玉米叶片花青素相对含量高光谱遥感反演

针对传统植物叶片色素测量存在的问题,提出了一种采用高光谱遥感技术反演玉米叶片花青素相对含量的方法。以含花青素的玉米叶片为对象,获取玉米叶片的花青素相对含量及高光谱反射率,分析350～1 000nm波段范围内玉米叶片的反射光谱特征,建立基于敏感波段、已有光谱指数、新光谱指数的玉米叶片花青素相对含量反演模型,并进行分析、比较。结果表明,玉米叶片花青素相对含量的敏感波段为548nm;新光谱指数为521和698nm组成的比值指数(RI(521,698))、554和704nm组成的差值指数(DI(554,704))、557和701nm组成的归一化指数(NI(557,701))。基于RI(521,698)建立的一元线性和一元二次模型及DI(554,704)建立的一元二次模型的拟合R2均大于0.78,预测R2均大于或等于0.73,RMSE小于0.12,是进行玉米叶片花青素相对含量高光谱遥感反演的最优模型,说明在一定的精度范围内,新光谱指数具有无损反演玉米叶片花青素相对含量的潜力。     

光谱数据变换对玉米氮素含量反演精度的影响

通过对玉米叶片光谱数据进行6种变换,分析了变换后的光谱值与叶片氮素含量的相关关系,探讨了550 nm和680 nm两波段处不同形式光谱变量对氮素含量反演的精度。结果表明,微分处理(D(R)、D(log(R))和D(N(R)))显著改变了氮素含量与光谱值的相关性,归一化(N(R))次之,对数处理几乎无变化(R与log(R),N(R)与log(N(R)))。不同的变换形式之间,与氮素含量相关性高的,所建立的回归模型的决定系数较高,模型的精度也较高。在波段550 nm和680 nm波段处,光谱数据的归一化对数处理(log(N(R)))能显著提高回归模型对氮素含量的反演精度。     

水稻叶片氮含量反演偏最小二乘模型设计

针对高光谱偏最小二乘模型(PLSR)反演作物氮含量时易出现数据冗余和模型复杂的问题,尝试结合波段深度分析和遗传算法(GA)建立水稻氮含量PLSR反演模型。基于去包络线处理的水稻高光谱数据(350nm~750nm),选取波段深度(BD)、波段深度比(BDR)、归一化面积波段深度(BNA)和归一化面积波段指数(NBDI)4种波段深度指数分别建立BDA-PLSR模型,进而采用遗传算法波段选择选取最适宜波段深度指数建立GA-PLSR模型,并将GA-PLSR模型与BDA-PLSR模型进行对比。结果显示,基于BNA的GA-PLSR模型在反演水稻氮含量中获得了最佳的结果(Adj.R2=0.67,RMSEP=0.20,RPD=1.84)。研究证明,利用波段深度分析建立的PLSR模型能一定程度上解决数据冗余问题,进一步采用遗传算法进行波段选择能更有效挖掘光谱信息,提高模型精度。     

玉米叶面积指数与高光谱植被指数关系研究

探讨以不同的植被指数建立的高光谱模型对玉米叶面积指数LAI的反演精度。实测不同水肥耦合作用下，玉米冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，采用高光谱红光波段（631~760 nm）与近红外波段（760~1 074 nm）逐波段构建NDVI、RVI、DVI、TSAVI、PVI植被指数，分别找出与LAI具有最佳相关性波段组合的植被指数，建立玉米LAI估算模型。结果显示，与LAI具有佳相关性的波段组合分别是NDVI（R760，R990）、RVI（R760，R1001）、DVI（R677，R1070）、TSAVI（R 760，R 975）、PVI（R658，R966），它们反演玉米LAI的确定性系数分别：R²>0.72、R²>0.74、R²＝0.95、R²>0.79、R²>0.95。结果表明，在玉米的整个生长季的47个样本中，通过PVI和DVI方式建立的遥感估算模型能够较为准确地估算玉米LAI，TSAVI次之，NDVI、RVI稍差。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数(Leaf Area Index,LAI)对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数(Vegetation Index,VI),利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R~2为0.44～0.58;RMSE为0.16～0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R636))相比其他反演模型预测精度较高(R~2=0.58,RMSE=0.16);6种植被指数与LAI高度相关,相关性系数R2为0.85～0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R~2为0.66～0.72,RMSE为0.12～0.14;其中mNDVI构建的LAI估算模型(LAI=exp(2.76～1.77/mNDVI))精度最高(R~2=0.72,RMSE=0.13)。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

苹果叶片氮含量高光谱反演方法对比

快速、无损、及时地准确估算苹果叶片氮含量是保证苹果产量和质量的基础,利用高光谱技术对苹果叶片氮含量进行遥感反演可为合理施肥提供理论依据。利用2012年和2013年山东省肥城市潮泉镇下寨村不同生育期的苹果叶片氮含量和相应的叶片光谱数据进行分析和建模。首先分析了叶片氮含量与原始光谱、一阶微分及三边光谱指数之间的相关性,筛选出对叶片氮含量敏感的光谱指数;构建了对叶片氮含量敏感的光谱指数NDSI和RSI;最后利用筛选的敏感光谱指数及构建的NDSI和RSI光谱指数,结合灰色关联分析（GRA）-偏最小二乘（PLS）方法及袋外数据重要性（OOB）-随机森林（RF）方法对叶片氮含量进行反演。结果表明：①叶片氮含量与原始光谱、一阶微分光谱之间的敏感波段分别为553、711 、527、708 和559 nm;构建的对叶片氮含量敏感的光谱指数分别为NDSI_{（567,615）}和RSI_{（554,615）};叶片氮含量对三边光谱指数之间相关性最好的光谱指数是SDy。②建模和验证结果表明用OOB-RF建立的苹果叶片氮含量估算模型具有较好的精度和可靠性,可以用来指导果树变量施肥,为监测氮素营养状况提供一种新的方法。     

PLS算法在病叶色素含量遥感监测中的应用

植被病叶色素含量的变化在光谱上会有响应,因此通过光谱测度的方法可以对植被病叶色素含量进行反演,从而能够对作物病害进行即时监测。偏最小二乘法(PLS)的成分提取不仅是对光谱反射率信息的概括,也是对色素含量信息的解释,同时成分提取可以避免变量之间的多重相关性,减少信息冗余。本文通过对加工番茄细菌性斑点病病叶色素含量和光谱反射率的测定,对400nm～800nm的原始光谱进行一阶微分、二阶微分、反对数光谱变换。利用色素含量在原始光谱、一阶、二阶和反对数光谱的敏感波段建立归一化指数,采用多波段PLS算法对色素含量进行归一化指数估测并检验。结果表明,新建归一化指数组成的PLS模型对色素Chl.a、Chl.b、Cars含量的估测精度高于传统的归一化指数,R2都大于0.8,RMSE小于0.05。该模型的应用对加工番茄细菌性斑点病有更强的监测能力。     

水稻叶片氮含量反演偏最小二乘模型设计

针对高光谱偏最小二乘模型（PLSR）反演作物氮含量时易出现数据冗余和模型复杂的问题,尝试结合波段深度分析和遗传算法（GA）建立水稻氮含量PLSR反演模型。基于去包络线处理的水稻高光谱数据（350nm～750nm）,选取波段深度（BD）、波段深度比（BDR）、归一化面积波段深度（BNA）和归一化面积波段指数（NBDI）4种波段深度指数分别建立BDA PLSR模型,进而采用遗传算法波段选择选取最适宜波段深度指数建立GA PLSR模型,并将GA PLSR模型与BDA PLSR模型进行对比。结果显示,基于BNA的GA PLSR模型在反演水稻氮含量中获得了最佳的结果（Adj.R2=0.67,RMSEP=0.20,RPD=1.84）。研究证明,利用波段深度分析建立的PLSR模型能一定程度上解决数据冗余问题,进一步采用遗传算法进行波段选择能更有效挖掘光谱信息,提高模型精度。     

植被叶片含水量反演的精度及敏感性

针对利用多源遥感数据监测旱情变化需要研究波段宽差异对指数的影响,而目前缺乏相关对比研究这一问题,该文基于叶片辐射传输模型,选用已广泛应用的光谱指数(包括植被指数与植被水分指数),通过对比研究筛选出反演精度高、对叶片含水量变化敏感、受波段宽变化影响小(适合应用于多源遥感数据)的指数。结果显示,植被指数与植被水分指数反演叶片含水量精度均较高(确定系数:0.983,0.917)。但植被水分指数对叶片含水量变化敏感而对波段宽的变化不敏感,植被指数对叶片含水量变化不敏感且受波段宽变化的影响大。因此,在利用多源传感器数据估算叶片含水量时应选用植被水分指数。在所选植被水分指数中,对叶片含水量变化最敏感同时对波段宽的变化最不敏感指数为归一化差异红外指数(Normalized Difference Infrared Index,NDII)与全球植被湿度指数(Global Vegetation Water Moisture Index,GVMI)。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数（Vegetation Index,VI）,利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58;RMSE为0.16~0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58,RMSE=0.16）;6种植被指数与LAI高度相关,相关性系数R ²为0.85~0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R2为0.66~0.72,RMSE为0.12~0.14;其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72,RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R ²为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。     

珠海一号高光谱遥感的表层土壤有机质含量反演方法

表层土壤有机质含量影响土壤光谱特性且在空间分布上呈异质性。采用光谱分辨率高、波段连续性强的高光谱遥感影像反演区域表层土壤有机质空间分布状况,可为精准农业提供科学管理依据。针对以往方法很少基于高光谱影像大尺度反演土壤表层有机质含量,以安徽省淮南市舜耕山以南的三和镇、曹庵镇为研究区,探索珠海一号高光谱遥感反演表层土壤有机质含量的方法。研究结果表明,研究区表层土壤有机质含量与珠海一号高光谱影像原始光谱反射率最大相关波段为656nm(r=-0.680);采用小波包分解原始光谱后,低频分量和高频分量与表层土壤有机质的最大相关性均有所提高,低频分量最大相关波段为656nm(r=-0.797),高频分量最大相关波段为700nm(r=-0.804)。采用多元线性回归对原始光谱、小波包分解低频分量、小波包分解高频分量建立土壤有机质预测模型取得了良好的效果,R2分别为0.747、0.770、0.789。依据小波包分解的低频分量、小波包分解的高频分量建立的基于高斯核变换的支持向量回归模型预测效果优于多元线性回归模型,预测值与实测值更接近。研究结果为开展大尺度遥感反演表层土壤有机质工作提供了新方法、新思路。     

丹江口库区土壤镍含量高光谱反演方法

为探讨土壤高光谱法反演土壤重金属含量的可行性,以丹江口库区具有代表性的55个土壤样品为研究对象,应用高光谱技术对研究区土壤镍含量进行反演方法研究。对土壤的原始光谱数据,进行6种形式的微分变换。按最大正相关性和最小负相关性共筛选了12维光谱特征,利用随机森林回归(random forest regression,RFR)和极限梯度提升树回归(extreme gradient boosting regression,XGBR)建立了土壤镍含量的高光谱反演模型。分析结果表明:土壤镍含量反演的最优波段主要出现在1 686nm、2 238nm和2 254nm处;基于波段特征的XGBR模型稳定性和拟合精度总体优于RFR模型,稳定性系数R~2高达0.93,均方根误差为样本镍含量均值的10.1%,拟合精度较高。文章最后利用土壤高光谱数据,采用XGBR模型对丹江口库区土壤镍含量进行了有效估测。     

基于高光谱的土壤重金属铜的反演研究

为探讨高光谱遥感反演红壤重金属铜含量的可行性,研究采集了34个红壤性土壤样品,通过对350~2 500 nm波段范围光谱曲线进行测试和分析,建立了不同的土壤光谱变量与重金属铜含量多元回归关系模型,分析了土壤重金属铜与土壤化学组分以及土壤特征光谱的关系。结果表明,土壤重金属铜含量与土壤全铁和镁含量显著相关,而与土壤有机质的相关性不显著,表明红壤性土壤粘土矿物对土壤铜含量影响较大;与重金属铜含量相关性较好的波段在830 nm、1 000 nm和2 250 nm附近,且一阶微分模型精度(79%)高于反射率模型(66.26%)和倒数对数模型(67%)的精度。因此,一阶微分高光谱反演模型具有较好的快速估算土壤中重金属铜含量的潜力。     

水稻叶片含水量的高光谱遥感估算

针对高光谱估算不同品种水稻叶片含水量模型精度较低和参数复杂的问题,采集了20个品种、4个关键生长期(拔节-孕穗、孕穗-抽穗、抽穗-灌浆、灌浆-成熟)的水稻叶片高光谱和含水量数据,利用15种常见的植被指数反演水稻叶片含水量,建模效果均不够理想;利用叶片含水量敏感波段的反射率、光谱一阶导数构建归一化植被指数、比值植被指数和差值植被指数进一步探究,结果表明,利用一阶导数构建的差值植被指数DDV(R1 833,R2 236)建模精度和预测效果最佳,建模决定系数为0.72,验证决定系数为0.81,相对分析误差为2.29,可以有效估计不同品种水稻4个生长期的叶片含水量。     

土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率研究

高光谱数据以其高光谱分辨率和多而连续的光谱波段为预测土壤重金属污染提供了有力工具,但波段选择方法与光谱分辨率的影响不容忽视。利用实验室测定的181个土壤光谱样本数据,利用逐步回归法进行土壤Cu含量反演的波段选择,进而利用偏最小二乘方回归PLSR方法建模,分析了波段数对Cu含量反演的影响;此外,采用高斯响应函数重采样方法,探讨了光谱分辨率降低对反演精度的影响。实验表明,预测重金属元素Cu含量的最佳波段数为10个,模型可决系数R2=0.7523,拟合均方根误差RMSE=0.4699;预测Cu含量的最佳光谱采样间隔为32 nm,R2=0.7028,RMSE=0.5147。该结果可能为将来设计低廉实用的高光谱卫星传感器提供指标论证,为模拟卫星传感器波段预测土壤重金属含量提供理论依据。     

云南个旧矿区土壤锌污染遥感反演研究

土壤重金属锌污染作为现代工矿业发展的产物,已逐渐入侵到人类日常的生产和生活中,危害人们的身心健康。传统的重金属监测方法在面对大规模土壤环境监测时费时费力。遥感技术由于具有宏观、快速、高效的特点已成为新时代环境监测的重要工具。以云南个旧矿区为典型区,通过野外土壤样品采集、光谱与Zn元素测量,提出了乘积变换的波段变换方法以增强Zn元素与光谱敏感波段之间的相关性,应用其建立了Zn含量最优预测模型并基于ASTER影像开展了污染制图。研究表明:(1)Zn元素的最大相关波段是B515波段,该波段处于闪锌矿、红锌矿、菱锌矿等含锌矿物的吸收峰附近,是反演土壤锌元素的重要波段;(2)光谱乘积变换在突出Zn元素敏感波段的同时,最大程度地保留了土壤原有的敏感波段信息;(3)研究区土壤锌含量的高光谱反演模型中,偏最小二乘法建立的模型精度最高(建模精度R=0.90,验证精度R=0.70);(4)基于ASTER影像的反演结果表明了土壤Zn元素污染与矿业活动的显著相关性(制图验证精度R=0.694)。研究结果可以为遥感定量反演重金属含量,以及大规模的环境污染监测提供研究基础与技术支持。     

基于Hyperion影像的射阳河口无机氮磷浓度反演研究

利用射阳河口实测光谱及模拟Hyperion光谱数据与表层水体无机氮磷营养盐浓度进行相关性分析,以及氮磷与悬沙浓度的光谱相关性分析,构建定量模型,实现了射阳河口水体无机氮磷浓度的定量反演。结果表明:现场实测光谱反射率与氮、磷浓度以及悬沙浓度间的相关性具有很强的相似性,相关系数曲线的变化趋势几乎完全一致。对Hyperion的各波段与896nm间进行了9种波段组合与氮磷浓度进行相关性分析,相关系数最大的因子为中心波长为428nm波段与896nm波段光谱反射率的归一化差值指数因子(F3(428,896)),分别为0.80与0.79。以F3(428,896)因子构建线性模型,模型检验的相对RMSE分别为36.63%和47.33%,反映了模型具有良好的预测精度。同时,模型充分显示了河口氮磷含量与悬沙浓度的高度相关性以及氮磷含量本身的高相关性。     

不同森林植被的高光谱特征分析

“生态水(层)”富水特征特殊,各信息指标参数难以用常规方法进行量化和反演,高光谱遥感由于其波段多、光谱信息丰富的优点为生态水(层)各信息指标参数的量化反演提供有效的数据源及方法。利用高光谱遥感技术进行植被分析时,其光谱特征的分析和敏感波段提取非常重要。针对“生态水”信息指标植被参数有关量化反演需要,对研究区部分典型植被叶片进行了光谱采集,利用微分方法对光谱数据进行处理,分析了不同植被叶片光谱的原始、一阶微分和二阶微分光谱曲线,从中提取差异大的波段区分不同植被。同时,采用距离统计分析方法对所选择的不同波段进行有效性验证。研究结果表明:虽然3种方法提取的波段有差异,但存在共同点;选择的光谱特征波段可有效地区分不同植被,在近红外波段尤为明显,分别是1 814~1 823 nm,1 874~1 883 nm和1 890~1 899 nm附近。     

秋季太湖叶绿素a浓度荧光反演研究

基于2007年11~12月太湖全湖实测水质参数和光谱数据,首先利用高斯方程对遥感反射率进行过滤分解,找出叶绿素a(chl\|a)吸收峰675 nm以后的荧光反射峰(Fluorescence Peak:FP),再以662 nm处的反射率为基准,采用归一化荧光高度法进行叶绿素a浓度(C chl-a)反演,得到chl-a反演模型。基于高斯分解获取的chl-a的荧光反射峰值R(FP)与662 nm处的反射率R (662)比值［R(FP)/R(662)］与C chl-a之间存在显著的相关性,该模型为秋季太湖水体C chl-a的最佳反演模型。在高悬浮泥沙条件下,该模型能够较好地表示出叶绿素荧光高度与叶绿素浓度之间的关系,为C chl-a反演提供新的方法和依据,并为传感器敏感波段的选取和设置提供参考。