柑橘黄龙病光谱特征波段选择及光谱检测仪研制

黄龙病（Huanglongbing，HLB）被称为柑橘的癌症，及早检测出患病植株可防止病情蔓延，降低病情灾害程度。高光谱分析技术因其丰富的光谱信息，成为近年来作物病害检测的研究热点。然而高光谱设备昂贵，波段数较多，计算量大，在实际应用中尚未形成规模应用。使用合理的波段选择方法，可以去掉冗余信息，避免"维数灾难"，减轻数据存储、计算与传输压力，并降低设备成本。该研究利用地物谱仪获取了柑橘冠层叶片的高光谱信息，提出一种基于典型成分分析（Exemplar Component Analysis，ECA）的柑橘黄龙病特征波段优选方法，并与其他3种波段优选算法进行比较，分别优选了7个光谱波段的组合。基于优选波段，采用6种机器学习方法进行建模分类，对4种波段选择方法的鲁棒性进行了分析。此外，基于优选的特征波段设计了一款多光谱仪应用于柑橘黄龙病的检测。结果表明，用ECA算法选择的特征波段，其结合6种分类器在测试集上的准确率达到92%以上，并具有较好的鲁棒性。自研基于特征波段的多光谱仪对于HLB的检测精确度最高可达95%。试验表明用少量特征波段表征HLB作为检测手段具有可行性，合理的特征波段有助于降低专门农业病害光谱检测的设计成本，提高果园病情防控精准度。     

基于无人机多光谱影像的槟榔黄化病遥感监测

黄化病是一种严重危害槟榔生长的病害,迫切需要及时、准确地监测其侵染的严重度差异和空间分布。低空无人机遥感可有效解决槟榔种植区由于多云雨天气而造成光学卫星影像获取不足,提高槟榔黄化病监测的实时性。该文利用大疆精灵Phantom 4 Pro V2.0四旋翼无人机搭载MicaSense RedEdge-M多光谱相机获取5波段多光谱影像,基于最小冗余最大相关算法(Minimum Redundancy Maximum Relevance,m RMR)从15个潜在的植被指数中优选比值植被指数(Ratio VegetationIndex,RVI)、改进的简单比值指数(ModifiedSimpleRatioIndex,MSR)和花青素反射指数(Anthocyanin Reflectance Index,ARI)作为敏感特征,分别利用后向传播神经网络(Back Propagation Neural Network, BPNN)、随机森林(Random Forest, RF)和支持向量机(Support Vector Machine, SVM)分类算法,构建了槟榔黄化病严重度监测模型。结果表明,BPNN模型总体精度达到91.7%,分别比RF模型和SVM模型提高6.7%和10.0%,且Kappa系数为0.875,为所有模型中最高,漏分、错分误差也最小,健康,轻度和重度分别为11.1%、15.8%,13.6%、9.5%和0、0。研究结果证明了无人机多光谱遥感影像监测槟榔黄化病的可行性,同时也可为其他热带作物病害监测提供案例研究。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

基于无人机平台的柑橘树冠信息提取

为了快速获取柑橘树冠信息,提升柑橘园精准管理,该研究基于无人机平台获取了柑橘数码和多光谱影像,分析了无人机影像反演柑橘树冠信息的效果。首先利用无人机数码影像及分水岭算法进行柑橘单木分割,然后构建柑橘树冠层高度模型,提取柑橘株数、株高、冠幅投影面积等结构参数信息,进而利用无人机多光谱影像获取柑橘的8种常用植被指数,采用全子集分析法筛选柑橘冠层氮素含量的敏感植被指数,构建基于多元线性回归的冠层氮素遥感反演模型,进行以冠幅为基本单元的柑橘树冠层氮素含量遥感制图。研究结果表明:柑橘的单木识别准确率在93%以上,召回率在95%以上,平均F值为96.52%;柑橘树的反演株高与实测株高具有较强的相关性,决定系数R2为0.87,均方根误差为31.9cm;单株冠幅投影面积与人工绘制的冠幅面积的决定系数,除果园A在12月的结果较低(R2为0.78)外,其余均在0.94及以上;采用全子集分析法筛选的柑橘冠层氮素敏感植被指数为归一化植被指数(NDVI)、绿色归一化植被指数和冠层结构不敏感指数,所建立的多元回归模型的决定系数R2达0.82,均方根误差为0.22%,相对误差为6.59%。综上,无人机影像在柑橘树冠参数信息提取方面具有较好的应用效果,能够快速有效地提取柑橘树冠参数信息。该研究可为使用无人机平台进行果园精准管理提供技术支撑。     

冬小麦越冬中期冻害高光谱敏感指数研究

利用试验箱进行冬小麦冻害盆栽试验,观测受冻前后叶片光谱反射率、叶绿素含量并分析其变化规律;通过对高光谱数据进行倒数对数、一阶导数、二阶导数变换,与叶绿素含量进行相关分析,寻找表征冻害胁迫的特征值,获得识别和评价冻害差异程度的波段或指数。结果表明,（1）在可见光范围内叶绿素含量与原始光谱反射率呈负相关,在近红外范围内呈正相关,与倒数对数光谱的相关性则相反。一阶导数光谱大部波段相关性通过0．01水平的显著性检验,二阶导数光谱仅少部分波段通过。（2）相关性分析表明,冻害监测的敏感性波段为684．92nm处倒数对数光谱、578．37nm处一阶导数光谱、571．93nm处二阶导数光谱,这些波段与叶绿素的相关系数均通过0．01水平的显著性检验,且相关系数最大,其中以倒数对数光谱为自变量的估算模型最优。（3）叶绿素含量与高光谱特征变量的相关性分析表明,以由蓝边面积（SDb）和红边面积（SDr）计算的VI3（VI3=SDr／SDb）或VI3[VI5=（SDr—SDb）／（SDr＋SDb）]为自变量的抛物线模型最优,其训练样本拟合与验证样本精度检验水平均最高,因此VI3、VI5为冬小麦冻害监测的敏感指数。研究结果揭示了冬小麦冻害后高光谱特征,可为促进高光谱技术在冬小麦长势监测和估产中的应用,提高冬小麦冻害遥感监测的准确性提供依据。     

博斯腾湖湖滨绿洲土壤电导率高光谱估算模型

以博斯腾湖湖滨绿洲为研究区，采用分数阶微分对光谱指数进行波段优化，筛选高光谱数据的特征波段，利用偏最小二乘回归(PLSR)和支持向量机(SVM)构建土壤电导率高光谱数据的估算模型。研究结果表明:(1)分数阶微分的高光谱数据与土壤电导率的相关性:随着分数阶微分阶数的增加，特征波段数呈现逐渐增加的趋势，2 阶是特征波段数量最多的阶数，特征波段数量为335(P=0.01)，相关系数绝对值最大为0.64。(2)分数阶微分优化光谱指数的高光谱数据:随着分数阶微分阶数的增加，光谱矩阵图表现为相关系数在正负值之间波动较大，0.8 阶在光谱指数DSI 的相关系数绝对值最大为0.75；平方根、对数、倒数的相关系数绝对值最大为0.64。(3)基于PLSR 和SVM 构建土壤电导率估算模型:基于0.8 阶微分和光谱指数DSI 筛选的特征波段建立的估算模型估算效果较好，其中SVM 构建的估算模型最优，模型精度为RSVMc2=0.89，RMSESVMc=0.03，RSVMv2=0.80，RMSESVMv=1.12。利用SVM 估算模型可以有效地对研究区土壤电导率进行定量估算。     

翅碱蓬野外光谱对土壤化学性质的响应

翅碱蓬(Suaeda salsa)是土壤盐渍化较为严重的地区常见的植被类型,研究翅碱蓬群落特征可以间接反映下方土壤的化学性质。通过野外采集的17个翅碱蓬野外光谱数据和相应土壤样品的理化分析数据,探讨了土壤化学性质和翅碱蓬野外光谱之间的关系。结果表明,翅碱蓬二阶导数光谱1 121nm波段可用来反映土壤有机质和全氮的含量变化,二阶导数光谱1 208nm波段可以很好地反映土壤全磷的含量变化,一阶导数光谱353nm波段可以很好地反映土壤速效钾的含量变化最好,二阶导数光谱724nm波段可以很好地反映土壤pH值的变化,而反映土壤盐分含量变化最好的为一阶导数光谱950nm,这为翅碱蓬覆盖的区域利用遥感技术进行土壤化学性质监测奠定了基础。     

基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测

实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法,该文依托不同氮素水平水稻试验,基于成像高光谱数据和无人机高光谱影像,综合运用统计分析及遥感参数成图技术,对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明,以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数(ratio spectral index,RSI)构建的线性模型为水稻叶片全氮含量的最优估测模型(检验R2为0.673,均方根误差为0.329,相对分析误差为2.02);无人机高光谱影像反演的水稻叶片全氮含量分布范围(1.28%~2.56%)与地面实际情况较相符(1.34%~2.49%)。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。     

无人机高光谱遥感估算冬小麦叶面积指数

为探讨利用低空无人机平台和高光谱影像对冬小麦叶面积指数进行遥感估算，该研究以拔节期冬小麦小区试验为基础，对原始冠层光谱进行一阶导数和连续统去除光谱变换，并在此基础上提取任意两波段组合的差值光谱指数（Difference Spectral Index，DSI）、比值光谱指数（Ratio Spectral Index，RSI）和归一化光谱指数（Normalized Spectral Index，NDSI），以最优窄波段光谱指数进行叶面积指数估算模型的构建。结果表明，最优窄波段指数的构成波段主要位于红边区域，最优窄波段指数与叶面积指数均呈现非线性关系；光谱变换显著提升了光谱变量与叶面积指数的相关性，其中连续统去除光谱所获取的NDSI（738，822）光谱指数与叶面积指数的相关性最佳；窄波段光谱指数和随机森林回归算法的叶面积指数估算模型精度最高，其相对预测偏差为2.01，验证集的决定系数和均方根误差分别为0.77和0.27。基于随机森林回归算法的无人机高光谱叶面积指数估算模型能够准确地实现小区域的叶面积指数遥感填图，为后期作物长势、变量施肥等提供理论依据。     

柑橘黄龙病高光谱早期鉴别及病情分级

为实现柑橘黄龙病的早期、快速确诊,有效阻止病害蔓延,达到早期防治、保障柑橘生产的目的,该文研究基于高光谱成像的柑橘黄龙病早期无损检测及病情分级,并对多种预处理方法的建模结果进行探讨。试验获取370～1 000 nm健康、不同染病程度及缺锌共5类柑橘叶片的高光谱图像,用遥感图像处理平台(environment for visualizing images,ENVI)得到各类样本感兴趣区域的光谱反射率平均值。运用一阶微分、移动窗口拟和多项式平滑(savitzky-golay,SG)进行数据处理,结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)构建黄龙病的早期鉴别及病情分级模型。结果表明:建立的3个判别模型,验证集相关系数均不低于0.9548。其中,经SG平滑及一阶微分预处理所建立的模型分类效果最佳,总体预测准确率达96.4%,预测均方根误差0.1344。该研究为柑橘病害早期诊断和预警提供了新方法,也为黄龙病病害程度遥感监测提供了基础。     

基于日光诱导叶绿素荧光的柑橘黄龙病原位诊断

柑橘黄龙病（Huanglongbing, HLB）是柑橘生产中的毁灭性病害,柑橘植株遭到黄龙病菌侵染后光合能力发生变化而后表现出相应的黄化症状。及早实现HLB的原位快速诊断是防控HLB的重要手段。为探究黄龙病菌侵染柑橘叶片的光合响应机制并实现HLB的原位诊断,该研究分析了健康（Healthy）、未显症HLB（asymptomatic HLB, aHLB）、显症HLB（symptomatic HLB, sHLB）以及黄斑病（Macular,症状与黄龙病相似）柑橘叶片的光合参数与光合色素含量差异。利用光谱技术与日光诱导叶绿素荧光（Sun-induced Chlorophyll Fluorescence, SIF）技术分析了4种类型柑橘叶片的反射率光谱与SIF光谱差异。采用竞争自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）算法结合反射率光谱筛选出特征波段,采用SIF光谱的峰值位置（687和741 nm）构建了上行（Upward, Up）和下行（Downward, Dw）SIF产量指数（Up687, Up741, Dw687, Dw741, Up687/741, Dw687/741）。进一步分别利用特征波段的反射率和SIF产量指数,结合K最邻近（K-nearest Neighbor, KNN）分类算法构建了柑橘黄龙病的诊断模型。结果表明,黄龙病菌的侵染使柑橘叶片的光合作用明显减弱,在未显症时期已经表现出来,证明了SIF技术在诊断早期HLB的优势。基于特征波段反射率的KNN模型对未显症HLB和显症HLB的诊断精度为72.7%和75.6%,健康叶片和黄斑病叶片分别为82.2%和64.1%,而基于687和741 nm波长处的上行比值SIF产量指数Up687/741构建的KNN模型对未显症HLB和显症HLB的诊断精度为84.8%和91.1%,健康和黄斑病叶片分别为88.9%和82.1%,均优于反射率光谱模型。结果证明了SIF技术用于诊断柑橘HLB的潜力,为实现柑橘HLB的田间原位、快速、早期诊断提供了可能。     

苏北沿海滩涂地区土壤有机质含量的高光谱预测

基于反射高光谱快速、无损的检测优势,以苏北沿海滩涂地区不同成陆年代土壤作为光谱信息源,应用偏最小二乘回归（PLSR）方法,研究了原始反射光谱（REF）、微分光谱（FDR）、反射率倒数的对数（lg(1/R)）和波段深度（BD）对不同成陆年代土壤有机质含量的预测精度。结果表明,不同成陆年代土壤有机质含量预测的最佳光谱指标存在差异。REF是构建总体样本有机质含量PLSR预测模型的最佳光谱指标,均方根误差（RMSE）和相关系数（r）分别为2.7231和0.8701;FDR是预测成陆千年土壤样本有机质含量的最佳光谱指标,RMSE和r分别为2.0110和0.9436;BD所构建的成陆百年土壤有机质含量的PLSR预测模型为最优,RMSE和r分别为2.7051和0.8770。相关分析表明,可见光波段、以1 400 nm为中心及1 900～2 450 nm的红外波段是估算土壤有机质含量的最佳波段。     

辽宁省黄土状母质发育土壤有机质含量高光谱预测模型的构建

  目的  建立辽宁省黄土状母质发育土壤有机质含量的高光谱预测模型,以便快速获取土壤样品的有机质含量。  方法  对省域内黄土状母质发育土壤进行了样品采集,获取样品有机质含量和高光谱数据;选择原始光谱及其一阶微分、二阶微分、倒数对数、倒数对数一阶微分、倒数对数二阶微分6种光谱变换数据作为自变量,与土壤有机质含量进行相关分析,选取特征波段,分别建立多元逐步线性回归（SMLR）、偏最小二乘回归（PLSR）和主成分回归（PCR）3种土壤有机质高光谱线性预测模型,并进行了支持向量机（SVM）方法的非线性模型拟合。  结果  土壤有机质含量与其光谱反射率呈负相关关系,对光谱进行不同的数学变换,可以提高土壤有机质含量与光谱反射率的相关性,其中一阶微分和二阶微分的提升效果最佳;相同光谱数据在不同模型中建模精度存在显著差异,以原始光谱反射率一阶微分为自变量的PLSR模型精度最高,建模集和验证集的决定系数（R2）分别为0.958和0.976;3种线性方法建立的最佳预测模型的检验精度为:PLSR > SMLR > PCR。  结论  PLSR模型是辽宁省黄土状母质发育土壤有机质含量的最佳高光谱预测模型,且基于特征波段的建模效果优于全波段;SVM非线性模型的预测精度较低。     

利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

基于特征光谱参数的苹果叶片叶绿素含量估算

果树叶绿素含量的快速、无损、准确监测,可以及时掌握果树的营养水平,对指导果树管理具有重要意义。该文利用2012年和2013年山东省肥城市潮泉镇下寨村的苹果叶片叶绿素含量和叶片光谱数据,分析了叶绿素含量和苹果叶片原始光谱及其变换形式之间的相关性,筛选出较优光谱参数,并利用随机森林法、偏最小二乘法、BP神经网络和支持向量机回归法进行估算和验证。结果表明:1)叶绿素含量与叶片原始光谱及其变换形式之间的最优光谱参数分别为554和708 nm的原始光谱反射率,554和708 nm倒数之对数光谱,535、569、700和749 nm一阶微分光谱以及557和708 nm连续统去除光谱;2)随机森林、偏最小二乘法、BP神经网络和支持向量机估算模型的R2分别为0.94,0.61,0.66和0.60,RMSE分别为0.34,0.78,0.75和0.81 mg/dm2。说明随机森林算法模型用于估算苹果叶片叶绿素含量效果较好,为及时了解果树养分状况及果树营养诊断提供技术支持。     

Seasonal variation in canopy reflectance and its application to determine the water status and water use by citrus trees in the Western Cape, South Africa

This study describes the diurnal and seasonal dynamics of the canopy reflectance, water use and water status of Midknight Valencia citrus trees under semi-arid conditions. Hyperspectral canopy reflectance data was collected on 30 trees at monthly intervals over a period of 16 months in a commercial orchard in South Africa. The mean canopy reflectance in the wavelength range 350-2500 nm followed a clear seasonal trend influenced by environmental conditions and tree phenology. Mean monthly reflectance peaked in summer (∼22%) while the lowest value (∼15%) was reached in winter with the seasonal changes in the sun's position accounting for a significant proportion of the variations. A sensitivity analysis of a Penman-Monteith transpiration model showed that water use by individual trees changed by up to 13% when the canopy reflectance was varied over the seasonal range of measured values. This suggested that the seasonal changes in tree water use influenced the seasonal trend of the canopy reflectance. Thus monitoring the canopy reflectance of citrus trees could offer information on the tree water status. To test this, sap flow data of water uptake and loss by the trees were compared with the canopy spectra. Sap flow data showed a heavy reliance by the citrus trees on the internally stored water with up to 25% of the daily total transpiration withdrawn from the trees’ internal water storage pools when soil water was limited. This depletion of internally stored water, and hence the change in tree water status, was detected using spectral indices based on the first order derivatives of the canopy reflectance centered at two and, at most, four spectral bands. We conclude that even if citrus trees are evergreen, their canopy reflectance changes significantly throughout the year with a considerable impact on tree energy balance and water use. In addition, the contribution of the internally stored water to daily transpiration is a possible indicator of drought stress for citrus trees detectable from changes in canopy reflectance and it has potential applications in irrigation scheduling using canopy level spectral information.     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

基于无人机遥感多光谱影像的棉花倒伏信息提取

为在棉花发生倒伏灾害后快速获取田块尺度下的受灾信息,该文以2017年8月21日强风暴雨导致大面积棉花倒伏的新疆生产建设兵团第八师135团的部分田块作为研究区,由无人机遥感试验获取倒伏后的多光谱影像,通过分析倒伏和正常棉花的光谱反射率差异提取了多种植被指数和主成分纹理特征,结合地面调查样本建立了3种花铃期倒伏棉花的Logistic二分类模型并进行了精度评价和验证。结果表明:棉花倒伏前后在可见光波段的反射率差异微小,而在红边和近红外波段的反射率明显降低0.12～0.20;以第一主成分均值(PCA1_mean)建立的Logistic二分类纹理模型效果最优,在测试集上分类结果的准确率为91.30%,ROC(receiver operating characteristic)曲线距左上角点最近,AUC(area under the roc curve)值为0.80。通过将该模型应用于试验区影像,分类制图效果良好且符合棉田倒伏症状特点。该研究可为无人机多光谱遥感棉花灾损评估提供参考。