CN107024439A - 一种水稻不同生育期叶绿素含量高光谱估测方法 - Google Patents

一种水稻不同生育期叶绿素含量高光谱估测方法 Download PDF

Info

Publication number
CN107024439A
CN107024439A CN201710177162.6A CN201710177162A CN107024439A CN 107024439 A CN107024439 A CN 107024439A CN 201710177162 A CN201710177162 A CN 201710177162A CN 107024439 A CN107024439 A CN 107024439A
Authority
CN
China
Prior art keywords
chlorophyll content
stage
rice
ndvi
chlorophyll
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710177162.6A
Other languages
English (en)
Inventor
常庆瑞
刘京
陈涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest A&F University
Original Assignee
Northwest A&F University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwest A&F University filed Critical Northwest A&F University
Priority to CN201710177162.6A priority Critical patent/CN107024439A/zh
Publication of CN107024439A publication Critical patent/CN107024439A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N2021/3185—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry typically monochromatic or band-limited
    • G01N2021/3188—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry typically monochromatic or band-limited band-limited

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种水稻不同生育期叶绿素含量高光谱估测方法，属于农业技术领域，包括以下步骤：冠层光谱测定；叶绿素含量测定；数据处理。该方法针对西北地区水稻拔节期、抽穗期、乳熟期及蜡熟期，通过分析各生育期冠层光谱反射率与叶绿素含量的相关性，建立了基于敏感波段和NDVI的水稻叶绿素含量反演模型，并对模型反演精度进行比较，分析水稻不同生育期内冠层光谱反射率与叶绿素含量的相关性，为利用高光谱遥感技术无损、快速、高效的估测水稻冠层叶绿素含量研究提供理论依据。

Description

一种水稻不同生育期叶绿素含量高光谱估测方法
技术领域
本发明属于农业技术领域，具体地说，涉及一种水稻不同生育期叶绿素含量高光谱估测 方法。
背景技术
叶绿素含量是植物的主要农学参数，是植物光合作用能力、叶片氮素含量以及生长发育 的重要指示器，叶绿素含量变化是植物长势监测的重要指标。叶绿素含量的测定是农业科研 和农业生产中经常遇到的问题。目前，可以使用多种方法对叶绿素含量进行测定，但传统方 法不仅费时费力，采摘过程中容易损坏植物叶片组织结构。另外，由于叶绿素的结构不稳定， 容易分解，导致最终测量的叶绿素含量可能会发生变化。随着高光谱遥感技术的不断发展， 可以为植物叶绿素含量无损、快速的定量化诊断提供技术支持。国内外学者在利用高光谱遥 感数据监测叶绿素含量大量的研究，邹小波等选用植被指数建立特征波长下光谱反射率与黄 瓜叶片叶绿素含量之间的关系模型，较为准确的估算了叶片表面叶绿素的分布情况；孟庆野 等通过对现有植被指数模型的改进，对小麦叶绿素含量进行了估算，取得了较好的可靠性。 宫兆宁等通过分析植物叶片叶绿素含量与“三边”参数的相关性，构建了基于光谱指数的湿 地植被叶片叶绿素含量估算模型，取得了较为理想的预测精度。刘桃菊等探讨了水稻冠层光 谱对叶片叶绿素含量的响应规律，得出了水稻冠层叶片叶绿素监测的特征变量。
植被指数是要遥感应用研究中的常用方法之一，并成功应用于植被叶绿素含量、含水量、 含氮量等农学参数和光合作用等生态参数研究。国内外学者提出了很多形式各异的植被指 数，但每种植被指数的侧重点不同。归一化植被指数(Normalized DifferenceVegetation Index,NDVI)是Rouse等在对比值植被指数(Ratio Vegetation Index，RVI)进行非线 性归一化处理后得到的植被指数，能监测植被生长状况、植被覆盖度以及消除部分辐射误差， 是目前应用最广泛的植被指数。
目前对水稻冠层光谱反射率与叶绿素含量的研究以南方水稻为主，对西北地区水稻的研 究并不多见，且多以单一生育期较为常见。
发明内容
本发明的目的在于提供一种水稻不同生育期叶绿素含量高光谱估测方法，该方法以西北 地区水稻为研究对象，分析水稻不同生育期内冠层光谱反射率与叶绿素含量的相关性，为利 用高光谱遥感技术无损、快速、高效的估测水稻冠层叶绿素含量研究提供理论依据。
其具体技术方案为：
一种水稻不同生育期叶绿素含量高光谱估测方法，包括以下步骤：
步骤1、冠层光谱测定
水稻冠层光谱采用美国SVC公司生产的SVCHR-1024i型野外光谱仪测定，光谱范围为 350～2500nm，光谱分辨率(FWHM)：350～1000nm，≤3.5nm；1000～1850nm，≤9.5nm；1850～2500nm，≤6.5nm。分别在上述四个生育期选择晴朗无云、风力微弱的白天当地时间10:00～14:00时，测定冠层光谱。测量前均用白板进行标定，测量时，为了减少稻田水对光谱的影响，采用光谱仪可选配件光纤探头进行测定，探头距水稻叶片垂直高度约0.15m。每个样点测试5条光谱曲线，取其平均值作为该样点的光谱反射值，每次观测得到72条水稻冠层高光谱数据。
步骤2、叶绿素含量测定
采用日本KONICA MINOLTA公司生产的SPAD(Soil Plant Analysis DevelopmentUnit)502 叶绿素计，测量与采集光谱对应的水稻植株的叶片叶绿素，每个样点选择5株水稻，每株水 稻选取冠层展开的第2、3片叶进行测量，共取10片叶子的平均值作为该样点的叶绿素含量 值。每个生育期观测得到与72条高光谱曲线数据对应的72个叶绿素含量数据。
步骤3、数据处理
由于叶绿素含量对光谱的响应波段集中在可见光、近红外波段，且近红外1000nm之后 的波段受各种因素的影响噪声较大，因此本文采用350～1000nm波段进行分析，对光谱数据 进行平滑去噪之后将其重采样至1nm。通过对冠层原始光谱反射率与叶绿素含量的相关分析， 选择相关系数最大的波段即特征波段采用指数、一元线性、对数函数、多项式以及幂函数构 建叶绿素含量反演模型；基于全波段NDVI指数与叶绿素含量的相关性，从中选择对叶绿素 含量变化最敏感的波段组合归一化植被指数(NDVI)构建叶绿素含量反演模型。
最后采用R2、RMSE与RE作为评价指标来检验反演模型的精度，从中选出最优反演模型。 其中，RMSE、RE计算公式如下：
式中，为预测值，yi为测量值，n为样本数。
进一步，通过对水稻冠层原始光谱与叶绿素含量的相关性分析，得到各生育期敏感波段， 分别为拔节期(612nm)、抽穗期(931nm)、乳熟期(932nm)与蜡熟期(811nm)。
进一步，通过分析各生育期逐波段构建的NDVI与叶绿素含量的相关性，确定各生育期 内与叶绿素含量相关性最强的NDVI组合，分别为拔节期NDVI(475nm,456nm)、抽穗期NDVI(782nm,748nm)、乳熟期NDVI(822nm,823nm)与蜡熟期NDVI(730nm,731nm)。
进一步，通过对各生育期内NDVI构建的叶绿素含量反演模型的比较，得到了各生育期 内最佳反演模型，分别为拔节期多项式模型、抽穗期指数模型、乳熟期指数模型和蜡熟期多 项式模型。
与现有技术相比，本发明的有益效果：
本发明为了探讨不同生育期水稻冠层光谱与叶绿素含量的响应规律，以西北地区水稻为 材料，经小区试验测定水稻冠层光谱与叶绿素含量，分析冠层光谱反射率与叶绿素含量的相 关性，建立两者之间的相关模型，结果表明：不同生育期内，水稻冠层光谱反射率差异较大； 水稻冠层光谱反射率与叶绿素含量相关性随着生育期的推进而逐渐降低；基于全波段归一化 植被指数(NDVI)构建的拔节期(NDVI(456,475)，R2＝0.6502)、抽穗期(NDVI(748,782)，R2＝0.5264)、 乳熟期(NDVI(822,823)，R2＝0.5708)、蜡熟期(NDVI(730,731)，R2＝0.4396)叶绿素模型能较好的预 测水稻冠层叶绿素含量。
附图说明
图1是不同生育期水稻冠层光谱特征曲线；
图2是不同生育期冠层光谱反射率与叶绿素含量相关性；
图3是不同生育期归一化植被(NDVI)与叶绿素含量相关系数等势线图；
图4是基于各生育期最佳模型水稻叶绿素含量验证结果，其中，图4(a)拔节期；图4(b)抽穗期；图4(c)乳熟期；图4(d)蜡熟期。
具体实施方式
下面结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。
1材料与方法
1.1研究区概况
研究区选择在宁夏青铜峡市叶盛镇的水稻示范基地。该区地处西北内陆，位于东部季风 区与西部干旱区域的交汇地带，属于中温带大陆性干旱气候，冬无严寒，夏无酷暑，四季分 明，昼夜温差大，全年日照3000h，年平均气温8℃，无霜期176d，年蒸发量1400nm，年降 水量260mm，主要集中在7～9月。地貌类型为黄河河谷平原，海拔1200m，地形平坦，土层深厚；土壤为灌淤旱耕人为土，质地较砂，土壤有机质含量较低，养分含量较为贫乏。由于此处属于引黄灌溉区，为水稻的生长提供了得天独厚的条件，水稻是当地主要的作物之一。
1.2试验设计与样品采集
试验于2015年07月～09月在宁夏回族自治区青铜峡市叶盛镇宁夏农科院水稻田间试 验区进行。试验共设置3个氮素水平，4个碳素水平，进行碳氮交互试验，共12个处理，每个处理设置一个重复，共24个试验小区，每个小区面积为21ⅹ4.8＝100.8m2，具体试验方案见表1。水稻品种为宁粳43号，采用自然生长方式，分三次施肥，每年五月底插秧，九 月底或十月初收获。田间观测采样时，每个小区内选择3个样点，直接在原地进行光谱的测 定；同时采集植株样品。每期共获取72个样点数据。2015年在水稻生长的07月14日(拔 节期)、07月31日(抽穗期)、08月20日(乳熟期)和09月15日(蜡熟期)四个生育期 分别进行观测采样，全生育期共获得328个样点的数据，分析建模时将每个生育期中的72 个样点数据按照分层随机抽样法选取48个作为建模样本，剩余24个作为检验样本。
表1.试验方案
注：小区长21m，宽4.8m。C0，C1，C2，C3分别代表四个不同生物质碳用量水平，分别为0、 4500、6750、9000kg/hm2，N0、N1、N2分别表示氮肥(按纯N量计)用量分别为0、240、300kg/hm2。
1.3冠层光谱测定
水稻冠层光谱采用美国SVC公司生产的SVCHR-1024i型野外光谱仪测定，光谱范围为 350～2500nm，光谱分辨率(FWHM)：350～1000nm，≤3.5nm；1000～1850nm，≤9.5nm；1850～2500nm，≤6.5nm。分别在上述四个生育期选择晴朗无云、风力微弱的白天当地时间10:00～14:00时，测定冠层光谱。测量前均用白板进行标定，测量时，为了减少稻田水对光谱的影响，采用光谱仪可选配件光纤探头进行测定，探头距水稻叶片垂直高度约0.15m。每个样点测试5条光谱曲线，取其平均值作为该样点的光谱反射值，每次观测得到72条水稻冠层高光谱数据。
1.4叶绿素含量测定
采用日本KONICA MINOLTA公司生产的SPAD(Soil Plant Analysis DevelopmentUnit)502 叶绿素计，测量与采集光谱对应的水稻植株的叶片叶绿素，每个样点选择5株水稻，每株水 稻选取冠层展开的第2、3片叶进行测量，共取10片叶子的平均值作为该样点的叶绿素含量 值。每个生育期观测得到与72条高光谱曲线数据对应的72个叶绿素含量数据。
1.5数据处理
由于叶绿素含量对光谱的响应波段集中在可见光、近红外波段，且近红外1000nm之后 的波段受各种因素的影响噪声较大，因此本文采用350～1000nm波段进行分析，对光谱数据 进行平滑去噪之后将其重采样至1nm。通过对冠层原始光谱反射率与叶绿素含量的相关分析， 选择相关系数最大的波段即特征波段采用指数、一元线性、对数函数、多项式以及幂函数构 建叶绿素含量反演模型；基于全波段NDVI指数与叶绿素含量的相关性，从中选择对叶绿素 含量变化最敏感的波段组合归一化植被指数(NDVI)构建叶绿素含量反演模型。
最后采用R2、RMSE与RE作为评价指标来检验反演模型的精度，从中选出最优反演模型。 其中，RMSE、RE计算公式如下：
式中，为预测值，yi为测量值，n为样本数。
2结果与分析
2.1不同生育期水稻冠层光谱特征
供试水稻不同生育期代表性光谱曲线如图1所示，各生育期只具有基本相似的反射波谱 特性。在550nm处形成一个叶绿素的反射峰，在680nm处形成一个叶绿素的吸收谷，而在近 红外波段(760nm～1000nm)形成一个高反射平台。
植物不同生育期由于植株体内的叶绿素含量、细胞结构，以及群体的生物量、叶面积指 数等的不同，导致各光谱反射特性也会发生变化光谱反射曲线具有明显的差异。在可见光波 段(380nm～760nm)，从拔节期到抽穗期，随着水稻的生长发育，反射率不断下降。从抽穗 期到蜡熟期，反射率逐渐升高，最大反射率从0.0297上升到0.0974。不同生育期光谱反射 率差异不显著。
在近红外波段，则是拔节期反射率最高，随着水稻的生长发育，反射率不断下降，且不 同时期差异显著。在波长760～920nm波段范围，光谱反射率分别为：拔节期0.5417、抽穗 期0.4389、乳熟期0.3893和蜡熟期0.3152，从拔节期到蜡熟期下降了0.2264，降幅达到41.81％。
2.2基于敏感波段的叶绿素估算模型
2.2.1光谱反射率与叶绿素相关性分析
将各生育期水稻冠层光谱反射率分别与其对应的叶绿素含量进行相关分析，结果如图2 所示。从图2可以明显看出，在可见光波段内，两者呈负相关关系，近红外波段内，两者之 间呈极显著正相关关系，且基本维持在同一水平。
在不同生育期，水稻冠层光谱反射率与叶绿素含量的相关性有较大差异。在可见光波段， 从拔节期到乳熟期，随着生育期的推进，其光谱反射率与叶绿素含量的相关性逐渐减弱，相 关系数由拔节期的-0.7下降到蜡熟期的-0.2以下，其中拔节期与抽穗期的相关系数通过F0.01水平的显著性检验；乳熟期相关系数通过F0.05水平的显著性检验。近红外波段，从拔节期到 乳熟期相关系数均在0.5以上，差异不显著，蜡熟期相关系数在0.3上下波动，但是此时四 个生育期均通过F0.01显著性水平检验。
2.2.2基于敏感波段的叶绿素估算模型
根据各生育期水稻冠层光谱反射率与叶绿素含量的相关性，从中选取相关系数最大的波 段进行基于单波段的叶绿素含量反演。拔节期，冠层光谱反射率与叶绿素含量的相关性在 612nm处最强，相关系数为-0.7691；抽穗期、乳熟期与蜡熟期相关关系最大的波段，分别 为931nm、932nm与811nm，其对应的相关系数分别为0.6195、0.5879与0.3141。根据各生 育期所选取的敏感波段构建不同函数类型的冠层光谱叶绿素估算模型，并且对模型进行验 证，其结果如表2所示。
以决定系数(R2)、均方根误差(RMSE)以及相对误差(RE)作为评价指标，选取建模拟合度高、验证误差小的模型作为最佳估算模型。通过对比，各生育期的最佳反演模型分别为：拔节期多项式模型和抽穗期多项式模型、乳熟期指数函数模型、蜡熟期幂函数模型。从拔节期到蜡熟期，建模拟合度与验证拟合度逐渐下降，由拔节期内的0.5921、0.6348下降到蜡熟期的0.1708、0.0235；相对误差RE由4.355％上升到19.433％。通过比对蜡熟期各模型的建模参数与验证参数，该生育期的叶绿素反演模型估测精度过低，不能实际应用。
表2基于敏感波段构建的不同生育期SPAD回归模型及验证
2.3基于NDVI的叶绿素估算模型
植被指数是遥感应用研究的常用方法之一，被成功地应用于植被叶绿素含量等生物物理 参量和植物光合作用等生态功能参量估算。本文采用归一化植被指数(NDVI)来构建叶绿素 估算反演模型。利用Matlab编程逐波段计算各生育期水稻冠层光谱反射率的归一化植被指 数(NDVI)，然后计算NDVI与叶绿素含量的决定系数(R2)，最终得到如图3所示的各生育 期决定系数分布图。
从图3可以看出，拔节期450～500nm：420～460nm、540～580nm：750～1000nm、610～ 700nm：400～500nm以及720～1000nm：700～750nm四个区域内的相关系数均大于0.8，其中475nm与456nm组成的归一化植被指数NDVI(475,456)与叶绿素的相关性最大，相关系数为0.8418。抽穗期，640～660nm：400～500nm与740～1000nm：700～760nm两个组合区域 内相关系数均大于0.7，NDVI与叶绿素含量相关性最强的波段组合为782nm与748nm (NDVI(782,748))，此时相关系数为0.7675。乳熟期，相关系数较大的区域逐渐向近红外- 红光波段转移，且此时只有820～950nm：730～850nm区域内的相关系数大于0.6，其中由 822nm与823nm波段组成的归一化植被指数NDVI(822,823)与水稻叶绿素相关性最强，相 关系数为0.6798。蜡熟期，冠层光谱反射率与叶绿素的相关性逐渐减弱，相关系数大于0.6 的只剩下700～750nm：720～770nm波段所组成的狭小区域，由730nm与731nm波段组合构 成的归一化植被指数NDVI(730,731)与叶绿素含量的相关性最强，相关系数为0.6349。将以 上各生育期相关性强的归一化植被指数作为特征指数，用于构建水稻叶绿素含量反演模型。
表3为基于归一化植被指数建立的不同生育期水稻叶绿素估算模型及拟合结果。从表3 可知从拔节期到乳熟期，拟合R2与检验R2均逐渐减小。利用多项式模型构建的拔节期叶绿 素含量反演模型拟合及验证结果较好，其拟合R2与检验R2分别为0.7515与0.6502，而RMSE 分别为1.885与1.436，其中检验的RE为4.295％。抽穗期，叶绿素含量反演精度最高的为 指数函数模型，其拟合R2为0.6288，检验R2为0.5254，RE为4.553％。乳熟期综合R2、RMSE与RE三者的表现，指数函数模型为最佳模型，其拟合R2、检验R2与RE分别为0.4465、0.5708与3.711％。蜡熟期的最佳反演模型为多项式模型，拟合R2为0.4877，检验R2为0.4396，RE 为15.037％。
表3.基于归一化植被指数的不同生育期水稻叶绿素含量估算模型及拟合结果
为了检验所建立的水稻叶绿素估算模型精度及普适性，分别利用检验样本对各生育期的 最佳估算模型进行检验，其检验结果如图4所示。由图4可知，不同生育期，其模型精度差 异显著。拔节期，模型精度较高，拟合度R2为0.6502，RMSE为1.4356，RE为4.30％；随着生育期的推进，模型精度逐渐下降，至蜡熟期，模型拟合度R2为0.4396，RMSE为2.1403， RE为15.04％。
以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本 技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化 或等效替换均落入本发明的保护范围内。

Claims (4)

1.一种水稻不同生育期叶绿素含量高光谱估测方法，其特征在于，包括以下步骤：
步骤1、冠层光谱测定
水稻冠层光谱采用美国SVC公司生产的SVCHR-1024i型野外光谱仪测定，光谱范围为350～2500nm，光谱分辨率(FWHM)：350～1000nm，≤3.5nm；1000～1850nm，≤9.5nm；1850～2500nm，≤6.5nm；分别在上述四个生育期选择晴朗无云、风力微弱的白天当地时间10:00～14:00时，测定冠层光谱；测量前均用白板进行标定，测量时，为了减少稻田水对光谱的影响，采用光谱仪选配件光纤探头进行测定，探头距水稻叶片垂直高度为0.15m；每个样点测试5条光谱曲线，取其平均值作为该样点的光谱反射值，每次观测得到72条水稻冠层高光谱数据；
步骤2、叶绿素含量测定
采用日本KONICA MINOLTA公司生产的SPAD502叶绿素计，测量与采集光谱对应的水稻植株的叶片叶绿素，每个样点选择5株水稻，每株水稻选取冠层展开的第2、3片叶进行测量，共取10片叶子的平均值作为该样点的叶绿素含量值；每个生育期观测得到与72条高光谱曲线数据对应的72个叶绿素含量数据；
步骤3、数据处理
由于叶绿素含量对光谱的响应波段集中在可见光、近红外波段，且近红外1000nm之后的波段受各种因素的影响噪声较大，因此本文采用350～1000nm波段进行分析，对光谱数据进行平滑去噪之后将其重采样至1nm；通过对冠层原始光谱反射率与叶绿素含量的相关分析，选择相关系数最大的波段即特征波段采用指数、一元线性、对数函数、多项式以及幂函数构建叶绿素含量反演模型；基于全波段NDVI指数与叶绿素含量的相关性，从中选择对叶绿素含量变化最敏感的波段组合归一化植被指数NDVI构建叶绿素含量反演模型；
最后采用R2、RMSE与RE作为评价指标来检验反演模型的精度，从中选出最优反演模型；其中，RMSE、RE计算公式如下：
式中，为预测值，yi为测量值，n为样本数。
2.根据权利要求1所述的水稻不同生育期叶绿素含量高光谱估测方法，其特征在于，通过对水稻冠层原始光谱与叶绿素含量的相关性分析，得到各生育期敏感波段，分别为拔节期612nm、抽穗期931nm、乳熟期932nm与蜡熟期811nm。
3.根据权利要求1所述的水稻不同生育期叶绿素含量高光谱估测方法，其特征在于，通过分析各生育期逐波段构建的NDVI与叶绿素含量的相关性，确定各生育期内与叶绿素含量相关性最强的NDVI组合，分别为拔节期NDVI(475nm,456nm)、抽穗期NDVI(782nm,748nm)、乳熟期NDVI(822nm,823nm)与蜡熟期NDVI(730nm,731nm)。
4.根据权利要求1所述的水稻不同生育期叶绿素含量高光谱估测方法，其特征在于，通过对各生育期内NDVI构建的叶绿素含量反演模型的比较，得到了各生育期内最佳反演模型，分别为拔节期多项式模型、抽穗期指数模型、乳熟期指数模型和蜡熟期多项式模型。
CN201710177162.6A 2017-03-23 2017-03-23 一种水稻不同生育期叶绿素含量高光谱估测方法 Pending CN107024439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710177162.6A CN107024439A (zh) 2017-03-23 2017-03-23 一种水稻不同生育期叶绿素含量高光谱估测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710177162.6A CN107024439A (zh) 2017-03-23 2017-03-23 一种水稻不同生育期叶绿素含量高光谱估测方法

Publications (1)

Publication Number Publication Date
CN107024439A true CN107024439A (zh) 2017-08-08

Family

ID=59526263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710177162.6A Pending CN107024439A (zh) 2017-03-23 2017-03-23 一种水稻不同生育期叶绿素含量高光谱估测方法

Country Status (1)

Country Link
CN (1) CN107024439A (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108169141A (zh) * 2017-11-28 2018-06-15 华南农业大学 一种基于高光谱图像的茶树lai及氮含量估算方法
CN108195770A (zh) * 2018-01-03 2018-06-22 电子科技大学 一种基于prosail模型的叶绿素含量半经验估算方法
CN108684282A (zh) * 2018-04-11 2018-10-23 北京麦飞科技有限公司 一种农业察打一体机系统及喷洒控制方法
CN109115725A (zh) * 2018-06-14 2019-01-01 中国农业大学 一种玉米冠层lai和叶绿素含量联合反演方法和设备
CN109115951A (zh) * 2018-07-31 2019-01-01 东北农业大学 基于冠层结构与冠层光谱的水稻植株全氮估测方法
CN109187441A (zh) * 2018-08-27 2019-01-11 中国水利水电科学研究院 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
CN109540809A (zh) * 2018-11-08 2019-03-29 中国四维测绘技术有限公司 一种利用高光谱反射率构建冬小麦农学参数评估的方法
CN109754127A (zh) * 2019-01-31 2019-05-14 浙江大学 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法
CN110082309A (zh) * 2019-05-20 2019-08-02 中国水利水电科学研究院 冬小麦冠层spad值综合光谱监测模型建立方法
CN110567891A (zh) * 2019-09-16 2019-12-13 中国水利水电科学研究院 一种冬小麦冠层叶绿素估测系统及方法
CN110658211A (zh) * 2019-11-08 2020-01-07 河南农业大学 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法
CN111044516A (zh) * 2019-12-26 2020-04-21 沈阳农业大学 一种水稻叶绿素含量遥感估测方法
CN111829965A (zh) * 2020-08-04 2020-10-27 淮阴师范学院 水稻地上部淀粉积累量遥感反演模型和方法
CN111855589A (zh) * 2020-08-04 2020-10-30 淮阴师范学院 水稻叶片氮积累量遥感反演模型和方法
CN111855592A (zh) * 2020-08-04 2020-10-30 淮阴师范学院 水稻单位面积内地上部干物重遥感反演模型和方法
CN111855591A (zh) * 2020-08-04 2020-10-30 淮阴师范学院 水稻地上部碳氮比遥感反演模型和方法
CN112131708A (zh) * 2020-08-24 2020-12-25 无锡德林海环保科技股份有限公司 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法
CN112362812A (zh) * 2020-11-10 2021-02-12 淮阴师范学院 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法
CN113065230A (zh) * 2021-03-16 2021-07-02 吉林大学 基于优化光谱指数建立水稻叶片spad的高光谱反演模型
CN113484384A (zh) * 2021-07-07 2021-10-08 中国科学院东北地理与农业生态研究所 一种苏打盐碱地水稻生育期不同耕层土壤原位pH预测方法
CN113607681A (zh) * 2021-07-19 2021-11-05 黑龙江八一农垦大学 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质
CN113670913A (zh) * 2021-08-18 2021-11-19 沈阳农业大学 水稻氮素含量反演高光谱植被指数构建方法
CN113884444A (zh) * 2020-07-03 2022-01-04 上海市农业科学院 模型建立方法、预测spad值的方法、装置及电子设备
CN114169165A (zh) * 2021-12-06 2022-03-11 湘潭大学 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法
CN114460015A (zh) * 2021-10-29 2022-05-10 东北农业大学 一种用于预测寒地水稻冠层叶绿素含量的方法及模型
CN114756823A (zh) * 2022-04-18 2022-07-15 四川启睿克科技有限公司 提升花椒光谱模型预测能力的方法
CN115495703A (zh) * 2022-11-18 2022-12-20 杭州领见数字农业科技有限公司 一种基于机载多光谱数据的烟草成熟度检测方法及系统
CN115950838A (zh) * 2022-09-20 2023-04-11 中国水利水电科学研究院 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法
CN116124709A (zh) * 2022-09-20 2023-05-16 中国水利水电科学研究院 基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法
CN116482041A (zh) * 2023-06-25 2023-07-25 武汉大学 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统
CN116735538A (zh) * 2023-08-15 2023-09-12 山东科技大学 一种基于氮素分配模型的作物氮素累积量遥感预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105277491A (zh) * 2015-09-24 2016-01-27 中国农业科学院农业资源与农业区划研究所 叶绿素含量测量方法及装置
CN106198420A (zh) * 2016-08-09 2016-12-07 西北农林科技大学 一种基于高光谱特征参数的叶片氮含量估算方法
CN106469240A (zh) * 2016-09-06 2017-03-01 西北农林科技大学 基于光谱指数的油菜叶片spad估测及估测模型构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105277491A (zh) * 2015-09-24 2016-01-27 中国农业科学院农业资源与农业区划研究所 叶绿素含量测量方法及装置
CN106198420A (zh) * 2016-08-09 2016-12-07 西北农林科技大学 一种基于高光谱特征参数的叶片氮含量估算方法
CN106469240A (zh) * 2016-09-06 2017-03-01 西北农林科技大学 基于光谱指数的油菜叶片spad估测及估测模型构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张俊华等: "不同生育期冬小麦光谱特征对叶绿素和氮素的响应研究", 《土壤通报》 *
王飞等: "水肥耦合下夏玉米不同生育期的高光谱特性与反演模型研究", 《植物生理学报》 *
秦占飞: "西北地区水稻长势遥感监测研究", 《中国博士学位论文全文数据库 农业科技辑》 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108169141A (zh) * 2017-11-28 2018-06-15 华南农业大学 一种基于高光谱图像的茶树lai及氮含量估算方法
CN108195770A (zh) * 2018-01-03 2018-06-22 电子科技大学 一种基于prosail模型的叶绿素含量半经验估算方法
CN108684282A (zh) * 2018-04-11 2018-10-23 北京麦飞科技有限公司 一种农业察打一体机系统及喷洒控制方法
CN108684282B (zh) * 2018-04-11 2023-07-07 北京麦飞科技有限公司 一种农业察打一体机系统及喷洒控制方法
CN109115725A (zh) * 2018-06-14 2019-01-01 中国农业大学 一种玉米冠层lai和叶绿素含量联合反演方法和设备
CN109115951A (zh) * 2018-07-31 2019-01-01 东北农业大学 基于冠层结构与冠层光谱的水稻植株全氮估测方法
CN109187441B (zh) * 2018-08-27 2022-06-10 中国水利水电科学研究院 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
CN109187441A (zh) * 2018-08-27 2019-01-11 中国水利水电科学研究院 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
CN109540809A (zh) * 2018-11-08 2019-03-29 中国四维测绘技术有限公司 一种利用高光谱反射率构建冬小麦农学参数评估的方法
CN109754127A (zh) * 2019-01-31 2019-05-14 浙江大学 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法
CN110082309A (zh) * 2019-05-20 2019-08-02 中国水利水电科学研究院 冬小麦冠层spad值综合光谱监测模型建立方法
CN110567891A (zh) * 2019-09-16 2019-12-13 中国水利水电科学研究院 一种冬小麦冠层叶绿素估测系统及方法
CN110658211A (zh) * 2019-11-08 2020-01-07 河南农业大学 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法
CN111044516A (zh) * 2019-12-26 2020-04-21 沈阳农业大学 一种水稻叶绿素含量遥感估测方法
CN113884444A (zh) * 2020-07-03 2022-01-04 上海市农业科学院 模型建立方法、预测spad值的方法、装置及电子设备
CN111829965A (zh) * 2020-08-04 2020-10-27 淮阴师范学院 水稻地上部淀粉积累量遥感反演模型和方法
CN111855591A (zh) * 2020-08-04 2020-10-30 淮阴师范学院 水稻地上部碳氮比遥感反演模型和方法
CN111855592A (zh) * 2020-08-04 2020-10-30 淮阴师范学院 水稻单位面积内地上部干物重遥感反演模型和方法
CN111855589A (zh) * 2020-08-04 2020-10-30 淮阴师范学院 水稻叶片氮积累量遥感反演模型和方法
CN112131708A (zh) * 2020-08-24 2020-12-25 无锡德林海环保科技股份有限公司 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法
CN112131708B (zh) * 2020-08-24 2023-11-28 无锡德林海环保科技股份有限公司 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法
CN112362812A (zh) * 2020-11-10 2021-02-12 淮阴师范学院 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法
CN113065230A (zh) * 2021-03-16 2021-07-02 吉林大学 基于优化光谱指数建立水稻叶片spad的高光谱反演模型
CN113484384A (zh) * 2021-07-07 2021-10-08 中国科学院东北地理与农业生态研究所 一种苏打盐碱地水稻生育期不同耕层土壤原位pH预测方法
CN113607681A (zh) * 2021-07-19 2021-11-05 黑龙江八一农垦大学 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质
CN113670913A (zh) * 2021-08-18 2021-11-19 沈阳农业大学 水稻氮素含量反演高光谱植被指数构建方法
CN113670913B (zh) * 2021-08-18 2023-05-16 沈阳农业大学 水稻氮素含量反演高光谱植被指数构建方法
CN114460015A (zh) * 2021-10-29 2022-05-10 东北农业大学 一种用于预测寒地水稻冠层叶绿素含量的方法及模型
CN114169165B (zh) * 2021-12-06 2024-04-26 湘潭大学 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法
CN114169165A (zh) * 2021-12-06 2022-03-11 湘潭大学 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法
CN114756823A (zh) * 2022-04-18 2022-07-15 四川启睿克科技有限公司 提升花椒光谱模型预测能力的方法
CN114756823B (zh) * 2022-04-18 2024-06-11 四川启睿克科技有限公司 提升花椒光谱模型预测能力的方法
WO2024061159A1 (zh) * 2022-09-20 2024-03-28 中国水利水电科学研究院 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法
CN116124709B (zh) * 2022-09-20 2023-09-12 中国水利水电科学研究院 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法
CN116124709A (zh) * 2022-09-20 2023-05-16 中国水利水电科学研究院 基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法
CN115950838A (zh) * 2022-09-20 2023-04-11 中国水利水电科学研究院 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法
CN115495703A (zh) * 2022-11-18 2022-12-20 杭州领见数字农业科技有限公司 一种基于机载多光谱数据的烟草成熟度检测方法及系统
CN116482041B (zh) * 2023-06-25 2023-09-05 武汉大学 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统
CN116482041A (zh) * 2023-06-25 2023-07-25 武汉大学 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统
CN116735538A (zh) * 2023-08-15 2023-09-12 山东科技大学 一种基于氮素分配模型的作物氮素累积量遥感预测方法
CN116735538B (zh) * 2023-08-15 2024-05-24 山东科技大学 一种基于氮素分配模型的作物氮素累积量遥感预测方法

Similar Documents

Publication Publication Date Title
CN107024439A (zh) 一种水稻不同生育期叶绿素含量高光谱估测方法
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN107505271B (zh) 基于氮素组分辐射传输模型的植株氮素估算方法和系统
CN104483271B (zh) 光学反射模型与微波散射模型协同的森林生物量反演方法
CN107271382A (zh) 一种不同生育期油菜叶片spad值遥感估算方法
CN111855591A (zh) 水稻地上部碳氮比遥感反演模型和方法
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
CN103472009B (zh) 一种不同植株氮含量水平下小麦植株含水率的监测方法
CN111855589A (zh) 水稻叶片氮积累量遥感反演模型和方法
CN112485204A (zh) 基于高光谱的水稻穗期氮营养监测与诊断方法及应用
CN103868880A (zh) 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
CN104502283A (zh) 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
CN102435564A (zh) 一种基于三波段光谱指数估测植物氮含量的方法
CN109060676A (zh) 基于高光谱的夏玉米冠层spad值估算模型的确定方法
CN106469240A (zh) 基于光谱指数的油菜叶片spad估测及估测模型构建方法
CN109754127A (zh) 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法
CN106485345A (zh) 棉花全生育期冠层spad值遥感估算及估算模型构建方法
CN108876172B (zh) 一种基于改进型modis植被供水指数的地表土壤含水量评估方法
CN113252583A (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN112270131A (zh) 基于ard回归算法的水稻叶面积指数遥感反演模型和方法
CN112924401B (zh) 一种植被冠层叶绿素含量半经验反演方法
CN114460015A (zh) 一种用于预测寒地水稻冠层叶绿素含量的方法及模型
Kaishan et al. Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks
CN111220552B (zh) 考虑光照方向叶片辐射传输模型的叶绿素高光谱反演方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170808