受大田环境的影响, 田间采集的冬小麦冠层光谱内含有大量与目标信息无关的噪声, 这制约了高光谱数据对冬小麦植株信息的估测能力。 为制约噪声信息对光谱信息的影响, 探寻提升光谱对冬小麦植株水分供给信息估测能力的方法, 通过野外地面实验获取大田冬小麦高光谱数据及其叶片含水量信息, 采用离散小波算法处理分析高光谱数据, 结合相关性分析算法、 偏最小二乘算珐, 定量分析5类小波基对离散小波算法分离光谱信息的影响规律, 离散小波算法在分离可用光谱信息与噪声中的普适规律及小波基对信息分离的影响进行探讨, 从而为田间光谱数据的处理与分析提供理论与方法支撑。 结果表明: (1)与冬小麦含水量敏感的波段多分布于D1-D5尺度, 且敏感波段在各小波基内的分布区间相对一致, 但波段位置与相关强度均存在一定差异, 这表明小波基的选择能影响高频信息与冬小麦叶片含水量的相关强度与波段位置。 (2)可用的光谱信息与噪声信息均随分解尺度的增加而呈先升后降的规律, 噪声信息对高频信息估测能力的干扰强度随尺度的增加而降低, 高频信息对冬小麦叶片含水量的估测能力随尺度的增加而降低。 (3)模型的精度与稳定性是可用光谱信息与噪声信息综合作用的结果, 其中基于meyer小波基的D5尺度构建的估测模型为最优模型, 其建模精度的R2=0.625、 RMSE=1.562, 验证精度的R2=0.767、 RMSE=1.828。 本研究的结论可为基于离散小波算法的光谱处理与分析提供指导, 并为受噪声影响较重的光谱信息的处理与分析提供一定参考, 同时也可为我国西南、 南部等全年水汽含量较高区域内或北方夏季作物叶片含水量的检测提供基础支撑。

叶片含水量（leaf water content, LWC）的快速监测对于作物的干旱诊断和灌溉决策至关重要。 以叶片、 冠层两个尺度, 原始、 一阶导数两种光谱处理形式的高光谱数据为基础, 采用两波段植被指数如归一化差分（normalized difference spectral index, NDSI）和比值光谱指数（ratio spectral index, RSI）, 偏最小二乘回归（partial least squares regression, PLSR）和竞争自适应重加权采样-偏最小二乘回归（competitive adaptive reweighted sampling-partial least squares regression, CARS-PLSR）三种方法对叶片含水量进行建模分析, 以确定最佳冬小麦叶片含水量预测模型。 结果表明: 三种方法中, 基于叶片一阶导数光谱的CARS-PLSR模型对LWC的预测效果最好, LWC的预测值与实测值高度重合（R2=0.969, RMSE=0.164, RRMSE=6.00%）。 相同条件下, 三种方法的叶片光谱模型对LWC的预测效果均优于冠层光谱模型。 在两波段指数模型以及PLSR模型中, 原始光谱模型对LWC的预测效果优于一阶导数光谱模型, 而在CARS-PLSR模型中结果相反。 在两波段指数模型中, RSI比NDSI具有更高的估算精度。 研究表明, 通过竞争自适应重加权采样方法提取敏感波段后所建立的偏最小二乘回归预测模型, 无论是预测精度还是建模精度, 与两波段指数和偏最小二乘回归模型相比都有了显著提高, 该方法可为精准快速地监测冬小麦旱情以及灌溉决策提供参考。

为了探索分数阶微分在高光谱估算小麦叶片含水量上的可行性,在农田尺度上,利用春小麦野外光谱数据与实测叶片含水量数据,以0.2阶为步长,计算光谱0~2阶微分,并分析其与小麦叶片含水量的相关性,再利用连续投影算法(SPA)从通过0.01水平显著性检验的波段中筛选出估算叶片含水量的最佳波段组合,并建立估算春小麦叶片含水量的反射传播(BP)神经网络模型。结果表明:分数阶微分可以细化小麦叶片含水量与光谱数据相关性的变化趋势;分数阶微分处理后,相关系数通过0.01水平显著性检验的波段数量呈现先增后减的趋势,在不同的波段范围内,分数阶微分的最佳阶数也有所不同;SPA筛选出的敏感波段基本上集中在红光、近红外波段范围内,1.2阶微分后水分敏感波段数最多,达到13个;所建立的模型中,基于1.8阶微分建立的6-4-1结构的BP神经网络模型为最佳模型,其建模组均方根误差为0.701,决定系数为0.751,验证组的均方根误差为0.227,决定系数为0.917,相对分析误差为3.253,说明了分数阶微分后的模型稳定性和预测能力较整数阶微分得到明显的提升,可为高光谱定量反演春小麦叶片含水量提供参考。

利用高光谱植被指数反演植被水分含量时, 快速、 准确的找到实测光谱数据与植被水分相关性最高的植被指数是研究的重点。 在农田尺度上, 以春小麦野外光谱数据与叶片含水量的定量关系为基础, 通过灰色关联度分析, 筛选出与叶片含水量灰色关联度较高的5种典型的水分植被指数, 并建立了估算春小麦叶片含水量(LWC)的偏最小二乘回归(PLSR)模型和BP神经网络(back propagation artificial neural networks, BP ANN)模型。 结果表明: (1)光谱一阶导数可以有效去除噪声影响并突出光谱特征信息, 尤其是在750～830, 1 000～1 060和2 056～2 155 nm等区间明显提高了与LWC的相关性。 (2)灰色关联法能够较好的表征各水分植被指数与叶片含水量间的关联性, 其中基于原始光谱建立的前5个水分植被指数都是两波段比值植被指数, 基于光谱一阶导数建立的水分植被指数基本上都是两波段归一化差值植被指数。 (3)所建立的两种模型中, 基于光谱一阶导数建立的PLSR和BP神经网络模型R2分别为0.80和0.81, 稳定性基本相同且都较好; 两种模型RMSE都是0.55, RPD分别为2.01和1.41, 说明PLSR模型的预测精度比BP神经网络模型高。 从模型的验证效果来看, PLSR模型在估算春小麦叶片含水量方面有一定的优势, 为高光谱定量反演春小麦叶片含水量提供一定的参考。

叶片含水量是影响树种光谱特征的一个重要因素,探索不同叶片含水量条件下相同树种叶片光谱特征的变化规律及相同叶片含水量条件下不同树种叶片的光谱差异,不仅是高光谱植被遥感信息识别的关键,也为研究植被光谱随着叶片含水量变化产生的差异提供理论支撑.利用地物光谱仪对6个树种叶片进行观测,获取了不同含水量叶片的反射光谱,同时进行一阶微分光谱变换,从而分析不同叶片含水量条件下各树种叶片的光谱变化特征,对比了相同叶片含水量条件下不同树种叶片的光谱差异,探索高光谱遥感识别树种叶片含水量的可能波段.结果表明:各树种叶片光谱都随着叶片含水量的改变而产生较大差异,但变化规律各有不同;相同叶片含水量条件下,不同树种叶片的光谱在部分波长范围差异较大,为实现树种高精度识别提供了可能.本研究旨在为植被叶片光谱库的构建以及植被的高光谱识别提供理论支撑和基础数据。

基于MODIS光谱反射信息的干旱指数在农业生产实践中有广泛的应用.利用PROSAIL模型和山东2010年的观测数据,研究了植被叶面积指数和生理生长周期等结构特征对MODIS光谱干旱指数的影响.结果表明,MODIS近红外与短波红外三个波段的反射率随植被叶片含水量变化明显,由他们构建的五种MODIS光谱干旱指数能够监测植被叶片水分含量.然而,各干旱指数均受叶面积指数(LAI)的影响,在LAI较低时影响较为严重,随着LAI的增大,这一影响逐渐减弱;植被生理生长周期也会影响干旱指数的大小.因此,在使用MODIS光谱干旱指数进行区域干旱监测时,必须考虑植被结构特征,谨慎分析监测结果.研究结论将为干旱遥感监测提供理论基础.

叶片含水量是反映作物生理特性的一个重要参数, 对生态环境的研究具有重要意义。采用小波分析方法, 分析叶片含水量对反射率的影响特征, 建立综合利用多波段信息的作物叶片水分含量反演模型。基于PROSPECT模型的辐射传输理论, 推导出由叶片反射率光谱的小波系数反演叶片水分含量CW的理论模型。利用六种常用的小波函数, 对叶片组分水、干物质和白化基本层的吸收光谱进行小波分解。选取对水分变化最敏感, 同时对其他组分不敏感的分解尺度和波段位置, 找到能稳定突出水的光谱特征的小波系数。结果表明: bior1.5小波函数在尺度为200 nm, 波段位置为1 405和1 488 nm的小波系数具有上述特征。建立由叶片反射率光谱的bior1.5小波系数反演叶片水分含量CW的反演模型, 模型有两个转换系数a和Δ都受叶片结构参数N的影响。利用PROSPECT模型生成模拟光谱数据集, 校正建立的叶片水分含量反演模型中的两个转换系数a和Δ, 并与LOPEX93实验光谱数据集结合验证反演模型。结果表明: 反演模型不仅比传统基于植被指数的统计模型在精度上有提高(反演值与实测值的R2最高达到0.987), 而且更加稳定, 普适性更高。研究表明, 小波分析方法在利用高光谱数据反演作物叶片水分含量方面具有独特的优势。

尝试应用灰色关联分析方法（GRA）分析典型的水分植被指数（WVI）和水分含量(LWC)间的关联度, 然后选择对冬小麦叶片水含量敏感的指数, 比较SRM-PLS（逐步回归-偏最小二乘）方法和PLS方法估算LWC的精度。 首先, 对冬小麦WVI与LWC进行灰色关联分析, 筛选出对冬小麦LWC敏感的WVI; 其次, 利用筛选出的敏感WVI, 分别用PLS-SRM方法和PLS两种方式估算冬小麦LWC; 然后对两种方式进行比较, 选择最高决定系数（R2）和最小均方根误差（RMSE）的LWC估算模型来估算冬小麦LWC。 结果表明: 在整个生育期用PLS和PLS-SRM方法估算LWC, R2和RMSE分别为0.605和0.575, 4.75%和7.35%。 研究表明: 先使用GRA对WVI和LWC进行关联度分析, 再用PLS或PLS-SRM方法可以提高冬小麦的LWC估算精度。

通过人为控制灌溉水平, 在冬小麦3个发育期(孕穗、 开花、 乳熟)测定了冠层光谱和叶片含水量(leaf water content, LWC)。 针对每期数据, 结合偏最小二乘回归和迭代特征去除, 建立了基于诊断波段的LWC回归模型。 结果表明, 叶片水分的光谱响应及反演精度受小麦生长状态的影响。 在孕穗、 开花和乳熟3个发育阶段, 回归模型中光谱数据的最佳利用形式分别为对数光谱、 导数光谱和反射率光谱; 重要光谱区间为SWIR, NIR和SWIR; 模型交叉验证决定系数(R2CV)为0.750, 0.889和0.696。 研究结论对今后监测冬小麦旱情和开发作物水分遥感产品具有重要的指导作用。