共查询到20条相似文献，搜索用时 156 毫秒
1.
为探索作物生长监测诊断仪(Crop Growth Monitoring and Diagnosis Apparatus,CGMD)在不同株型双季稻长势指标监测应用的准确性和适用性,该研究开展了不同株型品种和施氮量的田间试验,采用CGMD获取冠层差值植被指数(Differential Vegetation Index,DVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和比值植被指数(RatioVegetationIndex,RVI),并同步采用高光谱仪(AnalyticalSpectralDevices,ASD)获取冠层光谱反射率,构建DVI、NDVI和RVI;通过比较2种光谱仪获取的植被指数变化特征及相互定量关系,评价CGMD的监测精度,建立基于CGMD的不同株型双季稻叶面积指数(Leaf Area Index,LAI)监测模型,并用独立数据对模型进行检验。结果表明:不同株型品种的LAI、DVI、NDVI和RVI随施氮量增加而增大,随生育进程推进呈"低—高—低"的变化趋势;基于CGMD与ASD的DVI、NDVI和RVI间的决定系数(Determination Coefficient,R2)分别为0.959～0.968、0.961～0.966和0.957～0.959,表明CGMD具有较高监测精度,可替代价格昂贵的ASD获取DVI、NDVI和RVI。基于CGMD植被指数的单生育期LAI监测模型的预测效果优于全生育期,基于CGMD植被指数的松散型品种LAI监测模型的预测效果优于紧凑型品种;基于DVICGMD的线性方程可较好地预测LAI,模型R2为0.857～0.903,模型检验的相关系数(Correlation Coefficient,r)、均方根误差(Root Mean Square Error,RMSE)和相对均方根误差(Relative Root Mean Square Error,RRMSE)分别为0.950～0.984、0.18～0.43和3.95%～9.40%;基于NDVICGMD的指数方程可较好地预测LAI,模型R2为0.831～0.884,模型检验的r、RMSE和RRMSE分别为0.906～0.967、0.24～0.38和5.73%～9.16%;基于RVICGMD的幂函数方程可较好地预测LAI,模型R2为0.830～0.881,模型检验的r、RMSE和RRMSE分别为0.905～0.954、0.25～0.56和7.37%～9.99%。与传统人工取样测定LAI法相比,利用CGMD可实时无损监测双季稻LAI动态变化,可替代SunScan植物冠层分析仪获取双季稻LAI,在双季稻生产中具有推广应用价值。 相似文献
2.
基于高光谱的冬油菜植株氮素积累量监测模型 总被引：1，自引：3，他引：1
为无损和定量研究高光谱技术在冬油菜植株氮素积累量(PNA,plant nitrogen accumulation)时空变化监测的适宜性及准确性,该文以两年田间氮肥水平试验为基础,采用单变量线性和非线性回归方法,建立基于特征光谱参数的冬油菜P NA高光谱估算模型。结果表明,采用比值光谱的方法可显著提高冬油菜冠层光谱反射率与PNA间的相关性,其最佳的波段组合为1 259 nm与492 nm处光谱反射率比值(R1259/R492),决定系数R2为0.85。高光谱参数间,以比值植被指数(RVI-5)、归一化光谱指数(NDSI)、线性内插法红边位置(REIP)、三角植被指数(TVI)、742 nm处一阶微分光谱值(FD742)和红边面积(SDR)等光谱参数与PNA相关性较好(平均R2和标准误SE分别为0.69和42.70),且以FD742表现最优(R2=0.79,SE=35.66)。精度分析结果显示,以光谱参数R1259/R492和FD742为自变量的指数方程模型作为高光谱监测油菜PNA的最佳模型,各生育期Noise Equivalent(NE)均较低且表现稳定,同时模型估测精度较高,R2分别为0.98和0.98,相对均方根误差RRMSE分别为0.73和0.72,相对误差MRE分别为14.42%和10.31%。该方法为快捷和精确评估冬油菜PNA提供了新的研究思路。 相似文献
3.
建立基于便携式作物生长监测诊断仪的江西双季稻氮肥调控模型,利用模型推荐穗肥追氮量,实现江西双季稻氮肥追施的精确管理。基于不同株型品种和氮肥处理的田间试验资料,构建了双季稻叶面积指数光谱监测模型,利用拔节期的差值植被指数实时估测叶面积指数,进而结合江西双季稻高产栽培经验和建立的氮肥调控模型,对双季稻穗肥追氮量进行实时推荐,并和当地农户施肥方案和产量进行比较。双季稻关键生育期(分蘖期、拔节期、孕穗期、抽穗期和灌浆期)的冠层差值植被指数DVI(810,720)与叶面积指数均呈显著正相关,线性函数拟合效果优于其他函数。利用独立试验资料对所建模型进行了检验,单生育期的模型预测效果优于全生育期模型;其中,拔节期的光谱监测模型表现最佳,早稻和晚稻叶面积指数的光谱监测模型的R2分别为0.880 6和0.878 8,模型预测早稻和晚稻叶面积指数的均方根误差、相对均方根误差、相关系数分别为0.30和0.25、7.28%和6.18%、0.923 2和0.926 9。氮肥调控模型推荐施肥应用表明,紧凑型品种的穗肥用量高于松散型品种;与农户方案相比,氮肥调控模型推荐施肥的调控方案在产量不降低的情况下减少氮肥用量6.58kg/hm2,提高氮肥农学利用率0.82个百分点、净收益103元/hm2和产投比0.9,而产量比农户方案略高或持平。与传统非定量农户施肥法相比,基于便携式作物生长监测诊断仪的双季稻氮肥调控方法可在保证产量的情况下,减少施氮量,提高氮肥农学利用率,获得更高经济效益,在江西双季稻生产中具有推广应用价值。 相似文献
4.
基于高光谱的夏玉米冠层SPAD值监测研究 总被引：1，自引：0，他引：1
开展夏玉米冠层SPAD值监测技术研究,建立叶绿素含量与敏感波段、光谱指数间的定量关系模型,以促进高光谱技术在玉米快速、无损长势监测及水肥精准管理的应用。以小型蒸渗仪夏玉米光谱反射率与植株冠层SPAD值的监测为基础,研究了夏玉米植株冠层光谱信息与SPAD值的响应关系,并优选出监测夏玉米冠层SPAD值的敏感波段与最优光谱指数。结果表明:夏玉米冠层光谱反射率在可见光波段随玉米冠层SPAD值增加而下降,在近红外波段却与之相反;采用原始光谱反射率、一阶微分光谱监测夏玉米冠层SPAD值的最敏感波段分别为700,690nm,与SPAD值的相关性分别为-0.498(p<0.05)和-0.538(p<0.01);而根据多元逐步回归分析获得的最优波段组合由405,408,700nm波段构成;从已报道的73个光谱指数中筛选出与夏玉米冠层SPAD值相关性较高的(SDr-SDb)/(SDr+SDb)、MCARI∥OSAVI、TCARI/OSAVI、SDr/SDb和MTCI等5个光谱指数,光谱指数(SDr-SDb)/(SDr+SDb)与SPAD值的相关性在各生育期均达极显著正相关,且在全生育期相关系数高达0.697(p<0.01),进一步优选出监测夏玉米冠层SPAD值最适宜的光谱指数为(SDr-SDb)/(SDr+SDb);在基于敏感波段、光谱指数和最优波段组合建立的夏玉米SPAD值的回归模型中,按照模拟效果由高到低排序依次为最优波段组合、光谱指数、原始光谱反射率、一阶微分光谱,其决定系数分别为0.777,0.539,0.351,0.282;推荐以(SDr-SDb)/(SDr+SDb)指数构建的二次多项式模型与基于405,408,700nm波段组合建立的线性回归监测模型作为夏玉米植株冠层SPAD值光谱监测适宜模型,且R2大于0.539,RMSE及MAE分别小于6.194和4.702。 相似文献
5.
土壤水分是影响作物生长的关键因子,在精准灌溉中估算土壤含水率有重要意义,结合作物生理参数与叶片光谱特性,能够在一定程度上增强土壤含水率遥感监测模型的稳定性。为了提高土壤含水率遥感监测模型在冬小麦多种物候期的适用性以及迁移能力,该研究通过连续小波变换增强光谱对叶片不同生化生理指标的响应后,通过变量投影重要性分析方法对冬小麦叶片含水率、叶绿素、叶面积指数敏感的光谱特征进行特征筛选,结合偏最小二乘回归构建土壤含水率模型,并与土壤含水率所选特征建立的监测模型在独立年份数据与不同传感器之间进行比较。结果表明,土壤含水率变化显著改变了冬小麦叶绿素以及叶面积,进而影响了小麦冠层光谱,小尺度小波变换可以增强冬小麦冠层光谱和土壤含水率的相关性（相关系数由0.46提升至0.61）。综合基于地面非成像数据集和机载成像数据集进行的模型验证结果,基于叶绿素所选小波特征在2021年高光谱非成像数据集和2022年机载成像数据集构建的土壤含水率监测模型表现最优,其中基于1尺度叶绿素小波特征构建的模型效果最好,其在独立非成像数据集验证中决定系数为0.541,均方根误差为2.42%,在成像数据集验证中决定系数为0.687,均方根误差为1.92%。因此,通过冬小麦叶片叶绿素与连续小波变换选取的光谱特征进行土壤含水率监测的适用性更强,可以进一步提高土壤含水率监测模型的准确性及稳定性。 相似文献
6.
玉米氮营养指数的高光谱计算模型 总被引：5，自引：3，他引：5
快速、准确、动态地诊断大面积玉米氮营养状态对于评价玉米长势、预测产量和指导农业生产均具有重要的意义。该研究利用北京昌平、长春市西北市郊的四间房村2个试验区的玉米冠层高光谱数据演变得到的多种光谱参数,采用逐步回归分析方法,建立了玉米氮营养指数与高光谱参数的定量关系,提出了玉米氮营养指数的敏感光谱参数及预测方程。研究结果显示,红边/绿边比值参数、红边/近红外比值参数、红边敏感点参数与玉米氮营养指数高度相关,是诊断玉米氮营养指数的敏感光谱参数。通径分析得到红边/绿边比值参数、红边/近红外比值参数与玉米氮营养指数的通径系数分别为-0.14942和-0.35218,表明玉米氮营养指数对红边/绿边比值参数、红边/近红外比值参数有间接影响,红边敏感点参数与玉米氮营养指数的通径系数为1.41549,表明红边敏感点参数对玉米的氮营养指数高度敏感。基于敏感光谱参数的玉米氮营养指数多元回归预测模型的相关系数R为0.95507,观测值与拟合值的拟合误差小于0.1,均方根误差为0.06016,F值达到了167.727,显著水平P为0.0045。由此可以得出利用敏感光谱参数定量分析玉米氮营养指数是可行的。 相似文献
7.
基于棉花红边参数的叶绿素密度及叶面积指数的估算 总被引：4，自引：2，他引：2
利用野外非成像高光谱仪,测试棉花两个品种4种配置种植方式两年关键生育时期的冠层反射光谱数据,应用光谱微分技术,获取棉花微分光谱680～750 nm波段的红边参数：红边面积（SDr）、红边斜率（Dr）以及红边位置（λr）变量;将棉花红边面积、红边斜率分别与其冠层叶绿素密度（CH.D）、叶面积指数（LAI）进行相关分析,它们的相关性均达到1%极显著水平,其中红边面积与叶绿素密度的相关性最好（RCH.D=0.8787**,n=137）;并且红边面积较红边斜率对叶绿素密度、叶面积指数的预测精度更高。以棉花新陆早13号和19号为建模样本,通过红边面积与叶绿素密度的线性相关模型,分别反演新陆早13号、19号冠层叶片的叶绿素密度,结果表明对这两个棉花品种的叶绿素密度估算精度分别达87.4%和83.3%,说明高光谱红边参数是估算棉花叶绿素密度和叶面积指数的一种简单、快捷、非破坏性的有效方法。 相似文献
8.
基于高光谱的春玉米大斑病害遥感监测指数选择 总被引：3，自引：2，他引：3
玉米大斑病是春玉米主要病害之一,采用地面光谱观测的方式构建遥感监测指数,是实施区域遥感监测的基础,也是卫星传感器谱段设计的主要依据。该文在陕西省眉县设计了人工控制小区试验,针对高抗、抗、感和高感4个品种,通过人工接种不同浓度大斑病分生孢子的方法,获得了正常、轻微、中度以及严重等4个病害感染梯度小区,并在春玉米抽雄、吐丝、乳熟以及成熟4个生长期进行了地面高光谱观测。为了实现对春玉米大斑病的遥感监测,该项研究在春玉米冠层光谱数据基础上,分析了不同种植区不同生长期春玉米冠层光谱反射率和光谱一阶微分特征,并以此确定了大斑病敏感波段位置以及病害适宜监测期,同时根据敏感波段位置的光谱特征构建了专门的春玉米大斑病的遥感监测指数,最后结合180个光谱观测样本,对比了所提指数以及其他病害指数与病害严重度之间的相关性,并通过聚类分析了所建遥感指数的稳定性。研究结果表明,乳熟期的春玉米大斑病在红边波谱内的响应较为敏感,尤其红边核心区(725~740 nm)的光谱一阶微分与病害严重程度间存在明显地单调变化关系,具有非常显著的负相关性;同时,该文所提病害监测指数与病情指数具有较高的相关性,其相关系数达到了0.995 0,最后结果表明利用红边一阶微分指数的对病害程度的聚类总体精度达到100.0%,指数值分布稳定性也更高,具有在遥感监测业务中应用的潜力。 相似文献
9.
叶面积指数(LAI,leaf area index)和地上部生物量是评价冬小麦长势的重要农学参数,其实时动态监测对冬小麦的长势诊断、产量预测和管理调控等具有重要意义。该研究通过分析叶面积指数、地上部生物量与冬小麦冠层光谱参数的相关性,筛选出冬小麦长势指标敏感波段及最佳带宽范围;基于敏感光谱波段下图像的彩色因子,构建冬小麦叶面积指数和地上部生物量监测模型。结果表明,叶面积指数、地上部生物量长势指标的敏感波段及最佳带宽范围为(560±6)和(810±10)nm。敏感波段560、810 nm波段下获得的图像特征因子中,RGB颜色空间R810、G560、B810对叶面积指数的拟合效果最好,决定系数高达0.989;HSI颜色空间H810、S810、I560对地上部生物量的拟合效果最好,决定系数为0.937。试验数据检验表明,叶面积指数、地上部生物量监测模型的均方根误差RMSE分别为0.4515、3.3556,相对误差分别为15.7%、15.9%,所构建监测模型的精确度较高。因此,基于敏感光谱波段及相应图像特征构建的监测模型可有效对冬小麦叶面积指数、地上部生物量进行实时、快速、准确监测与诊断。 相似文献
10.
油菜红边特征及其叶面积指数的高光谱估算模型 总被引：16，自引：6，他引：16
在2003～2004年油菜生长季，选用6个油菜品种，设置3个氮素水平的小区试验。在不同发育期同步测定油菜冠层的光谱反射率及对应叶片的叶面积指数。利用油菜冠层的光谱反射率数据提取红边参数，分析其变化规律，油菜叶面积指数与红边参数的相关性，估算结果表明：油菜冠层红边一阶导数光谱具有“双峰” 现象，红边位置λred位于690～720 nm之间，在油菜生长旺盛期间出现“红边平台”，前期有“红移”，后期有“蓝移”现象；叶面积指数与冠层光谱红边参数λred、Dλred、Sred之间在开花前存在显著相关，但开花后相关性不显著；利用开花前的红边参数可以估算油菜的叶面积指数，开花后的红边参数不能用于估算油菜的叶面积指数；最后建立了不同时期和开花前油菜叶面积指数的估算模型。 相似文献
11.
B. Somers V. Gysels W. W. Verstraeten S. Delalieux P. Coppin 《European Journal of Soil Science》2010,61(6):1091-1105
The value of hyperspectral imagery in agricultural management has been amply demonstrated. Despite this, image interpretation is often drastically impeded by changes in soil moisture content (SMC). Soil moisture variations dominate the spectral reflectance in the 350–2500‐nm wavelength domain and affect the effectiveness of spectral indices used to monitor variations in soil and vegetation properties. Consequently, removing soil moisture effects in spectral images is critical and would provide a significant breakthrough for agricultural remote sensing. Yet, current available soil moisture reflectance models fail to properly address the moisture‐induced reflectance changes occurring within soils of the same texture class. This very much limits the operational implementation of these models, particularly in agricultural fields where within‐field variations in soil characteristics such as organic matter and clay content prevail. In this study, the effect of SMC on the reflectance in the 400–2500‐nm spectral domain was studied for six sandy soils located in citrus orchards in the Western Cape Province, South Africa. In a series of experiments, novel insights into soil moisture reflectance modelling of sandy cultivated soils are provided. The wavelength and soil‐specific variations in model parameters are mechanistically modelled and a general model for moist reflectance of cultivated sand soils is presented and successfully tested. Model comparison and validation demonstrate that the model fit of soil‐type‐specific models can be approximated (R2 = 0.82; RRMSE = 0.14) while a significant increase in model fit compared with the traditional general models (R2 = 0.59; RRMSE = 0.28) was achieved. 相似文献
12.
基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测 总被引：4，自引：14，他引：4
实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法,该文依托不同氮素水平水稻试验,基于成像高光谱数据和无人机高光谱影像,综合运用统计分析及遥感参数成图技术,对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明,以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数(ratio spectral index,RSI)构建的线性模型为水稻叶片全氮含量的最优估测模型(检验R2为0.673,均方根误差为0.329,相对分析误差为2.02);无人机高光谱影像反演的水稻叶片全氮含量分布范围(1.28%~2.56%)与地面实际情况较相符(1.34%~2.49%)。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。 相似文献
13.
基于波段深度分析和BP神经网络的水稻色素含量高光谱估算 总被引：2，自引：1，他引：1
该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。 相似文献
14.
水稻镉污染胁迫遥感诊断方法与试验 总被引：4，自引：2，他引：2
农田重金属污染是当今世界面临的重大生态环境问题,是普遍关注的重要课题之一。该文通过研究受镉污染胁迫水稻生理生态参数变化的高光谱响应特征来揭示作物污染胁迫遥感信息机理,从而选择水稻镉污染胁迫诊断光谱指数。采用水稻生长季节多个时相的ASD实测高光谱数据和同步获取的作物参数与农田土壤镉含量数据,分析镉污染胁迫水稻生理生态参数如叶片色素含量、水分含量、细胞结构和叶面积指数等与潜在敏感光谱遥感指数的响应关系,确定MCARI、NDWI、RVSI 和RVI为相应的诊断光谱指数。在此基础上建立多级诊断光谱指数空间,用于表达和判别水稻镉胁迫程度。试验结果表明,该方法能有效地诊断水稻镉污染胁迫,但定量估算精度还有待提高。 相似文献
15.
基于高光谱的寒地水稻叶片氮素含量预测 总被引：2，自引：2，他引：2
为快速、无损和准确地诊断水稻营养状况,开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象,利用高光谱成像技术,分析拔节期水稻叶片光谱,采用全波段高光谱数据、连续投影算法及分段主成分分析(segmented principal components analysis,SPCA)与相关分析(correlation analysis,CA)相结合的方法建立多种回归分析模型,并对模型进行检验和筛选。结果表明:随着施氮水平提高,水稻叶片反射率在可见光区域降低,在近红外区域升高。在校正集决定系数上,基于多元逐步回归分析的全波段模型较好,校正集决定系数为0.821,校正集均方根误差RMSEC=0.079;在预测集决定系数上,基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好,预测集决定系数为0.869,预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。 相似文献
16.
水稻锌污染胁迫的光谱奇异性分析 总被引：6，自引：0，他引：6
通过研究锌污染胁迫下水稻的光谱奇异性特征来诊断水稻锌污染水平。根据试验区水稻各个生长期的ASD实测高光谱数据和同步获取的作物与农田土壤重金属含量2 a田间试验数据,利用Daubechies小波系中的“Db5”小波函数对锌污染胁迫水稻的350～1 300 nm光谱波段进行5层小波分解,并利用奇异范围、奇异幅度和奇异指数等参数对水稻光谱奇异性进行定量计算与分析。结果表明,“Db5”小波函数分解的第5层小波系数能精准探测水稻光谱的奇异性,其奇异范围集中在480～850 nm波段范围;奇异幅度从出苗期到分蘖期迅速增加,并达到最大值,在随后的分蘖期→拔节期→开花期→成熟期逐渐减少;奇异指数从出苗期→分蘖期→拔节期→开花期→成熟期逐渐增加;水稻叶片锌含量与奇异幅度及奇异指数之间存在较强的相关关系,其决定系数（R2）为0.8445,均方根误差 （RMSE）为5.60。光谱奇异性能有效地诊断并定量分析水稻锌污染胁迫状况,从而为作物重金属污染胁迫监测提供重要参考。 相似文献
17.
基于支持向量机的多光谱成像稻谷品种鉴别 总被引：5，自引：5，他引：0
为解决稻谷品种的快速无损鉴别问题,应用多光谱图像采集设备(VideometerLab)获取了5个品种稻谷共250个试验样本在405~970 nm波长范围内的多光谱图像,提取各品种稻谷在不同波长下的光谱反射率和图像特征(面积,宽长比,色差等)作为稻谷品种鉴别的特征变量,基于最小二乘支持向量机(least-square-support vector machine,LS-SVM)建立鉴别模型,通过粒子群寻优(particle swarm optimization,PSO)算法搜索支持向量机的最优参数。将250个稻谷分为建模集(200个样本)和测试集(50个样本)分别进行试验,结果表明,采用该文的建模方法结合稻谷光谱特征和图像特征对预测集稻谷品种鉴别的正确率均在90%以上,高于对比的其他方法,该研究成果为稻谷品种的快速无损鉴别提供了一种方法。 相似文献
18.
高光谱图像技术在掺假大米检测中的应用 总被引：4，自引：2，他引：2
为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。 相似文献
19.
基于高光谱的冬油菜叶片磷含量诊断模型 总被引：5，自引：2，他引：3
为快捷、无损和精准表征冬油菜磷素营养与冠层光谱间的定量关系,该文以连续3a田间试验为基础,探究叶片磷含量的敏感波段范围及光谱变换方式,明确基于高光谱快速诊断的叶片磷含量有效波段,降低光谱分析维度,提高磷素诊断时效性。以2013-2016年田间试验为基础,测定不同生育期油菜叶片磷含量和冠层光谱反射率。此后,对原初光谱(raw hyperspectral reflectance,R)分别进行倒数之对数(inverse-log reflectance,log(1/R))、连续统去除(continuum removal,CR)和一阶微分(first derivative reflectance,FDR)光谱变换,采用Pearson相关分析确定叶片磷含量的敏感波段区域。在此基础上,利用偏最小二乘回归(partial least square,PLS)构建最优预测模型并筛选有效波段。结果表明,油菜叶片磷含量的敏感波段范围为730~1300 nm的近红外区域;基于敏感波段的FDR-PLS模型预测效果显著优于其他光谱变换方式,建模集和验证集决定系数(coefficient of determination,R2)分别为0.822和0.769,均方根误差(root mean square error,RMSE)分别为0.039%和0.048%,相对分析误差(relative percent deviation,RPD)为2.091。根据各波段变量重要性投影(variable importance in projection,VIP)值大小,确定油菜叶片磷含量有效波段分别为753、826、878、995、1 187和1 272 nm。此后,再次构建基于有效波段的油菜叶片磷含量估算模型,R2和RMSE分别为0.678和0.064%,预测精度较为理想。研究结果为无损和精确评估冬油菜磷素营养提供了新的研究思路。 相似文献
20.
高光谱数据估测稻麦叶面积指数和叶绿素密度 总被引：14，自引：6，他引：8
该研究利用高光谱遥感技术分析水稻和小麦两种作物不同生育期的冠层光谱及其叶面积指数和叶绿素密度的变化,比较高光谱植被指数与两种作物的叶面积指数和叶绿素密度之间的关系,最后确定估算两种作物的叶面积指数和叶绿素密度最佳植被指数。结果表明：水稻和小麦两作物的叶面积指数和叶绿素密度在整个生育期内的变化规律基本一致,即先升高后下降的趋势,但两作物叶绿素密度与叶面积指数最大值出现的时期不同;稻麦两作物在整个生育期内的光谱反射率曲线,在可见光区域（400～700 nm）变化无明显规律,在近红外区域（700～1 000 nm）,生育前期反射率由低到高,到生育后期则由高到低,其中最大值分别出现在抽穗期和灌浆期左右;通过14种植被指数与两作物的叶面积指数和叶绿素密度相关性比较分析得知,二次修正土壤调节植被指数（MSAVI2）与水稻农学参数相关性最好,相关系数r＞0.91,而小麦在800 nm处的光谱反射率(R800)与其农学参数相关性最好,相关系数r＞0.92;并利用线性回归的方法,建立了估算两作物叶面积指数和叶绿素密度的模型,决定系数R2＞0.85。这样为不同环境条件下（水作和旱作）农作物的动态监测和科学管理及决策提供了技术支持。 相似文献