作物杂志, 2019, 35(3): 126-131 doi: 10.16035/j.issn.1001-7283.2019.03.020

生理生化·植物营养·栽培耕作

基于高光谱遥感的玉米叶片SPAD值估算模型研究

董哲, 杨武德, 张美俊, 朱洪芬, 王超

山西农业大学旱作农业工程研究所,030801,山西太谷

Estimation Models of Maize Leaf SPAD Value Based on Hyperspectral Remote Sensing

Dong Zhe, Yang Wude, Zhang Meijun, Zhu Hongfen, Wang Chao

Institute of Dry Farming Engineering, Shanxi Agricultural University, Taigu 030801, Shanxi, China

通讯作者: 杨武德为通信作者,教授,研究方向为3S技术与作物生产、旱作栽培与作物生态研究

收稿日期: 2018-09-21   修回日期: 2019-04-4   网络出版日期: 2019-06-15

基金资助: 国家自然科学基金.  31871571
山西省科技攻关项目.  20150311002-4

Received: 2018-09-21   Revised: 2019-04-4   Online: 2019-06-15

作者简介 About authors

董哲,硕士研究生,主要从事农业信息技术研究; 。

摘要

灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明:基于全谱构建的PLSR模型SPAD值拟合效果最好(R 2=0.910,RMSE=2.071),而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果(R 2=0.867,RMSE=2.581,RPD=2.628)优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。

关键词: 高光谱 ; 玉米叶片 ; SPAD ; 偏最小二乘 ; BP神经网络

Abstract

The leaf chlorophyll content at the filling stage plays an important role in photosynthesis and yield formation of maize. To estimate the maize leaf chlorophyll content accurately and efficiently, hyperspectral remote sensing was used by taking SPAD value as the relative chlorophyll content. Conventional regression models based on spectral characteristic parameters, PLSR models based on full spectrum and spectral characteristic parameters, and BP neural network model were constructed and compared. The results showed that SPAD value of PLSR model based on full spectrum had the best fitting effect (R 2=0.910, RMSE=2.071). The fitting effect of PLSR model based on spectral characteristic parameters was close to that of PLSR model based on full spectrum. But the measured and predicted values of the latter fitting effect (R 2=0.867, RMSE=2.581, RPD=2.628) was better than that of full spectrum PLSR model, and the PLSR model based on spectral characteristic parameters had short modeling time and tow complexity. The prediction effect of the BP neural network model was worse than the two PLSR models, but better than the conventional regression models based on spectral characteristic parameters. In brief, the estimation effect of PLSR model based on spectral parameters was the best.

Keywords: Hyperspectral ; Maize leaf ; SPAD ; Partial least square regression ; BP neural network

PDF (787KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

董哲, 杨武德, 张美俊, 朱洪芬, 王超. 基于高光谱遥感的玉米叶片SPAD值估算模型研究[J]. 作物杂志, 2019, 35(3): 126-131 doi:10.16035/j.issn.1001-7283.2019.03.020

Dong Zhe, Yang Wude, Zhang Meijun, Zhu Hongfen, Wang Chao. Estimation Models of Maize Leaf SPAD Value Based on Hyperspectral Remote Sensing[J]. Crops, 2019, 35(3): 126-131 doi:10.16035/j.issn.1001-7283.2019.03.020

叶绿素含量是衡量作物光合作用和生长发育的重要指标,具有获取和传输能量的重要作用,另外,由于植物叶片中的氮素大部分集中在叶绿素中,故叶绿素含量能够间接评价植物营养状态[1]。因此,监测叶绿素含量的变化可以反映作物的长势及营养状况,为作物的田间管理提供依据。采用传统的化学分析方法测定叶绿素含量,不仅会破坏植物叶片组织,而且会耗费时间及试剂,且难以做到实时估测。

在实际研究和应用中,常用便携式叶绿素仪(SPAD-502)测量植物叶片的SPAD值来表征叶片的叶绿素含量,通过测定叶片在红光(650nm)和近红外光(940nm)两处波长范围内的透射率来反映叶片叶绿素含量,其SPAD值读数可以较准确地表征叶绿素含量,测定方法简便,在不同作物的叶绿素含量测定中广泛应用[2,3,4,5]

但利用叶绿素仪获取SPAD值时,需要人工将叶片插入,反复测量,难以适用于大范围农田的叶绿素含量监测。研究表明,叶绿素浓度与可见光和近红外光波段反射率有较显著的关系[6,7,8]。因此,可以利用叶绿素含量和高光谱反射率的关系,建立基于叶片光谱的SPAD值估算模型。

高光谱监测技术相对于便携式叶绿素仪具有简便、高效的优势,并且能够实现对作物的遥感监测,将高光谱监测技术应用于无人机遥感监测平台、田间车载监测平台等可以实现对大范围农田的叶绿素含量监测,具有非常大的发展潜力[9]。叶片尺度的高光谱测量数据对于由叶绿素含量变化导致的光谱细微变化非常敏感,从叶片光谱特征中准确估算叶片叶绿素含量是从遥感影像获得冠层叶绿素含量的重要一步[10]

目前,高光谱技术在监测植物尤其是农作物的叶绿素含量上取得了很大进展,但应用高光谱数据反演叶绿素含量多采用某一种方法或多种方法之间的比较,反演方法之间缺乏集成,反演精度也有待提高。同时使用多种方法反演玉米叶片叶绿素含量并进行比较的研究尚不多见。为此,以灌浆期(灌浆期是玉米生殖生长阶段的重要生育时期,持续时间长,便于监测叶绿素含量)玉米叶片为研究对象,采集玉米叶片光谱信息,分别通过全谱、植被指数及红边参数构建玉米叶片SPAD值的估算模型,并对各估算模型的预测效果进行比较与评价,旨在探索估测效果良好、建模方便和实用性强的玉米叶片叶绿素含量估算模型,对后续遥感监测设备开发提供参考。

1 材料与方法

1.1 试验设计

试验于2018年7-8月在山西省晋中市太谷县胡村镇现代农业示范区(37°12′N,112°28′E)进行。该示范区主要种植夏玉米和冬小麦两种粮食作物,且种植面积较大。夏玉米品种以晋单86、强盛388和登海679等为主,多采用一次性施足底肥,自然方式生长,生育期为5月初至9月中旬,行距50cm,株距35cm。采取大田随机采样方式,选取能代表该区域生产特性、间隔500~1 000m的14个样点,每个样点采集若干叶片,尽量取玉米植株的不同叶位。

1.2 测量指标与方法

采样后立即将样本运回实验室,同步进行室内叶片光谱与叶绿素SPAD值的测定。选用美国ASD Field-Spec3.0便携式高光谱仪测量叶片光谱,波段范围350~2 500nm。利用自带光源型手持叶片光谱探测器直接测量叶片光谱,每片叶子均匀采集5次以上光谱,将平均值作为该样本光谱反射率数据,每次测量前均用白板进行校正。与光谱测量同步,使用叶绿素仪(SPAD-502)测定叶片的SPAD值,每片叶子均匀测量10次,取平均值作为样本的SPAD值,实现与叶片光谱数据的一一对应。

试验共得到120个样本数据,将该样本按2∶1随机分为两部分,80份数据作为建模集,40份数据作为验证集。

1.3 数据分析

选取几种已被前人证明与叶片叶绿素含量有显著相关关系的植被指数与红边参数作为自变量,包括归一化植被指数NDVI、绿光归一化植被指数GNDVI、比值植被指数RVI、红边位置λr、红边峰度kλr和红边偏度sλr表1)。

表1   本试验所用光谱特征参数计算公式

Table 1  Spectral characteristic parameters formulas used in the study

光谱特征参数Spectral characteristic parameter定义Definition来源Source
NDVINDVI=(R750-R705)/(R750+R705)Gitelson等[11]
GNDVIGNDVI=(R750-R550)/(R750+R550)Gitelson等[11]
RVIRVI=R760/R710Penuelas等[12]
λr红光范围内一阶导数光谱最大值对应的波长Horler等[13]
kλr红光范围内一阶导数光谱的峰度姚付启等[14]
sλr红光范围内一阶导数光谱的偏度姚付启等[14]

新窗口打开| 下载CSV


选取决定系数R2、均方根误差RMSE、残留预测偏差RPD对模型进行综合评定。R2越接近于1,模型的精度越高;RMSE越小,模型的稳定性越好。RPD值是样本实测值的标准偏差与样本预测值的均方根误差RMSE的比值。RPD<1.000时表明模型预测能力极差;1.000<RPD<1.400时表明模型预测能力较差;1.400<RPD<1.800时表明预测模型可用;1.800<RPD<2.000时表明模型预测能力较好;2.000<RPD<2.500时表明模型预测能力很好;RPD>2.500时表明模型预测能力极好[15]

2 结果与分析

2.1 估算玉米叶片SPAD值的传统回归模型

对选取的几种植被指数和红边参数分别与玉米叶片SPAD值进行相关性分析,结果如表2所示。所有的光谱特征参数均与SPAD值呈极显著正相关关系,相关系数在0.811~0.935,说明植被指数和红边参数均能够反演叶片SPAD值。其中,红边位置λr与SPAD值呈最大正相关,相关系数为0.935。

表2   光谱特征参数与玉米叶片SPAD的相关系数(n=80)

Table 2  Correlation coefficients between the spectral characteristic parameters and SPAD value of maize leaves (n=80)

参数Parameter相关系数
Correlation coefficient
植被指数Vegetation indexNDVI0.843**
GNDVI0.811**
RVI0.893**
红边参数The trilateral parameterλr0.935**
kλr0.872**
sλr0.914**

Note: "**" indicates extremely significant correlation at 0.01 level

注:“**”表示在0.01水平上极显著相关

新窗口打开| 下载CSV


基于各光谱特征参数分别构建玉米叶片SPAD值的拟合模型,依据R2高、RMSE低的原则选出各参数的最优拟合模型(表3)。从建模效果来看,基于红边位置λr建立的幂函数方程决定系数最高,R2为0.880,但其均方根误差RMSE较高,模型稳定性较差。基于红边偏度sλr建立的二次函数方程R2为0.847,仅低于λr,且其RMSE最低,模型稳定性较强,表明通过sλr建立的方程与SPAD值拟合效果最好。将基于各光谱特征参数建立的SPAD值估算模型分别代入验证集中,对求得的SPAD预测值与实测值进行线性拟合(表3)。通过λr和sλr求得的预测值和实测值拟合方程R2均达到0.800以上,RPD均大于2.000,表明估算模型的预测能力达到了很好的水平。其中,sλr的验证模型具有更低的RMSE,因此具有更高的RPD,综合来看为最优的光谱特征参数。基于NDVI、RVI和kλr构建的估算模型预测能力也达到了可用水平。

表3   基于光谱特征参数的玉米叶片SPAD值估算模型

Table 3  SPAD value estimation model of maize leaves based on the spectral indexes

光谱特征参数
Spectral characteristic parameter
最优拟合模型
The optimal fitting equation
建模集Modeling set验证集Validation set
R2RMSER2RMSERPD
NDVIy=12.696e2.6521x0.7283.6860.6364.0721.500
GNDVIy=10.909e2.7102x0.6724.0200.5744.3661.340
RVIy=20.758x0.91290.8123.0950.7163.7151.791
λry=3E-104x36.8050.8803.7740.8543.3272.005
kλry=640.3e1.7036x0.7843.4320.7143.6571.739
sλry=87.296x2+54.674x+46.5090.8472.6970.8043.0282.137

新窗口打开| 下载CSV


由于叶绿素的敏感波段主要集中于可见光和近红外光波段,所以本研究中叶片光谱范围选择为400~1 300nm。以玉米叶片原始光谱400~1 300nm波段内的反射率作为自变量,以玉米叶片SPAD作为因变量,采用交叉验证法构建基于全谱的PLSR模型,通过比较各潜在因子数建模集与验证集的决定系数R2、均方根误差RMSE和残留预测偏差RPD,确定最佳因子数为4(表3)。

2.2 基于PLSR的玉米叶片SPAD值估算模型

基于全谱构建的PLSR模型,引入的自变量多,导致计算量加大,而且有些波段所含有用信息较少或者所含相同信息过多,导致共线性问题及信息冗余,影响预测模型的精度及稳定性。各光谱特征参数均与SPAD值呈极显著相关(表1),将其作为自变量使用PLSR建模,结果如表4所示。

表4   基于PLSR的玉米叶片SPAD估算模型

Table 4  SPAD value estimation model of maize leaves based on PLSR model

模型Model建模集
Modeling set
验证集
Validation set
R2RMSER2RMSERPD
PLSR(全谱)0.9102.0710.8622.6002.545
PLSR(光谱特征参数)0.9002.2000.8672.5812.628

新窗口打开| 下载CSV


表4可知,基于PLSR构建的全谱模型和光谱特征参数模型,建模集决定系数R2均达到0.900以上,其SPAD值的拟合效果均优于传统回归模型。从验证情况来看,两种PLSR模型的预测值和实测值拟合方程的R2均高于传统回归模型,且RMSE更低,RPD均在2.500以上,表明模型的预测能力极好。基于光谱特征参数建立的PLSR模型虽然在建模效果上略逊于全谱PLSR模型,但其验证效果要优于全谱PLSR模型,能更有效地预测玉米叶片SPAD值,且其计算量远远小于全谱PLSR模型,建模更加快速。

2.3 基于BP神经网络的玉米叶片SPAD值估算

BP神经网络具有预测性、容错性和实用性的特点,更适合用于解释非线性问题。采用BP神经网络,将上述光谱特征参数6个神经元作为输入层,将玉米叶片SPAD值1个神经元作为输出层,通过多次试错得出隐含层神经元数为7时训练结果相对较好。构建的BP神经网络估算模型最终结构为:1个输入层(6个神经元)、1个隐含层(7个神经元)及1个输出层(1个神经元)。设定最大学习迭代次数为10 000,学习精度为0.01。使用MATLAB 2010b对BP神经网络进行训练,建模并验证(表5),其建模决定系数R2同样在0.900以上,SPAD值的拟合效果与PLSR模型相差不大,同样优于传统回归模型。但其验证情况不如PLSR模型,验证集R2较小,RMSE较大,RPD小于2.500,预测能力没有达到极好水平。

表5   基于BP神经网络的玉米叶片SPAD估算模型

Table 5  SPAD value estimation model of maize leaves based on BP neural network

建模集Modeling set验证集Validation set
R2RMSER2RMSERPD
0.9042.1650.8222.8612.305

新窗口打开| 下载CSV


2.4 SPAD值估算模型预测效果比较

表6列出了基于光谱特征参数构建的PLSR模型、基于全谱建立的PLSR模型、BP神经网络模型、最优光谱特征参数估算模型的建模及验证情况。结果表明,基于全谱的PLSR模型建模效果最好,其建模决定系数R2最高,RMSE最低,其次为BP神经网络模型。就验证情况来看,基于光谱特征参数构建的PLSR模型效果最好,其验证集决定系数R2和RPD最高,RMSE最低,该模型的构建计算量小,建模时间短。BP神经网络模型验证情况较两种PLSR模型略差,但优于红边偏度sλr构建的估算模型。综合建模与验证效果可知,基于光谱特征参数构建的PLSR模型预测效果最好。各模型预测结果如图1所示。

表6   不同估算模型预测效果比较

Table 6  Comparison of prediction effects of different estimation models

模型
Model
建模集Modeling set验证集Validation set
R2RMSER2RMSERPD
PLSR(光谱特征参数)PLSR (spectral characteristic parameter)0.9002.2000.8672.5812.628
PLSR(全谱)PLSR (full spectrum)0.9102.0710.8622.6002.545
BP神经网络BP neural network0.9042.1650.8222.8612.305
多项式Polynomial (sλr)0.8472.6970.8043.0282.137

新窗口打开| 下载CSV


图1

图1   基于不同估算模型的SPAD实测值与预测值1∶1关系图

a. PLSR(光谱特征参数)、b. PLSR(全谱)、c. BP神经网络、d. 多项式(sλr

Fig.1   The relationships between measured value and predicted value of SPAD based on different estimation models

a. PLSR (spectral characteristic parameter), b. PLSR (full spectrum), c. BP neural network, d. Polynomial (sλr)


3 讨论

本研究利用高光谱数据,研究了基于单一光谱特征参数和多元统计分析方法估算玉米叶片SPAD值的效果,所选研究区域范围大,水肥条件不均,玉米品种多样,长势有差异,数据获取的背景条件不尽相同,避免了单一条件因素的影响,因此增强了估算模型的普适性。

本研究结果表明,不同反演方法的SPAD值估算效果不同。基于植被指数的估算模型以RVI为最优,可能由于特征波段相除消除了光谱曲线漂移的影响,减小了误差[5]。红边参数中以红边偏度sλr最优,本研究中各样本的红边偏度大多为正,说明红边峰值形状呈右偏态分布,直观表现为右边的尾部相对于左边长。根据姚付启等[14]的研究,随着叶片叶绿素的增减,红边峰值形状会相应地上下左右移动,说明红边峰值形状可以用来估算叶绿素含量,且红边偏度较传统的红边位置预测效果更好。以植被指数建立的估算模型整体上不如基于红边参数建立的模型估算效果好,可能由于从一阶微分光谱中提取的红边参数消除了噪声影响,更能体现反射率极值的波长位置,较原始光谱特征波段组合与植物生理参数的相关性更好[16,17]。虽然传统回归模型预测精度不如PLSR模型与BP神经网络,但其模型简单,求解方便,适用于一些对预测精度要求不高的场合。

多元统计分析方法PLSR模型和BP神经网络利用多个与SPAD值相关性高的变量,保证了输入变量对SPAD值的贡献,从而提高了模型的预测精度。基于光谱特征参数构建的PLSR模型相较于全谱PLSR模型,剔除了大量与叶绿素含量不相关的波段,在很大程度上降低了模型的复杂程度,提高了模型的预测精度和稳定度,达到了简化模型的目的。基于BP神经网络建立的模型预测效果与PLSR模型相比略差,与汤旭光等[18]的研究结果一致,可能与构建神经网络模型时设置的训练参数有关,而且BP神经网络无法准确确定最佳隐含层神经元数,需经过多次训练试错来确定最好的训练结果,故其实用性还有待进一步探究。

本研究针对灌浆期玉米叶片SPAD值建立了估算模型,其能否应用于玉米整个生育期叶片SPAD值的监测还有待进一步验证。此后还将会继续探讨冠层尺度的叶绿素含量反演,以便为卫星遥感应用提供技术支持。

4 结论

本研究采集了灌浆期玉米叶片高光谱数据,构建了基于光谱特征参数的玉米叶片SPAD值传统回归模型,以及PLSR和BP神经网络两种多元统计模型,并对各模型的预测效果进行了比较分析。结果表明,传统回归模型中以基于sλr建立的多项式回归方程为最优,利用多元统计分析方法建立的模型均优于传统回归模型。其中以基于光谱特征参数建立的PLSR模型验证效果最好(R2=0.867,RMSE=2.581,RPD=2.628),预测能力达到极好水平,且其计算量小、建模快,为最优的玉米叶片SPAD估算模型。

The authors have declared that no competing interests exist.
作者已声明无竞争性利益关系。

参考文献

Curran P J, Windham W R, Gholz H L .

Exploring the relationship between reflectance red edge and chlorophyll concentration in slash pine leaves

Tree Physiology, 1995,15(3):203-206.

DOI:10.1093/treephys/7.1-2-3-4.33      URL     PMID:14965977      [本文引用: 1]

Abstract Chlorophyll is a key indicator of the physiological status of a forest canopy. However, its distribution may vary greatly in time and space, so that the estimation of chlorophyll content of canopies or branches by extrapolation from leaf values obtained by destructive sampling is labor intensive and potentially inaccurate. Chlorophyll content is related positively to the point of maximum slope in vegetation reflectance spectra which occurs at wavelengths between 690-740 nm and is known as the "red edge." The red edge of needles on individual slash pine (Pinus elliottii Engelm.) branches and in whole forest canopies was measured with a spectroradiometer. Branches were measured on the ground against a spectrally flat reflectance target and canopies were measured from observation towers against a spectrally variable understory and forest floor. There was a linear relationship between red edge and chlorophyll content of branches (R(2) = 0.91). Measurements of the red edge and this relationship were used to estimate the chlorophyll content of other branches with an error that was lower than that associated with the calorimetric (laboratory) method. There was no relationship between the red edge and the chlorophyll content of whole canopies. This can be explained by the overriding influence of the understory and forest floor, an influence that was illustrated by spectral mixture modeling. The results suggest that the red edge could be used to estimate the chlorophyll content in branches, but it is unlikely to be of value for the estimation of chlorophyll content in canopies unless the canopy cover is high.

李哲, 张飞, 陈丽华 , .

光谱指数的植物叶片叶绿素含量估算模型

光谱学与光谱分析, 2018,38(5):1533-1539.

[本文引用: 1]

王晓星 .

夏玉米冠层光谱特征及其生理生态参量的高光谱估算模型

杨凌:西北农林科技大学, 2015.

URL     [本文引用: 1]

农业的精准化是当今生产中突破高耗和低效、实现与环境和谐相处的根本方法,高光谱遥感可以及时获取农作物的生长状况信息。本文以夏玉米为研究对象,以大田实验为基础,借助高光谱遥感技术的理论与方法,分析玉米叶绿素、叶面积指数及叶片含水率的时空变化规律,分析生长过程中这些指标与光谱反射率间的量化关系,构建基于植被指数、高光谱特征参数、红边参数、单波段和光谱指数的高光谱估算模型,充分体现了高光谱遥感技术在监测作物夏玉米叶绿素含量、叶面积指数及叶片含水率的技术优势,在我国农业大田植被快速、省力、简捷采集生长指标信息做出了必要的技术支撑,为科研工作者提供了获取农作物生长指标的技术途径,从而推进精准农业的继续发展。研究得到了以下结论:(1)夏玉米冠层光谱反射率曲线特征基本吻合于绿色作物的光谱反射率曲线特征。大体都是在蓝光范围和红光范围内有2处的植物光谱反射率比较低,即存在两个吸收带,在绿色植物光谱范围550 nm附近(即绿光范围内)光谱反射率比较高,出现一个反射峰。绿色植物的波段到710 nm附近光谱反射率值骤然变大,到了近红外波段范围后绿色植物光谱反射率值是比较稳定的,这样在近红外波段范围内就形成一个光谱反射率高平台。夏玉米光谱反射率曲线特征在不同生育时期是存在差异的,且差异比较明显。在可见光波段,从七叶到拔节,再到吐丝,反射率逐渐减小,从吐丝到灌浆,再到蜡熟,反射率逐渐增大;在绿色植物光谱反射率近红外波段范围内,从七叶到拔节,再到吐丝,夏玉米光谱反射率值逐渐上升,夏玉米生育期从吐丝期到灌浆期,再到夏玉米的最后一个研究阶段蜡熟期,其光谱反射率值一直处于下降趋势。(2)夏玉米在不同生育阶段650~740 nm之间光谱曲线值斜边(红边)有很大差异,具体体现在夏玉米红边从七叶期到拔节期,再到吐丝期,其680~760 nm之间光谱反射率斜边(红边)位置向右边偏移,即向着波长大的方向移动,夏玉米到吐丝期后,其680~760 nm之间光谱反射率斜边(红边位置)向波长小的那边偏移;同时随着夏玉米生育期的不断推移,夏玉米红边振幅和红边面积也出现与红边位置同样的变化特征,都是先增加后降低。(3)在叶绿素含量不同的情况下,夏玉米光谱反射率曲线值和680~760 nm范围内的红边特征是会存在很大差别的,夏玉米叶绿素含量越高,可见光范围内夏玉米反射率会呈现相反的趋势,即会越来越小,而近红外波段光谱反射率呈现相同的变化趋势;同时,夏玉米冠层光谱红边振幅和红边面积也与叶绿素含量呈现一致的变化趋势,即会随着叶绿素含量的增大而增大。利用植被指数、高光谱特征参数和红边参数来反演夏玉米叶绿素含量的模型中,从模型的决定系数、均方根误差和相对误差来看,植被指数对夏玉米叶绿素的反演效果最好。(4)在叶面积指数不同的情况下,夏玉米光谱反射率曲线值和和680~760 nm范围内的红边特征是会存在很大差别的,具体解释为,LAI值越高,可见光范围内夏玉米反射率会呈现相反的趋势,而800 nm以后的光谱曲线变化呈现相同变化趋势;夏玉米冠层光谱红边振幅和红边面积也与叶面积指数呈现一致的变化趋势,即随着叶面积指数的变大而增大。利用植被指数、高光谱特征参数和红边参数来反演夏玉米叶绿素和叶面积指数的模型中,从模型的决定系数、均方根误差和相对误差来看,植被指数对夏玉米叶面积指数的反演效果最好。(5)不同叶片含水率情况下夏玉米光谱特征和红边特征也会产生明显的差异,具体可以解释为:夏玉米冠层水平光谱曲线反射率值与叶片含水率变化呈现相反的变化趋势,即夏玉米叶片含水率越低,反射率曲线值越高;拔节期和灌浆期适合采用单波段法来反演夏玉米叶片含水率,而七叶期、吐丝期和蜡熟期更适合用光谱指数来建立叶片含水率模型。

李媛媛, 常庆瑞, 刘秀英 , .

基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算

农业工程学报, 2016,32(16):135-142.

Magsci     [本文引用: 1]

为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量(soil and plant analyzer development,SPAD)值,分析了一阶微分光谱、高光谱特征参数与SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和BP神经网络的SPAD估算模型,并对模型进行验证;再结合主成分回归(principal component regression,PCR)、偏最小二乘回归(partial least squares regression,PLSR)以及传统回归模型与BP神经网络模型进行比较。结果表明:SPAD值与一阶微分光谱在763nm处具有最大相关系数(R=0.901);以763 nm处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片SPAD估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测SPAD值作为输出,构建BP神经网络模型,其建模与验模R2分别为0.887和0.896,RMSE为2.782,RE为4.59%,与其他回归模型相比,BP神经网络模型预测精度最高,研究表明BP神经网络对叶绿素具有较好的预测能力,是估算玉米叶片SPAD值的一种实时高效的方法。

丁希斌, 刘飞, 张初 , .

基于高光谱成像技术的油菜叶片SPAD值检测

光谱学与光谱分析, 2015,35(2):486-491.

[本文引用: 2]

Thenkabail P S, Enclona E A, Ashton M S , et al.

Accuracy assessments of hyperspectral waveband performance for vegetation analysis applications

Remote Sensing of Environment, 2004,91(3):354-376.

DOI:10.1016/j.rse.2004.03.013      URL     [本文引用: 1]

The main objectives of this research were to: (a) determine the best hyperspectral wavebands in the study of vegetation and agricultural crops over the spectral range of 400–2500 nm; and (b) assess the vegetation and agricultural crop classification accuracies achievable using the various combinations of the best hyperspectral narrow wavebands. The hyperspectral data were gathered for shrubs, grasses, weeds, and agricultural crop species from the four ecoregions of African savannas using a 1-nm-wide hand-held spectroradiometer but was aggregated to 10-nm-wide bandwidths to match the first spaceborne hyperspectral sensor, Hyperion. After accounting for atmospheric widows and/or areas of significant noise, a total of 168 narrowbands in 400–2500 nm was used in the analysis. Rigorous data mining techniques consisting of principal component analysis (PCA), lambda–lambda R 2 models (LL R 2M), stepwise discriminant analysis (SDA), and derivative greenness vegetation indices (DGVI) established 22 optimal bands (in 400–2500 nm spectral range) that best characterize and classify vegetation and agricultural crops. Overall accuracies of over 90% were attained when the 13–22 best narrowbands were used in classifying vegetation and agricultural crop species. Beyond 22 bands, accuracies only increase marginally up to 30 bands. Accuracies become asymptotic or near zero beyond 30 bands, rendering 138 of the 168 narrowbands redundant in extracting vegetation and agricultural crop information. Relative to Landsat Enhanced Thematic Mapper plus (ETM +) broadbands, the best hyperspectral narrowbands provided an increased accuracy of 9–43% when classifying shrubs, weeds, grasses, and agricultural crop species.

Thenkabail P S, Smith R B, Pauw E D .

Evaluation of narrowband and broadband vegetation indices for determining optimal hyperspectral wavebands for agricultural crop characterization

Photogrammetric Engineering & Remote Sensing, 2002,68(6):607-621.

[本文引用: 1]

Chan C W, Paelinckx D .

Evaluation of Random Forest and Adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery

Remote Sensing of Environment, 2008,112(6):2999-3011.

DOI:10.1016/j.rse.2008.02.011      URL     [本文引用: 1]

Gitelson A A, Zur Y, Chivkunova O B , et al.

Assessing carotenoid content in plant leaves with reflectance spectroscopy

Photochemistry & Photobiology, 2010,75(3):272-281.

[本文引用: 1]

刘海启, 李召良 . 高光谱植被遥感. 北京: 中国农业科学技术出版社, 2015: 85-86.

[本文引用: 1]

Gitelson A, Kaufman Y J, Stark R , et al.

Novel algorithms for remote estimation of vegetation fraction

Remote Sensing of Environment, 2002,80(1):76-87.

DOI:10.1016/S0034-4257(01)00289-9      URL     [本文引用: 2]

Penuelas J, Baret F, Filella I .

Semiempirical indexes to assess carotenoids chlorophyll-a ratio from leaf spectral reflectance

Photosynthetica, 1995,31(2):221-230.

[本文引用: 1]

Horler D N H, Barber J, Darch J P , et al.

Approaches to detection of geochemical stress in vegetation

Advances in Space Research, 1983,3(2):175-179.

[本文引用: 1]

姚付启, 张振华, 杨润亚 , .

基于红边参数的植被叶绿素含量高光谱估算模型

农业工程学报, 2009,25(S2):123-129.

[本文引用: 3]

马赵扬, 杜昌文, 周健民 .

土壤碳酸钙中红外光声光谱特征及其应用

光谱学与光谱分析, 2012,32(5):1255-1258.

URL     [本文引用: 1]

测定并分析了碳酸钙(CaCO3)的中红外光声光谱及光谱特征, 利用中红外光声光谱并结合主成分回归(PCR)、 偏最小二乘回归(PLSR)和人工神经网络(GRNN)三种分析方法建立回归模型, 分析了土壤CaCO3的含量。 结果表明CaCO3具有丰富的中红外吸收, 最强吸收峰波数在1 450 cm-1, 且干扰少, 可以作为土壤CaCO3的特征吸收峰; 三种回归建模方法所建模型线性都很好, PLSR和GRNN最好, 相关系数(R2)均大于0.9, PCR次之, 为0.847; 验证样本预测能力PLSR和PCR最佳, R2大于0.9; GRNN次之, 为0.882。 偏最小二乘回归在校正和预测过程中的结果都非常好, RPD值均大于3.0, 具有较强的适用性。

陈志强, 王磊, 白由路 , .

整个生育期玉米叶片SPAD高光谱预测模型研究

光谱学与光谱分析, 2013,33(10):2838-2842.

URL     [本文引用: 1]

以两年完整生育期玉米田间试验为基础, 利用便携式地物光谱仪和叶绿素仪(SPAD-502)分别测定了叶片高光谱数据和叶绿素含量(SPAD), 在两者相关分析的基础上, 选取多种光谱参数分别构建了每年的叶片SPAD预测模型, 并对模型进行了详细的验证和评价。结果表明: 两年间叶片光谱反射率及其一阶导数的平均值曲线差别很小; 两年间叶片SPAD与光谱反射率及其一阶导数的相关系数曲线的敏感区域基本相同; 以一阶导数为光谱参数构建的预测模型效果不稳定; 以LCI和DSI(R550附近, R680附近)和DSI(R680附近, R710附近)构建的预测模型效果良好, 能有效预测玉米叶片SPAD。

宋开山, 张柏, 李方 , .

高光谱反射率与大豆叶面积及地上鲜生物量的相关分析

农业工程学报, 2005,21(1):36-40.

[本文引用: 1]

汤旭光, 宋开山, 刘殿伟 , .

基于可见/近红外反射光谱的大豆叶绿素含量估算方法比较

光谱学与光谱分析, 2011,31(2):371-374.

URL     [本文引用: 1]

作物叶绿素含量的估测可以为精准农业提供技术支持。 该文利用PROSAIL模型模拟了不同叶绿素水平下的大豆冠层光谱反射率, 而后针对多期实测高光谱及相应的叶绿素数据, 在对响应波段进行小波能量系数提取的基础上, 分别采用多元线性回归、 BP神经网络和RBF神经网络、 以及偏最小二乘法进行估算, 并进行了比较分析。 研究结果表明, 基于小波分析的三种回归模型都取得了较好的估算效果, 验证模型的R2分别为0.634, 0.715, 0.873和0.776, 其中RBF神经网络方法和基于高斯核函数的PLS模型精度最好, 能够全面稳定地估算叶绿素含量。

/