松花湖水体叶绿素a含量与反射光谱特征关系初探

根据2008年7月在松花湖实测的水体反射光谱及实验室分析得到的叶绿素浓度数据,对松花湖水体反射光谱特征与叶绿素浓度之间的关系进行探讨与分析。研究结果表明:水体叶绿素浓度与各波长点处反射率相关性均较好,并选择700 nm处反射率建立单波段模型。而700 nm和677 nm波长处反射率比值、685 nm处光谱一阶微分、700 nm波长处波峰几何特征具有较好的相关性,给出了松花湖水体叶绿素浓度估算模型,为松花湖水体叶绿素浓度反演监测提供了一定的理论基础与参考。     

太湖水体时间序列叶绿素浓度与反射光谱特征分析

对2008年5月到2009年5月采集的太湖水体反射光谱数据进行了异常数据检测、归一化等预处理后,计算了常用于叶绿素浓度反演的特征参量,包括荧光峰高度、荧光面积、特征波段比值、反射率微分;并分析建立了这些特征参量与对应叶绿素浓度的相关模型。研究表明：荧光面积、特征波段比值等与实测叶绿素浓度具有较好的相关性,而蓝绿光波段反射率比值对内陆水体叶绿素浓度反映不明显。湖泊水体的光学特征能够较好反映蓝藻的不同生长状态,太湖蓝藻随时间变化的规律大致可分为5月～11月,12月～4月两个阶段。本研究结果可为湖泊水体富营养化高光谱遥感监测的波段选择提供参考。     

水稻叶绿素浓度与光谱反射率关系研究

结合田间小区实验,获取了水稻生育期9组叶片叶绿素浓度和相应的光谱反射率数据,进行了相关分析研究,结果表明:水稻叶片叶绿素浓度与其光谱反射率之间具有相关性,在450～686nm和750～770 nm光谱区内相关性较好,且在686 nm处两者达到最高的相关性;水稻叶片的“红边”拐点波长位置与其叶绿素浓度之间具有很强的相关性,复相关系数为0.88,并由此进一步讨论了高光谱遥感定量探测水稻叶绿素浓度的可行性。
     

使用光谱平滑提高浑浊水体叶绿素a浓度估算模型的应用精度

水体叶绿素a浓度估算是水质参数遥感监测的重要内容,由于采样时间和地点的限制,传统估算模型的参数和形式具有较大的时间和空间依赖性。光谱平滑可以突出不同数据集的共同特征,从而增加模型的预测精度,因此考虑使用平滑方法来提高水体叶绿素a浓度估算模型的应用精度。利用太湖2004年夏季和2011年春季共4个月的数据,对比分析了移动平均、多项式平滑和核回归平滑处理前后浑浊水体实测反射光谱的变化,以及该变化对叶绿素a浓度三波段遥感估算模型和模型应用精度的影响。结果表明：核回归平滑处理后的光谱数据建立的三波段模型的残差正态分布更好,估算模型更为稳健。将2004年7月数据建立的模型用于8月数据,估算的叶绿素a浓度的RMSE从平滑前的33.56 mg/m³降低到了平滑后的25.60 mg/m³;将2011年3月建立的模型用于4月数据,估算的叶绿素a浓度的RMSE从平滑前的16.68 mg/m³降低到了平滑后的10.57 mg/m³。由此可以认为,实测光谱的核回归平滑处理有助于提高叶绿素a浓度三波段模型的应用精度,且对于叶绿素a浓度变化较大的夏季数据的改进效果更显著。     

运用分段法反演太湖水体的叶绿素α浓度

为了提高太湖水体叶绿素口浓度的反演精度,本文采用了浓度分段法,将采样点按其浓度分成两类后分别建立统计模型,并在相关性较低的低浓度模型中采用了光谱修正因子OSS/TSS进行混合光谱分解.最后的验证结果显示,利用浓度分段模型估测叶绿素α浓度的均方根误差(RMSE)为21.12 μg/L,R2=0.92;而利用传统经验模型的估测精度为RMSE=35.72μg/L,R2=0.72.表明浓度分段法可以有效地提高内陆富营养化水体的叶绿素反演精度.     

水稻叶片叶绿素含量的光谱反演研究

通过研究不同叶绿素含量的水稻叶片的光谱特性，发现叶绿素含量与光谱特性之间具有明显的相关性，并建立了水稻叶片叶绿素含量的光谱反演模式。研究表明，水稻叶片光谱反射率及其一阶导数的峰值参数与叶绿素含量之间具有很强的相关性，复相关系数均达到0．4以上，经多元线性回归分析显示回归显著，线性相关密切，回归方程的复相关系数为0.63，可作为水稻叶片叶绿素含量反演的方法，并为大面积水稻冠层叶绿素含量遥感监测提供理论依据。     

新庙泡叶绿素a浓度高光谱定量模型研究

利用吉林省新庙泡的高光谱实测数据和水质采样分析数据,尝试通过单波段、波段比值、一阶微分和峰谷间距法建立叶绿素a反演模型。结果表明:单波段光谱反射率与叶绿素a浓度的相关性较差,不宜用于该区域的叶绿素a浓度估算;680 nm和700 nm波段反射率之比、700 nm处光谱一阶微分值和两波段峰谷间距反演模型都具有较高的决定系数,分别为0.783 4、0.792 7、0.796 9,验证模型的决定系数为0.651 3、0.431 7、0.756 4,均方根误差分别为8.69μg·L-1、14.50μg·L-1、10.04μg·L-1,显著水平P<0.01。这3种方法皆可以用于新庙泡叶绿素a浓度的定量遥感,其中又以峰谷间距法为最优。     

运用分段法反演太湖水体的叶绿素a浓度

为了提高太湖水体叶绿素a浓度的反演精度,本文采用了浓度分段法,将采样点按其浓度分成两类后分别建立统计模型,并在相关性较低的低浓度模型中采用了光谱修正园子OSS／TSS进行混合光谱分解。最后的验证结果显示,利用浓度分段模型估测叶绿素a浓度的均方根误差（RMSE）为21．12μg／L,R^2=0．92;而利用传统经验模型的估测精度为RMSE=35．72μg／L,R^2=0．72。表明浓度分段法可以有效地提高内陆富营养化水体的叶绿素反演精度。     

春季太湖叶绿素a浓度的光谱估算与分析评价

2011年3月27日于太湖梅梁湾和湖心区域进行光谱数据采集,同步水质理化分析数据得到叶绿素a浓度区间为4.99μg/L～31.06μg/L。基于较低叶绿素a浓度水平的实测光谱数据及同步的理化分析数据分别采用二波段模型、光谱反射率一阶微分模型、反射峰位置模型、三波段模型和四波段模型对梅梁湾和湖心区域的叶绿素a浓度进行建模遥感估算。5个模型的回归分析结果对应R2分别为0.775,0.811,0.786,0.826和0.846,RMSE分别为4.02μg/L,3.52μg/L,3.82μg/L,3.44μg/L和3.24μg/L。并针对春季较低叶绿素a浓度水平下的光谱估算模型在应用价值和精度方面做了比较评价。     

机载高光谱数据提取冬小麦冠层叶绿素含量的模型分析及验证

遥感提取叶绿素含量的方法是精准农业的重要研究方向之一,但是如何用冠层光谱数据有效地提取叶绿素含量仍然是一个难点。本文用光谱指数TCARI和OSAVI的组合建立提取冬小麦冠层叶绿素含量的关系式,并使用实验田获取的冬小麦冠层光谱以及与之同步的机载高光谱传感器OMIS数据进行了验证。通过误差分析讨论了该方法用于遥感高光谱数据时需要注意的问题,表明大气校正的精度,传感器的信噪比以及波段中心的漂移是模型反演精度的主要制约因素。     

基于反射光谱的PCA及BP神经网络法预测甘蔗叶片叶绿素含量

叶绿素是植物进行光合作用的重要色素,叶绿素含量可以作为评价植物生长状况的重要参数。本研究基于甘蔗叶片的反射光谱,利用PCA及BP神经网络算法,建立了甘蔗叶片的叶绿素含量预测模型。PCA算法可以在尽可能少地丢失有用光谱信息的前提下,降低输入光谱矩阵的维数,最大限度地减少冗余信息。BP神经网络算法因其良好的非线性逼近能力可大大提高该模型的预测精度。研究发现：基于PCA和BP算法建立的叶绿素含量预测模型,其预测值与实测值之间的R2达0.8929,表明该模型具有较高的预测能力。     

Detection of Wheat Stripe Rust Using Solar-induced Chlorophyll Fluorescence and Reflectance Spectral Indices

Detection of wheat stripe rust is important for agriculture management and decision,this paper aims to improve detection accuracy of the disease severity of wheat stripe rust by integrating the advantages of reflectance spectroscopy in the detection of crop biochemical parameters and the advantages of chlorophyll fluorescence in photosynthetic physiology diagnosis.Firstly,the solar-induced chlorophyll fluorescence (SIF) at O₂-A band (760 nm) was calculated using the 3FLD algorithm,and seven spectral indices sensitive to wheat stripe rust were investigated for estimating the disease severity.Then,three classic statistical modelling methods,including Support Vector Machine (SVM),Stepwise Regression (SR) and BP neural network (BP),were used to quantitatively investigated the performance of the spectral indices and SIF for detection of winter wheat stripe rust severity.The results show that:(1) there is a significantly negative correlation between SIF and the severity of wheat stripe rust.The relationship between SIF and DI can be effectively applied to detect wheat stripe rust.(2) the spectral models based on SIF combined with spectral indices are more accurate than those based on spectral indices.SIF can significantly improve the detection accuracy of the disease severity of winter wheat stripe rust.(3) compared to the SVM and SR methods,the training model constructed by the BP neural network has the highest prediction accuracy whether using the spectral indices or SIF combined spectral indices.However,the verification results show that the disease severity prediction model constructed by SVM and SR method have a better prediction.     

高光谱技术提取不同作物叶片类胡萝卜素信息

以棉花、玉米、大豆、甘薯四种作物为材料，各采集叶片30张(处于不同部位、不同功能期)，分别测定其反射光谱和叶绿素、类胡萝卜素含量。目的在于探讨利用高光谱技术提取类胡萝卜素信息的可行性方法。结果表明，由于叶绿素与类胡萝卜素间存在显的相关性，在叶片水平，利用高光谱反射率估测叶片类胡萝卜素绝对量是可行的。与类胡萝卜素／叶绿素比值或类胡萝卜素含量相比，类胡萝卜素密度(单位叶片面积类胡萝卜素总量，Cardens)与光谱反射率间的相关性更为稳定。类胡萝卜素光谱吸收峰(470nm)附近的反射光谱与Cardens间的相关性较差，基于类胡萝卜素吸收峰附近反射光谱的光谱指数(如PSSRc、PSNDc)与Cardens间也表现出较弱的相关性。叶绿素光谱指数(如SR705、ND705)与Cardens间存在良好的相关性，红边光谱区的微分光谱、包络线归一化吸收深度等高光谱指数与Cardens间也表现出了良好的相关性。     

高光谱数据探讨水稻叶片叶绿素含量对叶片及冠层光谱反射特性的影响

为了考察叶绿素含量变化对叶片及冠层反射率的影响,利用PROSPECT模型和FCR模型,模拟叶片叶绿素含量变化(20μg/cm²、22μg/cm²、24μg/cm²、26μg/cm²、28μg/cm²、30μg/cm²)时的叶片反射率和叶面积指数变化(1、3、5)时的冠层反射率。叶片及冠层反射率的变化大小,用同一波段上反射率的标准差来衡量,研究的波段范围为400～940 nm,波段间隔为5 nm。研究发现叶绿素对叶片反射率的影响,在710 nm波长处最大,标准差变化曲线在550 nm、710 nm、795 nm和830 nm处形成4个峰值,对冠层反射率的影响,与叶面积指数大小有关,叶面积指数为1、3、5时,叶绿素对冠层反射率影响最大的波长分别为715 nm、720 nm和725 nm,标准差变化曲线分别在550 nm和715 nm、550 nm和720 nm、550 nm和725 nm形成了两个峰值。
     

基于EXCEL的高光谱影像光谱响应分析

高光谱遥感侧重于从光谱维角度对影像信息进行分析与处理。由于目前高光谱数据的处理技术跟不上数据获取技术,而已有的成熟的多光谱影像处理技术并不适合于处理高光谱数据,因此利用EXCEL软件展开了高光谱影像的地物光谱重建、光谱特征及其相关性分析、光谱微分计算、光谱向量相似性度量和信息提取等研究,并基于PHI（Pushbroom Hyperspectral Imager）航空高光谱影像像元光谱维矢量进行了光谱响应分析,实现信息监测和识别。