1 福州大学空间数据挖掘与信息共享教育部重点实验室，福建 福州 350108
2 卫星空间信息技术综合应用国家地方联合工程研究中心，福建 福州 350108
3 数字中国研究院（福建）福建 福州 35108
4 福州大学环境与安全工程学院，福建 福州 350108
刚竹毒蛾虫害检测对毛竹的生长和竹业的发展起着至关重要的作用。 根据高光谱冠层光谱信息与刚竹毒蛾虫害程度之间的关系, 提取冠层光谱中与虫害紧密相关的特征波长、 指数以及光谱参数等, 利用Fisher判别分析法建立刚竹毒蛾虫害程度检测模型。 分别以原始光谱的400~508, 586~693和724~900 nm处的波长、 包络线去除光谱的400~756 nm之间的特征波长、 9种冠层光谱植被指数和7种冠层特征光谱参数作为Fisher判别函数自变量, 构建判别函数。 收集300组毛竹叶片虫害样本数据, 随机划分为210组建模集与90组验证集, 根据检测精度、 Kappa系数以及判定系数R2作为检验标准, 对建立的判别函数进行效果评价与对比。 结果表明, 以原始光谱、 去包络线光谱、 冠层指数、 光谱参数为自变量建立的Fisher判别函数的检验精度分别为: 84.4%, 81.1%, 79.7%, 78.7%; Kappa系数分别为: 0.79, 0.74, 0.74, 0.76; R2分别为: 0.89, 0.88, 0.88和0.85。 由此可知, Fisher判别分析模型建立的函数具备很好的刚竹毒蛾虫害程度检测能力, 而且基于冠层原始光谱建立的判别函数检测效果最佳。 根据高光谱数据的冠层原始光谱建立的判别函数对福建省顺昌县大干镇武坊村的洋门和土垅村的上湖竹林进行刚竹毒蛾虫害程度检测。 检测结果为: 上湖两个样区的竹林以健康为主。 洋门两个样区虫害程度以中度和重度为主。 因此基于无人机高光谱遥感对于刚竹毒蛾虫害的大面积检测具有可行性, 该方法可为虫害检测的探究提供参考, 为基于冠层遥感虫害检测贡献理论支撑。
刚竹毒蛾 高光谱 冠层光谱 Fisher判别分析 Phyllostachys edulis Hyperspectral Canopy spectrum Fisher discriminant analysis 光谱学与光谱分析
2021, 41(10): 3200
1 中国农业大学水利与土木工程学院, 北京 100083
2 中国农业大学工学院, 北京 100083
以大型喷灌机为平台的近地遥感技术可有效观测作物的生长状态, 对田间生产管理和作物水肥需求特性等研究具有十分重要的意义。 由于在遥感观测过程中, 作物冠层具有二向反射特性, 因此不同观测方式会影响遥感观测结果。 通过自行搭建的近地遥感系统模拟大型喷灌机平台的实地观测条件, 使用双通道光谱传感器获取小麦与玉米冠层的光谱反射率信息, 引入变异系数CV对由冠层二向反射特性引起的信息数据变幅进行量化, 并采用影响因素权重W分析各观测参数对数据变幅的影响程度。 通过获取2019年冬小麦返青期至灌浆期、 夏玉米V7—V14生育期的冠层近红外波段(810 nm)和红光波段(650 nm)的反射率数据, 分析多种观测因素对比值植被指数(RVI)数据和植被归一化指数(NDVI)数据的影响。 结果表明, 观测高度(0.5~2.5 m)、 观测频率(2~60次·min-1)和移动速度(0~4 m·min-1)与观测结果无显著相关关系(p>0.05), 观测时刻(8:00—18:00)、 观测天顶角(-60°~60°)和观测方位角(0°~180°)与观测结果相关关系极为显著(p<0.01); 小麦和玉米的冠层RVI、 NDVI数据获取结果主要取决于冠层覆盖程度, 在相同叶面积指数(LAI)情况下观测结果也会因观测时刻、 观测方位角和观测天顶角的差异而受到不同程度的影响; 冠层光谱反射率信息二向反射特性明显, 小麦冠层RVI和NDVI变异系数分别为15%~50%和2%~50%, 玉米冠层RVI和NDVI变异系数分别为10%~33%和18%~39%; 进行观测时, 应尽量选择在太阳天顶角较稳定的12:00—14:00时段, 并尽量缩短观测时长, 还应选择固定的观测角度, 注意阴影效应与热点效应的影响; 此外, 在小麦返青至拔节期、 抽穗至扬花期获取RVI和NDVI时, 还应分别注意观测天顶角、 观测时刻对测量精度的干扰。 研究结果可为快速获取高精度的小麦、 玉米冠层光谱反射率数据提供技术支撑。
冠层光谱反射率 近地遥感 二向反射特性 Canopy spectral reflectance measurement Ground-based remote sensing RVI NDVI Bidirectional reflection RVI NDVI 光谱学与光谱分析
2021, 41(8): 2578
1 东北农业大学公共管理与法学院, 黑龙江 哈尔滨 150030
2 中国科学院东北地理与农业生态研究所, 吉林 长春 130012
3 吉林工程技术师范学院信息工程学院, 吉林 长春 130052
对水稻稻瘟病病害程度的定量预测是精准防控的关键, 田间冠层尺度的研究可为高光谱传感器提供理论基础。 以受穗颈瘟胁迫的水稻为研究对象, 采用SVC HR768i型光谱辐射仪在大田中获取灌浆期两个不同时间段的水稻冠层光谱反射率, 以水稻发病株数百分比作为病害严重程度指标。 冠层光谱数据采用九点平滑预处理, 并重采样为1 nm间隔, 计算植被指数; 经过去包络线和一阶导数光谱变换, 提取高光谱特征参数。 分析不同时间段的光谱变换、 植被指数、 高光谱特征参数与病害程度的相关关系, 构建基于植被指数、 高光谱特征参数的穗颈瘟病害程度随机森林预测模型, 并对比分析两个单时期预测模型异同, 优选共用输入量, 构建出两时期混合数据的病害程度预测模型。 结果表明: （1）原始光谱曲线经去包络线处理可有效增强与病害程度相关的光谱信息, 近红外波段（960～1 050和1 150～1 280 nm）的相关系数在0.80以上; （2）高光谱特征参数与病害程度相关性分析中, 去包络线吸收谷参数相关系数高于其他参数, 吸收谷V3（910～1 100 nm）、 吸收谷V4（1 100～1 300 nm）中面积（A3和A4）、 深度（DP3和DP4）、 斜率（SL4和SR4）的相关系数在0.74以上; （3）去包络线吸收谷参数结合随机森林模型预测穗颈瘟病害程度在单时期及两时期混合数据中均表现最好。 灌浆期后期数据预测效果最佳, 验证集决定系数R2=0.91, 均方根误差RMSE=0.02; （4）两时期混合数据预测精度处于两个单时期预测精度之间, 验证集决定系数R2=0.85、 均方根误差RMSE=0.03。 研究成果揭示了灌浆期不同时间段水稻穗颈瘟光谱响应机制, 表明去包络线吸收谷参数结合随机森林模型预测稻瘟病的实用性, 可为田间水稻穗颈瘟病害程度进行快速、 精确、 无损地定量预测, 为精准施药提供理论依据, 并对未来航空、 航天遥感的病害监测提供一定的技术支持。
冠层光谱 穗颈瘟 去包络线 特征参数 Canopy hyperspectral spectra Rice panicle and neck blast Continuum removal Characteristic parameters 光谱学与光谱分析
2021, 41(4): 1220
1 北京农业信息技术研究中心, 北京市农林科学院, 北京 100097
2 安徽大学电子信息工程学院, 安徽 合肥 230039
3 农业部食物与营养发展研究所, 北京 100081
将小麦冠层光谱与小麦冠层图像或者侧面图像进行多信息融合, 对冬小麦地上鲜生物量进行预测, 提高了冬小麦地上鲜生物量无损检测精度, 试验获取苗期93个样本的冠层光谱和冠层图像, 中后期(拔节期、 抽穗期、 开花期、 灌浆期)200个样本的冠层光谱和侧面图像。 将光谱反射率作为光谱特征参数, 并通过图像处理提取小麦覆盖度作为图像特征参数, 建立苗期和中后期基于光谱特征参数和图像特征参数的地上生物量检测模型, 将冠层光谱反射率和小麦覆盖度作为多信息融合的输入, 利用多元回归分析(MRA)和偏最小二乘法(PLS)建立地上鲜生物量预测模型并进行验证。 结果表明, 在苗期和中后期, 将光谱信息和图像信息融合, 采用PLS所建立的预测模型与单独的图像模型和光谱模型相比精度最高。 苗期基于信息融合所建立的PLS模型验证集R2为0.881, 其RMSE为0.015 kg; 中后期基于信息融合所建立的PLS模型验证集R2为0.791, RMSE为0.059 kg。 由此可见, 相比单一的光谱模型和图像模型, 图像信息和光谱信息融合之后, 充分提高了光谱信息和图像信息的利用率, 使模型的精度得以提高。
多信息融合 偏最小二乘回归 冠层光谱 机器视觉 冬小麦 生物量 Multi-information fusion PLS Canopy spectral Machine vision Winter wheat Biomass 光谱学与光谱分析
2016, 36(6): 1818
1 中国矿业大学(北京)地测学院, 北京100083
2 School of Geography, University of Nottingham, NG7 2RD, UK
温室气体(CO2)过量排放可以导致全球气候变暖, 而碳捕捉与储存(carbon capture and storage, CCS)技术是一种减少CO2气体排放的有效措施。 但存储在地下的CO2有泄漏的风险, 如何快速监测CO2轻微泄漏点是一个值得研究的问题。 该文通过野外模拟实验, 研究草地和大豆在CO2轻微泄漏胁迫下的冠层光谱特征, 构建CO2轻微泄漏点高光谱遥感探测模型。 在2008年5月—9月于英国诺丁汉大学Sutton Bonington校区(52.8N, 1.2W)进行了野外模拟实验。 实验共设置16个小区, 8个草地及8个大豆地, 其中各有4个小区进行CO2泄漏胁迫。 冠层光谱采用美国ASD光谱仪进行测量, 草地测量了6次数据, 大豆地测量了3次数据。 实验结果表明, 草地与大豆地的冠层光谱反射率在580～680 nm波段范围内随CO2泄漏胁迫程度的增大而增大, 且在整个试验期内都保持同样的规律, 因此构建面积指数AREA(580～680 nm)(光谱曲线在580～680 nm波段范围内包围的面积)识别遭受CO2泄漏胁迫下的植被。 通过J-M距离检验, 发现该指数能够较好地识别出CO2轻微泄漏胁迫下center区与core区的草地, 但对edge区草地的识别能力不足(J-M距离小于1.8); 该指数可以可靠且稳健地识别出遭受CO2轻微泄漏胁迫的大豆。 该研究结果可为未来应用高光谱遥感探测CO2轻微泄漏点提供理论依据与方法支持。
冠层光谱 CO2泄漏胁迫 地表植被 识别模型 Canopy spectra CO2 leakage stress Surface vegetation Identification model 光谱学与光谱分析
2015, 35(10): 2781
江西农业大学,江西省作物生理生态与遗传育种重点实验室,江西 南昌 330045
为了探讨水稻冠层光谱对叶片叶绿素含量的响应规律,以双季早稻为材料,设置不同施氮量处理的田间试验,测定水稻冠层光谱和叶片叶绿素含量,计算基于冠层反射光谱的特征变量,研究水稻冠层高光谱特征变量与叶片叶绿素含量之间的关系。结果表明：施用氮肥对反射光谱有明显的影响,在可见光范围内,不施氮处理的反射率高于施氮处理,尤其在波长550 nm左右的绿峰处显著增加,在近红外区反射率随施氮量的增加而增加;与叶绿素含量相关性较好的光谱位置参数是红边位置和红谷反射率,随着叶绿素含量的增加,红谷反射率降低,红边位置向长波方向移动;比值植被指数R800/R550、R750/R553和R990/R553,以及色素比值指数PSSRa、PSSRb与chla、chlb、chl(a+b)呈极显著正相关,可以作为水稻冠层叶片叶绿素监测的特征变量。
水稻 冠层光谱 高光谱遥感 叶绿素含量 rice canopy reflectance spectra hyperspectral remote sensing chlorophyll content
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
5 河北省农业技术推广总站, 河北 石家庄 050000
作物氮素具有随植株高度层垂直分布的特性,快速、无损探测作物氮素垂直分布状况,对于指导合理施肥、提高肥料利用率和减少环境污染具有重要意义.本文提出了利用偏最小二乘(partial least square,PLS)算法,运用多角度光谱数据估计冬小麦氮素含量垂直分布的方法.分别选用前向和后向不同观测角度组合形成的光谱数据组建植被指数,建立不同高度层的叶片氮素含量探测模型,其中选用±50°和±60°的组合,建立了冬小麦上层叶位叶片氮密度反演模型;选用±30°和±40°的组合,建立了中层叶位叶片氮密度反演模型;选用±20°和±30°的组合,建立了下层叶位叶片氮密度反演模型.针对氮素反演容易受到作物背景(土壤、作物残渣)影响的问题,引入R700/R670比值,改进七种常见的植被指数,利用改进了的植被指数建立了冬小麦上层、中层、下层叶片氮密度垂直分布模型.建模实验结果改进了叶片氮密度上层、中层、下层垂直分布估算结果,验证实验选取建模实验中表现最好的三个植被指数进行进一步研究,结果表明改进后的绿光归一化植被指数(green normalized difference vegetation index,GNDVI)在反演上层、中层、下层叶片氮密度时效果最好,达到了极显著的水平,可用于植被氮素含量的垂直分布探测。
冬小麦 氮密度 冠层光谱 多角度 垂直分布 偏最小二乘 Winter wheat Nitrogen density Canopy reflected spectrum Bidirectional reflectance Vertical distribution Partial least-square(PLS) 光谱学与光谱分析
2015, 35(7): 1956
1 北京农业信息技术研究中心, 国家农业信息化工程技术研究中心, 农业部农业信息技术重点实验室, 北京100097
2 山东科技大学测绘科学与工程学院, 山东 青岛266590
水分含量是表征作物水分胁迫生理状况的重要指标, 及时有效地监测作物水分含量对于评估作物水分盈亏平衡, 指导农业生产灌溉具有重要意义。 针对不同形式的归一化差值水分指数(NDWI)存在的饱和性问题, 拟引入增强型植被指数EVI对其加以适当改进, 通过构建新的植被水分指数NDWI#(即NDWI*EVI)来估算作物水分含量。 首先, 利用PROSAIL辐射传输模型分析了由不同水分敏感波段(1 240, 1 450, 1 950和2 500 nm)构建的各种典型NDWIs与相应新植被水分指数NDWI#对植被冠层水分及LAI的饱和响应特征;然后, 利用田间实验光谱和水分数据, 开展作物水分含量的建模和验证分析。 结果表明: 将EVI引入后, 形成的新水分指数NDWI#能够有效提高冬小麦水分含量估算精度, 特别是针对NDWI1450, NDWI1940, NDWI2500这三个指数, 改进后的新指数显著提高了对LAI响应的饱和点, 冬小麦作物水分估算精度也得到较为的明显改善。 研究表明, 将含有可见光波段信息的EVI引入到NDWI中, 构建的新指数NDWI#因融合可见光、 近红外和短波红外更多波段的光谱信息, 对估算冬小麦冠层含水量可能具有更好的优势。
冠层光谱 冬小麦 Vegetation water content(VWC) VWC Equivalent water thickness(EWT) EWT Canopy spectral NDWI NDWI(Normalized Different Water Index) Winter wheat 光谱学与光谱分析
2014, 34(12): 3391
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
叶绿素含量是反映植物生长状况的重要参数。 利用ASD FieldSpec 3光谱仪, 测定春梢停止生长期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400～1 350 nm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400～1 350 nm。 （2）利用筛选得到的植被指数CCI（D794/D763）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（D794/D763）指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。 因此, 利用高光谱技术能够较快速、 精确的对苹果冠层叶绿素含量进行定量化反演, 为苹果长势的遥感监测提供理论依据。
苹果 冠层光谱 叶绿素含量 植被指数 估测模型 Apple tree Canopy spectral Chlorophyll content Vegetation index Estimating model 光谱学与光谱分析
2013, 33(8): 2203
新疆农业大学草业与环境科学学院, 新疆 乌鲁木齐830052
以呼图壁县草地生态站不同灌溉量下现蕾期紫花苜蓿冠层光谱反射率为研究对象, 研究确定紫花苜蓿叶片含水率的光谱诊断模型。 结果表明: （1）在近红外波段随着紫花苜蓿叶片含水率的增加冠层光谱反射率逐渐减小; （2）利用归一化反射光谱建立的苜蓿叶片含水率光谱反演模型优于原始反射光谱, 并且在1 344～1 660 nm波段内所建立的苜蓿叶片含水率预测模型平均相对误差最低（7.8%）。 （3）筛选建立的叶片含水率光谱诊断模型为: Ｙ＝0.962-7.560X1 451+5.295X1 473。 所建立的紫花苜蓿叶片含水率光谱预测模型可为苜蓿科学灌溉提供决策依据。
紫花苜蓿 含水率 冠层光谱反射率 现蕾期 模型 Alfalfa Water content Canopy reflectance Squaring period Model
