1 农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097
3 河南工程学院土木工程学院, 河南 郑州 451191
叶绿素含量(SPAD)是作物长势评价的重要指标, 可以监测农作物的生长状况, 对农业管理至关重要, 因此快速、 准确地估算SPAD具有重要意义。 以冬小麦为研究对象, 利用无人机高光谱获取了拔节期、 挑旗期和开花期的影像数据, 获取植被指数和红边参数, 研究植被指数与红边参数估算SPAD的能力。 先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析, 再基于植被指数、 植被指数结合红边参数, 通过偏最小二乘回归(PLSR)方法估算SPAD, 最后制作SPAD分布图验证模型的有效性。 结果表明, (1)大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平(0.01显著); (2)单个植被指数构建的SPAD估算模型中, LCI表现最好(R2=0.56, RMSE=2.96, NRMSE=8.14%), 红边参数中Dr/Drmin表现最好(R2=0.49, RMSE=3.18, NRMSE=8.76%); (3)基于植被指数结合红边参数构建的SPAD估算模型效果最佳, 优于仅基于植被指数构建的SPAD估算模型, 同时, 随着生育期推移, 两种模型均在开花期达到最高精度, R2分别为0.73和0.78, RMSE分别为2.49和2.22, NRMSE分别为5.57%和4.95%。 因此, 基于植被指数结合红边参数, 并使用PLSR方法可以更好地估算SPAD, 可以为基于无人机遥感的SPAD监测提供一种新的方法, 也可为农业管理提供参考。
冬小麦 叶绿素含量 植被指数 红边参数 偏最小二乘回归 Winter wheat Chlorophyll content Vegetation index Red edge parameter Partial least squares regression 光谱学与光谱分析
2022, 42(11): 3575
1 北京农业智能装备技术研究中心, 北京 100097
2 国家农业智能装备工程技术研究中心, 北京 100097
番茄植株在生长过程中受病虫害的侵染, 将导致番茄减产和种植户的经济效益降低, 该研究用高光谱技术结合化学计量学方法, 实现了番茄叶片斑潜蝇虫害的快速识别。 搭建了简易的高光谱成像系统, 包括光源单元、 高光谱图像采集单元和数据处理单元, 用该系统获取番茄叶片的高光谱图像, 对高光谱图像进行校准, 并从每一幅图像中提取光谱信息。 分别采用了光谱角匹配(SAM)分析方法和光谱红边参数判别分析(DA)方法识别番茄叶片斑潜蝇虫害。 在SAM分析中, 对高光谱数据进行了归一化预处理, 以消除多余信息, 增加样品之间的差异。 比较了以不同番茄叶片样品的反射光谱作为测试光谱时, 虫害识别效果的差异, 当以受到斑潜蝇侵染的番茄叶片的平均反射光谱作为测试光谱时, 虫害识别的正确率较高, 达到96.5%。 在光谱红边参数判别分析中, 从光谱数据中提取了红边位置、 红边振幅、 最小振幅、 红边面积、 红谷位置和红边振幅/最小振幅6组红边信息, 利用判别分析方法建立番茄叶片斑潜蝇虫害的判别模型, 比较了距离判别、 Fisher判别、 Bayes判别分析方法的判别效果, 使用距离判别分析建模的判别正确率最低, 判别正确率为88.0%, 使用Fisher判别分析建模的效果最佳, 判别正确率为96.0%。 研究结果表明, 采用高光谱技术识别番茄叶片斑潜蝇虫害具有可行性。
高光谱技术 番茄 虫害 红边参数 Hyperspectral technology Tomato Pest SAM SAM Red edge parameter DA DA
浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
以油菜叶片为研究对象, 利用高光谱成像技术, 成功建立了叶绿素相对值SPAD值的预测模型。共采集了160个油菜叶片样本在380～1030 nm范围内的高光谱图像。选择500～900 nm之间的平均光谱作为油菜叶片样本的光谱。利用蒙特卡罗最小二乘法(monte carlo partial least squares, MC-PLS)剔除了13个异常样本, 基于剩余的147个样本光谱数据与SPAD测量值进行分析, 采用了不同的方法建立了多种预测模型, 包括: 全光谱的偏最小二乘法(partial least squares, PLS)模型, 连续投影算法(successive projections algorithm, SPA)选择特征波长的PLS预测模型, “红边”位置(λred)的简单经验估测模型, 三种植被指数R710/R760, (R750－R705)/(R750－R705)和R860/(R550*R708)分别建立的简单经验估测模型, 以及基于这三种植被指数的PLS预测模型。建模结果显示, 全光谱的PLS模型预测效果最为精确, 其预测相关系数rp为0.833 9, 预测均方根误差RMSEP为1.52。而使用SPA算法选出的8个特征波长所建立的PLS模型其预测结果可达到与全光谱的PLS模型非常接近的水平, 而且在保证一定精度的条件下减少了大量运算, 节省了运算时间, 大幅提高了建模的速度。而基于红边位置和选择的三种植被指数而建立的简单经验估计模型其预测结果虽与基于全光谱的PLS预测模型有一定差距, 但模型简单、运算量小, 适合用于对精度要求不高的场合, 对后续的便携仪器设备开发有一定的指导作用。
油菜叶片 高光谱成像 红边参数 植被指数 Oilseed rape leaf Hyperspectral imaging SPAD SPAD PLS PLS SPA SPA Red edge parameter Vegetation index
1 农业部农业环境重点实验室, 中国农业科学院农业环境与可持续发展研究所, 北京100081
2 商丘市农林科学院小麦研究所, 河南 商丘476000
3 北京师范大学地表过程与资源生态国家重点实验室, 北京100875
冬小麦受晚霜冻影响的外部症状短期内不明显的特点, 为红边光谱的应用提供了契机。利用田间移动式霜箱和低温室系统分别开展不同温度梯度的霜冻试验, 基于冻后第1天测定的冬小麦冠层光谱数据, 使用最大一阶导数(FD)、 四点线性插值(FPI)、 多项式拟合(POLY)、 倒高斯拟合(IG)和线性外推(LE)等方法分别提取红边参数。通过相关分析、 线性回归建模以及波动分析, 从早期性、 敏感性和稳定性方面对红边参数检测冬小麦晚霜冻的能力进行定量研究。结果表明, LE方法提取的红边位置(REP)与霜冻温度的相关性为极显著(显著性水平达到0.01), 二者相关系数高于其他方法; REP随霜冻温度的降低而呈蓝移现象, 温度越低, 蓝移趋势越明显。FD方法提取的最小振幅(Drmin)和红边振幅与最小振幅比值(Dr/Drmin)对霜冻敏感性的表现最佳, 其次是FD和IG方法提取的红边振幅与红边面积比值(Dr／SDr), 敏感性最差的是LE方法提取的REP。总的来看, FD方法提取的Drmin和Dr／Drmin检测冬小麦晚霜冻的综合能力最强。以上结论可为基于冠层红边特征的冬小麦晚霜冻害早期诊断研究提供依据。
拔节期 霜冻温度 冬小麦冠层 提取方法 红边参数比较 Jointing stage Frost temperature Winter wheat canopy Extraction method Red edge parameter comparison 光谱学与光谱分析
2014, 34(8): 2190
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
