光谱数据变换对玉米氮素含量反演精度的影响(1)

第３５卷，第７期 光谱学与光谱分析Vol .３５，No .７，pp １９５６‐１９６０２０１５年７月 Spectroscopy and Spectral Analysis July ，２０１５　利用多角度光谱数据探测冬小麦氮素含量垂直分布方法研究杨绍源１，２，３，黄文江１*，梁　栋２，３，黄林生２，３，杨贵军４，张东彦２，３，蔡淑红５１.中国科学院遥感与数字地球研究所，数字地球重点实验室，北京　１０００９４　２.安徽大学，计算机智能与信号处理教育部重点实验室，安徽合肥　２３００３９３.安徽大学电子信息工程学院，安徽合肥　２３００３９４.北京农业信息技术研究中心，北京　１０００９７５.河北省农业技术推广总站，河北石家庄　０５００００摘　要　作物氮素具有随植株高度层垂直分布的特性，快速、无损探测作物氮素垂直分布状况，对于指导合理施肥、提高肥料利用率和减少环境污染具有重要意义。

本文提出了利用偏最小二乘（p artial least square ，PLS ）算法，运用多角度光谱数据估计冬小麦氮素含量垂直分布的方法。

分别选用前向和后向不同观测角度组合形成的光谱数据组建植被指数，建立不同高度层的叶片氮素含量探测模型，其中选用±５０°和±６０°的组合，建立了冬小麦上层叶位叶片氮密度反演模型；选用±３０°和±４０°的组合，建立了中层叶位叶片氮密度反演模型；选用±２０°和±３０°的组合，建立了下层叶位叶片氮密度反演模型。

针对氮素反演容易受到作物背景（土壤、作物残渣）影响的问题，引入R ７００／R ６７０比值，改进七种常见的植被指数，利用改进了的植被指数建立了冬小麦上层、中层、下层叶片氮密度垂直分布模型。

建模实验结果改进了叶片氮密度上层、中层、下层垂直分布估算结果，验证实验选取建模实验中表现最好的三个植被指数进行进一步研究，结果表明改进后的绿光归一化植被指数（g reen normalized difference vegetation index ，GNDVI ）在反演上层、中层、下层叶片氮密度时效果最好，达到了极显著的水平，可用于植被氮素含量的垂直分布探测。

第43卷第3期2020年5月河北农业大学学报JOURNAL OF HEBEI AGRICULTURAL UNIVERSITY Vol.43 No.3May 2020基于光谱分析的玉米追肥关键期叶片氮含量检测方法刘 丹，马璐萍，李建昌，孙 磊，赵建国，郝建军（河北农业大学 机电工程学院，河北 保定 071001）摘要：在玉米追氮关键期对其氮含量进行准确检测，是玉米减量施肥的重要举措。

传统的全波段光谱分析法数据量大，氮含量检测数学模型建立困难。

选取能够反映玉米叶片氮含量水平的特征波长，能够极大减小建模难度。

针对玉米生长对氮含量特征波长变化影响，提出玉米追肥关键期叶片氮含量检测方法。

将标准归一化、卷积平滑处理算法与连续投影算法相结合，提取了玉米拔节期、大喇叭口期及抽雄期3个追氮关键期的叶片氮含量光谱特征波长，为玉米追氮光谱检测模型建立提供了依据，并通过多元线性回归建立玉米叶片氮含量光谱模型，极大降低了算法复杂度。

通过对比分析表明，采用本文提取的方法得到的特征波长，具有准确性强，均方根误差小，运算复杂度低的优势。

关 键 词：氮含量;特征波长;光谱;玉米叶片中图分类号：S 513 开放科学（资源服务）标识码（OSID）：文献标志码：ADetection method of nitrogen content in maize leaf in critical period fortopdressing based on spectral analysisLIU Dan，MA Luping，LI Jianchang，SUN Lei，ZHAO Jianguo，HAO Jianjun(College of Mechanical and Electrical Engineering, Hebei Agricultural University, Baoding 071001, China)Abstract: Nitrogen is a vital element in corn’s growth. It is important to detect the nitrogen content accurately for reducing fertilization of corn in the critical period of maize nitrogen recovery. The spectral analysis can accurately detect nitrogen content in maize leaves, but the large amount of data in full band spectral analysis makes it difficult to establish a mathematical model for nitrogen content detection. The difficulty of modeling can be greatly reduced by selecting characteristic wavelengths which can reflect the nitrogen content level of maize leaves. However, traditional methods often extract the characteristic wavelength of a certain period as the basis for dimension reduction, which does not fully consider the influence of the change on characteristic wavelength of nitrogen content of corn growth. In this study, we extract the spectral characteristic wavelengths of nitrogen content in leaves of maize at three critical stages of nitrogen topdressing, namely jointing stage, bell mouth stage and heading stage, with the methods of standard normalization, convolution smoothing algorithm and continuous projection algorithm, which provide a basis for the establishment of the spectral detection model of nitrogen topdressing in maize. The spectral model proposed in this paper can greatly reduce the complexity of the algorithm. Through the comparison analysis of multivariate linear modeling, the feature wavelength extracted by this method has high accuracy, small root mean square error and low computational complexity.Keywords:nitrogen content; characteristic wavelength; spectrum; maize leaves收稿日期：2019-12-23基金项目： 国家重点研发计划（2018YFD0200607）；河北省高等学校科学技术研究项目（QN202044）.第一作者： 刘 丹（1992-），女，河北保定人，硕士研究生，主要从事光谱分析研究.E -mail:*****************通信作者： 郝建军（1972-），男，河北康保人，博士，教授，主要从事农业机械装备设计制造研究.E -mail:****************本刊网址：http: // hauxb. hebau. edu. cn: 8080 /CN/ volumn / home. shtml文章编号：1000-1573(2020)03-0102-06DOI ：10.13320/ki.jauh.2020.0059103第3期玉米整个生长周期中需求量最大的营养元素氮元素，主要来源于肥料的撒施，对玉米的生长发育起到至关重要的作用，是表征玉米长势和进行光合作用的关键［1-2］。

玉米叶片花青素相对含量高光谱遥感反演刘秀英;刘晨洲;吴姗微;石兆勇;常庆瑞【期刊名称】《遥感信息》【年(卷),期】2018(033)006【摘要】针对传统植物叶片色素测量存在的问题,提出了一种采用高光谱遥感技术反演玉米叶片花青素相对含量的方法.以含花青素的玉米叶片为对象,获取玉米叶片的花青素相对含量及高光谱反射率,分析350～1 000 nm波段范围内玉米叶片的反射光谱特征,建立基于敏感波段、已有光谱指数、新光谱指数的玉米叶片花青素相对含量反演模型,并进行分析、比较.结果表明,玉米叶片花青素相对含量的敏感波段为548 nm;新光谱指数为521和698 nm组成的比值指数(RI(521,698))、554和704 nm组成的差值指数(DI(554,704))、557和701 nm组成的归一化指数(NI(557,701)).基于RI(521,698)建立的一元线性和一元二次模型及DI(554,704)建立的一元二次模型的拟合R2均大于0.78,预测R2均大于或等于0.73,RMSE小于0.12,是进行玉米叶片花青素相对含量高光谱遥感反演的最优模型,说明在一定的精度范围内,新光谱指数具有无损反演玉米叶片花青素相对含量的潜力.【总页数】8页(P1-8)【作者】刘秀英;刘晨洲;吴姗微;石兆勇;常庆瑞【作者单位】河南科技大学农学院,河南洛阳471023;洛阳市共生微生物与绿色发展重点实验室,河南洛阳471023;洛阳市植物营养与环境生态重点实验室,河南洛阳471023;河南科技大学农学院,河南洛阳471023;洛阳市共生微生物与绿色发展重点实验室,河南洛阳471023;洛阳市植物营养与环境生态重点实验室,河南洛阳471023;河南科技大学农学院,河南洛阳471023;洛阳市共生微生物与绿色发展重点实验室,河南洛阳471023;洛阳市植物营养与环境生态重点实验室,河南洛阳471023;河南科技大学农学院,河南洛阳471023;洛阳市共生微生物与绿色发展重点实验室,河南洛阳471023;洛阳市植物营养与环境生态重点实验室,河南洛阳471023;西北农林科技大学资源环境学院,陕西咸阳712100【正文语种】中文【中图分类】TP79;S3【相关文献】1.基于PCA-WNN的玉米叶片叶绿素含量遥感反演建模方法 [J], 杨可明;张婉婉;刘二雄;张文文;夏天2.夏玉米叶片光合色素含量高光谱估算 [J], 落莉莉;常庆瑞;武旭梅;杨景;李粉玲;王琦3.基于高光谱分析的玉米叶片氮含量分层诊断研究 [J], 张银杰; 王磊; 白由路; 杨俐苹; 卢艳丽; 张静静; 李格4.玉米叶片重金属铅含量的SVD-ANFIS高光谱预测模型 [J], 韩倩倩;杨可明;李艳茹;高伟;张建红5.冬小麦叶片花青素相对含量高光谱监测 [J], 王伟东;常庆瑞;王玉娜因版权原因，仅展示原文概要，查看原文内容请购买。

昆明理工大学第八届大学生数学建模竞赛题目（请先阅读 “论文格式要求”）B 题： 玉米营养品质的快速鉴定玉米是生态农业的关键农作物之一，玉米中富含蛋白质、纤维素、脂肪、水溶性多糖和糖醇类等多种生理活性物质。

玉米的营养品质是指玉米中所含的各种营养成分（蛋白、纤维素、脂肪等）。

为了实行优质玉米的培养，需要实现玉米营养品质的快速鉴定。

玉米营养品质的鉴定需要对主要营养成分的含量进行检测。

光谱检测法是能够检测物质成分含量的快速分析方法，它可以根据物质的光谱响应特征来鉴别物质并确定化学组成和相对含量，具有测定时间短、非破坏性、多指标同时测定等优点，能够实现在线、实时、原位的定量分析与监测。

光谱检测分析首先需要根据常规生化检测数据结合光谱响应数据完成合理的定标与矫正过程，建立合适的数据分析模型，进而实现对物质成分的快速检测。

准备126个玉米样品，经过物理方法加工为粉末状。

采用Fourier 近红外光谱分析仪采集光谱数据，同一样品对不同频率的光产生不同的响应，光波长变化范围为10000~40001-cm （其中1-cm 为光波长单位），得到所有样品的光谱响应数据（见附表1）。

为完成光谱建模实现快速检测，采用常规生化方法检测前100个玉米样品的蛋白、纤维素和脂肪的成分含量值（见附表2）。

根据附表1和附表2的数据建立数学模型解决下列问题：1、根据前100个样品的光谱响应数据和蛋白含量的生化检测值，建立单一成分的光谱分析模型；拟定模型评价指标，并讨论模型的适用范围。

2、根据所建立的数学模型，估算其余26个玉米样品（编号101~126）的蛋白含量。

3、结合玉米的光谱响应数据和蛋白、纤维素、脂肪三种营养成分的生化检测值，设计合理的玉米营养品质快速检测方案建立数学模型；进一步利用模型估算其余26个玉米样品中蛋白、纤维素、脂肪三种营养成分含量。

附件1：126个玉米样品的光谱响应数据.xls附件2：前100个玉米样品的营养成分的生化检测值.xls。

2024 ，44（1） : 120J.SHANXI AGRIC, UNIV . （ N atural Science Edition ）学报（自然科学版）04252基于无人机高光谱影像的水稻叶片SPAD 值反演方法研究谢东1，何敬1*，何嘉晨1，王彬1，林远杨1，刘刚1，2（1.成都理工大学 地球科学学院，四川 成都 610059；2.成都理工大学 地质灾害防治与地质环境保护国家重点实验室，四川 成都 610059）摘要：［目的］通过无人机高光谱影像实现对水稻叶绿素含量高效、无损监测是现代化精准农业发展的重要手段。

研究水稻叶片原始光谱的不同预处理方法及其组合，构建不同光谱参数进行模型反演，得到研究区水稻叶片SPAD 值的最佳反演模型，可为高效无损监测水稻叶绿素含量提供参考。

［方法］以四川省成都市青白江区姚渡镇水稻种植区的水稻为研究对象，分别测定其叶片SPAD 值和500~900 nm 范围内的高光谱反射率，对原始反射率进行一阶微分（D1）、Savitzky‐Golay 卷积平滑（SG 平滑）、标准正态变换（SNV ）和多元散射校正（MSC ）及其组合的预处理方式，通过相关系数筛选出p<0.1的特征波段作为第1种光谱参数，在特征波段的基础上进行主成分分析（PCA ）降维，将得到的主成分作为第2种光谱参数。

将2种参数分别作为Extra Trees 模型的输入变量，建立研究区水稻SPAD 值的反演模型。

［结果］相比于利用相关系数筛选的特征波段所建的模型，通过PCA 对特征波段进行降维，得到的光谱参数建模精度更高，其中，ET_D1和ET_SG_MSC 的R 2分别由0.769和0.782增加到0.793和0.825，提升幅度为3%和5.5%；ET_SG_SNV 的R 2由0.754增加到0.796，提升幅度为5.6%；模型ET_PCA_特征_SG_MSC 精度最高，R 2和RMSE 分别为0.825和0.984，是研究区水稻SPAD 值的最佳反演模型。

Vol 41,No. 6,ppl891-1897June , 2021第41卷，第6期2021 年6 月光谱学与光谱分析SpectroscopyandSpectralAnalysis基于Sentinel-2影像与PROSAIL 模型参数标定的玉米冠层LAI 反演苏伟1!!邬佳昱1!!王新盛1!!谢茈萱1!!张颖1!!陶万成1!!金添1!1. 中国农业大学土地科学与技术学院，北京1000832. 农业部农业灾害遥感重点实验室,北京100083摘 要 叶面积指数（LAI ）与植被光合作用、蒸腾作用、生物量的形成等有密切联系，是玉米长势监测、灾 害胁迫监测、产量预测等重要参数之一，也是辐射传输模型、作物生长模型等机理模型的一个重要参数$Sentinel-2卫星是“全球环境与安全监测/十划的第二颗卫星,具有较高的时空分辨率,且具有红边波段,其可见光和近红外波段的分辨率为10m ,是农业遥感应用的理想数据源$ PROSAIL 辐射传输模型是遥感反演 玉米冠层LAI 的有效途径，然而在反演中存在输入参数不确定性大、调参困难、病态反演、速度慢等问题$ 模型的参数标定能够获取观测反射率及不确定性范围内的参数取值，提供丰富准确的参数信息，降低模型反演过程中的偏差$为探索参数标定在玉米冠层LAI 反演中的应用,研究以Sentinel-2A 卫星影像为数据 源,使用马尔可夫链蒙特卡洛方法（MCMC ）对PROSAIL 模型进行参数标定,通过加入5%的观测光谱不确定性，获取各参数在不确定性范围内的后验取值概率分布，以优化反演过程中的参数设置，提高LAI 反演精度$研究结果表明：（l ）PROSAIL 模型对可见光和近红外波段较为敏感的输入参数有LAI 、叶片叶绿素含 量及结构系数，将此三个参数作为查找表反演中的可变参数能够有效地进行LAI 的反演，反演精度的决定系数达0.7以上$ （2）MCMC 方法能够对PROSAIL 模型进行参数标定,获取研究区内玉米各参数取值分布信息，参数后验分布与实际情况接近，表明利用MCMC 方法进行参数标定可行有效$ （3）通过参数标定可以 有效提高LAI 的反演精度，在降低反演偏差和异常值方面尤为明显，参数标定优化后的反演平均偏差由原先的20%降低至8% ,同时估算精度由76%提高至90% $研究结果表明：利用MCMC 进行PROSAIL 模型参数标定，能够提高PROSAIL 模型的LAI 反演精度，降低反演偏差，为利用PROSAIL 辐射传输模型提高作物冠层参数反演精度提供借鉴$关键词 Sentinel-2卫星；PROSAIL 辐射传输模型；参数标定；LAI 反演；敏感性分析中图分类号：TP79文献标识码：A DOI ： 10. 3964/j. issn. 1000-0593（2021）06-1891-07引言叶片是玉米光合作用的主要器官，玉米的干物质积累大 多来自叶片，因此准确描述玉米叶片生长状态对于玉米长势监测、灾害胁迫监测、产量预测等具有重要意义山$叶面积 指数是单位土地面积上的植物叶片表面积的一半方，与植被各生理生化过程有密切联系, 是表征玉米长势的一种重要参数$遥感数据具有空间上的全覆盖性、时间上的连续性和数据类型的多样性, 能够以不同的时空尺度获取多种作物冠层信息$ 基于遥感影像反演玉米冠层叶面积指数, 可为玉米长势监测、病虫害胁迫监测、产量预测提供有效依据[3]$PROSAIL 辐射传输模型综合考虑了作物冠层结构、生 长状况以及遥感观测环境的影响, 能够准确模拟作物冠层反射率，由于其高敏感性与完善的辐射传输机理，PROSAIL 模型被广泛应用于叶面积指数deaf area index, LAI ）反演中$近年来，众多学者针对PROSAIL 模型的LAI 反演进行了诸 多研究，反演方法包括查找表法⑷、经验线性回归、机器学 习⑸以及模型耦合⑹等，取得了显著成果$其中查找表法是传统的反演算法, 通过建立大量情况下模型参数与冠层反射率之间的映射关系，使用代价函数进行迭代运算，将计算所需的时间转移至反演前，因此具有广泛的应用）7*$机器学习 等方法则弱化了模型的机理过程，训练模型更为灵活，近些 年发展迅速。

第1篇一、实验目的本实验旨在通过野外实测数据与遥感影像数据相结合，构建叶绿素浓度的反演模型，并验证模型的精度和适用性。

通过实验，掌握叶绿素浓度遥感反演的基本原理和方法，为后续叶绿素浓度遥感监测提供技术支持。

二、实验原理叶绿素是植物进行光合作用的重要色素，其浓度直接影响植物的生长和产量。

遥感技术可以获取大范围、高时空分辨率的叶绿素浓度信息，为农业、生态环境监测等领域提供重要数据支持。

叶绿素浓度遥感反演模型主要基于以下原理：1. 光谱反射率：叶绿素浓度与植物叶片的光谱反射率存在一定的相关性。

通过分析叶片的光谱反射率数据，可以反演叶绿素浓度。

2. 光谱指数：利用植被指数（如NDVI、SAVI等）与叶绿素浓度之间的关系，建立遥感反演模型。

3. 机器学习：通过机器学习算法，如BP神经网络、支持向量机等，建立叶绿素浓度与光谱反射率或植被指数之间的非线性关系。

三、实验材料与方法1. 实验材料：野外实测数据（叶绿素浓度、光谱反射率）、遥感影像数据（光学遥感影像、雷达影像）2. 实验方法：（1）数据预处理：对遥感影像数据进行辐射校正、几何校正、大气校正等预处理操作，确保数据质量。

（2）光谱反射率提取：从预处理后的遥感影像中提取叶片的光谱反射率数据。

（3）植被指数计算：根据光谱反射率数据，计算植被指数（如NDVI、SAVI等）。

（4）叶绿素浓度反演模型构建：利用机器学习算法，结合光谱反射率或植被指数，构建叶绿素浓度反演模型。

（5）模型验证：利用独立验证数据集，对反演模型进行验证，评估模型的精度和适用性。

四、实验结果与分析1. 数据预处理：对遥感影像数据进行预处理，确保数据质量。

2. 光谱反射率提取：从预处理后的遥感影像中提取叶片的光谱反射率数据。

3. 植被指数计算：根据光谱反射率数据，计算植被指数（如NDVI、SAVI等）。

4. 叶绿素浓度反演模型构建：利用机器学习算法，结合光谱反射率或植被指数，构建叶绿素浓度反演模型。