不同生育期倒伏胁迫下玉米叶面积指数高光谱响应解析

为研究倒伏胁迫下不同生育期LAI高光谱响应模型,提高LAI高光谱响应模型精度,获取不同生育期倒伏玉米LAI与冠层光谱反射率,采用6种传统变换方式对高光谱反射率进行处理,构建不同生育期倒伏玉米LAI分期与统一响应模型。研究结果表明：LAI能够直接反映玉米受倒伏胁迫程度及自身恢复能力;传统光谱变换有利于提高光谱同LAI的敏感性及模型响应精度;不同生育期倒伏玉米LAI分期响应模型优于统一响应模型。该结果可有效诊断倒伏胁迫下的玉米叶面积指数,为实现不同生育期倒伏玉米长势精确监测提供理论依据和技术支撑,对玉米倒伏胁迫灾情监测可提供必要的先验知识。     

不同生育期倒伏胁迫下玉米叶面积指数高光谱响应解析

为研究倒伏胁迫下不同生育期LAI高光谱响应模型，提高LAI高光谱响应模型精度，获取不同生育期倒伏玉米LAI与冠层光谱反射率，采用6种传统变换方式对高光谱反射率进行处理，构建不同生育期倒伏玉米LAI分期与统一响应模型。研究结果表明：LAI能够直接反映玉米受倒伏胁迫程度及自身恢复能力；传统光谱变换有利于提高光谱同LAI的敏感性及模型响应精度；不同生育期倒伏玉米LAI分期响应模型优于统一响应模型。该结果可有效诊断倒伏胁迫下的玉米叶面积指数，为实现不同生育期倒伏玉米长势精确监测提供理论依据和技术支撑，对玉米倒伏胁迫灾情监测可提供必要的先验知识。     

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。     

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。     

大豆叶面积的高光谱模型

以ASD FieldSpec-Vnir光谱仪实测不同生长季大豆的冠层反射率,同期采集对应大豆LAI,然后逐波段分析冠层光谱反射率、导数光谱与大豆LAI的相关关系;并采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI确定性系数随波长的变化趋势,建立了以近红外与可见光波段冠层光谱反射率的比值植被指数RVI与大豆LAI的高光谱遥感估算模型。结果表明,冠层光谱反射率在350￣680nm、760￣1050nm波谱区与大豆LAI相关性较大,而在红边区680￣760nm的相关性变化较大;导数光谱在红边区与大豆LAI相关程度高。通RVI方式建立的遥感估算模型能较为准确估算大豆LAI,通过对红外与蓝波段建立的RVI指数与大豆LAI的回归模型,表明其预测大豆LAI的能力较好,有进一步研究的必要;通过对比发现,神经网络模型可以大大提升高光谱反演大豆LAI的水平,模型的确定系数R2为0.9661,而总均方根误差RMSE仅为0.446m2.m-2。     

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。     

吐鲁番盆地葡萄园土壤重金属铅含量高光谱估算

土壤重金属铅污染作为现代工矿业发展的产物,已逐渐入侵到农业生产和农产品中。高光谱技术由于具有宏观、快速、高效的特点已成为土壤重金属监测的重要手段。以新疆吐鲁番盆地葡萄园土壤Pb元素为研究对象,分析土壤原始光谱在内的15种光谱变换下的土壤光谱反射率数据与土壤Pb含量的关系,构建土壤Pb含量偏最小二乘回归（PLSR）模型和地理加权重回归（GWR）模型,对比分析并探讨运用土壤高光谱估算葡萄园土壤Pb含量的可行性。结果表明：土壤原始光谱反射率通过光谱变换能有效增强葡萄园土壤Pb元素的光谱特征及模型估算精度,其中,平方根二阶微分（SRSD）变换的PLSR模型和GWR模型估算能力最优。采用GWR模型比PLSR模型更好的解释葡萄园土壤重金属Pb含量高光谱估算。从模型稳定性和精确性来看,在平方根二阶微分变换中GWR模型R²从PLSR模型的0.262提高至0.866, 平方根误差减少了1.009。采用GWR模型可有效提高估算葡萄园土壤Pb含量的精度,为中国葡萄园基地土壤重金属污染以及土壤环境安全研究提供有益借鉴。     

基于面向对象的多源卫星遥感影像玉米倒伏面积提取

风灾引起的玉米倒伏可能导致玉米大量减产,利用遥感技术准确监测玉米倒伏面积与空间分布信息对灾情的评估非常重要。利用Planet和Sentinel-2影像分别结合面向对象与基于像元方法提取研究区玉米倒伏,同时评估了不同影像特征（光谱特征、植被指数和纹理特征）与不同分类方法（支持向量机法SVM、随机森林法RF和最大似然法MLC）对玉米倒伏提取精度的影响。结果表明：①使用高空间分辨率的Planet影像进行玉米倒伏提取的精度普遍高于Sentinel-2影像;②从分类精度和面积精度来看,Planet影像的光谱特征+植被指数+均值特征结合面向对象RF分类,总体精度和Kappa系数分别为93.77%和0.87,面积的平均误差最低为4.76%;③采用Planet和Sentinel-2影像结合面向对象分类提取玉米倒伏精度高于基于像元分类。研究不仅分析了面向对象方法的优势,还评估了使用不用影像数据结合面向对象方法的适用性,可以为遥感提取作物倒伏相关研究提供一定的借鉴。     

基于BP神经网络的夏玉米多生育期叶面积指数反演研究

叶面积指数（Leaf Area Index,LAI）是生物地球化学循环中重要的植被结构参数。针对目前基于我国GF-1 WFV卫星影像的夏玉米多生育期LAI反演研究较少的问题,基于不同隐含层构建BP神经网络模型（BP1模型和BP2模型）,对比分析BP1模型、BP2模型和6种统计模型（NDVI、RVI、DVI、EVI、SAVI、ARVI）反演之间的精度差异,并根据实测数据绘制BP1模型和BP2模型的夏玉米多生育期LAI动态变化图。结果表明:LAI与6种常用的统计模型均有良好相关性,其中NDVI指数方程式回归模型拟合度最优;BP神经网络模型整体R ²略小于统计模型,而RMSE则小于统计模型,取得了与实测值差异更小的结果,统计模型与BP神经网络模型各有优劣之处;BP2模型在R ²和RMSE均优于BP1模型,能获得更为精确的反演值,BP2整体预测精度更高;基于BP神经网络模拟夏玉米生育期反演,LAI值呈现缓慢升高—快速增长—逐渐减小的S型变化过程,基本符合作物生长规律。该研究结合不同隐含层建立的BP神经网络模型,为GF-1卫星在作物叶面积指数多生育期反演的应用推广提供了方法支撑。     

东北主要绿化树种叶面积指数(LAI)高光谱估算模型研究

以东北主要绿化树种为研究对象,分别在长春市南湖公园和长春公园获取了共240组树冠高光谱反射率及相应的LAI数据。对数据进行相关分析,以确定反演LAI的敏感波段,而后分别运用6种植被指数、神经网络以及小波分析等3种方法进行估算。研究结果表明,3种方法估算树冠LAI都取得了较好的效果:①与RVI、NDVI相比,由DVI、RDVI、MSAVI、TVI等植被指数建立的估算模型可以提高LAI的估算精度;②神经网络在拟合光谱反射率与树冠LAI关系时明显优于植被指数法(R2达0.850);③小波能量系数与LAI相关性较好,单变量回归分析R2可达0.683,部分小波能量系数估算LAI的精度优于植被指数法,并且验证R2也较高,说明其稳定性较好,多元变量回归分析能够实现各小波能量系数间的优势互补,R2可达0.794。     

不同施氮水平下的小麦冠层光谱特征及产量分析

分析了在不同氮肥施用水平下,小麦冠层的高光谱响应在几个生育期内的变化情况,以及它们与小麦产量之间的关系。采用微分技术处理了小麦冠层反射光谱,提高了其区分小麦氮素营养水平的灵敏性;利用F-检验及方差分析与相关分析,研究小麦氮素处理水平、冠层反射光谱及其衍生信息(光谱反射率的一阶微分数据、归一化植被指数)、小麦产量三者之间的相关关系。研究结果表明,一阶微分技术能够提高小麦冠层光谱数据对氮素营养水平的响应,光谱数据的衍生形式也可与小麦产量建立很好的回归方程。     

全球典型植被叶片光谱特征及其对LAI反演的影响分析

在全球范围长时间序列LAI遥感产品反演算法中,植被冠层反射率模型仅使用少量叶片光谱特征代表全球植被全年的典型植被光谱特征,叶片光谱的不确定性导致LAI遥感产品存在一定的误差。目前全球已经构建了多个典型植被叶片波谱数据集,这些数据集包含多个植被物种、不同空间地域及多时相叶片光谱数据,为定量分析叶片光谱特征提供了数据支持。主要利用LOPEX’93、ANGERS’03、中国典型地物波谱数据库和野外实测的叶片光谱数据,以黄边参数、红边参数和叶片光谱指数作为分析指标,探讨不同植被物种、不同气候区和不同物候期的叶片光谱特征差异,及其对植被冠层反射率、LAI反演的影响,为发展考虑现实叶片光谱差异的LAI反演算法提供研究基础。结果表明:植被叶片光谱存在多样性,叶片光谱特征差异主要影响MODIS传感器近红外波段和绿波段反射率值,其中,绿波段反射率值对叶片光谱变化最为敏感;在LAI反演算法中,如果只考虑植被类型而不考虑物种叶片光谱差异,可能会给LAI反演带来大于3的误差。     

加工番茄早疫病病叶色素含量高光谱估测

早疫病对加工番茄的产量和品质有较为严重的影响。通过测定不同生育期自然发病的加工番茄早疫病病叶色素含量,把病片原始光谱反射率、一阶微分光谱反射率的光谱特征参数与相应病叶色素含量进行相关分析,采用线性和非线性单变量回归技术,建立色素含量估测模型并检验。研究结果表明:在传统的光谱特征参数和新建光谱特征参数中,R680、CCII、PSSR、PSNDc、FD664、DVI[FD686,FD664]为色素含量敏感光谱特征参数;R680、CCII、DVI[FD686,FD664]的线性单变量估测精度比较高;R680为变量的对数模型是估测Chl.a的最佳模型,DVI[FD686,FD664]为变量的对数模型是估测Chl.b和Chl.a+b的最佳模型。通过光谱响应特征对加工番茄早疫病病叶色素含量进行监测,能够为加工番茄早疫病监测预警和防治提供决策依据。     

基于吉林一号光谱星影像的农作物叶面积指数反演

吉林一号光谱星的发射提高了我国对地观测能力，并且在农业定量反演方面具有较大的潜力，为了准确、有效地反演农作物关键参数，分析吉林一号光谱星影像的反演能力具有重要意义。以内蒙古乌拉特前旗、正蓝旗、科尔沁右翼前旗的农田为研究区，基于吉林一号光谱星影像，使用优化后的PROSAIL模型和曲线匹配算法，对不同物候期内的玉米和水稻叶面积指数(LAI)进行了反演，并结合实测LAI数据进行了精度验证。结果表明：优化后的PROSAIL模型其参数范围和参数步长更适用于农作物LAI反演，在保证精度的前提下精简了查找表的容量；基于特征值的曲线匹配算法在空间分布高度一致、误差绝对值均值为0.41的情况下，计算效率平均提高了41.43%；研究区不同物候期内的玉米和水稻LAI反演精度R²为0.72～0.9,RMSE为0.32～0.49。其中，玉米开花期精度最高(R²=0.9,RMSE=0.4)，玉米成熟期精度最低(R²=0.72,RMSE=0.47)。综上所述，基于吉林一号光谱星影像反演农作物LAI具有精度高、误差小的特点，研究结果可为该数据在农作物L...     

基于日光诱导叶绿素荧光与反射率光谱的小麦条锈病探测研究

综合利用反射率光谱在作物生化参数探测的优势和叶绿素荧光在光合生理诊断的优势,开展了日光诱导叶绿素荧光(SIF)和反射率光谱指数协同的小麦条锈病光谱探测研究,以期提高小麦条锈病病情严重度的预测精度。利用O_2-A波段(760 nm)的SIF信号和对小麦条锈病病情严重度敏感的7种反射率光谱指数,基于支持向量机(SVM)、逐步回归(SR)以及神经网络(BP)算法,定量分析了反射率光谱指数和反射率光谱指数与SIF协同的小麦条锈病病情严重度(DI)光谱探测模型的预测精度。结果表明:①SIF与小麦条锈病病情严重度之间存在极显著的负相关关系,SIF与DI间的响应能有效地应用于小麦条锈病的遥感探测;②SIF结合反射率光谱指数的小麦条锈病病情严重度光谱模型探测精度均高于反射率光谱指数模型,SIF能够显著提高小麦条锈病病情严重度的光谱探测精度;③无论是利用反射率光谱指数还是SIF结合反射率光谱指数作为小麦条锈病病情严重度预测模型的输入参数,训练模型以BP模型的预测精度最高,但验证结果表明SVM与SR方法构建的病情严重度预测模型效果较优。     

新疆棉花LAI和叶绿素密度的高光谱估算研究

利用非成像高光谱仪,对棉花(2品种4水平种植密度)冠层5个关键生育时期进行光谱测定,分析棉花反射光谱及微分光谱生育期的变化规律,并对棉花冠层叶面积指数(LAI)、叶绿素密度(CH.D)与光谱数据进行回归分析,结果表明,用归一化差值植被指数(NDVI)与LAI建立的对数模型能够较好地估测棉花冠层的LAI(r=0.9123**,n=20);近红外729 nm波段处一阶微分光谱数值与CH.D高度相关(r=0.9372**,n=20),用此波段建立的CH.D估算模型,精度达84.3%,标准差为0.234g.m-2,RMSE=0.1569。研究表明,可以用高光谱数据对新疆棉花冠层LAI和CH.D进行遥感估算。     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index, LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detec-tion and Ranging, LiDAR） 和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest, RF） 回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m²,研究发现最高的点密度（420 points/m²）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获得的LAI反演精度（PLSR：R²=0.874,RMSE=0.317;RF：R²=0.942,RMSE=0.222）高于基于植被指数获得的LAI反演精度（PLSR： R²=0.741,RMSE=0.454;RF：R²=0.861,RMSE=0.338）,而使用组合变量构建预测模型的反演精度（PLSR：R²=0.885, RMSE=0.304;RF：R²=0.950,RMSE=0.203）优于使用单一变量建立的LAI预测模型,其中利用联合LiDAR变量和植被指数建立的随机森林回归模型为最优预测模型。因此,将两种数据源融合在提高植被LAI反演精度方面具有一定的潜力。     

基于偏最小二乘的土壤重金属铜含量高光谱估算

为探究高光谱数据估算土壤重金属铜含量的可行性,以石家庄市水源保护区褐土为研究对象,对不同光谱变换数据与重金属铜含量做了相关分析,建立了土壤重金属铜的单光谱变换指标偏最小二乘模型和多光谱变换指标偏最小二乘模型。结果表明:光谱反射率(R)经倒数一阶微分(RTFD)变换后与铜含量的相关性有所提高;光谱敏感波段为418、427、435、446、490、673、1 909、1 920和2 221 nm,基本位于土壤氧化铁、粘土矿物的特征吸收区域;对土壤重金属铜含量估算效果最好的单光谱变换指标偏最小二乘模型为RTFD模型,其模型决定系数(R2)为0.649,均方根误差(RMSE)为1.477;多光谱变换指标偏最小二乘模型R2和RMSE分别为0.751和1.162,建模效果优于单光谱变换指标模型。研究结果可为北方地区褐土类型土壤重金属铜的高光谱估算提供借鉴。     

中医面诊中面部肤色特征基函数确定

为满足中医面诊中对面色精确描述的要求,用光谱反射率来表述颜色.基于有限维模型,面部的光谱反射率可以用一组基函数的线性组合表示.因此可采用少量的图像通道数据求解像素位置基函数系数,复原面部各像素点的光谱反射率.而基函数的确定是光谱反射率复原的基础,针对面部肤色的特点,基于标准色系及真实肤色研究了不同面部光谱反射率样本集条件下,确定的面部光谱反射率基函数对复原精度的影响,并确定了适用于面部光谱反射率复原的优选样本集及基函数组合.结果表明,优选样本集使用较少的基函数就可以达到良好的复原效果,将为基于中医面诊光谱反射率复原提供依据,进而促进中医面诊的客观化发展.