基于无人机多光谱影像的矮林芳樟叶片含水率与叶水势反演

叶片含水率和叶水势反映植物组织中水分的状态,是衡量植物水分供应和水分利用效率的重要指标。为探究基于不同高度下无人机多光谱影像反演叶片含水率和叶水势模型的差异,本研究在3个飞行高度处理F30、F60、F100 (30、60、100m)下采集多光谱影像数据,通过使用6种光谱反射率+经验植被指数的组合与地面实测数据进行相关性分析,获得不同飞行高度下的光谱反射率+经验植被指数组合与叶片含水率和叶水势的反演模型及其决定系数,以决定系数为依据分别构建支持向量机（SVM）、随机森林（RF）和径向基神经网络（RBFNN）模型,分析不同飞行高度无人机多光谱影像反演芳樟叶片含水率和叶水势的精度。结果发现：3个飞行高度下,基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30处理对叶片含水率与叶水势反演效果均优于F60和F100处理。F30处理对叶片含水率反演的敏感光谱反射率+植被指数组合为红光波段反射率（R）、红边1波段反射率（RE1）、红边2波段反射率（RE2）、近红外波段反射率（NIR）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）。RF模型训练集的R2、RMSE、MRE分别为0.845、0.548%、0.712%;测试集的R2、RMSE、MRE分别为0.832、0.683%、0897%。对叶水势反演的敏感光谱反射率+植被指数组合为R、RE2、NIR、EVI、SAVI、花青素反射指数（ARI）。RF模型训练集的R2、RMSE、MRE分别为0.814、0.073MPa、3.550%;测试集的R2、RMSE、MRE分别为0.806、0.095MPa、4.250%。研究结果表明飞行高度30m与RF方法分别为反演叶片含水率和叶水势的最优光谱获取高度与最优模型构建方法。本研究可为基于无人机平台的矮林芳樟水分监测提供技术支持,并可为筛选无人机多光谱波段与经验植被指数、实现植物长势参数快速估测提供应用参考。     

基于无人机高光谱遥感的水稻氮营养诊断方法

氮亏缺量能够直接反映作物氮营养缺失程度,快速、大面积获取水稻氮亏缺量信息对实现水稻精准施肥具有重要意义。而现有的研究大都集中于利用无人机遥感监测水稻氮营养情况,对氮亏缺量本身的研究较少。本研究基于无人机高光谱遥感获取冠层光谱数据、通过田间采样获取水稻农学数据,研究东北地区水稻临界氮浓度曲线构建方法,在此基础上确定水稻氮亏缺量;以氮亏缺量约等于0状态下光谱为标准光谱,分别对光谱反射率进行比值、差值、归一化差值变换,通过竞争性自适应重加权采样法对原始光谱反射率与变换后光谱反射率进行特征波长提取,并以二者提取的特征波长为输入变量,氮亏缺量为输出变量,分别构建基于多元线性回归、极限学习机与蝙蝠算法优化极限学习机3种算法的水稻氮亏缺量反演模型。结果表明：基于田间数据构建东北地区水稻临界氮浓度曲线方程系数a、b分别为2.026与-0.460 3,和以往研究基本一致;相比其余变换方法,对水稻冠层光谱进行归一化差值变换与特征波长提取显著提高了冠层光谱反射率与水稻氮亏缺量的相关性,也提高了后续反演模型的反演结果;以归一化差值光谱为输入的蝙蝠算法优化极限学习机反演模型预测效果显著优于其余模型,验证集R     

基于无人机高光谱遥感的冬小麦株高和叶面积指数估算

为了快速、准确地估算叶面积指数（LAI），通过无人机搭载成像高光谱相机，获取了冬小麦3个生育期的影像数据，从中提取出株高（Hcsm）。首先，分析了植被指数、Hcsm与LAI的相关性，挑选出最优植被指数；然后，分别构建了单个参数的LAI线性估算模型；最后，以植被指数、植被指数结合Hcsm为模型输入因子，采用偏最小二乘回归方法构建LAI估算模型。结果表明：通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）；在不同生育期，大部分植被指数和Hcsm均与LAI呈0.01显著相关水平；基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度；以植被指数、植被指数结合Hcsm为输入变量，通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高，并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73，RMSE为0.64）。本研究方法可以提高LAI估算精度，为农业管理者提供参考。     

小开河引黄灌区土壤盐渍化定量遥感反演

近年来黄河下游土地次生盐渍化呈现反复和逐渐加剧的态势,对农业生产和生态安全造成危害。以黄河三角洲小开河引黄灌区为研究区,基于野外实地调查的土壤盐分含量以及Landsat8 OLI多光谱影像,分析土壤样品的光谱曲线特征,利用诊断指数法选取诊断指数较大的波段反射率数据作为自变量,土样盐分数据为因变量,分别采用多元线性回归模型和BP神经网络模型构建土壤含盐量反演模型。结果表明:土壤盐渍化程度越高,影像光谱反射率越低,且在近红外波段反射率最高;BP神经网络模型的反演精度优于传统的多元线性回归模型,其R~2为0.980 8,RMSE为1.059 5,平均相对误差为15.4%,拟合精度较高,能够为灌区盐渍化治理提供基础依据。     

基于无人机-卫星遥感升尺度的土壤盐渍化监测方法

为提高卫星遥感对裸土期土壤盐渍化的监测精度,以河套灌区沙壕渠灌域为研究区域,利用无人机多光谱遥感和GF-1卫星遥感分别获取图像数据,并同步采集土壤表层含盐量;将实测含盐量与无人机和GF-1卫星两种数据的光谱因子进行相关性分析,引入多元线性回归模型（Multivariable linear regression,MLR）、逐步回归模型（Stepwise regression,SR）和岭回归模型（Ridge regression,RR）,分别构建盐渍化监测模型;采用改进的TsHARP尺度转换方法,将无人机数据建立的趋势面应用到GF-1卫星尺度上,经过转换残差校正,对升尺度结果进行定性和定量分析。结果表明：在两种遥感数据的光谱波段和盐分指数中,蓝波段B1、近红外波段B5、盐分指数SI、盐分指数S5和改进的光谱指数NDVI-S1与表层土壤盐分的相关性较好,相关系数均在0.3以上;在3种回归模型中,利用无人机多光谱影像数据和GF-1多光谱影像数据反演表层土壤含盐量的最优模型分别是SRU模型和MLRS模型;升尺度后土壤含盐量的反演精度高于直接采用卫星遥感数据反演的精度。本研究可为裸土期土壤盐渍化的大范围快速精准监测提供参考。     

基于无人机多光谱遥感的土壤含盐量反演模型研究

为探究无人机多光谱遥感技术快速监测植被覆盖下的土壤含盐量问题,以内蒙古河套灌区沙壕渠灌域内4块不同盐分梯度的耕地为研究区域,利用无人机搭载多光谱传感器获取2018年8月遥感影像数据,并对0~40cm〖JP〗的土壤进行盐分测定。分别引入敏感波段组、光谱指数组、全变量组作为模型输入变量,采用支持向量机（Support vector machine,SVM）、BP神经网络（Back propagation neural network,BPNN）、随机森林（Random forest,RF）、多元线性回归（Multiple linear regression, MLR）4种回归方法,建立基于3组输入变量下的土壤盐分反演模型,并进行精度评价,比较不同输入变量、不同回归方法对模型精度的影响,评价并优选出最佳盐分反演模型。结果表明,通过分析3个变量组的R2和RMSE,光谱指数组在4种回归方法中均取得了最佳的反演效果,敏感波段组和全变量组在不同的回归方法中反演效果不同。4种回归方法中,3种机器学习算法反演精度明显高于MLR模型,且MLR模型中的敏感波段组和全变量组均出现了“过拟合”现象,RF算法在3种机器学习算法中表现最优,SVM算法和BPNN算法在基于不同变量组的模型中表现也不相同。基于光谱指数组的RF的盐分反演模型在12个模型中取得了最佳的反演效果,R2c和R2v分别达到了0.72和0.67,RMSEv仅为0.112%。     

基于多源数据融合的盐分遥感反演与季节差异性研究

为提高多光谱盐分遥感反演的精度,利用实测高光谱与多光谱进行数据融合,并分析了不同季节盐分遥感的差异性。以河套灌区永济灌域为研究区域,以实测光谱仪测定的土壤高光谱数据和Landsat-8 OLI多光谱数据为基础,通过光谱变换和多元逐步回归方法筛选特征波段和特征光谱指数,构建了春、秋两季土壤盐分多光谱、高光谱反演模型,并利用特征光谱指数的线性回归构建了高-多光谱数据融合反演模型。结果表明:高光谱的反射率总体比多光谱高36. 83%,春季反射率比秋季平均高23. 78%。利用模型中最优变量-特征光谱指数对多光谱模型与高光谱模型进行融合,高-多光谱融合反演模型训练集和验证集R2平均值分别为0. 651和0. 635,RMSE平均值分别为2. 44 g/kg和2. 49 g/kg,精度明显高于对应的多光谱反演模型,其中训练集、验证集的R2平均值分别提高了36. 19%和35. 64%,RMSE平均值分别降低了34. 28%和41. 72%。春季多光谱、高光谱和融合反演模型的精度均高于秋季,其中训练集R2平均值比秋季模型分别提高了6. 03%、6. 05%和4. 40%,验证集R2平均值分别提高了19. 07%、12. 21%和1. 75%。构建的高-多光谱融合模型反演灌域春秋两季平均盐分含量分别为6. 05、5. 97 g/kg,平均相对误差分别为9. 65%和10. 68%,总体上该区域春季土壤主要为重盐化土,秋季土壤主要为中盐化土。     

基于无人机多光谱遥感的玉米FPAR估算

为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。     

河套灌区土壤水溶性盐基离子高光谱综合反演模型

为了提高野外高光谱反演土壤水溶性盐基离子的精度,以河套灌区永济灌域盐渍化土壤为研究对象,构建了基于光谱变换、特征波段、特征光谱指数筛选以及支持向量机(SVM)的机器学习相结合的高光谱综合反演模型。结果表明,经预处理的原始光谱反射率与土壤离子相关性总体较低,最大相关系数仅为0.18,原始光谱反射率与土壤离子的相关系数由大到小依次为Ca~(2+)、SO_4~(2-)、Mg~(2+)、全盐量、Na~++K~+、Cl~-。全盐量、Na~++K~+、Cl~-、SO_4~(2-)、Ca~(2+)、Mg~(2+)的光谱最优变换形式分别为(1/R)″、(1/R)″、(lnR)'、(lnR)″、R'、(lnR)″,敏感波段(P0.01)数分别为41、7、9、65、76、28个,利用逐步回归法在敏感波段中筛选出特征波段,基于特征波段建立的回归模型中各离子的决定系数R~2平均值为0.35,均方根误差RMSE平均值为0.87 g/kg,其中SO_4~(2-)拟合精度最高,R~2为0.52,Ca~(2+)拟合精度最低,R~2仅为0.20。将特征波段代入光谱指数中,结合逐步回归法确定了Mg~(2+)特征光谱指数为3个,全盐量特征光谱指数为2个,Na~++K~+、SO_4~(2-)、Ca~(2+)特征光谱指数分别为1个,与仅考虑特征波段的回归模型相比,特征波段+特征光谱指数结合后各离子回归模型的R~2平均提高了58.67%,RMSE降低了24.60%,其中SO_4~(2-)拟合精度最高,R~2为0.74,RMSE为0.47 g/kg。考虑了特征波段+特征光谱指数的SVM模型相比仅考虑特征波段的SVM模型,其预测能力有了明显提高,各离子相对分析误差(RPD)平均提高了110.27%,训练集R~2平均提高了37.54%,RMSE平均降低了40.12%,验证集R~2平均提高了56.04%,RMSE平均降低了39.39%。SO_4~(2-)的RPD达到3.000,模拟效果最优,具备很好的预测能力;全盐量模型具有很好的定量预测能力,Mg~(2+)模型可用于评估或相关性方面的预测,Na~++K~+、Ca~(2+)的模型具有区别高低值的能力。     

不同覆膜处理下春玉米叶面积指数高光谱估算

为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数（Leaf area index,LAI）,研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下LAI的高光谱估算模型。结果表明,覆膜对LAI的影响主要在抽雄期之前,相同施肥水平下覆膜与无覆膜处理之间LAI的差异随生育期的推进呈先减小、后增大的趋势,其中苗期差异最大,覆膜比无覆膜处理LAI增加78%以上;各覆膜处理冠层反射率之间的差异由大到小为生育中期、生育末期、生育初期,覆膜主要影响玉米对绿光和红光的吸收。基于3个指标构建各覆膜处理下LAI的估算模型,以特征指数为因变量建立的模型对LAI的反演结果精度较高,其拟合和验证决定系数R2均在0.8以上,均方根误差RMSE为0.45~0.65cm2/cm2,剩余预测偏差RPD均大于2,由于覆膜的影响,无覆膜处理LAI反演精度高于覆膜处理。以特征指数NI(722,731)为自变量建立的所有处理的混合LAI估算模型表现了反演的优越性,能降低覆膜对LAI反演的影响。     

基于无人机高光谱影像的冬小麦全蚀病监测模型研究

冬小麦全蚀病是导致小麦大幅减产甚至绝收的土传检疫性病害。快速、无损地监测冬小麦全蚀病空间分布对其防治具有重要意义。以无人机搭载成像高光谱仪为遥感平台,利用成像高光谱影像结合地面病害调查数据,在田块尺度对冬小麦全蚀病病情指数分布进行空间填图。利用地物光谱仪(ASD)同步获取的高光谱数据评价UHD185光谱数据质量,综合运用统计分析以及遥感反演填图技术,计算光谱指数(Difference spectral index,DSI)、比值光谱指数(Ratio spectral index,RSI)及归一化差值光谱指数(Normalized difference spectral index,NDSI)与病情指数(DI)构建决定系数等势图,筛选最优光谱指数与DI构建线性回归模型,并利用3个光谱指数构建偏最小二乘回归预测模型,以对比模型预测精度与稳健性。最后用独立数据对模型进行检验。结果表明,冬小麦冠层的ASD光谱数据与UHD185光谱数据相关性显著,决定系数R~2达0.97以上,3类光谱指数与DI构建偏最小二乘回归模型,得到模型验证结果(R~2=0.629 2,R_(MSE)=10.2%,M_(AE)=16.6%),其中DSI(R_(818),R_(534))对模型贡献度最高,利用DSI(R_(818),R_(534))与DI构建线性回归模型为y=-6.490 1x+1.461 3(R~2=0.860 5,R_(MSE)=7.3%,M_(AE)=19.1%),且通过独立样本的模型验证精度(R~2=0.76,R_(MSE)=14.9%,M_(AE)=11.7%,n=20)。最后使用该模型对冬小麦进行病情指数反演,制作了冬小麦全蚀病病害空间分布图,本研究结果为无人机高光谱遥感在冬小麦全蚀病的精准监测方面提供了技术支撑,并对未来卫星遥感探索冬小麦全蚀病大面积监测提供了理论基础。     

小麦氮素无损监测仪敏感波长的最佳波段宽度研究

为研究不同核心波长时波段宽度对小麦冠层叶片氮素营养监测精度的影响,以作物氮素营养无损监测仪的最佳光谱指数NDSI(R860,R720)和RSI(R990,R720)为例,分析核心波长的反射率、光谱指数及基于光谱指数的冠层叶片氮积累量监测模型随波段宽度的变化规律.结果显示,随波段宽度的增加,核心波长为720 nm时反射率...     

基于高光谱定量反演模型的污水综合水质评价

为改善高光谱遥感对污水水质信息状况定量反演模型的预测评价效果,以陕西某污水处理厂采集的污水样品为研究对象,采用主成分分析法（Principal component analysis,PCA）对污水水质进行综合评价,获取水质评价的综合评价因子,同时利用ASD FieldSpec 3型高光谱仪获取污水的原始光谱,经过数据预处理和不同数学变换后,共获取了4种光谱指标：平滑后光谱反射率（SG）、倒数之对数（LR）、标准正态化（SNV）和去包络线（CR）。分别采用偏最小二乘回归法（Partial least squares regression,PLSR）、逐步回归法(Stepwise regression,SR)、极限学习机法（Extreme learning machine,ELM）构建了基于水质综合评价因子的高光谱水质反演模型,并对反演结果进行精度验证与比较。结果表明,本组水样的平滑后光谱数据和经过标准正态化变换的光谱数据建模具有较好的建模效果,其建模的预测RPD均在2.5以上;在3种模型中,PLSR模型和ELM模型均具备很好的建模预测效果;逐步回归法的建模效果较PLSR模型和ELM模型有所下降,但是其SG-SR、SNV-SR模型的R2c均在0.8以上、R2p均在0.85以上,RPD均在3.0以上,证明其仍拥有很好的反演预测效果,且进行了特征波段的优选,实现了对模型的优化;SNV-SR-ELM（R2c=0.956,R2p=0.954,RMSE=0.500,RPD=4.651）为最佳模型,SNV-SR-ELM模型的建立为高光谱反演水质模型的优化、污水水质的快速监测和综合评价提供了途径。     

基于无人机偏振遥感的水稻冠层氮素含量反演模型

受水稻冠层几何结构的影响,传统的无人机高光谱获取到的反射光谱信息中包含与水稻内部组成物质无关的镜面反射信息,从而影响水稻氮素含量的反演精度,因此在利用无人机获取水稻冠层反射光谱信息时,有必要考虑通过偏振测量技术去除反射光谱中的镜面反射分量,进而实现提升水稻氮素含量反演精度的目的。基于无人机偏振遥感测量得到的水稻分蘖期多角度偏振光谱数据和与之对应的氮素含量数据,采用植被指数方法分析二者之间的相关性,得到了水稻冠层偏振光谱数据与其对应氮素含量相关性最高时对应的角度,选取该观测角度下的偏振光谱数据,利用连续投影法(Successive projections algorithm, SPA)提取特征波段,在此基础上,基于数学变换的方法,提出了构建植被指数的新思路,构建了由2个波段组成的偏振光谱植被指数(Polarisation spectrum vegetation index, PSVI),并利用线性回归方法建立水稻冠层氮素含量的反演模型。结果表明,通过对不同观测天顶角下水稻冠层偏振光谱数据与氮素含量相关性分析,得到最佳观测角度为-15°(后向观测15°);利用连续投影法提取得到该角度下偏振...     

不同水分条件下棉花冠层含氮量高光谱监测研究

【目的】建立1种适用于不同水分条件的棉田氮肥高光谱监测模型。【方法】通过设置包含灌溉梯度和施氮梯度的大田水肥试验,在生育期内同步测定棉花冠层光谱反射率、冠层含氮量(Canopy nitrogen content, CNC)、冠层等效水厚度(Canopy equivalent water thickness, CEWT)等信息,综合分析棉花冠层含氮量及冠层等效水厚度与光谱指数的相关性,确定最优光谱指数并构建棉花CNC的高光谱监测模型。【结果】冠层光谱与CNC在可见光波段附近出现连续的敏感区域,其中最大相关系数|r|max为0.53,位于718nm;在不考虑CEWT对模型精度影响时,NDSI(800,770)的建模效果最佳(R^2=0.76),但是进入花铃后期其预测精度偏低,出现了低估现象;综合考虑CEWT的影响后,本研究选取NDSI(570,500)作为最优光谱指数,所建模型有效改善了棉花含水率变化而造成模型精度偏低的现象(RRMSE=0.18)。【结论】本研究建立的新型水分钝感光谱指数NDSI(570,500)可以有效提升棉花CNC的估算精度,为高光谱技术在棉田氮肥监测的应用提供技术依据。     

基于时序高光谱和多任务学习的水稻病害早期预测研究

水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析（Principal component analysis, PCA）和随机森林（Random forest, RF）算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆（Long short-term memory, LSTM）网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法（Whale optimization algorithm, WOA）对MTL-LSTM模型进行优化。实验结果表明：PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。     

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究，用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值，提取并计算叶绿素测量区域的叶片平均光谱后，分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长，建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型，建模精度R2C为0.79，验证精度R2V为0.73；基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型，建模精度R2C为0.82，验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量，从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图，最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达，以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。     

基于地面高光谱遥感的大豆产量估算模型研究

为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数：比值指数（Ratio index,RI）、差值指数（Difference index,DI）、归一化光谱指数（Normalized difference vegetation index,NDVI）、土壤调整光谱指数（Soil-adjusted iegetation index,SAVI）、三角光谱指数（Triangular vegetation index,TVI）、改进红边归一光谱指数（Modified normalized difference index,mNDI）和改进红边比值光谱指数（Modified simple ratio,mSR）,使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）和反向神经网络（Back propagation neural network,BPNN）构建大豆产量估算模型并进行验证。结果表明,各生育期（全花期（R2）、全荚期（R4）和鼓粒期（R6））计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。     

基于高光谱成像技术的生菜冠层含水率检测

为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。     

基于光谱分形维数的水稻白叶枯病害监测指数研究

针对缺乏有效监测水稻叶片感染白叶枯病害光谱指数的问题，以分蘖期的水稻叶片为研究对象，采集了接种白叶枯病菌的水稻叶片和对照处理的水稻叶片各200片，利用高光谱成像装置获取373~1033nm波段的水稻叶片光谱数据，选取450~900nm波段的水稻叶片高光谱数据作为样本。从每个样本中选取一个感兴趣区域（Region of interest, ROI）并计算平均光谱，经过Savtzky-Golay平滑处理得到平均光谱曲线；为了定量描述水稻叶片是否感染病害，提出将光谱分形维数(Fractal dimension, FD)作为定量描述水稻白叶枯病害的监测光谱指数，实现对白叶枯病害的监测。通过分析光谱指数(Spectral index, SI)和FD，建立SI和FD之间的多元线性关系，同时比较了FD与其他常用监测指数对白叶枯病害监测的有效性。结果表明：水稻白叶枯病害在绿峰（510~560nm）和红谷（650~690nm）波谱内的响应较为敏感；针对健康和感病叶片，FD与SI之间存在较好的多元线性关系，说明FD与光谱曲线有较好的对应关系，可以作为定量描述叶片健康状况的光谱指数；与常用监测指数相比，本文病害监测指数与水稻染病具有更高的相关性，其相关系数达到了0.9840，指数分布稳定性更高。本研究结果说明基于光谱反射曲线的圆规分形维数对判断水稻叶片是否感染白叶枯病害是可行的，为水稻白叶枯病害的监测提供了一种新方法。