高光谱数据与水稻叶面积指数及叶绿素密度的相关分析
水稻冠层高光谱特征变量与叶片叶绿素含量的相关性研究
Ｔ Ａ Ｎ ＧＪ ｉ ａ ｎ ｊ ｕ ｎ ，Ｘ ＵＴ ａ ｏ ，Ｃ Ｈ Ｅ ＮＭ ｅ ｉ ｑ ｉ ｕ
（ Ｊ ｉ ａ ｎ ｇ ｘ ｉ Ａ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｋ ｅ ｙＬ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙｏ ｆ Ｃ ｒ ｏ ｐＰ ｈ ｙ ｓ ｉ ｏ ｌ ｏ ｇ ｙ ，Ｅ ｃ ｏ ｌ ｏ ｇ ｙａ ｎ ｄ Ｇ ｅ ｎ ｅ ｔ ｉ ｃＢ ｒ ｅ ｅ ｄ ｉ ｎ ｇｏ ｆ Ｊ ｉ ａ ｎ ｇ ｘ ｉ Ｐ ｒ ｏ ｖ ｉ ｎ ｃ ｅ ，Ｎ ａ ｎ ｃ ｈ ａ ｎ ｇ ３ ３ ０ ０ ４ ５ ，Ｊ ｉ ａ ｎ ｇ ｘ ｉ ，Ｃ ｈ ｉ ｎ ａ ）
Ｆ ｉ ｅ ｌ ｄｔ ｒ ｉ ａ ｌ ｓ ｏ ｆ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇａ ｒ ｅｓ ｅ ｔ ｕ ｓ ｉ ｎ ｇｄ ｏ ｕ ｂ ｌ ｅ ｓ ｅ ａ ｓ ｏ ｎｅ ａ ｒ ｌ ｙｒ ｉ ｃ ｅａ ｓｍ ａ ｔ ｅ ｒ ｉ ａ ｌ ｓ ．Ｒ ｉ ｃ ｅｃ ａ ｎ ｏ ｐ ｙ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍａ ｎ ｄｃ ｈ ｌ ｏ ｒ ｏ ｐ ｈ ｙ ｌ ｌ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ｏ ｆ ｌ ｅ ａ ｖ ｅ ｓ ｗ ｅ ｒ ｅ ｍ ｅ ａ ｓ ｕ ｒ ｅ ｄ ．Ｔ ｈ ｅ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ｗ ｅ ｒ ｅ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｅ ｄｂ ａ ｓ ｅ ｄｏ ｎｃ ａ ｎ ｏ ｐ ｙ ｒ ｅ ｆ ｌ ｅ ｃ ｔ ａ ｎ ｃ ｅｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ．Ｔ ｈ ｅｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｈ ｉ ｐｂ ｅ ｔ ｗ ｅ ｅ ｎｒ ｉ ｃ ｅｃ ａ ｎ ｏ ｐ ｙｈ ｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ａ ｎ ｄｃ ｈ ｌ ｏ ｒ ｏ ｐ ｈ ｙ ｌ ｌ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ｗ ａ ｓ ｓ ｔ ｕ ｄ ｉ ｅ ｄ ．Ｔ ｈ ｅｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｅ ｄｔ ｈ ａ ｔ ａ ｐ ｐ ｌ ｙ ｉ ｎ ｇｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎｆ ｅ ｒ ｔ ｉ ｌ ｉ ｚ ｅ ｒ ｈ ａ ｄａｓ ｉ ｇ ｎ ｉ ｆ ｉ ｃ ａ ｎ ｔ ｅ ｆ ｆ ｅ ｃ ｔ ｏ ｎｃ ａ ｎ ｏ ｐ ｙｒ ｅ ｆ ｌ ｅ ｃ ｔ ａ ｎ ｃ ｅｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ． ，ｅ ｓ Ｔ ｈ ｅｒ ｅ ｆ ｌ ｅ ｃ ｔ ａ ｎ ｃ ｅ ｏ ｆ ｒ ｉ ｃ ｅ ｗ ｉ ｔ ｈ ｏ ｕ ｔ ａ ｐ ｐ ｌ ｙ ｉ ｎ ｇ ｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎｆ ｅ ｒ ｔ ｉ ｌ ｉ ｚ ｅ ｒ ｗ ａ ｓ ｇ ｒ ｅ ａ ｔ ｅ ｒ ｔ ｈ ａ ｎｏ ｎ ｅ ｓ ｗ ｉ ｔ ｈｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎｆ ｅ ｒ ｔ ｉ ｌ ｉ ｚ ｅ ｒ ｉ ｎｖ ｉ ｓ ｉ ｂ ｌ ｅ ｌ ｉ ｇ ｈ ｔ ｐ ｅ ｃ ｉ ａ ｌ ｌ ｙａ ｔ ｇ ｒ ｅ ｅ ｎｐ ｅ ａ ｋｒ ｅ ｇ ｉ ｏ ｎｗ ｈ ｅ ｒ ｅ ｔ ｈ ｅ ｗ ａ ｖ ｅ ｌ ｅ ｎ ｇ ｔ ｈｗ ａ ｓ ａ ｒ ｏ ｕ ｎ ｄ ５ ５ ０ｎ ｍ ．Ｔ ｈ ｅ ｒ ｅ ｆ ｌ ｅ ｃ ｔ ａ ｎ ｃ ｅ ｉ ｎｎ ｅ ａ ｒ ｉ ｎ ｆ ｒ ａ ｒ ｅ ｄｒ ｅ ｇ ｉ ｏ ｎｉ ｎ ｃ ｒ ｅ ａ ｓ ｅ ｄ ｗ ｉ ｔ ｈｔ ｈ ｅｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎｆ ｅ ｒ ｔ ｉ ｌ ｉ ｚ ｅ ｒ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ．Ｔ ｈ ｅｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ｂ ａ ｓ ｅ ｄｏ ｎｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎｓ ｕ ｃ ｈａ ｓ ｒ ｅ ｄｅ ｄ ｇ ｅｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ
基于冠层高光谱的水稻长势估测的研究
基于冠层高光谱的水稻长势估测的研究摘要：为了定量分析不同生育期冠层反射光谱参数与水稻长势的相互关系，确定能够准确预测高温胁迫下水稻长势的敏感光谱参数，通过大田小区试验，测定了抽穗期 4 种温度胁迫处理后的两个水稻品种不同生育期冠层高光谱反射率、叶绿素指数和叶面积指数。
光谱参数R808和SD755同时与淮稻5号抽穗期和灌浆期的SPAD相关性最好，R808、SD764和SD484与镇稻9424的两个时期的SPAD相关性最好。
淮稻5号两个时期的LAI与其光谱相关性以R808、SD988和SD875为最好，镇稻9424的两个时期的LAI与其光谱相关性以R808、SD934和SD860为最好。
关键词：水稻；高温胁迫；冠层高光谱反射；长势预测；光谱参数Abstract: In order to relationship between quantitative analysis in different growth periods and the growth of rice canopy spectral reflectance parameters, determined to be able to accurately predict sensitive spectral parameters under high temperature stress, the growth of rice, the field experiment, the heading stage was determined in different growth period of 4 kinds of two rice varieties of temperature stress after the canopy hyperspectral reflectance, chlorophyll index and leaf area index. The best correlation between SPAD 5, heading stage and milking stage spectral parameters of R808 and SD755 at the same time and Huaidao, best SPAD correlation between the two periods of R808, SD764 and SD484 and Zhendao 9424. LAI and its spectral correlation Huaidao No. 5 two period with R808, SD988 and SD875 was the best, LAI and spectral correlation between two periods of Zhendao 9424 with the R808, SD934 and SD860 for the best.Key words: rice; high temperature stress; canopy hyperspectral reflectance; growth prediction; spectral parameters引言：水稻是世界三大粮食作物之一，中国是世界水稻最重要的生产国也是消费国。
基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究
基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究一、概要本文主要探讨了基于高光谱成像技术的作物叶绿素信息诊断机理及方法。
随着光谱技术的发展，高光谱成像技术在农业领域的应用逐渐受到关注。
本文通过对水稻、小麦等作物叶片的高光谱成像数据分析，研究了作物叶绿素含量的空间分布特征及其与作物生长指标的关系；建立了基于高光谱成像技术的作物叶绿素含量预测模型，并对模型的准确性进行了验证。
高光谱成像技术可以准确地区分作物的健康状态和健康状况的变化，为农业生产提供有力支持。
本文还提出了针对不同作物、不同生长阶段的叶绿素含量预测方法，为农业生产提供了科学依据。
本研究对于推动高光谱成像技术在农业领域的应用和发展具有重要意义。
1. 高光谱成像技术的发展与应用背景随着科技的不断发展，高光谱成像技术在植物学领域中的应用越来越广泛。
高光谱成像技术是一种能够同时获取物体光谐波段信息的技术，通过对生物组织在红外、可见光和短波段范围内的吸收情况进行测量，可以获取植物生长状况、养分含量、病虫害等多种信息，为农业生产提供科学依据和技术支持。
在过去几十年中，研究者们已经开展了许多关于高光谱成像技术在农业领域应用的研究。
叶绿素信息诊断是一种重要的应用方向。
叶绿素是植物进行光合作用的必需元素，其含量的变化直接影响到植物的生长和发育，通过对植物叶片中叶绿素的含量和分布进行准确测量，可以为农作物栽培管理提供重要指导。
传统的叶绿素检测方法如分光光度法、荧光法等虽然在一定程度上能够满足需求，但存在操作复杂、精度低等问题。
随着高光谱成像技术的发展，这些问题逐渐得到解决。
通过高光谱成像技术，可以实现同时对植物叶片中多种成分进行定量测量和分析，提高叶绿素检测的准确性和效率。
高光谱成像技术在作物叶绿素信息诊断方面的应用前景广阔。
除了叶绿素含量与分布的测量外，还可以应用于作物生长速度、产量预测、抗病性评价等方面。
通过对高光谱图像数据进行分析和处理，可以实现作物生长信息的实时监测和评估，为农业生产提供更加智能、精准的管理服务。
对水稻微分光谱和植被指数的探讨
对水稻微分光谱和植被指数的探讨
唐延林， 王人潮， 王秀珍
（ 浙江大学 农业遥感与信息技术应用研究所， 杭州 *!))(%）
摘
要：通过不同供氮水平的田间试验，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的
作用。结果表明： 由微分光谱所得的红边位置、 红边斜率与盖度、 叶面积指数及供氮水平之间有一定的相关性； 水稻多光谱植 高光谱植被指数及其变量与植被盖度、 供氮水 被指数 /01、 2301 与叶面积指数 451 及其地上部生物量之间有极显著相关性； 平之间存在相关性。这些表明， 用微分光谱技术与植被指数方法监测水稻的田间供氮水平和长势似乎是可行的。 关键词：微分光谱6 植被指数 6 水稻 6 红边参数 中图分类号： 7%&#. 8 文献标识码： 5
!""#$%&’ (’) *)#+,%(+,) -")&(#% %./ 0)1)(%(+$. 2./+&)3 $4 5+&)
!"#$ %&’()*’， +"#$ ,-’(./&0， +"#$ 1*2(3/-’
’ 19:;<;=;> ?@ 5AB<C=D;=B> />E?;> F>9:<9A G 19@?BEH;<?9 FI:;>E 5JJD<CH;<?9- KL>M<H9A N9<O>B:<;I- PH9AQL?= *!))(% ， RL<9H +
!63(#%&(7 S I @<>DT ;>:;: ?@ B<C> <9 T<@@>B>9; 9<;B?A>9 D>O>D:- U> H9HDI:> ;L> HC;<?9 ?@ T>B<OH;<O> :J>C;BH ?9 >D<E<9H;<9A VHCWAB?=9T <9@D=>9C> ?9 B<C> CH9?JI :J>C;BH H9T ;LH; ?@ O>A>;H;<?9 <9T<C>: ?9 T>;>BE<9<9A HAB<C=D;=BHD JHBHE>;>B:. XL> B>:=D; :L?U: ;LH; ;L>B> HB> H C>B;H<9 C?BB>DH;<?9: V>;U>>9 ;L> J?:<;<?9 H9T :D?J> ?@ B>T >TA> ?@ CH9?JI :J>C;BHD B>@D>C;H9C> ?@ B<C> H9T @BHC;<?9HD O>A>;H;<?9 C?O>B451）H9T 9<;B?A>9 :=JJDI D>O>D. XL> E=D;<JD> :J>C;BHD O>A>;H;<?9 <9T<C>: /01 H9T 2301 ?@ B<C> CH9?JI HB> B>EHBWHVD> D>H@ HB>H <9T>Y （ C?BB>DH;<O> U<;L 451 H9T HV?O> AB?=9T EH;;>B- V=; ;L> LIJ>B:J>C;BHD O>A>;H;<?9 <9T>Y H9T <;: OHB<HVD> HB> H C>B;H<9 C?BB>DH;<O> U<;L B<C> @BHC;<?9HD C?O>B H9T 9<;B?A>9 :=JJDI D>O>D. XL<: JB?O>: ;LH; <; <: @>H:<VD> @?B =:<9A ;L> ;>CL9?D?AI ?@ T>B<OH;<O> :J>C;B=E H9T E>;L?T ?@ O>A>;H;<?9 <9T>Y ;? E?9<;?B ;L> 9<;B?A>9 :=JJDI D>O>D H9T AB?U<9A ?@ B<C>. 8)9 :$#/37 T>B<OH;<O> :J>C;B=E6 O>A>;H;<?9 <9T>Y6 B<C>6 B>T >TA> JHBHE>;>B
高光谱植被指数与水稻叶面积指数的定量关系
1686
应 用 生 态 学 报 20 卷
越多地用于反演植物叶面积指数 . 研究表明 , LA I与 [4] 一阶微分光谱均表现出良好的相关性 , 基于波形 [ 9 - 10 ] 分析的红边参数对 LA I也表现敏感 . 750 nm 附 近光谱一阶导数对 LA I表现敏感 ,红边振幅 、 红边面 积等三边参数与 LA I有良好的相关关系 . 王秀 [ 11 ] 珍等 研究表明 ,蓝边内一阶微分的总和与红边内 一阶微分的总和的比值 , 以及归一化差值植被指数 是估测水稻 LA I的良好参数 . 为了提高水稻 LA I的 估测精度 ,也有研究采用了主成分分析法或支持向 量机等模糊统计方法 . 而利用各种卫星遥感数 据如 T M、 ET M、 IKONOS、 MOD IS、 MI V IS等具有不同 [ 1, 9, 14 - 18 ] 波段设置和分辨率的影像 在大范围的 LA I 监测中也获得了一定程度的成功 . 然而 ,水稻 LA I与 不同高光谱植被指数之间的关系还缺乏深入系统的 研究 ,适用于不同品种和栽培条件下水稻叶面积指 数估测的高光谱植被指数构建研究尚需加强 ,同时 , 建立较高精度的水稻叶面积指数监测模型的研究还 有待提高 . 为此 , 本文研究了不同施氮处理下水稻 LA I与冠层高光谱植被指数之间的关系 , 构建了水 稻 LA I的高光谱估测参数 , 进而建立定量化估算模 型 ,以期为水稻 LA I的实时定量监测奠定基础 .
[3 - 4]
3 国家自然科学基金项目 ( 30571092, 30671215) 、 国家高技术研究发 展计划项目 ( 2006AA10Z202, 2006AA10Z271) 、 国家科技支撑计划项 目 ( 2006BAD10A01) 和高校博士点基金项目 ( 20070307035) 资助 . 3 3 通讯作者 . E 2 mail: caow@ njau. edu. cn 2008 2 11 2 21 收稿 , 2009 2 04 2 28 接受 .
高光谱植被指数与水稻叶片叶绿素相关分析
谱曲线差异较为明显 ， 植被 指数 对于灌浆晚期叶 片叶绿素相 关性较低 ， 最 大相 关值 ０ ． ８ ３是修 正 归一化差异 指数 与
叶绿素计算所得． 关键词 ：高光谱 遥感 ； 植被指数 ；水稻 ；叶绿 素
中图分类号 ：Ｐ ２ ３ ７ 文献标识码 ： Ａ 文章编号 ：１ ０ ０ ９— ７ ８ ２ １ （ ２ ０ １ ３ ） ０ ２— ０ １ ２ ４— ０ ４
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｕｓ ｉ ｎ ｇ ｆ ｉｅ ｌ ｄ ｓ ｐｅ ｃ ｔ ｒ ｏ ｒ ａ ｄ ｉ ｏ ｍｅ ｔ ｅ ｒ Ａｖ ａ ｆ ｉ ｅ ｌ ｄ 一 １ ｄ ｅ ｔ ｅ ｒ ｍｉ ｎ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｔ ｈ ｒ ｅ ｅ ｔ ｙ ｐ ｅ ｓ ｒ ｉｃ ｅ ｌ ｅ ａ ｆ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｃ ｕ ｒ ｖ ｅ ｓ ｉ ｎ ｇ ｒ ａ ｉ ｎ ｉｌ ｆ ｌ ｉ ｎ ｇ ｓ ｔ ａ ｇ ｅ，ｔ ｈ ｅ ｍｅ ａ ｓ ｕ ｒ ｅ ｄ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｒ ｅ ｆ ｌ ｅ ｃ ｔ ａ ｎｃ ｅ ｖ ａ ］ ｕ ｅ ｓ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｅ ｄ ｂ ｙ ｔ ｈ ｅ １ １ ｖ ｅ ｇ ｅ ｔ ａ ｔ ｉ ｏ ｎ ｉ ｎｄ ｅ － ｘ ｅ ｓ，ａ ｎ ｌｙ ａ ｓ ｉ ｓ ｏ ｆ ｔ ｈｅ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｂｅ ｔ ｗｅ ｅ ｎ ｖ ｅ ｇ ｅ ｔ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｄ ｅ ｘ ａ ｎ ｄ ｐ ｅ ｉｏ ｒ ｄ ｍｅ ａ ｓ ｕｒ ｅ ｄ ｃ ｈ ｌ ｏ ｒ ｏ ｐｈ ｙ ｌ ｌ ｖ ａ ｌ ｕ ｅ ． Ｔｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ
高温胁迫下水稻产量的高光谱估测研究
高温胁迫下水稻产量的高光谱估测研究水稻是中国人民的主食之一，它的产量直接关系到人们的生活质量和国家的粮食安全。
然而，近年来全球气候变暖，高温胁迫已经成为水稻生产中的重要威胁因素，严重降低了水稻的产量和质量。
因此，高效的高光谱估测技术在高温胁迫下水稻产量的预测和评估中受到了广泛的关注。
高光谱技术是一种遥感技术，可以对植被的反射率和吸收率进行非常精细的量化测量。
它通过对植被在不同波长下的反射率进行分析，可以得到一些与植物生长和生理状态相关的指标。
据报道，在高温胁迫下，水稻叶片的光谱反射率会发生明显的变化，这为利用高光谱技术来预测水稻产量提供了可能。
过去，人们利用近红外光谱和可见光谱来预测水稻的产量，但是这两种波段很难分辨出叶片的生理状态。
近年来，有学者利用远红外和热红外波段进行了研究，据其发现，这两个波段能够更好地反映叶片的水分和温度情况，从而提高水稻产量的预测准确性。
针对高温胁迫下水稻产量的高光谱估测，近年来研究中主要采用了两种方法：一是利用多光谱传感器直接测量水稻叶片的反射率；二是结合多源数据，通过模型分析来预测产量。
然而，这两种方法都存在一定的不足。
利用多光谱传感器直接测量水稻叶片的反射率，在实际应用中很难覆盖大面积的田间水稻。
而且，受机器精度和气象条件的影响，数据的准确性存在一定的不确定性。
结合多源数据进行水稻产量的预测，虽然可以克服传感器测量的局限，但是需要建立复杂的模型，且对数据的质量要求较高。
此外，由于高温胁迫因素比较复杂，需要考虑因素的综合作用以及空间差异。
目前，在高光谱技术应用于高温胁迫下水稻产量预测方面，还存在很多需要深入研究的问题。
例如，如何减少传感器测量的误差和缩小空间尺度的影响，如何在复杂的气象背景下建立准确的模型等等。
总的来说，高光谱技术尚不能完全替代传统的水稻产量估测方法，但是它具有快速、高分辨率、多源数据等优点，可以为高温胁迫下水稻产量的预测和评估提供新的思路和方法。
利用高光谱数据对作物群体叶绿素密度估算的研究
利用高光谱数据对作物群体叶绿素密度估算的研究吴长山;项月琴;郑兰芬;童庆禧【期刊名称】《遥感学报》【年(卷),期】2000(004)003【摘要】叶绿素是农作物生长中重要的因素.叶绿素含量既表明作物生长的状况,又表征了作物的生产能力.而叶绿素密度(单位面积农作物的叶绿素含量)是估计农作物群体生产力的重要指标.对早播稻、晚播稻和玉米的多时相的群体光谱测量数据和相应的叶片叶绿素密度的测量数据进行了相关分析,结果表明早播稻、晚播稻和玉米的群体光谱的反射率数据以及其导数光谱数据与叶绿素密度具有很好的相关性,并且可以对这几种农作物建立统一的线性回归关系.利用这几种农作物的导数光谱在近红外波段762nm处与叶绿素密度的高相关性,选取样本建立了回归方程.并利用其余样本对估计方程进行检验,结果表明估计的标准偏差为0.272g/m+2,估计精度约为80.6%.【总页数】5页(P228-232)【作者】吴长山;项月琴;郑兰芬;童庆禧【作者单位】中国科学院,遥感应用研究所,北京,100101;中国科学院,地理研究所,北京,100101;中国科学院,遥感应用研究所,北京,100101;中国科学院,遥感应用研究所,北京,100101【正文语种】中文【中图分类】TP19;S511【相关文献】1.基于高光谱数据的棉花叶绿素密度定量提取研究 [J], 袁杰;王登伟;黄春燕;祁亚琴;陈燕;马勤建;王洪仁2.北疆棉花叶绿素密度的高光谱估算研究 [J], 陈燕;黄春燕;王登伟;祁亚琴;袁杰;马勤建3.新疆棉花LAI和叶绿素密度的高光谱估算研究 [J], 陈燕;王登伟;黄春燕;祁亚琴;袁杰;马勤建4.基于高光谱反射率的棉花冠层叶绿素密度估算 [J], 王强;易秋香;包安明;罗毅;赵金5.高光谱数据与棉花叶绿素含量和叶绿素密度的相关分析 [J], 王登伟;黄春燕;张伟;马勤建;赵鹏举因版权原因，仅展示原文概要，查看原文内容请购买。
高光谱技术在水稻氮素营养诊断中的应用研究
高光谱技术在水稻氮素营养诊断中的应用研究
高光谱技术是一种快速、无损的遥感技术，可以获取物体的光谱信息。
在水稻氮素营养诊断中的应用研究中，高光谱技术可以用来获取水稻叶片的光谱信息，进而分析水稻的氮素营养状态。
首先，高光谱技术可以通过测量水稻叶片的光谱反射率来获得丰富的光谱数据。
这些数据可以包括红外辐射、可见光和近红外光等不同波段的反射率。
通过分析这些光谱数据，可以获得水稻叶片中不同波段的反射率之间的关系，进而得到水稻的氮素营养信息。
其次，高光谱技术可以通过光谱指数来评估水稻氮素营养状况。
光谱指数是通过使用不同波段之间的光谱信息计算得出的指标，可以用来反映水稻叶片中氮素含量的情况。
一些常用的光谱指数，如归一化植被指数（NDVI）、倒数反射率指数（RDI）等，可以通过高光谱技术来计算和应用。
通过这些光谱指数，可以对水稻的氮素营养状况进行定量评估。
最后，高光谱技术还可以结合机器学习算法进行水稻氮素营养诊断。
通过收集大量水稻样本的光谱数据和氮素含量数据，可以建立预测模型，用以预测水稻氮素含量。
这些模型可以包括随机森林、支持向量机、人工神经网络等机器学习算法。
这些模型可以通过高光谱数据进行训练和验证，从而实现对水稻氮素营养状态的快速、准确诊断。
总的来说，高光谱技术在水稻氮素营养诊断中的应用研究可以
通过获取水稻叶片的光谱信息，计算光谱指数和建立预测模型来评估水稻的氮素营养状况。
这种技术可以实现非接触式、高效率的氮素营养诊断，为水稻生产提供科学依据和技术支持。
不同施肥条件下水稻冠层光谱特征与叶绿素含量的相关性
不同施肥条件下水稻冠层光谱特征与叶绿素含量的相关性章曼;常庆瑞;张晓华;刘佳岐【摘要】通过田间小区试验,分析不同施肥条件下水稻不同生育期冠层反射光谱和叶绿素含量(SPAD)的变化特征,利用数学统计方法分析高光谱植被指数与叶绿素含量的相关性.结果表明,水稻冠层光谱反射率,从拔节期到抽穗期,在可见光波段很低且差异不明显,在近红外波段逐渐提高;从抽穗期到乳熟期,在可见光波段逐渐提高,在近红外波段逐渐降低.不同施肥条件下水稻冠层光谱差异明显,尤其在近红外波段表现特别明显,随施肥水平的提高,光谱反射率明显提高.水稻叶绿素含量随施氮水平的提高而逐渐增加.随生物质炭水平的提高,水稻叶绿素含量逐渐增加,当生物质炭超过一定值时,叶绿素含量反而降低.整个生育期,除乳熟期施氮肥0 kg/hm2 (N0)处理外,其他处理的PSSRa、PSSRb与叶绿素含量呈显著相关.拔节期,施生物质炭为9 000 kg/hm2(C3)处理的mSR705和mND705与叶绿素含量呈显著负相关,其他处理为显著正相关.【期刊名称】《西北农业学报》【年(卷),期】2015(024)011【总页数】8页(P49-56)【关键词】水稻;冠层光谱特征;叶绿素含量;光谱植被指数;相关性【作者】章曼;常庆瑞;张晓华;刘佳岐【作者单位】西北农林科技大学资源环境学院,陕西杨凌 712100;西北农林科技大学资源环境学院,陕西杨凌 712100;西北农林科技大学资源环境学院,陕西杨凌712100;西北农林科技大学资源环境学院,陕西杨凌 712100【正文语种】中文【中图分类】TP722.4;TP722.5目前，遥感在农业应用中的热点方向是利用遥感技术进行作物的实时监测和营养快速诊断。
高光谱遥感技术最重要、最核心的部分是对作物生物物理和生物化学特征及其参数提取的研究。
叶绿素含量和植被的光合作用能力、发育阶段以及氮素状况有较好的相关性，它们通常是植物营养胁迫、光合作用能力和植被发育阶段(特别是衰老阶段)的良好指示器[1]。
高光谱反演叶面积指数 影响因素
高光谱反演叶面积指数影响因素摘要:叶面积指数是一种重要的植物生长参数,可以反映植物叶片在单位地面积上的叶片面积。
为了更好地监测和管理农作物生长状况，采用高光谱成像技术反演叶面积指数，已成为研究热点。
本文主要对高光谱反演叶面积指数的影响因素进行了探讨，并提出了相应的对策和建议。
引言高光谱成像技术是一种有效的反演叶面积指数的方法。
它基于高光谱数据的分析和处理技术，可以快速准确地获取植物的光谱信息，从而实现对叶面积指数的反演。
本文将从高光谱反演叶面积指数的影响因素出发，分析它们的影响因素和反演方法，并提出相应的建议。
1.植被生长状况植被生长状况是影响高光谱反演叶面积指数的最主要因素之一。
由于植被生长的不同阶段具有不同的光谱反射性质和叶面积指数，因此需要在不同的生长阶段对植被进行监测和反演。
2.大气影响大气对高光谱数据的传输和反演是产生误差的主要因素之一。
大气中的水汽、氧气、二氧化碳等气体对光谱的吸收和反射会产生干扰，影响反演结果的准确性。
3.地表覆盖材料地表覆盖材料的类型和构成也是影响高光谱反演叶面积指数的重要因素之一。
不同的地表材料对光谱的吸收和反射作出不同的响应，因此需要对地表材料进行分类，以便更好地反演叶面积指数。
4.遥感数据处理方法高光谱数据的处理方法也是影响叶面积指数反演精度的一个因素。
其中主要有光谱强度校正、空间校正和数据预处理等处理方法。
合理运用这些方法可以有效地提高反演准确性和精度。
1.常规的基于光谱反演方法通过高光谱数据和叶面积指数的关系建立光谱反演的模型，进行对叶面积指数的反演。
2.机器学习方法机器学习是一种使用计算机算法，通过分析大量数据来预测未来发展趋势的方法。
机器学习模型包括支持向量机、随机森林、神经网络等，这些模型可以有效地提高反演结果的准确性。
对策和建议1.充分考虑植被生长因素，对不同阶段的植被进行监测和反演。
2.合理选择高光谱数据处理方法，避免由数据处理带来的误差和干扰。
高光谱数据与叶绿素含量及植被指数的相关性研究进展
高光谱数据与叶绿素含量及植被指数的相关性研究进展朱凌红;周澎;王忠民;邵志刚【摘要】based on the previous work, summed up the study direction on plant chlorophyll content and vegetation index which both based on hyperspectral data in recent years, discussed the problems and development trend. The results showed:(1)in the future, it would still a focus work to screen the sensitive bands for chlorophyll content, especially the sensitive bands of different plants;(2)it would be an important trend for quantitative inversion to chlorophyll content;(3)the study of"red edge"would continue provide technical support for the amount of chlorophyll and quantitative re-trieval of chlorophyll;(4)it should be standardize for vegetation index which use in different vegetation types, and it should be try to make into product.%在前人工作的基础上，总结了最近几年来，基于高光谱数据的植物叶绿素含量、植被指数的研究进展，探讨了其存在的问题与发展趋势。
MODIS植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究
MODIS 植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究*程 乾**黄敬峰 王人潮 唐延林(浙江大学农业遥感与信息技术应用研究所农业信息科学与技术中心,杭州310029)=摘要> 利用光谱分辨率为3nm 的A SD F ieldSpec U V/VN IR 光谱仪获得了2002和2003年水稻整个生长期的高光谱数据,同时对水稻叶面积指数(L AI)和叶绿素含量(CHL.C)进行了测定,对中分辨率成像光谱仪(M O DIS)的增强植被指数(EV I)、归一化植被指数(N DVI )以及红边位置(REP)与L AI 及CHL.C 之间的关系进行了研究.结果表明,LA I 与冠层光谱在可见光、近红外波段相关性较好,叶绿素含量与冠层光谱在红光波段相关性较好.EV I 、REP 和L AI 之间的相关关系不受水稻覆盖率的影响;N DVI 与L AI 的相关关系在水稻低覆盖率情况下较好;在水稻高覆盖率情况下,EVI 和REP 比NDV I 与L AI 之间的相关关系要好.M O DIS -NDV I 、EVI 及REP 与叶片叶绿素含量相关性较好.由此可见,EV I 和REP 可以有效地监测水稻L AI 和CHL.C.关键词 叶面积指数 叶绿素含量 M O DIS 植被指数 相关分析文章编号 1001-9332(2004)08-1363-05 中图分类号 T P751.1,T P79 文献标识码 ACorrelation analysis of simulated MODIS vegetation indices and rice leaf area index and leaf chlorophyll con -tent.CHEN G Q ian,HU AN G Jing feng,WA NG Renchao,T AN G Yanlin (I nstitute of A gr icultur al Remote Sensing and I nf or mation A p p lication ,H ua j iachi Camp us ,Zhej iang Univer sity ,H angz hou 310029,China).-Chin.J.A p p l.Ecol .,2004,15(8):1363~1367.T his paper studied the correlations between rice leaf area index(LA I),leaf chlorophyll content(CHL.C),hyper -spectral data,normalized difference vegetation index (N DVI ),enhanced vegetation index (EV I),and red -edg e po -sition(REP).T he results show ed that L AI had a close correlation with v i sible and NI R bands,and CHL.C had the highest cor relation w ith red band.A strong non -linear corr elation w as found between the LA I and REP of two r ice varieties.For commo n rice,REP,EV I and N DVI were well related w ith LAI ,but for hybrid rice,REP and EV I w er e more sensitive than N DV I to LA I.In 2003,REP,EV I and N DVI were well related w ith CHL.C.Key words L AI ,Chloro phyll content,M OD IS VI ,Cor relat ion analysis.*国家自然科学基金项目(40171065)和国家/8630计划资助项目(2002AA243011,2002AA130010).**通讯联系人.2003-06-23收稿,2003-11-19接受.1 引 言植被指数(VI)是对地表植被活动的简单、有效和经验的度量,在一定程度上反映植被演化信息.将两个(或多个)光谱观测通道组合,可得到的植被指数.最近升空的Terra 卫星搭载的中分辨率成像光谱仪(MODIS)获取的数据产品,为监测地球陆地变化提供了新的机遇.MODIS -VI 是在已有的植被指数的基础上改进设计的.数据产品中归一化植被指数NDVI 是NOAA/AVHRR -NDVI 的延续.然而,由于MODIS 红色通道(620~670nm)和近红外通道(841~876nm)相对于NOAA/AVH RR 和T M 波段更窄,因此在密集植被区,NDVI 容易饱和,即不再随绿色生物量的变化而变化[14].增强植被指数EVI,可以提高对高生物量区的敏感度,通过消弱冠层背景信息和降低大气的影响来改善对植被的监测[6],因而可用于冠层结构变化的监测,包括叶面积指数(LAI)、冠层类型和冠层结构等[2].LAI 是衡量光合有效辐射、透射和作为生态环境过程模型的一个重要的空间变量[8,16]。
水稻高光谱特征及其生物理化参数模拟与估测模型研究
水稻高光谱特征及其生物理化参数模拟与估测模型研究
随着遥感技术的快速发展，高光谱遥感成为了研究农作物生长和发育的重要手段之一。
本文研究了水稻高光谱特征及其生物理化参数模拟与估测模型。
首先，利用高光谱数据对水稻生长期不同阶段的光谱反射率进行了研究，探究了水稻在不同生长阶段的光谱特征。
结果显示，不同生长阶段的水稻光谱反射率存在明显差异，且随着生长阶段的变化而变化。
然后，利用反射率数据，构建了水稻生物理化参数（如叶面积指数、叶绿素含量等）与光谱特征之间的模拟和估测模型。
经过验证，模型具有较高的准确性和稳定性，可以有效地估测水稻生长期不同阶段的生物理化参数。
最后，利用模型对水稻生长期不同阶段的生物理化参数进行了估测，并结合实地调查数据进行了验证。
结果表明，模型估测结果与实际数据相符合，验证了模型的准确性和可靠性。
综上所述，本文研究了水稻高光谱特征及其生物理化参数模拟与估测模型，为水稻生长监测和管理提供了重要的科学依据。
- 1 -。
基于高光谱遥感农作物叶面积指数反演方法比较论文
基于高光谱遥感的农作物叶面积指数反演方法的分析与比较摘要：高光谱遥感技术作为反演农作物叶面积指数（lai）的一个有力工具，近几年来已经越来越被国内外学者所重视。
本文比较系统地总结了利用高光谱遥感反演lai值的一般方法，即包括试验田建立、光谱数据采集、lai值测定、hvi值计算、反演模型的生成五个步骤。
总结出了一些常见农作物的最佳的lai值定量反演模型，便于今后相关研究时查阅。
关键词：高光谱遥感；叶面积指数（lai）；反演模型abstract: high spectrum remote sensing technology as the inversion of crop leaf area index ( lai ) are a powerful tool, in recent years it has been pay more and more attention of both domestic and foreign scholars. the paper systematically summed up the use of hyperspectral remote sensing inversion of lai value general methods, including experimental field establishment, data acquisition, lai value, hvi value calculation, determination of inversion model is generated in five steps. summarizes some common crop optimal lai value quantitative inversion model for future related research, consulting.key words: remote sensing; leaf area index (lai); inversion model中图分类号：s127文献标识码：a 文章编号：引言遥感技术是指远距离、在不直接接触目标物体情况下,通过接收目标物体反射或辐射的电磁波,探测地物波谱信息,并获取目标地物的光谱数据与图像,从而实现对地物的定位、定性或定量的描述。
高光谱植被指数与水稻叶片叶绿素相关分析
高光谱植被指数与水稻叶片叶绿素相关分析孙小芳【摘要】利用野外地物光谱仪Avafield-1测定水稻灌浆晚期三个品种的叶片光谱曲线,将所测的光谱反射率值计算得到11个植被指数,分析植被指数与同期所测叶片叶绿素值关系.结果表明品种三与其他两个品种在灌浆晚期光谱曲线差异较为明显,植被指数对于灌浆晚期叶片叶绿素相关性较低,最大相关值0.83是修正归一化差异指数与叶绿素计算所得.【期刊名称】《闽江学院学报》【年(卷),期】2013(034)002【总页数】4页(P124-127)【关键词】高光谱遥感;植被指数;水稻;叶绿素【作者】孙小芳【作者单位】闽江学院地理科学系,福建福州350121【正文语种】中文【中图分类】P237水稻是中国南方地区主产的粮食作物，水稻的生产作业已朝着精细化管理方向发展，在精细化农业管理中，利用遥感技术提取作物信息是一个重要的信息获取来源.高光谱遥感的出现是遥感界的一场革命，它使本来在宽波段遥感中不可探测的物质在高光谱遥感中能被探测到.利用高光谱遥感在特定光谱域以高光谱分辨率(光谱分辨率在10nm以下)获取连续的地物光谱信息，通过对光谱信息的定量反演，可以进行农作物高光谱遥感识别和分类，监测作物叶面积指数、生物量和叶绿素含量，监测作物养分及水分状况，农作物长势监测和估产［1－2］.叶绿素是作物光合作用的主要色素，是吸收光能的物质，其含量的高低直接影响作物的光合同化和物质积累能力.通常叶绿素可以作为作物氮素胁迫、光合作用能力和发育阶段(特别是衰老阶段)的指示器，因此，叶片及冠层光谱反射率对光合色素的响应可以作为一种监测光合作用、氮素状况的有力手段［3］.陈拉等利用神经网络模型和统去除法估测了水稻叶片叶绿素a、b和类胡萝卜素含量［4］.薛利红在水稻上研究发现，比值植被指数RVI(810，560)波段组合与水稻LAI呈幂函数关系［5］.金震宇等获取了水稻生育期的光谱反射率数据，并利用SPAD－502叶绿素仪测量对应叶片的叶绿素浓度，发现水稻叶片叶绿素浓度与其光谱反射率具有相关性［6］.杨峰利用多种高光谱植被指数估测稻麦叶面积指数和叶绿素密度［7］.唐延林等利用高光谱法估测稻穗稻谷的粗蛋白质和粗淀粉含量［8］.杨晓华利用支持向量机对水稻叶面积指数和叶绿素浓度的进行预测［9］.本研究以转基因水稻明恢63的3个品种为研究对象，通过探测水稻生长灌浆晚期时的光谱信息，同步测定水稻叶片的叶绿素值，进行11种光谱植被指数与叶绿素值的相关性分析，探讨植被指数适用于水稻叶片叶绿素的检测，光谱植被指数对于水稻不同品种的检测能力，及对剑叶与非剑叶的检测能力.1 材料与方法1.1 供试品种2011年在福州郊区福建农林大学试验地进行，试验地为砂壤土，养分质量为有机质1 9.8 g/kg，水解氮68.6 mg/kg，速效磷45.2 mg/kg，速效钾55.4 mg/kg.供试品种为转基因水稻明恢63.试验小区面积2*2=4 m2，小区种植水稻40株.2011年3月10日播种，全生育期化控及其他措施按高产要求进行.在2011年7月22日(灌浆晚期)进行叶片光谱和叶绿素的测量，灌浆晚期水稻种子颗粒饱满，植被盖度接近1 0 0%.1.2 冠层光谱测定2011年7月，水稻生长处于灌浆晚期，测量时天气晴朗无云或少云，微风或少风，在上午10点至下午2点之间，用野外地物光谱仪Avafield－1测定水稻叶片光谱反射率，光谱分辨率为0.2 nm，观测视场角为15°.测量时，在所测叶片顶部10 cm处垂直向下进行观测，由于仪器的视场角为15°，测量的对象叶子过于细长，如果观测距离过大，所测量的光谱是来源于植株冠层而非叶片.在测量前严格确定白板和黑板反射率，本次测量只用一对白板和黑板反射率，这样所测的数据才具有可比性.测量开始时进行饱和度检查，通过调整积分值防止反射率数据的溢出.测量过程中每个点位的值是通过50次采样取平均得到的.本次测量以转基因水稻明恢63的3个品种为研究对象，每个品种随机抽取6个测量点，在测量中选取了剑叶与非剑叶进行测量.由于水稻叶片狭长，在测量中叶片的晃动对光谱测量值存在着较大的影响.1.3 叶绿素测定叶片光谱测量后，对应叶片的位置测定相应的叶绿素值.采用日本产SPAD502型叶绿素仪测定水稻叶片中部位置的叶片绿色度(soil and plant analyzer development，SPAD)值，每个叶片测6次求平均值.2 高光谱植被指数计算可见光波段是叶绿素含量的最敏感波段区间，叶绿素在可见光区的光谱吸收峰有2个，分别位于蓝光区和红光区，由于叶绿素在蓝光区的吸收峰和类胡萝卜素的吸收峰相重叠，因此蓝光区一般不适于估测叶绿素状况，红光区的最大吸收率在660～680 nm区域，但是较低的叶绿素含量就会引起该区域吸收光的饱和，因此其估测的灵敏度下降，而绿光是叶绿素吸收低谷区域.常用于估测叶绿素含量信息的波段是略偏于吸收峰的550 nm和700 nm.也有相似的研究认为，当叶绿素积累量较低时，对675 nm附近波段的反射率敏感;当积累量一般或较高时，对550 nm附近波段的反射率敏感.许多研究表明，可以利用叶片反射光谱来评估作物叶绿素、类胡卜素等状况.已有许多光谱植被指数主要是为估测绿色生物量而提出的，同样，用高光谱数据也能够估测叶片色素含量，并且它与作物的叶绿素密度通常具有相关性.表1中列举常用的11个植被指数通常是利用红波段与红外波段光谱反射率值四则运算生成的.此外，表1中还包括红光700 nm光谱反射率、近红外800 nm光谱反射率.分别计算3种水稻品种共18次光谱所测值的11个植被指数及两个波长处的光谱反射率.表1 高光谱植被指数计算方法Tab.1Hyperspectral vegetation indexes calculation methods水体指数R900/R970结构不敏感色素指数(R800－R445)/(R800－R680)光化学植被指数(R570－R531)/(R570+R531)可见光大气修正植被指数(R555－R680)/(R555+R680－R480)植被衰老反射率指数(R680－R500)/R750修正叶绿素吸收反射率指数(R700－R670)－0.2(R700－R550)×(R700/R670)简单比值指数R800/R680归一化差异指数(R800－R680)/(R800+R680)修正简单比值指数(R750－R445)/(R705－R445)修正归一化差异指数(R750－R705)/(R750+R705－2R445)绿度植被指数(R800－R550)/(R800+R550)800 nm处的光谱反射率R800 700 nm处的光谱反射率R7003 结果与分析3.1 3种水稻品种光谱曲线分析利用Avafield-1野外光谱测量仪所测的水稻光谱曲线如图1所示，光谱测量的有效区间范围在400～800 nm.由于随机选定植株进行光谱测量，所选的叶片中包含剑叶与非剑叶，所以同一品种内光谱曲线存在着一定的差异，这也证实了标准植被光谱库建立存在难度.一号品种光谱曲线波峰对应的波长在780 nm，二号品种光谱曲线波峰对应的波长在780 nm，两者波峰对应的波长似近.三号品种光谱曲线波峰对应的波长在775 nm，相比一号和二号波峰波长位置左移.二号品种光谱反射率值相对较高，最大值可以达到72%，相比较一号品种和三号品种反射率最大值仅为53%、57%.一号品种和二号品种红边位置在680～740 nm，三号品种690～740 nm.从图上可以看出一号品种和二号品种红边斜率较为接近，三号品种红边斜率小于前两者.3.2 高光谱植被指数与叶绿素相关分析将光谱曲线中相应的反射率值代入高光谱植被指数公式，计算得出表2中的相关系数.总体看来植被指数与叶绿素相关值较低，最大相关值0.83是修正归一化差异指数与叶绿素，其次相关值0.8是修正简单比值指数与叶绿素.以最大相关值修正归一化差异指数与叶绿素做二次多项式回归预测方程，如图2所示.图2中的R2在excel中称为决定系数，即相关系数的平方.在二次多项式回归拟合中，相关系数是衡量自变量和因变量之间是否存着线性关系，只有两者间相关系数值大，拟合的回归关系才有意义，那么相关系数的平方——决定系数就表明利用自变量和因变量之间的相关性来反映所添加趋势线的可靠性.如图2所示，R2值为0.75，那么相关系数为0.866，说明根据18个离散点所拟合的方程有意义.图1 水稻明恢63光谱曲线图Fig. 1 Spectral curve of rice Minghui-63表2 高光谱植被指数与叶绿素相关系数Fig.2Correlation between hyperspectral vegetation indexes and chlorophyll－0.67结构不敏感色素指数－0.70光化学植被指数－0.66可见光大气修正植被指数－0.17植被衰老反射率指数－0.53修正叶绿素吸收反射率指数－0.50简单比值指数0.52归一化差异指数0.52修正简单比值指数0.80修正归一化差异指数0.83绿度植被指数0.77 800nm处的光谱反射率－0.26 700 nm处的光谱反射率水体指数－0.51图2 回归预测方程Fig.2Regression equation通过实验说明了文中所用的多数植被指数用于检测灌浆晚期水稻叶绿素敏感性较低，在今后的实验中可以引入其他的参数，如红边参数、波峰波谷值、对称性参数、光谱导数、光谱面积，探讨这些参数对于叶绿素检测的敏感性.本次实验对3个水稻品种只做了灌浆晚期光谱测量实验，其中品种三和其他两个品种在这个时期光谱曲线差异较为明显，后期实验可以增加对水稻其他生长期的光谱测量，分阶段比较不同品种的光谱差异.参考文献:［1］杨峰，范亚民，李建龙，等.高光谱遥感在精准农业生产中的应用［J］.安徽农业科学，2010，38(1):529－531，540.［2］谢晓金，申双和，李映雪，等.高温胁迫下水稻红边特征及SPAD和LAI的监测［J］.农业工程学报，2010，26(3):183－190.［3］李映雪，谢晓金，徐德福.高光谱遥感技术在作物生长监测中的应用研究进展［J］.麦类作物学报，2009，29(1):174－178.［4］陈拉.高光谱遥感数据在植被信息提取中的应用研究［J］.安徽农业科学，2009，37(8):3 842－3 843.［5］薛利红，曹卫星，罗卫红，等.光谱植被指数与水稻叶面积指数相关性的研究［J］.植物生态学报，2004，28(1):47－52.［6］金震宇，田庆久，惠凤鸣，等.水稻叶绿素浓度与光谱反射率关系研究［J］.遥感技术与应用，2003，18(3):134－138.［7］杨峰，范亚民，李建龙，等.高光谱数据估测稻麦叶面积指数和叶绿素密度［J］.农业工程学报，2010，26(2):237－243.［8］唐延林，黄敬峰，王人潮.利用高光谱法估测稻穗稻谷的粗蛋白质和粗淀粉含量［J］.中国农业科学，2004，37(9):282－287.［9］杨晓华，吴耀平，黄敬峰.基于支持向量机的水稻生物物理参数遥感估算［J］.中国科学:C辑，2009，39(11):1 080－1 091.。
高光谱数据与水稻叶面积指数及叶绿素密度的相关分析
文章编号:100724619(2000)0420279205高光谱数据与水稻叶面积指数及叶绿素密度的相关分析刘伟东1,项月琴2,郑兰芬1,童庆禧1,吴长山1(1.中国科学院遥感应用研究所遥感信息科学开放研究实验室,北京100101;2.中国科学院地理研究所,北京100101)摘 要: 分析了北京大屯科技站水稻叶面积指数(L AI)、叶绿素密度(CH.D)与高光谱分辨率遥感数据在整个生育期内的变化过程。
利用微分技术处理水稻群体反射光谱以减少土壤等低频背景光谱噪音的影响。
通过单相关分析和逐步回归方法研究水稻LA I 、C H.D 分别与光谱反射率、反射率的一阶微分光谱的相关关系,并建立预测回归方程。
结果表明,微分技术能够改善光谱数据与L AI 、CH.D 的相关性,CH.D 与光谱数据的相关明显优于同L AI 的。
关键词: 光谱微分技术;叶面积指数;叶绿素密度;相关分析中图分类号: TP701/TP722.4 文献标识码: A1 引 言通过监测作物生育期内的光谱变化,研究作物的反射光谱与叶面积指数(Leaf Area Index,简写为L AI)、叶绿素密度(Chlorophyll Density,简写为C H.D)等农学参数之间的关系,使人们能够定性描述和定量分析作物的生长与遥感光谱数据之间的关系。
以往对植被的遥感研究多致力于建立植被生物物理参数(L AI 、生物量、叶绿素含量)与宽波段遥感植被指数(仅具有少数几个光谱波段得到)的简单关系[1)3]。
随遥感技术的迅速发展,高光谱分辨率遥感成像光谱技术使得遥感应用于植被地学分析可以在光谱维上展开,准实时地获取地物的影像和每个像元的光谱分布,以允许从空中对地面目标物进行直接识别和微弱光谱差异的定量分析,在植被遥感研究中表现出强大优势[4]。
利用高光谱分辨率遥感技术对植被进行生长监测和研究光谱与植被生物物理参量之间的关系,在农业中具有广泛的应用前景。
通常,使用高光谱分辨率遥感数据估计作物农学参数主要有两类方法:一是通过多元回归方法建立光谱数据或由此衍生的植被指数与作物农学参量之间的关系[5,6];二是通过作物的红边参数描述作物的物候变化及其农学参数[7)10]。
数据与水稻叶面积指数及叶绿素密度的相关分析
数据与水稻叶面积指数及叶绿素密度的相关分析一、摘要本研究以水稻为研究对象，探讨了数据集中共享集中存储的不同生长阶段、不同品种和不同环境条件下（如水分、光照、土壤类型等）的水稻叶面积指数（LAI）与叶绿素密度（ChlD）的相关性。
通过对收集到的数据进行统计分析和可视化处理，在不同条件下，LAI与ChlD之间存在显著的负相关关系。
这一发现有助于我们更好地理解水稻的生长和光合作用过程，并为水稻产量预测和栽培管理提供有价值的参考信息。
1. 研究背景及目的随着全球气候变化和人口增长的挑战，农业资源需求和不稳定性增大。
水稻是全球重要的粮食作物，其生产的水资源利用和管理至关重要。
提高水稻种植业的可持续性和产量是当前面临的关键问题之一。
而水稻叶面积指数（LAI）和叶绿素密度（Chl.D）作为植物生理、生化和生态研究的重要指标，对于反映作物生长环境、光合作用及产量品质有一定联系。
本研究旨在探讨水稻叶面积指数与叶绿素密度的相关性，分析二者在不同水稻品种、栽培管理措施下的变化规律，并挖掘其关联的水稻产量及其他关键农艺性状，以期为提高水稻产量、优化栽培管理提供理论依据和技术支持。
2. 数据来源叶绿素密度数据来源于室内实验测定。
在实验室内，我们将水稻叶片进行研磨和萃取，然后使用分光光度计测定叶绿素的含量。
通过对不同叶片样品的叶绿素含量进行统计和分析，我们可以得到水稻叶片叶绿素密度的分布情况。
本研究所使用的数据具有代表性和可靠性，能够全面反映水稻叶面积指数与叶绿素密度之间的关系。
通过这些数据分析，我们也可以为水稻种植提供科学依据和技术支持。
3. 数据处理与分析方法数据预处理：对收集到的数据进行整理，包括数据清洗、异常值剔除和缺失值填补等步骤。
对于缺失值，我们采用了邻近插值法进行填充，以确保数据的完整性。
数据转换：为了便于后续的分析，我们将LAI和CD数据转换为更易于分析的形式。
我们可以计算每天的LAI和CD均值、标准差等统计指标，以便更好地理解它们的变化趋势和分布特征。
利用高光谱技术反演作物叶绿素浓度
利用高光谱技术反演作物叶绿素浓度摘要：高光谱技术作为一种新兴光谱技术，被广泛应用于植物的无损检测中，植被叶片叶绿素含量的估测就是其中之一。
利用可见-近红外成像光谱仪采集不同生育期玉米和大豆的冠层“图谱”数据，在逐步提取影像中光照土壤、阴影土壤、光照植被、阴影植被四种组分光谱的基础上，通过选取的敏感波段构建光谱植被指数和叶绿素密度进行波段自相关分析，探讨各个分量对作物叶绿素密度反演的影响。
关键词：高光谱技术；叶绿素；反演0 引言植物通过光合作用获取营养物质，在植物光合作用中，植物细胞中的叶绿体占据了重要的地位，而叶绿体中的色素有叶绿素（叶绿素a，叶绿素b 和叶绿素a+b）与类胡萝卜素（胡萝卜素和叶黄素）。
其中，叶绿素是植物光合作用中最重要的色素，其作为主要吸收光能的物质，直接影响植物光合作用的光能利用率。
叶片单位面积的叶绿素含量是植物总体生长状况的一个重要指标。
叶片叶绿素含量的测定可以用来检测和研究植物突变、压力和营养状态，作物压力和萎黄病的检测对精细农业具有重要的潜在影响[1]。
随着光谱技术的发展，其被应用到各个领域。
而高光谱技术作为光谱技术的一种，由于具有众多优点，在光谱检测方面应用十分广泛，备受人们的青睐。
人类肉眼的视觉范围在380~780 nm 之间，而高光谱的波段非常宽，一些高光谱仪器的波段达350~2 500 nm。
因此，通过高光谱技术可以对绿色植物进行叶绿素的检测和定量分析。
本文对高光谱技术在植物，特别是在经济作物的叶绿素含量检测和定量分析中的应用加以概述[2]。
1 成像系统简介及数据处理1.1 高光谱成像技术简介高光谱成像技术是在多光谱成像的基础上发展而来的，在较宽的波段范围内，利用成像光谱仪对目标物体进行连续成像，从而获得每个像元的数十或数百条光谱信息。
其成像特点是：光谱范围广（200~2 500nm）、超多波段（上百个波段）、高的高光谱分辨率（几个nm）、波段窄（≤10-2λ）和图谱合一等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文章编号:100724619(2000)0420279205高光谱数据与水稻叶面积指数及叶绿素密度的相关分析刘伟东1,项月琴2,郑兰芬1,童庆禧1,吴长山1(1.中国科学院遥感应用研究所遥感信息科学开放研究实验室,北京100101;2.中国科学院地理研究所,北京100101)摘 要: 分析了北京大屯科技站水稻叶面积指数(L AI)、叶绿素密度(CH.D)与高光谱分辨率遥感数据在整个生育期内的变化过程。
利用微分技术处理水稻群体反射光谱以减少土壤等低频背景光谱噪音的影响。
通过单相关分析和逐步回归方法研究水稻LA I 、C H.D 分别与光谱反射率、反射率的一阶微分光谱的相关关系,并建立预测回归方程。
结果表明,微分技术能够改善光谱数据与L AI 、CH.D 的相关性,CH.D 与光谱数据的相关明显优于同L AI 的。
关键词: 光谱微分技术;叶面积指数;叶绿素密度;相关分析中图分类号: TP701/TP722.4 文献标识码: A1 引 言通过监测作物生育期内的光谱变化,研究作物的反射光谱与叶面积指数(Leaf Area Index,简写为L AI)、叶绿素密度(Chlorophyll Density,简写为C H.D)等农学参数之间的关系,使人们能够定性描述和定量分析作物的生长与遥感光谱数据之间的关系。
以往对植被的遥感研究多致力于建立植被生物物理参数(L AI 、生物量、叶绿素含量)与宽波段遥感植被指数(仅具有少数几个光谱波段得到)的简单关系[1)3]。
随遥感技术的迅速发展,高光谱分辨率遥感成像光谱技术使得遥感应用于植被地学分析可以在光谱维上展开,准实时地获取地物的影像和每个像元的光谱分布,以允许从空中对地面目标物进行直接识别和微弱光谱差异的定量分析,在植被遥感研究中表现出强大优势[4]。
利用高光谱分辨率遥感技术对植被进行生长监测和研究光谱与植被生物物理参量之间的关系,在农业中具有广泛的应用前景。
通常,使用高光谱分辨率遥感数据估计作物农学参数主要有两类方法:一是通过多元回归方法建立光谱数据或由此衍生的植被指数与作物农学参量之间的关系[5,6];二是通过作物的红边参数描述作物的物候变化及其农学参数[7)10]。
本文结合水稻的生长发育规律,对水稻进行多时相的光谱反射率和农学参量测量,分析水稻光谱反射率的物候变化规律,并且分析遥感光谱数据和水稻农学参数之间的关系,利用微分技术处理水稻群体光谱,通过相关分析方法研究水稻叶面积指数、叶绿素密度与群体光谱反射率、反射率的一阶微分光谱的相关关系,促进高光谱分辨率遥感技术在作物的生长监测和产量估测中的应用。
2 试验方法及数据获取试验于1998年在北京市大屯乡科技站(10416b E,40b N)水稻试验田内进行,供试水稻为两种播期的水稻,早播稻为中作93,5月下旬插秧,晚播稻为秋光,6月下旬插秧。
试验区土壤为壤质褐潮土,肥力水平中等。
插秧后约每10天取有代表性的样方0.5m 2,测定密度,取其水稻植株测定根、茎、叶的鲜重、干重。
同时,利用长宽法测叶面积指数。
光谱测定采用SE5902CC D 硅列阵便携式光谱仪,该仪器具有256个光谱通道,光谱范围从0.38)1.1L m,光谱分辨率约为3nm,仪器视场角15b ,经严格的室内定标,仪器在0.4)0.9L m 波长范围,性能稳定。
为获得稳定的水稻群体反射率数据,作物群体反射率的测定,选择在晴朗无云、无风或静风的天收稿日期:1999206221;修订日期:1999209210基金项目:国家/九五0科技攻关计划/新型遥感技术的应用开发0及中国科学院重大项目/数字多光谱像机试验0资助项目。
作者简介:刘伟东,(1973) )男。
1999年毕业于中国农业大学农业气象系,获硕士学位,现于中国科学院遥感应用研究所攻读博士学位,主要从事植被高光谱遥感研究。
第4卷第4期遥 感 学 报V ol.4,No.42000年11月JO URN AL OF REMO TE S ENSINGN ov.,2000气进行,观测时间为北京时间10:00)14:00,仪器探头垂直向下,每次测定扫描4次,探头距离水稻冠层顶部与标准灰板的距离一致,冠层与标准板的反射光谱测定交替进行,每个样区观测8次,取平均值代表每点的光谱反射率值,群体光谱测定后,取样测定叶片叶绿素含量,并对农学参量测量。
由于天气条件限制,1998年6)10月,对早播稻群体反射光谱与农学参量观测了9次,对晚播稻观测了7次,观测期覆盖了水稻的整个生育期。
3数据处理与分析应用微分技术处理这种/连续0的光谱是遥感中常用的数学方法,D emetriades等[11]综述了遥感中高光谱分辨率微分光谱的应用潜力,并且指出,如果目标物的光谱由不同成分的贡献构成,则使用微分技术能部分消除低频光谱成分的影响。
土壤等背景的光谱信息相对于植被光谱的变化较平缓,故认为微分技术能够部分去除土壤等背景的影响,而植被的光谱信息能得到较好的保留。
SE590光谱仪采集的是离散型数据,因此,光谱数据的微分可以用如下公式近似计算:R c(K i)=R(K i+1)-R(K i-1)K i+1-K i-1(1)R c为反射率的一阶微分光谱,R为反射率,K 为波长,i为光谱通道。
相关分析用于计算每个光谱通道的原始光谱反射率以及一阶微分光谱数据与L AI、C H.D的相关系数。
311水稻叶面积指数与叶绿素密度在其生育期内的变化图1所示为早播稻LAI变化曲线,LAI呈抛物线变化规律,晚播稻L AI变化曲线相似,从移栽到始穗阶段,由于水稻分蘖数量增加,单叶面积持续增长,促使L AI不断增加,L AI增加的速率由快至慢,至抽穗后期,无效分蘖死亡,而单叶面积仍然增加, L AI达到最大值。
到灌浆期以后,由于叶片已经不能够进行较强的光合作用,叶片不断将养分转移到穗部,叶片逐步衰老,植株下部的叶片逐渐枯黄以至干死,L AI迅速减小。
叶绿素是作物生产干物质的基质,单位面积绿色体及叶绿素的含量将影响经济产量的高低。
通常,把叶片叶绿素含量与单位面积总绿叶鲜重的乘积定义为叶绿素密度(CH.D),图2所示,开花期前后群体的C H.D最高,虽然叶片叶绿素含量持续稳定到生育后期,但是开花后期叶面积指数的下降使单位土地面积的叶绿素含量下降,即C H.D的降低,晚播稻C H.D也有类似的变化规律。
从季节变化趋势来看,群体的CH.D与叶面积指数变化规律相似,这是因为群体的CH.D包含有L AI 与单叶叶绿素含量的信息,是二者的综合体现。
图1早播稻LAI随时间变化曲线(北京大屯乡,1998年) Fi g.1The variation o f early rice LAI with ti me(Beijing,1998)图2早播稻CH.D随时间变化曲线(北京大屯乡,1998年)Fig.2The variation of early rice C H.D wi th ti me(Beijing,1998)312水稻光谱变化规律如图1)图3所示,从水稻移栽后到始穗(6月10日)8月16日),水稻植株的持续生长,促使L AI 与C H.D不断增加,因而整个群体的光合能力不断增强,对红光、蓝光的吸收增强,红光与蓝光波段的反射率逐渐减小,始穗期(约8月11日)时达到最小值,红光与蓝光波段的强吸收使绿色波段的反射逐渐突出,形成一个小的反射峰。
在抽穗(约8月18日)后,叶片的养分开始向穗部转移,冠层的C H.D 不断减小,此时,位于红波段、蓝波段的反射率开始上升,在乳熟期(约9月4日)之后,下部叶片不断衰老、死亡,L AI持续下降,绿色叶片内的营养物质向穗部转移,叶绿素分解,叶片转黄,叶片已不能够进行较强的光合作用,而且继续向穗部提供养分,冠层280遥感学报第4卷CH.D 迅速减少,红波段、蓝波段的反射率上升加快。
此时,水稻在绿色波段的反射率仍然比在红光和蓝光波段的反射率大,在可见光区域仍有一个小的反射峰,随水稻生育进程的推进,红光与蓝光波段的反射率逐渐增加,在550nm 的绿色反射峰逐渐变得不明显。
图3 早播稻反射率光谱曲线随时间变化曲线(北京,1998)Fig.3 The v ariation of early rice reflectance curves with time (Beijing,1998)从水稻移栽后,随L AI 的增加,叶层增多,近红外的反射率不断增大,当L AI 达到一定值时,近红外反射率趋向稳定。
灌浆时(约9月4日),因叶片向穗部提供大量的养分,叶片的内部组织结构开始发生变化,近红外的反射率也开始逐渐下降,持续到水稻成熟。
可以看出,早播稻光谱反射率曲线变化的规律性与其生长发育的群体变化特征是对应的,另外通过对晚播稻光谱数据的分析,也得到类似的结论,故可以认为水稻在其全生育期内的光谱反射率变化具有一定的规律性。
由于部分地减弱了背景因素的影响,光谱反射率的一阶微分变化能清晰地反映出作物光谱的变化特征。
如图4,一阶微分变化最大的波段位于红边区域,红边是由于植被在红光波段强烈地吸收与近红外波段强烈地反射造成的,通常采用两个因子描述红边特征,红边斜率和红边位置,即图中所示650)800nm 之间反射率微分光谱的最大值与其所对应的波长。
研究表明红边斜率主要与作物的覆盖度或L AI 有关,红边位置与叶片的叶绿素含量有关。
在水稻的整个生育期内,一阶微分光谱的变化也具一定的变化特征。
早播稻水稻生长初期,L AI 低,叶绿素密度较小,红边斜率较小,红边位置靠短波方向,随生育期的推进,水稻植株逐渐长大,L AI 逐渐增加,冠层的C H.D 也逐渐增加,红边斜率缓慢增加,红边的位置向近红外波段移动。
到水稻生长的旺盛时期,L AI 达到最大,冠层的C H.D 也达到最大,叶绿素对红光波段的吸收加宽、加深,此时,红边斜率达到最大值,红边位置很靠近红外波段。
随着物候期的推进,冠层下部叶片逐渐衰老、死亡,L AI 与冠层C H.D 都缓慢下降,使红边斜率降低,红边的位置向短波方向移动,晚播稻的红边变化类似。
随水稻物候生育期的推进,红边的位置和斜率变化呈现出一定的规律性。
图4 早播稻反射率一阶微分随时间变化曲线(北京,1998)Fi g.4 The variation o f early rice first 2order derivative spectra w ith time in 1998(Beijing,China)313 水稻光谱与其农学参数的相关分析水稻光谱反射率与一阶微分光谱同LAI 在生育期内的相关分析本试验对早播稻在全生育期内进行了9次平行观测(光谱观测同时,进行农学参量的测量),晚播稻进行了7次,采用观测的光谱数据计算252个光谱波段各光谱波段的反射率和反射率一阶微分分别与第4期刘伟东等:高光谱数据与水稻叶面积指数及叶绿素密度的相关分析281L AI的相关系数,即早播稻生育期内9次观测的光谱数据与L AI求相关,晚播稻生育期内7次观测的光谱数据与L AI求相关。