1 山东农业大学资源与环境学院,泰安 271018
2 土肥资源高效利用国家工程实验室,泰安 271018
运用高光谱技术快速无损地估算了苹果叶片的等效水厚度(Equivalent Water Thickness, EWT),为苹果树的长势及干旱预警提供参考。以山东省烟台栖霞市红富士苹果树叶片为试验材料,在测定苹果叶片的光谱反射率和计算叶片EWT的基础上,分析了苹果叶片的EWT、原始光谱的反射率及其13种变换光谱反射率之间的相关性。筛选敏感波长后,建立了苹果叶片EWT的支持向量机定量的估算模型。13种光谱变换中,一阶导数(the First Derivative, FDR)、平方根的一阶导数(the First Derivative of the Square Root, FD(SqrtR))及倒数的对数的一阶导数(the First Derivative of the Logarithm of the Reciprocal, FD[Lg(1/R)])三种变换的相关性较好。确定了估测苹果叶片EWT的敏感波长。基于支持向量机回归分析方法,建立了定量估算叶片EWT的模型,验证集的决定系数R2达到了0.8147,相对分析误差(Relative Percent Deviation, RPD)达到了2.2671。结果表明,该模型具有较高的估测能力,支持向量机回归方法比较适于估算苹果叶片的EWT。该方法为利用高光谱技术定量估算苹果的生长状况提供了技术支撑。
高光谱 等效水厚度 支持向量机 苹果叶片 定量估算 hyper-spectrum equivalent water thickness support vector machine apple leaf quantitative estimation
1 山东农业大学资源与环境学院, 山东 泰安 271018
2 土肥资源高效利用国家工程实验室, 山东 泰安 271018
3 山东农业大学园艺科学与工程学院, 山东 泰安 271018
叶面积指数(leaf area index, LAI)是反映作物群体大小的较好的动态指标。 运用高光谱技术快速、 无损地估测苹果树冠叶面积指数, 为监测苹果树长势和估产提供参考。 以盛果期红富士苹果树为研究对象, 采用ASD地物光谱仪和LAI-2200冠层分析仪, 在山东省烟台栖霞研究区, 连续2年测量了30个果园90棵苹果树冠层光谱反射率及LAI值; 通过相关性分析方法构建并筛选出了最优的植被指数; 利用支持向量机(support vector machine, SVM)与随机森林(random forests, RF)多元回归分析方法构建了LAI估测模型。 新建的GNDVI527, NDVI676, RVI682, FD-NVI656和GRVI517五个植被指数及前人建立的两个植被指数NDVI670和NDVI705与LAI的相关性都达到了极显著水平; 建立的RF回归模型中, 校正集决定系数C-R2和验证集决定系数V-R2为0.920, 0.889, 分别比SVM回归模型提高了0.045和0.033, 校正集均方根误差C-RMSE、 验证集均方根误差V-RMSE为0.249, 0.236, 分别比SVM回归模型降低了0.054和0.058, 校正集相对分析误C-RPD、 验证集相对分析误V-RPD达到了3.363和2.520, 分别比SVM回归模型提高了0.598和0.262, 校正集及验证集的实测值与预测值散点图趋势线的斜率C-S和V-S都接近于1, RF回归模型的估测效果优于SVM。 RF多元回归模型适合盛果期红富士苹果树LAI的估测。
叶面积指数 高光谱 苹果树 支持向量机 随机森林 Leaf area index Hyperspectral Apple tree Support vector machine Random forests
1 山东农业大学资源与环境学院, 山东 泰安 271018
2 土肥资源高效利用国家工程实验室, 山东 泰安 271018
准确、快捷、实时地对苹果树冠层土壤和作物分析仪器开发(SPAD)值进行高光谱估测,对苹果树的长势监测具有重要意义。连续2 年测量了62 个果园的196 棵苹果树冠层光谱反射率及SPAD 值,分析了原始光谱及连续统去除法处理后的光谱与SPAD 的相关性,并对连续统去除法处理后的光谱在350~1300 nm 范围内,计算了任意两波段组合而成的归一化植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)等光谱指数。利用逐步回归和主成分分析法,提取主成分作为自变量,构建了估测SPAD 的支持向量机回归模型,并用第2 年采集的数据进行了验证。新建的3 类植被指数中,与SPAD 相关性最大的植被指数分别为NDVI(406,563)、RVI(406,565)和DVI(646,695),相关系数(r)分别达到了0.677、0.690 和0.711。对支持向量机回归模型进行验证,预测集决定系数(PR2)达到了0.837,预测集相对误差(REP)为1.190%,预测集相对分析误差(RPDP)达到了2.213。连续统去除法及光谱指数均能提高光谱与果树冠层SPAD 的相关性,并且与SPAD 相关性较高的光谱指数是由可见光波段组合而成,支持向量机回归模型对新梢旺长期苹果树冠层SPAD 具有较好的估测能力。
光谱学 叶绿素相对含量 连续统去除法 苹果树 支持向量机 激光与光电子学进展
2016, 53(2): 023001
1 滨州学院/山东省黄河三角洲生态环境重点实验室, 山东 滨州256603
2 山东农业大学资源与环境学院, 山东 泰安271018
3 中国土地勘测规划院国土资源部土地利用重点实验室, 北京100035
4 青岛农业大学资源与环境学院, 山东 青岛266109
利用王水消解—双道原子荧光光谱法测定了山东省苹果主产区栖霞市果园土壤中的As和Hg含量, 验证了检测方法的检出限、 准确度与精密度, 分析了栖霞市果园土壤中重金属As和Hg的空间分布特征, 并对栖霞市果园土壤中As和Hg的污染状况进行评价。 结果表明: 栖霞市果园土壤中As的含量范围为2.79~20.93 mg·kg-1, 平均值为10.59 mg·kg-1, 而Hg的含量范围为0.01~0.79 mg·kg-1, 平均值为0.12 mg·kg-1。 As元素在土壤中变异较小, 而Hg元素在土壤中变异较大。 频数分布图显示, 土壤中As元素含量基本符合正态分布, 含量大多在7~15 mg·kg-1之间, 土壤中Hg元素含量不符合正态分布, 含量大多在0.03~ 0.21 mg·kg-1之间。 土壤As和Hg含量与土壤各养分指标之间的相关性均不显著, 且土壤中As和Hg两种元素之间亦无显著的相关关系。 以国家绿色食品产地环境质量标准为评价依据, 栖霞市果园土壤As含量处于无污染的清洁水平, 而土壤Hg的污染指数大于1的样点占总数的4.76%, 需要引起管理者的注意。
As和Hg 果园土壤 空间分布 污染评价 原子荧光光谱 As and Hg Orchard soil Spatial distribution Pollution evaluation Atomic fluorescence spectrometry
山东农业大学资源与环境学院, 土肥资源高效利用国家工程实验室, 山东 泰安271018
叶绿素含量是反映植物生长状况的重要参数。 利用ASD FieldSpec 3光谱仪, 测定春梢停止生长期苹果冠层高光谱反射率, 对原始光谱进行微分变换, 与苹果叶绿素含量进行相关分析确定敏感波段, 通过分析敏感区域400~1 350 nm范围内所有两波段组合的植被指数, 选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。 结果表明: (1)苹果冠层叶绿素含量的敏感波段区域为400~1 350 nm。 (2)利用筛选得到的植被指数CCI(D794/D763)构建的估测模型能较好的估测苹果冠层叶绿素含量。 (3)以CCI(D794/D763)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。 因此, 利用高光谱技术能够较快速、 精确的对苹果冠层叶绿素含量进行定量化反演, 为苹果长势的遥感监测提供理论依据。
苹果 冠层光谱 叶绿素含量 植被指数 估测模型 Apple tree Canopy spectral Chlorophyll content Vegetation index Estimating model 光谱学与光谱分析
2013, 33(8): 2203
1 山东农业大学资源与环境学院, 山东 泰安 271018
2 山东农业大学园艺科学与工程学院, 山东 泰安 271018
3 山东农业大学农业生态与环境重点实验室, 山东 泰安 271018
4 山东农业大学信息科学与工程学院, 山东 泰安 271018
依据2008年和2009年2年在栖霞试验区利用地物光谱仪ASD FieldSpec3测定的苹果花期冠层高光谱和实验室内测定的钾素含量数据, 以冠层高光谱反射率及其11变换形式与钾素含量分别进行相关分析, 以相关系数最大者为自变量, 采用模糊识别算法, 建立钾素含量估测模型; 以2008年的检验样本对模型进行检验, 并利用2009的独立试验数据对模型进行验证。 结果表明, 原始光谱反射率(R)及其倒数(1/R)、 对数(lgR)、 平方根(R1/2)与钾素含量的相关性较差, 但它们的一阶微分和二阶微分与钾素含量之间的相关性明显增强; 建立的钾素含量估测模型=11.344 5h+1.309 7的相关系数r为0.985 1, 总均方根差RMSE为0.355 7, F统计量为3 085.6; 24个检验样本实测值与估测值的平均相对误差为9.8%, 估测精度为90.2%; 2009年试验验证精度达到了83.3%。 表明模型用于苹果花期冠层钾素含量的估测具有较高的稳定性, 模型精度能满足生产上对苹果钾素含量估测的要求。
模糊识别 苹果花期 冠层高光谱 钾素含量 估测 Fuzzy recognition Apple florescence Canony hyperspectrum Kalium content Estimating 光谱学与光谱分析
2013, 33(4): 1023
山东农业大学资源与环境学院,山东 泰安 271018
利用高光谱技术估测了苹果树冠层的磷素含量。先用ASD Field Spec 3型地物光谱仪测定了春梢停止生长期苹果树冠层的高光谱反射率,并对光 谱数据进行了多种变换处理。然后对其与磷素含量进行了相关分析,找出了与磷素相关性较显著的光谱参量,并通过逐步回归分析建立了磷素估测模型。结果表明,近红外波 段是苹果树冠层磷素的敏感波段;808 nm、921 nm、1195 nm、1272 nm及其组合的归一化红外光谱指数与苹果树冠层磷素高度相关。在构建的估测模型中, 以808 nm、921 nm、1195 nm、1272 nm及其组合的归一化红外光谱指数为自变量构建的高光谱估测模型的估测效果最佳。该研究实现了苹 果树冠层磷素含量的快速估测,同时也为苹果的实时营养诊断提供了理论依据。
高光谱遥感 苹果树冠层 磷素含量 估测模型 hyperspectral remote sensing apple tree canopy phosphorus content estimating model
山东农业大学资源与环境学院, 山东 泰安271018
叶片叶绿素含量是评估果树长势和产量的重要参数, 实现快速、 无损、 精确的叶绿素含量估测具有重要意义。 本研究以山东农业大学苹果园为试验区, 采用高光谱分析技术探索苹果树叶片叶绿素含量的估测方法。 通过分析叶片高光谱曲线特征, 对原始光谱分别进行一阶微分、 红边位置以及叶面叶绿素指数(LCI)变换, 分别将其与叶绿素含量进行相关分析及回归分析, 建立叶绿素含量估测模型并进行检验, 从中筛选出精度最高的模型。 结果显示, 以LCI为变量的估测模型以及以一阶微分521和523 nm组合为变量的估测模型拟合精度最高, 决定系数R2分别为0.845和0.839, 均方根误差RMSE分别为2.961和2.719, 相对误差RE%分别为4.71%和4.70%。 因此LCI及一阶微分是估测苹果树叶片叶绿素含量的重要指标。 该模型对指导苹果树栽培生产具有积极意义。
苹果树叶片 叶绿素 高光谱 估测模型 Apple leaves Chlorophyll Hyperspectral Estimation model 光谱学与光谱分析
2012, 32(5): 1367
1 山东农业大学资源与环境学院,山东 泰安 271018
2 山东农业大学农业生态与环境重点实验室,山东 泰安 271018
3 山东农业大学园艺科学与工程学院,山东 泰安 271018
用FieldSpec 3地物光谱仪和SPAD-502叶绿素计测定了不同物候期红富士 苹果叶片的高光谱反射率和SPAD值。研究结果表明,不同物候期苹果叶片的反射光谱波形曲线的变化规律基 本相似。从苹果花期开始,叶片SPAD值逐渐增加,至秋梢停止生长期达到最高峰,之后开始下降。苹果 叶片的高光谱红边位置λr 、红边斜率Dr 、红边面积Sr 与SPAD值之间均达到了显 著与极显著相关,但以红边位置参数λr 与叶片SPAD值之间的相关性最为显著。以不同 物候期苹果叶片的高光谱红边参数λr 作为自变量建立的叶片SPAD值经验估测模型与基于偏最小二乘法建 立的不同物候期苹果叶片SPAD值校正模型,均以秋梢停止生长期的估测效果最佳。两个模型的检验精度分别 为94.2 %和96.7 %。相比较而言,基于偏最小二乘法建立的SPAD值估测模型的精确度较高。
高光谱红边参数 苹果叶片 SPAD值 估测 hyperspectral red edge parameter apple leaf SPAD value estimation
1 山东农业大学资源与环境学院, 山东 泰安 271018
2 山东农业大学农业生态与环境重点实验室, 山东 泰安 271018
3 山东省农业科学院,山东 济南 250100
4 烟台市农业局,山东 烟台 264000
用光谱分析技术手段探索了苹果花钾素含量的估测方法。先对苹果花的原始光谱反射率(Ri ) 及其8种光谱变换形式(-1.5mmR′i、R″i、1/Ri 、(1/Ri )'、lg(1/Ri )、(lg(1/Ri ))'、 lgRi 、(lgRi )'-1mm)与钾素含量进行相关分析,找出与钾素含量相关性较显著的光谱形式;然后,采用逐 步回归分析方法,筛选敏感波长与光谱参数,建立钾素含量估测模型;进而对模型进行优选和检验,确定最佳估测 模型。结果表明,苹果花光谱反射率的一阶微分R′i与钾素含量的相关性最显著;以筛选出的敏感波长669nm和 1442nm的一阶微分建立的估测模型具有较好的线性趋势;经检验,其拟合方程的R2为0.6955,RMSE为2.7, RE%为4.6。这表明该模型对苹果花钾素含量的估测具有较好的准确度,可作为最佳估测模型。该研究为快速估测苹果花营 养元素含量提供了理论依据与参考。
光谱分析 苹果花 钾素含量 估测 spectral analysis apple flower kalium content estimation