苹果树叶片叶绿素含量高光谱估测模型研究

合集下载

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第一篇：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]。

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。

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。

基于PROSPECT模型的植物叶片干物质估测建模研究

基于PROSPECT模型的植物叶片干物质估测建模研究王洋;肖文;邹焕成;陆婧楠;曹英丽;于丰华【摘要】为了快速、准确估测植物叶片干物质含量,为作物长势及健康状况监控提供数据支撑,利用光谱分析技术探讨了干物质含量敏感光谱波段提取方法及其估测建模方法.试验数据由叶片辐射传输模型PROSPECT在干物质含量(0.001~0.02)g?cm-2范围内进行模拟,随机产生1000条400~2500nm的光谱曲线,其中600条光谱曲线用于建模研究、400条光谱曲线作为模型验证数据,同时应用叶片光学特性数据库LOPEX93中325条叶片光谱-干物质含量数据进行进一步验证.首先应用试验数据进行局部敏感性分析,初步得到叶片干物质敏感波段范围,再运用改进Sobol算法进行全局敏感性分析,提取了干物质含量敏感的光谱波段范围,在此敏感波段范围运用波段组合算法计算归一化植被指数NDVI与叶片干物质含量相关系数,优选了4组相关性大的波段组合建立归一化干物质指数NDMI(1644,1719)、NDMI(1871,2294)、NDMI(2150,2271)、NDMI(1496,2282)用于干物质含量估测建模.结果表明:NDMI(1644,1719)和NDMI(1871,2294)模型中三次多项式形式(cubic)效果最佳、NDMI(1496,2282)模型中幂指数形式(power)效果最佳,三者中NDMI(1871,2294)的三次多项式模型最优,决定系数R2为0.837,对叶片干物质含量具有较好的估测能力.%In order to estimate the dry matter of plant leaves quickly and accurately and provide data support for crop growth and health status monitoring, we used spectral analysis technique to explore the extraction method of dry matter sensitive spectral bands and its estimation modeling method. The experimental data were simulated by leaf optical properties spectra (PROSPECT) in direct mode, when dry matter in the range of 0.001-0.02g?cm-2. From the randomly generated 1000 spectral curves between 400 nm and 2500 nm, 600 spectral curves were used for modeling studies, and 400 spectral curves were used as model validation data. The models were further validated by the 325 leaves spectral-dry matter data from the Leaf Optical Properties Experiment 93(LOPEX93). Firstly, local sensitivities of leaf dry matter were preliminarily obtained by using the experimental data, and then global sensitivity was analyzed by using the improved Sobol algorithm. The range of spectral bands sensitive to dry matter was extracted, and the spectral combination algorithm was used to calculate the correlation coefficient between the normalized vegetation index NDVI and the dry matter of plant leaves. Four groups of correlation bands NDMI (1644,1719), NDMI (1871,2224), NDMI(2150,2271) and NDMI (1496, 2282) were used as characteristic bands for dry matter estimation modeling. The results showed that the cubic polynomials in NDMI(1644,1719)andNDMI(1871, 2294)models were the best, and that the power exponent in NDMI(1496,2282)model was the best. Among the three models, the third-order polynomial model of NDMI(1871, 2294)was the best, and the coefficient of determination R2was 0.837, which had good estimation ability.【期刊名称】《沈阳农业大学学报》【年(卷),期】2018(049)001【总页数】7页(P121-127)【关键词】叶片干物质含量;敏感性分析;PROSPECT模型;LOPEX93数据集;光谱指数【作者】王洋;肖文;邹焕成;陆婧楠;曹英丽;于丰华【作者单位】沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院,沈阳110161【正文语种】中文【中图分类】Q948;TP79植物叶片干物质含量是重要的生化参数之一，叶片干物质的有效积累可促进植物生长、提高植物光合作用效率，且与叶片寿命、抗逆性具有很大相关性[1-3]，是作物长势和健康状态的重要指标。

利用高光谱植被指数估测苹果树冠层叶绿素含量

５：Ｏ０，测量前进行标准白板校正。选择具有代表性的样本点，采用长度为５Ｉｌｌ的外加光纤观测冠层光
谱，观测时确保整个冠层在探测范围内［４］，每个样本记录５
个光谱，以其平均值作为该样本的光谱反射率。
苹果叶面积指数，并在测定的苹果树冠层外围各取４～６片健康叶片，装人保鲜袋、封口、编号，置于保鲜箱带回实验室进行室内化验分析。将新鲜的苹果叶片剪成细丝，避开叶脉，混匀后称取０．２ｇ，用９５乙醇提取叶绿素，对提取液用ＵＶ７６２紫外可见分光光度计比色，分别测定６６５ｉｒｍ（叶绿素
苹果冠层高光谱反射率，对原始光谱进行微分变换，与苹果叶绿素含量进行相关分析确定敏感波段，通过分析敏感区域４００￣１３５０ｎｍ范围内所有两波段组合的植被指数，选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：（１）苹果冠层叶绿素含量的敏感波段区域为４００１３５０ｎｍ。（２）利用筛选得到的植被指数ＣＣＩ（Ｄ／Ｄｓ。）构建的估测模型能较好的估测苹果冠层叶绿素含量。（３）以ＣＣＩ（Ｄｒ。／Ｄ７ｓ。）指数为
（１ｅａｆｃｈｌｏｒｏｐｈｙｌｌｃｏｎｔｅｎｔ，ＬＣＣ）反映单株植物的生长状况，
１实验部分
１．１样品
选择山东省苹果主产区之一蒙阴县，采集时间为２０１２年６月２２日，为苹果叶片营养相对稳定的春梢停止生长期，

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Ｅｐ一２０ｐ００地物光谱仪测量叶片的反射光谱，并用ＳＡ５２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ＰＤ一０
ｔｅｃｒｅａｉｎｅｗｅｎｌａｐｃｒｍ，ｌａｐｅｔａｈａａｔｒｓｉｐｒｍｅｅｓｖｒｏｅｅａｉｎｉｄｃｓａｄｌａｈｏｏｈｏｒｌｔｏｓｂｔｅｅｆｓｅｔｕｅｆｓｃｒｌｃｒｃｅｔｉｃａａｔｒ，ａｕｓｖｇｔｔｏｎｉｅｎｅｆｃｌｒ．ｉ
ｐｙｌｏｔｎｅｅａａｙｅｔｔｔｔａｃｒｅａｉｎｍｅｈｄ，ａｄｔｅｃｒｅｐｎｉｇｅｔｔｎｍｏｅｓｅｔｂｉｈｄｈｌｃｎｅｔｗｒｎｌｚｄｗｉｓｉｉｌｏｒｌｔｔｏｈａｓｃｏｎｈｏｓｏｄｎｓｉｉｄｌｗａｓａｌｅ．ｍａｏｓ
Ａｂｔａｔｓｒｃ：Ｔｅｈｐｒｐｃｒｅｔｅｓｎａｒｖｄｄａｍｅｈｄｏｉｇｏｉｇａｄｅａｎｎｈｏｏｈｌｓｅｔｌｈｙｅｓｅｔｒｍｏｅｓｎｉｇｈｓｐｏｉｅｔｏｆｄａｎｓｎｎｘｍｉｉｇｃｌｒｐｙｌｐｃｒｌａａｃａａｔｒｔｓｂｅｅｔｇｔｅｓｅｔｌｅｅｔｎｅｏｒｃａｕｅｎｎ￣ｏａｄｎｅｄｔｉｉｈｒｓｅｔｌｅ－ｈｒｃｅｓｉｙｄｔｃｉｈｐｃｒｆｃａｃｆｕｆｅｆｔｒｓｉａｗｂｎ，ａｄｔａａｗｔｈｇｅｐｃｒｓｉｃｎａｒｌｓａｅｈｈａｒ

不同苹果砧木叶绿素含量与光合速率研究

［２０１０］４００９）。作者简介：宋莎（１９８５一），女，河北保定人，硕士，研究方向为果树
苹果砧木的利用提供理论依据。பைடு நூலகம்
１材料与方法
１．１材料
本试验材料为１Ｏ种（花红、八棱海棠、平邑甜茶、青砧１号、青砧２号、垂丝海棠、毛山荆子、湖北海棠、西府海棠、丽江山荆子）苹果砧木实生苗，其中八棱海棠、平邑甜茶、青砧１号和青砧２号种子由烟台果树科学研究所提供，其余采自贵
定５株。采用复印称重法测定叶面积，每个砧木随机选取
收稿日期：２０１４— ４ — ０２０
叶绿素一类与光合作用密切相关的重要色素，其含量的
项目基金：贵州省农业科学院专项（黔农科院院专项［２０１０］４４０）；贵州省精品水果绿色生产技术创新能力建设（黔科合院所创能
２０张叶片。采用乙醇提取法测定叶绿素含量，每份材料重复３次。
２结果与分析
２．１苹果砧木净光合速率（Ｐ）的比较
．
一／【Ｑ目呈斟好由图１可知，试验苹果砧木叶片的Ｐ．值在１．４０—
６．３０￣ｍｏｌ／（ｉｎ・ｓ）之间。不同苹果砧木的Ｐ存在一定差异，其中花红最高，其次是八棱海棠，二者均在４Ｉ￣ｍｏｌｆ（ｍ・ｓ）以
州省威宁县。于２０１２年３月播种，选取生长一致的实生苗用于后续试验。

基于高光谱图像的农作物遥感监测方法研究

基于高光谱图像的农作物遥感监测方法研究高光谱遥感图像在农作物监测中的应用已经成为遥感技术研究的热点之一。

通过利用高光谱遥感图像的丰富光谱信息，可以对农作物的生长状态、病虫害情况以及土壤水分等进行精确监测和分析。

本文将从高光谱图像获取与预处理、农作物遥感监测方法以及案例研究三个方面展开讨论，以探索基于高光谱图像的农作物遥感监测方法。

首先，高光谱图像获取与预处理是基于高光谱图像进行农作物监测的前提。

高光谱遥感图像一般由辐射采集仪器获得包含几百个连续波段的光谱数据。

然而，由于各种误差和噪声的存在，必须对图像进行预处理，以提升数据的质量和准确度。

对高光谱图像进行预处理的主要步骤包括：辐亮度校正、大气校正、波段选择、空间校正等。

这些步骤可以提高图像的质量，减少噪声，对后续的农作物监测具有重要意义。

其次，在农作物遥感监测方法方面，基于高光谱图像的农作物监测主要包括生长状态监测、病虫害监测、土壤水分监测等。

生长状态监测是通过分析农作物在不同阶段的反射光谱特征来评估其生长状况及产量水平。

病虫害监测是通过分析植物受到病虫害侵袭后的光谱特征来判断病虫害发生的情况及程度。

土壤水分监测是通过分析植物所吸收反射的光谱特征来评估土壤水分状况，为制定合理的农田灌溉策略提供依据。

除了这些基本的监测方法外，还可以通过高光谱图像进行农作物分类、农作物生长周期预测等分析。

最后，本文将通过案例研究的方式，探索基于高光谱图像的农作物遥感监测方法。

以小麦为例，通过获取小麦生长周期内不同阶段的高光谱图像数据，利用这些图像数据进行生长状态监测。

将分析不同阶段的小麦光谱特征，包括叶绿素含量、叶片氮含量等指标，并与实地采样结果进行比对验证。

根据实地调查和实验结果，确定不同生长阶段小麦的光谱特征与生长状况的对应关系，建立基于这些特征的农作物生长状态监测模型。

本研究还将利用高光谱图像数据开展病虫害监测。

以小麦叶枯病为例，通过采集不同感染程度的小麦叶片高光谱图像数据，提取出感染叶片的光谱特征。

高光谱叶绿素测定

高光谱叶绿素测定
高光谱叶绿素测定是一种使用高光谱遥感技术测量植被叶绿素含量的方法。

叶绿素是植物中起关键作用的光合色素，可以反映植物叶片生长状态、光合作用效率和氮素含量等指标，因此在农业、环境保护和生态研究等领域具有重要应用价值。

高光谱叶绿素测定是通过对植被反射光谱进行分析，从中提取叶绿素相关的信息，根据光与物质的相互作用规律来确定叶绿素含量。

具体操作步骤为：首先利用高光谱遥感仪器获取植被的光谱反射数据，然后利用光谱分析方法对数据进行处理和分析，提取叶绿素特征波段，并建立叶绿素含量与光谱特征之间的数学模型。

最后，结合实测数据，利用建立的模型对未知区域或大面积地块的叶绿素含量进行预测或估算。

高光谱叶绿素测定具有非接触性、高精度、高效率和一次观测多参数等优势，可以实现对大面积植物叶绿素含量的精确测量和空间分布分析。

它可以应用于农作物生长监测、生态环境评估、病虫害监测和水体富营养化监测等领域，对于提高农业生产效益、保护生态环境和实现可持续发展具有重要意义。

果苗生长的关键生理指标及其监测方法研究

果苗生长的关键生理指标及其监测方法研究果苗的生长过程受许多因素的影响，包括环境因素、养分供应和激素调控等。

为了监测果苗的生长状况，了解其关键生理指标是至关重要的。

本文将研究果苗生长的关键生理指标及其监测方法，并探讨其在果树栽培中的应用。

一、叶片光合速率叶片光合速率是果苗生长的一个重要指标，它反映了果苗的光合作用强度和养分合成能力。

通过监测叶片的光合速率，可以评估果苗的生长潜力和养分状况。

常用的监测方法包括光合速率仪和气体交换系统。

利用这些仪器，可以通过测量二氧化碳的吸收和氧气的释放来计算出光合速率。

二、叶片叶绿素含量叶片的叶绿素含量是果苗生长的另一个重要指标，它反映了果苗的光合能力和养分状态。

叶绿素含量的监测通常使用色谱法或分光光度法。

这些方法可以通过测量叶片样品中的吸光度来确定叶绿素的含量。

通过监测叶绿素含量的变化，可以评估果苗的生长状态和健康程度。

三、植株高度和茎粗植株高度和茎粗是果苗生长过程中常用的生理指标之一，它们反映了果苗的生长速度和生长质量。

利用直尺和游标卡尺等测量工具，可以准确地测量果苗的高度和茎粗。

通过定期监测植株高度和茎粗的变化，可以了解果苗的生长趋势和生长速度。

四、根系生长状况根系是果苗生长过程中的重要组成部分，对果树的根系进行监测可以更全面地了解果苗的生长状况。

通过使用根系扫描仪或根系图像分析软件，可以对果苗的根系进行定量分析。

利用这些工具，可以评估根系的总长度、根尖密度和根系分布等指标，从而了解果苗的水分吸收能力和营养吸收状况。

五、叶片水势和蒸腾速率叶片水势和蒸腾速率是果苗的另一个重要生理指标，它们反映了果苗的水分状态和蒸腾强度。

常用的监测方法包括压力台和称重法。

通过这些方法，可以测量叶片的水势和蒸腾速率，并评估果苗的水分供应状况和适应能力。

综上所述，果苗生长的关键生理指标包括叶片光合速率、叶片叶绿素含量、植株高度和茎粗、根系生长状况，以及叶片水势和蒸腾速率等。

通过合适的监测方法，可以准确测量这些指标，并评估果苗的生长状态和健康状况。

高光谱叶绿素测定义

高光谱叶绿素测定义高光谱叶绿素测量利用的是高光谱成像技术。

高光谱成像技术可以获取对象在多个光波段上的光谱信息，并通过对获取的光谱数据进行分析和处理，得出目标物质的含量或特性。

在叶绿素测量中，高光谱成像技术能够获取叶片表面或植物组织的光谱数据，进而分析叶绿素含量以及其他相关参数。

高光谱叶绿素测量可以通过多种传感方式进行。

其中，最常用的是基于光电二极管阵列的无源成像传感方式。

这种方式通过将被测叶片放置在光电二极管阵列下方，通过照射叶片并记录反射光谱，以获取叶绿素含量和荧光参数。

另外，还可以使用一些主动光源来提供照明光，以进一步提高测量的精度和准确性。

高光谱叶绿素测量可以获得一系列有关叶绿素含量和荧光参数的信息。

通过分析叶绿素的光谱吸收特征，可以计算出叶绿素含量。

这对于研究植物的光合作用、叶绿素荧光发射特性以及植物的生理状况具有重要意义。

叶绿素荧光参数包括最大荧光、暗氧化荧光、有效量子产量和非光化学稳定性等指标，可以反映植物的光合效率、抗氧化能力和应对环境压力的能力。

高光谱叶绿素测量在农业、植物生理研究、环境保护等领域具有广泛的应用前景。

在农业中，可以通过测量叶绿素含量和荧光参数来评估植物的生长状况和营养状况，并制定相应的施肥和灌溉策略。

在植物生理研究中，可以利用高光谱叶绿素测量来研究植物对逆境的响应机制，如光胁迫、干旱和病虫害等。

在环境保护方面，高光谱叶绿素测量可以用于监测水体中藻类的生物量和水质状况，对于水体环境的管理和保护具有重要意义。

总之，高光谱叶绿素测量是一种用于测量叶绿素含量和荧光参数的先进技术，具有广泛的应用前景。

它可以在农业、植物生理研究和环境保护等领域中发挥重要作用，并为相关领域的科学研究和实践提供有力支持。

基于高光谱红边参数的不同物候期苹果叶片的SPAD值估测

ｉｉｅｅｔｐｅｏｈｓｓＴｈＰａｕｓｏｕｉｐｌｌａｅｅｅｉｃｅｓｄｇａｕｌｏｅｃｎｃｎｄｆｒｎｈｎｐａｅ．ｅＳＡＤｖｌｅｆＦｊａｐｅｅｖｓｗｒｎｒａｅｒｄａｌｉｆｒｓｅｅｅｙｎｌ
ｒｓｌｓｗｅｈｔｔｅｖｒａｉｎｒｌｓｏｅｅｔｏｐｃｒｅｕｔｈｏｄｔａｈａｉｔｏｕｅｆｆｃｉｎｓｅｔｕｍｖｆｒｕｖｓｏｐｌｅｖｓｗｅｅｓｍｉｒｒｌｗａｅｏｍｃｒｅｆａｐｅｌａｅｒｉｌａ
３．ＣｏｅｅｏｒｉｕｔｒｃｎｅａｄＥｇｎｅｉｇＳａｄｎｒｃｌｒｌＵｉｅｓＴｉｎ７ＣｉａｌｇｆｌＨｏｔｌｕｅｉｃｎｎｉｅｒ，ｈｎｏｇＡｇｉｕｔａｎｖｒｉｃＳｅｎｕａ＇２１１，ｈｎ）ａ０８
ａｄｒａｈｅｏｔａｎａｔｍｎｓｏｕｅｇｏｈｐｒｏｎｅｃｄｔｈｅｐｅｋｉｕｕｈｏｔｐａｓｒｗｔｅｉｄ．ＴｈｎｈＰＡＤａｕｇｎｔｅｌｅｅ，ｔｅＳｖｌｅｂｅａｏｄｃｉ．ｎ
ＥｓｉａｉｎｏｔｍｔｏｆＳＰＡＤｌｆＡｐｐｌａｎＤｉｅｅｔＰｈｎＶａｕｅｏｅＬｅｆｉｆｒｎｅｏｐｈｓａｅ
ＢａｅｎｙｐｅｓｃｒｅｓｄｏＨｒｐｅｔａｌＲｄＥｄｇｒｍｅｅｓｅＰａａｔｒ

基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究

基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究基于高光谱数据的玉米L和叶绿素含量遥感反演方法的研究摘要：随着农业遥感技术的发展，利用高光谱数据进行植被参数反演已成为农业生产管理和精准农业的重要工具之一。

本文通过分析基于高光谱数据的玉米L（叶面积指数）和叶绿素含量遥感反演方法的研究现状，提出了一种改进的方法，并对该方法进行了实验验证。

实验结果表明，该方法能够准确反演出玉米的L和叶绿素含量。

本研究为农业生产和精准农业管理提供了一种高效准确的遥感反演方法。

关键词：高光谱数据；玉米；L；叶绿素含量；遥感反演 1. 引言玉米作为我国重要的粮食作物之一，对其生长状态进行准确的遥感反演可以为农业生产管理和精准农业提供重要依据，进而提高农作物产量和质量。

而L和叶绿素含量是衡量植物生长状态和光合作用强度的重要参数，因此准确反演玉米的L和叶绿素含量对于进行农作物监测和精细化管理至关重要。

2. 研究现状目前，利用高光谱数据进行植被参数反演已成为广泛研究的方向之一。

一些学者利用高光谱数据进行L和叶绿素含量反演的方法已取得了一定的研究进展。

其中，最常用的方法包括指数比值法、指数的拟合方法、基于光谱反射率和植被指数的关系等。

然而，现有的方法在一定程度上存在一些不足之处，如对于大尺度和复杂地物的精确度较低，或者需要大量的实地数据采集和参数拟合等。

3. 研究方法为了克服现有方法的不足，本研究提出了一种改进的基于高光谱数据的玉米L和叶绿素含量遥感反演方法。

该方法首先通过采集不同生长阶段的玉米样本，获取其高光谱数据，并同时测量其实际的L和叶绿素含量。

然后，根据高光谱数据和地面的观测数据，建立反演模型。

在模型中，利用多元线性回归、主成分分析和支持向量机等方法，对高光谱数据进行特征提取和建模，最终实现对L和叶绿素含量的准确遥感反演。

4. 实验验证本研究选择某玉米田作为实验区域，采集了不同生长阶段的玉米样本，并获取其高光谱数据和实际的L和叶绿素含量。

基于高光谱的苹果果期冠层光谱特征及其果量估测

基于高光谱的苹果果期冠层光谱特征及其果量估测雷彤;赵庚星;朱西存;董超;孟岩;战冰【摘要】苹果冠层光谱特征是苹果树遥感生理监测和生产管理的重要依据.对栖霞市苹果果期的冠层反射光谱进行实测,结合数码照相技术探明了苹果果期的反射光谱特性和敏感波段,并通过敏感波段与果树比指标建立回归模型,实现了对苹果冠层果量(果树比)的无损估测.结果表明:苹果树果期冠层光谱曲线总体表现为对蓝光和红光的吸收及对绿光的反射,在近红外750-1300nm之间表现为强烈的反射,且在1650nm和2200nm附近呈现两个反射峰.选择435、670、730、940、1140nm 和1480nm等6个波段为苹果果期的敏感波段.利用这些波段分别构建了差值、比值及归一化植被指数,筛选了最佳光谱参数,进而构建了果量(果树比)估测模型,经筛选验证确定苹果果量的最佳估测模型为:y=0.0086[NDVI(940,730)]2-1.0934NDVI(940,730)+0.3209.模型为苹果果期果量的精确估测提供了比较快捷的方法途径.【期刊名称】《生态学报》【年(卷),期】2010(030)009【总页数】10页(P2276-2285)【关键词】高光谱;数码照片;苹果果期;光谱特征;估测模型【作者】雷彤;赵庚星;朱西存;董超;孟岩;战冰【作者单位】山东农业大学资源与环境学院,泰安,271018;山东农业大学资源与环境学院,泰安,271018;山东农业大学资源与环境学院,泰安,271018;山东农业大学资源与环境学院,泰安,271018;山东农业大学资源与环境学院,泰安,271018;栖霞市国土资源局,栖霞,265300【正文语种】中文近年来快速发展的高光谱遥感，以其数据量大、光谱信息和图像信息有机结合、波谱分辨率高等巨大优势，成为遥感发展的一项重大创新。

高光谱遥感技术已成功应用于实时、大范围、无破坏的植物生长状况与趋势探测，为田间管理提供及时的作物信息，并取得了明显的成效[1- 3]。

高光谱反演叶片叶绿素及全氮含量

谱数据存在冗余这一特性，次试验采取了偏最小二乘法来对光谱数据进行回归分析，行叶绿素和氮素含量的本进估算。同时，文也比较了叶片叶绿素含量和氪素含量在不同单位表达形式下，最小二乘法对其的估算精度。本偏试验结果表明，于偏最小二乘法分析叶片反射率估测叶片的叶绿素含量及全氮含量具有很好的结果，度全都基精
光谱反射率之间的相关关系，过偏最小二乘法构通
建了叶绿素与氮含量的估测模型，比较了在不同并的含量表达方式下二者的反演精度。
２材料与方法
试验区位于江西省内（６４１５０２。２。４Ｎ，１。４Ｅ；８
在叶片层次研究分析了叶绿素含量和氮含量与叶片
１引言
植被在生态系统中起着非常重要的作用，物植中的生化物质都直接或间接地参与生物地球化学循
环，生态系统的物质和能量循环中发挥重要的作在用［。其中植物的氮含量是评价植被长势的重要指１］
一
取部分叶片，取叶片中间均匀部分测量其面截
积及重量，于计算叶片密度。叶绿素含量的测定用采用分光光度计法。利用叶绿素ａ和叶绿素ｂ吸收

光谱法叶绿素测定

光谱法叶绿素测定
光谱法测定叶绿素含量是一种常见的方法，其工作原理是通过测量叶片在两种波长范围内的透光系数来确定叶片当前叶绿素的相对数量。

使用光谱法测定叶绿素时，通常会选择使用叶绿素测定仪，这种仪器采用两种不同的发光管照射叶片，通过测量透过叶片的光的强度计算出叶片内的叶绿素相对含量。

这种方法的优点是可以在不影响作物正常生长的情况下，对特定的叶片进行监测，从而进行科学分析研究。

同时，叶绿素测定仪具有数据测量、分组、存储、浏览、导出等功能，测量精度和重复性高，可根据已知叶绿素含量的叶片或标准试样进行自动校准。

总结来说，光谱法叶绿素测定主要利用光谱吸收规律，通过测量叶片的透光系数来计算叶绿素的相对含量。

这种方法具有非破坏性，且可以进行连续监测，适用于各种植物叶片叶绿素含量的测定。

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]。

植物叶片的近红外光谱研究

N q .6Nov. 20192019 年第六期赣南师范大学学报 Joxuiai of Gannon Normal Unk —shy •光电子材料与技术•植物叶片的近红外光谱研究”廖昱博a ，p ,管立新a ，p ,温锦辉-彭中正-林玲。

(赣南师范大学Pt 物理与电子信息学院,u 光电子材料与技术研究所，江西赣州341404)摘要:采用积分球法和高光谱方法对不同类型的植物叶片进行了近红外光谱测试分析.结果表明，不同植物叶片的因色素含量不同，近红外光谱有所差异.不同绿叶间的反射率差异较小，而不同颜色叶片近红外光谱峰形相近但整体反射率差异较大.叶绿素含量越高，生物活性越强的植物叶片表现出越高的反射率值.”外，受干旱胁迫的叶片与正常叶片的近红外光谱也表现可分辨的特征5利用近红外高光谱成像的谱图合一的功能有望对植物进行大范围的监羽，从而及时掌握植物的生长情况.关键词：植物叶片；近红外；高光谱;反射率；光谱特征中图分类号:0433. I 文献标志码:A 文章编号：1044 -8332(241)46 -0454 -441引言植物的叶是植物的重要营养器官之一，其主要功能是通过光合作用合成有机物，并借助蒸腾作用为植物运输水和无机盐提供动力•当植物受到病虫害、盐分缺失、环境缺水等胁迫时，其叶部容易先表现出相应的变化和症状•因此把握植物叶部形貌变化成为判断植物病害种类及其严重程度的重要依据•然而，目前主要通过人工观察的途径判断植物长势和病害情况,这往往具有较大的主观性,并且效率较低，因而需要探求更为高效的检测方法.近红外光谱技术是一种分析物质结构及其化学组成的重要工具.首先，近红外光谱对应于789 nm - 2 520 nm 的电磁波谱，其涵盖了分子中C-H 、O-H 、N-H 等基团振动的倍频和组频信息,所以非常适合对有机化合物或天然产物进行成分和结构分析[1].其次,有机物通常在近红外光谱区的吸收强度远小于中红外区, 无需对厚样品进行研磨，亦无需做稀释处理，制样简便•而且，与化学分析方法相比,利用近红外光谱技术分析样品具有便捷、准确、高效、廉价、无损等优点•这使得近红外光谱技术逐步走出实验室，成为一项“大众化”的分析手段，并广泛应用于石油化工、食品检测、纺织、制药和环境保护等各大领域中[「/].先前，近红外光谱用于作物营养元素和病害的检测研究已有见报道.如邹小波等利用近红外光谱快速诊断水果黄瓜磷元素亏缺,建立了磷元素亏缺诊断模型[].虞佳佳等以高光谱成像技术对番茄早期灰霉病进行快速无损检测[]•张玉森等利用图像技术预测水稻氮含量[]•袁超颖对高光谱成像的植物叶部病害图像处理算法与实验进行研究[4 ];吴达科等研究了斑潜蝇虫害叶片受害程度对其近红外反射光谱的影响[1 ] •本文采用两种方式测试研究植物叶片的近红外反射光谱.其一是采用积分球透反射方式获取植物叶片352 nm -1 770 nm 短波近红外谱，其二应用高光谱成像技术采集叶片的Vis-NIR 全波段信息.旨在通过对不同植物叶片近红外反射光谱特征的研究,为快速高效诊断植物病虫害、判断植物长势提供依据.2实验材料与方法植物叶片样品采摘于赣南师范大学校园中，待测植物叶片主要有以下几个类型:①不同种类的绿叶②同一种叶片的绿叶、黄叶、落叶;③不同颜色的树叶•样品贮存于实验室中，环境温度19 C ，相对湿度为66%. 24 h 后进行近红外光谱和高光谱测试.积分球测试法使用光纤光谱仪，光谱采集波段为352 nm - 1 700 nm,谱分辨率为8 nm,测试模式采取反射率模式•在积分球上放置叶片样品，并于其上盖标准白板，信号光经透射一反射一透射方式，分别采集叶片上不同部位的8个点的漫反射光谱.每个点扫描十次，每次积分时间为128 ms.将上述8个位置处的光谱求* 收稿日期：2019 -09 -03 DOI ：10.1698/j. aCk - 1344/c.4019.05.21基金项目：国家自然科学基金紧急管理项目(61741103)；赣南师范大学大学生创新训练计划项目(201104186)作者简介:廖昱博(1982)男，江西安远人，赣南师范大学物理与电子信息学院讲师，博士，研究方向：近红外光谱技术的应用.6廖昱博,管立新,温锦辉，等植物叶片的近红外光谱研究55平每个样品的光谱-高光用四川双利合谱公司生产的GaiaSoder高光谱仪,光谱范围分两个波段440nm-1000an,990nm-2500nm,前一分辨率为5mm,后一波段分辨率为19nm.图像曝光时4ms.高光用品如图1所示,样品描述如下/:新鲜紫红叶（小—）样品；b新鲜红叶⑴）样品;h新鲜（冬青卫矛）样品；d：新鲜（月季）样品；v：绿色（月季）样品；O部分黄（月季）样品;[:黄色（月季）-3结果与讨论如图2所示为积分球法测得两种不同植物绿叶在850 nm-1700nm近红率谱.该区域的光征主要表现为990nm-1320nm之间形成的高率峰区以及位1 400nm处的•前者的高率主要由内部细胞结构造成的[2],通常其反射率可达50%或更高值;后者则主要源中水分对近红外光的[15]-由图可知，两种植物的在550nm-1320nm之间的反射率值达0.65-0-8左右，而且在整个光谱区，二者的率差异小,仅在高射率区约1000nm和1120nm处存在微小的峰位和峰形的变化，这征主要了两种植中的差异-图3给出了同一植物局部黄化与整体黄的近红外光谱.在整个550nm-1700nm，相的谱图，局部黄的整体率略有降低,但整体峰形保持不变•而整体黄化的叶片的整体率显著下降，在850nm-1320nm 区间的率值0-5-0-4左右.由此表明，叶片的黄化过程近红外区率的降低，因而有望通过监测该区率的变的生长状态-同颜色的近红外光谱积分球测试结果如图4所示•可见，不同颜色的近红外光相近，主要差异在于整体率的不同.在990nm-1300nm区段，绿叶具有最高的率值，反射率达0.65-0.8左右;而黄红射率值最低，仅为0-8-0-4左右,图几乎重合;紫色的光率黄、绿叶之间，约为0.4左右.在1300 nm-1500nm区段,紫叶与率完全相近，而黄叶和红的率值显低-用高光谱仪系统测试Vis-NIR440nm-1000nm波段品的光谱分别如图5（a）,b）和（c）所示.这一最出的特征是在红光和近红外光之在一个的：位于700nm-704nm）,被称为“红边M15]-I素浓度与位置度密切相关[1/]-随着素浓度增加，其对红光度增大，因此坡度逐渐增大（见图5（b））.同时随着养分的缺失或植物的，红边位置出现明显蓝移、坡度变小（如图5（a）中样品b）峰值显著降低（见图5（c））.图1用于鬲光谱测试的叶片样品图2两种不同植物绿叶的近红外光谱测试结果（积分球法）图3局部黄化（黑线）与整体黄化叶片（蓝线）的近红外光谱（球法）图4不同颜色叶片的近红外光谱图（积分球法）55赣南师范大学学报2019 年900500 600 700400 450 500 550 600 650 700 750 800 850 900 950 1000---样品 ---样品 ---样品--样品 --样品 ---样品--样品gWavelength / nm (a)V\favelength / nm (b)Mvelength / n m(C)图5 叶片样品在Vis-NIR400 nm-1 000 n m 波段的近红外谱图：(o)样品o-c(b)样品d-f (c)样品y NIR990 nm-2 500 nm 波段叶片样品的光谱分别如图6(a)和(b)所示.长波近红外1 770 nm -2 550 nm 区段，叶片的率主要由水、色素以质素一素共同决定[I3].水分的征主要表现在约1440nm 、l 990 nm 两个大的以近红外区约1 10 nm 处的弱 .生理状态下，水的盖了木质素、纤维素和其他成分的特征.但在离体干 (样品y )中，如图6(b)所示，由于水分的缺失,1 440 nm 1990 nm 两个大弱，木质素素等干物质的征便完全显露出来•同时，短波区1 15nm 处水的弱 1190 nm 的宽峰乎消失.在主要性的NIR光谱区(约990 nm-1 300 nm ),植物色素基本呈利合成物主导率,呈现高低吸状态•因而，叶绿素含量越高利性越强的植表现出越高的率值.这与近红外光谱积分球测试法的结果一致.图6 叶片样品在NIR905 nm - 2 524 nm 波段的近红外谱图：o)样品o-c( b)样品d -y4结论用积分球高光谱方法对不同类型的植了近红外光谱测试分析.结果表明，植的率主要有三大特征:第一，在770 nm-770 nm 的近红外区存在一个率一即“红边”.“红边”的坡度素含量的增大而增大,红边”的位置随着养分的缺失或植物的，出现蓝移、坡度变小利峰值的降低;第二,NIR890 nm-1 390 nm 在一个高率峰区，其主要了的细性,该区域存在两个宽峰分别位1 000 nm 和110 nm.色素在此无明显峰，十素含量越高利性越强的植表现出越高的反射率值;第三,水在约1 440 nm J 990 nm 两处表现出强，并在约115 nm 在一弱 •这三个可植水分含量干旱胁迫的生状况.鉴于以上特征，我们可以利用近红外光谱技术，尤其是高光谱成像同时拥有谱分分辨的功能，以遥感的方式对植大范围的监测，从而及时掌握植物的生长 .参考文献：[1]严衍禄，张录达，陈斌，等.近红外光谱分析在农业领域应用中的几个问题[J].现代仪器与医疗,201(5)：5-8.[2]陆婉珍.现代近红外光谱分析技术(第2版-[M].北京：中国石化出版社,2005.[3] 彭攀，林慧.近红外光谱分析技术在奶制品检测中的应用[J].先进技术研究通报,2010,4(2):35 -39.[]袁洪福，常瑞学，田玲玲，等.纺织纤维及其制品非破坏性快速鉴别的研究[J].光谱学与光谱分析,2010,30(5 )0229-1233.6廖昱博，管立新,温锦辉，等植物叶片的近红外光谱研究50[5]M.Blance,J.Coello,H.Iturdacc-Development and validation oO a necs infrareP methoP for the analyticai control oO a pharmacextical preparationin three steps oO the manufactudng process[J]-Fresnius.J.Anal.Chem.-2000,368：534-539-J]郑怀礼，张鹏，陈雨，等•近红外反射光谱法测定PDA阳离子度的研究[J].光谱学与光谱分析,2912,72(2)：534-333-[0]邹小波，陈正伟,石吉勇，等•基于近红外高光谱图像的黄瓜叶片色素含量快速检测[J]农业机械学报,012,3(5)：152-156.[]虞佳佳•基于高光谱成像技术的番茄灰霉病早期快速无损检测机理和方法研究[D]•杭州：浙江大学,012-[9]张玉森，姚霞，田永超，等•应用近红外光谱预测水稻叶片氮含量[]•植物生态学报,2016,74(5)：603-714-[10]袁超颖•基于高光谱成像的植物叶部病害图像处理算法与实验研究[D]济南:山东师范大学,2010-[11]吴达科，马承伟,杜尚丰•斑潜蝇虫害叶片受害程度对其近红外反射光谱的影响[]•农业工程学报,007,3(2)：150-159[14]Knipling- E. B.Physical and ppysiolooicai basis for the reXectance oO visibic and necs-infrareP raniatiou from veyetation[J].Remote Sensing oOEnvironment,1970,2(3)：855-150[15]Curran,P.J.Remote sensing of folics chemisUy]J].Remote Sensing of Environment,1989,32(3):271-278[14]Lamb, D.W.,SWyn-Rcas,M.,Schaare,P.,et ai.Estimating ledf nibooex concentration in meyrass(Lolium spp.)pasture using the chloro-ppyli reP-ePae:theoretWai mobeling and expedmexmi observations[J].Intemationai Joumai of Remote Sensing-2002,23(S8)：5019-3048[15]Kobaly,R. F.,Clard,R.N.Spectroscopic determination of ledf biochemistm using band-nepth analysis of ansorptiou features and stepwise mui-tipic lineas revressioo[J].Remote Sensing of Environment,1999,67(3)：267-287-Stedy on Near-infrareg Spectra of Plane LeavesLIEO Y i U jo-1,GUAN Lixip a^a,WEN jmhui a,PENG Zyoo3zaed3a,LIE Ling a(a.Sdool f Physics anC Electrootc Informatiou； 6.Institute f Optoelectrontc Material anC Tecnolofy,Gannan Normal University,Ganzhou341000,Chea)Abstract:The inWyraPng sphere and hyper-specWoscopn methoP arc adooWd to measyre the NIR spectra of several diCereut types of pladt leaves,and a deep spectral analysis is aiveu.The resyUs show that the spectra arc diCereut between different plact leaves because of the diCereuce ic the pipmeut coateut.The reflectacce diCereuce betweeu diCereut areeu leaves is smad,but the diCereuce be-tweec pladt leaves of diCereut celors is larae ic spite of the simdar bank shape betweec them.The study reveals that the highes the chloroohyli coateut,the highei the reOecmcce of pladt leaves with sWoogei bioactivity.And moreoves,The NIR specWa of cormai leae-es and ieaves unkei Urobaht stress also show disPnguisPanic charactedstics.Ic view of its anvadmae of acquiCng spectrum and imaae at the same Pme,cear-imrared hyper-spectmC imacing mchnique is expected to moaitoi pladts ic a larae scale,so as to amsp the[rowth of pladts ic time.Key words：plant leaves；ceas infrared;hyper-specWum；reOecmcce；spectmC charactedstics。

光谱仪检测植物叶绿素含量试验方法

光谱仪检测植物叶绿素含量试验方法
简介
本文档介绍了使用光谱仪进行植物叶绿素含量试验的方法。

叶绿素是植物中的重要色素，它对光的吸收起着关键作用。

通过测量叶绿素的含量，我们可以评估植物的生长状态和健康状况。

实验步骤
以下是进行植物叶绿素含量试验的详细步骤：
1. 收集样本：选择需要测试的植物叶片作为样本。

确保叶片处于健康状态，并且没有明显的损伤或病虫害。

2. 准备溶液：准备好叶绿素提取溶液。

常用的溶液包括乙酸丙酮溶液、乙醇溶液等。

根据实验需求选择适当的溶液。

3. 提取叶绿素：将样本叶片放入提取溶液中，使用搅拌器或超声波仪器进行均匀搅拌，以促进叶绿素释放。

4. 分离叶绿素：使用离心机将植物组织碎片和残余固体分离，
并将提取液转移到离心管中。

5. 测量吸光度：将离心管中的提取液置于光谱仪中，选择适当
的波长范围进行测量。

记录吸光度数值。

6. 计算叶绿素含量：根据所选测量波长的标准曲线，将吸光度
数值转化为叶绿素含量值。

7. 数据分析：根据实验结果进行数据分析，并进行必要的统计
处理。

注意事项
在进行植物叶绿素含量试验时，需要注意以下事项：
- 调整光谱仪的设置，确保测量结果准确可靠。

- 在提取叶绿素时，避免使用过量溶液，以免稀释样本。

- 记录实验过程中的重要参数，以便后续数据分析和结果确认。

通过以上步骤，您可以使用光谱仪进行植物叶绿素含量的准确测量。

在实际应用中，该方法可用于研究植物生长环境、生态变化等方面的科学研究和实践应用。

丁香叶片叶绿素含量偏振高光谱数学模型反演研究

丁香叶片叶绿素含量偏振高光谱数学模型反演研究韩阳;赵云升;张莉莉;吕云峰【期刊名称】《光谱学与光谱分析》【年(卷),期】2009(029)006【摘要】在测量叶绿素含量的同时,使用二向反射光度计、USB2000高光潜仪和偏振装置,定量测量与计算丁香叶片高光谱偏振信息,并建立偏振信息-叶绿素含量回归模型.结果表明:当0°偏振时,叶绿素的含量与其偏振反射比的回归模型为y=4.506 4e-0.0568x,复相关指数R2=0.895 8;90°偏振时,叶绿素的含量与其偏振反射比的回归模型为y=145.79X-0.2041,复相关指数为R2=0.479 8;50°入射角时,叶绿素的含量与其偏振度的回归模型为y=7 206.7X6-20 160X5+22 547X4-12 788X5+3 822.4X2-553.72X+30.429,复相关指数为R2=0.646 4;对以上模型进行F检验,发现模型中的偏振信息和叶绿素含量之间存在显著的函数火系,为植被遥感监测和应用提供了理论基础.【总页数】4页(P1595-1598)【作者】韩阳;赵云升;张莉莉;吕云峰【作者单位】东北师范大学城市与环境科学学院,吉林,长春,130024;东北师范大学城市与环境科学学院,吉林,长春,130024;吉林省国土资源勘测规划研究院,吉林,长春,130061;东北师范大学城市与环境科学学院,吉林,长春,130024【正文语种】中文【中图分类】TP72【相关文献】1.107杨叶片叶绿素含量高光谱反演的研究 [J], 王鑫梅;牟洪香;李春友;杨可伟;赵雪;程志庆;王鹤松2.基于高光谱的法国梧桐和毛白杨叶片叶绿素含量反演模型研究 [J], 姚付启;张振华;杨润亚;张燕;王海江;崔素芳3.水稻叶片高光谱数据降维与叶绿素含量反演方法研究 [J], CAO Ying-li;ZOU Huan-cheng;ZHENG Wei;JIANG Kai-lun;YU Feng-hua4.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5.大豆叶片水平叶绿素含量的高光谱反射率反演模型研究 [J], 陈婉婧;阎广建;吕琳;张开;李凯因版权原因，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)。

ｅｍａｌｈｏｘｓａ．ｄ．ｎ－ｉ：ｚａｇ＠ｄｕｅｕｃ
ｅｍａｌｌｎｓｕｎ３＠１３ｃｍ－ｉｉｇｈａｇｓ６．ｏ：ａ
＿
＊通讯联系人
１６３８
１３叶绿素测定．
光谱学与光谱分析
第３２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２１１７０８
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）ＬＩ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ＬＩＣ为变量的估测模型以及以一阶微分５１和５３Ｄ２２Ａｎ组合为变量的估测模型拟合精度最高，决定系数分别为０８５０８９均方根误差ＲＥ分别为２９１和２７９相．４和．３，ＭＳ．６．１，对误差Ｒ分别为４７和４７。因此ＬＩＥ．１．ｏＣ及一阶微分是估测苹果树叶片叶绿素含量的重要指标。该
２结果与分析
２１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
性，随机采集不同长势苹果树的不同位置的叶片样本１６０
个。
叶绿素含量与光谱特征的关系提供了强有力的工具。近年来，国内外学者对植被叶绿素含量的高光谱估测进行了较多的研究。国外学者在玉米、草丛Ｅ及葡萄等叶片的叶绿素含量的高光谱估算方面都有研究。
模型对指导苹果树栽培生产具有积极意义。
关键词
苹果树叶片；叶绿素；高光谱；估测模型
文献标识码：ＡＤＩ０３６／．ｓｎ１０ —５３２１）５１６ —４Ｏ：１．９４ｊｉ．０００９（０２０ —３７０ｓ
中图分类号：７；１７ＴＰ９Ｓ２
第３卷，５２第期
２０１２年５月
光
谱
学
与
光
谱
分
析
ＳｅｔｏｃｐｎｐｃｒｌＡｎｌｓｓｐｃｒｓｏｙａｄＳｅｔａａｙｉ
Ｖｏ．２Ｎｏ５ｐ１６ — ３０１３，．，ｐ３７１７Ｍａｙ，２１０２
植被遥感研究与应用中表现出强大优势［为定量分析植物，
１实验部分
１１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１７９３１。．２Ｅ，北纬３。．２Ｎ，海拔１５Ｉ。采样时间是６９２６ｌＴ
２１年６月１０１２日，苹果树叶片营养相对稳定的春梢停止是生长期，果树品种是红富士。为保证实验结果的全面性精确
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］迫、光合能力和发展衰老各阶段的良好指示剂［。因此，快２］速精确地估测植物体叶绿素含量，于植物长势监测，实施对精准农业具有重要的作用。高光谱分辨率遥感技术具有波段多、光谱分辨率高且连续的特点，能直接对地物进行微弱光谱差异的定量分析，在
苹果树叶片叶绿素含量进行估测，旨在探索叶片叶绿素含量快速准确的估测技术方法。
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，证叶片平整且被探保测面积相同，有效的消除了背景反射、叶片表面弯曲造成的光谱波动造成的影响，保证了研究结果的精确性。
收稿日期：２１ —０１。修订日期：２１一１２０１１—２０２Ｏ —Ｏ基金项目：国家（６８３计划）目（Ｏ８项２ＯＡＡ１ＺＯ）０２３，高校博士点基金项目（００７２１ｏ０，中国博士后基金（０１４１１）山东农业大学２１３０１ｏ１）２１０９６６和博士后基金项目（９４）８８１资助作者简介：梁爽，。１８女９８年生，山东农业大学资源与环境学院硕士研究生
燥的试纸轻拂去。每个样本观测记录３次采集数据（测定时
国内童庆禧院士［开创了高光谱遥感的先河，７］此后高光
谱遥感技术被广泛的应用在大豆、水稻、小麦、玉米及棉花
等大田作物［的叶绿素含量估测研究，但对苹果等果８树［］１的研究相对较少。本工作将尝试利用高光谱技术对
１２光谱测定．
采用美国ＡＤＦｅＳｅ光谱仪测定光谱。利用仪器自Ｓｉｄｐｃｌ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３０２５０ｎ［］５０ｍ “ 。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