1 北京市农林科学院信息技术研究中心, 北京 100094
2 西安科技大学测绘科学与技术学院, 陕西 西安 710054
3 广东省农业科学院水稻研究所, 广东 广州 510640
利用高光谱遥感技术在水稻收获前对籽粒品质相关的蛋白质含量进行监测, 一方面可以及时调整栽培管理方式, 指导合理追肥, 另一方面, 有助于提前掌握籽粒品质信息, 明确市场定位。 该研究以广东省典型优质籼稻为研究目标, 基于2019年和2020年两年氮肥梯度实验, 以水稻分化期和抽穗期冠层尺度高光谱数据、 水稻氮素参数, 包括叶片氮素含量(LNC)、 叶片氮素积累量(LNA)、 植株氮素含量(PNC)、 植株氮素积累量(PNA)及籽粒蛋白含量数据为基础, 利用四种个体机器学习算法partial least square regression (PLSR)、 K-nearest neighbor (KNN)、 Bayesian ridge regression (BRR)、 support vector regression (SVR), 三种集成学习算法random forest (RF)、 adaboost、 bagging, 针对水稻不同生育期氮素状况进行监测建模, 在此基础上构建基于水稻冠层光谱信息、 光谱信息结合水稻农学氮素参数的籽粒蛋白含量的监测模型, 并对模型进行精度对比。 研究结果表明, 在水稻氮素营养监测方面, 利用水稻冠层454~950 nm波段信息, 采用RF及Adaboost算法, 在水稻分化期、 抽穗期及全生育期LNC、 LNA、 PNC及PNA模型R2均达到0.90以上, 同时也具有较低的RMSE和MAE。 在水稻籽粒蛋白品质监测方面, 采用全波段光谱信息进行籽粒蛋白含量监测时, RF具有最高的精确度与稳定性, 两生育期的RF模型对籽粒蛋白含量的监测结果R2分别为0.935和0.941, RMSE分别为0.235和0.226, MAE分别为0.189和0.152; 两生育期以全波段光谱信息结合长势参数进行籽粒蛋白监测时, Adaboost模型具有最高的精确度和稳定性, 其中分化期全波段光谱信息结合PNA作为输入参数, Adaboost模型R2为0.960, RMSE为0.175, MAE为0.150, 以抽穗期全波段光谱信息结合PNC作为输入参数, R2为0.963, RMSE为0.170, MAE为0.137。 研究结果表明, 与PLSR, KNN, BRR和SVR几种个体学习器算法相比, 集成算法RF, Adaboost和Bagging具备良好的处理多重共线性的能力, 适合用于高光谱数据的分析与处理, 在作物氮素营养监测及水稻品质的早期遥感监测方面具有明显优势。
高光谱遥感 水稻品质 机器学习 集成算法 Hyperspectral remote sensing Rice grain protein Machine Learning Ensemble algorithms Adaboost Random forest Adaboost Random forest 光谱学与光谱分析
2022, 42(6): 1956
1 西安科技大学测绘科学与技术学院, 陕西 西安 710054
2 北京市农林科学院信息技术研究中心, 北京 100094
3 广东省农业科学院水稻研究所, 广东 广州 510640
水稻是我国的主要粮食作物, 利用高光谱遥感技术在水稻未成熟之前对水稻产量进行监测, 一方面可以及时调整栽培管理方式, 指导合理追肥, 另一方面, 可以准确掌握水稻的产量信息, 帮助政府提前做出决策。 以2019年—2020年广州市白云区钟落潭试验基地氮肥梯度实验为基础, 分别获取水稻分化期和抽穗期冠层高光谱数据、 作物群体长势参数(生物量、 叶面积指数)及作物养分吸收量, 利用贝叶斯岭回归(BRR)、 支持向量回归(SVR)、 偏最小二乘回归(PLSR)三种方法建立各生育期的产量监测模型并进行精度对比, 确定水稻产量的最优估算时期和最佳估测模型。 结果表明, 三种方法中, BRR和SVR方法更适合产量监测, 在不同时期及不同的参数组合下均有较好的表现(R2>0.82, NRMSE<8.22%); 基于2019年与2020年数据, 采用全波段光谱信息进行产量监测时, 分化期最佳监测模型为BRR模型, R2为0.90, 抽穗期最优监测模型为SVR模型, R2为0.87; 采用全波段光谱协同作物群体长势参数进行产量监测时, 两时期最佳监测模型均为BRR模型, R2分别达到0.90和0.92; 相较于BRR模型和SVR模型, PLSR模型在不同时期和不同参数组合下, 最高R2仅为0.75; 基于2020年数据, 以三种不同的参数组合作为输入时, 两时期估算结果均为BRR模型最优, 且分化期建模精度高于抽穗期(R2至少增加0.02, NRMSE至少降低0.61%); 当输入参数组合为全波段光谱协同作物群体长势参数、 作物养分吸收量时, BRR模型对产量的估算精度达到最高, R2为0.94。 分析认为产量的最优监测时期是分化期, 最优监测模型为BRR模型。 研究结果可为水稻产量的早期遥感监测提供参考。
高光谱遥感 水稻估产 贝叶斯岭回归 支持向量回归 Hyperspectral remote sensing Rice yield estimation Bayesian ridge regression Support vector regression 光谱学与光谱分析
2022, 42(5): 1620
1 农业部农业遥感机理与定量遥感重点实验室, 北京农业信息技术研究中心, 北京 100097
2 湖北大学资源环境学院, 湖北 武汉 430062
水稻氮素含量的准确监测是稻田精准施肥的重要环节, 水稻叶片氮素含量发生变化会引起叶片、 冠层的光谱发射率发生变化, 高光谱遥感是目前作物氮素无损监测的关键技术之一。 以2018年—2019年湖北监利两年水稻氮肥试验为基础, 分别获取水稻分蘖期、 拔节期、 孕穗期、 扬花期、 灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据, 利用单波段原始光谱和一阶导数光谱的相关性分析、 高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。 针对敏感波段, 利用单波段回归分析、 随机森林（RF）、 支持向量回归（SVR）、 高斯过程回归-随机森林（GPR-RF）、 高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型, 并进行精度对比, 以确定水稻叶片在各生育期的氮素估算最佳模型。 结果表明: GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。 相同条件下, 叶片模型精度整体高于冠层模型。 相关性分析模型中, 叶片尺度原始光谱模型更好, 冠层尺度刚好相反, 冠层一阶导数光谱可以减弱稻田背景噪声的影响。 其中, 叶片最佳模型建模集R2为0.79, 验证集R2为0.84; 冠层最佳模型建模集R2为0.80, 验证集R2为0.77。 与相关性回归分析模型相比, 机器学习模型受生育期影响小（R2>0.80, NRMSE<10%）。 其中, RF比SVR更适合对GPR敏感波段建模, GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。 五种方法中, GPR模型对生育期敏感度最低、 叶片及冠层尺度效果都很好(R2>0.94, NRMSE<6%)。 且与其他四种机器学习方法相比, GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02, NRMSE降低1.2%）。 GPR方法可为筛选作物氮素高光谱敏感波段、 反演各生育期叶片及冠层氮素含量提供方法参考。
敏感波段 氮素 高斯过程回归 随机森林 支持向量回归 高光谱 Sensitive band Nitrogen Gaussian progresses regression (GPR) Random forest (RF) Support vector regression (SVR) Hyperspectral 光谱学与光谱分析
2021, 41(6): 1722
1 兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
2 兰州财经大学陇桥学院信息工程系, 甘肃 兰州 730101
为了提高复杂背景植物图像识别准确率,提出一种基于卷积神经网络(CNN)有效区域筛选的植物图像识别方法,该方法首先基于图像(花朵、叶片)数据集利用CNN训练一个有效区域筛选模型,使数据集通过该模型筛选后仍能保留花朵、叶片等有效区域;然后经过Mask R-CNN对植物图像数据集进行有效区域的提取,再用有效区域筛选模型筛选能表征植物图像类别的有效区域,接着将此类有效区域以4∶1的比例划分为训练集和测试集,然后送入GoogleNet进行训练,得到基于有效区域的CNN植物图像识别模型MRC-GoogleNet;最后通过该模型得出识别准确率。实验结果和数据表明,与经典CNN植物图像识别模型相比,基于有效区域筛选的识别模型能提取到更为有效的图像特征,有效地提高识别准确率。
图像处理 植物图像识别 复杂背景 卷积神经网络 有效区域筛选 Mask R-CNN 激光与光电子学进展
2020, 57(4): 041016
1 安徽大学计算机智能与信号处理教育部重点实验室，安徽 合肥 230039
2 安徽大学电子信息工程学院，安徽 合肥 230039
3 中国科学院遥感与数字地球研究所数字地球重点实验室，北京 100094
4 北京农业信息技术研究中心，北京100097
叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲线进行连续小波变换(CWT)，然后利用小波系数与LAI建立支持向量机回归(SVR)模型，实现冬小麦不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析。结果表明：利用连续小波变换确定的LAI的敏感波段为680、739、802、895 nm，对应尺度分别为8、4、9和8，对应小波系数的LAI回归确定系数(R2)明显高于冠层反射率的回归确定系数；利用小波系数与LAI建立的SVR模型的反演精度最高，模型实测值与预测值的检验精度(R2)为0.86，均方根误差(RMSE)为0.43；而常用植被指数(归一化植被指数，NDVI；比值植被指数，RVI)建立的估测模型对冬小麦多个生育时期LAI反演精度最低(R2<0.76，RMSE>0.56)。因此利用连续小波变换进行数据预处理，能更好地筛选出对叶面积指数敏感的信息，LAI回归方法比较结果表明，SVR比PLS更适合于LAI的估测，通过将CWT与SVR结合(CWT-SVR)能实现不同生育时期冬小麦叶面积指数的遥感估算。
叶面积指数(LAI) 高光谱 连续小波变换(CWT) 支持向量机回归(SVR) 偏最小二乘(PLS) leaf area index(LAI) hyperspectral continuous wavelet transform (CWT) support vector machine regression(SVR) partial least-square(PLS)
1 南京信息工程大学应用气象学院, 江苏 南京210044
2 中国科学院遥感与数字地球研究所, 数字地球重点实验室, 北京100094
3 中国科学院遥感与数字地球研究所, 遥感科学国家重点实验室, 北京100094
4 北京农业信息技术研究中心, 北京100097
针对小麦株型对LAI反演精度的制约, 利用地面实测的多角度数据, 提出采用热点指数反演高精度的不同株型小麦LAI。 通过分析京411紧凑型和中优9507披散型两种株型小麦在红光（670 nm）和近红外波段（800和860 nm）的二向反射光谱特征, 借鉴热暗点指数HDS和归一化热暗点信息指数NDHD, 构建了改进的归一化热暗点指数MNDHD和热暗点比值指数HDRI两个新热点指数。 将HDS, NDHD, MNDHD和HDRI与NDVI, SR和EVI相乘得到的热点组合指数用于不同株型小麦LAI的反演。 分析得出对紧凑型小麦京411, 由860 nm近红外波段的NDVI与MNDHD和HDRI的组合指数反演的LAI精度分别为0.943 1和0.909 2； 对披散型小麦中优9507, 由800 nm近红外波段的SR与HDRI和MNDHD的组合指数获得的LAI反演精度分别为0.964 8和0.895 6。 表明基于冠层的热点效应反演不同株型小麦LAI的方法可行, 多角度遥感数据在作物结构参数提取方面比常规观测数据更具优势。
作物株型 热点指数 叶面积指数 反演 Crop geometry Hotspot-signature index Leaf area index Inversion
1 中国科学院遥感与数字地球研究所， 数字地球重点实验室， 北京100094
2 安徽大学, 计算机智能与信号处理教育部重点实验室， 安徽 合肥230039
3 安徽大学电子信息工程学院， 安徽 合肥230039
4 北京农业信息技术研究中心， 北京100097
冬小麦叶面积指数（leaf area index, LAI）是进行作物长势判断和产量估测的重要农学指标之一， 高光谱遥感技术为大面积、 快速监测植被LAI提供了有效途径。 在探讨利用最小二乘支持向量机（least squares support vector machines, LS-SVM）方法和高光谱数据对不同条件下冬小麦LAI的估算能力。 在用主成分分析法（principal component analysis, PCA）对PHI航空数据降维的基础上， 利用实测LAI数据和高光谱反射率数据， 构建LS-SVM模型， 采用独立变量法， 分别估算不同株型品种、 不同生育时期、 不同氮素和水分处理条件下的冬小麦LAI， 并与传统NDVI模型反演结果对比。 结果显示， 每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。 NDVI模型对不同株型品种、 不同氮素和水分条件下冬小麦LAI估算精度不稳定， LS-SVM则表现出较好的稳定性。 表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。
最小二乘支持向量机 叶面积指数 高光谱 普适性 冬小麦 Least squares support vector machine Leaf area index Hyperspectral Universality Winter wheat
1 北京农业信息技术研究中心, 北京 100097
2 北京市农林科学院, 北京 100097
3 北京农业质量标准与检测技术研究中心, 北京 100097
4 中国科学院遥感与数字地球研究所, 北京 100094
小麦籽粒蛋白质含量是衡量小麦营养品质的重要指标, 实现小麦品质快速的预测预报对于粮食收购部门和加工企业具有重要意义。 研究基于作物叶绿素/氮素速测仪SPAD及Multiplex 3, 获取冬小麦不同生育期叶片及冠层叶绿素参数, 从小麦个体及群体参量两方面进行冬小麦收获期籽粒蛋白质含量及蛋白产量的预测研究。 试验于2012年4—6月在国家精准农业研究示范基地开展, 研究结果表明, 冬小麦返青至灌浆初期, 小麦冠层氮素密度与籽粒蛋白质含量的相关性优于叶片氮素含量与蛋白质含量的相关性, 灌浆中期两者与籽粒蛋白质含量相关性差别不大; 小麦叶片SPAD值与叶片氮素含量相关性总体优于其与冠层氮素密度的相关性, 而叶绿素荧光参数SFR_G, SFR_R与冠层氮素密度的相关性优于其与叶片氮素含量的相关性; 叶片SPAD与籽粒蛋白质含量的相关性在拔节期最弱, 在灌浆中期最强, 小麦冠层叶绿素荧光参数SFR_G, SFR_R与籽粒蛋白质含量相关性在返青至拔节期不显著, 但孕穗期开始显著相关, 在灌浆中期相关性最强且明显优于同期叶片SPAD与籽粒蛋白质含量的相关性; 冬小麦籽粒蛋白产量与叶片SPAD值在小麦孕穗期至灌浆期显著相关, 与SFR_G和SFR_R在小麦灌浆期显著相关; 研究基于灌浆中期SPAD值及SFR_R值, 构建了冬小麦籽粒蛋白质含量及籽粒蛋白产量的预测模型, 其中, 籽粒蛋白质含量预测模型复相关指数分别为0.426和0.497, 模型标准误差分别为0.060%和0.055%, 籽粒蛋白产量预测模型复相关指数分别为0.366和0.386, 模型标准误差分别为125.367和123.454 kg·ha-1。 研究表明, 利用叶片SPAD值及冠层叶绿素荧光信息, 在小麦收获前进行品质的快速预测是可行的。
冬小麦 氮素含量 冠层氮素密度 籽粒蛋白质含量 Winter wheat Nitrogen content Canopy nitrogen density Grain protein content (GPC) SPAD SPAD SFR SFR 光谱学与光谱分析
2014, 34(7): 1917
1 北京农业信息技术研究中心, 北京100097
2 国家农业信息化工程技术研究中心, 北京100097
3 南京信息工程大学大气物理学院, 江苏 南京210044
考虑到短波红外特征与叶面积指数(LAI)有很好的关联, 将短波红外特征的典型水分指数与基于可见光-近红外特征的植被指数相融合, 尝试构建新的植被指数估算作物LAI。 通过PROSAIL辐射传输模型分析新植被指数对LAI饱和响应的特征; 利用2009年和2008年北京地区冬小麦实测光谱数据进行LAI估算建模与验证。 结果表明: 所选择的10个典型可见光-近红外植被指数分别与5个水分植被指数相结合构建的新指数, 都能够有效提高与LAI的相关性, 特别是在融合了含有短波红外特征的sLAIDI*指数后, 新指数显著提高了对LAI响应的饱和点, 而对植被水分变化不敏感, LAI估算精度得到改善。 研究表明: 将短波红外特征引入到可见光-近红外植被指数中, 构建的新植被指数对冬小麦LAI估算具有明显的优势。
高光谱遥感 植被指数 短波红外 LAI Leaf area index(LAI) Hyperspectral remote sensing Vegetation indices Shortwave infrared (SWIR) sLAIDI sLAIDI* 光谱学与光谱分析
2013, 33(9): 2398
1 南京航空航天大学计算机科学与技术学院, 江苏 南京 210016
2 南京航空航天大学电子信息工程学院, 江苏 南京 210016
3 江苏大学电气信息工程学院, 江苏 镇江 212001
4 广西混杂计算与集成电路设计分析重点实验室, 广西 南宁 530006
针对串行译码转发（DF）中继传输方式，研究多跳自由空间光通信（FSO）系统的性能。在研究自由光通信信道衰落模型中，主要考虑大气强湍流引起的衰落以及由未对准偏差和路径损耗共同作用引起的接收机光强度的抖动，并把它们建成一个统计模型。在给定天气状况和未对准条件的情形下，推导串行DF中继传输的多跳FSO的端到端中断概率，得到了端到端中断概率的闭合解析表达式。最终数值结果表明，串行DF多跳传输是一种提高FSO性能的十分有前景的技术。推导的解析表达式和仿真结果吻合得很好。
光通信 自由空间光通信 多跳传输 大气湍流 指向误差 中断概率
