共查询到10条相似文献，搜索用时 31 毫秒
1.
[目的]花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用.因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标.湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义.提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法.为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础.[方法]以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率.选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种.对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型.[结果]比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34％.[结论]基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测. 相似文献
2.
[目的]花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用.因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标.湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义.提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法.为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础.[方法]以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率.选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种.对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型.[结果]比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34％.[结论]基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测. 相似文献
3.
[目的]花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用.因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标.湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义.提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法.为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础.[方法]以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率.选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种.对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型.[结果]比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34％.[结论]基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测. 相似文献
4.
[目的]构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据.[方法]利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据.通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价.[结果]在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型.R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高.比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型.总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550.[建议]进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算.采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持. 相似文献
5.
[目的]为利用高光谱技术实现作物氮素营养状况无损快速监测提供途径.[方法]通过不同品种小麦不同氮素水平试验,分析小麦不同氮素营养状况下,叶片叶绿素含量与叶面积指数、冠层光谱角的关系,定量分析光谱角指数,并建立相关模型对小麦氮素营养状况进行实时监测.[结果]冠层光谱角指数与差值叶绿素含量和差值叶面积指数的相关性最高为0.919 7,两者之间建立的模型决定系数为0.739 2,0.617 8,具有很好的拟合效果.[结论]利用光谱角可以监测小麦叶片叶绿素及叶面积差异,在此基础上进行小麦氮素营养监测是可行的. 相似文献
6.
[目的]检测橡胶树割胶期叶片的实际氮素含量,建立橡胶树叶片光谱诊断模型,为实现橡胶树叶片氮素含量的快速无损检测提供参考依据.[方法]使用FieldSpec 3光谱仪采集割胶期橡胶树叶片的光谱反射率,分别以其原始光谱(R)、倒数光谱(1/R)、对数光谱(logR)和对数倒数光谱(1/logR)作为光谱信息,采用分数阶微分进行处理,获得不同分数阶阶次下的光谱数据,并通过竞争性自适应重加权算法(CARS)选择变量及偏最小二乘回归法(PLSR)建立橡胶树氮素光谱诊断模型.[结果]采用分数阶对橡胶树叶片R、1/R、logR和1/logR建立模型的最优均方根误差(RMSE)分别为0.1376、0.1175、0.1263和0.1505,且使用1/R数据建立的0.6阶模型表现最优,相关系数为0.9273,RMSE为0.1175,决定系数为0.8551.与整数阶算法相比,分数阶模型具有更强的预测能力,表明分数阶能充分挖掘光谱信息的有效信息,有效提高橡胶叶片氮含量光谱诊断模型的预测精度,实现橡胶树叶片氮素含量快速无损检测.[结论]应用近红外光谱技术并结合分数阶微分算法可快速无损检测橡胶树叶片氮素含量,为生产上橡胶树的精准可变量施肥提供技术支持. 相似文献
7.
棉花冠层叶片叶绿素含量与高光谱参数的相关性 总被引：1，自引：0，他引：1
【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性,建立叶绿素含量估算模型。【方法】2014年,以鲁棉研28号为研究对象,测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350~2 500nm光谱反射率,以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源,在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型,并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】1)棉花冠层叶片叶绿素含量在反射光谱766nm处相关系数达到最大值,相关系数r=0.836;对于一阶导数光谱,叶绿素含量的敏感波段发生在753nm处,r=0.878;2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型,筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg),仅采用8种常用植被指数建立估算模型,筛选出的变量为比值植被指数(RVI);3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高,均方根误差(RMSE)为1.075,相对误差(RE)为2.22%,相关系数(r)为0.952。【结论】采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测,其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。 相似文献
8.
【目的】快速、准确监测覆膜玉米叶绿素含量,探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础,以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象,使用监督分类分割影像背景像元和玉米像元,分析背景像元对玉米冠层光谱的影响,计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入,利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】(1)苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。(2)基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R 2提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g-1,验证R 2提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g-1)。(3)基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著;其中光谱特征+... 相似文献
9.
基于水稻冠层高光谱的叶片SPAD值估算模型研究 总被引：1，自引：0，他引：1
为进一步提高水稻冠层光谱对叶片叶绿素相对含量(soil and plant analyzer development,SPAD)值的反演精度,利用光谱仪和叶绿素计实测了水稻全生育期的冠层高光谱反射率和SPAD值,并对原始光谱反射率及一阶导数光谱与叶片SPAD值进行了相关性分析;利用主成分分析(principle component analysis,PCA)对原始光谱数据进行降维,将得到的主成分作为输入变量,分别应用逐步多元线性回归分析法(stepwise multiple linear regression,SMLR)与支持向量回归(support vector regression,SVR)构建叶片SPAD值的高光谱估算模型;另分析322种冠层光谱参数与叶片SPAD值之间的相关关系,筛选相关系数高的14种特征参数作为输入变量,分别应用逐步回归与支持向量回归构建SPAD值的高光谱估算模型,并进行验证。结果表明,叶片SPAD值与水稻冠层原始光谱反射率的相关性在669 nm处高达-0.876,与一阶导数光谱的相关性在543 nm处最高达-0.834;不同模型的精度值各异,以特征参数为输入变量建立的逐步回归模型和SVR模型的均方根误差RMSEv分别为2.926、3.895,相对分析误差RPD分别为2.064、1.55。而基于主成分分析建立的逐步回归模型和SVR模型的RMSEv分别为3.349、2.631,RPD分别为1.803、2.295。对比发现主成分分析结合支持向量机模型可以很好地预测叶片SPAD值。 相似文献
10.
《沈阳农业大学学报》2020,(2)
粳稻氮素含量的快速、无损、准确估算,可以及时掌握粳稻的生长状况,对指导粳稻田间管理具有重要意义。为提高粳稻冠层氮素含量的高光谱反演精度,利用沈阳农业大学路南试验基地2018年粳稻3个关键生育期无人机高光谱影像和同步测定的粳稻冠层氮素含量作为数据源,选用从粳稻冠层光谱中提取的高光谱位置变量、面积变量和植被指数变量3种类型20个光谱特征参数与氮素含量进行相关性分析,选出各个生育期内相关性较高的前3个光谱特征参数作为模型输入分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)和思维进化算法优化BP神经网络(MEA-BPNN)3种粳稻冠层氮素含量反演模型并验证。结果表明:在粳稻分蘖期、拔节期、抽穗期,与粳稻氮素含量相关性最好的高光谱特征参数均为红边面积SDr,相关系数分别为0.771,0.664,0.775;MEA-BPNN反演模型与PLSR、BPNN相比,无论在模型精度还是预测能力都有明显提高,在各个生育期,MEA-BPNN模型的建模集和验证集决定系数R~2均达到0.700以上,RMSE均低于0.400以下,说明MEA-BPNN反演模型是筛选出的最佳粳稻冠层氮素含量反演模型。综上研究,该模型能够快速无损反演粳稻冠层氮素含量,可为后续施肥决策提供支持。 相似文献