高光谱影像的苹果花叶病叶片花青素定量反演

花叶病是苹果叶片常见的病毒性病害,患病叶片的花青素含量出现异常。以叶片花青素含量作为病害严重程度的定量化指标,使用高光谱成像技术获取感染花叶病的苹果叶片的高光谱图像,分析叶片的光谱特征,通过任意两个波段的反射率的不同数学组合,构建并筛选对染病叶片花青素含量高度敏感的最优光谱指数,进而建立苹果叶片花青素含量的高光谱估算模型,最终实现苹果叶片花青素含量分布状况的可视化表达。结果表明,随着病害严重程度的增大,苹果叶片的花青素含量升高;叶片染病区域的光谱反射率在整个可见光区域明显增加,而且出现了红边蓝移现象。通过两两波段组合构建的三种光谱指数(NDSI_(770,722),RSI_(717,770),DSI_(581,520))与苹果叶片花青素含量的相关系数绝对值均达到0.8以上。在构建的四种苹果叶片花青素含量估算模型中,选用三个光谱指数为参数、并使用偏最小二乘回归方法建立的Anth-PLSR模型精度最高(R2=0.823, RMSE=0.056)。采用Anth-PLSR模型对患病叶片的高光谱图像进行逐像元解算,得到苹果花青素含量分布图。进一步通过叶片花青素含量分布图计算苹果叶片整叶的花青素含量平均值,作为苹果叶片健康程度的定量化指标。此外,通过提取整叶光谱均值、使用同样模型可简洁有效地估算苹果整叶花青素含量平均值。为苹果叶片花叶病病害监测提供了一种直观、快速的技术手段。     

基于光谱信息辅助的污灌区农田土壤镉协同克里格分析

为获取农田土壤重金属精确空间分布信息,以某污灌区52个土壤全量镉、有效镉含量为目标变量,以土壤一阶微分光谱为辅助协同变量,采用协同克里格法,进行空间变异及插值研究。结果表明,土壤反射光谱相对有机质、氧化铁等单一土壤环境变量,能反映更多土壤表面属性信息,与土壤镉含量表现出更高显著相关性;选择其一阶微分光谱作为协同变量,进行Cokriging插值,与普通Kriging和以有机质、氧化铁等协同变量的Cokriging插值结果相比较,估测精度明显提高。以土壤光谱作为辅助变量,能大大提高土壤重金属插值精度,获取更精确空间分布信息,而且相对常用协同变量,具有测定简单、省时、无损等优点,是提高土壤重金属空间插值的理想辅助因子。     

基于光谱分析的果树树种辨识研究

利用冠层光谱反射率数据(R_λ),对处于果实成熟期的七种挂果果树的树种进行了辨识研究。通过光谱数据重采样、植被指数求算等相关数据处理,比较了六种卫星传感器与四种植被指数对果树树种的辨识效能,并在优选数据形式、优化模型参数的基础上,建立了辨识果树树种的BP神经网络模型。主要结论为：(1)六种卫星传感器辨识果树树种的效能由强到弱的排列顺序为：MODIS,ASTER,ETM+,HRG,QUICKBIRD,IKONOS;(2)在四种植被指数中,RVI对果树树种的辨识效能最强,其次是NDVI,SAVI与DVI的辨识效能相对较弱;(3)用MODIS或ETM+传感器的近红外通道与红光通道上的反射率数据,求算的RVI与NDVI对果树树种的辨识效能相对较强;(4)在R_λ及其22种变换数据中,波长间隔设为9 nm的d1[log(1/R_λ)] ,是建立BP神经网络模型的首选数据形式;(5)利用波长间隔设为9 nm的d1[log(1/R_λ)] 这一数据形式,建立了辨识果树树种的3层BP神经网络模型。