苹果树叶片叶绿素含量高光谱估测模型研究
基于光谱指数的植物叶片叶绿素含量的估算模型
基于光谱指数的植物叶片叶绿素含量的估算模型宫兆宁;赵雅莉;赵文吉;林川;崔天翔【期刊名称】《生态学报》【年(卷),期】2014(034)020【摘要】叶绿素是光合作用能力和植被发育阶段的指示器,是监测湿地植被生长健康状况的重要指标之一;高光谱遥感技术可以为植物叶绿素含量的定量化诊断提供简便有效、非破坏性的数据采集和处理方法.为保证被探测叶片面积相同,消除背景反射、叶片表面弯曲造成的光谱波动及叶片内部变异造成的影响,研究采用Field Spec 3光谱仪加载手持叶夹式叶片光谱探测器,测定野鸭湖湿地典型植物的叶片高光谱反射率数据,同时通过分光光度计室内测定相应叶片的叶绿素含量.采用相关性及单变量线性拟合分析技术,建立二者的关系模型,包括叶绿素含量与“三边”参数的相关模型以及比值光谱指数(SR)模型和归一化差值光谱指数(ND)模型,并采用交叉检验中的3K-CV方法对估算模型进行模型精度检验.结果表明:植物叶片叶绿素含量与“三边”参数大多都呈极显著相关,相关系数最大达到0.867;计算光谱反射率组成的比值(SR)和归一化(ND)光谱指数与叶绿素含量的决定系数,总体相关性比较高,较好的波段组合均为550-700nm与700-1400nm以及550-700nm与1600-1900nm,与叶绿素含量相关性最好的指数分别是SR(565nm,740nm)和ND(565nm,735nm).并通过选取相关性最佳的光谱特征参数,分别基于“三边”参数和ND模型指数构建了植物叶片叶绿素含量的估算模型.其中,基于红边位置(WP_r)光谱特征参数和ND(565nm,735nm)光谱指数建立的叶绿素含量估算模型,取得了较好的测试效果,检验拟合方程的决定系数(R2)都达到0.8以上,估算模型分别为y=0.113x-78.74,y=5.5762x +4.4828.通过3K-CV方法进行测试和检验,植物叶绿素含量估算模型均取得了较为理想的预测精度,预测精度的分别为93.9％及90.7％.高光谱遥感技术对植被进行微弱光谱差异的定量分析,在植被遥感研究与应用中表现出强大优势,为植物叶绿素含量诊断中的实际应用提供了重要的理论依据和技术支持.【总页数】10页(P5736-5745)【作者】宫兆宁;赵雅莉;赵文吉;林川;崔天翔【作者单位】首都师范大学资源环境与旅游学院,北京100048;三维信息获取与应用教育部重点实验室,北京100048;资源环境与地理信息系统北京市重点实验室,北京100048;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院,北京100048;三维信息获取与应用教育部重点实验室,北京100048;资源环境与地理信息系统北京市重点实验室,北京100048;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院,北京100048;三维信息获取与应用教育部重点实验室,北京100048;资源环境与地理信息系统北京市重点实验室,北京100048;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院,北京100048;三维信息获取与应用教育部重点实验室,北京100048;资源环境与地理信息系统北京市重点实验室,北京100048;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院,北京100048;三维信息获取与应用教育部重点实验室,北京100048;资源环境与地理信息系统北京市重点实验室,北京100048;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048【正文语种】中文【相关文献】1.光谱指数的植物叶片叶绿素含量估算模型 [J], 李哲;张飞;陈丽华;张海威2.光谱指数用于叶绿素含量提取的评价及一种改进的农作物冠层叶绿素含量提取模型 [J], 颜春燕;牛铮;王纪华;刘良云;黄文江3.基于光谱指数的古尔班通古特优势种沙蒿叶绿素含量的估算模型 [J], 徐悦;刘卫国;霍举颂;刘建国;李宏侠;玛丽娅·奴尔兰4.基于光谱指数的苹果叶片水分含量估算模型研究 [J], 朱西存;姜远茂;赵庚星;王凌;房贤一5.基于光谱指数的冬小麦冠层叶绿素含量估算模型研究 [J], 罗丹;常庆瑞;齐雁冰;李媛媛;李松因版权原因，仅展示原文概要，查看原文内容请购买。
基于光谱指数的苹果叶片水分含量估算模型研究
基于光谱指数的苹果叶片水分含量估算模型研究朱西存;姜远茂;赵庚星;王凌;房贤一【期刊名称】《中国农学通报》【年(卷),期】2014(30)4【摘要】建立快速、无损的苹果叶片水分含量高光谱估算模型,为苹果树干旱预警提供理论依据。
以2个不同生育期采集的苹果叶片为研究对象,研究了不同水分含量的苹果叶片高光谱特征,分析了苹果叶片水分含量与光谱指数之间的相关关系,建立了苹果叶片水分含量估算模型。
结果表明,苹果叶片水分含量的敏感光谱波段主要集中于近红外和短波红外波段;利用6个光谱指数建立的单变量估算模型均达到了极显著水平(P<0.01),但以水分指数建立的估算模型y=29503x2-57746x+28317的拟合决定系数R2最大,为0.5401;经检验,拟合方程的RMSE为2.4,RE为5.8%,检验精度达到了94.2%。
采用主成分回归分析方法,建立的苹果叶片水分含量估算模型y=-556.819+347.838x1-17.815x2-27.864x3+299.492x4+25.647x5+9.835x6的拟合决定系数R2为0.6371,经检验,拟合方程的RMSE为1.26,RE为1.8%,检验精度达到了98.2%。
表明以主成分回归分析建立的苹果叶片水分含量估算模型具有较好的敏感性和稳定性。
【总页数】7页(P120-126)【关键词】光谱指数;苹果叶片;水分含量;估算模型【作者】朱西存;姜远茂;赵庚星;王凌;房贤一【作者单位】山东农业大学资源与环境学院;山东农业大学园艺科学与工程学院;土肥资源高效利用国家工程实验室【正文语种】中文【中图分类】S661.1;TP79【相关文献】1.苹果树叶片全氮含量高光谱估算模型研究 [J], 李丙智;李敏夏;周璇;张林森;张海燕2.基于光谱指数的植物叶片叶绿素含量的估算模型 [J], 宫兆宁;赵雅莉;赵文吉;林川;崔天翔3.基于光谱水分指数的核桃叶片含水量估算模型 [J], 胡珍珠;潘存德;潘鑫;朱白雪4.不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究 [J], 靳彦华;熊黑钢;张芳;王莉峰5.在水分胁迫下棉花冠层叶片全氮含量的高光谱遥感估算模型研究 [J], 孙莉;陈曦;包安明;冯先伟;张清;马亚琴;王登伟因版权原因，仅展示原文概要，查看原文内容请购买。
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。
苹果叶片高光谱特性与叶绿素含量和SPAD值的关系
关 键词 ： Ｐ Ｓ ＡＤ； 苹果 ； 叶绿 素 ； 分光谱 微
中图分 类号 ：７ ８ ４ ￥ １．３ 文献标 志码 ： Ａ 文章 编号 ： ０ １７ ６ （ ０ ０ ０ －０ ５０ １ ０ —４ １２ １ ）２０ ３ —５
Ｒｅａ ｉ ｎｓ ｉ ｔ ｅ ｅ ｔ ａ ｆｅ ｔ ｎｃ ａ ｕ ｅ ａ ｄ Ｔｈ ｉ ｌ ｒ ｐ ｌ Ｃｏ ｅ ｒ ｔｏ ｌ ｔｏ ｈ ｐ ｂｅ ｗｅ ｎ Ｓｐ ｃ ｒ ｌＲｅ ｌ ｃ ａ ｅ Ｆｅ ｔ ｒ ｎ ｅ ｒＣｈ ｏ ｏ ｈｙ ｌ ｎｔ ｎｔ ａ ｉ ｎｓ
与 Ｓ ＡＤ值 呈 线性相 关 ， Ｐ 品种 间的 Ｓ ＡＤ值 和光谱 反射 率都存在 差 异 。苹果 叶 片 叶绿 素含 量 的敏 Ｐ
感波段 位 于 ６ ４ａ ９ ｍ。基 于敏 感波段 的微 分数值 ， 建立 了一阶微 分光谱 值 与苹果 叶 片 Ｓ ＡＤ值 和叶 Ｐ
绿 素含 量 的回 归模 型 ， 确定 系数分 别达到 ０ ７ １８和 ０ ５ ９９ 为 利 用 高光谱 遥 感技 术反 映 苹果 生 ． ８ ． ８ ，
ａ ＰＡＤ ｌ ｅ ｏ ｐｌ ａ ｅ ｎｄ Ｓ Ｖａ ｕ ｆＡｐ ｅ Ｌｅ ｖ ｓ
ＬＩ Ｍ ｉ － ｉ ｎ ｘ ａ，ＺＨ ＡＮＧ ｎ－ｅ ， ＬＩ Ｂｉ ｇ ｚ ｉ Ｌｉ ｓ ｎ ｎ － ｈ ，ＺＨ ＡＮＧ ａ— ａ Ｇ ＵＯ ｅ Ｈ ｉｙ ｎ， Ｗ ｎ
（ ｏ ｌ ｅ ｆ Ｈｏ ｔ ｕｔ ｒ ， ｒｈ ｓＡ＆Ｆ Ｕ ｉ ｅｓｔ Ｙ ｎ ｌｎ Ｓ ａ ｎ ｉ １ １ ０ Ｃ ｉａ Ｃ ｌ ｇ ｒｉ ｌ ｅ Ｎｏ ｔｗｅｔ ｅ ｏ ｃ ｕ ｎ ｖ ｒｉ ｙ， ａ ｇ ｉｇ， ｈ ａ ｘ ２ ０ ， ｈｎ ） ７
（ 北农 林 科 技 大 学 园艺 学 院 ， 西 杨 陵 ７ ２ ０ ） 西 陕 １ １ ０
光谱指数的植物叶片叶绿素含量估算模型
1 实验部分 1 . 1 采样区域
收稿日期！2017-05-02, 修订日期！2017-11-18 基金项目：国家自然科学基金项目-新疆本地优秀青年培养专项( U 1503302) , 国家自然科学基金项目（41361045)资助 作者简介：李 哲 ，女，1993年生，新疆大学资源与环境科学学院硕士研究生 e-mail: 13999940867@
摘 要 叶 片 叶 绿 素 能 够 有 效 监 测 植 被 的 生 长 状 况 ，利用光谱指数反演植被叶绿素含量是目前的通用方法。
实测了盐生植物光谱反射率和叶片叶绿素含量。对 S P A D 值进行变换，对 比 P e a r s o n 与 V C 方法探讨盐生植
被 叶 片 叶 绿 素 含 量 与 植 被 指 数 的 相 关 性 并 进 行 精 度 验 证 ，从 中 选 出 最 佳 拟 合 模 型 。研 究 表 明 ，通过对
植物具有良好的防风固沙的特点，保 护 区 夏 季 干 旱 少 雨 ，冬
季寒冷，年日照时数大于2 500 Z 年 均 温 度 8 . 3 ° C , 年均降 水 90 m m ,蒸发量高于3 000 m m , 属于中温带大陆性干旱气 候[8]。保护区内有各类盐生植物占全国盐生植物种类的6 0 '
此 ，在生态系统较为脆弱的西北荒漠地带，监测植被叶片的 叶绿素含量对干旱区生态系统的恢复与重建和生态系统生产 力的评估具有重要指导意义。
L e M a e 等(3]总结了 2 0 0 2 年之前所有发表的有关叶绿
素 含 量 预 测 的 光 谱 指 数 。在 电 磁 波 的 蓝 光 和 红 光 范 围 ，叶绿 素 表 现 为 强 烈 吸 收 ，光 谱 指 数 基 于 那 些 对 叶 绿 素 敏 感 而 对 其 他 因 素 不 敏 感 的 窄 波 段 光 谱 比 值 构 建 。应 用 于 叶 片 尺 度 的 植 被光谱指数大多数结构相对简单，常 用 比 值 型 、差 值 型 、归 一 化 差 值 型 、新 二 重 差 值 型 及 改 进 版 本 等 。较 为 典 型 的 有 改
基于高光谱的苹果盛果期冠层叶绿素含量监测研究
基于高光谱的苹果盛果期冠层叶绿素含量监测研究房贤一;朱西存;王凌;赵庚星【期刊名称】《中国农业科学》【年(卷),期】2013(046)016【摘要】[目的]建立苹果冠层叶绿素含量及冠层光谱特征参量间的定量关系模型,以促进高光谱技术在苹果树精准施肥以及快速、无损长势监测中的应用.[方法]以蒙阴县果园的苹果树为试验材料,连续2年分别测定了苹果冠层光谱反射率和冠层叶绿素(Chl(a+b))含量,分析了冠层叶绿素含量与光谱反射率之间的相关关系,并计算了400-1 000 nm任意两波段组合而成的RVI、DVI、NDVI和RDVI,分析了它们与冠层叶绿素含量的关系,以逐步回归分析做比较,建立了苹果冠层叶绿素含量监测模型.[结果]结果表明,以单变量估算叶绿素含量的最佳光谱指数为NDVI(975,742),相关系数为0.5093.利用多元逐步回归建立的苹果冠层叶绿素含量最佳监测模型为Y=-0.56(log1/R)771-0.48(log1/R)1978+0.20(log1/R)2407-0.10(log1/R)2440+4.749.[结论]用多元逐步回归方法建立的模型来监测苹果冠层叶绿素含量效果较好,为利用高光谱技术监测苹果生长状况提供了理论依据.【总页数】10页(P3504-3513)【作者】房贤一;朱西存;王凌;赵庚星【作者单位】山东农业大学资源与环境学院/土肥资源高效利用国家工程实验室,山东泰安271018;山东农业大学资源与环境学院/土肥资源高效利用国家工程实验室,山东泰安271018;山东农业大学资源与环境学院/土肥资源高效利用国家工程实验室,山东泰安271018;山东农业大学资源与环境学院/土肥资源高效利用国家工程实验室,山东泰安271018【正文语种】中文【相关文献】1.基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算 [J], 张卓然;常庆瑞;张廷龙;班松涛;由明明2.基于高光谱反射率的糜子冠层叶片叶绿素含量估算 [J], 韩浩坤;妙佳源;张钰玉;张大众;宗国豪;宫香伟;李境;冯佰利3.利用高光谱植被指数估测苹果树冠层叶绿素含量 [J], 潘蓓;赵庚星;朱西存;刘海腾;梁爽;田大德4.苹果盛果期冠层高光谱与其组分特征的定量模型研究 [J], 王凌;赵庚星;朱西存;雷彤;董芳5.苹果冠层叶绿素含量高光谱估算模型 [J], 董淼;王振锡因版权原因，仅展示原文概要，查看原文内容请购买。
森林叶绿素含量的高光谱遥感估算模型的建立
摘
要 ： 高光谱 遥 感 提供 一 个通 过 窄波段 的地 物 光 谱 反 射 率 、诊 断和 检 测植 被 叶绿 素 光 谱 特 征 波段 的 手段 ，
为 精 确反 演 森 林 叶绿 素含 量 提 供 更 高光 谱 分 辨 率 的 数 据 。 利 用 Ｅ ｐ一２０ ｐ ００地 物 光 谱 仪 测 量 叶 片的 反 射 光 谱 ，并 用 Ｓ Ａ ５ ２对 观 测 叶 片进 行 叶 绿 素含 量 的 同步 测 量 ； 采 用 统 计 相 关 分 析 方 法 ，分 析 叶 片 反 射 光 谱 、 光 谱 特 征 Ｐ Ｄ一 ０
ｔ ｅ ｃ ｒｅａｉ ｎ ｅｗｅ ｎ ｌａ ｐ ｃｒ ｍ ，ｌ ａ ｐｅ ｔａ ｈａａ ｔｒｓｉ ｐ ｒｍ ｅｅ ｓ ｖ ｒｏ ｅ ｅａ ｉｎ ｉ ｄ ｃ ｓ ａ ｄ ｌａ ｈ ｏｏ ｈ ｏ ｒ ｌｔｏ ｓｂ ｔ ｅ ｅ ｆｓ ｅ ｔｕ ｅ ｆｓ ｃｒ ｌｃ ｒ ｃｅ ｔ ｉ ｃ ａ ａ ｔｒ ， ａ ｕｓ ｖ ｇ ｔｔｏ ｎ ｉｅ ｎ ｅ ｆｃ ｌｒ ． ｉ
ｐ ｙ ｌ ｏ ｔｎ ｅ ｅ ａ ａ ｙｅ ｔ ｔｔ ｔ ａ ｃ ｒｅａｉ ｎ ｍｅｈ ｄ，ａ ｄ ｔｅ ｃ ｒｅ ｐ ｎ ｉ ｇ ｅ ｔ ｔ ｎ ｍｏ ｅ ｓｅ ｔｂｉｈ ｄ ｈ ｌ ｃ ｎｅ ｔｗ ｒ ｎ ｌｚ ｄ ｗｉ ｓ ｉ ｉ ｌ ｏｒ ｌｔ ｔｏ ｈ ａ ｓｃ ｏ ｎ ｈ ｏ ｓ ｏ ｄ ｎ ｓｉ ｉ ｄ ｌｗａ ｓａ ｌ ｅ ． ｍａ ｏ ｓ
Ａｂ ｔ ａ ｔ ｓｒ ｃ ：Ｔ ｅ ｈ ｐ ｒｐ ｃ ｒ ｅ ｔ ｅ ｓｎ ａ ｒｖ ｄ ｄ ａ ｍｅ ｈ ｄ ｏ ｉｇ ｏ ｉｇ ａ ｄ ｅ ａ ｎｎ ｈ ｏ ｏ ｈ ｌ ｓ ｅ ｔ ｌ ｈ ｙ ｅ ｓ ｅ ｔ ｒｍｏ ｅ ｓ ｎ ｉｇ ｈ ｓ ｐ ｏ ｉ ｅ ｔ ｏ ｆｄ ａ ｎ ｓｎ ｎ ｘ ｍｉ ｉｇ ｃ ｌｒ ｐ ｙｌ ｐ ｃ ｒ ｌ ａ ａ ｃ ａａ ｔ ｒ ｔ ｓ ｂ ｅｅ ｔ ｇｔ ｅｓ ｅ ｔ ｌ ｅ ｅ ｔ ｎ ｅｏ ｒ ｃ ａｕ ｅ ｎ ｎ ￣ｏ ａ ｄ ｎ ｅｄ ｔ ｉ ｉ ｈ ｒｓ ｅ ｔ ｌ ｅ － ｈ ｒ ｃｅ ｓｉ ｙ ｄ ｔ ｃｉ ｈ ｐ ｃｒ ｆ ｃａ ｃ ｆ ｕ ｆ ｅ ｆ ｔ ｒｓｉ ａ ｗ ｂ ｎ ，ａ ｄ ｔ ａ ａｗ ｔ ｈ ｇ ｅ ｐ ｃ ｒ ｓ ｉ ｃ ｎ ａ ｒｌ ｓ ａ ｅ ｈ ｈ ａｒ
苹果冠层叶绿素含量高光谱估算模型
#!引 言
(研究意义) 叶绿素含量对绿色植被光合能 力"发 育 阶 段 及 营 养 状 况 具 有 重 要 的 指 示 作 用*$+ $是绿色植被生长过程中非常重要的生理指 标之一# 传统的叶绿素测定方法$虽然能够精确 的测定叶绿素含量$但费时费力$需要破坏性的取 样$而高光谱作为一种监测技术能够满足对植物 快速"无损"大面积监测的需要'由于叶片叶绿素 反映的是单个植物的信息$而冠层叶绿素含量与 遥感获取的信息相对应$因此$利用高光谱技术对 植物冠层叶绿素含量及作物长势进行监控具有重 要的意义# ( 前人研究进展) 近年来高光谱遥感 技术发展迅速$为高效"准确地估算农作物的叶绿 素含量提供了技术手段*"+ # J.971+1.等*>+ 发现光 谱反射率能够作为有效估测叶绿素含量的指标$ 也有部分学者通过筛选敏感波段建立回归模 型*<+ 'R+,.1等*&+ 研究发现草丛冠层光谱 , 红边位置能较好地反应出叶绿素密度信息'K4.2ST31,
新疆农业科学!"#$%&&' (%$ )((# *+,-+.,/0/1+234531.462+7,278
9:+!$#;'#<% =-;+88,;$##$ )<>>#;"#$%;#';##$
苹果冠层叶绿素含量高光谱估算模型
董 淼王振锡
新疆农业大学林学与园艺学院 =新疆教育厅干旱区林业生态与产业技术重点实验室乌鲁木齐!%>##&"
对所有选定的树挂标签标识$并用 \R6 进行 定位# 光 谱 反 射 率 的 测 定 采 用 美 国 0,.4]5+2.4 6^7251.4H7@+27% 06H& 公司生产的便携式野外地 物光谱仪 B+749 6^72>$该光谱仪波段范围在 >&# W" &## ,D$其中 >&# W$ ### ,D光谱采样间隔为 $E< ,D$光谱分辨率 > ,D'$ ### W" &## ,D光谱 采样间隔为 " ,D$光谱分辨率为 $# ,D# 在光谱 输出时$仪器自动进行重采样% 重采样间隔为 $ ,D& $共输出 " $&$ 个波段数光谱分辨率为 $ ,D# 冠层光谱采用原位测定$光谱仪探头距离冠层上 方 "& 2D$测定过程中每隔 $& D+, 进行一次标准 白板校正# 所有观测值均选择在晴朗无风的天 气$每次测定时间为 $"!## W$'!## % 太阳高度角 大于 <&Y& # 为限制冠层反射率的非各向同性的 影响$对每个样株的阴"中"阳三面进行光谱测定$ 每个样株每一面样本重复测定 & 次$取平均值作 为该样本的光谱反射率值$为保证数据的准确性$ 每 ># D+, 进行一次白板矫正# $;";"!叶绿素测定
基于高光谱的苹果叶片叶绿素含量估算
基于高光谱的苹果叶片叶绿素含量估算杨福芹;冯海宽;李振海;杨贵军;戴华阳【期刊名称】《浙江农业学报》【年(卷),期】2017(029)010【摘要】以2012、2013年山东省肥城市潮泉镇下寨村的苹果叶片为研究对象,分析叶片叶绿素含量与原始光谱反射率、连续统去除光谱之间的相关性,探索苹果叶片叶绿素含量的估算模型.结果显示:苹果叶片叶绿素含量与原始光谱相关性最好的波段在553、711和1301 nm处,其中,以711 nm处的光谱所建立的模型最佳(R2=0.88);与连续统去除光谱相关性最好的波段在553、738和801 nm处,其中,以738 nm处的光谱所建立的模型最佳(R2=0.94).根据相关性所选的敏感波段,利用随机森林(random forest,RF)建立基于以上6个波段的叶绿素含量预测模型(R2=0.94).对所建立的711 nm、738 nm、RF算法估算模型进行检验,结果表明,利用RF建立的苹果叶片叶绿素含量模型最佳(R2=0.54).【总页数】7页(P1742-1748)【作者】杨福芹;冯海宽;李振海;杨贵军;戴华阳【作者单位】河南工程学院土木工程学院,河南郑州 451191;国家农业信息化工程技术研究中心,北京100097;中国矿业大学北京地球科学与测绘工程学院,北京100083;国家农业信息化工程技术研究中心,北京100097;国家农业信息化工程技术研究中心,北京100097;国家农业信息化工程技术研究中心,北京100097;中国矿业大学北京地球科学与测绘工程学院,北京100083【正文语种】中文【中图分类】S127【相关文献】1.基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算 [J], 张卓然;常庆瑞;张廷龙;班松涛;由明明2.基于高光谱反射率的糜子冠层叶片叶绿素含量估算 [J], 韩浩坤;妙佳源;张钰玉;张大众;宗国豪;宫香伟;李境;冯佰利3.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4.基于高光谱成像技术的辣椒叶片叶绿素含量估算 [J], 袁自然;叶寅;武际;方凌;陈晓芳;杨欣5.基于高光谱的石楠叶片叶绿素含量估算模型 [J], 何桂芳;吴见;彭建;谷双喜因版权原因，仅展示原文概要，查看原文内容请购买。
利用高光谱植被指数估测苹果树冠层叶绿素含量
Ｒｉ＋１ －Ｒｉ－１ ２Δλ
（１）
式中，Ｄ 是波段ｉ 处的一阶微分，λｉ 是波长。
１．５ 模 型 构 建
在７０组样本中，随机选取 ５０ 组 用 于 建 模，分 别 将 原 始
光谱和微分光谱构建的植被素 含 量 相 关 性 较 高 的 植 被 指 数，
收 稿 日 期 ：２０１２－１２－２９，修 订 日 期 ：２０１３－０３－０５ 基 金 项 目 ：高 校 博 士 点 基 金 项 目 （２０１０３７０２１１００１０），山 东 省 自 主 创 新 专 项 项 目 （２０１２ＣＸ９０２０２）和 国 家 自 然 科 学 基 金 项 目 （４１２７１３６９），山 东 农
以这些植被指数为自变量对应的苹果冠层叶绿素含量为因变量导入spss软件分别建立线性指数二次多项式三次多项式四种预测模型结果如表3所可以看出六种植被指数建立的模型均达到了001极显著水平根据r最大原则选择与苹果冠层叶绿素含量相关性最高的植被指数cci为最佳植被指数建立的估测模型为ccc6409189r植被指数模型线性ndsi03754073027325500388212303881394grvi03764099033734550394217503981457pri0289276102662468030214520311993npci03583785032232260367194403721303ppr04224973037140110441264304651910cci0589973605147187061954510622表示在001水平上极显著相关fig3comparisonofmeasuredandpredictedvalueofccc25模型检验利用20个样本对苹果冠层叶绿素含量估测模型进行精度检验检验结果如图3所示
基于高光谱遥感的苹果树冠层叶片全氮量估测
基于高光谱遥感的苹果树冠层叶片全氮量估测夏媛媛;冯全;杨森;郭发旭【期刊名称】《农业工程》【年(卷),期】2024(14)2【摘要】快速准确获取大面积果园冠层叶片全氮含量(leaf nitrogen content,LNC)是实现现代精准农业的基本要求。
通过无人机高光谱成像仪(391.9~1006.2 nm)采集了甘肃省静宁县两个典型果园的果树冠层光谱图像,包括人工灌溉的苹果示范园与自然降雨的苹果园,综合比较两区共160份冠层叶片样本的原始光谱反射率(OD)、倒数光谱(RT)、对数光谱(LF)和一阶微分光谱(FD),构建任意两个光谱波段集组合的差值光谱指数(difference spectral index,DSI)、土壤调节植被指数(soil adjusted vegetation index,SAVI)、归一化差值光谱指数(normalized different spectral index,NDSI),分析3种光谱指数与叶片氮含量的相关性,利用一元线性回归模型与光谱指数构建两区最佳苹果冠层LNC估测模型。
结果表明,人工灌溉区的FD-SAVI(825,536)、自然降雨区的LF-SAVI(854,392)与LNC的相关性最强,并基于FD-SAVI、LF-SAVI构建一元线性回归模型。
人工灌溉区构建的FD-SAVI-ULRM估测模型精度最高,验证集R²和ERMSE分别为0.6601和0.0678;自然降雨区构建的LF-SAVI-ULRM估测模型精度最高,验证集R2和ERMSE分别为0.6746和0.0665。
试验采用LNC模型绘制出两个试验区的苹果树冠层叶片LNC估测图,实现对果园叶片全氮含量的精准掌握及精细化管理。
【总页数】9页(P20-28)【作者】夏媛媛;冯全;杨森;郭发旭【作者单位】甘肃农业大学机电工程学院【正文语种】中文【中图分类】S24【相关文献】1.基于光谱分析的果树叶片全氮、全磷、全钾含量估测研究--以红富士苹果树为例2.利用高光谱植被指数估测苹果树冠层叶绿素含量3.基于高光谱的苹果树冠层磷素状况估测模型研究4.基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测5.在水分胁迫下棉花冠层叶片全氮含量的高光谱遥感估算模型研究因版权原因，仅展示原文概要，查看原文内容请购买。
苹果树叶片叶绿素含量高光谱估测模型研究
ｅｍａｌｌ ｎ ｓ ｕ ｎ ３ ＠ １ ３ ｃ ｍ － ｉ ｉ ｇ ｈ ａ ｇ ｓ ６ ．ｏ ：ａ
＿
＊通 讯联 系 人
１ ６ ３８
１ ３ 叶绿素测定 ．
光谱学与光谱分析
第３ ２卷
同一 片叶片不 同位置 的叶绿素含量差 异较大 ，常规 的叶
苹 果树 叶片 叶绿 素 含 量 高光 谱 估测 模 型 研 究
梁 爽， 庚星 赵 ， 朱西存
山东农业大学资源与环境学院 ，山东 泰安 ２ １ １ ７０８
摘
要
叶片叶绿素含量是评估果树 长势 和产 量的重要 参数 ， 实现快速 、无损 、 确的叶绿素含量估测具有 精
重要 意义 。 本研究 以山东农业 大学苹果园为试验 区 ， 用高光 谱分析 技术探 索苹果 树叶片 叶绿素含 量 的估 采 测 方法。通过分析 叶片高光 谱 曲线特 征 ，对原 始光 谱 分别 进行 一 阶微 分 、红 边位 置 以及 叶 面叶绿 素 指数 （Ｃ ） Ｌ Ｉ变换 ， 分别将其 与叶绿素含量进行相关分析及 回归分 析 ， 建立 叶绿素含 量估 测模 型并 进行检验 ， 中 从 筛选 出精度 最高的模型 。 结果 显示 ，以 Ｌ Ｉ Ｃ 为变量 的估测模 型以及 以一阶微分 ５ １和 ５ ３Ｄ ２ ２ Ａ ｎ组合 为变量 的 估 测模 型拟合精度最高 ， 决定 系数 分别 为 ０ ８ ５ ０ ８ ９ 均方根误差 Ｒ Ｅ分别为 ２ ９ １和 ２ ７ ９ 相 ．４ 和 ．３ ， ＭＳ ．６ ． １， 对误差 Ｒ 分别为 ４ ７ 和 ４ ７ 。因此 Ｌ Ｉ Ｅ ．１ ．ｏ Ｃ 及一阶微分 是估 测苹果 树叶片 叶绿素 含量 的重 要指标 。该
基于光谱学原理与小波包分解技术预测苹果树叶片氮素含量
基 金 项 目 ： 国 家 自 然 科 学 基 金 项 目 （ 31071330 ） 和 863 计 划 （2011AA100703，2011AA100704）联合资助 作者简介：张 瑶（1988－），女，河北荣城人，主要研究方向精细农 业系统集成。北京 中国农业大学“ 现代精细农业系统集成研究” 教育部 重点实验室，100083。Email：zhycau@ . ※通信作者：郑立华（1969－），女，天津人，副教授，博士，主要从 事精细农业研究。北京 中国农业大学“ 现代精细农业系统集成研究” 教 育部重点实验室，100083。Email：zhenglh@
苹果品种为结果盛期的红富士，供试土壤为沙壤 土。在不同区域随机选取 20 棵果树（15 棵结果树， 5 棵小年树），每棵树选取一支向阳主枝作为目标 主枝，并取 3 个部分的代表性部位（基部、中部、 顶部）进行测量。取对应叶片测定全氮含量。 1.2 光谱测定 测 量 仪 器 为 日 本 Shimadzu 公 司 生 产 的 UV-2450 岛津光谱仪， 波段范围为 300~900 nm， 光 谱分辨率为 1 nm。数据采集前进行标准白板矫正 （标准白板反射率为 1），每个样本测定光谱 2 次， 取其平均值作为该样本的相对反射率。 1.3 叶片全氮含量测定 采用 FOSS 凯氏定氮仪测定叶片的全氮含量。 将进行光谱测量后的叶片组成独立样本，用蒸馏水 将果叶洗净， 放入 100 摄氏度的烘箱中杀青 20 min， 然后降温至 80℃烘干 24 h。 使用研钵把烘干样品研 磨 至 粉 状 后 ， 称 取 0.4 g ， 混 合 6.2 g 催 化 剂 （K2S04:CuS04· 5H2O 按 30:1 混合研磨） 并注入 12 mL 浓硫酸进行硝化，冷却后利用定氮仪进行蒸馏，最 终测得苹果叶片的氮素含量。 1.4 光谱数据预处理 本研究对每个物候期获取的 60 个样本进行聚 类，即以每颗果树为单位，将主枝上的 3 个部位的 光谱反射率与氮素含量进行平均，最终每个生理物 候期均得到 20 个新样本。 1.4.1 小波包分解处理 对 于 给 定 的 正 交 尺 度 函 数 (t ) 和 小 波 函 数
基于高光谱红边参数的不同物候期苹果叶片的SPAD值估测
ｉ ｉｅｅ ｔｐ ｅ ｏ ｈ ｓｓ Ｔｈ Ｐ ａｕ ｓｏ ｕｉ ｐ ｌ ｌａ ｅ ｅｅｉｃｅ ｓｄｇａ ｕ ｌ ｏ ｅｃｎ ｃ ｎｄｆ ｒｎ ｈ ｎ ｐ ａｅ ． ｅＳ ＡＤ ｖ ｌｅ ｆＦ ｊ ａ ｐｅ ｅｖ ｓｗ ｒ ｎ ｒａ ｅ ｒｄ ａｌ ｉ ｆ ｒｓｅ ｅ ｅ ｙ ｎｌ
ｒ ｓ ｌ ｓ ｗｅ ｈ ｔｔ ｅ ｖ ｒａ ｉ ｎ ｒ ｌ ｓｏ ｅ ｅ ｔ ｏ ｐ ｃ ｒ ｅ ｕ ｔ ｈｏ ｄ ｔ ａ ｈ ａ ｉ ｔ ｏ ｕ ｅ ｆ ｆ ｃ ｉ ｎ ｓ ｅ ｔ ｕｍ ｖ ｆ ｒ ｕ ｖ ｓ ｏ ｐ ｌ ｅ ｖ ｓｗｅ ｅ ｓｍ ｉ ｒ ｒｌ ｗａ ｅ ｏ ｍ ｃ ｒ ｅ ｆａ ｐ ｅ ｌ ａ ｅ ｒ ｉ ｌ ａ
３ ．Ｃｏ ｅ ｅｏ ｒｉｕｔｒ ｃ ｎ ｅａ ｄＥ ｇｎ ｅｉｇ Ｓ ａ ｄ ｎ ｒｃ ｌ ｒｌＵ ｉｅｓ Ｔ ｉ ｎ ７ Ｃ ｉａ ｌ ｇ ｆ ｌ Ｈｏ ｔ ｌｕ ｅ ｉ ｃ ｎ ｎ ｉｅｒ ， ｈ ｎ ｏ ｇＡｇｉｕｔ ａ ｎｖｒｉ ｃ Ｓｅ ｎ ｕ ａ＇ ２ １ １ ， ｈｎ ） ａ ０８
ａ ｄ ｒ ａ ｈｅ ｏ ｔ ａ ｎ ａ ｔ ｍｎ ｓ ｏ ｕ ｅ ｇ ｏ ｈ ｐ ｒｏ ｎ ｅ ｃ ｄ ｔ ｈｅｐｅ ｋ ｉ ｕ ｕ ｈｏ ｔｐａ ｓ ｒ ｗｔ ｅ ｉ ｄ．Ｔｈ ｎ ｈ ＰＡＤ ａ ｕ ｇ ｎ ｔ ｅ ｌ ｅ ｅ ，ｔ ｅ Ｓ ｖ ｌ ｅ ｂｅ ａ ｏ ｄ ｃ ｉ ． ｎ
Ｅｓ ｉ ａ ｉ ｎ ｏ ｔ ｍ ｔ ｏ ｆ ＳＰＡ Ｄ ｌ ｆ Ａ ｐｐｌ ａ ｎ Ｄ ｉ ｅ ｅ ｔ Ｐｈ ｎ Ｖａ ｕｅ ｏ ｅ Ｌｅ ｆｉ ｆ ｒ ｎ ｅ ｏｐｈ ｓ ａｅ
Ｂａ ｅ ｎ ｙｐｅ ｓ ｃ ｒ ｅ ｓｄｏ Ｈ ｒ ｐｅ ｔ ａｌＲ ｄ Ｅｄｇ ｒ ｍ ｅ ｅ ｓ ｅ Ｐａ ａ ｔ ｒ
基于红边参数和人工神经网络的苹果叶片叶绿素含量估算
基于红边参数和人工神经网络的苹果叶片叶绿素含量估算罗丹;常庆瑞;齐雁冰【摘要】[目的]应用人工神经网络来解决苹果叶片叶绿素含量与高光谱数据之间的非线性关系,建立估测苹果叶片叶绿素含量的最佳模型,为苹果叶片叶绿素含量的快速无损监测提供参考.[方法]以位于陕西扶风杏林镇的树龄为4～5年的15棵苹果树为研究对象,2015年分别于果树花期(4月27日)、幼果期(5月30日)、果实膨大期(7月6日)、果实着色期(8月5日)、果实成熟期(9月11日)采集叶片样本,利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素仪同步获取苹果叶片光谱值和对应的叶绿素含量,对原始光谱和一阶导数光谱与叶绿素含量之间的关系进行分析,从一阶导数光谱中提取苹果叶片光谱的5个红边参数,从5个红边参数中筛选出相关性好的红边参数,使用传统单变量回归算法、反向传播(back propagation,BP)神经网络和径向基函数(radial basis function,RBF)神经网络,建立叶绿素含量估测模型,用决定系数(R2)、均方根误差(RMSE)和相对误差(RE)来验证模型的准确性.[结果]与原始光谱相比,一阶导数光谱与苹果叶片叶绿素含量的相关性更高.5个红边参数中,红边位置、峰度系数、偏度系数与叶绿素含量的相关系数均较高,且均达极显著水平.建立的传统单变量回归模型中,基于红边位置、峰度系数和偏度系数的R2均大于0.7,其中基于偏度系数建立的多项式模型模拟精度最高,验证结果R2为0.872,RMSE为4.631,RE为8.81％.选取红边位置、峰度系数和偏度系数为人工神经网络的输入变量,分别优化BP神经网络的隐含层节点数和网络类型以及RBF神经网络的扩展系数(SPREAD值)来提高预测精度,结果发现,建立隐含层节点数为4的双隐含层BP神经网络最优模型R2为0.891,RMSE为3.844,RE为7.55％;当SPREAD值为0.6时,建立的RBF神经网络最优模型的R2为0.955,RMSE和RE 分别为2.517和3.69％.[结论]估算苹果叶片叶绿素含量时,人工神经网络模型比传统单变量模型精度高,其中RBF神经网络模型学习速度快、精度高,拟合结果更加可靠.【期刊名称】《西北农林科技大学学报（自然科学版）》【年(卷),期】2019(047)001【总页数】9页(P107-115)【关键词】叶绿素;红边参数;人工神经网络;苹果【作者】罗丹;常庆瑞;齐雁冰【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】TP79;TP183植被叶绿素含量与其光合作用能力、生长发育阶段以及氮素水平有较好的相关性，已经成为一种评价植被长势的重要指标[1]。
基于EFAST方法的苹果叶片叶绿素含量估算
基于EFAST方法的苹果叶片叶绿素含量估算杨福芹;沙从术;冯海宽;韩瑞芳;徐平【摘要】为了快速、准确地估算叶绿素含量,使用2012年和2013年在山东省肥城市潮泉镇获取的整个生育期苹果叶片叶绿素含量和配套的光谱数据,利用PROSPECT模型和EFAST方法探讨了对叶绿素含量敏感的波段,然后采用经验统计方法实现了单波段高光谱对苹果叶片叶绿素含量的监测.结果表明:以571 nm和697 nm波段光谱参数为自变量所建立的估测模型拟合精度较高,其决定系数(R2)分别为0.71和0.69,均方根误差(RMSE)分别为1.14、1.17 mg/dm2,相对误差(RE)分别为-1.07％和-1.01％.以PROSPECT模型和EFAST方法整合筛选的敏感波段建立的估算模型监测叶绿素含量效果较好,为利用高光谱技术监测苹果长势提供了理论依据.%In order to estimate chlorophyll content quickly andexactly,chlorophyll content parameters and the concurrent spectral reflectance of apple leaves were acquired in Chaoquan town,Feicheng city,Shandong province,during 2012 and 2013 apple growthseasons.Sensitive wavebands to chlorophyll content were selected using PROSPECT model and EFAST (extended Flourier amplitude sensitivity test) method,and then estimation models of chlorophyll content were built using empirical statistical methods.Results showed that the fitting accuracy of the estimation models using wavebands of 571 nm and 697 nm was higher.The determination coefficients (R2) were 0.71 and 0.69,the root mean square errors (RMSE) were 1.14,1.17 mg/dm2,and the relative errors(RE) were-1.07％ and-1.01％.The model established by using PROSPECT model and EFAST method can predict the apple leaf chlorophyllcontent better,providing a theoretical basis for monitoring apple growth conditions by using hyperspectral technology.【期刊名称】《河南农业科学》【年(卷),期】2017(046)005【总页数】4页(P157-160)【关键词】苹果叶片;高光谱;叶绿素含量;PROSPECT模型;EFAST方法;随机森林【作者】杨福芹;沙从术;冯海宽;韩瑞芳;徐平【作者单位】河南工程学院土木工程学院,河南郑州451191;国家农业信息化工程技术研究中心,北京100097;河南工程学院土木工程学院,河南郑州451191;国家农业信息化工程技术研究中心,北京100097;河南工程学院土木工程学院,河南郑州451191;河南工程学院土木工程学院,河南郑州451191【正文语种】中文【中图分类】S661.1叶绿素含量是监测果树长势的主要生化参数，其变化不仅可以评价果树的光合作用，而且是评价果树是否受病害胁迫的指示剂[1-2]。
基于SVR算法的苹果叶片叶绿素含量高光谱反演
基于SVR算法的苹果叶片叶绿素含量高光谱反演刘京;常庆瑞;刘淼;殷紫;马文君【期刊名称】《农业机械学报》【年(卷),期】2016(047)008【摘要】为实现苹果叶片叶绿素含量的高光谱反演,分析了多种光谱参数与实测SPAD值的相关性,并将归一化光谱参数值及SPAD值进行多项式回归及支持向量回归.其中以归一化植被指数为变量的SVR(Support vector regression)反演模型在建模及模型检验中决定系数分别为0.741 0、0.891 4,均方根误差分别为0.133 2、0.125 6,具有较高的精度及良好的预测能力.与多项式回归相比,SVR具有更好的反演效果,可以作为叶绿素高光谱反演的优选算法.【总页数】7页(P260-265,272)【作者】刘京;常庆瑞;刘淼;殷紫;马文君【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;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】TP79;S127【相关文献】1.基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型 [J], 甘海明;岳学军;洪添胜;凌康杰;王林惠;岑振钊2.基于 SVR 算法的小麦冠层叶绿素含量高光谱反演 [J], 梁亮;杨敏华;张连蓬;林卉;周兴东3.基于GA-BP神经网络高光谱反演模型分析\r玉米叶片叶绿素含量 [J], 陈春玲;金彦;曹英丽;于丰华;冯帅;周长献4.基于机器学习的粳稻叶片叶绿素含量高光谱反演建模 [J], 王念一; 于丰华; 许童羽; 杜文; 郭忠辉; 张国圣5.基于RF-VR的紫丁香叶片叶绿素含量高光谱反演 [J], 肖志云;王伊凝因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
万方数据
１３７０
光谱学与光谱分析 变量和一阶微分５２１和５２３ｎｍ组合的估测模型。
第３２卷
素含量关系的无损性与精确性。 叶片原始光谱反射率的一阶微分能消除基线漂移或平缓 背景干扰，其波段组合能较好的估测叶片叶绿素含量；叶面 叶绿素指数ＬＣＩ与叶片叶绿素含量间的相关系数较大，得出 的估测模型拟合精度较高。因此，最佳估测模型为以ＬＣＩ为
０．７８５，均较大，其余６个模璎相对较小。因此，选择前６个
估测模型。并进行进一步的模型验证。 ２．３模型检验 为检验估测模型的可靠性，利用２６个检验数据的叶绿 素含量及其光谱反射率，对筛选出的六种模型进行测试与检 验。筛选出检验精度高的模型。结果见表２。
ｎｎｌ处的一阶微分作为变量确定的估测模型，Ｒ方达到
ｎｍ［１¨。为减少误差，测
量前用标准白板进行校正，同时将叶片表层的浮尘用干净干 燥的试纸轻拂去。每个样本观测记录３次采集数据（测定时 避开叶脉），取其平均值作为该处的光谱反射率。利用植被 探头与叶片夹，采用光谱仪自带光源，保证叶片平整Ｈ被探 测面积相同．有效的消除ｒ背景反射、叶片表面弯曲造成的 光谱波动造成的影响．保证ｒ研究结果的精确性。
ＳＰＳＳ －—Ｂ—ｕ基笤ｏ
ｇ一苗一§Ｊ
Ｗａｖｅｌｅｎｇｔｈ／ｒｉｍ
晦２
Ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｍｃｉｅｎｔｓ
ｂｅｔｗｅｅｎ
ｔｈｅ ｆ＇ｗｓｔ ｄｅｒｉｖａｔｉｖｅ
ｓｐｅｃｔｒａｌ ｄａｔａ ａｎｄ ｃｈｌｏｍｐｈｙＵ
ｃｏｎｔｅｎｔ
１７．０中进行逐步和进入式回归分析，找出精度较高的 从图３原始光谱一阶导数曲线图中可以看出，在可见光
引
言
叶绿素是光合作用的主要载体［１］，其含量是植物营养胁
１实验部分
１．１样品采集 实验地点是山东农业大学南校区苹果实验园，位置为东 经１１７。９．３２’Ｅ，北纬３６。９．２２’Ｎ，海拔１６５ ｍ。采样时间是 ２０１１年６月１２日，是苹果树叶片营养相对稳定的春梢停止 生长期，果树品种是红富士。为保证实验结果的全面性精确 性，随机采集不同长势苹果树的不同位置的叶片样本１０６ 个。 １．２光谱测定 采用美国ＡＳＤ ＦｉｅｌｄＳｐｅｅ光谱仪测定光谱。利用仪器自 带的植被探头与叶片夹式光谱探测器在野外直接测定苹果树 叶片光谱。波段范围为３５０～２
矾＝面考寄挚而一警（１）
ＬＣＩ—Ｋｉ８—５０—－－下－ｈｆ７１０
ｔ（ｓｓｏ一』‘６∞
Ｗａｖｅｌｅｎｇｔｈ／ｒｉｍ Ｆｉｇ．１ Ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ ｂｅｔｗｅｅｎ ｔｈｅ ｐｒｉｍｉｔｉｖｅ ｓｐｅｃｔｒａｌ ｄａｔａ ａｎｄ ｃｈｌｏｒｏｐｈｙｌｌ ｃｏｎｔｅｎｔ
式中，Ｒ为ｉｎｍ处的光谱反射率，Ｒ，，是Ｒ。的一阶微分． 丸是第ｉ个通道的波长，下同。 在一阶微分中提取其红边位置（红边是绿色植物在６８０ ～７４０ ｎｌＴｌ之间反射率增高最快的点。也是一阶导数光谱在 该区间内的拐点，是植物光谱的最显著标志［１３］）。 叶面叶绿素指数（ＬＣＩ）：反映叶面叶绿素含量［．］，公式 为
６８０～７４０ ｎｌｎ之间反射率增高最快的点．即一阶导数光谱在
波段组合及模型方程。通过模型拟合检验，最终筛选出精度 最高的估测模型。 为检验实测值与估测值之间的拟合效果，计算拟合方程 斜率Ｓｌｏｐｅ及其拟合决定系数Ｒ２，式（３）为均方根误差 ＲＭＳＥ的计算公式，式（４）为相对误差ＲＥ％的计算公式
该区间内的拐点位＝Ｊ＝７１８ ｓｉｎ处作为样本的红边位置。其原
ｒｉｍ以及５２１，５２２．５７３，７０６。７４８ ｎｎｌ一阶微分数ｌ红边位置 ｎｉＴｔ处的原始光谱；ｌＣＩ。 在ＳＰａＳ软件中将各种变换后得到的敏感波段所建立的 回归模型进行比较，找出每种变换中拟合度较高的模型，筛 选结果见表１． ２．２模型建立
关，亦选为敏感变量。
由此，共选择６个波段区间以及７个单波段组合作为敏 感变量，分别为：５２６～５７７ ｎｎ３，６９９～７４３ ｎ１３１的原始光谱反
Ｏ ，Ｏ ８ Ｏ ６ Ｏ ４ Ｏ２ Ｏ Ｏ２ ４ ＯＯ ６ ８ Ｏｌ Ｏ ４５０ ８５０ １ ２５０ １ ６５０ ２０５０ ２４５０
ＬＣＩ对叶绿素的含鼍很敏感，但对叶面散射和叶面内部 结构变化不敏感，而本实验采用植被探头与叶片夹结合的方 法，散射基本相同，同一品种的苹果树叶片结构也相同。 １．Ｓ数据分析 将变换处理后的高光谱数据导入ＭＳ Ｅｘｃｅｌ软件中，对 光谱数据和叶绿索含量进行相关分析。绘制相关系数曲线 图，根据曲线图找出相关系数绝对值较大的波段，确定敏感 波段。将１０６个样本分成两组，前８０个用来确定估测模型。 后２６个用来检验模型。将选定的敏感波段及各种指数代人
Ｐｒｏ
５．０将采集的光谱数
据进行处理，在３５０～４５０啪间受仪器噪音等的干扰，光谱
曲线成锯齿状，误差较大，将其剔除。剔除后共有ｌ ９５０个 波段数据。 由于光谱仪采集的是离散数据，因此采用式（１）可以对 原始光谱数据进行一阶微分计算。
菪＿ｕ置Ｈｇｕ
趣２
ｍ．４
－Ｏ．６
ｇ星ｐｇＪ
—０．８ －１．Ｏ ４５０ ８５０ ｌ ２５０ ｌ ６５０ ２０５０ ２４５０
２结果与分析
Ｂｉｎ及６９９～７４３啪间达到相关系数峰
值，平均相关系数分别一ｏ．７７７和一ｏ．８５６，因此选择这两组 波段的原始光谱反射率作为估测叶片叶绿素含量的敏感波 段。
０．２ Ｏ
值来作为衡量叶绿素总量的指数。实验采用的仪器与测鼍方
法既能保证实验的精度，又不会对苹果树叶片结构造成破 坏。 １．４数据处理 利用光谱处理软件ＶｉｅｗＳｐｅｃ
因此，最佳估测模型为以ＬＣＩ为变量的模型Ｃｈｌ＝ 一１６．８２６＋９４．５６４＊ＬＣＩ和一阶微分５２１和５２３ ｎｉｌｌ组合的 估测模型Ｃｈｌ＝６６．９２１—５ ６６１．３２３＊Ｒ７５２ｌ一３
Ｒ７５船． ６６５．６８７－
３结论
采用植被探头与叶片夹结合的方法测定叶片光谱．采用 ＳＰＡＤ－５０２测定叶绿素含量。实现ｒ研究光谱反射率与叶绿
ｎ
姗 船
ｏ
ｎ
ＲＭＳＥ—
（３）
皇４口暑。冀冒 ａ＾—善ｔ岩－芒昭ｏｌ卜
Ｏ
ｉ害 姗
４５０ ７５０ １ ０５０
ＲＥ％－－－－－－：骞与掣×・ｏｏ％
式中．五和，ｉ分别为估测值和实际值，一为样本数。
（４）
Ｏ
Ｆｉｇ．３
Ｏｒｅ－ｒｅ ｏｆ
ｔｈｅ矗ｒｓｔ出—啊Ｉ廿幢印咖Ｉ
Ｗａｖｅ｜朝ｇ岫
Ｉ ３５０
ｌ ６５０
Ｉ ９５０
Ｔａｂｌｅ １
Ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌｓ ａｎｄ ｔｈｅｉｒ ａｃｃｕｒａｃｙ ｐａｒａｍｅｔｅｒｓ（／＝－－－－８０）
＊。ｐ＜Ｏ．Ｏｌ，Ｔｈｅ
ｓａｌｎｅ
ｂｅｌｏｗ
从表１可以看出，以５２１。７４８。７０６ ｎｒｎ处的一阶微分作 为变量确定的估测模型，Ｒ方最大，达到了０．８／２；其次是以
６８９
２２５０
ｄａｔａ
万方数据
第５期
光谱学与光谱分析 射率，５１１～５３８
７１８
１３６９
始光谱反射率的相关系数达到一０．８５９，而该处一阶微分的 相关系数只有一０．０４２，因此将红边位置的原始光谱反射率 确定为敏感变量。 ＬＣＩ与叶绿素含量的相关系数达到０．８９２，呈极显著相
ｎｌ＇ｎ，５６３－－－５８２ ｎｎｌ，６８７～７１２ ｎｎｌ，７２８～７５４
ｅ－ｍａｉｌ。ｌｉａｎｇｓｈｕａｎｇ＿３ｓ（园１６３．ｔｏｍ
万方数据
１３６８
光谱学与光谱分析
第３２卷
１．３叶绿素测定 同一片叶片不同位置的叶绿素含量差异较大，常规的叶 绿素化学分析法测得的是整个叶片的平均叶绿素含量，误差 较大，因此采用ＳＰＡＤ－５０２叶绿素探测仪，在采集叶片光谱 的同一位置测定其叶绿素含最。ＳＰＡＤ值是衡量植物叶绿素 的相对含量及绿色程度的重要参数。相关研究表明，叶绿素 总量与ＳＰＡＤ值呈显著性正相关［１ ２１，冈此可以利用ＳＰＡＤ ２．Ｉ高光谱数据与叶绿素含量相关分析 由图１叶绿素含量与其原始光谱反射率的相关系数曲线 可知，在５２６～５７７
０．７９８，以５２１和７４８ ｎｌＴｌ处的一阶微分为变量以及以ＬＣＩ为
变量的估测模型。Ｒ方分别达到０．７９３和０．７９２；以５２１和
５２３
ｎｒｎ处一阶微分为变量以及以５６９，５６７．５７９，５７７ ｎｒｎ处
的一阶微分为变量的估测模型，Ｒ方分别达到０．７８９和
Ｔａｂｌｅ ２ Ｆｉｔｔｉｎｇ ａ（！ｃＩｌｌｌ＇ａｃｙ ｐａｒａｍｅｔｅｒｓ ｏｆ ｔｈｅ ｍｏｄｅｌ ｃｈｅｃｋｉｎｇ（ｎ－－－－２６）
从表２中可以看出．有四个模制拟合较好，其中以Ｉ￡ｌ 为变最的模喇拟合精度最高，决定系数Ｒ２为０．８４５ ３，均方 根误差ＲＭＳＥ为２．９６１．相对误差ＲＥ％为４．７１％Ｉ以５２１ 和５２３ ｎｌＴｌ处的一阶微分为变量的模型拟合精度次之．决定 系数Ｒ２为０．８３９．ＲＭＳＥ为２．７１９，ＲＥ：％为４．７０％・以６８９ ｎｒｒｔ处的一阶微分为变最和以５６９，５６７，５７９，５７７ ｎｒｎ处的一 阶微分为变最的估测模型再次之ｌ一阶微分５２］和７４８ ｒｉｍ 组合以及一阶微分５２１．７４８。７０６ ｎｎｌ组合的估测模型检验 精度均较低将其排除．
等大田作物…０］的叶绿素含量估测研究，但对苹果等果
树［１ｈ １２１的研究相对较少。本工作将尝试利用高光谱技术对 苹果树叶片叶绿素含最进行估测，旨在探索叶片叶绿素含量 快速准确的估测技术方法。
收稿日期：２０１卜１０－１２．修订日期：２０１２－０１—２０ 基金项目：国家（８６３计划）项目（２００８ＡＡＩＯＺ２０３），高校博士点基金项目（２０１０３７０２１１００１０），中国博士后基金（２０１１０４９１６１６）和山东农业大学 博士后基金项目（８９８４１）资助 作者简介：粱爽．女．１９８８年生．山东农业大学资源与环境学院硕士研究生 －通讯联系人 ｅ－ｍａｉｌ，ｚｌ№ｏｇｘ＠ｓｄａｕ．ｅｄｕ．ｃｎ