光谱技术在玉米品种品质检测中的研究进展

玉米是人类主要的粮食作物,人们对玉米的需求正在从数量向质量转变.当前对于玉米种子和玉米储备粮的传统检测方法难以满足其快速检测的要求.采用光谱检测技术可有效降低种子检验成本,提高检验效率.本文将近些年利用光谱技术对玉米品种品质检测的应用进行了归纳与总结,并分析了各自优势与不足,为促进相关技术的发展和应用提供借鉴和参考.     

薄层光谱电化学的研究

The formal potentials and the numbers of electron transferred of the redox systems of Fe(CN)_6~(3-)/Fe(CN)_6~(4-) and methylene blue were determined with a Long-Path Length Thin-Layer spectroelectrochemical cell. The results obtained from our experiments     

净套作下大豆叶绿素密度动态及光谱估测研究

【目的】利用高光谱数据构建一种适合于净作和套作群体的大豆叶绿素密度光谱估测通用模型,为监测以叶绿素密度为参数的净、套作大豆长势提供支撑。【方法】以南豆12为供试大豆品种,设计净作和套作2种种植模式,测定净、套作下大豆不同生育时期叶绿素密度及其冠层光谱特征,对通过原始、全波段导数光谱和多波段组合计算的植被指数与叶绿素密度进行相关性分析,比较不同高光谱特征参数与叶绿素密度之间的关系,借助高光谱遥感分析方法构建适合于净、套作下大豆叶绿素密度的估测模型。【结果】净作和套作大豆叶绿素密度在整个生育期呈先上升后下降的单峰曲线,在结荚期达到最大值,其中净作比套作平均高5.5%。同样,大豆冠层光谱反射率在近红外波段(700~1 000nm)也呈现先增后降趋势,结荚期最高,达到70%,并在结荚期之前红边位置出现红移现象。原始光谱自由组合的比值植被指数RVI(507/697)与叶绿素密度的相关性最高,相关系数大于0.962(P0.01)。对净、套作下大豆叶绿素密度模型进行比较分析,发现二次模型能够较好地估测净、套作下大豆叶绿素密度(R20.75,RMSE=0.25)。【结论】用比值植被指数RVI(507/697)构建的叶绿素密度二次估测模型,能够较好地对净、套作下大豆叶绿素密度进行估测。     

持续受涝对冬小麦高光谱特征参数的影响分析

【目的】高光谱特征参数能够突出原始光谱的感兴趣信息,分析冬小麦的高光谱特征参数随受涝时间的变化特征,提出一种快速识别冬小麦受涝的方法,可为冬小麦涝害监测提供理论支撑。【方法】文章在冬小麦灌浆期设置持续淹水8天的处理,采集涝害处理当天、第3d、第5d、第7d的反射光谱特征,以高光谱位置参数、振幅参数、面积参数和反射率参数为研究指标,对比分析了健康和受涝冬小麦18个高光谱特征参数的变化特征,并根据高光谱特征参数的差异性指数随受涝时间的变化特征判断冬小麦的受涝程度。【结果】(1)受涝冬小麦的红边位置发生"蓝移",红谷、绿峰和黄边位置发生"红移";4个振幅参数值均减小;近红外面积和绿峰面积增大,红边、黄边和蓝边面积减小;绿峰反射率Rg和红谷反射率Ro增大,两者的比值Rg/Ro和归一化值(Rg-Ro)/(Rg+Ro)则减小;(2)根据不同高光谱特征参数差异性指数的大小及变化特征,提取出红边位置、最小振幅、近红外面积和红谷反射率为判断冬小麦受涝与否的最佳参数;高光谱反射率参数和面积参数可在受涝前期快速识别冬小麦受涝与否,高光谱振幅参数能够在受涝后期判断受涝程度。(3)不同高光谱特征参数识别冬小麦受涝的优劣能力从强到弱依次为:高光谱振幅参数高光谱面积参数高光谱反射率参数高光谱位置参数。【结论】高光谱特征参数的变化特征能够用来判断冬小麦受涝与否以及受涝程度,可为冬小麦涝害遥感监测提供理论支撑。     

基于高光谱数据的主要农作物类型信息提取

黑龙江省是我国最大的商品粮生产基地,其农作物种植信息对于粮食估产,防灾减灾,乃至保障国家粮食安全均具有重要意义。为提高黑龙江省主要农作物种植类型信息的提取精度提供有参考意义的方法,以黑龙江省齐齐哈尔市为研究区,针对多光谱数据在区分玉米和大豆种植信息方面的局限性,基于环境减灾星高光谱数据(HSI),利用决策树法提取主要农作物类型信息。结果表明,齐齐哈尔市的土地覆盖类型以农耕地(包括大豆、玉米、水稻和其它作物)为主,占该市土地面积的70%以上,其中玉米种植区是该市最主要的土地利用类型,各作物分类精度均超过80%,总体精度达到88.71%。     

粒径对土壤光谱特性的影响

土壤粒径是影响土壤光谱的重要因素之一。为了探究土壤粒径与土壤光谱的关系,以山西省闻喜县的冬小麦麦田土壤为研究对象,分别获取7个土壤粒径(2,1,0.5,0.25,0.154,0.125,0.074 mm)及相应的土壤光谱,通过分析不同粒径条件下土壤光谱反射率、土壤粒径与土壤光谱的相关性,研究土壤粒径对土壤光谱的影响及土壤光谱与粒径的响应关系。结果表明,不同土壤粒径大小对土壤的光谱曲线的形状以及光谱特征位置没有明显的影响,但是随着土壤粒径的减小,土壤光谱反射率呈现不同幅度的升高;分析不同土壤粒径光谱反射率的平均变化率可知,小于0.154 mm的土壤粒径对土壤光谱反射率的影响最大,位于近红外波段区域;相关性结果表明,土壤粒径和光谱反射率之间具有较好的相关性,在波段2 100 nm附近的相关性达到最大,相关系数可达-0.74,表明该波段与土壤粒径具有重要的相关关系。研究结果可为光谱技术应用于土壤生理生化指标的定量分析提供一定的理论参考和实践探索。     

重金属铜胁迫玉米叶片的光谱响应特征

为研究玉米叶片的反射光谱特征在受重金属铜胁迫时发生的变化,通过玉米铜胁迫种植试验,分析不同浓度铜胁迫对玉米叶片叶绿素及铜含量的影响,同时根据12个特征波段及其归一化植被指数、光谱角及作者提出的光谱差之和与光谱差均值描述铜胁迫叶片的光谱特征。结果表明:随着土壤中Cu2+浓度升高,玉米叶片铜含量逐渐增加,叶绿素含量逐渐降低;可采用光谱特征波段、归一化植被指数、光谱角、光谱差之和与光谱差均值的方法识别铜胁迫玉米叶片和健康玉米叶片之间的光谱差异。     

基于决策树的无人机高光谱遥感影像地物分类研究

高光谱影像由于其波段众多,传统的多光谱图像的信息提取方法不适合高光谱影像的处理。利用无人机搭载美国Headwall公司的最新纳米级高光谱成像光谱仪,采集广东省广州市增城区某处的高光谱影像,提取光谱数据,分析不同地物间光谱曲线特征和差异,采用决策树进行地物分类。结果表明:根据无人机高光谱数据中不同地物之间光谱特征曲线的差异,建立分类树,不仅可以大大减少分类处理的工作量,且分类效果良好,准确度高。     

基于光谱技术的禽蛋内部品质无损检测研究进展

禽蛋品质检测是食品安全和消费者权益的重要保障措施,传统禽蛋品质检测主要依赖人工进行,存在工作强度大、效率低且准确率波动大等弊端。光谱检测技术具有快速、安全、无损等优点,近些年来在禽蛋内部品质检测领域发展迅速。本文基于禽蛋的新鲜度、蛋白含量、脂肪含量、血斑肉斑、受精信息、种蛋性别、胚蛋活性等内部品质指标检测的有关研究,概述了近红外光谱、可见-近红外光谱、高光谱成像及拉曼光谱等光谱检测技术在禽蛋内部品质无损检测中的研究进展,分析总结了光谱检测技术在禽蛋无损检测中的应用特点与难点,并展望了其未来发展趋势,以期为我国蛋品无损检测研究及行业质量安全监管提供参考。     

日光光谱的计算机重现与仿真

将日光的可见光谱均匀分割为2000份色光,并计算了各色光的RGB值。以2000份色光为光源,基于Matlab软件重现了标准日光光谱,仿真了日光光栅光谱及日光棱镜光谱。结果表明,重现与仿真的日光光谱,色彩连续、细腻而逼真,可应用于与日光光谱相关的研究与应用领域。     

接种菌根大豆叶片光谱分析和叶绿素含量估测

为更好地指导矿区进行受损土地的微生物复垦,减少传统监测方法对植物的损害,需要运用快速有效的方法来监测菌根作用下植物的生长状况。对不同生长期的大豆叶片光谱、叶绿素含量、菌根侵染率和菌丝密度测定分析,结果表明:各生长期接菌组叶绿素含量均高于同期对照,其叶绿素含量与侵染率间具有显著正相关性,且叶片光谱反射率在550nm处显著低于对照组。同时根据叶片光谱可见光区域叶绿素敏感波段选择植被指数,然后建立以植被指数为变量的线性模型反演叶绿素含量,结果发现植被指数MCARI反演叶绿素含量的精度及稳定性(R2=0.67)都优于其他指数,其线性模型反演绝对误差为2.504,相对误差为6.57%。该研究结果说明高光谱技术是估测菌根作用下大豆叶绿素含量的一种简单、快捷和无损的有效方法,也为未来利用高光谱数据评估微生物对植物生长的促进作用提供理论与方法支持。     

高光谱遥感技术在土壤研究应用中的进展

土壤反射光谱的特性和土壤物理性质之间的关系,为遥感技术在土壤中应用奠定了坚实的物理基础。此外,高光谱遥感技术的迅猛发展为快速、高效提取土壤信息提供了科学的技术手段。针对高光谱在土壤中的应用情况,首先对高光谱遥感的发展历程、特点以及优势进行总结阐述,然后分别总结高光谱遥感在土壤有机质、含水量、重金属及土壤质地等方面中的应用现状,并对其研究方法进行总结分析,最后探讨高光谱遥感技术在土壤研究应用中在研究方法和时间、空间尺度上的不足以及今后高光谱遥感在土壤研究中的发展方向。     

水稻遥感估产的农学机理研究——Ⅱ.农学参数与光谱变量的相关分析

作者在主要农学参数间相关分析的基础上,进行了叶片含氮量、叶绿素含量、叶面积指数与光谱变量的相关分析和综合分析,明确了最佳农学光谱模式及其在各生育期光谱变异中的作用。从而证明通过光谱测定可以推算出叶绿素含量、叶片和稻株含氮量及叶面积指数。     

基于高光谱的琯溪蜜柚叶片磷素含量估算模型研究

蜜柚叶片磷素(phosphorus,P)含量是准确诊断和定量评价生长状况的重要指标,为快速、无损、精确地估测磷素含量,需要建立蜜柚叶片磷素含量高光谱估算模型。基于蜜柚叶片高光谱数据和磷素含量实测数据,提取原始光谱及一阶微分光谱特征波段和光谱特征变量,构建单变量估算模型、偏最小二乘回归模型和BP神经网络回归模型,并确定蜜柚叶片磷素含量最佳估算模型。在350～1 050 nm波段,原始光谱和一阶微分光谱与叶片磷素含量在可见光范围内有多波段相关性显著,并出现多个极值。原始光谱敏感波长为549和718 nm,一阶微分的敏感波长为528、703和591 nm。在建立的回归模型中,选择决定系数较高的模型进行精度检验,其中BP神经网络模型的拟合R²(0.775 9)最大,偏最小二乘估算模型的拟合R²(0.749 9)次之。综合建模精度和模型检验精度,确定BP神经网络模型为蜜柚叶片磷含量的最佳估算模型,建模和验证的R²分别为0.71和0.775 9;其次为偏最小二乘估算模型,建模和验证的R²分别为0.64和0.74...     

不同含水量土壤光谱响应特征分析

[目的]揭示土壤水分对土壤光谱的影响机理,并为其他土壤参数的遥感监测提供理论支持。[方法]以新疆塔里木盆地北缘渭干河—库车河三角洲野外光谱反射数据为研究对象,运用光谱分析法研究土壤水分光谱特征及土壤水分特征波段。[结果]波长740、1 768、1 962、1 450、2 216 nm是土壤水分的吸收带。[结论]土壤光谱反射率比变化主要依赖于土壤含水量状况和波长。在波长较短的部分,土壤反射率随土壤水分变化迅速,而对于波长较长的部分,水分的吸收起显著的作用,反射率变化缓慢。     

毛竹林HJ-1HIS专题信息的响应与识别

受目标地物分布地形影响和高光谱的可达10-2λ的光谱敏感性响应等因素影响,高光谱影像中存在严重的信息重叠现象,增加地物的识别难度。通过分析毛竹林与马尾松、杉木、硬阔、经济林等主要森林类型在HJ-1 HIS影像中的光谱相似性、可分性,确定出可适用于毛竹信息提取的高光谱波段,并比对毛竹专题信息提取精度。结果表明,毛竹与马尾松、杉木、硬阔、经济林4种森林类型的原始光谱曲线规律基本一致,光谱差异较小;光谱变换后,在波长753~765 nm和908~917 nm处,各森林类型间光谱差异明显,毛竹与其他森林类型在第1、2、5、9、10、45、59、60、61、109、110、111、112、113、114、115等波段具有较好的可分性,这些波段可用于毛竹专题信息的提取,所选特征波段组合的图像较原始图像的分类总精度提高12.61%,提取竹林面积共计34 117 hm~2。     

小波分析与光谱学信号处理

本文从小波变换的概念及其应用的基本原理出发，就其在光谱学方面的应用概括为红外光谱、紫外-可见光谱、核磁共振光谱、质谱四个方面的应用作了简要评述。     

基于近地光谱特征的玉米田间杂草识别研究

化学防治是我国农田杂草防治使用较广泛的方法之一,化学除草剂的过量喷洒以及粗略的施用方式已成为农药泛滥、质量安全问题的罪魁祸首。目前,精准施药技术成为杂草去除的重要手段,杂草识别又是精准施药的关键技术。利用ASD FieldSpec 4便携式地物光谱仪,采集玉米、马齿苋、野苋菜及香附植株冠层在350～2 500 nm波段内的光谱信息,经过数据预处理,运用逐步判别模型,筛选出了954、1 324、1 869、734 nm 4个特征波段。将特征波段带入贝叶斯判别函数模型,分别对玉米田间杂草进行预测。结果表明,贝叶斯判别函数模型正确识别率达85.8%;对玉米的识别精度达90.0%。特征波段选取中剔除了波长749 nm选入了734 nm波长变量,在"红边"680～780 nm区域的反射率对玉米田间杂草识别较为重要。试验结果进一步论证了基于贝叶斯判别模型方法的可靠性,且证明了高光谱在杂草的识别方向具有一定的应用价值,该研究结果为田间杂草识别及光谱传感器提供了参考。     

基于高光谱遥感的油松毛虫危害程度监测模型

油松毛虫对人工油松林造成了严重的危害。据统计,辽宁省油松毛虫的发生面积为12万hm2/a,年均直接经济损失340万元。利用遥感技术特别是高光谱遥感大面积及时监测病虫害是今后林业病虫害监测的发展方向之一。高光谱遥感技术可以为植物叶绿素和含水率等生物化学参数的定量化诊断提供简便、有效以及非破坏性的数据采集和处理方法。本研究采用野外便携式光谱仪测定不同失叶率油松的高光谱反射率数据,使用分光光度计室内测定相应叶片的叶绿素含量,采用烘干法测定叶片含水率。通过计算归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)与叶绿素a含量、叶绿素b含量、含水率的相关系数,选择相关系数最高的光谱指数作为核心光谱指数。以核心光谱指数为自变量,失叶率为因变量建立回归模型,采用逐步回归法进行变量筛选,筛选出包含DSI(808,816)、RSI(482,494)、NDSI(881,920)、NDSI(907,919)的光谱指数集作为最佳回归模型的自变量,应用R语言的函数lm()获得最佳回归模型y=1.781 8－3.172 4×NDSI(808,816)－0.960 6×RSI(482,494)－2.196 7×NDSI(881,920)－1.241 9×NDSI(907,919),R2为0.786。模型检验结果显示,最佳回归模型的均方根误差(RMSE)为0.089,相对误差(RE)为11.7%,预测效果良好,表明该模型可用于估算油松失叶程度,有助于对油松的受害情况做出综合分析,提高油松毛虫灾害监测的精度,克服了使用单一叶绿素指标或含水率指标的片面性和局限性。