半干旱采煤塌陷不同应力区典型植物高光谱特征分析

利用高光谱反演、监测植被生长状况的基础是光谱特征识别。以半干旱采煤塌陷区为样地，利用Field Spec 3地物光谱仪与SPAD-502叶绿素仪同步采集采煤地表塌陷形成的不同应力区(非采区、中性区、拉伸区、压缩区)典型植物叶片光谱反射率与叶绿素含量(SPAD值)，分析典型植物相同应力区SPAD值升高其光谱特征的变化，对比不同应力区典型植物SPAD值较高与较低时光谱特征的差异，并借助Matlab软件深入研究不同应力区典型植物SPAD值与差值指数、归一化指数的相关关系。结果表明：(1)不同应力区同种植物光谱曲线随着SPAD值不同变化规律相异，可见光波段区分明显，其余波段受应力影响的区域样本SPAD值不同，反射率比非采区波动更为剧烈与无序。可见光波段，糙隐子草、柠条、杨树、油蒿SPAD值低的样本光谱曲线绿峰缺失，SPAD值升高，绿峰出现但位置红移，SPAD值高于30时，为典型植被光谱曲线，油松样本SPAD值越高反射峰值越小；受应力影响的区域SPAD值低的样本谷、峰、边特征参数缺失更多，光谱变化规律不强。(2)400～700 nm波段，不同应力区糙隐子草、油蒿、油松、柠条样本SPAD值较低组反射率显著高于较高组，杨树样本相反；780～1 350 nm波段，拉伸区的糙隐子草、非采区的油蒿和柠条、压缩区的油松和杨树样本SPAD值较高组与较低组的反射率差异小；相较于非采区，受应力影响的糙隐子草、油蒿、柠条样本在所测波段SPAD值较高组与较低组的同波段反射率差值显著减小。(3)受应力影响的区域样本SPAD值与光谱指数相关性较之非采区在某些波段大面积增强。与非采区相比，中性区的油蒿、油松、柠条、杨树样本SPAD值与光谱指数的最大相关系数值均增大，糙隐子草相反；非采区植物SPAD值与NDVI最大相关系数均高于DI，波段组合多位于近红外，受应力影响区域的样本最大相关系数多数位于可见光波段。本研究为矿区不同应力区典型植物高光谱波段识别与植物健康状态监测、矿区生态环境精准治理提供了理论支撑。     

琅琊山景区不同指标浓度下水质光谱差异分析

高光谱技术已广泛运用于水质检测领域。探讨不同指标浓度下水质光谱变化规律及其光谱特征,能够为水质指标遥感光谱精准识别与定量提取提供理论基础。选取琅琊山景区不同水体景观共47个典型站位进行水质指标与光谱同步测量,提取每个检测点的7个水质指标及350~950 nm波段,探讨不同浓度水质指标光谱特征变化规律,分析水质指标与光谱反射率、反射率一阶微分、任意两波段反射率比值及差值之间的关系。结果表明： 各水质指标光谱曲线变化趋势一致,但各有差异,区分度最大的波段在可见光范围;不同盐度、溶解性总固体、电导率含量的水质光谱曲线变化较为接近,含量最高的样本光谱反射率最高,且变化最显著;浊度含量较高的水质样本光谱反射率变化较显著,700~950 nm波段不同浊度含量的水质样本光谱反射率区分不明显;溶解氧浓度为4~4.9 mg·L-1的水质光谱反射率在350~900 nm波段内明显低于其余样本;在350~380 nm波段范围,光谱反射率不随叶绿素含量变化而变化,叶绿素含量接近0的样本在400~950 nm波段低于其余样本;不同蓝绿藻藻蓝蛋白含量的样本光谱曲线相比其余水质指标在350~730 nm波段变化较大,交叉点较多。此外,水质指标与原始光谱反射率相关性较低,光谱一阶微分、差值指数、比值指数与各水质指标相关性整体有所提升。该研究可为水质高光谱遥感检测提供一定的理论基础。     

不同氮肥处理下小麦冠层和叶片光谱特征及产量分析

利用遥感光谱无损、快速分析出氮肥的施用时期和施用模式,对于保护环境、产量及氮肥利用率的提高具有重要意义。利用FieldSpec 4 Wide-Res Field Spectrum radiometer便携式地物光谱仪,测定了不同氮水平下小麦冠层和叶片两种模式光谱特征及红边参数变化规律;提出一个新指数--归一化差异最大指数（normalized difference maximum index,NDMI）,并分析其与叶面积指数（leaf area index,LAI）、SPAD（soil and plant analyzer development）值、MDA（malondialdehyde）含量、旗叶氮含量和产量的相关性。结果表明,小麦叶片原始光谱在开花后26 d起800～1 330 nm区间的光谱反射率以N3（1/3底施+1/3冬前追肥+1/3拔节期追肥）处理为最高,N1处理（1/2底施+1/2冬前追肥）次之。主要原因是由冬前和拔节期两个时期均施三分之一氮肥,增强了叶片光合能力。小麦冠层原始光谱,在400～700 nm波段,N2（1/2底施+1/2拔节期追肥）处理最低;在760~1 368 nm波段区间,由于群体结构不同,在开花期至灌浆中期N1处理的光谱反射率最高,N3处理次之;N3处理的冠层光谱反射率在开花后26和33 d最高。建议用400～700和760～1 368 nm波段的冠层原始光谱数据,分别来辨别小麦旗叶含氮量的高低及施肥模式。叶片模式下一阶微分光谱在500～750 nm区间出现两个“峰”,通过峰的位置偏移程度和偏移时期来估测施氮的模式。在670～740 nm区间冠层一阶微分光谱值在开花期最高,开花后10 d的一阶微分光谱值最低。在开花期至开花后10 d N1处理的一阶微分光谱值高于N3处理;灌浆中期至开花后33 d N3处理的一阶微分光谱值高于N1处理。可以通过一阶微分最大值来推测小麦所处的生育期和施肥的方式及施肥时期。在开花期至灌浆中期,冠层反射率一阶导数最大值（FD-Max）N1处理最高,N3处理次之;在开花后26～33 d,N3处理的群体结构较其他处理密,导致其一阶导数最大值一直最高。四个处理叶片一阶导数最大值变化趋势不如冠层显著。四个处理的反射率一阶导数最大值对应的红边位置（REP_FD-Max）中,N1和N3冠层REP_FD-Max在灌浆中期后偏移显著;在开花后26～33 d,N3处理的群体上层结构密,叶片宽且厚,冬前追施氮肥影响REP_FD-Max偏移程度。基于NDVI基础上,筛选出一个新指数--归一化差异最大指数。冠层归一化差异最大指数（CNDMI）与农化参数的相关系数高于叶片归一化差异最大指数（LNDMI）,且CNDMI与产量的相关性比LNDMI显著。冠层归一化差异最大指数与旗叶氮含量、SPAD值和MDA含量有着显著的相关性,相关系数r分别为0.812 88,0.928 21和-0.722 17。综上所述,借助光谱数据和红边参数可以推测小麦含氮量的高低,所处的生育期和施氮肥的模式,进而为田间施肥管理及施肥诊断提供依据。CNDMI与小麦产量有着更好的相关性,符合我国资源卫星的光谱波段范围,具有可实际操作性。     

植被叶片生化组分的光谱响应特征分析

依据LOPEX’93数据,分别使用地表反射率光谱及其变化量以及光谱指数分析了鲜叶片叶绿素和水分含量的光谱响应。结果表明,在反射率光谱及其变化量的分析中,反射率的二阶导数对叶绿素具有较高的响应,对叶绿素响应较高的波段依次为600,700,670,410,490,500和440nm,这些波段区间能够较好地反映植被叶绿素的含量;反射率光谱经连续统去除后对叶片含水量具有较高的响应,对水分含量响应较高的波段依次为:1870,2130,2180,1820,2350和2120nm,分别对应着水分在短波红外波段的吸收波段。在光谱指数的分析方法中,光谱指数ND(normalized difference)对叶绿素含量较其他指数具有更高的响应,其相关系数为0.618;光谱指数Ratio975对叶片水分含量具有较高的响应,相关系数可达0.996。根据以上的响应分析,构建相关模型,对叶片中叶绿素和含水量开展地基反演实验,结果表明,基于地面光谱数据反演叶片中叶绿素和含水量可达到较高的精度。     

基于可见-近红外光谱技术的炭疽病侵染后油茶叶片叶绿素含量预测研究

分析炭疽病侵染后油茶冠层的可见-近红外光谱特征,探索建立病害胁迫下油茶冠层叶片叶绿素含量的预测模型。通过实地调查病情指数,获取不同病害程度的油茶冠层叶片光谱数据及其叶绿素含量,并对光谱数据进行了一阶微分与滑动平均滤波相结合的预处理,再通过光谱数据重采样,提取敏感波段建立了叶绿素含量的BP神经网络预测模型。结果表明:(1)随着病情的加重,油茶冠层光谱可见光区域的反射峰和吸收谷逐渐消失;红光到近红外陡峭的红边被逐渐拉平;在近红外区域,健康油茶的光谱反射率明显大于感病油茶的光谱反射率。(2)微分光谱484～512,533～565,586～606和672～724nm四个波段是叶绿素吸收和反射的敏感波段。(3)以敏感波段为输入变量建立的BP神经网络模型,其计算出的预测值与观测值之间的相关系数r和均方根误差分别为0.992 1和0.045 8。因此,利用可见-近红外光谱技术预测炭疽病侵染后油茶叶片叶绿素含量是可行的。     

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。     

铀污染下的商陆叶片反射光谱特征与铀含量关系研究

通过室内盆栽试验,利用微分技术处理叶片反射光谱数据,研究铀污染下商陆叶片中的铀含量在不同光谱波段与原始光谱反射率、一阶导数光谱的相关关系,找到商陆铀污染诊断的敏感波段范围和最优光谱特征参数,并以相关性较好的敏感波段及光谱特征参数为自变量,与商陆叶片铀含量建立对应的估测拟合模型。如果以该模型为基础创建铀含量的冠层光谱模型,则有可能实现通过遥感影像监测叶片中的铀含量。实验结果表明：当商陆叶片中的铀含量为5.94～71.74 mg·kg-1时,叶片中铀含量与一阶导数光谱数据的相关性较原始光谱数据好,在749～766 nm区间内存在较好的相关性和光谱响应;根据上述相关性分析,选择14个光谱特征参数,计算他们与商陆叶片铀含量的相关系数,其中蓝边面积、红边位置、红边面积与蓝边面积的比值及红边面积与蓝边面积的归一化值与叶片铀含量的相关系数达到了0.05显著检验水平;选取一阶导数光谱中相关系数最高的波段757,758,760和761 nm处的值和上述相关性最高的4个光谱特征参数,与叶片铀含量建立多种形式的估测拟合模型,通过对拟合模型的精度检验,发现以红边面积与蓝边面积的比值、757和760 nm处反射率的一阶导数为自变量的拟合模型的预测效果较好,其中拟合效果最优的模型是以757 nm波段处反射率的一阶导数为自变量的三次函数模型,模型预测精度达到了89.8%。     

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。     

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。     

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。     

小兴安岭主要树种冠层光谱季相变化研究

森林每年随季节变化而出现形态和生理机能的规律性变化,该变化在一定程度通过其光谱特征有规律地展现。准确地掌握森林冠层光谱特征随季节变化的规律不仅是遥感解译的关键,也为树种识别、动态监测和生化参数反演提供理论基础。利用地物光谱仪对研究区9个主要树种的冠层光谱数据进行长期观测,获取了春夏秋冬四个季节的反射光谱曲线并生成一阶导数曲线,同时还计算了常用的植被特征参数,进而分析不同树种在相同季相和不同季相的光谱特征,对比不同树种在可见光和近红外波段的季相变化特征和差异,探索遥感手段用于树种分类识别的最佳波段、最佳时相。结果表明：不同树种在各生长季光谱具有独特的特征,落叶树种光谱特征因季节的改变而呈现有规律的变化, 而常绿树种光谱特征年变化不明显。光谱特征的变化有效地反应了物候的变化,应用多季相的数据进行分类可以取得最好的效果,常绿树种和落叶树种光谱特征在冬季差异明显,而夏季是采用单季相遥感数据进行树种识别的最佳时节。     

不同含水量条件下树种叶片光谱差异分析

叶片含水量是影响树种光谱特征的一个重要因素,探索不同叶片含水量条件下相同树种叶片光谱特征的变化规律及相同叶片含水量条件下不同树种叶片的光谱差异,不仅是高光谱植被遥感信息识别的关键,也为研究植被光谱随着叶片含水量变化产生的差异提供理论支撑。利用地物光谱仪对6个树种叶片进行观测,获取了不同含水量叶片的反射光谱,同时进行一阶微分光谱变换,从而分析不同叶片含水量条件下各树种叶片的光谱变化特征,对比了相同叶片含水量条件下不同树种叶片的光谱差异,探索高光谱遥感识别树种叶片含水量的可能波段。结果表明：各树种叶片光谱都随着叶片含水量的改变而产生较大差异,但变化规律各有不同;相同叶片含水量条件下,不同树种叶片的光谱在部分波长范围差异较大,为实现树种高精度识别提供了可能。本研究旨在为植被叶片光谱库的构建以及植被的高光谱识别提供理论支撑和基础数据。     

基于叶片反射光谱特征的银杏健康量化评价技术

准确地诊断树木健康状况是城市森林树木管理工作的基础,也是目前生产中急需的技术。通过土壤和植物养分分析诊断树木健康可靠性差,通过形态特征调查诊断树木健康费时、费力,如何快速、准确、无损地诊断树木健康已经成为城市树木健康管理的重要技术瓶颈。以北京市银杏为研究对象,对基于叶片反射光谱特征的树木健康诊断技术进行了研究。通过13个外貌形态特征聚类将树木健康划分成健康木、亚健康木、一般健康木和不健康木4个等级,不同健康等级树木叶片色素含量差异极其显著(p<0.001) ,因叶绿素含量与光谱反射率之间存在相关关系,所以采用叶片反射光谱特征判断树木健康状况是可行的。采用因子分析法,通过15个叶片反射光谱指标构建了能够综合反映叶片反射光谱特征的绿度指数、色素指数、三边指数。不同健康等级间叶片反射光谱指标以及三个反射光谱指数均有极显著差异(p<0.001)。所以,采用三个反射光谱指数构建了银杏健康评价的多元二次模型,经检验模型预测精度达到79%,可以作为银杏树木健康快速诊断。选取的光谱指标较为全面,方法简洁,并通过综合分析,确定了不同健康等级树木核心形态指标以及叶片的绿度指数、色素指数、三边指数等综合得分以及得分范围,为生产中直接使用该方法诊断银杏健康状况提供了标准。     

几种常见树种叶片光谱秋季变化特征分析

叶片随着时间生长产生变化,其光谱特征也会发生变化。研究相同树种叶片不同时间条件下的光谱变化规律以及不同树种叶片相同时间条件下的光谱特征,不仅为植被叶片光谱随时间变化的规律研究提供理论基础,也是高光谱遥感精确识别植被信息的关键。选取北京市10种常见树种,利用地物光谱仪观测各树种不同时间叶片光谱,同时将观测的光谱进行一阶微分处理和典型波段分析,对比相同时间不同树种叶片光谱的差异,分析相同树种不同时间的光谱变化规律,探索不同时相条件下高光谱遥感识别树种的有效波段。结果表明：不同树种叶片光谱均随时间的改变而产生显著变化,但差异规律各不相同;不同树种相同时间叶片光谱在部分波段存在显著差异,为高精度树种识别提供了理论依据和叶片基础光谱数据。     

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。     

基于色彩参数和高光谱特征的针叶树种色素含量预估

光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究,而色素与色彩参数相关性研究也有学者探索.但比较并优选分别以色彩参数值、光谱参数值作为自变量与色素含量拟合出的模型,还未见报道.本实验以5种针叶树种为研究对象,筛选蓝边幅值Db、黄边幅值Dy、红边幅值Dr、绿峰幅值Rg、红谷幅值Rr、蓝边面积SDb、黄边面积SDy、...