山东省农业科学院农业信息与经济研究所, 山东 济南 250100
为应用遥感技术进行小麦条锈病的实时监测以及大范围作物病害识别, 明确条锈病胁迫下小麦光谱反射率和净光合速率与病情指数的关系, 利用光谱植被指数预测小麦光合速率的变化, 在2018年—2019年度冬小麦生长季节, 以易感条锈病的济麦15号小麦品种为对照, 以生产上播种面积较大的济麦22和鲁原502为供试品种, 基于大田小区条锈病接种试验, 从抽穗期到乳熟期, 每隔7~10 d进行小麦旗叶光合速率、 光谱反射率测定及病情指数调查。 研究发现, 随感病程度加重, 小麦旗叶光合速率呈显著下降趋势, 扬花期济麦22光合速率高于鲁原502。 灌浆期可见光波段, 病斑部位的光谱反射率始终高于正常部位, 这是由于病斑部位叶片单位面积上叶绿素含量较低, 对光吸收的少; 而在反射平台区域, 病斑部位的光谱反射率较正常叶低得多。 利用与病害胁迫、 生长状况以及产量相关较大的光化学反射指数(photochemical reflectance index, PRI)、 植被衰减指数(plant senescence reflectance index, PSRI)和比值植被指数(ratio vegetation index, RVI)来反映病情指数变化, 结果显示, 病斑部位的光化学反射指数和植被衰减指数大于正常部位, 且植被衰减指数变化率较大, 而比值植被指数变化率小于正常部位。 小麦不同生育期, 光合速率与光谱反射率的相关性不同, 模拟光合速率的植被指数也不同。 灌浆期, 鲁原502的光合速率与光谱反射率始终呈正相关关系; 在可见光范围内, 对照光合速率与光谱反射率呈正相关, 济麦22呈负相关; 在反射率平台位置, 对照光合速率与光谱反射率呈负相关, 济麦22呈正相关。 在小麦灌浆期, 可以利用植被衰减指数进行病害程度识别及光合速率估测。 该研究为利用遥感手段大面积监测小麦长势及病害发生情况提供了理论依据, 也为探讨利用光谱指标无损监测的方法预测小麦条锈病发生及危害程度奠定了基础。
小麦 条锈病 光合速率 成像高光谱 估测模型 Wheat Stripe rust Photosynthetic rate Imaging hyperspectral Estimating model 
1 农业部农业遥感机理与定量遥感重点实验室，北京农业信息技术研究中心，北京 100097
2 University of New South Wales,Sydney NSW 2052,Australia
3 南京农业大学国家信息农业工程技术中心,江苏 南京 210095
4 山东科技大学测绘科学与工程学院,山东 青岛 266590
5 国家农业信息化工程技术研究中心,北京 100097
地上生物量(AGB)的精准监测是农田生产管理的重要环节, 因此快速准确地估算AGB, 对于精准农业的发展十分重要。 传统上, 获取AGB的方法是采用破坏性取样法, 这使得大面积、 长期的测量变得困难。 无人机高光谱遥感因具有机动性强、 光谱分辨率高和图谱合一的优势, 成为当前估算大面积作物AGB最有效的技术手段。 该研究通过无人机平台搭载成像高光谱传感器分别获取马铃薯块茎形成期、 块茎增长期、 淀粉积累期的冠层高光谱影像以及利用烘干称重法获取相应生育期实测AGB数据。 然后, 采用相关性分析法(CAM)、 随机蛙跳算法(RFM)和高斯过程回归波长分析工具(GPR-BAT)分别筛选冠层原始光谱(COS)和一阶导数光谱(FDS)的敏感波长, 结合偏最小二乘回归(PLSR)和高斯过程回归(GPR)构建各生育期的AGB估算模型, 并对比不同模型的估测效果。 结果显示: (1)基于同种方法分别筛选COS和FDS的特征波长, 结合2种回归技术估算AGB的效果均从块茎形成期到淀粉积累期由好变差。 (2)基于FDS分别通过3种方法筛选的特征波长, 通过同种回归技术构建的模型效果要优于基于COS的相应效果。 (3)基于COS和FDS使用CAM, RFM和GPR-BAT方法筛选的特征波长个数在块茎形成期分别为28, 12, 6个和12, 23, 10个, 在块茎增长期分别为32, 8, 2个和18, 28, 4个, 在淀粉积累期分别为30, 15, 3个和21, 33, 5个。 (4)各生育期基于COS和FDS通过3种方法筛选的敏感波长估算AGB效果由高到低依次均为GPR-BAT, RFM和CAM。 (5)各生育期基于FDS通过GPR-BAT方法筛选的敏感波长, 结合PLSR建立的模型精度更高、 稳定性更强, R2分别为0.67, 0.73和0.65, NRMSE分别为16.63%, 15.84%和20.81%。 研究表明利用无人机高光谱成像技术可以准确地估算AGB, 这为实现马铃薯作物长势动态监测, 提供科学指导和参考。
马铃薯 无人机 成像高光谱 随机蛙跳 高斯过程回归 地上生物量 Potato UAV Imaging hyperspectral Random frog Gaussian process regression Above-ground biomass 光谱学与光谱分析
2021, 41(9): 2657
西藏光信息处理与可视化技术重点实验室, 西藏民族大学, 陕西 咸阳 712082
对比3种类型高光谱数据以及2种分类算法, 从那曲地区HSI高光谱图像上识别4个草种。 结合实地踏勘从HSI高光谱图像上采集藏北嵩草、 紫花针茅、 高山蒿草和小嵩草这4个草种的原始光谱反射率数据, 并分别进行导数变换、 对数变换, 得到4个草种的原始光谱、 一阶导数光谱、 对数变换光谱。 对这3种光谱数据进行谱线波形分异特征比较、 单因素方差分析以及相关分析, 从这3种光谱数据中提取出各自适用的敏感谱段, 然后将3种光谱数据的敏感谱段分别导入KICA-NFCM算法, 通过对HSI图像分类识别出4个草种。 对比3种光谱数据各自分类图的识别精度, 评价3种光谱数据敏感谱段的适用性； 再将3种光谱数据的敏感谱段分别导入ICA-FCM算法, 与KICA-NFCM算法分类结果比较对4个草种的识别精度。 结果显示谱线波形分异特征比较、 单因素方差分析以及相关分析表明, 原始光谱、 一阶导数光谱、 对数变换光谱的敏感谱段分别为788～925, 711～742, 669～682与788～925 nm； 使用这3种光谱数据进行KICA-NFCM分类, 总体精度、 Kappa系数分别为75.38%, 0.685, 81.26%, 0.752, 87.65%, 0.823； 使用3种光谱数据进行ICA-FCM分类, 总体精度、 Kappa系数分别为64.39%, 0.569, 67.74%, 0.604, 73.14%, 0.662。 比较结果表明对数变换能够增强多组相似光谱数据之问的峰谷特征差异, 为通过谱线波形分异特征比较选取敏感谱段创造条件； KICA-NFCM算法可以优化输入特征、 并引入加权邻域空间信息计算隶属度函数, 针对性解决了标准FCM算法在处理高光谱图像时, 目标识别过程受邻域噪声影响, 分类图像“椒盐效应”显著、 同质区域连通性差的问题。 结果表明: 应用“对数变换光谱/KICA-NFCM算法”组合能够最准确的从HSI图像上识别4个草种, 有效减少混分误判现象, 为精准开展高寒草地成像高光谱观测提供技术基础。
成像高光谱 对数变换光谱 导数变换光谱 峰谷特征 敏感谱段 隶属度函数 Hyper-spectral imaging observation Logarithmic transform spectrum First-derivative spectrum Peak-valley characteristics Sensitivity bands Membership function 光谱学与光谱分析
2020, 40(7): 2200
杨沛琦 1,2,3,*刘志刚 1,2,3倪卓娅 1,2,3王冉 1,2,3王庆山 1,2,3
1 遥感科学国家重点实验室, 北京师范大学, 北京100875
2 北京师范大学地理学与遥感科学学院, 北京100875
3 北京师范大学环境遥感与数字城市北京市重点实验室, 北京100875
植被叶绿素荧光与光合作用关系密切, 被认为是光合作用的有效探针。 该研究利用成像高光谱传感器和无人飞艇构建了一套适用于低空叶绿素荧光探测的系统。 针对低空叶绿素荧光探测中, 太阳下行辐射光谱难以获取的情况, 基于已有的aFLD方法, 提出一种新的叶绿素荧光提取方法a3FLD, 该方法利用了非荧光发射体, 且考虑植被反射率在夫琅和费线附近的变化。 通过模拟数据以及实测数据对两种提取结果进行了比较。 模拟数据分析结果显示: 当地物的反射率在夫琅和费线附近存在一定的变化时, a3FLD计算得到的荧光值误差小于aFLD, 地物反射率变化越大, a3FLD的改进越明显。 对低空高光谱影像数据的分析显示: aFLD和a3FLD提取不同植被的日光诱导叶绿素荧光相对大小关系相一致, 与作物所处的生长阶段吻合。 但aFLD荧光提取值比a3FLD高15%左右。 aFLD的结果中有部分非荧光发射体得到较强荧光, a3FLD能改进此问题。 结果显示, 利用该系统和方法能够成功地提取到植被叶绿素荧光, 且所提出a3FLD方法提取的结果优于aFLD方法。
日光诱导叶绿素荧光 成像高光谱系统 无人飞艇 Solar-induced chlorophyll fluorescence Hyperspectral imaging system Unmanned airship 光谱学与光谱分析
2013, 33(11): 3101
1 北京师范大学地理学与遥感科学学院, 北京100875
2 北京师范大学遥感科学国家重点实验室, 北京100875
3 北京师范大学环境与数字城市北京市重点实验室, 北京100875
4 北京农业信息技术研究中心, 北京100097
结合FluorMOD模型模拟数据与利用光谱分辨率3.3 nm、 光谱采样间隔为0.71~0.74 nm近地面成像高光谱系统获取的抽穗期小麦高光谱影像比较3种基于夫琅和费线暗线的提取方法(FLD, 3FLD和iFLD)的精确性和稳定性。 结果表明当光谱分辨率为3.3 nm时, 在760 nm附近的O2-A波段可以有效提取日光诱导叶绿素荧光, 而在687 nm附近的O2-B波段不适合。 当存在噪声时, FLD和3FLD的稳定性高于iFLD, FLD倾向于高估荧光值。
日光诱导叶绿素荧光 成像高光谱 植被遥感 Solar-induced chlorophyll fluorescence Hyperspectral Imaging System Remote sensing of vegetation 光谱学与光谱分析
2013, 33(9): 2451
1 国家农业信息化工程技术研究中心， 北京100097
2 浙江大学农业遥感与信息技术应用研究所， 浙江 杭州310029
3 科学技术部中国农村技术开发中心星火与信息处， 北京100054
定量遥感是当前遥感发展的前沿， 作物组分信息解析是农业定量遥感的研究热点， 而成像高光谱技术为解决微观尺度的作物组分信息探测研究提供了强有力的手段。 利用成像光谱仪(pushbroom imaging spectrometer， PIS)与地物光谱仪(FieldSpec ProFR2500， ASD)同步收集冬小麦、 玉米不同生育期叶片的反射光谱， 通过不同算法提取PIS与ASD数据的红边位置， 验证成像光谱数据的精度。 结果表明: (1)PIS与ASD原始光谱数据在红边区间(670～740 nm)有很高的吻合度； (2)从室内光谱(玉米叶片)红边位置的提取结果看， 两仪器提取的红边位置都集中在700～720 nm； (3)从室外光谱(小麦叶片)红边位置的提取结果看， PIS与ASD数据提取结果有差异， PIS数据的红边位置在760 nm处， 而ASD数据的红边位置在720 nm处， 这种差异主要是成像光谱数据受氧气吸收的影响较大所致； (4)PIS与ASD的红边变幅不同， 但趋势相同。 以上结论为成像光谱数据的深入应用提供了参考。
红边位置 成像高光谱 玉米 冬小麦 叶片 Red edge position Hyperspectral imaging Corn Winter wheat Leaf 光谱学与光谱分析
2011, 31(9): 2450
1 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310029
2 国家农业信息化工程技术研究中心, 北京 100097
3 北京师范大学地理学与遥感科学学院, 北京 100875
图谱合一的近地成像高光谱是现代数字农业对田块尺度的作物长势信息进行动态监测和实时管理的需要, 是促进农业定量遥感发展的重要手段之一。 文章通过自主研制的田间扫描成像光谱仪近地获得盆栽和大田玉米的冠层高光谱影像, 从影像中精确提取玉米不同层位的叶片反射光谱并计算TCARI, OSAVI, CARI, NDVI等多种光谱植被指数, 构建玉米叶绿素含量的光谱预测模型, 并对模型进行了验证。 结果表明, 基于光谱指数MCARI/OSAVI构建的玉米植株叶绿素含量预测模型精度较高, 验证样本预测的决定系数R2=0.887, 预测均方根误差RMSE为1.8。 研究表明, 成像光谱仪在微观尺度上的作物组分光谱信息探测方面具有较大的应用潜力。
成像高光谱 植被指数 玉米 叶绿素含量 Hyperspectral imaging Vegetation indices Corn Chlorophyll content
