共查询到20条相似文献，搜索用时 15 毫秒
1.
植物功能叶的SPAD值与其氮素和叶绿素有较强的相关性,研究功能叶SPAD与其冠层光谱的关系,对实现植株叶绿素含量快速、无损检测具有重要意义。本文通过对冬小麦生育期的冠层原始光谱进行一阶导数变换,研究其功能叶片SPAD值与冠层光谱的相关性,对监测冬小麦叶绿素含量的敏感波段进行了提取,并建立了叶绿素含量与冠层反射光谱的定量关系。结果表明,基于小麦冠层原始光谱反射率、冠层光谱导数反射率与SPAD的相关系数曲线,提取的各形式下冬小麦叶绿素含量的敏感波段分别为500、690、760和470、630、723nm;并构建了冬小麦叶绿素含量的预测模型,以FDNDVI(630,723)预测模型较好,其R2可达0.9485,模型验证参数R2、MRE和RMSE分别为0.8099、0.0294和1.805,拟合效果较好,表明该模型能有效地对冬小麦叶绿素含量进行预测。该研究结果可为冬小麦长势监测提供一定的理论参考。 相似文献
2.
基于高光谱和HJ-1 CCD的水旱地冬小麦叶绿素含量反演 总被引：2，自引：2，他引：0
叶绿素作为绿色植物光合作用的必要组成成分,其含量的高低可反映作物的长势状况。实时监测植物叶片叶绿素含量的动态变化是监测植物长势的重要环节。以山西省闻喜县冬小麦为研究对象,基于高光谱技术和实测数据,对研究区冬小麦拔节期的叶绿素含量进行定量估算,并在此基础上利用卫星遥感数据对冬小麦的叶绿素含量进行反演,以达到仅应用卫星遥感数据估测叶绿素含量的目的。结果表明,水旱地冬小麦叶绿素含量敏感波段在可见光区域不同,在近红外区域一致;水旱地分别以DVI和NDVI为变量所构建的预测模型效果最佳,R2值均达到0.9以上,均方根误差分别为0.470 0和0.458 7;对叶绿素含量反演值与实测值对比分析,水地反演值与实测值大致吻合,而旱地反演值则偏高;采用均方根误差(RMSE)法,检验反演值和实际值的符合度,水地RMSE为0.926,旱地RMSE为1.540。 相似文献
3.
冬小麦叶片氮含量的时空分布及光谱监测研究 总被引：2，自引：2，他引：0
叶片氮素含量与作物生长密切相关,为明确对氮素响应敏感的叶片位置,比较冠层光谱和叶片光谱预测叶片氮含量的精度,研究基于氮素运筹试验,测定叶片氮含量以及冠层、叶位光谱反射率,分析氮含量与反射率的响应关系。结果表明,冬小麦叶片氮含量随施氮量增加而增加,随生育进程而降低,其中,顶3叶变化幅度最大;孕穗期,各施氮处理含氮量大小趋势基本为顶2叶顶1叶顶3叶,其余时期为顶1叶顶2叶顶3叶,顶2叶对氮素响应也较为敏感;叶片光谱预测不同叶位叶片氮含量PLS模型效果均优于冠层光谱,R2最大达0.810,RMSE为0.242。研究以期为冬小麦氮素研究提供一定的理论依据。 相似文献
4.
冬小麦冠层水平叶绿素含量的高光谱估测 总被引：1，自引：0，他引：1
【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测,旨在为叶绿素含量快速准确估测提供参考。【方法】利用ASD便携式野外光谱仪和SPAD-502叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量,并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析,建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型,并进行检验,从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦(抽穗期)叶绿素含量估算模型拟合精度优于其他4种估算模型,决定系数R2分别为0.847和0.572,均方根误差RMSE分别为0.397和0.697,相对误差RE分别为61.0%和119.0%,拟合精度优于其他4种估算模型。【结论】原始光谱一阶导数的偏度和峰度作为自变量能很好地估测抽穗期小麦冠层叶绿素含量。 相似文献
5.
冬小麦冠层叶绿素质量分数高光谱遥感反演研究 总被引：3，自引：0，他引：3
叶绿素质量分数是评估冬小麦生长状况和预测产量的重要参数,估算叶绿素质量分数对于冬小麦的生长监测具有重要意义。利用SPAD-502叶绿素仪和SVCHR 1024i型便携式高光谱仪对冬小麦冠层叶绿素质量分数和光谱特征进行田间测量,分别利用回归分析方法和BP神经网络方法搭建冬小麦叶绿素质量分数的估算模型,并将模型估算的叶绿素质量分数与田间实测的叶绿素质量分数进行对比,分析反演精度,从中筛选出精度最高的模型。结果表明:基于BP神经网络的冬小麦冠层叶绿素质量分数估算模型拟合精度要优于其他7种基于植被指数的估算模型,其相关系数(R)为0.961 4,均方根误差(RMSE)为1.875 4,相对误差(RE)为2.815 2%,以及检验方程的决定系数(R~2)为0.704 8,RMSE为1.744 6,RE为2.845 1%。研究结果为估测冬小麦冠层叶绿素质量分数提供参考,从而为冬小麦叶绿素质量分数的实时、快速、无损监测奠定基础。 相似文献
6.
7.
精确、快速估算冬小麦叶片氮含量,对冬小麦长势监测及田间管理指导具有重要的研究意义。为精确反演冬小麦叶片氮含量（leaf nitrogen content , LNC）,该文利用遥感方法,依托不同氮处理水平冬小麦试验,基于获取的高光谱遥感数据和LNC地面实测数据,对比分析光谱指数与随机森林算法（random forest , RF）反演冬小麦叶片氮含量的精度和稳健性。结果表明,以敏感波段496 nm、604 nm为自变量,利用随机森林算法构建的LNC回归模型精度较光谱指数法有了大幅提高,模型的建模精度为R2=0.922,RMSE=0.290,验证精度为R2=0.873,RMSE=0.397,并且相对分析误差RPD值为2.22,表明将敏感波段与随机森林算法组合构建的反演模型能较好反演对冬小麦LNC。 相似文献
8.
《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
9.
叶绿素是绿色植被进行光合作用的主要色素,是影响作物产量的重要因素之一,也是评价作物健康状况的重要生化指标。快速、准确、无损地监测作物叶片叶绿素含量,是实现作物长势和健康程度精准监测的关键。为提高作物叶绿素含量反演的精度,以冬小麦试验小区为基础,测量关中地区冬小麦叶片反射率及其对应的叶绿素含量。运用分数阶微分法计算0～2阶步长为0.1的分数阶光谱,通过灰色关联分析法提取出与叶绿素含量关联度大的特征,作为模型的输入参数。最终提取出0.6阶751、760 nm, 0.7阶744、751 nm, 0.8阶738、747 nm, 0.9阶738、750 nm, 1.0阶731、750 nm共10个与叶绿素含量关联度高的波段作为模型的特征波段。为解决BP神经网络(back propagation network)收敛速度慢、易陷入局部极小值的问题,使用遗传算法(genetic algorithm, GA)优化BP神经网络的权值和阈值,利用优化后的模型进行叶绿素含量的预测。结果表明,运用遗传算法优化BP神经网络模型反演精度较高,r2为0.952,均方根误差(RMSE)为3.64... 相似文献
10.
基于氮素叶绿素关系的冬小麦籽粒蛋白质含量高光谱反演 总被引：1，自引：1，他引：0
为进一步提高光谱数据反演小麦籽粒蛋白质含量的精度以及反演模型的可解释性,研究以籽粒蛋白质含量（GPC）-氮素-叶绿素之间的关系为载体,通过叶绿素筛选相关植被指数,采用偏最小二乘回归（PLS）方法建立GPC反演模型。结果表明,开花期是监测籽粒蛋白质含量的最优时期。开花期氮素与对应密度叶绿素的相关性较高。通过筛选出与叶绿素密切相关的植被指数,利用PLS建立籽粒蛋白质含量反演模型,模型决定系数R2为0.77,RMSE为0.95%,用其他年份数据进行模型验证,结果显示RMSE达到1.22%。本研究表明：基于氮素、叶绿素关系建立PLS反演模型能够实现不同年份GPC光谱遥感反演,且模型在年际间表现出较高的精度和稳定性。 相似文献
11.
【目的】建立并研究棉花冠层叶片叶绿素含量的高光谱估算模型,探讨合适的建模方法,以提高棉花叶绿素含量的高光谱遥感估算精度。【方法】以2016年种植的渭北旱塬区棉花鲁棉研28号为试验对象,用SPAD-502型手持式叶绿素仪和HR-1024i便携式地物光谱仪,分别测定棉花不同生育期冠层叶片SPAD值和对应的光谱反射率,分析SPAD值与光谱反射率的相关性。选取8个光谱参数,分析SPAD值与这8个光谱参数的相关性,并采用单因素回归、多元逐步回归和支持向量机(SVM)回归方法,构建棉花冠层叶片叶绿素含量的高光谱估算模型,比较各模型的决定系数(R2)、均方根误差(RMSE)以及相对误差(RE),评价模型的精度。【结果】(1)棉花冠层叶片光谱反射率在400～700nm波段随叶片SPAD值升高而降低,在700～1 000nm波段表现为SPAD值越高,叶片光谱反射率越高;(2)在530～570nm和680～730nm处叶绿素含量与光谱反射率呈极显著负相关(99.99%置信区间,n=144);(3)所选用的8个光谱参数与叶绿素含量均达到极显著相关,相关系数最高为0.686;(4)SVM回归模型验证R2达到了0.884,RMSE和RE最低,分别为2.186和3.419,比单因素回归模型中预测精度最高的SPAD-RVI1的RMSE和RE分别降低46.4%和46.3%,较多元逐步回归模型SPAD-MSR的RMSE和RE分别降低33.4%和32.1%,明显提高了棉花叶绿素含量的估算效果。采用8个光谱参数构建的SPAD-SVM8模型RMSE和RE比采用4个光谱参数构建的SPAD-SVM8模型分别降低了19.2%和23.5%。【结论】支持向量机(SVM)回归方法可以作为棉花冠层叶片叶绿素含量高光谱遥感估算的优选方法,且采用较多光谱参数构建的SVM模型估算精度更高。 相似文献
12.
为评估AquaCrop模型在黑龙港流域模拟冬小麦-夏玉米水分利用与作物产量的适用性,根据田间试验数据和FAO提供的参数值,对AquaCrop模型进行模型非保守性参数的本地化校准和验证。结果表明,AquaCrop模拟冬小麦冠层覆盖值和实测值的归一化均方根误差(NRMSE)为15.90%,模拟产量与实测产量之间的NRMSE为4.23%;模拟夏玉米冠层覆盖值和产量值与相应实测值之间的NRMSE分别为11.59%和11.69%。本研究校准所得参数对黑龙港流域典型站点有较好的适应性,校验后的AquaCrop可以用于黑龙港流域冬小麦-夏玉米水分管理、产量潜力等相关研究。 相似文献
13.
《湖北农业科学》2015,(11)
叶绿素含量是绿色植物生长状态的一个重要指标。首先在实验室采集玉米叶片高光谱数据和测定叶绿素含量,并对光谱数据进行对数一阶微分变换,对比选取建模反演因子。根据选定的反演因子采用线性回归、模糊识别和BP神经网络方法建立了玉米叶片叶绿素含量高光谱反演模型,并计算出模型的精度。结果表明,有较好非线性映射能力的BP神经网络反演模型能够高精度地反演出玉米叶片中的叶绿素含量。BP神经网络模型叶绿素含量预测和实测叶绿素含量的平均绝对误差(e)为1.126,决定系数(R2)为0.902,均方根误差(RMSE)为1.375。玉米叶片叶绿素含量与高光谱数据并非线性关系,BP神经网络反演模型能够较好地运用到叶片叶绿素含量反演中。 相似文献
14.
《浙江大学学报(农业与生命科学版)》2021,(4)
为更准确地监测玉米叶面积指数(leaf area index, LAI)垂直分布,以多层离散各向异性辐射传输(discrete anisotropic radiative transfer, DART)模型构建的模拟数据集为基础,提出一种条件约束的LAI垂直分布反演方法。首先,基于3层垂直分布场景,评价DART模型对玉米冠层反射率和光合有效辐射(photosynthetically active radiation, PAR)的模拟效果,并构建相应的模拟数据集。其次,基于模拟数据集构建LAI和PAR单参数反演模型。最后,以单参数反演模型为先验知识,通过求解约束化问题实现基于高光谱植被指数的玉米冠层LAI垂直分布反演。结果表明:相较于单参数反演模型,约束优化条件下的反演模型精度更高。玉米上层LAI反演结果的决定系数(R2)提高0.022,均方根误差(root-mean-square error, RMSE)降低0.016 m~2/m~2,归一化均方根误差(normalized root-mean-square error, NRMSE)降低1.3%;玉米中层LAI反演结果的R2提高0.08,RMSE降低0.219 m~2/m~2,NRMSE降低10.1%;玉米下层LAI反演结果的R2提高0.069,RMSE降低0.041 m~2/m~2,NRMSE降低4.6%。说明利用条件约束优化的方法进行玉米冠层LAI的垂直分布反演,能有效提高反演精度。 相似文献
15.
不同光谱植被指数反演冬小麦叶氮含量的敏感性研究 总被引：6，自引：0，他引：6
【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。 相似文献
16.
【目的 】利用海南省中南部5市县采集的南繁水稻光谱、叶绿素等数据,研究物理模型与查找表策略对南繁水稻叶片叶绿素的反演,并对不同查找表进行比较分析。【方法 】文章先根据研究区调查与文献调研,利用辐射传输模型PROSAIL-PRO模拟2万条冠层光谱,分别构建波长400～1 000 nm区间的全波段查找表和双植被指数(Vegetation Index,VI)查找表,并使用实测的南繁水稻冠层光谱与叶绿素含量进行验证。其中,双VI查找表包括TCARI-OSAVI查找表、比值型植被指数(Ratio Vegetation Index,RVI)查找表和红边相对指数(Red Edge Relative Indices,RERI)查找表3种。【结果 】(1)传统的全波段查找表反演叶片叶绿素含量的精度较差,R值为0.46,均方根误差(Root Mean Squared Error,RMSE)为8.84μg/cm2,正规化均方根误差(Normalized Root Mean Squared Error,NRMSE)为0.32。(2)双VI查找表反演结果较传统查找表更好,TCARI-OSA... 相似文献
17.
【目的】为了研究不同水分处理下冬小麦冠层叶片氮素的分布情况。【方法】文章以2014年北京市农林科学院试验田的冬小麦为研究对象,在野外观测实验的支持下,分析不同水分处理下冬小麦氮素垂直分布规律及冠层光谱变化规律,并对不同水分处理下冠层不同叶位光谱指数与叶片氮素进行相关性分析。【结果 /结论】在挑旗期W2水分处理下叶片氮素含量最大,而W1、W3、W4、W5随着灌水量增加叶片氮素含量降低,在拔节期上2叶的氮素含量高于上1叶,而到了抽穗期和灌浆期随着叶位的升高氮素含量逐渐升高;对于拔节期未做水分处理时光谱反射率差异性表现为W2W3W4W5W1。除拔节期外其他生育期随灌水量增加冠层叶片光谱反射率降低;拔节期上1叶在W1、W2水分处理下氮素与光谱指数相关性达显著性水平,最大相关性为0.87,挑旗期上1叶、上3叶、上5叶氮素与光谱指数相关性达显著性水平,最大相关性为0.90,抽穗期上1叶、上2叶、上3叶、上4叶氮素与光谱指数达显著性水平,最大相关性为0.92,灌浆期、上2叶氮素与光谱指数相关性达显著性水平其最大相关性为0.96。 相似文献
18.
19.
【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R2和RPD分别为0.774、1.828;验证集R2和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。 相似文献
20.
作物氮素状况是评价长势、提高产量和改善品质的重要指标,因此叶片氮积累量的实时无损估测对作物生产的氮素管理具有重要意义。本研究选用大花生品种丰花1号为试验材料,在大田生产条件下,分析了花生叶片氮积累量与冠层高光谱参数的定量关系。结果表明,叶片氮素含量随生育进程逐渐下降,不同处理之间差异较小;叶片氮素积累量随生育时期推进呈现先升后降的单峰曲线变化趋势,在结荚期达到高峰。花生冠层光谱反射率在740～1 100 nm波段内随叶片氮积累量的增加而增加,叶片氮积累量的敏感波段主要存在于近红外平台和可见光区,其中,"红边"区域表现最为显著。通过微分等技术构造多种植被指数,对高光谱参数和叶片氮积累量进行相关回归分析,红边振幅(Dr)、氮素反射指数(NRI)、归一化植被指数(NDVI)各波段组合平均值及比值植被指数(RVI)与叶片氮积累量关系最密切,方程拟合决定系数分别为0.9194、0.8984、0.8918、0.8899、0.8794、0.8797。经另外一组独立数据的检验表明,对叶片氮积累量的预测以红边位置(REP)和Dr两个参数表现最优,预测的根均方差(RMSE)分别为1.78和1.10,相对误差为5.29%和3.59%。NDVI[Average(1230,1240,1250,1260),640]和土壤调整植被指数(SAVI)两个光谱参数预测的RMSE分别为1.15和1.19,预测相对误差为5.42%和7.41%。比较而言,Dr为自变量建立的模型,可以更好地评估不同条件下叶片氮素积累状况。 相似文献