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。     

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 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。     

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。     

不同病虫害危害程度下云南松针叶光谱模拟及其生化参数敏感性分析

明确植被叶片反射率对生化参数敏感程度是遥感定量反演生化参数含量的前提。本文以不同健康状态下的云南松针叶光谱为例,基于查找表法(LUT)对针叶光谱模型LIBERTY的叶绿素和水分吸收系数进行了标定。提出了一种新的光谱合成方法和枯黄指数YI,解决LIBERTY模型不能有效拟合严重受害程度的云南松针叶反射光谱曲线的问题。并应用EFAST全局敏感性分析方法,利用标定后的LIBERTY模型定量分析了不同受害程度的针叶生化参数敏感性变化。结果表明:(1)标定后的LIBERTY模型能有效拟合健康针叶光谱(R~2=0.999,RMSE0.01)、轻度(R~2=0.991,RMSE0.02)和中度受害针叶光谱(R~2=0.992,RMSE0.03);但是严重受害针叶光谱模拟能力很差(R~2=0.803,RMSE0.1)。(2)新光谱合成方法能有效拟合严重受害光谱(R~2=0.991,RMSE0.03);枯黄指数(YI)能够定量分析受害程度。(3)随着受害程度加深,针叶反射率对叶绿素、水分参数敏感度降低,而基吸收、白化吸收等参数敏感度增大,且存在敏感波段。如在505~565和705~850 nm范围白化吸收对针叶反射率作用明显;对于严重受害针叶,除了叶绿素之外白化吸收对可见光区针叶反射率影响也非常显著;通过引入白化吸收先验知识,发现如果能进一步确定白化吸收情况,能够提高严重受害针叶叶绿素反演的精度。     

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。     

考虑水分光谱吸收特征的水稻叶片SPAD预测模型

叶绿素是植被光合作用的重要色素,传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。通过构建高精度SPAD光谱估算模型,可以实现对水稻叶片叶绿素含量的实时无损监测。以黑龙江省不同施氮水平下水稻为研究对象,采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。光谱探测范围350~2 500 nm。利用自带光源型手持叶片光谱探测器直接测定叶片光谱,光源为内置卤素灯。采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。叶片水分是植物光合作用的基本原料,也间接影响着叶绿素含量。叶片含水量降低则会影响植物正常的光合作用,导致其叶绿素含量随之降低。因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。随机森林模型是一个基于多个分类树的算法。算法在采样的过程中包括两个完全随机的过程,一是有放回抽样,可能会得到重复的样本,二是选取自变量是随机的。因此本文对叶片光谱反射率进行去包络线（CR）处理,综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数,综合分析光谱指标与SPAD相关关系,采用随机森林算法构建不同输入量的SPAD高光谱估算模型。结果表明: （1）水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围（600～690 nm）、红边范围（720~760 nm）、水分吸收波段范围（1 400~1 490和1 900~1 980 nm）均为0.75以上;（2）在光谱参数与SPAD 的相关分析中,NDVI,DP2与水稻叶片SPAD值相关性最好,相关系数为0.811和0.808;（3）以结合水分光谱信息后的CR_{(V1, V2, V3, V4)}为自变量所建立的随机森林模型精度最高,R2为0.715,RMSE为2.646,可作为水稻叶片叶绿素预测模型。研究结果揭示了不同品种水稻的光谱响应机制,提供了水稻叶片SPAD值高精度反演的技术方法,为监测与调控东北地区水稻正常生育进程提供技术支持。     

利用无人机高光谱估算冬小麦叶绿素含量

叶绿素含量（SPAD）是作物长势评价的重要指标,可以监测农作物的生长状况,对农业管理至关重要,因此快速、准确地估算SPAD具有重要意义。以冬小麦为研究对象,利用无人机高光谱获取了拔节期、挑旗期和开花期的影像数据,获取植被指数和红边参数,研究植被指数与红边参数估算SPAD的能力。先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析,再基于植被指数、植被指数结合红边参数,通过偏最小二乘回归（PLSR）方法估算SPAD,最后制作SPAD分布图验证模型的有效性。结果表明,（1）大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平（0.01显著）;（2）单个植被指数构建的SPAD估算模型中,LCI表现最好（R2=0.56,RMSE=2.96,NRMSE=8.14%）,红边参数中Dr/Dr_min表现最好（R2=0.49,RMSE=3.18,NRMSE=8.76%）;（3）基于植被指数结合红边参数构建的SPAD估算模型效果最佳,优于仅基于植被指数构建的SPAD估算模型,同时,随着生育期推移,两种模型均在开花期达到最高精度,R2分别为0.73和0.78,RMSE分别为2.49和2.22,NRMSE分别为5.57%和4.95%。因此,基于植被指数结合红边参数,并使用PLSR方法可以更好地估算SPAD,可以为基于无人机遥感的SPAD监测提供一种新的方法,也可为农业管理提供参考。     

高光谱和NSGA2-ELM算法的粳稻叶片氮素含量反演

为提供一种高效、快速和无损的粳稻叶片氮素含量反演方法,以粳稻小区试验为基础,利用高光谱技术和室内化学实验,获取粳稻分蘖期、拔节期和抽穗期三个生育期共280组叶片高光谱数据以及相对应的水稻叶片氮素含量数据,分析不同施氮水平的粳稻叶片光谱特征,采用随机青蛙算法(random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段,并将任意两个光谱波段随机组合构建差值植被指数DSI(R_i,R_j)、比值植被指数RSI(R_i,R_j)和归一化植被指数NDSI(R_i,R_j),分别将较优的特征波段组合和植被指数组合作为模型输入,构建BP神经网络、支持向量机(SVR)和非支配的精英策略遗传算法优化极限学习机(NSGA2-ELM)粳稻叶片氮素含量反演模型,并对模型进行验证分析。结果表明:随着施氮水平的增加,粳稻叶片近红外波段范围反射率逐渐升高,在可见光波段范围反射率逐渐降低。采用random_frog与IRIV相结合的方式筛选特征波段共得到8个特征波段,其中可见光波段7个,分别为414.2, 430.9, 439.6, 447.9, 682.7, 685.4和686.3 nm,近红外波段仅有1个为999.1 nm,该方法较好地剔除了干扰信息,大大降低了波段间的共线性。同时从三种植被指数(DSI(R_i,R_j), RSI(R_i,R_j), NDSI(R_i,R_j))与粳稻叶片氮素含量的决定系数等势图中可知, DSI(R_(648.1),R_(738.1)), RSI(R_(532.8),R_(677.3))和NDSI(R_(654.8),R_(532.9))与叶片氮素含量相关性最好,R~2分别为0.811 4, 0.829 7和0.816 9。在输入参量不同的建模效果对比分析中,以特征波段组合作为模型输入所构建的模型反演效果略优于植被指数组合,R~2均大于0.7, RMSE均小于0.57。而在反演模型间的对比分析中,提出的NSGA2-ELM反演模型的估测效果要优于BP神经网络模型和SVR模型,训练集决定系数R~2为0.817 2,均方根误差RMSE为0.355 5,验证集R~2为0.849 7, RMSE为0.301 1。鉴于此, random_frog-IRIV筛选特征波段方法结合NSGA2-ELM建模方法在快速检测粳稻叶片氮素含量中具有显著优势,可为粳稻田间精准施肥提供了参考。     

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。     

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。     

SVM和BP检测滨海湿地土壤有机质

近年来,虽然随着高光谱技术的出现可以快速获取土壤中的养分含量,但不同的土壤类型对估算的精度会有很大的差异。滨海湿地土壤类型受海洋环境影响较大,其高光谱反射率与内陆土壤类型的表现会有所不同,也就造成了同样的估算模型在反演滨海湿地土壤的养分含量时,反演精度的降低,随着近年来海洋资源的开发与滨海湿地生态恢复工作的不断推进,探索一种合适的估算模型来快速准确的获取土壤中的养分含量变得更加紧迫。该研究旨在验证利用可见-近红外高光谱反射率构建非线性模型来反演滨海湿地土壤类型中有机质(soil organic matter, SOM)含量的可行性。以江苏省盐城大丰麋鹿国家级自然保护区的第三核心区土壤作为研究对象,将土壤样本的光谱反射率进行5点Savitzky-Golay(S-G)平滑滤波处理,再进行一阶微分R′、倒数的一阶微分(1/R)′、倒数的二阶微分(1/R)″、对数的一阶微分(lgR)′四种微分变换后,应用相关系数和显著性水平(p0.01)提取土壤有机质含量的敏感波段,利用台湾大学林智仁教授开发的MATLAB软件中的LIBSVM工具包构建SVM(support vector machine)支持向量机估算模型,并利用MATLAB2018b软件中自带的BP(back propagation)反向传播神经网络构建估算模型,最后利用决定系数R~2和均方根误差RMSE进行模型的预测精度验证。结果表明:原始光谱通过5点S-G平滑滤波、微分变换与相关系数法可以较好的提取出有效波段,其中基于(1/R)′光谱变换提取的滨海湿地土壤有机质特征波段为498～501, 1 180～1 182,1 946, 1 947和2 323～2 326 nm;对比发现SVM的估算精度优于BP神经网络;利用光谱的(1/R)′微分形式构建的SVM模型估算滨海湿地土壤SOM含量的精度最高,决定系数R~2与RMSE分别为0.93和0.23,并且均通过了p0.01的显著性检验。因此利用高光谱构建SVM非线性模型来快速估算滨海湿地土壤中的养分含量具有一定的可行性。     

虫害胁迫下毛竹叶绿素含量高光谱估算方法

叶绿素作为参与植被光合作用最重要的色素,是监测毛竹虫害的一项重要指标。通过对不同光谱数据集进行波长筛选,建立虫害胁迫下竹叶叶绿素含量的高光谱估算模型,为利用高光谱遥感监测毛竹虫害提供理论依据。试验在福建省毛竹生产基地顺昌县进行,使用ASD FieldSpec 3光谱仪采集不同虫害程度竹叶光谱102条,并利用SPAD-502叶绿素计测定相应叶片叶绿素含量。通过对比不同虫害程度竹叶的光谱特征,探测利用高光谱数据估算叶绿素含量的机理。对竹叶原始光谱(OS)进行包络线去除(CR)、一阶导数(FD)、包络线去除一阶导数(CR-FD)变换,分析不同光谱数据与叶绿素含量的相关性,并利用连续投影算法(SPA)分别提取4种光谱的特征波长。采用基于x-y距离结合的样本划分法(SPXY)和随机法对4种光谱数据集进行划分,结合多元逐步回归(MSR)建立竹叶叶绿素含量估算模型,分析光谱变换及样本划分对估算叶绿素含量的影响。结果表明,不同虫害程度竹叶光谱反射率差异明显,主要表现为可见光波段范围内的"绿峰"和"红谷"的逐渐消失,"红边"斜率减小,近红外波长反射率降低。通过光谱变换可有效提升光谱与叶绿素含量的相关性,其中CR-FD光谱与叶绿素含量在724 nm处的相关系数最大。经连续投影算法提取的不同光谱数据集的特征波长集中分布在绿光、红光、"红边"位置,多个被选择波长位于与叶绿素含量相关性较高的波长区(600～750 nm)。基于SPXY样本划分法建立的MSR模型相比于随机样本划分法能显著提升叶绿素含量的估算精度,其中R~2和RPD平均提高0.1和0.5, RMSE平均降低0.7。以CR-FD光谱特征波长结合SPXY样本划分法建立的多元逐步回归模型对竹叶叶绿素含量的估算精度最高,R~2, RMSE和RPD分别为0.835, 2.604和2.364,可对虫害胁迫下毛竹叶片叶绿素含量进行准确的估算。     

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。     

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。     

基于灰色关联法的春小麦叶片含水量高光谱估测模型研究

利用高光谱植被指数反演植被水分含量时,快速、准确的找到实测光谱数据与植被水分相关性最高的植被指数是研究的重点。在农田尺度上,以春小麦野外光谱数据与叶片含水量的定量关系为基础,通过灰色关联度分析,筛选出与叶片含水量灰色关联度较高的5种典型的水分植被指数,并建立了估算春小麦叶片含水量(LWC)的偏最小二乘回归(PLSR)模型和BP神经网络(back propagation artificial neural networks, BP ANN)模型。结果表明：(1)光谱一阶导数可以有效去除噪声影响并突出光谱特征信息,尤其是在750～830,1 000～1 060和2 056～2 155 nm等区间明显提高了与LWC的相关性。(2)灰色关联法能够较好的表征各水分植被指数与叶片含水量间的关联性,其中基于原始光谱建立的前5个水分植被指数都是两波段比值植被指数,基于光谱一阶导数建立的水分植被指数基本上都是两波段归一化差值植被指数。(3)所建立的两种模型中,基于光谱一阶导数建立的PLSR和BP神经网络模型R2分别为0.80和0.81,稳定性基本相同且都较好;两种模型RMSE都是0.55,RPD分别为2.01和1.41,说明PLSR模型的预测精度比BP神经网络模型高。从模型的验证效果来看,PLSR模型在估算春小麦叶片含水量方面有一定的优势,为高光谱定量反演春小麦叶片含水量提供一定的参考。     

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。     

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...     

GWLS-SVR模型的红枣树叶片叶绿素含量估算

叶绿素含量是红枣树光合作用能力、生长状况、营养状况的指示剂,不同地理位置种植的红枣树受到自然、人为等因素的影响,叶绿素含量分布有所不同,该研究实地测定了若羌县枣树叶片高光谱反射率及表征叶绿素含量的枣树叶片SPAD（soil plant analysis development)值。为了高效无损地估算红枣树叶片SPAD值,计算了红枣树叶片SPAD值全局莫兰指数,以SPAD值和高光谱波段之间的相关性为基础,通过C_P统计量计算重要程度高的特征波段,运用地理加权最小二乘支持向量回归GWLS-SVR（geographically weighted least squares-support vector regression）模型对红枣树叶片SPAD值进行预测,与多元线性回归（MLR）、支持向量机回归（SVR）模型比较并探讨GWLS-SVR模型估算红枣树叶片SPAD值的能力。结果表明：（1）光谱一阶导数可以有效去除噪声并突出光谱信息尤其是492~510,542~543,642~652,657~670和682~692 nm区间内显著的提高了与SPAD值的相关性。（2）C_P统计量方法能够有效的选择敏感区间的特征波段,进而提高模型估算精度,由统计量方法计算出原始光谱重要程度最高的两个变量为595与696 nm,光谱一阶导数的特征波段为688 nm。其中对于同一个敏感波段区间的波段组合总有单个波段的统计量低于多个波段组合的统计量,这可能是相近波段间的较强共线性导致的。（3）若羌县红枣树叶片SPAD值存在显著的空间聚集性,全局莫兰指数为0.125 8（p<0.1）,适合建立考虑空间位置的GWLS-SVR模型。（4）结合Bootstrap再抽样与t检验模型检验得到结合地理位置信息的GWLS-SVR模型总体上估算能力优于SVR和MLR模型,且结果高度显著（p<0.001）,其中基于光谱一阶导数的GWLS-SVR模型为最优的红枣树叶片SPAD值估算模型（R2为0.975,MSE为1.082）,能够为高光谱定量反演红枣树SPAD值进而快速无损的监测红枣生长状况提供一定参考。     

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。