及可视化研究

氮素(nitrogen,N)是果树生长发育的必需重要元素,及时准确地无损检测果树的氮素水平对果实增产、合理施肥以及减少环境污染等具有重要意义。研究了基于高光谱成像技术进行柑橘冠层含氮量预测及可视化的可行性。实验采用高光谱成像光谱仪ImSpector V10E(Spectral imaging Ltd.,Oulu,Finland)分别采集柑橘叶片实验室样本和野外整个植株冠层的高光谱图像。利用ENVI软件提取每个叶片样本感兴趣区域(ROI)的平均光谱数据作为整个样本的光谱数据进行分析,同时采用杜马斯燃烧法快速定氮仪(ElementarAnalytical, Germany)测定叶片样本的含氮量。通过简单相关分析和双波段植被指数(TBVI)的获取,建立基于光谱数据的含氮量预测模型。计算表明,基于811和856 nm的双波段植被指数(TBVI)能够建立最佳的柑橘叶片含氮量预测模型(R2=0.607 1)。在此基础上,计算上述TBVI的冠层图像,把基于该TBVI的含氮量预测模型导入到TBVI图像中计算生成冠层含氮量的预测分布图。图中直观地显示柑橘嫩叶、中叶、老叶的含氮水平从高到低分布,实现了冠层含氮量的可视化。结果表明,利用高光谱成像技术可以实现柑橘冠层氮素水平的检测和诊断,这为实施基于每颗果树信息的变量施肥技术提供了参考信息。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

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。