CN106485345A - 棉花全生育期冠层spad值遥感估算及估算模型构建方法 - Google Patents
棉花全生育期冠层spad值遥感估算及估算模型构建方法 Download PDFInfo
- Publication number
- CN106485345A CN106485345A CN201610805056.3A CN201610805056A CN106485345A CN 106485345 A CN106485345 A CN 106485345A CN 201610805056 A CN201610805056 A CN 201610805056A CN 106485345 A CN106485345 A CN 106485345A
- Authority
- CN
- China
- Prior art keywords
- canopy
- spad
- infertility
- cotton
- time
- 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
Links
- 229920000742 Cotton Polymers 0.000 title claims abstract description 54
- 208000000509 infertility Diseases 0.000 title claims abstract description 43
- 230000036512 infertility Effects 0.000 title claims abstract description 43
- 231100000535 infertility Toxicity 0.000 title claims abstract description 43
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000000985 reflectance spectrum Methods 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 20
- 229930002875 chlorophyll Natural products 0.000 claims description 17
- 235000019804 chlorophyll Nutrition 0.000 claims description 17
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000010238 partial least squares regression Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 240000005373 Panax quinquefolius Species 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 9
- 230000002596 correlated effect Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000060924 Brassica campestris Species 0.000 description 1
- 235000005637 Brassica campestris Nutrition 0.000 description 1
- 241001573881 Corolla Species 0.000 description 1
- 241000241602 Gossypianthus Species 0.000 description 1
- 241001420622 Meris Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明的实施例公开了一种棉花全生育期冠层SPAD值遥感估算及估算模型构建方法。以渭北旱塬区种植的棉花为试验材料,测量全生育期棉花冠层SPAD值与冠层反射率光谱,将原始高光谱反射率、一阶微分光谱反射率、不同波段组合的遥感光谱参数分别与SPAD值做相关性分析,建立五种重要光谱参数的SPAD预测模型,同时采用PLSR建立全光谱SPAD的估算模型,并进行检验,最后筛选出精度最高的模型。基于重要光谱变量建立的全光谱的PLSR模型利用高光谱技术对棉花SPAD值进行监测,预测效果显著,可为全生育期棉花长势遥感监测提供依据,对指导棉花种植与生产具有积极指导作用。
Description
技术领域
本发明涉及棉花检测领域,更具体而言,本发明涉及棉花全生育期冠层SPAD(“土壤作物分析仪器开发”的缩写,Soil and Plant Analyzer Development)值遥感估算及估算模型构建方法。
背景技术
叶绿素是植物光合作用中最主要的色素,也是植物与外界进行能量交换的重要物质。叶绿素含量与植株光合能力、发育阶段和氮素状况密切相关,已经成为评价植物长势的一种有效手段,对植物叶绿素含量的实时监测有着重要的意义[1]。SPAD值是一个相对叶绿素含量读数,可用作植物单位面积的叶绿素含量[2]。通常采用SPAD-502叶绿素仪测量植物SPAD值,该仪器通过测量叶子对两个波长段里的吸收率,来评估当前叶子中的叶绿素的相对含量,它已成为当前全世界测量叶绿素的常用方法[3]。研究表明,叶绿素含量与叶片反射率之间存在高度相关性。因此,近年来,基于高光谱预测叶绿素含量的研究在国内外得到了广泛地展开。
高光谱遥感具有光谱分辨率高(<10nm)、波段连续性强、光谱信息量大等特点,其分辨率低于一般地表物质的半吸收宽度(约20--40nm)。而逐步成熟的植被高光谱分析算法,为更准确地探测植被精细光谱信息、描述各关键生育时期的光谱变化特征、定量反演棉花SPAD值、建立棉花生长信息定量模型提供了可能。
已有研究表明,对作物的近红外光谱分析中,偏最小二乘算法方法的预测效果优于一般线性模型,且对连续光谱分析有明显的优势[4,5]。偏最小二乘(PLS)回归分析方法是集多元线性回归分析、典型相关分析和主成分分析的基本功能为一体的一种新型多元统计数据分析方法,能有效克服一般最小二乘回归分析方法无法解决的难题。本发明运用PLSR构建了棉花全生育期冠层光谱的SPAD预测模型。
目前国内外植被高光谱分析算法研究大多集中在水稻[6]、小麦[6]、油菜[3,8]等粮油作物,对棉花研究的相对较少。国内对棉花的研究区主要集中在我国的新疆干旱地区[9-11],而对于渭北旱塬区棉花冠层叶片叶绿素含量的研究极少见到。渭北旱塬区地处陕北丘陵沟壑区的南部、关中平原的北部,是陕西省重要的农业基地,因此选取渭北旱塬区的重要的经济作物棉花为对象开展研究工作,这对解决当地粮食问题、农民增收和加快农村经济发展有着重要的战略意义。同时,以往对棉花冠层叶绿素的研究由于天气条件限制和实验条件有限等因素,往往是针对关键生育期的估测,尚未有全生育期的估测,故本发明以全生育期详实的田间棉花基础数据建模,来进一步提高估测模型的可靠性,为棉花长势的高光谱遥感监测提供依据。
参考文献
[1]姚霞,吴华兵,朱艳,田永超,周治国,曹卫星.棉花功能叶片色素含量与高光谱参数的相关性研究[J].棉花学报,2007,19(4):267~272.
[2]赵艳茹,余克强,李晓丽,何勇.基于高光谱成像的南瓜叶片叶绿素分布可视化研究[J].光谱学与光谱分析,2014,34(5):1378~1382
[3]丁希斌,刘飞,张初,何勇.基于高光谱成像技术的油菜叶片SPAD值检测[J].光谱学与光谱分析,2015,(2):486~491
[4]杨国栋.基于变量筛选的偏最小二乘回归方法及其应用[D].中南大学,2013.
[5]王纪华,黄文江,劳彩莲,张录达,罗长兵,王韬,刘良云,宋晓宇,马智宏.运用PLS算法由小麦冠层反射光谱反演氮素垂直分布[J].光谱学与光谱分析,2007,27(7):1319~1322
[6]陈君颖,田庆久,施润和.水稻叶片叶绿素含量的光谱反演研究[J].遥感信息,2005,(6):12~16.
[7]贺可勋,赵书河,来建斌,罗云霄,覃志豪.水分胁迫对小麦光谱红边参数和产量变化的影响[J].光谱学与光谱分析,2013,33(8):2143~2147.
[8]李岚涛,马驿,魏全全,汪善勤,任涛,李小坤,丛日环,王振,王少华,鲁剑巍.基于高光谱的冬油菜植株氮素积累量监测模型[J].农业工程学报,2015,31(20):147~156
[9]蒋桂英.新疆棉花主要栽培生理指标的高光谱定量提取与应用研究[D].湖南农业大学,2004.
[10]黄春燕.基于高光谱数据的北疆棉花遥感监测研究[D].石河子大学,2005.
[11]王克如,潘文超,李少昆,等.不同施氨量棉花冠层高光谱特征研究[J].光谱学与光谱分析.2011,31(7):1868-1872.
[12]程国锋,窦慎,许玮.渭北旱塬区气温变化与冬小麦物候的响应[J].干旱地区农业研究.2014(05):112-115.
[13]祁亚琴,吕新,陈冠文,林海荣,陈燕,杨坤.基于高光谱数据提取棉花冠层特征信息的研究[J].棉花学报,2011,23(2):167~171
[14]李粉玲,王力,刘京,常庆瑞.基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算[J].农业机械学报,2015,46(9):273~281
[15]陆洪涛.偏最小二乘回归数学模型及其算法研究[D].华北电力大学,2014.
[16]秦占飞,常庆瑞,申健,等.引黄灌区水稻红边特征及SPAD高光谱预测模型[J].武汉大学学报(信息科学版).2016:1-8.
[17]袁杰.基于高光谱红边参数定量提取棉花冠层特征信息的研究[D].石河子大学,2007.
发明内容
鉴于此,本发明提供了一种棉花全生育期冠层SPAD值遥感估算模型构建方法,包括以下步骤:选择多个实验小区,在每个实验小区选择多个样点;分别于棉花的不同成长关键生育期进行冠层光谱测量;每个样点测多条完整曲线,最后取其均值作为该样点的平均反射光谱,每个小区取多个样点的反射光谱平均值作为该小区的反射光谱;在测定光谱的样点处,选择棉花冠层展开的第二、三片叶片进行测量,每个样点随机测量多个SPAD值,取其平均值作为该样点的冠层叶绿素值;将棉花原始冠层光谱反射率与叶片SPAD值进行单相关分析;将棉花冠层光谱反射率作一阶微分后与叶片SPAD值进行相关分析;将选取的多种遥感光谱参数与SPAD值进行相关分析,选取相关性最大的遥感光谱参数进行建模。
优选地,将得到的原始光谱进行处理后得到光滑完整的光谱曲线,再对反射光谱做一阶微分处理以消除噪声影响、减小误差。
优选地,测量时避开叶脉部分,SPAD测量时间与光谱数据采集同步。
优选地,选取对SPAD值相关性最显著的特征光谱参数为自变量,对全生育期SPAD值作线性拟合,构建模型。
优选地,应用预测模型偏最小二乘回归法PLSR对全生育期的所有测试样本的光谱特征参数建立棉花冠层叶片的SPAD预测模型。
优选地,所述成长关键生育期包括:苗期、盛蕾期、盛花期、盛铃期、吐絮期。
优选地,所述棉花全生育期冠层SPAD值遥感估算模型构建方法包括:利用检验样本对不同输入变量的模型精度进行检验,采用决定系数R2、均方根误差RMSE和回归方程斜率三个指标来检验全生育期模型的预测能力,决定系数R2和斜率绝对值越接近1,RMSE值越小,则预测模型精度越高。
本发明还提供了一种棉花全生育期冠层SPAD值遥感估算方法,包括利用根据上述方法构建的模型来估算棉花全生育期冠层SPAD值。
根据在下文中所描述的附图和实施例,本发明的这些和其它方面将是清楚明白的,并且将参考在下文中所描述的实施例而被阐明。
附图说明
将参考附图中所说明的优选实施例而在下文中更详细地解释本发明。
图1示出了根据本发明实施例的棉花叶片SPAD与冠层原始光谱的相关性。
图2示出了根据本发明实施例的棉花叶片SPAD与冠层一阶微分光谱的相关性。
图3示出了根据本发明实施例的叶片SPAD预测值与实测值分布。
具体实施方式
以下结合附图详细描述本发明的优选实施例。
1材料与方法
1.1研究区概况
试验于2014-2015年在渭北旱塬区的乾县梁山乡三合村(108°00′13″E~108°24′18″E,34°19′36″N~34°45′05″N)进行,当地属于暖温带半干旱、半湿润大陆性季风气候,年降水量为550-730mm,雨热同季,干旱威胁大。因水土流失严重,导致土壤贫瘠化,使农业基础特别薄弱,严重制约农业可持续发展。研究区前茬作物棉花,供试品种为鲁棉研28号。本发明设计46个实验小区,小区大小为5m*6m。棉花种植方式为地膜覆盖垄种。
1.2数据获取
1.2.1棉花冠层高光谱数据的测量
采用美国的SVCHR1024i便携式全波段地物光谱仪,光谱范围350-2500nm,其中350-1000nm区间光谱分辨率为1.4nm,1000-1850nm区间光谱分辨率为3.8nm,1850-2500nm为2.4nm,选择晴朗无云无风天气的10:00-14:00,在每个小区选取3个具有代表性的、均匀的无病虫危害的样点,分别在棉花的成长关键生育期(苗期、盛蕾期、盛花期、盛铃期、吐絮期)进行冠层光谱测量。每次测定均进行参考白板的标定,传感器探头垂直向下,距离棉花冠层顶部约50cm,光谱扫描时间设为3s,每样点测3-5条完整曲线,最后取其均值作为该样点的平均反射光谱,每个小区取三个样点的反射光谱平均值作为该小区的反射光谱。
1.2.2 SPAD值的测量
采用SPAD仪进行无破坏性的田间即时测定,测量光谱对应的冠层叶绿素。在测定光谱的样点处,选择棉花冠层展开的第二、三片叶片进行测量,每个样点随机测量10个SPAD值,取其平均值作为该样点的冠层叶绿素值。为了减小误差,在每片叶子的中部选取均匀分布的10个点,测量时避开叶脉部分。SPAD测量时间与光谱数据采集同步。
1.3数据处理
1.3.1高光谱图像信息选择
为了剔除背景、大气散射的影响和提高不同吸收特征的对比度,在实际分析处理高光谱数据的过程中,常常需要对原始高光谱数据进行各种变换[13]。基本的变换形式主要是微分变换、对数变换和对数的微分变换。
将得到的原始光谱首先用SVC HR-1024i软件做Overlap/Matching处理,得到光滑完整的光谱曲线,再采用origin对反射光谱做一阶微分处理以消除噪声影响、减小误差,其原理:
式中λi为通道i处的波长值,R(λi)为波长λi处的光谱反射值,Δλ为相邻波长间隔。
1.3.2遥感光谱参数选择
遥感植被光谱参数通过不同波段反射率的线性或非线性组合变化,削弱背景信息对植被光谱特征的干扰,有助于提高遥感数据表达叶绿素含量的精度。本发明提取了22种对叶绿素含量敏感的宽波段光谱指数和7种红边参数来构建棉花冠层叶片SPAD值估算模型。光谱参数计算方式见表1。
表1 遥感光谱参数及其计算公式
注:R为原始光谱的反射率,NIR为近红外范围内第一个拐点对应的波长。
1.3.3特征光谱建模预测
将上述29种光谱参数与SPAD值进行相关分析,选取相关性最大的遥感光谱参数进行建模。全生育期观测得到920个样本,其中800个作为测试样本,120个留作检验样本。
2结果与分析
2.1 SPAD值与光谱反射率的相关性
2.1.1 SPAD值与原始光谱相关性
将棉花原始冠层光谱反射率与叶片SPAD值进行单相关分析(样本数n=800),结果如图1所示。由图可知,棉花叶片SPAD与冠层光谱反射率在红边至1250nm的正红外波段呈极显著正相关,在500-715nm的绿-红波段和1340-2500nm的近红外波段呈极显著负相关,这主要是叶绿素在此光谱区间的特殊收敛反射性能所决定的。其中,SPAD值的敏感波段出现在708.2nm处,对应r=-0.533,达到99%置信水平显著相关。
2.1.2 SPAD与一阶微分光谱相关性
将棉花冠层光谱反射率作一阶微分后与叶片SPAD值进行相关分析,结果如图2所示。从图2可以看出,SPAD值与光谱一阶微分的相关性整体上优于原始光谱的相关性。波长500-760nm的相关系数大于0.6,其中反映SPAD含量的敏感波段出现在734.7nm处,r=0.6992。
2.2棉花叶片光谱参数与SPAD相关性
根据表1计算各种光谱参数并与SPAD值进行相关性分析,得到表2。29个光谱参数中只有6个与SPAD值相关性较差,未达到显著相关水平,多达21个与SPAD值呈极显著相关水平。
表2 棉花全生育期各光谱变量与SPAD的相关性
注:1.**表示在0.01水平上显著相关;2.*表示在0.05水平上显著相关。
由表2可以看出,与全生育期棉花叶片SPAD相关性最好的几个光谱变量其相关系数从高到低依次为改进的叶绿素吸收反射指数MCARI、复合植被指数MCARI/OSAVI、抗大气植被指数VARI,说明与SPAD值都是显著负相关,其中MCARI的相关系数最高,达到了-0.679;R红边、MERIS陆地叶绿素指数MTCI与SPAD呈显著正相关。这几个光谱变量的计算都与红光波段有关,而红光波段正是叶绿素的强吸收波段。另外,MCARI、MCARI/OSAVI、MTCI、VARI、R红边均通过了99%置信水平的显著性检验,表明这五个光谱变量对SPAD值的变化有较好的表征作用。
2.3棉花冠层SPAD值估算模型构建
利用冠层光谱数据对SPAD值进行估算时,采用两种方法建模。1)选取对SPAD值相关性最显著的五个特征光谱参数(MCARI、MCARI/OSAVI、MTCI、VARI和R红边)为自变量,对全生育期SPAD值作线性拟合,构建的模型见表3。
表3 棉花全生育期叶片SPAD值的回归预测模型
由表3可以看出,五种入选变量与SPAD值建立的回归方程相关系数均达到极显著水平,其中以MCARI为自变量的线性回归方程拟合的绝对系数R2和相关系数r都最高,分别为0.461和-0.6789。
2)偏最小二乘回归法(Partial least squares regression,PLSR)是一种新型的多元统计数据分析方法,它主要研究的是多因变量对多自变量的回归建模,特别当各变量内部高度线性相关时,用偏最小二乘回归法更有效。PLSR集主成分、典型相关和多元线性回归分析三种分析方法的优点为一体,能够利用所有有效的光谱参数构建模型,提取出反映数据变异的最大信息,具有良好的预测功能[4]。应用PLSR[15]对全生育期800个样本的光谱特征参数建立棉花冠层叶片的SPAD预测模型,模型的R2=0.733,RMSEC=4.546,各光谱变量与SPAD值的回归系数见表4。
表4 棉花各光谱变量与SPAD的回归系数
2.4模型检验
为了检验模型效果,利用120个检验样本对不同输入变量的模型精度进行检验,采用决定系数R2、均方根误差RMSE和回归方程斜率三个指标来检验全生育期模型的预测能力,决定系数R2和斜率绝对值越接近1,RMSE值越小,说明预测模型精度越高。模型检验结果见表5和图3。
表5 SPAD估算模型精度检验
由表5可知,由光谱特征变量MCARI、MCARI/OSAVI、MTCI、VARI、R红边建立的SPAD估算模型预测全生育期棉花冠层SPAD值的精度较低,除MTCI外,另外四个参数的估算模型的验证R2都在0.53左右,都没有SPAD-PLSR模型的验证R2大(0.7370)。在所有模型中,SPAD-PLSR模型的验证R2最大,RMSE最小,分别为0.737和4.135,所以SPAD-PLSR模型相较于其他模型有明显的优势,能有效地对SPAD值进行估测。比较前五个模型,SPAD-VARI(700)的R2最大,但是其均方根误差RMSE也最大,同时回归方程斜率仅0.553,说明该模型预测精度不高;SPAD-MCARI模型的R2仅次于SPAD-VARI(700),同时均方根误差在五个模型中是最小的、回归方程斜率最接近于1,说明SPAD-MCARI在前五个模型中精度最高、预测能力最好。
由图3可知,在以光谱变量为自变量所建立的回归方程中,以MCARI为自变量的棉花冠层SPAD值估算值与实测值分布最接近于1:1线,进一步验证了上述SPAD-MCARI在前五个模型中精度最高、对全生育期SPAD值的估测能力最好。而通过SPAD-PLSR模型实测值与预测值分布图与SPAD-MCARI模型实测值与预测值分布图的比较,可以看到SPAD-PLSR模型优势更明显,其预测值与实测值之间的分布更集中、更接近1:1线,因此确定SPAD-PLSR模型为估算棉花全生育期冠层SPAD值的最佳模型。
3结论与讨论
棉花冠层原始光谱反射率数据、一阶微分光谱数据与SPAD的相关性都较高,可以用来估计SPAD值。一阶微分光谱与SPAD的相关性整体上比原始光谱反射率数据做的相关性结果更好,这是由于微分消除了背景、大气散射的影响,并提高了不同吸收特征的对比度。对于原始反射光谱,SPAD值的敏感波段发生在708.2nm处,对应r=-0.533;对于一阶微分光谱,SPAD含量的敏感波段发生在734.7nm处,r=0.6992。
利用冠层光谱数据对SPAD值进行估算时,通常以原始光谱和一阶微分光谱为数据源,提取遥感光谱特征参数,以光谱数据变换形式对全生育期SPAD值作线性回归分析,从而建立基于光谱参数的SPAD预测模型[16],这与本发明的第一种建模方法一致,而采用PLSR对全生育期重要光谱变量建模并检验,其预测值与实测值之间的分布更集中、更接近1:1线,说明其模型预测效果更好更精确,说明SPAD-PLSR估算模型对全生育期棉花冠层SPAD值估测更适用,这对指导棉花种植与生产具有积极指导作用,可为棉花遥感监测提供依据。在SPAD值预测模型参数选择方面,之前的学者应用最多的是由一阶微分提取的红边参数[17],而本发明中与SPAD值相关性最好的光谱变量是MCARI、MCARI/OSAVI和R红边,造成这种差异的原因可能是地域不同、光照条件不同或是背景复杂情况不同。本发明对重要遥感光谱变量做SPAD值的常规线性回归模型,其中预测效果最好的是SPAD-MCARI模型:y=-64.33x+61.822,R2=0.461,模型精度检验结果与其它的相比,R2最大、RMSE最小,所以SPAD-MCARI模型相较于其他模型有一定的优势,可以应用到精度要求不高的平台。
本发明使用的全生育期SPAD-PLSR模型样本数量丰富、预测精度高,以全生育期详实的田间棉花基础数据建模,提高了估测模型的可靠性,为渭北旱塬区预测棉花冠层叶绿素提供了参考方法,为全生育期棉花长势的高光谱遥感监测提供依据,为解决当地粮食问题、农民增收和加快农村经济发展有着重要的战略意义。
上面结合附图和实施例对本发明做了详细的说明。但是,应当理解,本发明的实施例并不限于所公开的特定实施例,并且对该实施例的修改和其他实施例也意图被包含在所附权利要求书的范围内。尽管此处使用了特定术语,但是它们仅在通用和描述性意义上使用,而非为了限制的目的。
Claims (8)
1.一种棉花全生育期冠层SPAD值遥感估算模型构建方法,其特征在于,包括以下步骤:
选择多个实验小区,在每个实验小区选择多个样点;
分别于棉花的不同成长关键生育期进行冠层光谱测量;
每个样点测多条完整曲线,最后取其均值作为该样点的平均反射光谱,每个小区取多个样点的反射光谱平均值作为该小区的反射光谱;
在测定光谱的样点处,选择棉花冠层展开的第二、三片叶片进行测量,每个样点随机测量多个SPAD值,取其平均值作为该样点的冠层叶绿素值;
将棉花原始冠层光谱反射率与叶片SPAD值进行单相关分析;
将棉花冠层光谱反射率作一阶微分后与叶片SPAD值进行相关分析;
将选取的多种遥感光谱参数与SPAD值进行相关分析,选取相关性最大的遥感光谱参数进行建模。
2.根据权利要求1所述的棉花全生育期冠层SPAD值遥感估算模型构建方法,其特征在于,还包括:
将得到的原始光谱进行处理后得到光滑完整的光谱曲线,再对反射光谱做一阶微分处理以消除噪声影响、减小误差。
3.根据权利要求1所述的棉花全生育期冠层SPAD值遥感估算模型构建方法,其特征在于,测量时避开叶脉部分,SPAD测量时间与光谱数据采集同步。
4.根据权利要求1所述的棉花全生育期冠层SPAD值遥感估算模型构建方法,其特征在于,包括:
选取对SPAD值相关性最显著的特征光谱参数为自变量,对全生育期SPAD值作线性拟合,构建模型。
5.根据权利要求1所述的棉花全生育期冠层SPAD值遥感估算模型构建方法,其特征在于,包括:
应用预测模型偏最小二乘回归法PLSR对全生育期的所有测试样本的光谱特征参数建立棉花冠层叶片的SPAD预测模型。
6.根据权利要求1所述的棉花全生育期冠层SPAD值遥感估算模型构建方法,其特征在于,所述成长关键生育期包括:苗期、盛蕾期、盛花期、盛铃期、吐絮期。
7.根据权利要求1-6中任何一个所述的棉花全生育期冠层SPAD值遥感估算模型构建方法,其特征在于,包括:
利用检验样本对不同输入变量的模型精度进行检验,采用决定系数R2、均方根误差RMSE和回归方程斜率三个指标来检验全生育期模型的预测能力,决定系数R2和斜率绝对值越接近1,RMSE值越小,则预测模型精度越高。
8.一种棉花全生育期冠层SPAD值遥感估算方法,其特征在于,包括利用根据权利要求1-6中任何一个所述的方法构建的模型来估算棉花全生育期冠层SPAD值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610805056.3A CN106485345A (zh) | 2016-09-06 | 2016-09-06 | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610805056.3A CN106485345A (zh) | 2016-09-06 | 2016-09-06 | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106485345A true CN106485345A (zh) | 2017-03-08 |
Family
ID=58273458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610805056.3A Pending CN106485345A (zh) | 2016-09-06 | 2016-09-06 | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485345A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109752487A (zh) * | 2018-11-29 | 2019-05-14 | 北京农业信息技术研究中心 | 冬小麦叶片氮素含量预估方法及装置 |
CN110069895A (zh) * | 2019-05-20 | 2019-07-30 | 中国水利水电科学研究院 | 冬小麦含氮量全生育时段光谱监测模型建立方法 |
CN111275567A (zh) * | 2020-01-15 | 2020-06-12 | 新疆疆天航空科技有限公司 | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 |
CN111507197A (zh) * | 2020-03-23 | 2020-08-07 | 中国科学院空天信息创新研究院 | 一种棉花脱叶剂施药处方图生成方法及装置 |
CN111781183A (zh) * | 2020-07-30 | 2020-10-16 | 河南省农业科学院小麦研究所 | 一种利用叶绿素荧光估算植物叶片叶绿素含量的方法 |
CN112881327A (zh) * | 2021-01-25 | 2021-06-01 | 安徽皖南烟叶有限责任公司 | 一种基于新型植被指数的烟叶spad值估测方法 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063601A (zh) * | 2012-12-10 | 2013-04-24 | 新疆农业科学院土壤肥料与农业节水研究所 | 一种基于spad-502的棉花叶片测定方法 |
-
2016
- 2016-09-06 CN CN201610805056.3A patent/CN106485345A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063601A (zh) * | 2012-12-10 | 2013-04-24 | 新疆农业科学院土壤肥料与农业节水研究所 | 一种基于spad-502的棉花叶片测定方法 |
Non-Patent Citations (3)
Title |
---|
张晓华 等: "基于高光谱植被指数的西北玉米不同时期叶绿素含量估测", 《中国农业大学学报》 * |
李粉玲 等: "基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算", 《农业机械学报》 * |
解飞 等: "关中地区夏玉米抽穗期叶绿素含量的高光谱估算", 《水土保持通报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109752487A (zh) * | 2018-11-29 | 2019-05-14 | 北京农业信息技术研究中心 | 冬小麦叶片氮素含量预估方法及装置 |
CN110069895A (zh) * | 2019-05-20 | 2019-07-30 | 中国水利水电科学研究院 | 冬小麦含氮量全生育时段光谱监测模型建立方法 |
CN110069895B (zh) * | 2019-05-20 | 2021-06-01 | 中国水利水电科学研究院 | 冬小麦含氮量全生育时段光谱监测模型建立方法 |
CN111275567A (zh) * | 2020-01-15 | 2020-06-12 | 新疆疆天航空科技有限公司 | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 |
CN111275567B (zh) * | 2020-01-15 | 2022-04-29 | 新疆疆天航空科技有限公司 | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 |
CN111507197A (zh) * | 2020-03-23 | 2020-08-07 | 中国科学院空天信息创新研究院 | 一种棉花脱叶剂施药处方图生成方法及装置 |
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 |
CN111781183A (zh) * | 2020-07-30 | 2020-10-16 | 河南省农业科学院小麦研究所 | 一种利用叶绿素荧光估算植物叶片叶绿素含量的方法 |
CN112881327A (zh) * | 2021-01-25 | 2021-06-01 | 安徽皖南烟叶有限责任公司 | 一种基于新型植被指数的烟叶spad值估测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
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 | |
Consoli et al. | Mapping crop evapotranspiration by integrating vegetation indices into a soil water balance model | |
Feng et al. | Analysis of the relationship between the spectral characteristics of maize canopy and leaf area index under drought stress | |
Meng et al. | Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics | |
Zhu et al. | Monitoring leaf nitrogen in wheat using canopy reflectance spectra | |
CN101187630A (zh) | 一种农田干旱监测方法 | |
CN104199027B (zh) | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 | |
Shahabfar et al. | Agricultural drought monitoring in semi-arid and arid areas using MODIS data | |
CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
Hu et al. | Evapotranspiration partitioning and its interannual variability over a winter wheat-summer maize rotation system in the North China Plain | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
Wang et al. | Dynamical effects of plastic mulch on evapotranspiration partitioning in a mulched agriculture ecosystem: Measurement with numerical modeling | |
CN111044516A (zh) | 一种水稻叶绿素含量遥感估测方法 | |
Song et al. | Mapping paddy rice agriculture over China using AMSR-E time series data | |
Yang et al. | Modeling evapotranspiration and its partitioning over a semiarid shrub ecosystem from satellite imagery: a multiple validation | |
Consoli et al. | Estimating water requirements of an irrigated mediterranean vineyard using a satellite-based approach | |
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 | |
Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
Yudarwati et al. | Bacterial leaf blight detection in rice crops using ground-based spectroradiometer data and multi-temporal satellites images | |
Wu et al. | Evaluating the accuracy of ARMA and multi‐index methods for predicting winter wheat maturity date | |
CN115661601A (zh) | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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: 20170308 |