1 广西大学机械工程学院, 广西 南宁 530004
2 广西大学农学院, 广西 南宁 530004广西大学广西甘蔗生物学重点实验室, 广西 南宁 530004
叶绿素含量是甘蔗在生长监测中非常重要的评估内容, 尤其是在甘蔗受到病害侵染的情况下, 准确估计叶绿素含量有利于病害的早期检测与防治, 在实际生产中具有重要意义。 为了构建花叶病胁迫下甘蔗叶片叶绿素含量估计模型, 于2021年7月到11月通过人工接种病菌, 使甘蔗叶片感染花叶病。 对这些感染了花叶病的叶片重复测量高光谱数据。 并通过化学方法测量叶片的叶绿素含量, 以此建立花叶病胁迫下的甘蔗叶片高光谱数据集。 首先使用Savitzky-Golay卷积平滑(SG)、 多元散射校正(MSC)、 变量标准化(SNV)、 一阶导数(1st D)、 二阶导数(2nd D)5种高光谱数据预处理方法建立偏最小二乘回归(PLSR)检测模型, 从而构建高光谱数据最优预处理模型。 利用最优预处理结果, 分别采用相关系数、 连续投影算法(SPA)和随机森林算法(RF)筛选特征波段。 将筛选出的波段分别和BP神经网络(BPNN)、 支持向量回归(SVR)、 K最邻近法(KNN)等机器学习模型结合建立叶绿素含量预测模型。 结果表明, 基于SG处理后建立的PLSR模型精度最高R2p=0.9952, RMSEp=0.235 3 mg·cm-2。 用RF筛选出的特征波段与BPNN学习模型结合的SG-RF-BPNN模型为花叶病胁迫下甘蔗叶片叶绿素含量的最优预测模型, R2p=0.996 4, RMSEp=0.205 8 mg·cm-2。 提出的基于高光谱信息的花叶病胁迫下的叶绿素含量预测模型具有较高的精度和预测能力, 可为大面积种植的甘蔗精准、 无损伤的病害胁迫检测提供科学依据。
甘蔗 花叶病胁迫 叶绿素含量预测 高光谱分析 特征波段提取 Sugarcane Mosaic disease: Chlorophyll content: Hyperspectral 光谱学与光谱分析
2023, 43(9): 2885
扬州大学动物科学与技术学院, 江苏 扬州 225127
地上生物量和叶绿素是紫花苜蓿生长过程中的重要指标, 可以为其生长的动态监测与管理提供有效的帮助。 紫花苜蓿作为最为重要的饲草作物, 如何利用现代光谱智能技术有效且准确地预测其状态是紫花苜蓿种植过程中的重要问题。 基于无人机多光谱对不同品种紫花苜蓿的地上生物量和叶绿素含量的估算结果进行研究并为此构建预估模型。 共研究了21个紫花苜蓿品种, 采用无人机搭载多光谱相机在天气晴朗无风时起飞并拍摄图像, 将无人机拍摄得到的多光谱图像采用ENVI 5.3软件进行分析, 挑选出NDVI、 EVI、 SAVI、 Green NDVI、 NDGI、 DVI、 NGBDI、 OSAVI、 NDRE 和MSR共10个植被参数和无人机多光谱相机自带的5个光谱波段（蓝、 绿、 红、 红边、 近红外）进行特征分析, 再使用Matlab 2020b软件, 采用支持向量机（SVM）构建不同品种紫花苜蓿的地上生物量和叶绿素含量的预测模型。 然而在实际操作的运行中, 发现使用SVM构建的预估模型其准确率不理想, 因此使用智能算法鲸鱼(WOA)和灰狼(GWO)对SVM预估模型进行优化, 发现使用SVM预估模型能预估不同品种的紫花苜蓿的地上生物量和叶绿素含量, 其中经WOA智能算法优化后的SVM预估模型在估算不同品种的紫花苜蓿的地上生物量和叶绿素含量时其准确率最高。 研究中构建的预估模型为筛选品质较好的紫花苜蓿品种有一定的指导意义, 同时也为今后无人机多光谱预估紫花苜蓿的生物量及其相关的生理生态指标提供了有效的帮助和合理的参考依据。
苜蓿 产量 叶绿素含量 无人机多光谱 支持向量机 智能算法 Alfalfa Production Chlorophyll content UAV multi-spectrum Support vector machine Intelligent algorithms 光谱学与光谱分析
2023, 43(12): 3847
1 安徽建筑大学 电子与信息工程学院, 合肥 230601
2 安徽建筑大学 安徽省古建筑智能感知与高维建模国际联合研究中心, 合肥 230601
3 北京航空航天大学 无人机系统研究院, 北京 100191
4 淮南师范学院 电子工程学院, 淮南 232038
为了准确重建正反面叶片叶绿素3维分布, 利用高光谱激光雷达, 采集了不同生长状态的绿萝叶片与植株的空间-光谱域点云数据, 设计了一种基于分类预测的重建方法。通过偏最小二乘回归构建叶片正面与反面光谱的叶绿素含量预测模型, 采用光谱自适应阈值选择方法实现植株点云中叶片正反面的分类, 并根据类别标签选择模型计算叶绿素含量, 重建植株的叶绿素3维分布。结果表明, 该方法得到的植株叶绿素3维分布更接近真实值, 决定系数达到0.69, 均方根误差为4.97。这一结果可为植物表型研究提供新的数据基础和理论方法。
遥感 高光谱激光雷达 偏最小二乘回归 叶绿素含量 3维重建 remote sensing hyperspectral LiDAR partial least squares regression chlorophyll content 3-D reconstruction
吉林大学生物与农业工程学院, 吉林 长春 130022
用光谱信息精准、 高效地检测水稻叶片叶绿素含量, 对诊断和优化水稻叶片氮素营养、 开发和优化稻田氮素追肥系统、 监测和评价水稻病虫害具有重要的实际意义。 针对单纯采用机器学习模型反演水稻叶片叶绿素含量模型精确性和稳定性差的问题, 以粳稻吉粳88为研究对象, 通过网格试验获得分蘖期等关键生育期的叶片表型高光谱数据和相对叶绿素含量。 选取核极限学习机(KELM)为基础建模模型, 提出了一种先依据基础KELM建模效果选择预处理方法后, 再利用仿生优化算法对所选预处理组合所对应的KELM模型的训练过程进行优化的新思路, 以提高模型预测精度。 首先, 对光谱数据的各类预处理方法展开研究, 通过对4类预处理方法进行全排列组合共得到72种预处理组合。 利用连续投影算法(SPA)选择特征波段输入KELM模型以筛选较优预处理组合。 依据建模效果, 预处理组合CWT+MMS, CWT+MSC+SG+SS和CWT+SS所对应KELM的测试集决定系数(R2p)较高, 分别为0.850, 0.835和0.828。 其次, 为使KELM模型在保证稳定性和泛化性的前提下性能达到最优, 引入哈里斯鹰优化算法(HHO), 通过模拟鹰群在捕食时的合作行为和追逐策略, 自动最优调节上述三种KELM模型参数, 使得HHO-KELM模型R2p分别为0.957, 0.867和0.858, 模型精度得到有效提升, 最高提升10.7%。 通过研究, 证明了HHO算法优化机器学习模型反演水稻叶片叶绿素含量的可行性, 为东北粳稻叶绿素含量的测定和评估提供了有力的参考和借鉴。
哈里斯鹰优化算法 核极限学习机 高光谱 叶绿素含量 Harris Hawk optimization algorithm Nuclear limit learning machine Hyperspectral Chlorophyll content
辐射研究与辐射工艺学报
2023, 41(1): 010401
1 农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097
3 河南工程学院土木工程学院, 河南 郑州 451191
叶绿素含量(SPAD)是作物长势评价的重要指标, 可以监测农作物的生长状况, 对农业管理至关重要, 因此快速、 准确地估算SPAD具有重要意义。 以冬小麦为研究对象, 利用无人机高光谱获取了拔节期、 挑旗期和开花期的影像数据, 获取植被指数和红边参数, 研究植被指数与红边参数估算SPAD的能力。 先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析, 再基于植被指数、 植被指数结合红边参数, 通过偏最小二乘回归(PLSR)方法估算SPAD, 最后制作SPAD分布图验证模型的有效性。 结果表明, (1)大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平(0.01显著); (2)单个植被指数构建的SPAD估算模型中, LCI表现最好(R2=0.56, RMSE=2.96, NRMSE=8.14%), 红边参数中Dr/Drmin表现最好(R2=0.49, RMSE=3.18, NRMSE=8.76%); (3)基于植被指数结合红边参数构建的SPAD估算模型效果最佳, 优于仅基于植被指数构建的SPAD估算模型, 同时, 随着生育期推移, 两种模型均在开花期达到最高精度, R2分别为0.73和0.78, RMSE分别为2.49和2.22, NRMSE分别为5.57%和4.95%。 因此, 基于植被指数结合红边参数, 并使用PLSR方法可以更好地估算SPAD, 可以为基于无人机遥感的SPAD监测提供一种新的方法, 也可为农业管理提供参考。
冬小麦 叶绿素含量 植被指数 红边参数 偏最小二乘回归 Winter wheat Chlorophyll content Vegetation index Red edge parameter Partial least squares regression 光谱学与光谱分析
2022, 42(11): 3575
内蒙古农业大学草原与资源环境学院, 内蒙古自治区土壤质量与养分资源重点实验室, 内蒙古 呼和浩特 010018
综合使用光谱技术对作物养分进行实时、 有效诊断, 有助于作物的精准管理、 保障产量和减少环境污染, 提高肥料利用率, 并且为定量估测作物生化组分状况提供了一种新的途径。 光谱指数是进行作物叶片叶绿素实时估测的重要指标, 然而由于受到环境条件及内在生化成分的影响, 估测结果不尽满意。 为了进一步提高光谱指数在估测作物叶片叶绿素含量时的抗干扰能力和敏感性, 于2020年在内蒙古玉米种植典型区域进行不同氮梯度的田间试验, 在玉米的四个关键生育时期获取叶片的光谱反射率和叶绿素值, 通过建立基于面积的光谱指数和叶片叶绿素值的关系模型并进行光谱指数的优化及评价。 结果表明, 生育时期对面积光谱指数与叶片叶绿素值的关系有显著影响。 前人研究的基于面积的光谱指数在玉米苗期时对于叶片叶绿素含量的估测效果较差, 而对抽雄期叶片叶绿素含量的估测效果最佳。 基于优化算法构建的面积光谱指数显著提高了光谱指数对叶片叶绿素含量估测的准确度和稳定性, 基于优化算法的优化三角形植被指数(OTVI)、 优化叶绿素吸收积分指数(OCAI)和优化双峰面积归一化差值指数(ONDDA)在不同生育时期上比前人研究的面积光谱指数具有更强的叶绿素含量估测能力, 估测模型的决定系数R2在0.94~0.99之间。 与优化三角形植被指数(OTVI)和优化叶绿素吸收积分指数(OCAI)相比优化双峰面积归一化差值指数(ONDDA)在估测春玉米不同生育时期叶片叶绿素含量方面更为稳定, 预测模型验证结果的决定系数R2为0.94, 并且验证误差最小, RMSE和NRMSE%分别为2.29%, 3.94%, 模型估测值与实测值的验证斜率为0.996, 接近1。 综上所述, ONDDA是一个实用且适合于估测不同生育时期叶片叶绿素含量的面积光谱指数。
玉米叶片 叶绿素含量 面积光谱指数 Corn leaf Chlorophyll content Area spectral index
南京大学国际地球系统科学研究所, 江苏 南京 210023
叶绿素含量是评价农作物健康状况、 生产能力和环境胁迫的重要指标, 实时、 快速、 准确获取农作物叶片叶绿素含量对监测农作物生长状况具有重要意义。 遥感是获取区域和全球农作物叶片叶绿素含量的有效途径, 但已有的作物叶片叶绿素含量遥感反演研究未充分考虑下垫面背景的干扰, 影响了反演精度。 为此, 以Sentinel-2遥感卫星影像为数据源, 结合典型水稻田的观测数据, 使用PROSAIL辐射传输模型建立了水稻田叶片叶绿素含量反演查找表, 评估了利用绿光波段和不同红边波段构建的叶绿素指数(CI)和两个不同红边波段构建的Zarco and Miller指数(ZM)反演叶片叶绿素含量的差异, 引入G(Greenness index)指数减小背景干扰对叶片叶绿含量反演的影响。 研究结果表明: (1)基于不同波段构建的光谱指数反演的叶片叶绿素含量精度存在差异, 其中CI740(R2=0.79, RMSE=9.02 μg·cm-2) 反演精度最高, 其次为ZM(R2=0.71, RMSE=10.53 μg·cm-2)、 CI705(R2=0.69, RMSE=9.17 μg·cm-2) 和CI783(R2=0.67, RMSE=10.84 μg·cm-2); (2)水稻叶片叶绿素含量反演结果受背景影响明显, 特别在水稻生长早期, 由于背景干扰较大, 反演结果明显偏低[平均相对误差(MRE)为-18.87%~-31.94%]; (3)引入G指数构建的CI/G和ZM/G可以有效消除背景的影响, 提高水稻叶片叶绿素含量反演精度(MRE为8.11%~18.11%)。 结果对提高水稻不同叶面积指数水平下的叶片叶绿素含量遥感反演精度具有重要参考意义。
叶片叶绿素含量 遥感反演 Leaf chlorophyll content Remote sensing inversion Sentinel-2 PROSAIL Sentinel-2 PROSAIL
1 新疆大学资源与环境科学学院，新疆 乌鲁木齐 830046
2 绿洲生态教育部重点实验室，新疆 乌鲁木齐 830046
3 新疆智慧城市与环境建模普通高校重点实验室，新疆 乌鲁木齐 830046
探索了利用高光谱技术估算长绒棉叶片叶绿素含量的可行性，并野外测定了长绒棉的光谱数据和叶绿素含量，对光谱数据进行求一阶微分和包络线去除处理，然后构建了4种常见的植被指数与3种优化光谱指数。根据相关性分析，利用支持向量机（SVM）回归模型估算长绒棉叶片叶绿素含量。结果表明，在530~560 nm、700~750 nm波段范围内，叶绿素含量与光谱反射率呈负相关，一阶微分光谱相关性通过0.01显著性水平检验波段数最多；基于一阶微分建立SVM估算长绒棉叶绿素含量模型，决定系数达到了0.72，均方根误差和相对误差分别为1.99、0.72，其预测精度高于植被指数和优化光谱指数构建的SVM模型。该研究结果可为快速检测长绒棉叶绿素含量提供参考。
光谱学 长绒棉 叶绿素含量 支持向量机 高光谱估算模型 激光与光电子学进展
2022, 59(5): 0530001
1 西南大学资源环境学院, 重庆 400716
2 贵州省农业科学院科技信息研究所, 贵州 贵阳 550006
3 北华航天工业学院, 河北 廊坊 065000
火龙果是近年来引进我国的营养价值高、 经济效益好的新型水果, 肉质茎枝是其主要光合器官, 与常见果树具有较大差异。 为探索以茎枝为光合作用器官的植被的光谱特征及其生化组分的估测方法, 以火龙果为研究对象, 在贵州省典型种植区罗甸县开展了4个氮肥梯度田间试验, 同步测定不同养分丰缺程度下的火龙果茎枝高光谱和相应叶绿素含量数据; 然后分析火龙果茎枝光谱数据的演化规律, 并采用数学变换、 连续小波变换算法并结合相关性分析算法处理分析火龙果茎枝光谱数据, 提取并筛选特征波段; 最后利用偏最小二乘算法构建火龙果茎枝叶绿素含量估测模型。 研究结果表明: (1)火龙果肉质茎枝的原始光谱曲线整体趋势与常见绿叶植物相似, 但随施氮量的增加, 火龙果近红外处的光谱反射率逐渐降低, 变化趋势与常见绿叶植物相反, 茎枝光谱的吸收峰(谷)随施氮量的增加呈升高(加深)的趋势。 (2)数学变换中的一阶微分与在L1—L5尺度内的连续小波变换能有效提升光谱对叶绿素含量的敏感性, 火龙果茎枝原始光谱与叶绿素含量的敏感区域主要位于730~1 400 nm, 数学变换与连续小波变换均能提升光谱对叶绿素含量的敏感性。 与常见绿叶植物相比, 火龙果茎枝敏感波段分布相对分散, 且多位于730 nm附近与近红外区域(1 100~1 600 nm)。 (3)数学变换和连续小波变换能明显提升光谱对火龙果茎枝叶绿素含量的估测能力, 其中基于一阶微分的估测模型与基于连续小波变换L1与L4的估测模型分别为数学变换与连续小波变换的最优模型, 其验证精度分别为$R_{verification}^{2}$=0.625, RMSE=0.048, RPD=1.238(一阶微分); $R_{verification}^{2}$=0.678, RMSE=0.037, RPD=1.652(连续小波变换); 表明高光谱技术可以作为火龙果茎枝叶绿素含量和营养诊断的无损监测手段。 该研究为完善不同植被类型基于高光谱指数的叶绿素反演提供了补充。
火龙果 叶绿素含量 高光谱 数学变换 偏最小二乘 Pitaya Chlorophyll content Hyperspectral Mathematical transformation Partial least squares 光谱学与光谱分析
2021, 41(11): 3538
