共查询到18条相似文献，搜索用时 796 毫秒
1.
春玉米磷素营养的光谱响应及诊断 总被引：6，自引：2，他引：6
通过盆栽试验监测不同磷营养水平春玉米典型生育期叶片光谱变化,并对叶片光谱反射率与叶片磷含量做了相关分析。结果表明,春玉米大喇叭口期是磷素营养的光谱响应敏感期,3507～30.nm和14201～800.nm是磷素营养的光谱敏感波段。该生育期构建的单波段高光谱变量、窄波段光谱变量和宽波段光谱变量与叶片磷含量都存在显著或极显著的回归关系;窄波段光谱变量比值指数R6725/6256和R61745/15856与叶片磷含量的回归关系达到了极显著水平,R625/555达到显著水平。可见光波段光谱变量与磷含量的回归关系优于近红外波段光谱变量与磷含量的回归关系,表明可见光波段叶片光谱反射率可能更适合春玉米磷营养状况的评价。不同波段宽度的光谱变量分析表明,在敏感波段范围内,801～00.nm波段平均的叶片宽波段光谱反射率没有降低对叶片磷含量的估算精度。 相似文献
2.
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
3.
黑土土壤中全氮含量的高光谱预测分析 总被引：16，自引：5，他引：11
为实现快速、准确估测土壤氮素含量水平,推动土壤信息化管理进程,该研究利用ASD2500高光谱仪在室内条件下测定了风干土壤样品的可见—近红外光谱。结果表明,通过不同的变换,光谱反射率对数的一阶导数与土壤全氮含量相关性得到增强,以400～600 nm波段范围内相关性最好。该文确定了以反射率对数的一阶导数光谱预测黑土全氮（TN）含量的最佳回归模型,模型所用的波段为可见光波段的556 nm、近红外的1 642和2 491 nm。同时,也确定了利用由可见光波段550和450 nm组成的归一化光谱指数预测黑土TN含量的最佳预测模型。模型通过验证达到较好的效果：利用反射率对数的一阶导数、归一化光谱指数对土壤TN的预测R2分别为0.863、0.829,均方根误差RMSE分别为0.122、0.152。 相似文献
4.
基于高光谱的小麦旗叶净光合速率的遥感反演模型的比较研究 总被引：1，自引：0，他引：1
植物净光合速率是植物生产的基础,是体现植物生长状况的重要生理指标。本文将小麦旗叶高光谱波段反射率进行一阶导数变换后与净光合速率(Pn)进行相关性分析确定敏感波段,分别采用二次多项式逐步回归(QPSR)、偏最小二乘法(PLSR)、BP神经网络法(BPNN)3种方法构建小麦旗叶的净光合速率反演模型,并对3种模型的预测精度进行比较分析。结果表明:(1)将小麦旗叶的原始光谱进行一阶导数变换后与Pn进行相关性分析确定的敏感谱区集中在750~925 nm之间,确定的6个敏感波段分别是:760、761、767、814、815、889 nm;(2)基于QPSR、PLSR、BPNN3种方法以及敏感波段的反射率一阶导数构建的Pn估测模型预测精度都较高,说明用这3种方法以及敏感波段对Pn的估测是可行的,其中模型估算能力顺序为QPSRBPNNPLSR,说明小麦旗叶Pn的最佳高光谱分析模型为小麦叶片750~925 nm反射率一阶导数变化后的QPSR模型。 相似文献
5.
土壤全氮的无人机高光谱响应特征及估测模型构建 总被引：1，自引：1，他引：0
为更好地体现出光谱与土壤全氮（soil totalnitrogen,STN）含量之间的响应关系,实现以高光谱快速估测土壤全氮含量,该研究以无人机搭载高光谱传感器获取农田土壤高光谱影像,提取光谱反射率并进行数学变换,基于灰色关联度和皮尔逊相关系数提取各光谱中土壤全氮含量的敏感波段,基于敏感波段采用偏最小二乘回归（partialleastsquares regression,PLSR）、岭回归（ridge regression,RR）和随机森林（random forest,RF）构建土壤全氮的高光谱反演模型,筛选出最优模型并对研究区土壤全氮含量进行反演制图。结果表明：1）反射率的倒数光谱中的敏感波段（996～1 003 nm）集中在近红外长波范围内,反射率的一阶微分（first derivative of reflectance,FDR）光谱中的敏感波段（398～459、469和472～1 003 nm）和反射率对数的一阶微分光谱中的敏感波段（398～459、463～973和978～1 003 nm）在可见光和近红外范围内都有分布,反射率的一阶微分光谱中的敏感波段（615～625、632和... 相似文献
6.
冬小麦越冬中期冻害高光谱敏感指数研究 总被引：2，自引：0，他引：2
利用试验箱进行冬小麦冻害盆栽试验,观测受冻前后叶片光谱反射率、叶绿素含量并分析其变化规律;通过对高光谱数据进行倒数对数、一阶导数、二阶导数变换,与叶绿素含量进行相关分析,寻找表征冻害胁迫的特征值,获得识别和评价冻害差异程度的波段或指数。结果表明,（1）在可见光范围内叶绿素含量与原始光谱反射率呈负相关,在近红外范围内呈正相关,与倒数对数光谱的相关性则相反。一阶导数光谱大部波段相关性通过0．01水平的显著性检验,二阶导数光谱仅少部分波段通过。（2）相关性分析表明,冻害监测的敏感性波段为684．92nm处倒数对数光谱、578．37nm处一阶导数光谱、571．93nm处二阶导数光谱,这些波段与叶绿素的相关系数均通过0．01水平的显著性检验,且相关系数最大,其中以倒数对数光谱为自变量的估算模型最优。（3）叶绿素含量与高光谱特征变量的相关性分析表明,以由蓝边面积（SDb）和红边面积（SDr）计算的VI3（VI3=SDr／SDb）或VI3[VI5=（SDr—SDb）／（SDr＋SDb）]为自变量的抛物线模型最优,其训练样本拟合与验证样本精度检验水平均最高,因此VI3、VI5为冬小麦冻害监测的敏感指数。研究结果揭示了冬小麦冻害后高光谱特征,可为促进高光谱技术在冬小麦长势监测和估产中的应用,提高冬小麦冻害遥感监测的准确性提供依据。 相似文献
7.
荔枝花芽分化期叶片的光谱特征及其养分预测 总被引：1，自引：0，他引：1
为实现荔枝营养状况的快速监测,提高荔枝的精细施肥管理水平,服务华南荔枝的高产优质安全生产,研究了广州白云区荔枝花芽分化期冠层高光谱4 种变化形式的特性,结果表明荔枝秋梢冠层叶片光谱具有植物光谱共性。结合试验测得的冠层叶片生化养分数据（全氮、全磷、叶绿素、有机碳）分别与光谱反射率这4种形式作相关性分析。选择最显著相关的波段进行曲线拟合,结果表明：叶绿素、有机碳含量的最佳光谱诊断敏感波段分别是反射率一阶导数的 1 562 nm (r=0.8944)、1 720 nm (r=0.7827),全氮、全磷的最佳光谱诊断敏感波段分别是倒数对数一阶导数的2 059 nm (r=0.8073),1 347 nm (r=0.7575);全氮、叶绿素、有机碳指数函数拟合最优（RMSE分别为0.002730, 0.008138和0.000416）,全磷线性模型最优（RMSE=0.000336）。研究结果对华南精细荔枝果业的实施和果业环境保护都具有一定的指导意义。 相似文献
8.
基于高光谱特征的土壤有机质含量估测研究 总被引：6，自引：1，他引：5
在室内条件下,利用ASD2500高光谱仪测定了潮土和水稻土自然风干土壤样品的光谱。通过系统分析两种不同类型土壤的高光谱特征差异及其有机质含量的敏感波段区位,建立了土壤有机质含量的光谱估测模型。结果表明,具有相同有机质含量的两种类型土壤整体光谱变化趋势无明显差别,但反射率表现出明显差异,一阶导数变换能较好地显现谱图中的肩峰。潮土和水稻土有机质的敏感波段集中在相同区域,原始反射率在685 nm处相关性最高,而一阶导数光谱在554 nm处相关性最高。通过对整体样本的多元逐步回归分析,筛选出两种土壤有机质相同的敏感波段为800 nm、1 398 nm和546 nm。进一步以一阶导数为自变量,基于1 400nm和554 nm两个波段构建了土壤有机质差值指数SOMDI及估测模型,即Y=4.19 12.85×(R_FD554 R_FD1 400)。利用独立的样本对建立的光谱模型进行了检验,预测决定系数均达0.79以上。上述结果表明,利用高光谱技术可实现土壤有机质的快速监测与诊断。 相似文献
9.
《农业环境与发展》2021,(4)
为快速准确地获取烟草叶片镉含量,本研究模拟了4个镉污染水平,用美国ASD光谱仪获取每个污染水平的烟草叶片光谱反射率,并测定不同时期烟草叶片的镉含量,筛选出与镉含量相关性最好的敏感波段,并建立光谱参数,将光谱参数作为输入因子建立烟草叶片镉含量的BP神经网络模型。结果表明:随着镉含量增加,在可见光和近红外范围(400～910 nm)内反射率先降低后增加,在930～1 000 nm波段范围内,叶片反射率与烟叶中镉含量呈正相关,在1 000～2 500 nm波段范围内反射率先增加后降低。经筛选,比值植被指数(RVI)和归一化植被指数(NDVI)的光谱指数分别为RVI(520,710)和NDVI(530,710);BP神经网络模型的决定系数(R~2)为0.681,均方根误差(RMSE)为8.001,并对模型进行检验,R2为0.801,RMSE为4.430。研究表明,BP神经网络模型对烟草叶片镉含量具有良好的预测效果。 相似文献
10.
基于高光谱的鲁西北平原土壤有效磷含量快速检测研究 总被引：2，自引：1，他引：1
土壤有效磷含量是农田土地评价的指标, 也是农作物施肥的基本指标, 快速准确测量土壤有效磷含量是土壤信息化管理和资源评价的前提条件。高光谱技术的发展为快速有效监测土壤有效磷含量提供了新的途径。本文对466个样点的土壤有机质、碱解氮、有效磷和速效钾含量进行了测定, 通过聚类分析和方差分析选取48个有机质、碱解氮、速效钾含量相近而有效磷差别较大的样点作为研究样点, 采用美国ASD Fieldspec3光谱仪, 对不同有效磷含量的土壤样本高光谱反射率进行测量, 并对反射率进行倒数、对数、平方根、对数的倒数、倒数的对数的变换及其各自相应的一阶导数变换, 将每个土样测定的有效磷含量值与350~ 2 500 nm光谱范围的反射率数据及反射率的9种变换形式逐一逐波段地进行单相关分析, 筛选出对有效磷敏感的光谱波段。将所选取的显著相关波段反射率或变换形式作为自变量, 与土壤中有效磷含量进行一元线性回归方程拟合, 对所建立的回归方程进行优选和检验。研究得出: 采用相关分析方法得出土壤有效磷含量的敏感波段为711 nm, 利用一元线性回归方法, 基于该波段的估算模型为最佳估算有效磷含量模型, 该模型的拟合优度R2达0.822 1, 验证决定系数R2达0.959 1。由此说明, 利用单个敏感波段建立土壤有效磷的反演模型, 可作为快速测量土壤有效磷含量的一种简单而可靠的方法。 相似文献
11.
12.
基于高光谱的复垦农田土壤有机质含量估测 总被引：3，自引：0，他引：3
为了快速准确估算矿区复垦土地土壤有机质含量,以永城矿区复垦农田为例,在土样有机质含量测定和高光谱数据测量的基础上,对土壤高光谱数据进行多种预处理并与有机质实测含量进行相关性分析,利用相关系数进行P=0.01水平显著检验,确定敏感波段,建立一元线性回归、多元逐步回归和偏最小二乘回归等多种有机质含量与高光谱估测模型。结果表明:经过数学变换的土壤光谱反射率与土壤有机质含量相关性显著提高,复垦区土壤光谱经过多元散射校正和一元微分处理并利用偏最小二乘回归模型建模预测效果最好。当前较少有研究对矿区复垦农田土壤有机质进行高光谱估测,本研究成果可为有效利用高光谱遥感技术,快速、有效地测定复垦农田土壤有机质含量提供技术支撑。 相似文献
13.
利用高光谱估测干旱胁迫下接菌根菌大豆叶绿素含量 总被引：1，自引：0，他引：1
该研究旨在利用高光谱遥感动态监测干旱胁迫下接种菌根植物生长状况,为菌根技术在旱区农业中的推广提供一定的理论基础。以盆栽大豆为对象,在不同接种丛枝菌根时期采用高光谱遥感技术监测不同干旱胁迫下接菌和不接菌处理大豆叶片的叶绿素含量变化,对比分析了3个水分梯度下及同一水分梯度下接菌和不接菌处理的大豆地上部分干质量、叶绿素含量和叶片光谱在可见光和近红外区域的响应特征差异,建立了大豆叶绿素含量与多个光谱变量的估测模型。研究结果表明:接菌第45天和第64天,同一水分梯度下接菌大豆地上部分干质量优于不接菌处理,且其叶绿素含量也高于不接菌,这些差异在叶片光谱曲线特征中同样得以反映,接种菌根在一定程度上可以缓解干旱胁迫对植物生长的影响;基于多元线性逐步回归方法建立的一阶微分模型能较准确地估测干旱胁迫下接菌大豆的叶绿素含量,其模型决定系数和预测检验决定系数分别为0.90和0.84,具有较高的精度和良好的预测能力。 相似文献
14.
结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度 总被引：3，自引：1，他引：2
15.
16.
利用高光谱遥感技术监测小麦土壤重金属污染 总被引：2，自引：1，他引：1
为了探讨基于小麦叶片高光谱间接估测土壤重金属含量的潜力,该研究以江苏省宜兴市徐舍镇为研究区域,于2019－2020年采集农田土壤样品和小麦叶片光谱,经7种不同的光谱变换预处理后,以遗传算法（genetic algorithm,GA）优化的偏最小二乘回归算法（partial least squares regression,PLSR）对预处理后的光谱建立土壤重金属镉（Cd）和砷（As）含量的估测模型,并对模型结果进行精度评价。研究结果表明：1）光谱预处理技术能够突出光谱中的一些隐藏信息,对小麦叶片光谱进行微分变换、多元散射校正、标准正态变换等数学变换后更加有利于提取光谱敏感信息。2）GA-PLSR相较于一般的PLSR方法提高了模型精度,将GA用于光谱波段选择可以优化模型精度和提高稳定性。3）土壤Cd含量的最佳估测模型为标准正态变换预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.87、均方根误差为0.04 mg/kg、相对分析误差为2.72;土壤As含量的最佳估测模型为多元散射校正预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.91、均方根误差为0.32 mg/kg,相对分析误差为3.25。因此,能够利用小麦叶片高光谱间接估测土壤重金属Cd和As含量,该研究为将来实现定量、动态、无损遥感监测大面积农田土壤重金属污染状况提供参考依据。 相似文献
17.
地理加权回归模型结合高光谱反演盐生植物叶片盐离子含量 总被引：2，自引：0，他引：2
快速、无损地估算盐生植物叶片盐离子含量在植物生长监测、耐盐植物筛选和土壤盐渍化监测等方面有实用价值。该研究以新疆艾比湖保护区内盐生植物为研究对象,通过分析植物叶片盐离子(K~+、Na~+、Ca~(2+)、Mg~(2+))含量与冠层高光谱数据的光谱变换和二维植被指数(比值型植被指数(ratiovegetationindex,RVI)、差值型植被指数(difference vegetation index,DVI)、归一化型植被指数(normalized difference vegetation index,NDVI))的相关性选取特征波段,构建基于地理加权回归模型(geographically weighted regression,GWR)的叶片盐离子含量估算模型,并与BP神经网络模型(back propagation neural network)进行对比,研究基于GWR模型估算干旱区盐生植物叶片盐离子的可行性。结果表明,选取特征波段集中表现在红及短波红外波段:K~+含量在反射率倒数的对数选取的红光区域内波段使用GWR估算效果最佳;Na~+的特征波段在光谱变换下集中于短波红外区域,二维植被指数集中在近红外、短波近红外及黄、橙、红区域,各种波段选取下GWR对Na~+的含量估算均有较好效果,但反射率对数的一阶估算效果最好;Ca~(2+)含量在反射率平方根的一阶微分下选取的短波红外波段通过GWR模型估算效果最好;Mg~(2+)含量在DVI选取的位于红光区域特征波段估算效果最佳,但使用GWR模型对Mg~(2+)的估算精度不及BP模型。分析基于GWR盐离子模型估算模型发现,含量较高的离子估算效果更好,K~+、Na~+的模型精度优于Ca~(2+)、Mg~(2+)。在使用GWR模型估算植物叶片盐离子含量时,特征波段均指向红及短波红外波段,符合植被光谱机理的响应。 相似文献
18.
基于IRIV算法优选大豆叶片高光谱特征波长变量估测SPAD值 总被引：1，自引：0，他引：1
在植物叶绿素特征波长变量筛选过程中,与叶绿素关系较弱的波长变量极易被忽略,导致这些弱信息变量包含叶绿素的有效信息丢失,因此,确定叶片光谱中弱信息变量对揭示叶绿素高光谱响应规律具有重要意义。该研究以江汉平原大豆鼓粒期的叶片为研究对象,采集80组大豆叶片高光谱和SPAD(soil and plant analyzer development)值,分析SPAD值与大豆叶片反射率相关关系和光谱波长变量自相关关系,基于迭代和保留信息变量法(iteratively retains informative variables,IRIV)筛选大豆叶片的特征波长变量,建立偏最小二乘回归(partial least squares regression,PLSR)和支持向量机(support vector machine,SVM)模型估测SPAD值。结果表明,大豆叶片SPAD值与光谱反射率在可见光波段具有极显著负相关,在近红外波段存在不显著的正相关性(P0.01);可见光、近红外2波段的波长变量之间相关性较弱,但2波段内变量之间的相关性较强;基于IRIV算法确定了大豆叶绿素的特征波长变量,利用特征波长变量建立的估测模型的估测能力高于仅利用强信息波长变量建立的估测模型,表明弱信息变量对估测叶片SPAD值具有重要意义;IRIV-SVM模型估测能力最优,验证集R2和相对分析误差(RPD)分别为0.73、1.82。该文尝试证明了光谱中弱信息变量的重要性,为揭示叶片高光谱响应机理提供了理论依据。 相似文献