对水稻稻瘟病病害程度的定量预测是精准防控的关键, 田间冠层尺度的研究可为高光谱传感器提供理论基础。 以受穗颈瘟胁迫的水稻为研究对象, 采用SVC HR768i型光谱辐射仪在大田中获取灌浆期两个不同时间段的水稻冠层光谱反射率, 以水稻发病株数百分比作为病害严重程度指标。 冠层光谱数据采用九点平滑预处理, 并重采样为1 nm间隔, 计算植被指数; 经过去包络线和一阶导数光谱变换, 提取高光谱特征参数。 分析不同时间段的光谱变换、 植被指数、 高光谱特征参数与病害程度的相关关系, 构建基于植被指数、 高光谱特征参数的穗颈瘟病害程度随机森林预测模型, 并对比分析两个单时期预测模型异同, 优选共用输入量, 构建出两时期混合数据的病害程度预测模型。 结果表明: （1）原始光谱曲线经去包络线处理可有效增强与病害程度相关的光谱信息, 近红外波段（960～1 050和1 150～1 280 nm）的相关系数在0.80以上; （2）高光谱特征参数与病害程度相关性分析中, 去包络线吸收谷参数相关系数高于其他参数, 吸收谷V3（910～1 100 nm）、 吸收谷V4（1 100～1 300 nm）中面积（A3和A4）、 深度（DP3和DP4）、 斜率（SL4和SR4）的相关系数在0.74以上; （3）去包络线吸收谷参数结合随机森林模型预测穗颈瘟病害程度在单时期及两时期混合数据中均表现最好。 灌浆期后期数据预测效果最佳, 验证集决定系数R2=0.91, 均方根误差RMSE=0.02; （4）两时期混合数据预测精度处于两个单时期预测精度之间, 验证集决定系数R2=0.85、 均方根误差RMSE=0.03。 研究成果揭示了灌浆期不同时间段水稻穗颈瘟光谱响应机制, 表明去包络线吸收谷参数结合随机森林模型预测稻瘟病的实用性, 可为田间水稻穗颈瘟病害程度进行快速、 精确、 无损地定量预测, 为精准施药提供理论依据, 并对未来航空、 航天遥感的病害监测提供一定的技术支持。

叶绿素是植被光合作用的重要色素, 传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。 通过构建高精度SPAD光谱估算模型, 可以实现对水稻叶片叶绿素含量的实时无损监测。 以黑龙江省不同施氮水平下水稻为研究对象, 采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。 光谱探测范围350~2 500 nm。 利用自带光源型手持叶片光谱探测器直接测定叶片光谱, 光源为内置卤素灯。 采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。 叶片水分是植物光合作用的基本原料, 也间接影响着叶绿素含量。 叶片含水量降低则会影响植物正常的光合作用, 导致其叶绿素含量随之降低。 因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。 随机森林模型是一个基于多个分类树的算法。 算法在采样的过程中包括两个完全随机的过程, 一是有放回抽样, 可能会得到重复的样本, 二是选取自变量是随机的。 因此本文对叶片光谱反射率进行去包络线(CR)处理, 综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数, 综合分析光谱指标与SPAD相关关系, 采用随机森林算法构建不同输入量的SPAD高光谱估算模型。 结果表明: (1)水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围(600～690 nm)、红边范围(720~760 nm)、水分吸收波段范围(1 400~1 490和1 900~1 980 nm)均为0.75以上; (2)在光谱参数与SPAD 的相关分析中, NDVI, DP2与水稻叶片SPAD值相关性最好, 相关系数为0.811和0.808; (3)以结合水分光谱信息后的CR(V1, V2, V3, V4)为自变量所建立的随机森林模型精度最高, R2为0.715, RMSE为2.646, 可作为水稻叶片叶绿素预测模型。 研究结果揭示了不同品种水稻的光谱响应机制, 提供了水稻叶片SPAD值高精度反演的技术方法, 为监测与调控东北地区水稻正常生育进程提供技术支持。

土壤反射光谱综合反映了土壤的理化性质和内部结构, 高光谱遥感已被用于基于土壤反射光谱特性的土壤分类。 已有研究一般利用土壤反射光谱一阶微分主成分作为输入量进行光谱分类模型构建, 但主成分数据缺乏物理意义, 且缺乏对比性、 适用范围也有限。 与反射率一阶微分数据相比, 基于去包络线提取具有明确物理意义的特征参数, 能够提高土壤分类的精度, 并寻找到一种高精度土壤分类模型。 选取吉林省农安县的四种典型土壤(风砂土、 草甸土、 黑土、 黑钙土), 将采集后的土壤样本进行风干、 研磨、 过2 mm筛处理, 采用ASD FiledSpec3便携式光谱仪对处理后的土壤样本的可见光近红外光谱区进行测试, 从而获得土壤样本的光谱数据。 对光谱数据进行九点平滑、 10 nm重采样处理进行降噪, 将处理后的数据分别进行一阶微分主成分以及去包络线处理。 利用土壤样本的去包络线提取光谱特征参数。 以一阶微分主成分数据和光谱特征参数为输入量分别代入Logistic聚类模型(LR)、 人工神经网络聚类模型(ANN)、 K-均值聚类模型(K-means)。 首先明确了不同土类之间的反射光谱曲线、 去包络线的差异大小, 以及相同土壤的反射率曲线、 去包络线进行土壤分类的优劣, 并且在去包络线的基础上提取能够区分不同土类的光谱特征参数; 其次, 比较一阶微分主成分与光谱特征参数作为输入量时, 三种光谱分类模型精度差异并分析不同模型精度差异的原因。 结果表明: (1)四种土壤的反射光谱曲线差异较小, 去包络线可以极大的增强四种土壤在430～1 210 nm之间的光谱差异, 并在去包络线的基础上构建具有明确物理意义的光谱特征参数。 (2)将一阶微分主成分和光谱特征参数分别代入三种聚类模型可知, 以光谱特征参数为输入量的土壤光谱分类模型均超过了以一阶微分主成分为输入量的模型精度, 由于光谱特征参数保留了原数据的物理意义、 更准确的体现了不同土壤类型之间的差异性, 而一阶微分主成分数据带有一定的模糊性不同范围之间缺乏对比性, 在土壤分类中以光谱特征参数作为输入量更具有优势。 (3)在三类土壤分类模型中, LR的分类精度最高为76.67%, Kappa系数为0.56; ANN的分类精度中等为72.50%, Kappa系数为0.48; K-means的分类精度最低, 只有65.00%, Kappa系数为0.33。 研究成果可为土壤精细制图、 以及土壤分类仪器的研制提供技术支持。

尽管纯矿物的反射光谱特征分析与数据库建设工作已经开展, 但土壤中各原生矿物、 粘土矿物的测试主要是定性的, 即能测定土壤中含有何种矿物, 但难以测定准确的矿物组分含量。 土壤矿物是土壤学与地质学的交叉点, 易被忽视, 特别是已有研究忽略了土壤矿物对土壤反射光谱曲线的影响。 探讨了土壤矿物在可见光-近红外光谱部分(400~2 500 nm)对土壤反射光谱特征的影响, 明确影响土壤反射光谱特征的主要机理。 土壤样本于2014年采集于松嫩平原黑龙江部分, 包括4个土类和7个土属, 共54个土壤样本。 土壤样本通过研磨、 过筛后, 在室内暗室中测得反射光谱数据, 土壤矿物的反射光谱数据在2017美国地质调查局(USGS)最新矿物光谱库Spectral Library Version 7中获得, 对反射光谱数据进行九点平滑、 10 nm重采样和去包络线处理。 土壤矿物含量测试采用荷兰Philip X’ Pert Pro 型X射线衍射仪分析样品的矿物组成, 测试了土壤中石英、 长石、 方解石和闪石等原生矿物和蒙脱石、 伊利石和高岭石等粘土矿物的含量。 首先分析7个土属的反射光谱特征, 明确每个土属反射光谱曲线的形状特征和吸收位置, 其次分析土属的矿物含量情况, 找出不同土属各矿物含量的共性和差异; 再次分析不同粘土矿物和原生矿物的反射光谱特征, 确定不同土壤矿物反射光谱曲线的形状特征和特征吸收的位置; 最后将不同土属的反射光谱特征、 不同土属的矿物含量情况和土壤矿物的反射光谱特征结合, 得到如下结论: (1)土壤矿物决定了土壤反射光谱的骨架特征, 土壤矿物对土属的反射光谱影响最明显, 由于土类存在多种反射光谱特征, 土壤矿物对土类的影响不明显。 (2)粘土矿物对土壤反射光谱特征的影响大于原生矿物, 主要受蒙脱石和伊利石等粘土矿物的影响, 但砂性土受部分原生矿物的影响, 主要是长石类矿物和高岭石的影响。 (3)蒙脱石和伊利石分别决定土壤反射光谱的第一个吸收谷和第二个吸收谷特征, 高岭石决定1 400和1 900 nm前的两个小吸收谷特征, 钾长石和钠长石决定了砂性土的前两个吸收谷特征。 (4)蒙脱石含量足够高时, 会完全掩盖高岭石和长石类的反射光谱特征, 部分掩盖伊利石的反射光谱特征; 随着蒙脱石含量降低, 伊利石的反射光谱特征逐渐体现; 蒙脱石和伊利石的含量降到很低时, 高岭石和长石类矿物的反射光谱特征逐渐体现出来。 研究结果揭示了不同土属反射光谱特征差异的原因, 可以为土壤反射光谱分类、 土壤精细制图和基于高光谱图像的矿物分布研究等提供理论依据。