共查询到18条相似文献，搜索用时 203 毫秒
1.
针对智慧农业中叶绿素的精准预测问题,本文提出了基于双分支网络的玉米叶片叶绿素含量高光谱与多光谱协同反演的方法。使用欠完备自编码器进行数据降维,捕捉数据中最为显著的特征,使降维后的数据可以代替原始数据进行训练,从而加快训练效率,使用双分支卷积网络将多光谱数据用于填充高光谱数据信息,充分利用高光谱数据的空间细节信息,再结合1DCNN建立玉米叶片叶绿素含量预测模型。结果表明,与传统降维算法相比较,欠完备自编码器处理后预测结果最佳,决定系数R2为0.988,均方根误差（RMSE）为0.273,表明使用欠完备自编码器进行降维可以有效提高数据反演精度;与单一的高光谱数据反演模型和多光谱数据反演模型相比,双分支卷积网络预测模型均取得较优的预测结果,R2在0.932以上,RMSE均在1.765以下,表明基于双分支卷积网络的高光谱与多光谱图像协同反演模型可以有效地利用数据的特征;对于其他数据结合本文提及的双分支卷积网络模型进行反演,其R2均在0.905以上,RMSE均在2.149以下,表明该预测模型具有一定的普适性。 相似文献
2.
定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义.本研究验证高光谱成像技术结合偏最小二乘-最小二乘支持向量机(PLS-LS-SVM)建模方法预测大田冬小麦叶绿素含量的可行性.首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱,进而得到其立方体图像数据,并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值.为保证PLS-LS-SVM模型的鲁棒性和预测稳定性,首先通过PLS方法解决多重共线性问题并将输入变量维数减至4维,然后利用LS-SVM进行训练建模.所建叶绿素含量预测模型的决定系数达R2=0.8459,预测均方根误差RMSEV=0.4370.研究结果表明,基于高光谱成像系统,采用PLS-LS-SVM建立模型用来预测大田冬小麦叶绿素含量是完全可行的. 相似文献
3.
基于反射光谱的苹果叶片叶绿素和含水率预测模型 总被引：4，自引：0，他引：4
为探索苹果叶片叶绿素含量(质量比)、叶片含水率与反射光谱之间的关系,以华北地区苹果树为研究对象,分别测定了各个关键生长期苹果叶片的光谱反射率、叶绿素含量和叶片含水率。分析光谱反射率与叶绿素含量以及叶片含水率之间相关性发现,在不同生长时期,苹果叶片叶绿素a含量与反射光谱在515~590 nm和688~715 nm两组波段内具有较高的相关性,且果实成熟期数据显示相关度最高(R2=0.6)。在420~500 nm、640~680 nm、740~860 nm 3个波段叶片含水率与反射光谱有较高的相关性,且果实膨大期的叶片含水率在可见光波段的相关系数最大。根据所选敏感波段,分别利用多元线性回归、主成分分析和人工神经元网络建立基于反射光谱的苹果叶片不同生长时期叶绿素和含水率的预测模型。通过对所建立的预测模型进行校验,结果显示,利用主成分分析方法所建立的苹果叶片叶绿素含量预测模型的决定系数最高(R2=0.885 2),校验系数为0.828 9。该模型可以较为准确地预测苹果叶片叶绿素含量。而采用神经元网络所建立苹果叶片含水率预测模型的决定系数R2=0.862,校验系数为0.8375,预测效果最好。 相似文献
4.
杨树叶片叶绿素含量高光谱估算模型研究 总被引：3，自引：0，他引：3
以盆栽107号杨树为研究对象,在验证杨树叶片的SPAD值可作为衡量其叶绿素含量指标的基础上,基于最佳指数-相关系数法(OIFC),提取了杨树叶绿素特征波段(中心波长350、715、1 150 nm),建立了以该组合波段原始光谱数据为自变量的杨树叶片叶绿素含量估算模型;利用相关系数法,提取了杨树叶绿素归一化植被指数的计算波段(中心波长705、953 nm)与一阶光谱导数的叶绿素特征波段(中心波长647、691、721 nm),且分别建立了基于归一化植被指数、叶面叶绿素指数、一阶光谱导数为自变量的杨树叶片叶绿素含量估算模型;比较分析所建立的模型精度,筛选出杨树叶片的叶绿素含量最优估算模型。结果表明:化学法测得杨树叶片叶绿素含量与其对应的SPAD值之间具有显著的幂函数关系,R2可达0.902 3。利用OIFC法提取的叶绿素最佳三波段组合的高光谱数据为自变量,与叶片叶绿素含量构建的模型预测值与实测值具有显著的线性关系,决定系数为0.944 5;相比其他模型,该模型的精度最高且均方根误差最小。可见,基于OIFC法构建的杨树叶绿素高光谱模型具有较高的精度,是估算杨树叶片叶绿素含量的最优模型。 相似文献
5.
水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析（Principal component analysis, PCA）和随机森林（Random forest, RF）算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆（Long short-term memory, LSTM）网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法（Whale optimization algorithm, WOA）对MTL-LSTM模型进行优化。实验结果表明：PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。 相似文献
6.
基于可见/近红外光谱的牡丹叶片花青素含量预测 总被引：1，自引：0，他引：1
以开花初期不同品种牡丹叶片为研究对象,分析叶片花青素含量与反射光谱之间的相关关系,分别建立基于单波长、不同植被指数、相关系数大于0.52的可见光波段的叶片花青素含量预测模型。研究结果表明,牡丹叶片反射光谱与花青素含量的最大相关系数位于544 nm;以544 nm波长反射率及花青素反射指数(ARI)、调整花青素反射指数(MARI)为自变量建立的预测模型可以用于牡丹叶片花青素含量预测;以偏最小二乘回归(PLSR)构建的牡丹叶片花青素含量预测模型的建模和验模R2分别为0.873和0.811,RMSE为0.068μmol/g,RPD为2.352,是预测牡丹叶片花青素含量的最优模型。 相似文献
7.
基于叶面叶绿素分布特征的黄瓜叶片氮钾元素亏缺诊断 总被引：1，自引：0，他引：1
利用高光谱图像技术无损表征黄瓜叶片的叶绿素分布特征,并将其作为N、K元素亏缺诊断依据。采集黄瓜叶片的高光谱图像数据,利用高效液相色谱法分析黄瓜叶片的叶绿素含量,利用遗传算法建立叶片高光谱图像信号与叶绿素含量的对应关系,进而实现黄瓜叶片叶绿素分布图的无损检测。与对照组叶片的叶绿素分布图相比,缺N叶片主要表现为叶片中心区域叶绿素含量偏低,而缺K叶片主要表现为叶片边缘的局部区域叶绿素含量偏低。据此分别提取缺N、缺K叶片及对照组叶片的叶绿素及其分布特征(叶片中心区域所有像素点的叶绿素含量均值、叶片边缘区域叶绿素含量偏低的像素点数量),并借助提取的特征参数建立了N、K元素亏缺诊断方法,其正确诊断率为95%。研究结果表明,叶绿素叶面分布特征可有效实现黄瓜植株N、K元素的亏缺诊断。 相似文献
8.
基于高光谱成像的马铃薯叶片叶绿素分布可视化研究 总被引：3，自引：0，他引：3
针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。 相似文献
9.
基于高光谱的甜菜SPAD值估算研究 总被引：1，自引：0，他引：1
叶绿素作为植物体内参与光合作用的重要色素,其含量对作物生长状况、产量和品质有很大影响。为此,利用野外便携式ASD光谱仪,实测了田间甜菜冠层光谱数据,且用SPAD-502叶绿素仪测定叶片SPAD值。基于原始光谱和一阶导数光谱与SPAD值相关性,选取植被指数和波段深度信息建立SPAD值预测模型,并用对照田试验数据对模型进行验证。通过对比植被指数建立的回归模型及波段深度分析,结合多元逐步回归建立的估算模型可知,波段深度比(BDR)结合SMLR建立的估算模型验证结果最好(RMSE=2.54,RE=4.5%)。研究结果表明:导数处理能提高光谱数据与SPAD值相关系数,波段深度信息结合多元逐步回归相比植被指数能提高SPAD值估算精度。 相似文献
10.
基于多角度成像数据的大豆冠层叶绿素密度反演 总被引：1，自引：0，他引：1
利用多角度观测系统采集田间不同生育期大豆冠层的图谱数据,通过提取影像中土壤背景、大豆植株、光照叶片等不同目标地物的反射光谱,对比分析不同观测角度下成像光谱数据反演大豆冠层叶绿素密度的效果,探讨土壤、阴影叶片及角度变化对群体叶绿素密度反演的影响.结果表明:(0°,20°,40°,60°)的天顶角组合有最高的预测模型决定系数(R2为0.834)和最小的均方根误差(RMSE为6.13);(20°,40°,60°)天顶角组合的决定系数值高于(0°,20°,40°)的组合,且在混合植被、纯植被、光照植被3类数据中有一致的趋势.40°天顶角是反演叶绿素密度的最优角度.0°方位角(太阳主平面的后向观测)是反演叶绿素密度的最优角度.天顶角变化是影响大豆冠层叶绿素密度反演的主要因素. 相似文献
11.
竹叶片氮含量高光谱估测方法对比研究 总被引：1，自引：0，他引：1
为实现快速无损检测竹叶片氮含量,采用波长范围为350~2500nm的地物光谱仪获取竹叶片光谱数据,以金镶玉竹叶片为样本,对其进行高光谱分析。将高光谱原始反射率及其一阶微分、对数一阶微分和二阶微分值,与化学法测量的竹叶片氮含量值进行了相关性分析,分别获得了不同微分变化下的特征波段;基于微分变换后的高光谱反射率数据,分别采用二元线性回归、多元逐步回归、偏最小二乘回归和基于主成分分析的BP神经网络方法,建立了4种金镶玉竹叶片的氮含量高光谱估测模型。对比4种估测模型的校验结果表明,在光谱反射率的对数一阶微分变换下,采用拓扑结构为6-10-1的基于主成分分析的BP神经网络估测模型,校验环节决定系数为0.838,均方根误差RMSE为0.0452,具备较好的竹叶片氮含量估测效果。 相似文献
12.
基于SVR算法的苹果叶片叶绿素含量高光谱反演 总被引：3，自引：0，他引：3
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。 相似文献
13.
为改善高光谱遥感对污水水质信息状况定量反演模型的预测评价效果,以陕西某污水处理厂采集的污水样品为研究对象,采用主成分分析法（Principal component analysis,PCA）对污水水质进行综合评价,获取水质评价的综合评价因子,同时利用ASD FieldSpec 3型高光谱仪获取污水的原始光谱,经过数据预处理和不同数学变换后,共获取了4种光谱指标：平滑后光谱反射率（SG）、倒数之对数（LR）、标准正态化（SNV）和去包络线（CR）。分别采用偏最小二乘回归法（Partial least squares regression,PLSR）、逐步回归法(Stepwise regression,SR)、极限学习机法（Extreme learning machine,ELM）构建了基于水质综合评价因子的高光谱水质反演模型,并对反演结果进行精度验证与比较。结果表明,本组水样的平滑后光谱数据和经过标准正态化变换的光谱数据建模具有较好的建模效果,其建模的预测RPD均在2.5以上;在3种模型中,PLSR模型和ELM模型均具备很好的建模预测效果;逐步回归法的建模效果较PLSR模型和ELM模型有所下降,但是其SG-SR、SNV-SR模型的R2c均在0.8以上、R2p均在0.85以上,RPD均在3.0以上,证明其仍拥有很好的反演预测效果,且进行了特征波段的优选,实现了对模型的优化;SNV-SR-ELM（R2c=0.956,R2p=0.954,RMSE=0.500,RPD=4.651）为最佳模型,SNV-SR-ELM模型的建立为高光谱反演水质模型的优化、污水水质的快速监测和综合评价提供了途径。 相似文献
14.
对内蒙古河套灌区土壤含盐量高光谱曲线进行分析,结果表明通过对原始光谱曲线进行连续统去除变换,可以突出波峰、波谷等重要波段位置,有利于建立逐步回归模型(R2=0.589,RMSE=0.327)对土壤含盐量进行定量反演。通过偏最小二乘法建模,不仅可以利用非正态分布的含盐量数据建模,且模型的精度(R2=0.695)和稳定性(R2=0.756)均优于逐步回归方法。其中,将光谱经过对数和一阶微分变换后,模型结果最佳(R2=0.989,RMSE=0.368)。 相似文献
15.
基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究 总被引：1，自引：0，他引：1
水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择,提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数（ORVI）。与Index Data Base数据库中其他用于叶绿素含量反演植被指数,包括ND528,587、SR440,690、CARI、MCARI的反演结果进行了对比分析,结果表明：IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R2分别为0.672、0.630、0.595和0.574;ORVI植被所建立的叶绿素含量反演模型的决定系数R2为0.726,均方根误差RMSE为2.68,精度高于其他植被指数,说明了ORVI在实际的应用中,能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。 相似文献
16.
基于高光谱成像技术的生菜冠层含水率检测 总被引：2，自引：0，他引：2
为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。 相似文献
17.
基于优化植被指数的多生育期茶叶游离氨基酸含量估算 总被引：1，自引：0，他引：1
不同季节的茶叶外形和品质均具有较大差异,针对运用植被指数检测不同季节茶鲜叶游离氨基酸含量存在难度,选取了10个茶树品种3个季节（春茶、夏茶和秋茶）茶鲜叶中游离氨基酸含量数据和高光谱数据进行分析。首先,对原始光谱数据进行5种光谱变换：倒数T1/R、对数T1gR、一阶微分TR’、倒数的一阶微分T（1/R）’和对数的一阶微分T（1gR）’,并进一步利用不同光谱变换优化了经典植被指数,最终比较了经典植被指数和优化植被指数对不同季节茶鲜叶游离氨基酸模型的影响。结果表明：茶鲜叶建模集和验证集游离氨基酸含量的变化趋势从大到小均为春茶游离氨基酸含量、秋茶游离氨基酸含量、夏茶游离氨基酸含量;光谱变换优化后的植被指数与茶鲜叶游离氨基酸含量的相关性均高于经典植被指数与茶鲜叶游离氨基酸含量相关性,相关系数绝对值范围为0.10～0.30;基于TlgR-VI构建的多元线性回归（MLR）模型在不同季节的建模集和验证集中均得到了较好的精度,且适用于多生育时期茶鲜叶氨基酸含量的估测。基于T... 相似文献
18.
基于无人机高光谱影像的冬小麦全蚀病监测模型研究 总被引：2，自引：0，他引：2
冬小麦全蚀病是导致小麦大幅减产甚至绝收的土传检疫性病害。快速、无损地监测冬小麦全蚀病空间分布对其防治具有重要意义。以无人机搭载成像高光谱仪为遥感平台,利用成像高光谱影像结合地面病害调查数据,在田块尺度对冬小麦全蚀病病情指数分布进行空间填图。利用地物光谱仪(ASD)同步获取的高光谱数据评价UHD185光谱数据质量,综合运用统计分析以及遥感反演填图技术,计算光谱指数(Difference spectral index,DSI)、比值光谱指数(Ratio spectral index,RSI)及归一化差值光谱指数(Normalized difference spectral index,NDSI)与病情指数(DI)构建决定系数等势图,筛选最优光谱指数与DI构建线性回归模型,并利用3个光谱指数构建偏最小二乘回归预测模型,以对比模型预测精度与稳健性。最后用独立数据对模型进行检验。结果表明,冬小麦冠层的ASD光谱数据与UHD185光谱数据相关性显著,决定系数R~2达0.97以上,3类光谱指数与DI构建偏最小二乘回归模型,得到模型验证结果(R~2=0.629 2,R_(MSE)=10.2%,M_(AE)=16.6%),其中DSI(R_(818),R_(534))对模型贡献度最高,利用DSI(R_(818),R_(534))与DI构建线性回归模型为y=-6.490 1x+1.461 3(R~2=0.860 5,R_(MSE)=7.3%,M_(AE)=19.1%),且通过独立样本的模型验证精度(R~2=0.76,R_(MSE)=14.9%,M_(AE)=11.7%,n=20)。最后使用该模型对冬小麦进行病情指数反演,制作了冬小麦全蚀病病害空间分布图,本研究结果为无人机高光谱遥感在冬小麦全蚀病的精准监测方面提供了技术支撑,并对未来卫星遥感探索冬小麦全蚀病大面积监测提供了理论基础。 相似文献