基于光谱角指数小麦冠层叶片特征差异估测研究
基于窄带光谱图像分析的小麦冠层植被指数测量方法研究
基于窄带光谱图像分析的小麦冠层植被指数测量方法研究余洪锋;徐焕良;丁永前;杨紫楠;窦祥林;李庆;关心桐【期刊名称】《南京农业大学学报》【年(卷),期】2023(46)1【摘要】[目的]针对小麦生长早期植被指数易受土壤背景干扰的问题,提出了一种基于窄带光谱图像分析的小麦植被指数测量方法。
[方法]构建了多镜头结构的窄带光谱图像获取装置,实时获取656和770 nm的田间小麦窄带光谱图像。
运用简单线性聚类(simple linear iterative clustering, SLIC)和VGG16(visual geometry group network 16)全卷积神经网络对小麦近红外窄带光谱图像进行超像素聚类和分类,把交并比(Qseg)、综合评价指标(F值)、精度(Precision)作为分割精度评价指标,分析传统阈值分割方法和本研究方法去土壤背景干扰的性能差异。
去除土壤背景后的窄带光谱图像采用太阳光免白板标定方法计算植被指数,并与GreenSeeker RT200的实测数据进行对比分析,定性定量评价本研究方法去除土壤背景干扰的性能。
[结果]试验共采集12个小麦品种、2个施氮水平、24块种植小区图像,Qseg、Precision和F值的平均值分别为90.41%、80.82%和72.73%,分割性能均优于传统的阈值分割方法。
针对相同测试田块,GreenSeeker RT200测量的各小区归一化植被指数(normalized difference vegetation index, NDVI)变异系数的最大值、平均值和标准差分别为47.12%、33.61%、10.17%,而本测量方法的各小区NDVI 的相应指标值分别为18.59%、9.61%、3.88%;当采样小区小麦封行后,本方法所提取的NDVI与GreenSeeker RT200的测量值具有较高的相关性,决定系数为0.895 9。
[结论]该方法可以完成复杂土壤背景、大田光照变化条件下的小麦窄带光谱图像的冠层提取与植被指数测量,可为多镜头结构的作物冠层反射光谱仪的优化设计提供参考。
基于三维光谱指数的春小麦SPAD_高光谱估算
收稿日期：2022-02-15基金项目：伊犁师范大学博士科研启动基金项目（2020YSBSYJ001）；伊犁师范大学大学生创新训练项目（X20201076406）作者简介：刘晓翠（1999-），女，甘肃武威人，本科，主要从事遥感数值建模研究，（电话）177****9554（电子信箱）*****************；通信作者，尼加提·卡斯木（1991-），男（维吾尔族），新疆伊宁人，副教授，博士，主要从事高光谱遥感数值建模研究，（电话）136****0391（电子信箱）******************。
刘晓翠，吾木提·艾山江，尼加提·卡斯木.基于三维光谱指数的春小麦SPAD 高光谱估算［J ］.湖北农业科学，2023，62（9）：151-157．小麦（Triticum aestivum L.）作为中国重要的粮食作物，而超过95%的产量来源于叶片的光合作用［1］。
叶绿素含量SPAD 作为农作物光合作用中重要的参数之一，对叶绿素含量起到监测作用，有利于衡量农作物地上部分叶片光合能力［2，3］。
快速、无损、准确地监测农作物长势对区域尺度水肥管理和估产具有重要的指导意义，也是发展智慧农业的需要。
随着遥感技术的迅速发展，尤其是高光谱遥感技术的不断提升，以其快速、无损和高效等优势在智慧和精准农业领域被广泛应用［4］。
目前，利用高光谱遥感技术对作物主要参数（地上生物量［5］、叶片氮磷含量［6］、LAI ［7］、叶片水分［8］等）进行估算，已经体现出明显优势。
在农作物SPAD 的遥感监测中，高光谱遥感发挥重要的作用，Al-Abbas 等［9］、Hinzman基于三维光谱指数的春小麦SPAD 高光谱估算刘晓翠，吾木提·艾山江，尼加提·卡斯木（伊犁师范大学生物与地理科学学院/资源与生态研究所，新疆伊宁835000）摘要：为探讨三维光谱指数（TBI ）对春小麦（Triticum aestivum L.）SPAD （Soil and plant analyzer development ）估算的可行性，在田间尺度上以春小麦为目标，采集抽穗期冠层高光谱数据并计算任意波段组合的三维光谱指数，构建基于最优三维光谱指数的春小麦SPAD 估算模型。
冬小麦冠层叶绿素质量分数高光谱遥感反演研究
冬小麦冠层叶绿素质量分数高光谱遥感反演研究孙勃岩;常庆瑞;刘梦云【摘要】Chlorophyll mass fraction is one of the important parameter to assess growth situation and forecast yields of winter wheat,it is significant to estimate chlorophyll mass fraction for monitoring of winter wheat growing information.During the growth of winter wheat growth stage,the winter wheat canopy spectral reflectance and chlorophyll mass fraction were monitored in the field by the SPAD-502 and the SVCHR 1024i handheld spectrometer.Based on the results of correlation analysis,the estimation models of chlorophyll mass fraction were established according to regression and BP neural network.Then simulation precision for different models were analyzed,evaluated and the best model from the different ones was chosen.The results showed that the fitting precision of estimation models with BP neural network were superior to other models of vegetation index.The coefficient of determination (R) was 0.961 4,the root mean square error (RMSE) was 1.875 4,the relative error (RE) was2.815 2％.And the coefficient of determination (R2) of inspection equation was 0.704 8,RMSE of inspection equation was 1.744 6,RE of inspection equation was 2.845 1％.The study provided a reference for estimating winter wheat by chlorophyll contents.And it would be a solid foundation for the winter wheat to obtain chlorophyll mass fraction of real-time,fast and nondestructive monitoring method.%叶绿素质量分数是评估冬小麦生长状况和预测产量的重要参数,估算叶绿素质量分数对于冬小麦的生长监测具有重要意义.利用SPAD-502叶绿素仪和SVCHR 1024i型便携式高光谱仪对冬小麦冠层叶绿素质量分数和光谱特征进行田间测量,分别利用同归分析方法和BP神经网络方法搭建冬小麦叶绿素质量分数的估算模型,并将模型估算的叶绿素质量分数与田间实测的叶绿素质量分数进行对比,分析反演精度,从中筛选出精度最高的模型.结果表明:基于BP神经网络的冬小麦冠层叶绿素质量分数估算模型拟合精度要优于其他7种基于植被指数的估算模型,其相关系数(R)为0.961 4,均方根误差(RMSE)为1.875 4,相对误差(RE)为2.815 2％,以及检验方程的决定系数(R2)为0.704 8,RMSE为1.744 6,RE为2.845 1％.研究结果为估测冬小麦冠层叶绿素质量分数提供参考,从而为冬小麦叶绿素质量分数的实时、快速、无损监测奠定基础.【期刊名称】《西北农业学报》【年(卷),期】2017(026)004【总页数】8页(P552-559)【关键词】冬小麦;叶绿素质量分数;光谱特征;BP神经网络;植被指数【作者】孙勃岩;常庆瑞;刘梦云【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【正文语种】中文【中图分类】S127叶绿素是植物叶片中基本组成物质，叶绿体是光合过程发生的载体，对太阳辐射的光能利用、大气二氧化碳的吸收，光合进程等具有密切关系，直接影响到作物与外界的物质能量交换及作物的物质积累，其质量浓度的高低对植物光合效率、发育状况等有重要的指示作用[1-2]。
基于高光谱植被指数的春小麦LAI和SPAD值及产量反演模型研究
李靖言，颜 安，宁松瑞，等．基于高光谱植被指数的春小麦ＬＡＩ和ＳＰＡＤ值及产量反演模型研究［Ｊ］．江苏农业科学，２０２３，５１（２０）：２０１－２１０．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．２０．０２９基于高光谱植被指数的春小麦ＬＡＩ和ＳＰＡＤ值及产量反演模型研究李靖言１，颜 安２，宁松瑞３，孙 萌２，范 君２，左筱筱２（１．新疆农业大学计算机与信息工程学院，新疆乌鲁木齐８３００５２；２．新疆农业大学资源与环境学院，新疆乌鲁木齐８３００５２；３．西安理工大学省部共建西北旱区生态水利国家重点实验室，陕西西安７１００４８） 摘要：快速、准确地获取春小麦生长特征及产量对科学施肥有重要意义。
为探索高光谱估测不同施肥处理春小麦叶面积指数（ＬＡＩ）、叶绿素相对含量（ＳＰＡＤ值）和产量的方法，本研究采用盆栽试验，以不施肥（ＣＫ）和常规施肥（ＣＦ，常规施氮量１２０ｋｇ／ｈｍ２）处理为对照，设置常规施肥减氮处理（Ｎ１，常规施氮量减少１５％；Ｎ２，常规施氮量减少３０％）与生物有机肥处理（２种类型：Ａ和Ｂ，２个施量：１１２５、２２５０ｋｇ／ｈｍ２）配施试验，分析春小麦ＬＡＩ、ＳＰＡＤ值和产量及其冠层高光谱特征。
主要结论：（１）Ｂ处理春小麦ＬＡＩ、ＳＰＡＤ值的平均值和产量均高于Ａ处理，Ｎ２Ｂ１处理的春小麦ＬＡＩ、ＳＰＡＤ值及产量均最高。
（２）在可见光波段下，施生物有机肥处理的“绿峰”和“红谷”特征差异比ＣＫ显著增强。
随施氮量、生物有机肥施量的升高，近红外波段下春小麦冠层高光谱反射率也随之升高；建议用５００～５５０ｎｍ和６７０～８００ｎｍ波段的春小麦冠层一阶微分高光谱特征识别春小麦的ＬＡＩ和ＳＰＡＤ值。
（３）优选与春小麦ＬＡＩ、ＳＰＡＤ值指标较为敏感的不同植被指数构建４种［决策树回归（ｄｅｃｉｓｉｏｎｔｒｅｅｒｅｇｒｅｓｓｉｏｎ）、随机森林回归（ｒａｎｄｏｍｆｏｒｅｓｔｒｅｇｒｅｓｓｉｏｎ）、梯度提升回归（ｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｒｅｇｒｅｓｓｉｏｎ）以及线性支持向量机回归（ＬｉｎｅａｒＳＶＲ）］机器学习模型，结果表明，采用线性支持向量机回归模型反演春小麦叶面积指数的效果最好（ｒ２＝０．７２３３，ＲＭＳＥ＝０．２５６９），采用梯度提升回归模型反演春小麦ＳＰＡＤ值的效果最好（ｒ２＝０．７５９４，ＲＭＳＥ＝２．３３２９），采用决策树回归模型反演春小麦产量的效果最好（ｒ２＝０ ８０９８，ＲＭＳＥ＝５９７．８４２４ｋｇ／ｈｍ２）。
基于高光谱的小麦冠层叶绿素(SPAD值)估测模型
小麦是我国主要的谷物之一，在各地广泛种植，尤其是华北地区[1]。
小麦长势、产量的准确预测对农业生产和区域经济的发展具有重要意义。
叶绿素含量与作物的生长状况、光合作用能力和作物产量密切相关[2-5]，因此，叶绿素含量的测定对小麦长势监测、施肥调控和产量评估具有重要意义。
利用遥感技术监测土壤的时空变化及作物的营养状况与长势，并为最终的作物估产提供有效手段，是现代“精确农业”的重要技术之一[6-8]。
卫星遥感信息反映的是野外条件下地物的反射辐射状况，田间野外测定的地面光谱与其具有很好的可比性[9]。
一般认为，光谱分辨率在λ/10（λ表收稿日期：2017-10-13基金项目：“十二五”国家科技支撑计划项目课题（2015BAD23B0202）；“双一流”奖补资金（SYL2017XTTD02）作者简介：陈晓娜（1994—），女，山东临沂人，在读硕士生，主要从事遥感应用与制图工程研究。
通讯作者简介：赵庚星（1964—），男，山东垦利人，教授，博士，主要从事土地资源遥感研究工作。
基于高光谱的小麦冠层叶绿素（SPAD 值）估测模型陈晓娜，赵庚星，周雪，张颖，宿宝巍（山东农业大学资源与环境学院，山东泰安271018）摘要：选择山东省泰安市山东农业大学试验田为研究区，分别采用ASD FieldSpec 3光谱仪和SPAD-502叶绿素仪测量小麦冠层的近地高光谱反射率和SPAD 值，通过分析小麦冠层光谱特征，进行光谱反射率及其一阶导数与SPAD 值的相关分析，筛选敏感波段，进而分别构建基于敏感波段和植被指数的小麦冠层SPAD 值估测模型，并优选确定最佳模型。
结果表明，光谱反射率经一阶导数变换能更好突出光谱特征，用来筛选敏感波段，将6个敏感波段分别建立单波段及多波段组合估测模型，进而优选出最佳估测模型为R ′871，R 1349，R 725，R ′1995多元线性回归模型，决定系数R 2=0.668；基于4种植被指数构建的小麦叶绿素最佳估测模型为NDVI 的二次模型，方程为y =61.978x 2-34.426x +54.089，决定系数R 2为0.845。
小麦叶面积指数与冠层反射光谱的定量关系
12
510nm
26
12
560nm
660nm
平呈负相关关系，而近红外短波段范围内（760~1220 nm）的光谱反射率则随着施氮水平的
增加呈上升趋势。不同氮素水平下各波段反射率的变异系数的最大值出现在 660、680、610
和 1480 nm 波段上。其他类型小麦品种在整个生育期的反射光谱都遵循这一基本规律。
50
7.5
N0
N120
N0
6.5
N210
2.3 数据分析方法
利用任意两波段反射率构建比值植被指数[5]、差值植被指数[7]和归一化植被指数[8]。另
外提取了一些常见的光谱参数，主要包括绿度调节植被指数[13]、垂直植被指数[7]以及转换型
土壤调整植被指数[1]，各参数计算方法详见表 1。 综合利用 2 年试验不同生育期共 252 对叶
面积指数与对应的冠层光谱反射率和光谱参数，统一分析它们之间的定量关系。
* 国家自然科学基金 (30400278)、江苏省自然科学基金 (BK2003079, BK2005212)和高校博士点基金 (20030307017 资助项目.
* *通讯联系人.
-1-
从而为建立小麦长势遥感监测与诊断模型提供理论基础和技术途径。
2 材料与方法
试验 2：于 2003~2004 年在江苏省农业科学院试验站进行。前茬水稻田，供试土壤为黄 黏土，有机质 0.96%，全氮 0.10%，速效磷 40.29 mg·kg-1，速效钾 102.78 mg·kg-1。供试小麦 品种为宁麦 9 号、淮麦 20、徐州 26 和扬麦 10。设 5 个施氮水平，分别为 0、75、150、225 和 300 kg·hm-2 纯氮，基追比 6:4，60%作基肥，拔节肥和孕穗肥各占 20%，配施 P2O5 150 kg·hm-2 和 K2O 112.5 kg·hm-2，全部用作基肥。小区面积为 16 m2，基本苗为 1.8×106·hm-2，行距 25 cm。 两因素随机区组排列，3 次重复。其他管理措施同高产大田栽培。
基于冬小麦冠层数码图像的叶面积指数和叶片SPAD值的估算
基于冬小麦冠层数码图像的叶面积指数和叶片SPAD值的估算翟明娟;刘亚东;崔日鲜【摘要】为探究冠层图像分析技术在冬小麦长势监测中应用,6个施氮水平的田间试验条件下,在冬小麦拔节期采集冠层图像,并同步测定冬小麦叶面积指数和叶片SPAD值.通过图像分析软件计算了冬小麦冠层覆盖度及红、绿、蓝亮度值等10种色彩指数,分析了叶面积指数及叶片SPAD值与色彩指数和冠层覆盖度的相关性,利用逐步回归方法构建了叶面积指数及叶片SPAD值的估算模型.结果表明:冬小麦拔节期叶面积指数与冠层覆盖度及几个色彩指数呈极显著相关;叶片SPAD值与红光标准化值等几个色彩指数呈极显著相关;利用叶面积指数估算模型计算的预测值与实测值的线性回归方程的决定系数为0.771,相对均方根误差为25.181％;利用叶片SPAD值估算模型计算的预测值与实测值的线性回归方程的决定系数为0.644,相对均方根误差为6.734％.相关分析和估算模型验证结果表明,基于冠层图像分析的冬小麦拔节期叶面积指数和叶片SPAD值的监测是可行的.【期刊名称】《青岛农业大学学报（自然科学版）》【年(卷),期】2016(033)002【总页数】6页(P91-96)【关键词】冬小麦;冠层图像;叶面积指数;叶片SPAD值【作者】翟明娟;刘亚东;崔日鲜【作者单位】青岛农业大学农学与植物保护学院/山东省旱作农业技术重点实验室,山东青岛266109;青岛农业大学农学与植物保护学院/山东省旱作农业技术重点实验室,山东青岛266109;青岛农业大学农学与植物保护学院/山东省旱作农业技术重点实验室,山东青岛266109【正文语种】中文【中图分类】S126;S512.1+1作物长势是指作物的生长状况和生长趋势，可以用个体和群体特征来描述，个体特征包括株高、分蘖数、叶片数量、叶片颜色等，群体特征则包括群体密度、叶面积指数和地上部生物量等[1]。
作物长势指标中，叶面积指数是反映作物个体和群体特征的指标，也是作物长势判断和产量预测的重要指标[2]；叶绿素是作物吸收光能的主要物质，直接影响作物的光能利用[3]，对冬小麦生长过程中实施栽培管理具有重要意义。
基于成像高光谱的小麦叶片叶绿素含量估测模型研究
基于成像高光谱的小麦叶片叶绿素含量估测模型研究牛鲁燕;孙家波;刘延忠;张晓艳【期刊名称】《河南农业科学》【年(卷),期】2016(045)004【摘要】为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用.采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型.经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2094.242R′7153+112646.744 R′7152-1.561 E7 R′715+42.991.这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高.【总页数】5页(P150-154)【作者】牛鲁燕;孙家波;刘延忠;张晓艳【作者单位】山东省农业科学院科技信息研究所, 山东济南250100;山东省农业科学院科技信息研究所, 山东济南250100;山东省农业科学院科技信息研究所, 山东济南250100;山东省农业科学院科技信息研究所, 山东济南250100【正文语种】中文【中图分类】S512.1;TP79【相关文献】1.基于高光谱的水浇地与旱地春小麦拔节期叶绿素含量估测模型对比研究 [J], 靳彦华;熊黑钢;张芳;王莉峰2.基于成像高光谱的苹果叶片叶绿素含量估测模型研究 [J], 牛鲁燕;郑纪业;张晓艳;孙家波;王风云;孔庆福3.基于高光谱的香樟叶绿素含量估测模型研究 [J], 王爱芳;王妮;高明;王琪;郭俐4.基于高光谱成像反射和透射技术的雨生红球藻叶绿素含量研究 [J], 邵咏妮;周宏;潘健;蒋林军;何勇;5.基于灰色关联法的春小麦叶片含水量高光谱估测模型研究 [J], Umut Hasan;Mamat Sawut;Nijat Kasim;Nigela Taxipulati;WANG Jing-zhe;Irxat Ablat因版权原因，仅展示原文概要，查看原文内容请购买。
用光谱反射率诊断小麦叶片水分状况的研究
用光谱反射率诊断小麦叶片水分状况的研究随着全球气候变化的加剧，干旱和水分不足已成为影响农业生产的重要因素。
因此，对于农作物的水分状况的精确监测和诊断显得尤为重要。
本文基于光谱反射率技术，研究了小麦叶片水分状况的诊断方法，旨在为农业生产提供可靠的技术支持。
一、光谱反射率技术的原理光谱反射率技术是利用不同波长光在物质表面反射的差异，通过测量物质表面反射光的强度来分析物质的特性和状态的一种技术。
在农业生产中，光谱反射率技术被广泛应用于农作物的生长状态、营养状况、水分状况等方面的监测。
二、小麦叶片水分状况的诊断方法本研究选取了小麦叶片作为研究对象，通过光谱反射率技术，研究了小麦叶片在不同水分状况下的反射率变化规律，建立了小麦叶片水分状况的诊断模型。
1.实验材料和方法选取小麦品种“晋麦35”作为实验材料，将小麦分为5组，分别浇水、干旱、轻度缺水、中度缺水和重度缺水。
在小麦叶片表面采集不同水分状况下的光谱反射率数据，分析不同波长范围内的反射率变化规律。
2.反射率变化规律分析通过对不同水分状况下小麦叶片的光谱反射率数据进行分析，发现在可见光波段和近红外波段内，小麦叶片的反射率随水分状况的变化呈现出不同的变化规律。
在可见光波段内，小麦叶片在干旱和缺水状态下，反射率明显高于浇水状态下的反射率；在近红外波段内，小麦叶片在干旱和缺水状态下，反射率明显低于浇水状态下的反射率。
3.水分状况的诊断模型建立通过对不同水分状况下小麦叶片的反射率数据进行分析，建立了小麦叶片水分状况的诊断模型。
该模型基于可见光波段和近红外波段内的反射率数据，采用主成分分析（PCA）方法提取特征，利用支持向量机（SVM）算法建立分类模型。
实验结果表明，该模型可以较为准确地识别小麦叶片的不同水分状况，诊断准确率达到85%以上。
三、结论与展望本研究基于光谱反射率技术，研究了小麦叶片水分状况的诊断方法。
实验结果表明，小麦叶片的反射率在不同水分状况下呈现出不同的变化规律，可以通过建立诊断模型实现对小麦叶片水分状况的准确诊断。
基于改进光谱角算法的小麦产量监测研究
Ｘｎ ａｇ８ ２０ ， ｈ ａ ． ｙＬ ｂｒｔ ｆ Ｃｏ ｓ ｌ ｙ ａｄ Ｐｏｕｔ ｎ Ｍｉｉｒ ｏ ｇｉ ｌ ｒ ．Ｃ ｉ ｓ ｉｉｎ ３０ ３ Ｃ ｉ ２ ｏ ｏ ｏ ｒ Ｐ ｉｏ ｎ ｒ ｃｏ 。 ｎ ｔ Ａ ｒｕｔ ｅ ｈ ｅ ｊ ｎ ａ ａｏ ｐ ｏｇ ｄ ｉ ｓ ｆ ｙ ｃ ｕ ｎｅ Ａａ ｅ ｙｏ ｒ ｕ ｕ ｌ ｃ ｎｅ， ｅｉ ００ ｈｎ ｃｄｍ Ａ ｉ ｌ ｒ ｉ ｃ Ｂ ｉ ｇ １０８ ，Ｃ ｉ ｆ ｇ ｃ ｔａ Ｓ ｅ ｓ ｊ ｎ １ ａ）
Ｓ ｕ ｉｓ Ｍ ｏ ｉｏ ｉ ｇ Ｙｉｌ ｆＷ ｉ ｔ ｒ Ｗ ｈ ａ ｔ ｏ ｉ ｅ ｔ ｄ ｅ ｎ ｔ ｒｎ ｅｄ ｏ ｎ ｅ ｅ ｔｗｉｈ ａ Ｍ ｄ ｆ ｄ ｉ Ｓ ｅ ｔ ａ ｇ ｅ Ａｌ ｏ ｉｈ ｐ ｃ ｒ ｌＡｎ ｌ ｇ ｒｔ ｍ
Ｌ）Ｙ ｎ ｛ ｉｇ～ｌ ｎ Ｌ ｈ ｏ ｕ ’ ， ＮＧ Ｋ ｉ ｇ ， ＩＳ ａ —ｋ ｎ ａ ＷＡ ｅ—ｎ ， Ｉ ｈ ｎ—ｈ ａ ， ＨＥ ｉｇ ｌ Ｘ ＡＯ Ｃ ｕ ｕ Ｃ Ｎ Ｂｎ
ｔ ｕ ｔ ａ ｓ ａ ｄ ｆｕ ｉ ｏ ｅ ｒｔｓ Ｂａ ｅ ｎ ｔ ｅ ｈ ｒｃｅ ｓｉｓ ｏ ｈ ｃ ｎ ｐ ｒｆ ｃａ ｃ ｉ ｉｉｌ ｎ ｎ ａ ｗｏｅ ｌｉ ｒ ｎ ｏ ｒ ｎｔ ｇ ｎ ａｅ ． ｖ ｒ ｓ ｄ ｏ ｈ ｃ ａａ ｔｒ ｔｃ ｆ ｔ ｅ ａ ｏ ｙ ｅｌ ｔｎ ｅ ｎ ｖｓｂ ｅ ａ ｄ ｅ ｒ ｉ ｅ ｉｆａ ｅ ｅ ｉｎ ｆｅ ｔｄｂ ｉｒｇ ｎ ｎ ｔｉ ｏ ｔ ｅｓ ｅ ｔａ ｎ ｌ ｌｏ ｔｍ ｏ ｎｔｒｎ ｉ ｏ ｅ ｕｒｔｏ ｆｃ ｎｏ ｙ ｎｒ ｒｄ ｒ ｇｏ ｓｅｆｃｅ ｙ ｎｔｏ ｅ ｕｒｔ ｎ。ｈ ｐ ｃｒｌａ ｇｅａｇ ｒ ｈ ｆｒｍｏ ｉ ｉ ｇｎ ｔ ｇ ｎ ｎ ｔ ｉｎ ｏ ａ ｐ ｉ ｉ ｅ ｒ ｉ
山东农业大学2016届校级优秀学士学位论文(设计)名单-推荐下载
附件：山东农业大学2016届校级优秀学士学位论文（设计）名单序号学院专业姓名论文题目指导教师1农学院种子科学与工程代修茹玉米黄绿条纹突变体ygs的功能分析李平华2农学院种子科学与工程李秋芬秸秆还田方式对土壤养分有效性及酶活性影响李勇3农学院农学张秀综合栽培模式对冬小麦光能利用效率的影响贺明荣4农学院农学沈欢MtbHLH89在截型苜蓿R108中的组织定位与实时定量PCR的组织分析田纪春5农学院种子科学与工程侯苏竭棉花秸秆还田对土壤微生物数量及酶活性的影响孙学振6农学院种子科学与工程侯冰倩基于SSR标记的普通小麦-粗山羊草渐渗系鉴定孔令让7植物保护学院烟草赵环宇烟草烘烤过程中主要物理参数及水分的动态变化研究王玉军8植物保护学院森林保护（有害生物防控）李会娟泰安肥城市林木害虫调查报告卢希平9植物保护学院动植物检疫（植检）许小洁甘蔗花叶病毒全长cDNA侵染性克隆的构建李向东10植物保护学院动植物检疫（植检）彭彩云苦瓜枯萎病菌遗传多样性的SRAP分析高克祥11植物保护学院动植物检疫（植检）刘梁昕足角螨属分类研究谢丽霞12植物保护学院森林保护（菌物资源与利用）邱晨曦酿酒酵母单糖转运蛋白Gal2的L-阿拉伯糖和木糖转运机制的初步研究朱梦娟13植物保护学院植物保护丁利民表达CCHFV-Gc-SFTSV-TM囊膜蛋白的rVSV重组质粒的构建刘永杰14植物保护学院制药工程（农药）姚晨涛胺鲜酯与乙烯利复配对玉米生长调节作用的研究姜兴印15资源与环境学院环境科学秘文奎高校实验室化学药品的安全风险评价与对策王军16资源与环境学院环境工程崔亚男血液中安眠药物的固相萃取GC/MS分析方法研究谢慧17资源与环境学院地理信息系统陈晓娜基于高光谱遥感的小麦冠层叶绿素估测模型赵庚星18资源与环境学院土地资源管理周奥龙口市中心城区用地功能区划分及特征分析王瑷玲19资源与环境学院土地资源管理孙问娟济南市城镇化背景下土地利用战略研究李新举序号学院专业姓名论文题目指导教师20资源与环境学院草业科学石香雪黄河三角洲垦殖区不同土地利用方式对土壤质地及有机碳的影响焦树英21资源与环境学院农业资源与环境刘敏不同氮肥施用量对玉米氮素利用及其去向的影响李絮花22资源与环境学院农业资源与环境韩飞不同水肥处理模式对滨海盐碱地土壤状况及玉米生长影响诸葛玉平23林学院蚕学王鲁伟果蝇胸节NB6-4神经细胞分化的基因调控机制刘庆信24林学院艺术设计（景观设计）侯建邦李沧南崂路社区文化公园景观规划设计高慧25林学院风景园林郭融高山流水——山东农业大学中庭绿地设计于东明26林学院风景园林庄敏灵山秀水古韵新风——长清区北大沙河滨河游园景观设计方案陈东田27林学院林学刘婉婷‘青叶碧玉’组培及瓶苗遗传稳定性研究李际红28林学院木材科学与工程马超杨木纤维与玉米秸秆节能砖热空气干燥强度变化规律研究路则光29林学院水土保持与荒漠化防治孙鉴妮国家生态修复区马蹄峪小流域林地碳库变化及其驱动力高鹏30林学院水土保持与荒漠化防治韩秀峰不同放牧强度对短花针茅草原土壤化学性质的影响李红丽31林学院园林曹潘攀遮荫对扁竹兰形态和生理特性的影响王延玲32林学院园林刘亚东公众对景观设计风格的偏好研究——传统文化和现代文化的博弈陈东田33园艺科学与工程学院园艺胡顺凯有色膜覆盖对春季大白菜生长及生理特性的影响艾希珍34园艺科学与工程学院园艺刘占伟供磷水平对苹果砧木氮、磷吸收和利用特性的影响研究姜远茂35园艺科学与工程学院园艺杨田田桃树枝条顶端优势中ATP/ADP PpIPTs基因的表达特性及激素调控彭福田36园艺科学与工程学院园艺冯冀遥黄瓜短果突变体与野生型农艺性状的比较分析王丽娜37园艺科学与工程学院园艺吕倩茹低温胁迫对茶树叶片生理特性的影响向勤锃38园艺科学与工程学院园艺岳丽昕大白菜游离小孢子培养技术研究徐坤39园艺科学与工程学院园艺路静苹果MdCBL5表达载体的构建及其功能鉴定赵飞40动物科技学院动物医学李先斌猪流行性腹泻病毒NT1蛋白的原核表达及鉴定姜世金41动物科技学院动物医学卢军锋猪源气载肠球菌的分离鉴定及耐药表型研究柴同杰42动物科技学院动植物检疫（动检）王瑞彪泰安市猪脾脏弓形虫基因抽样检测赵孝民序号学院专业姓名论文题目指导教师43动物科技学院制药工程（兽药）郭柳川葡萄球菌的分离鉴定及耐药基因检测刁有祥44动物科技学院动物科学李恩凯仿生酶法对不同储存时间稻谷淀粉消化率的研究林海45动物科技学院动物医学孙淑娟IAC-ELISA法检测冬虫夏草中黄曲霉毒素B1方法的建立崔言顺46动物科技学院动物科学黄孔威饲粮铜添加水平对生长獭兔生产性能、免疫器官指数及氮代谢的影响李福昌47动物科技学院动物医学李斯一株小鹅瘟病毒的分离与鉴定刁有祥48动物科技学院动物医学孟丽泰安地区病死鸭胚中沙门氏菌分离鉴定及毒力基因的检测姜世金49动物科技学院水产养殖学刘敏贝类弧菌的分离鉴定及药敏试验王雪鹏50机械与电子工程学院自动化孔令军自动运动延时摄影车的研制李天华51机械与电子工程学院车辆工程戚佳鑫基于ADAMS的双叉臂式独立悬架仿真分析与优化邹亮亮52机械与电子工程学院农业机械化及其自动化孙康康工业机械臂研究与设计杨延强53机械与电子工程学院电气工程及其自动化任鹏博新的分数阶亿组多涡轮超混沌系统及其混沌同步刘平54机械与电子工程学院电气工程及其自动化齐斌基于BP神经网络的短期电力负荷预测刘兴华55机械与电子工程学院机械电子工程王震六自由度单机械臂及其双机械臂轨迹研究刘平56机械与电子工程学院机械电子工程韩均广穿戴式外骨骼登山助力器的研发宋月鹏57机械与电子工程学院交通运输袁丹青基于ADAMS的车-路条件下的限速值的仿真邵园园58机械与电子工程学院电气工程及其自动化任亮陆基于窗函数的电力谐波分析宋成宝59机械与电子工程学院机械电子工程田丰硕爬树修枝机器人设计与试验刘雪美60机械与电子工程学院车辆工程李增辉小型SUV管型车架建模与模态分析仿真吕钊钦61经济管理学院农村区域发展王华曹县农民专业合作社发展状况的调查研究薛兴利62经济管理学院工商管理崔丹日照市东港区茹圣茶叶专业合作社调查分析周玉玺63经济管理学院会计学王翠霞A公司成本费用管理状况调查分析董雪艳64经济管理学院会计学窦晓铭山推工程机械股份有限公司资本成本状况调查分析杨美丽65经济管理学院会计学孙安文腾讯公司的财务状况分析高露序号学院专业姓名论文题目指导教师66经济管理学院国际经济与贸易张薇山东百润电子商务有限公司人力资源管理现状、问题及对策张吉国67经济管理学院国际经济与贸易杜夜霞山东得利斯食品股份有限公司对外贸易现状、问题及对策张吉国68经济管理学院农村区域发展孙艺榛莱州市“农超对接”运行情况调查分析郑军69经济管理学院会计学季斌临沐县养猪场户生产行为调查分析孙世民70经济管理学院会计学陈莹长沙市居民家庭投资理财研究周霞71经济管理学院金融学胡月建设银行莱芜市分行储户个人网银使用状况的调查分析彭玉珊72经济管理学院金融学孙悦泰安市居民投资理财现状及对策研究范成方73经济管理学院市场营销秦小杰联邦家私（山东）有限公司的SWOT分析张秀芳74经济管理学院金融学潘骏青岛啤酒公司融资风险防范对策选择赵瑞莹75经济管理学院国际经济与贸易王鲁鲁海信集团对外贸易发展现状、存在问题及对策研究孙兆东76经济管理学院会计学王清美商河县地方财政收入与支出状况的调查分析岳书铭77经济管理学院金融学曲慧大学生群体股市参与情况的调查与分析毕红霞78经济管理学院财务管理张冠楠食品安全问题对上市公司股票价格影响——以“速成鸡”事件为例赵伟79经济管理学院金融学于欣鑫胜利采油厂家庭子女教育支出状况的调查分析刘建华80经济管理学院会计学刘倩山东省食用菌产业发展现状分析葛颜祥81食品科学与工程学院葡萄与葡萄酒工程高恩燕发芽过程中小麦芽水溶性阿拉伯木聚糖的变化郭萌萌82食品科学与工程学院食品科学与工程鞠婧捷淀粉基复合膜对花生品质的影响侯汉学83食品科学与工程学院食品科学与工程李亚楠淀粉/明胶复合膜的制备及其性能研究侯汉学84食品科学与工程学院食品科学与工程俞文英茶叶、大蒜、海带提取物对油炸猪肉中致癌物质苯并芘的抑制作用的探索徐志祥85食品科学与工程学院食品质量与安全庄敏气调包装对DFD牛肉品质的影响罗欣86食品科学与工程学院食品质量与安全宋艳秋葡萄糖快速检测的光子晶体传感技术研究连玉晶87食品科学与工程学院食品质量与安全（中英）穆罡不同温度处理对牛宰后能量代谢和肉品质的影响罗欣88食品科学与工程学院食品质量与安全（中英）亓燕然玫瑰馒头生产工艺开发及品质鉴定吴彭序号学院专业姓名论文题目指导教师89生命科学学院生物科学颜鹏泽黄河入海口沉积物中亚硝酸盐依赖型厌氧甲烷氧化细菌多样性研究高峥90生命科学学院生物技术朱立飞烟草NtLTP4基因的克隆及功能分析宋云枝91生命科学学院生物技术宋建林拟南芥富含甘氨酸蛋白基因GRPN的克隆及功能分析刘红梅92生命科学学院生物科学李娜根域调控对苹果叶片衰老和果实品质的影响王衍安93生命科学学院生物工程王世浩酿酒酵母L-阿拉伯糖转运蛋白Gal2的转运分子机制研究汪城墙94生命科学学院生物工程梁飞阳福建省马铃薯疮痂病病原菌的分离鉴定及其致病性的PCR验证王冰95外国语学院英语王培娟An Experimental Phonetic Study of Dialectal Impact on English Learner's Prosody翟红华96外国语学院日语孙莹国木田独歩の少年観を論じるー「少年もの」を中心に林啸轩97外国语学院英语银家钰Minimalist and Maximalist Narrative Methods Used in The New Yorker Stories by AnnBeattie代奎华98外国语学院英语纪瑒China's Image in Mao II from the Perspective of Sino-American Relations朱法荣99外国语学院英语姚琬颖Translation Report on The Ponder Heart朱法荣100文法学院行政管理李香瑶城乡失独家庭的诉求与政策供给研究孙守相101文法学院行政管理于欣土地使用的规则：不确定性还是序阶排列——基于T市和Y市的案例研究刘培伟102文法学院城市管理张毅古邵镇土地改革研究――基于对山东古邵镇土改口述史的调查陈国申103文法学院行政管理宋喆农村社区建设过程中的问题与对策聂玉霞104文法学院文秘教育曾春杰乡村美的遗落与追寻——论山东作家程相崧的创作丁燕燕105文法学院文秘教育吴明晏苏童小说中对“弱势群体”的关怀陈西平106文法学院法学赵倩大数据时代背景下的跨境数据流动的法律研究李春华107文法学院法学袁一铭论青少年犯罪的社区矫正研究王伟108水利土木工程学院水利水电工程毕京龙临沂市北王庄浆砌石重力坝设计王春堂109水利土木工程学院水利水电工程巩炎基于雨洪资源的花岗岩地区地下储水空间物探与应用研究刘仲秋110水利土木工程学院水利水电工程刘彩费县马庄水库溢洪道工程设计（5孔消力池方案一）王艳艳序号学院专业姓名论文题目指导教师111水利土木工程学院水利水电工程杨家启沂水县道托镇牛心管庄新建水库设计李树宁112水利土木工程学院水文与水资源工程张振泰安市区水资源优化配置研究董洁113水利土木工程学院土木工程吕文通泰安市实验中学办公楼设计周翠玲114水利土木工程学院土木工程张祯祯阳光幼儿园项目孙勇115水利土木工程学院土木工程曲正强大汶口文化博物馆（方案一）段绪胜116水利土木工程学院给谁排水工程刘晓辉泰安市中医医院污水处理工程齐磊117水利土木工程学院建筑环境与设备工程曹耕硕南京市某办公楼中央空调设计郭彬118水利土木工程学院道路桥梁与渡河工程仇佳佳桥梁横向荷载分布系数计算方法对比分析张建刚119水利土木工程学院艺术设计石勐“最初的家”民俗住宅改造设计方案苗蕾120水利土木工程学院土木工程（房建）徐佳琳山东省滨州市邹平县公安局办公楼王旭光121水利土木工程学院建筑学孙宗权大汶口文化博物馆设计（方案一）王学勇122信息科学与工程学院测绘工程刘晓英黄河三角洲海岸线动态演变监测及预测研究董超123信息科学与工程学院测绘工程刘清华基于多元统计分析的土壤含水量高光谱估测研究李希灿124信息科学与工程学院遥感科学与技术张达基于MODIS的山东省干旱反演厉彦玲信息科学与工程学院空间信息与数字技术韩向旭建设用地优化配置模型研究——以福建省晋江市为例赵传华125126信息科学与工程学院电子信息科学与技术杨月磊面向图像变化检测与分析的深度学习算法杨磊127信息科学与工程学院通信工程王希同基于iOS的互联网装修APP的设计与实现孙波128信息科学与工程学院电子信息科学与技术吴一稷超高精度室内定位系统的设计与实现兰鹏129信息科学与工程学院数学与应用数学孙建苹果树新稍及树冠生长模型研究程述汉130信息科学与工程学院信息与计算科学徐从辉Delaunay三角网格剖分及其简单应用潘浩131信息科学与工程学院物联网工程李汝岭FAT32文件系统在MSP430F5438A上的设计与实现柳平增132信息科学与工程学院计算机科学与技术蒲梦杨山东农业大学迎新系统的设计与开发王鲁133信息科学与工程学院计算机科学与技术杨其跃基于Android平台的趣味猜猜游戏的设计与实现范昊序号学院专业姓名论文题目指导教师134信息科学与工程学院网络工程韩晓东基于双数组Trie树中文分词算法的设计与实现张亮135化学与材料科学学院应用化学王倩玉Ag2S-Au-Ag2S异质结纳米棒的合成、表征及转化朱树华136化学与材料科学学院材料化学蒋积菲基于TiO2/g-C3N4和PAMAM信号放大光电检测蛋白激酶A活性殷焕顺137化学与材料科学学院材料化学张晓3,3-二甲基-1-(3-吡啶基)-2-丁酮肟醚的合成姜林138化学与材料科学学院应用化学郭俊丽磁分离结合C3N4纳米片检测黄曲霉毒素B1艾仕云139体育与艺术学院音乐学侯艺涵手风琴曲《费加罗咏叹调》的技术探析傅天琪140体育与艺术学院音乐学宋琪谈扬琴独奏曲《黄土情》的创作风格及演奏技巧丁继平141体育与艺术学院音乐学王珂昕以艺术歌曲《桥》为例浅析习声乐演唱及处理王蔚。
基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法[发明专利]
![基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法[发明专利]](https://img.taocdn.com/s3/m/ac276e3d360cba1aa911da3b.png)
专利名称：基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法
专利类型：发明专利
发明人：朱艳,杨宝华,姚霞,邱小雷,曹卫星,田永超,程涛,郑恒彪,马吉峰
申请号：CN202011303981.9
申请日：20201119
公开号：CN112557393A
公开日：
20210326
专利内容由知识产权出版社提供
摘要：本发明提出基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法，步骤包括：采集小麦冠层高光谱影像数据和实测小麦叶层氮含量；首先，进行影像预处理，提取光谱反射率，计算植被指数、位置和形状特征，利用卷积神经网络提取深层特征。
其次，通过相关系数分析、随机森林算法进行特征优选，利用并行融合策略构建新的融合图谱特征。
最后，利用粒子群优化支持向量回归方法，构建基于融合图谱特征的小麦叶层氮含量估测模型。
本发明的方法估测精度高、特征鲁棒性强，适用于小麦全生育期，同时也是目前第一次提出综合高光谱影像的植被指数、位置和形状特征、深层特征构建融合图谱特征估测小麦叶层氮含量的方法。
申请人：南京农业大学
地址：210095 江苏省南京市玄武区卫岗1号
国籍：CN
代理机构：南京天华专利代理有限责任公司
更多信息请下载全文后查看。
基于叶冠尺度高光谱的冬小麦叶片含水量估算
收稿日期：2 0 18-12-21，修订日期：2 0 19-0 3-12 基金项目：国家自然科学基金项目"177918 0 , 518611252 0 2)资助 作者简介：陈秀青，女，1994年生，武汉大学水利水电学院硕士研究生
通讯联系人 e-mail: liangshs@
e-mail： chenxiuqing@
在97 0 , 1 2 00 , 1 45 0 , 1 94 0和2 5 0 0 nm附近%同时,导数光 谱可以消除背景噪声，解决重叠光谱现象％ Danson等⑹发 现，1 45 0 nm处的光谱反射率一阶导数曲线与叶片含水量关
系密切，并且对叶片结构不敏感％ Kumar7*也发现叶片含水
量与叶片尺度一阶导数光谱具有统计相关％ Clevers等囚发 现在1 0 15〜1 0 5 0 nm内的一阶导数光谱反射率能够很好地 估算叶片含水量%
关键词 叶片含水量&偏最小二乘回归&竞争性自适应重加权采样&冬小麦&高光谱遥感
中图分类号：O657. 33 文献标识码：A
DOI： 1 0 . 3964/j. issn. 1 0 0 0-0 593(20 20 )03-0 891-0 7
引言
叶片含水量是监测植物生理状态，评估干旱胁迫、火灾 风险的重要指标，快速、准确地获取叶片含水量是进行作物 干旱诊断以及灌溉决策的前提％高光谱遥感技术凭借快速、 高效和无损的优势，已被广泛应用于作物生物理化参量的定 量监测⑴% Thomas等⑵研究叶片含水量与光谱反射率之间 的关系，结果表明1 45 0和1 93 0 nm波段的反射率与叶片相 对含水量显著相关% Curran等⑶发现由水和其他分子中O— H键的伸缩和弯曲产生分子能级变化会引起目标光谱以 970 , 1 200 , 1 45 0 , 1 940和2 5 0 0 nm为中心的吸收区域的 相应变化％田庆久等⑷、王纪华等⑸研究发现，冬小麦叶片 含水量与光谱反射率在1 45 0 nm附近的特征吸收峰深度和 面积呈良好的线性正相关％根据众多学者研究可知叶片含水 量敏感波段主要集中在近红外(NIR, 700〜1 3 00 nm)和短波 红外区域(SWIR, 1 300〜2 5 0 0 nm),光谱水分吸收带主要
不同生育期小麦冠层SPAD值无人机多光谱遥感估算
不同生育期小麦冠层SPAD值无人机多光谱遥感估算一、引言在农业领域，小麦作为全球重要的粮食作物，其生长状况直接关系到粮食产量和品质。
而冠层SPAD值，即叶绿素相对含量，是评估小麦生长状况的重要指标之一。
传统的SPAD值测量方法主要依赖人工采样和实验室分析，不仅耗时耗力，而且难以实现大面积、快速的监测。
因此，寻求一种高效、准确的小麦冠层SPAD值监测方法具有重要意义。
近年来，随着无人机技术的快速发展，无人机多光谱遥感技术在农业领域的应用日益广泛。
该技术能够获取作物冠层的光谱信息，通过解析这些光谱信息，可以实现对作物生长状况的实时监测和评估。
因此，本文旨在利用无人机多光谱遥感技术，估算不同生育期小麦冠层SPAD值，以期为农业生产提供科学依据，推动精准农业的发展。
二、文献综述在国内外研究现状方面，无人机遥感技术在农业领域的应用已经取得了显著进展。
许多学者利用无人机搭载多光谱相机，获取作物冠层的光谱信息，进而构建生长监测模型，实现对作物生长状况的评估。
这些研究不仅证明了无人机多光谱遥感技术在作物生长监测中的可行性，而且为本文的研究提供了重要的理论和方法基础。
在相关理论基础方面，叶绿素相对含量（SPAD值）是反映植物叶绿素含量和光合能力的重要指标。
传统的SPAD值测量方法主要依赖叶绿素计进行点测量，难以实现大面积、快速的监测。
而无人机多光谱遥感技术可以通过获取作物冠层的光谱信息，实现对SPAD值的快速、大面积估算。
在无人机多光谱遥感技术方面，其原理是利用无人机搭载的多光谱相机，获取作物冠层在不同光谱波段下的反射率信息。
通过分析这些反射率信息，可以提取出与作物生长状况密切相关的光谱特征。
然后，利用统计学习或机器学习等方法，构建基于这些光谱特征的作物生长监测模型。
最终，通过模型估算出作物冠层的SPAD值等生长指标。
三、研究内容与方法在研究区域与数据获取方面，本文选择了具有代表性的小麦种植区作为研究区域。
考虑到不同生育期小麦冠层的光谱特性可能存在差异，因此在小麦生长的不同阶段进行了多次无人机飞行实验，以获取充足的多光谱遥感数据。
基于三波段光谱指数的春小麦叶片水分含量估算
麦类作物学报 2024,44(4):522-531J o u r n a l o fT r i t i c e a eC r o ps d o i :10.7606/j.i s s n .1009-1041.2024.04.13网络出版时间:2023-11-16网络出版地址:h t t ps ://l i n k .c n k i .n e t /u r l i d /61.1359.s .20231114.1442.012基于三波段光谱指数的春小麦叶片水分含量估算收稿日期:2023-03-25 修回日期:2023-04-11基金项目:伊犁师范大学2020年度博士启动科研项目(2020Y S B S Y J 001);植物生态重点科学开放课题(Y L U P E 2021Z D 02);伊犁州直2022年度第二批重点研究与技术开发专项(Y Z 2022B 033)第一作者E -m a i l :N e j a t K a s i m@126.c o m (尼加提㊃卡斯木)通讯作者E -m a i l :Z i n i h a r z u n u n @126.c o m (孜尼哈尔㊃祖努尼江)尼加提㊃卡斯木1,2,张志从1,吾木提㊃艾山江1,2,孜尼哈尔㊃祖努尼江1,2(1.伊犁师范大学资源与生态研究所,新疆伊宁835000;2.伊犁师范大学生物与地理科学学院,新疆伊宁835000)摘 要:为探讨利用三波段植被指数(t h r e e -b a n d i n d e x ,3B I )对春小麦叶片水分含量(l e a fw a t e r c o n t e n t,L W C )估算的可行性,在田间尺度上,利用A S D -F i e l d S p e c -3光谱仪测定春小麦抽穗期冠层光谱反射率,采用任意波段组合方法,分别建立两波段植被指数(t w o -b a n d i n d e x ,2B I )包括比值植被指数(R V I )㊁归一化植被指数(N D V I )㊁差值植被指数(D V I )及3B I ,并对单波段反射率㊁两波段植被指数和三波段植被指数与春小麦抽穗期L W C 之间进行相关性分析,筛选稳定的光谱参数,基于人工神经网络(a r t i f i c i a l n e u r a l n e t w o r k ,A N N )㊁K近邻(K -n e a r e s t n e i g h b o r s ,K N N )和支持向量回归(s u p p o r t v e c t o r r e gr e s s i o n ,S V R )等3种机器学习算法,建立有效波段组合运算的抽穗期春小麦L W C 估算模型,并利用独立样本对模型精度进行检验和评价㊂结果表明,单波段反射率㊁2B I 和3B I 与春小麦抽穗期L W C 之间的相关性均达极显著水平(P <0.01),而相关系数差异较大,绝对值分别为0.23㊁0.62㊁0.94,说明组合波段展现了光谱隐含信息,避免有效光谱信息的丢失;估算模型中,春小麦抽穗期以K N N 算法和最佳3B I 组合变量(3B I -5(1075,1095,1085)㊁3B I -6(1100,400,1097))构建的模型拟合度最高(r 2=0.83),均方根误差最小(R M S E =2.14%),相对偏差百分比超出了2.0以上(R P D =2.31),说明该模型具有一定的预测能力㊂由此可见,通过任意波段组合,可明显提高3B I 与春小麦L W C 的关联度,且基于K 近邻算法构建的模型具有较好的稳定性和估算能力㊂关键词:春小麦;叶片水分;高光谱;波段组合;机器学习中图分类号:S 512.1;S 314 文献标识码:A 文章编号:1009-1041(2024)04-0522-10E s t i m a t i o n o f L e a fW a t e rC o n t e n t o f S p r i n g W h e a t B a s e d o n 3DS pe c t r a l I n d e x N I J A TK a s i m 1,2,Z H A N GZ h i c o n g 1,U M U TH a s a n 1,2,Z I N H A RZ u n u n ja n 1,2(1.I n s t i t u t e o fR e s o u r c e s a n dE c o l o g y ,Y i l iN o r m a lU n i v e r s i t y ,Y i n i n g ,X i n j i a n g 835000,C h i n a ;2.C o l l e g e o f B i o l o g y an d G e o g r a p h y S c i e n c e s ,Y i l iN o r m a lU n i v e r s i t y ,Y i n i n g ,X i n j i a n g 835000,C h i n a )A b s t r a c t :T o e x p l o r e t h e f e a s i b i l i t y o f u s i n g t h r e eb a n dv e ge t a t i o n i n d e x (3B I )t oe s t i m a t e l e a fw a t e r c o n t e n t (L W C )o fs p r i n g w h e a t ,t h e A S D -F i e l d S p e c -3s p e c t r o m e t e rw a su s e da t t h ef i e l ds c a l et o m e a s u r e t h e c a n o p y s p e c t r a l r e f l e c t a n c e o f s p r i ng wh e a t a t h e a di n g s t a ge .C o m b i n a t i o no fw a v e b a n d s w a s u s e d t o e s t a b l i s ht w ob a n dv e g e t a t i o n i n d e x (2B I ),i n c l u d i n g r a t i ov e ge t a t i o n i n d e x (R V I )a n d n o r m a l i z e dv e g e t a t i o n i n d e x (N D V I ),a n dD if f e r e n c eV e ge t a t i o nI n d e x (D V I )a n d3B Iw e r eu s e dt o a n a l y z e t h e c o r r e l a t i o nb e t w e e ns i n g l eb a n dr ef l e c t a n c e ,t w ob a n dv eg e t a t i o n i n d e x ,a n dth r e eb a n d v e g e t a ti o n i n d e xw i t hL W Ca t h e a d i n g s t a g e o f s p r i n g w h e a t .S t a b l e s p e c t r a l pa r a m e t e r sw e r e s e l e c t -e d ,a n dt h r e e m a c h i n el e a r n i n g a l g o r i t h m s ,i n c l u d i n g ar t i f i c i a ln e u r a ln e t w o r k (A N N ),K -n e a r e s t n e i g h b o r s (K N N ),a n d s u p p o r t v e c t o r r e gr e s s i o n (S V R )w e r e c o n d u c t e d t o e s t a b l i s h a n e f f e c t i v e b a n d c o m b i n a t i o no p e r a t i o nb a s e dL W Ce s t i m a t i o nm o d e l f o r s p r i n g w h e a t a t h e a d i n g s t a g e ,a n d t o t e s t a n d e v a l u a t e t h e a c c u r a c y o f t h em o d e l u s i n g i n d e p e n d e n t s a m pl e s .T h e r e s u l t s s h o w e d t h a t t h e c o r r e l a t i o nb e t w e e n s i n g l eb a n d r e f l ec t a n c e,2B I a n d3B I,a n dL W Ca th e ad i n g s t a g eo f s p r i n g w he a t r e a c h e da h i g h l y s i g n if i c a n t l e v e l(P<0.01),w i t hs ig n i f i c a n t d i f f e r e n c e s i nc o r r e l a t i o nc o e f f i c i e n t s,w i t ha b s o-l u t e v a l u e s o f0.23,0.62,a n d0.94,r e s p e c t i v e l y.Thi s i n d i c a t e s t h a t t h ec o m b i n e db a n d se x h i b i t s p e c t r a l i m p l i c i t i n f o r m a t i o na n da v o i dt h e l o s so f e f f e c t i v es p e c t r a l i n f o r m a t i o n.F o r t h ee s t i m a t i o n m o d e l,t h e m o d e l b u i l t w i t h K N N a l g o r i t h m a n d t h e b e s t3B I c o m b i n a t i o n v a r i a b l e s(3B I-5(1075,1095,1085),3B I-6(1100,400,1097)a t t h e h e a d i n g s t a g e o f s p r i n g w h e a t h a d t h e h i g h e s t f i t t i n g d e g r e e(r2 =0.83),t h e s m a l l e s tR o o t-m e a n-s q u a r e d e v i a t i o n(R M S E=2.14%),a n d t h e r e l a t i v ed e v i a t i o n p e r-c e n t a g em o r e t h a n2.0(R P D=2.31),i n d i c a t i n g t h a t t h e m o d e lh a dc e r t a i n p r e d i c t i v ea b i l i t y.I t i s s u g g e s t e d t h a t t h e c o r r e l a t i o nb e t w e e n3B I a n ds p r i n g w h e a tL W Ci s s i g n i f i c a n t l y i m p r o v e dt h r o u g h t h e c o m b i n a t i o n o fw a v e b a n d s.T h em o d e l c o n s t r u c t e d b a s e d o n t h eK-n e a r e s t n e i g h b o r a l g o r i t h mh a s g o o d s t a b i l i t y a n de s t i m a t i o na b i l i t y.K e y w o r d s:S p r i n g w h e a t;L W C;H y p e r-s p e c t r a l;B a n d c o m b i n a t i o n;M a c h i n e l e a r n i n g粮食问题与社会安宁㊁政局稳定和人民安居乐业关系密切,及时掌握农作物产量有利于政府对粮食问题提前决策及采取宏观调控措施[1]㊂联合国2015年通过增加可持续农业生产㊁减少粮食浪费和确保人类零饥饿,将全球粮食安全作为可持续发展目标[2]㊂因此,科学准确地监测农作物长势及产量,对于保障世界粮食安全和促进农业可持续发展具有重大意义[3]㊂水分是作物生长过程中尤为重要的生理指数,水分含量亏缺不仅影响作物的内部生化过程和外部形态结构,还会改变作物长势㊁产量及品质[4],因而水分常被作为作物生长状况良好度量和诊断指标[5]㊂传统农作物参数指标测定主要采用人工区域调查法,虽然测定结果准确性较高,但工作量大㊁速度慢㊁成本高㊂L a n d s a t㊁S P O T等遥监测卫星可提供最新㊁最快和最准确的地面数据,从而为遥感技术在农业各个领域广泛应用创造了条件㊂与传统作物指标测定方法相比,遥感技术估产具有快速㊁准确和动态等优点[6-8]㊂随着高光谱遥感的迅速发展,高光谱遥感技术已经成为精准农业生产体系的重要组成部分㊂由于其具有波段的连续性强㊁光谱分辨率相对高的优势,成为作物地上部生物量㊁L A I㊁叶片水分等作物重要参数的快速定量估算及无损监测的重要手段[9-11]㊂国内外学者普遍认为作物水分敏感波段为820㊁950~970㊁1200㊁1450㊁1600㊁1940和2500n m等[12-13];张佳华等[14]利用获取的高光谱数据的导数变换分析了小麦水分相对含量与吸收光谱的相关性㊂刘小军等[15]系统分析任意两波段组合而成的比值(R S I)㊁差值(D S I)光谱指数和归一化差值(N D S I)与叶片水分的量化关系,并建立了水稻叶片含水量的估测模型;王小平等[16]从春小麦光谱反射率中筛选出与作物冠层含水量相关性最高的两个波段(780和1750 n m),并构建新的指数s e m i-a r i d w a t e r i n d e x-1(S AW I-1)和s e m i-a r i d w a t e r i n d e x-2(S AW I-2)进行反演,得到较好的结果;李天胜等[17]对冬小麦高光谱数据进行S G平滑㊁一阶导数和二阶导数处理,并建立叶片含水量多种高光谱估算模型,且模型模拟精度均较好㊂目前,作物叶片含水量的高光谱估算模型主要基于单一波段反射率和植被指数构建,并结合多种模型进行模拟监测,而对于获取的高光谱数据的植被指数波段组合优化有待研究和深入[18]㊂利用作物叶片光谱指数进行作物水分估测是可行的,但用于估算作物水分含量的特征光谱和植被指数一般因地域不同而产生较大变化,并使单一波段反射率或植被指数对作物水分敏感度存在一定差异㊂本研究对作物冠层高光谱反射率全波段信息尽可能进行组合,分别计算两波段光谱指数(r a t i o v e g e t a t i o n i n d e x,R V I;n o r m a l i z e d d i f f e r e n c e v e g e t a t i o ni n d e x,N D V I;d i f f e r e n c e v e g e t a t i o n i n d e x,D V I)和三波段光谱指数(T h r e e-B a n d c o m b i n a t i o n i n d e x,3B I),并与单波段反射率进行比较,探讨单波段㊁两波段和三波段光谱指数对春小麦叶片水分含量的敏感和稳定程度,寻求适宜干旱区作物参数稳定估算的多维光谱指数方法,最终以最佳多维波段组合光谱指数为自变量,引入3种机器学习算法(K N N㊁A N N㊁S VM),比较建模过程中存在的线性和非线性拟合性,建立基于三波段光谱指数的春小麦叶片水分含量估算模型并验证,以期为干旱区域田间尺度上利㊃325㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算用无人机载高光谱传感器对作物叶片水分状况快速㊁高分辨率㊁高精度评估提供参考依据㊂1 材料与方法1.1 研究区概况研究区属于科学实验基地,位于新疆阜康市上户沟乡滋泥泉子镇北部(88ʎ22'~88ʎ29'E ,44ʎ23'~44ʎ22'N ),占地面积为480h m 2,周围均为主要播种小麦㊁玉米等农作物的大型农场[18]㊂该地区是典型的干旱耕作区,也是新疆主要的粮食基地㊂气候类型属于典型的中温带大陆性干旱气候,其特点是四季分明,冬天冷夏天热,春秋气温变化较剧烈,降水量少且季节分配不均匀,降水主要集中在春夏季,光热条件充足[19]㊂图1为研究区春小麦播种区域和采样区,播种区域均匀铺设滴灌设施,参照当地作物灌溉方案,滴灌梯度设置为450㊁600和750m 3㊃h m -2;黄色部分为正方形采样区(1mˑ1m ),共154个㊂图1 采样数据点在研究区的分布F i g .1 D i s t r i b u t i o no f s a m p l i n g d a t a p o i n t s i n t h e s t u d y ar e a 1.2 地面数据获取与处理春小麦不同叶位中,顶部叶片含水量与反射光谱之间的定量关系较好[20]㊂因此,2017年6月对春小麦顶一叶和顶二叶进行采样,并立刻放于密封塑料袋中且做好标签,保证其水分不受损失,每个采样小区重复采集10次样本,室内将样本的叶与茎分开处理,做好样品的预处理工作㊂样本先用电子天平(0.0001g )称取鲜重(f r e s hw e i g h t ,F W ),再在105ħ下杀青30m i n 后放入烘干箱(温度为80ħ)烘干36h ,最后称取干重(d r y w e i gh t ,DW ),并计算叶片含水量(L W C )㊂L W C =(F W-C W )/F Wˑ100%㊂在采样的同时,利用A S D -F i e l d S pe c -3光谱仪(波段范围为350~2500n m )获得春小麦冠层高光谱数据,在350~1000和1000~2500n m 范围内间隔分别为1.4和2.0n m ,高光谱数据重采样后可达到1n m ㊂数据采集当日天气晴朗无云,野外光谱采集时间为12:00-14:00,每隔5m i n 进行白板校正一次㊂每个样本重复测定10次,取其平均值作为样本的冠层光谱数据㊂1.3 波段植被指数的筛选通过对光谱全波段信息多种方式组合和优化,获得所选植被指数的计算结果㊂表1列出了本研究选取的3种两波段组合植被指数和7种三波段组合植被指数㊂波段组合计算过程通过实验组在J a v a 平台上开发的软件(T h r e e -b a n d c o m b i n a t i o n o fo pt i m i z e d i n d i c e s ,V 1.0.登记号:2018S r 281300)实现㊂对基于分数阶微分处理的光谱数据构建的两波段光谱指数与土壤有机质含量进行P e a r s o n相关性分析,选择相关系数通过0.01水平显著性检验的R V I ㊁N D V I ㊁D V I 作为敏感指数,以消除共线性光谱指数的存在问题㊂1.4 估算模型的建立与验证本研究把154个采样点的样本数据随机分为建模集(123个,占总数据的80%)和验证集(31个,占总数据的20%)㊂利用人工神经网络(a r t i -f i c i a l n e u r a l n e t w o r k ,A N N )㊁K 近邻(K -n e a r e s tn e i g h b o r s ,K N N )和支持向量回归(s u p p o r t v e c -t o r r e gr e s s i o n ,S V R )三种机器学习算法构建模型㊂A N N 是指由大量的处理单元(神经元)互相㊃425㊃麦 类 作 物 学 报 第44卷表1 不同波段多种组合的植被指数T a b l e 1 V e g e t a t i o n i n d e x o f d i f f e r e n t b a n d s a n dm u l t i pl e c o m b i n a t i o n s 类型T y p e 植被指数V e g e t a t i o n i n d e x 公式F o r m u l a 参考文献R e f e r e n c e两波段指数2B I比值植被指数R V I归一化植被指数N D V I 差值植被指数D V IR λ1/R λ2(R λ1-R λ2)/(R λ1+R λ2)R λ1-R λ2[21]三波段指数3B I3B I -1R λ1/(R λ2ˑR λ3)3B I -2R λ1/(R λ2+R λ3)3B I -3(R λ1-R λ2)/(R λ2+R λ3)3B I -4(R λ1-R λ2)/(R λ2-R λ3)3B I -5(R λ2+R λ3)/R λ13B I -6(R λ1-R λ2)/[(R λ1-R λ2)-(R λ2-R λ3)]3B I -7(R λ1-R λ2)-(R λ2-R λ3)[22-23] R 为反射率;λ为400~2400n m 内任意波长㊂Rr e f e r s t o r e f l e c t a n c e ;λr e f e r s t o a n y w a v e l e n g t h i n t h e r a n ge of 400-2400n m.连接而形成的复杂网络结构㊂以数学模型模拟神经元活动,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统[24]㊂K N N 是一种理论上比较成熟且最简单的机器学习算法之一,其思路非常简单直观:如果一个样本在特征空间中的K 个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别[25]㊂S V R 是基于支持向量机(s u p po r tv e c -t o rm a c h i n e ,S VM )算法的一种回归方法[26]㊂模型精度验证采用决定系数(r 2)㊁均方根误差(r o o t -m e a ns q u a r ee r r o r ,R M S E )和相对偏差百分比(r e l a t i v e p e r c e n t d e v i a t i o n ,R P D )三个指标,主要是对所建立的模型进行稳定性和预测能力检验㊂r 2越高,模型的线性关系越强㊂R M S E越小,表明测量数据和预测数据之间的误差低㊂R P D 是标准偏差与估计标准误差之间的比率㊂R P D 值超过2.0,说明该模型具有较好的预测能力;R P D 值在1.4~2.0之间,代表模型具有一般预测能力;R P D 值小于1.4,说明模型预测能力较差㊂2 结果与分析2.1 春小麦叶片水分含量(L W C )统计分析及其对高光谱的响应从总数据集㊁建模集和验证集(表2)看,春小麦L W C 变化范围分别为64.94%~91.54%㊁64.94%~85.26%和69.56%~91.34%,标准差分别为3.56%㊁3.15%和4.83%,变异系数分别为4.58%㊁4.06%和6.15%,总数据集变异系数在建模集和验证集的变异系数之间㊂春小麦的冠层反射波普曲线规律性明显(图2A ),在可见光波段400~760n m 有个小的反射峰(550n m ),这与叶片叶绿素的影响密切相关;在近红外波段有一反射的陡坡,至1100n m 附近有一个峰值㊂P e a r s o n 相关性分析(图2B )表明,光谱反射率与L W C 相关极显著(P <0.01)㊂通过0.05显著性检验的波段范围分别为400~410㊁760~980和1020~1120n m ,而通过0.01显著性检验的波段主要集中在780~930n m ㊂从以上分析可知,对春小麦L W C 敏感的光谱波段区域主要为400~1300n m ,其中光谱反射率与L W C 在400~720n m 波段范围内呈负相关,而在720~1300n m 波段范围内的相关性较弱㊂因此,需要通过植被指数的波段优化计算来进一步探讨其对L W C 之间的关联程度㊂2.2 不同波段组合植被指数与春小麦L W C 的相关性2.2.1 两波段组合植被指数与春小麦L W C 的相关性在400~1300n m 波段范围内对两波段光谱植被指数(比值植被指数R V I ㊁归一化植被指数N D V I 和差值植被指数R V I)进行两波段组合运算,并分析其与春小麦L W C 之间的相关性㊂从以MA T L A B 环境分别绘制的两波段P e a r s o n 相关性可视化热图(图3)看,3种光谱指数对春小麦L W C 的敏感波段区域比较相似,大致在近红外(800~1000n m )波段区域相关性表现突出,相关系数绝对值均在0.60以上(P <0.01),相关性敏感程度较单波段反射率明显提高㊂因此,可通过两波段光谱指数的运算,寻找更加敏感波段组合(表3)㊂㊃525㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算表2 春小麦叶片含水量统计分析T a b l e 2 D e s c r i p t i v e s t a t i s t i c o f s p r i n g wh e a t l e a fw a t e r c o n t e n t 数据类型D a t a t y p e 数量N u m b e r 最大值M a x .v a l u e/%最小值M i n .v a l u e/%标准差S t a n d a r dd e v i a t i o n/%变异系数C V /%总数据集T o t a l d a t a s e t 15491.5464.943.564.58建模集M o d e l i n g s e t 12385.2664.943.154.06验证集V a l i d a t i o n s e t3191.5469.564.836.15图2 不同水分原始光谱反射率及其与L W C 之间的相关性F i g .2 O r i g i n a l s pe c t r a l r ef l e c t a n c e o f d i f f e r e n tm o i s t u r e a n d i t s c o r r e l a t i o nw i t hL W C 2.2.2 三波段组合植被指数与春小麦L W C 的相关性在400~1300n m 波段范围内对三波段光谱植被指数(3B I -1至3B I -7)进行三波段组合运算,分析其与春小麦L W C 之间的相关性,并以MA T L A B 环境分别绘制了三波段P e a r s o n 相关性可视化热图(图4)㊂分析发现,利用三波段组合运算构建的3D V I -1㊁3D V I -3㊁3D V I -7等对春小麦L W C 的相关系数范围为-0.42~0.38,敏感程度较弱;而3D V I -2㊁3D V I -4㊁3D V I -5等对春小麦L W C 的相关系数为-0.84~0.67,相关性较前3种指数明显提高;而在利用三波段组合运算构建的指数中,3D V I -6与L W C 之间的相关性最好,相关系数为-0.94~0.92㊂与单波段反射率㊁两波段植被指数相比,三波段植被指数对春小麦叶片水分含量敏感程度最高㊂表3是根据三波段P e a r s o n 相关性可视化热图统计了7种波段组合植被指数的最佳段组合㊂2.3 模型建立与验证虽然原始反射率㊁两波段植被指数和三波段植被指数与春小麦L W C 之间的相关性存在一定的差异性,但为了比较建模效果,3种类型的数据均参与建模过程㊂其中,原始光谱数据通过显著性检验结果来确定敏感波段范围(波长769~924n m 对应的154个反射率信息);两波段植被指数的选取则以最佳波段组合形式来确定(D V I 1046,1057㊁R V I 1272,1279㊁N D V I 1272,1279);三波段植被指数则选取相关性系数绝对值满足|r |ȡ0.80且通过0.01显著性水平检验的对象(3B I -51075,1095,1085㊁3B I -61100,400,1097)㊂利用3种机器学习算法(K N N ㊁S V R ㊁A N N )基于3种数据分别构建春小麦L W C 估算模型㊂对比分析发现,在训练集上,利用原始光谱数据的三种算法建模r 2分别为0.41㊁0.25和0.19,模型拟合能力较低;而利用两波段或三波段植被指数的建模r 2明显提高,其中三波段植被指数的建模r 2分别为0.86㊁0.67和0.64㊂利用三波段植被指数建模的R M S E 明显降低,R P D 值也显著提高㊂在验证集上三类数据模型的估算精度也表现出相同的规律㊂这说明通过波段组合筛选的最佳参数不仅可以减少建模参数的数量,而且能够挖掘高光谱数据的隐含信息,提高模型估算精度㊂三种算法中,K N N 算法的建模效果与估算能力均最好,而A N N 算法最弱㊂为更好比较不同估算能力模型的预测能力和㊃625㊃麦 类 作 物 学 报 第44卷A :D V I ;B :N D V I ;C :R V I .图3 春小麦L W C 与3种波段组合植被指数的相关性F i g .3 C o r r e l a t i o nb e t w e e n l e a fw a t e r c o n t e n t o f s p r i n g w h e a t a n d v e ge t a t i o n i n d e x of t w ob a n d s 表3 三波段植被指数的最佳三波段组合T a b l e 3 B e s t t h r e e b a n d c o m b i n a t i o no f 3Dv e ge t a t i o n i n d e x 类型T y p e 植被指数V e g e t a t i o n i n d e x 公式F o r m u l a两波段指数2B I比值植被指数R V IR 1272/R 1279归一化植被指数N D V I (R 1272-R 1279)/(R 1272+R 1279)差值植被指数D V IR 1046-R 1057三波段指数3B I3B I -1R 405/(R 710ˑR 885)3B I -2R 875/(R 865+R 893)3B I -3(R 765-R 782)/(R 782+R 685)3B I -4(R 665-R 1095)/(R 1095-R 660)3B I -5(R 1075+R 1095)/R 10853B I -6(R 1100-R 400)/[(R 1100-R 400)-(R 400-R 1097)]3B I -7(R 850-R 880)-(R 880-R 890)效果,制作验证值与估算值之间的散点绘图㊂图5A 是估算能力最弱的A N N 模型,图5B 是具有一定估算能力的K N N 模型,也是该研究的最佳模型㊂两个小图对比发现,基于原始光谱数据的A N N 模型中预测结果比较分散,效果不佳,而基于三波段植被指数的K N N 模型预测效果较好,预测值与实测值误差较小,二者接近1ʒ1线,其r 2=0.83,R M S E =2.14%,R P D=2.31(表4)㊂3 讨论春小麦是中国不可缺少的粮食作物㊂作物叶片水分含量除受叶面积大小㊁蒸腾速率㊁作物布㊃725㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算图4 春小麦叶片含水量与7种波段组合植被指数的相关性F i g .4 C o r r e l a t i o nb e t w e e n l e a fw a t e r c o n t e n t o f s p r i n g w h e a t a n d v e ge t a t i o n i n d e x of t h r e e b a n d s ㊃825㊃麦 类 作 物 学 报 第44卷表4 春小麦叶片水分含量建模与验证精度T a b l e 4 M o d e l i n g a n d v e r i f i c a t i o no f l e a fw a t e r c o n t e n t o f s p r i n g wh e a t 类型T y pe 变量V a r i a b l e 模型M o d e l 训练集T r a i n i n g se t r2RM S E /%验证集T e s t i n g se t r2R M S E /%R P D 原始光谱数据O r i g i n a l s p e c t r a l d a t a 波长(769~924n m )对应的154个反射率K N N 0.414.060.325.031.61S V R0.255.210.215.621.50A N N 0.195.390.116.071.33两波段植被指数2B I V e g e t a t i o n i n d e xo f 2B I D V I (1046,1057)K N N0.672.560.642.352.01R V I (1272,1279)S V R 0.453.470.404.231.88N D V I (1272,1279)A N N0.394.210.284.861.76三波段植被指数3B I V e ge t a t i o n i n d e xof 3B I 3B I -5(1075,1095,1085)3B I -6(1100,400,1097)K N N 0.861.930.832.142.31S V R0.672.380.612.622.11A N N0.643.210.583.441.98图5 不同估算能力模型的验证值与估算值之间散点绘图F i g .5 S c a t t e r p l o t b e t w e e nv e r i f i c a t i o nv a l u e s a n d e s t i m a t e d v a l u e s o f d i f f e r e n t e s t i m a t i o n c a p a b i l i t y mo d e l s 局等因素影响外,还随着天气与地面温度条件的变化而变化[27]㊂因此,如何实现对作物叶片水分含量的快速㊁精准估算,一直是作物长势监测急需解决的问题㊂作物含水量遥感监测与传统测定方法相比,可无接触获取观测数据,并减少对作物的破坏㊂遥感技术主要是通过不同波长对物体反射的辐射能量差异性,来获取敏感波段特征㊂目前,诸多研究通过数学的方法对高光谱数据进行不同的预处理,并进行多种植被指数的计算,进而采用统计学分析方法筛选敏感波段和植被指数,同时结合不同的算法构建小麦叶片含水量的估算模型㊂高光谱的数据量大㊁连续性强,不同植被指数也具有各自的特点[18]㊂以往研究对高光谱植被指数的波段优化计算,尤其是对不同维度光谱波段反射率有效组合的筛选较少㊂本研究基于不同叶片水分含量的春小麦冠层反射波谱特征,分析多维度数据对春小麦叶片水分含量的敏感性,借助3种机器学习算法构建了春小麦抽穗期叶片水分含量估算模型㊂从光谱对春小麦叶片水分含量的响应看,在可见光和近红外波段范围,春小麦冠层光谱反射率随着叶片水分的不同呈现明显的差异㊂这与叶绿体性状随着叶片水分含量的降低而变化有关[28-29]㊂本研究通过比较单波段反射率㊁两波段植被指数和三波段植被指数对春小麦叶片水分含量的敏感性,寻求有效的模型估算参数;两波段和三波段植被指数对水分含量的敏感性优于单波段反射率,其原因是光谱植被指数是将简单的单波段反射信息转变为相对复杂的自由组合波段信息,可以增加光谱信息的负载量及波段之间的差异,降低外界因素的影响,使信息量达到最大化[30]㊂本研究分析发现,用单一特征波段反射率构建模型,虽然自变量结构简单,但很难避免光谱信息的损失,存在一定的局限性;此结果与胡珍珠[31]㊁L e e 等[32]和热依拉㊃艾合买提等[18]的研究结论一致㊂利用以两波段和三波段植被指数作为模型变量,再利用人工神经网络(A N N )㊁K 近邻(K N N )和支持向量回归(S V R )构建估算模型,㊃925㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算结果表明,K N N的建模精度优于A N N和S V R㊂在诸多研究中,经常假设自变量和因变量呈线性关联而构建回归模型,但实际上该条件较难满足㊂如陈晓凯等[33]研究表明,最优窄波段植被指数与目标参数通常表现为非线性关系㊂本研究中,K 近邻算法的非线性拟合效果最佳进一步证实了以上观点㊂本研究表采用任意波段组合构建的三波段光谱指数显著提高了对目标物的敏感程度,且利用K近邻算法提升了模型的估算精度和稳定性㊂作物不同生育时期叶片长势及大小具有一定的差异,叶片光合作用也在变化㊂因此,不同时期用于模型建立的参数可能会不同㊂本研究的数据局限于春小麦抽穗期,三波段光谱指数在小麦不同生育时期最佳波段组合计算以及估算模型精度需要进一步验证和提升㊂参考文献:[1]李佛琳,李本逊,曹卫星.作物遥感估产的现状及其展望[J].云南农业大学学报(自然科学),2005,20(5):680.L IFL,L IBX,C A O W X.S t a t u s a n d p r o s p e c to f c r o p-y i e l d a s s e s sb y r e m o t e s e n s i n g[J].J o u r n a l o f Y u n n a nA g r i c u l t u r-a lU n i v e r s i t y(N a t u r a l S c i e n c e),2005,20(5):680.[2]胡运伟,彭凯,冷伟,等.农作物精细化遥感估产应用-以黑龙江省庆安县作物估产项目为例[J].卫星应用,2022(8):63. HU Y W,P E N GK,L E N G W,e t a l.T h e a p p l i c a t i o n o f p r e c i s e r e m o t e s e n s i n g t oe s t i m a t et h e y i e l do f t h ec r o p s i n Q i n g a n C o u n t y o fH e i l o n g j i a n g P r o v i n c e[J].S a t e l l i t eA p p l i c a t i o n, 2022(8):63.[3]周青青,胡永红,段建南.农作物遥感估产的方法综述[J].国土资源导刊,2014,11(5):101.Z H O U Q Q,HU Y H,D U A NJN.Ar e v i e wo f t h em e t h o d s t o e s t i m a t e t h e y i e l d o f t h e c r o p s b y r e m o t e s e n s i n g[J].L a n da n dR e s o u r c eH e r a l d,2014,11(5):101.[4]于君明,蓝朝桢,周艺,等.农作物含水量的遥感反演[J].武汉大学学报(信息科学版),2009,34(2):210.Y UJM,L A NCZ,Z H O U Y,e t a l.R e t r i e v a l o fw a t e r c o n t e n t o f c r o p b a s e do n r e m o t e s e n s i n g[J].G e o m a t i c s a n dI n f o r m a-t i o nS c i e n c e o f W u h a nU n i v e r s i t y(I n f o r m a t i o nS c i e n c eE d i-t i o n),2009,34(2):210.[5]史博,马祖凯,刘小军,等.小麦植株水分状况遥感监测研究进展与展望[J].麦类作物学报,2022,42(4):495.S H IB,MA Z K,L I U XJ,e ta l.P r o g r e s sa n d p r o s p e c t so f w h e a t p l a n tw a t e r s t a t u sm o n i t o r i n g b y r e m o t es e n s i n g[J]. J o u r n a l o f T r i t i c e a eC r o p s,2022,42(4):495.[6]杨丽.遥感技术在精准农业中的现状及发展趋势[J].农业与技术,2019,39(16):21.Y A N G L.S t a t u sa n dt r e n do fr e m o t es e n s i n g t e c h n o l o g y i n p r e c i s i o na g r i c u l t u r e[J].A g r i c u l t u r ea n dT e c h n o l o g y,2019,39(16):21.[7]陈智芳,宋妮,王景雷,等.基于高光谱遥感的冬小麦叶水势估算模型[J].中国农业科学,2017,50(5):871.C H E NZF,S O N G N,WA N GJL,e t a l.L e a fw a t e r p o t e n t i a l e s t i m a t i n g m o d e l s o fw i n t e rw h e a t b a s e do nh y p e r s p e c t r a l r e-m o t e s e n s i n g[J].S c i e n t i aA g r i c u l t u r aS i n i c a,2017,50(5): 871.[8]周永财.基于冠层光谱信息的无人机遥感诊断冬小麦水分胁迫模型[D].杨凌:西北农林科技大学,2021.Z H O U YC.U A Vr e m o t es e n s i n g d i a g n o s i sm o d e l so fw a t e r s t r e s s o fw i n t e rw h e a t b a s e do nc a n o p y s p e c t r u mi n f o r m a t i o n[D].Y a n g l i n g:N o r t h w e s tA&FU n i v e r s i t y,2021.[9]杨硕,王世新,周艺,等.叶绿素反演三波段模型的多时相应用[J].遥感信息,2010(5):98.Y A N GS,WA N GSX,Z HO U Y,e t a l.M u l t i-t e m p o r a l a p p l i-c a t i o n so fc h l o r o p h y l l-ae s t i m a t i o n u s i n g t h r e e-b a n d m o d e l [J].R e m o t eS e n s i n g I n f o r m a t i o n,2010(5):98. [10]C H E N G M H,P E N U E L A S J,M C C A B E M F,e t a l.C o m b i-n i n g m u l t i-i n d i c a t o r s w i t h m a c h i n e-l e a r n i n g a l g o r i t h m sf o r m a i z e y i e l de a r l yp r e d i c t i o n a t t h e c o u n t y-l e v e l i nC h i n a[J].A g r i c u l t u r a l a n dF o r e s tM e t e o r o l o g y,2022,323:109057.[11]白丽,王进,蒋桂英.高光谱分辨率遥感技术在农作物估产中的研究现状与发展趋势[J].现代化农业,2006(1):30.B A IL,WA N GJ,J I A N G G Y.R e s e a r c hs t a t u s a n dd e v e l o p-m e n t t r e n do fh y p e r s p e c t r a l r e s o l u t i o nr e m o t es e n s i n g t e c h-n o l o g y i nc r o p e s t i m a t i o n[J].M o d e r n i z i n g A g r i c u l t u r e, 2006(1):30.[12]田庆久,宫鹏,赵春江,等.用光谱反射率诊断小麦水分状况的可行性分析[J].科学通报,2000,45(24):2645.T I A N QJ,G O N GP,Z H A OC J,e t a l.F e a s i b i l i t y a n a l y s i s o f u s i n g s p e c t r a lr e f l e c t a n c et o d i a g n o s e w h e a t w a t e rs t a t u s [J].C h i n e s eS c i e n c eB u l l e t i n,2000,45(24):2645. [13]王纪华,赵春江,郭晓维,等.用光谱反射率诊断小麦叶片水分状况的研究[J].中国农业科学,200,34(1):104.WA N GJH,Z HA OCJ,G U O X W,e t a l.S t u d y o n t h ew a-t e r s t a t u s o f t h ew h e a t l e a v e sd i a g n o s e db y t h es p e c t r a l r e-f l e c t a n c e[J].S c i e n t i aAg r i c u l t u r aS i n i c a,2001,34(1):104.[14]张佳华,郭文娟,姚凤梅.植被水分遥感监测模型的研究[J].应用基础与工程科学学报,2007,15(1):45.Z HA N GJH,G U O WJ,Y A OF M.T h e s t u d y o n v e g e t a t i o n w a t e rc o n t e n te s t i m a t i n g m o d e lb a s e d o n r e m o t es e n s i n g t e c h n i q u e[J].J o u r n a lo f B a s i cS c i e n c ea n d E n g i n e e r i n g, 2007,15(1):45.[15]刘小军,田永超,姚霞,等.基于高光谱的水稻叶片含水量监测研究[J].中国农业科学,2012,45(3):435.L I U XJ,T I A N Y C,Y A O X,e ta l.M o n i t o r i n g l e a fw a t e r c o n t e n t b a s e do nh y p e r s p e c t r a l i n r i c e[J].S c i e n t i aA g r i c u l-t u r a l S i n i c a,2012,45(03):435.[16]王小平.基于高光谱的半干旱区作物水分胁迫及其生理参数监测模型研究[D].兰州:兰州大学,2014.WA N G XP.S t u d y o n t h e c r o p w a t e r s t r e s s a n d t h e p h y s i o-l o g i c a l p a r a m e t e r sm o n i t o r i n g m o d e l b a s e d o n c a n o p y h y p e r-㊃035㊃麦类作物学报第44卷s p e c t r a l r e f l e c t a n c e d a t a i n s e m i-a r i d r e g i o n,n o r t h w e s t C h i n a[D].L a n z h o u:L a n z h o uU n i v e r s i t y,2014.[17]李天胜,崔静,王海江,等.基于高光谱特征波长的冬小麦水分含量估测模型[J].新疆农业科学,2019,56(10):1772. L ITS,C U I J,WA N G HJ,e t a l.S t u d y o nw a t e r c o n t e n t e s-t i m a t i o nm o d e l o fw i n t e rw h e a t b a s e d o nh 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 cw a v e l e n g t h[J].X i n j i a n g A g r i c u l t u r a lS c i e n c e s, 2019,56(10):1772.[18]吾木提㊃艾山江,买买提㊃沙吾提,尼加提㊃卡斯木,等.基于灰色关联法的春小麦叶片含水量高光谱估测模型研究[J].光谱学与光谱分析,2018,38(12):259.UMU T H A S A N,MAMA TS AWU T,N I J A TK A S I M,e t a l.H y p e r s p e c t r a le s t i m a t i o n m o d e lo fl e a f w a t e rc o n t e n ti n s p r i n g w h e a t b a s e do n g r e y r e l a t i o n a l a n a l y s i s[J].S p e c t r o s-c o p y a n dS p e c t r a lA n a l y s i s,2018,38(12):259.[19]热依拉㊃艾合买提,吾木提㊃艾山江,阿不都艾尼㊃阿不里,等.基于机器学习的春小麦叶片水分含量高光谱估算[J].麦类作物学报,2022,42(5):640.R A H I L A A HMA T,UMU T H A S A N,A B D U G H E N I A B L I Z,e t a l.H y p e r s p e c t r a l e s t i m a t i o no f s p r i n g w h e a t l e a f w a t e r c o n t e n tb a s e do n m a c h i n el e a r n i n g[J].J o u r n a lo f T r i t i c e a eC r o p,2022,42(5):640.[20]B A U S C H W C,H A L V O R S O N A D,C I P R AJ.Q u i c k-b i r d s a t e l l i t e a n d g r o u n d-b a s e d m u l t i s p e c t r a ld a t a c o r r e l a t i o n s w i t ha g r o n o m i c p a r a m e t e r s o f i r r i g a t e dm a i z e g r o w n i n s m a l l p l o t s[J].B i o s y s t e m sE n g i n e e r i n g,2008,101(3):306. [21]WA N GL,HU N TE RJ R,J O H NJQ,e ta l.T o w a r d se s t i-m a t i o no fc a n o p y f o l i a rb i o m a s s w i t h s p e c t r a lr e f l e c t a n c e m e a s u r e m e n t s[J].R e m o t eS e n s i n g o f E n v i r o n m e n t,2011, 115(3):836.[22]I N O U EY,S A K A I Y AE,Z HU Y,e t a l.D i a g n o s t i cm a p p i n g o fc a n o p y n i t r o g e nc o n t e n ti nr i c eb a s e d o n h y p e r s p e c t r a l m e a s u r e m e n t s[J].R e m o t eS e n s i n g o f E n v i r o n m e n t,2012, 126:210.[23]C O R T IM,G A L L I N AP M,C A V A L L ID,e t a l.H y p e r s p e c-t r a l i m a g i n g o f s p i n a c h c a n o p y u n d e r c o m b i n e dw a t e r a n dn i-t r o g e ns t r e s s t oe s t i m a t eb i o m a s s,w a t e r,a n dn i t r o g e nc o n-t e n t[J].B i o s y s t e m sE n g i n e e r i n g,2017,158:38. [24]姚付启,张振华,杨润亚,等.基于红边参数的植被叶绿素含量高光谱估算模型[J].农业工程学报,2009,25(13):123. Y A OFQ,Z HA N G Z H,Y A N G R Y,e ta l.H y p e r s p e c t r a l m o d e l s f o re s t i m a t i n g v e g e t a t i o nc h l o r o p h y l lc o n t e n tb a s e d o n r e d e d g e p a r a m e t e r[J].T r a n s a c t i o n s o f t h e C S A E,2009,25(13):123.[25]王新颖,隽志才,吴庆妍,等.K N N算法的数据优化策略[J].吉林大学学报(信息科学版),2010,28(3):94.WA N G X Y,J U A N ZC,WU Q Y,e ta l.D a t ao p t i m i z a t i o n s t r a t e g y o fK N Na l g o r i t h m[J].J o u r n a l o f J i l i nU n i v e r s i t y(I n f o r m a t i o nS c i e n c eE d i t i o n),2010,28(3):94.[26]郑立华,李民赞,安晓飞,等.基于近红外光谱和支持向量机的土壤参数预测[J].农业工程学报,2010,26(14):81.Z H E N GLH,L IMZ,A NXF,e t a l.F o r e c a s t i n g s o i l p a r a m-e t e r sb a s e d o n N I R a n d S VM[J].T r a n s a c t i o n so f t h eC S A E,2010,26(14):81.[27]肖璐洁,杨武德,冯美臣,等.干旱胁迫对冬小麦冠层光谱及红边参数的影响[J].山西农业大学学报(自然科学版), 2020,40(5):92.X I A O L J,Y A N G W D,F E N G M C,e t a l.E f f e c t s o f d r o u g h t s t r e s s o nc a n o p y s p e c t r aa n dr e de d g e p a r a m e t e r so fw i n t e r w h e a t[J].J o u r n a l o f S h a n x i A g r i c u l t u r a l U n i v e r s i t y (N a t u r a l S c i e n c eE d i t i o n),2020,40(5):92. [28]J O H N S O NLF,H L A V K ACA,P E T E R S O N DL.M u l t i v a-r i a t e a n a l y s i s o fA V I R I Sd a t a f o r c a n o p y b i o c h e m i c a l e s t i m a-t i o na l o n g t h e o r e g o n t r a n s e c t[J].R e m o t eS e n s i n g o f E n v i-r o n m e n t,1994,47(2):216.[29]S U P L I C K-P L O E N S E M R,A L S H AMMA R YSF,Q I A N Y L.S p e c t r a l r e f l e c t a n c er e s p o n s eo f t h r e et u r f g r a s s e st ol e a fd e h y d r a t i o n[J].A s i a nJ o u r n a l o f P l a n tS c i e n c e s,2011,10(1):67.[30]C H E N GT,R I V A R DB,AS A N C H E Z-A Z O F E I F A.S p e c t r o-s c o p i c d e t e r m i n a t i o no f l e a fw a t e rc o n t e n tu s i n g c o n t i n u o u s w a v e l e ta n a l y s i s[J].R e m o t e S e n s i n g o f E n v i r o n m e n t, 2010,115(2):659.[31]胡珍珠,潘存德,潘鑫,等.基于光谱水分指数的核桃叶片含水量估算模型[J].林业科学,2016,52(12):39. HUZZ,P A NCD,P A NX,e t a l.E s t i m a t i o nm o d e l s f o rw a-t e r c o n t e n t o fw a l n u t l e a v e s b a s e d o n s p e c t r a lm o i s t u r e i n d e x [J].S c i e n t i aS i l v a eS i n i c a e,2016,52(12):39. [32]L E EKS,C O H E N W B,K E N N E D Y RE,e t a l.H y p e r s p e c-t r a l v e r s u sm u l t i s p e c t r a l d a t a f o r e s t i m a t i n g l e a f a r e a i n d e x i nf o u r d i f f e r e n t b i o m e s[J].E l s e v i e r,2004,99(3):508.[33]陈晓凯,李粉玲,王玉娜,等.无人机高光谱遥感估算冬小麦叶面积指数[J].农业工程学报,2020,36(22):40.C H E N X K,L I FL,WA N GY N,e t a l.E s t i m a t i o n o fw i n t e r w h e a t l e a fa r e a i n d e xb a s e do n U A V h y p e r s p e c t r a l r e m o t e s e n s i n g[J].T r a n s a c t i o n s o f t h eC S A E,2020,36(22):40.㊃135㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算。
基于无人机高光谱遥感的冬小麦株高和叶面积指数估算
农业机械学报第51卷第12期2020年12月doi：10.6041/j.issn.1000-1298.2020.12.021基于无人机高光谱遥感的冬小麦株高和叶面积指数估算陶惠林1徐良骥2冯海宽1,3杨贵军1,4代阳2牛亚超2（1.北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室，北京100097；2.安徽理工大学测绘学院，淮南232001；3.国家农业信息化工程技术研究中心，北京100097；4.北京市农业物联网工程技术研究中心，北京100097）摘要：为了快速、准确地估算叶面积指数（LAI）,通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据，从中提取岀株高（Hcsm）。
首先，分析了植被指数、Hcsm与LAI的相关性，挑选岀最优植被指数;然后，分别构建了单个参数的LAI线性估算模型;最后，以植被指数、植被指数结合Hcsm为模型输入因子，采用偏最小二乘回归方法构建LAI估算模型。
结果表明:通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）;在不同生育期，大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度；以植被指数、植被指数结合Hcsm为输入变量，通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73,RMSE为0.64）。
本研究方法可以提高LAI估算精度，为农业管理者提供参考。
关键词：冬小麦；叶面积指数；株高；高光谱；植被指数；偏最小二乘中图分类号：S512.1+1；S127文献标识码：A文章编号：1000-1298（2020）12_0193_09Estimation of Plant Height and Leaf Area Index of Winter WheatBased on UAV Hyperspectral Remote SensingTAO Huilin1XU Liangji2FENG Haikuan1'3YANG Guijun1'4DAI Yang2NIU Yachao2(1.Key Laboratory of Quantitative Remote Sensing in Agriculture,Ministry of Agriculture and Rural Affairs,Beijing Research Center for Information Technology in Agriculture,Beijing100097,China2.School of Geodesy and Geomatics，Anhui University of Science and Technology，Huainan232001，China3.National Engineering Research Center for Information Technology in Agriculture,Beijing100097,China4.Beijing Engineering Research Center for Agriculture Internet of Things,Beijing100097,China)Abstract:Leaf area index is an important indicator of crop growth evaluation，so it is crucial to estimate LAI quickly and accurately.The imaging data of the three growth stages of winter wheat was obtained through the imaging hyperspectrum carried by the UAV,and the plant height(Hcsm)was extracted from it.Firstly，the correlation between vegetation indices，Hcsm and LAI was analyzed，and the optimal vegetation index was selected；then the LAI linear estimation model of a single parameter was constructed separately；finally，taking the vegetation indices and vegetation indices combined with Hcsm as the model input factor，the partial least squares regression method was used to construct LAI estimation model.The results showed that the height of the plant height Hcsm extracted from the UAV hyperspectral remote sensing image was highly accurate(R=0.95);the correlation between most vegetation indices and Hcsm at different growth stages and LAI was at0.01significant level；the accuracy of estimating the LAI based on the optimal vegetation index combined with Hcsm was better than that based on the optimal vegetation index or Hcsm only；taking vegetation indices and vegetation indices combined with Hcsm as input variables，the LAI estimation model constructed by partial least square regression achieved the highest accuracy during flowering stage，so partial least squares regression can improve the estimation effect，and the ability to estimate the LAI with the vegetation indices combined with Hcsm as the 收稿日期：20200719修回日期：20200908基金项目：广东省重点领域研发计划项目(2019B020214002)和国家自然科学基金项目(41601346、41871333)作者简介：陶惠林(1994—)，男，助理研究员，主要从事农业定量遥感研究，E-"ail：157****5505@163•co"通信作者：冯海宽(1982—)，男，高级工程师，主要从事农业定量遥感研究，E-mail：**********************194农业机械学报2020年independent variable was better(modeling R2=0.73，RMSE was0.64).The research was based on the Hcsm extracted from the UAV hyperspectral remote sensing image combined with the vegetation indices, which can improve the accuracy of estimating LAI and provide a reference for agricultural managers.Key words:winter wheat;leaf area index；plant height;hyperspectral;vegetation index；partial least squares regression0引言叶面积指数（Leaf area index，LAI）是反映作物长势的重要参数,与作物产量具有紧密联系,对农业生产管理具有重要作用U-2］。
基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法[发明专利]
![基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法[发明专利]](https://img.taocdn.com/s3/m/b9e96add580216fc710afd55.png)
专利名称：基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
专利类型：发明专利
发明人：冯伟,李晓,王永华,王晨阳,朱云集,郭天财
申请号：CN201410034405.7
申请日：20140124
公开号：CN103868880A
公开日：
20140618
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法，旨在解决现有的小麦叶片氮含量监测模型普适性和准确度较低的技术问题。
本发明基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法包括下列步骤：信息采集；划定红边波段区域；构建红边双峰指数；确定最优临界切分波段；建立监测模型；检验模型。
本发明构建了精度高、普适性好的小麦叶片氮含量监测模型；该监测模型的扩展性和稳定性得到增强，对小麦叶片氮含量监测具有较高的精度和准确性。
本发明基于光谱双峰指数的小麦叶片氮含量监测方法，运用前述监测模型，估算待测田块中小麦叶片氮含量，准确性高、方法简单、易于操作。
申请人：河南农业大学
地址：450002 河南省郑州市金水区农业路63号国家小麦工程技术研究中心
国籍：CN
代理机构：河南科技通律师事务所
代理人：张建东
更多信息请下载全文后查看。
冠层反射光谱与小麦产量及产量构成因素的定量关系
中国农业气象(Ch i n ese Journa l o fAgro m eteoro l o gy)2008,29(3):338-342冠层反射光谱与小麦产量及产量构成因素的定量关系*杨智1,2,李映雪1,徐德福1,刘寿东1(1.南京信息工程大学应用气象学院,南京210044;2.大理国家气候观象台)摘要:基于4个小麦品种、5个施氮水平的田间试验,在比较小麦冠层多光谱和高光谱反射特征的基础上,讨论了不同生育期冠层反射光谱参数与小麦产量及产量构成因素的定量关系。
结果表明,拔节期冠层多光谱参数与理论产量和实际产量的相关性较高,可用于预测小麦产量,而冠层高光谱反射参数与小麦产量间的相关性较差,难以直接利用预测小麦产量;冠层的多光谱和高光谱参数对亩穗数的预测效果均较好,小麦拔节期、灌浆中期和成熟期的冠层多光谱参数、高光谱参数均与亩穗数间具有极显著正相关关系(P<0.01),从而分别建立了各时期利用高光谱参数A(760,850)/R550、多光谱比值植被指数RV I(810,560)的小麦估产方程。
研究结果对选择合适的光谱参数建立估产模型、保证高光谱遥感信息反演精度具有重要价值。
关键词:小麦;冠层多光谱反射光谱;冠层高光谱反射光谱;产量;产量构成因素R el ationshi ps of Canopy R eflectance Spectra w ithW heat Y iel d and Y iel d Co m ponents YANG Zhi1,2,L I Y ing-xue1,XU D e-f u1,LI U Shou-dong1(11Nan jing Un i versit y of I n for m ation S ci en ce&Technology,Nan ji ng,210044,Ch i na;21DaliNati onalC li m at e Ob s ervatory)Abstrac t:Based on t he da ta of t he fie l d exper i m ents w ith fou r w heat var i eties and fi ve l eve l of the n itrogen app licati on,the relationsh i ps o f t he canopy reflectance spectra w ith the w hea t y i e l d and y ield components w ere ana lyzed.The results show ed that the co rre lati on o f the canopy m ult-i spectra l refl ec tance bet w een t heoreti ca l and act ua l y ie l ds w as sign ificant at the jo i nti ng stag e.T here f o re,it could be used to esti m ate the y ie l d.H o w ever,the co rre l a ti on of the canopy hyperspec tral reflectance and y ield w as si gn ifi cant,so it couldn t'be used t o esti m a te the y i e l d d i rectl y. T he panic l e nu m ber per m u was w ell fo recasted by usi ng canopy mu lti spectra l/hyperspectral re fl ectance.T he canopy mu lti spectra l and hyper-spectra l reflectance we re li nea rl y re lated to pan i c l e nu m ber per mu at the j o inti ng,m i d-filli ng and m aturity stag e o fwheat(p<0.01).T hus,t he esti m ate equations o f the canopy hyperspectral reflectance A(760,850)/R550and m ultispectral re flectance RV I(810,560)w ere consti tuted. T he research results prov i ded t he i m portant re ferences f o r choo si ng appropriate canopy refl ectance i ndexes,constit u ting the yie l d esti m ate model and ensuri ng t he prec isi on of t he hyperspectra l re m ote sensi ng i n f o r m ati on retr i eva.lK ey word s:W hea t;C anopy mu lti spectra l re fl ectance;Canopy hyperspectra l refl ec tance;Y ield;Y i e l d co m ponents准确监测小麦的长势、及时预报产量不仅能为政府部门提供重要信息,而且对灾害评估及防灾救灾意义重大。
- 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)。
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： 【 Ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ 】 Ｔ ｈ ｅ ｐ ｒ ｏ ｊ ｅ ｃ ｔ ａ ｉ ｍ ｓ ｔ ｏ ｕ ｓ ｅ ｈ ｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｉ ｍ ａ ｇ ｉ ｎ ｇ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｔ ｏ ｍ ｏ ｎ ｉ ｔ ｏ ｒ ｔ ｈ ｅ ｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎ ｎ ｕ ｔ ｒ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｓ ｔ ａ ｔ ｕ ｓ ｉ ｎ ｃ ｒ ｏ ｐ ｓ ｒ ａ ｐ ｉ ｄ ｌ ｙ ａ ｎ ｄ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ｌ ｙ ． 【 Ｍｅ ｔ ｈ ｏ ｄ ］ Ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｔ ｈ ｅ ｄ ｉ ｆ ｅ ｒ ｅ ｎ ｔ ｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎ ｌ ｅ ｖ ｅ ｌ ｓ ｏ ｆ ｗ ｈ ｅ ａ ｔ ｅ ｘ —
中图分类号 ： ￥ ５ １ ２ ． １ 文献标识码 ： Ａ 文章编号 ： １ ０ ０ １ — ４ ３ ３ ０ （ ２ ０ １ ５ Ｊ ｏ ４— ０ ５ ９ ５一 Ｏ ６
Ｅｓ ｔ ｉ ｍａ ｔ ｉ ｏ ｎ ｏ ｆ Ｗ ｈｅ ａ ｔ Ｌｅ ａ ｆ Ａｒ ｅ ａ Ｉ ｎ ｄｅ ｘ ａ ｎ ｄ Ｃｈｌ ｏ ｒ ｏ ｐ ｈｙ ｌ ｌ Ｄｉ ｆｅ ｒ ｅ ｎｃ ｅ ｂ ｙ Ｈｙ ｐｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ Ａｎ ｇ ｌ ｅ Ｄａ ｔ ａ
Ｘ Ｉ Ａ Ｏ Ｃ ｈ ｕ ｎ— ｈ ｕ ａ ， Ｌ ０ Ｙ ｉ ｎ— ｌ ｉ ａ ｎ ｇ ， Ｄ Ｉ Ａ Ｏ Ｗａ ｎ—ｙ ｉ ｎ ｇ ， Ｌ Ｉ Ｓ ｈ ａ ｏ —ｋ ｕ ｎ ，
ＷＡ Ｎ Ｇ Ｋ ｅ —ｒ ｕ ， Ｃ Ｈ Ｅ Ｎ Ｂ ｉ ｎ ｇ ’ ， ＷＡ Ｎ Ｇ Ｑ ｉ ｏ ｎ ｇ （ １ ． Ｋ ｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ Ｏ ａ ｓ ｉ ｓ Ｅ ｃ ｏ— ａ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ｅ ｆＸ ｏ ｉ ｎ ｉ ｆ ａ ｎ ｇ Ｐ ｒ ｏ ｄ ｕ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｏ ｉ ｎ ｃ ０ ，Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｆ ｏ
Ａ ｇ ｒ ｏ ｎ ｏ ｍ ｙ ， Ｓ ｈ ｉ ｈ ｅ ｚ ｉ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｓ ｈ ｉ ｈ ｅ ｚ ｉ Ｘ ｉ ｎ ｉ ｆ ａ ｎ ｇ ８ ３ ２ ０ ０ ３ ， Ｃ ｈ ｉ ｎ ａ ； ２ ．Ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ Ｉ ｓｔ ｎ ｉ ｔ ｕ ｔ ｅ ｏ ｆＣ ｒ ｏ ｐ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ， Ｃ ｈ ｉ ｎ ｅ ｓ ｅ
Ａ ｃ ａ ｄ ｅ ｍ ｙ ｆＡ ｏ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ／Ｋ ｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｆ ｏ ｃ ｒ 叩Ｐ ｈ ｙ ｓ ｉ ｏ ｌ ｏ ｇ ｙ ａ ｎ ｄ Ｅ ｃ ｏ ｌ ｏ ｇ ｙ ，Ｍｉ ｎ ｉ ｓ ｔ ｙ ｒ ｆＡ ｏ ｇ ｉ ｒ ｃ ｕ ｌ ｔ ｕ ｒ ｅ ，
基于光谱角指数小麦冠层叶片特征差异估测研究
肖春华 ， 吕银 亮 ， 刁万英 ， 李少昆 ， 王克如 ， 陈 兵。 ， 王 琼。
（ Ｉ ．石河子大学农学院绿 洲生 态农业重点实验 室， 新疆石 河子 作物生理生态重点 实验室， 北京 ８ ３ ２ ￣３； ２ ．中国农业科学院作物研 究所农业部 ８ ３ ２ ０ ０ ０） １ ０ ０ ０ ８ １ ； ３ ．新疆农 垦科学院棉花研 究所 ， 新疆石 河子
摘
要： 【 目的】 为利用高光谱技术实现作物氮素营养 状况无损快速监测提供途径 。【 方法】 通过 不同 品种 小
麦不同氮 素水平试验 ， 分析小麦不 同氮素营养状况下 ， 叶 片叶绿素含量 与叶面积指数 、 冠层光谱角 的关系 ， 定 量分析光谱角指数 ， 并建立相关模 型对小麦氮素 营养 状况进行 实时监测 。【 结果 】 冠０ ０ ０ ８ １ ， Ｃ ｈ ｉ ｎ ａ ； ３ ．Ｃ ｏ ｔ ｔ ｏ ｎ Ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ， Ｘ ｉ ｎ ｊ ｉ ａ ｎ ｇ Ａ ｃ ａ ｄ ｅ ｍ ｙ ｆＡ ｏ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｒ ｅ ｃ ｌ ａ ｍ ａ ｔ ｉ ｏ ｎ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ ，
绿素含量和差值叶面积指数的相关性 最高为 ０ ． ９ １ ９ ７ ， 两者之 间建立的模 型决定系数为０ ． ７ ３ ９ ２ ， ０ ． ６ １ ７ ８ ， 具有
很好的拟合效果。【 结论 】 利用光谱 角可以监测小麦 叶片叶绿素及 叶面积差异 ， 在此基 础上进 行小麦氮 素营
养监测是可行的。 关键词 ： 小麦 ； 冠层光谱 角 ； 叶面积指数 ； 叶绿素浓度 ； 模型
ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ｓ ，ｔ ｈ ｅ ｃ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｂ ｅ ｔ ｗｅ ｅ ｎ ｃ 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 ｕ ｎ ｄ ｅ ｒ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｎ ｉ ￣ ｏ ｇ ｅ ｎ ｎ ｕ ｔ ｒ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｓ ｔ ａ ｔ ｕ ｓ ａ ｎ ｄ ｌ ｅ ａ ｆ ａ ｒ ｅ ａ ｉ ｎ ｄ ｅ ｘ ａ ｎ ｄ ｔ ｈ ｅ ｃ ａ ｎ ｏ ｐ ｙ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ａ ｎ ｇ ｌ ｅ ｗ ａ ｓ ｍｅ ａ ｓ ｕ ｒ ｅ ｄ，ｔ ｈ ｕ ｓ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｉ ｎ ｇ ｈ ｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ａ ｎ ｇ ｌ ｅ ｍｏ ｄ ｅ ｌ ｔ ｏ
新疆 农 业科 学 ２ ０ １ ５ ， ５ ２ （ ４ ） ： ５ ９ ５— ６ ０ ０
Ｘ ｉ ｎ ｊ ｉ ａ ｎ ｇ Ａ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ
ｄ ｏ ｉ ： １ ０ ． ６ ０ ４ ８ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ — ４ ３ ３ ０ ． ２ ０ １ ５ ． ０ ４ ． ０ ０ ２