摘要： 【目的】蜜柚葉片氮素(nitrogen,N)含量是準(zhǔn)確診斷和定量評(píng)價(jià)生長(zhǎng)狀況的重要指標(biāo),建立合適的蜜柚葉片氮素含量高光譜估算模型,為實(shí)現(xiàn)快速、無(wú)損、精確的氮素含量估測(cè)提供依據(jù)?！痉椒ā炕诿坭秩~片高光譜數(shù)據(jù)和氮素含量實(shí)測(cè)數(shù)據(jù),建立了蜜柚葉片偏最小二乘回歸模型(PLS)、BP神經(jīng)網(wǎng)絡(luò)回歸模型(BPNN)、隨機(jī)森林回歸模型(RF)和支持向量機(jī)回歸模型(SVM),并確定了蜜柚葉片氮素含量最佳估算模型?！窘Y(jié)果】原始光譜和一階微分光譜與蜜柚葉片氮素含量在可見(jiàn)光范圍內(nèi)有多波段相關(guān)性顯著,并出現(xiàn)多個(gè)極值。原始光譜曲線敏感波長(zhǎng)為569 nm和704 nm,一階微分曲線的敏感波長(zhǎng)為541、617、695、753 nm。與蜜柚葉片氮素含量相關(guān)性較顯著的光譜參量是NDVI′_(695,753)、RVI′_(695,753)、DVI′_(617,695)、R′_(617)、DVI′_(541,617)。建立的PLS、BPNN、RF和SVM 4種蜜柚葉片氮素含量估算模型的決定系數(shù)R^(2)分別為0.75、0.80、0.83和0.81,均方根誤差RMSE分別為1.16、1.08、0.97和1.02。驗(yàn)證模型的決定系數(shù)R^(2)分別為0.79、0.84、0.85和0.82,均方根誤差RMSE分別為1.11、0.94、0.87和0.99,其估算模型的精確程度為RF>SVM>BPNN>PLS?！窘Y(jié)論】通過(guò)對(duì)琯溪蜜柚葉片氮素含量進(jìn)行4種高光譜估算模型對(duì)比,隨機(jī)森林估算模型精度稍高于PLS、BPNN和SVM估算模型。研究結(jié)果為光譜監(jiān)測(cè)蜜柚葉片氮素含量提供了技術(shù)依據(jù)。

摘要： 以博斯騰湖西岸湖濱綠洲為研究區(qū),將野外原位高光譜實(shí)測(cè)數(shù)據(jù)和土壤有機(jī)碳(SOC)含量作為基礎(chǔ)數(shù)據(jù),通過(guò)對(duì)原始光譜進(jìn)行4種數(shù)學(xué)變換,探索不同光譜變換形式下的弓曲差(C)、差值光譜指數(shù)(DSI)、簡(jiǎn)單比值土壤指數(shù)(RSI)、亮度光譜指數(shù)(BSI)、歸一化土壤指數(shù)(NDSI)與SOC含量的關(guān)系,并建立基于隨機(jī)森林法(RF)的SOC含量估算模型。結(jié)果表明:(1)研究區(qū)SOC含量主要集中在5.25~78.76 g/kg,平均值為21.82 g/kg,變異系數(shù)為69.11%,呈中等變異性;(2)在光譜數(shù)據(jù)lgR下,SOC含量與DIS指數(shù)相關(guān)系數(shù)最高,相關(guān)系數(shù)為0.80,最佳組合波段為(1758 nm,1752 nm);(3)基于不同光譜指數(shù)與弓曲差(C)建立的模型驗(yàn)證集精度R^(2)和RMSE分別介于0.67~0.84和5.85~8.45 g/kg,模型的RPD均在1.66以上;在基于光譜數(shù)據(jù)lg(1/R)變換下,模型的驗(yàn)證集R^(2)=0.82、RMSE=3.52 g/kg、RPD=3.99,可以較好地估算研究區(qū)SOC含量,為干旱半干旱地區(qū)湖濱綠洲SOC含量反演提供依據(jù)和參考。

摘要： 如何利用衛(wèi)星搭載的常規(guī)通道藍(lán)光(B)、綠光(G)、紅光(R)和近紅外(NIR)實(shí)現(xiàn)作物氮素營(yíng)養(yǎng)診斷對(duì)于區(qū)域氮素優(yōu)化管理及氮素循環(huán)估測(cè)具有重要意義。本研究以2014—2016年在內(nèi)蒙古陰山北麓武川縣和四子王旗布置的多年多點(diǎn)不同氮水平的田間試驗(yàn)為基礎(chǔ),通過(guò)冠層高光譜儀tec5采集馬鈴薯關(guān)鍵生育期塊莖形成期、塊莖膨大期和淀粉積累期植株冠層光譜數(shù)據(jù),利用衛(wèi)星通道的波段響應(yīng)函數(shù)模擬GF-2(GF)和Sentinel 2A(S)衛(wèi)星光譜反射率,通過(guò)波段優(yōu)化和指數(shù)組合計(jì)算波段優(yōu)化歸一化及其組合多光譜指數(shù),構(gòu)建基于多光譜指數(shù)的馬鈴薯植株氮素含量估測(cè)模型,并用田塊數(shù)據(jù)進(jìn)行驗(yàn)證。研究結(jié)果表明,敏感波段的提取對(duì)衛(wèi)星通道的準(zhǔn)確篩選具有指導(dǎo)意義,基于中心敏感波段篩選的綠光(G)和藍(lán)光(B)通道計(jì)算的優(yōu)化多光譜指數(shù)GF-GBNDSI和S-GBNDSI與馬鈴薯植株氮素含量的線性擬合決定系數(shù)(R^(2))最高,分別為0.41和0.38。GBNDSI分別與NDVI和GNDVI組合得到的多光譜指數(shù)GBNDSI/NDVI和GBNDSI/GNDVI能夠顯著提高對(duì)馬鈴薯植株氮素含量的解釋能力,其中GF-GBNDSI/NDVI和GF-GBNDSI/GNDVI與馬鈴薯植株氮素含量的線性擬合R^(2)分別為0.57和0.56;S-GBNDSI/NDVI和S-GBNDSI/GNDVI與馬鈴薯植株氮素含量的線性擬合R^(2)分別為0.54和0.55。與紅邊(red edge,RE)多光譜指數(shù)相比,GBNDSI/NDVI和GBNDSI/GNDVI不僅克服了大部分高分辨率衛(wèi)星缺乏紅邊通道的缺點(diǎn),而且能夠達(dá)到與紅邊多光譜指數(shù)REBNDSI/NDVI(R^(2)=0.53)和REBNDSI/GNDVI(R^(2)=0.59)基本相當(dāng)?shù)墓罍y(cè)建模能力,并在模擬的田塊數(shù)據(jù)中到了良好的驗(yàn)證。S-GBNDSI/NDVI估測(cè)模型的均方根誤差和平均相對(duì)誤差分別為0.40%、10.48%;GF-GBNDSI/NDVI估測(cè)模型的均方根誤差和平均相對(duì)誤差分別為0.39%、10.06%。鑒于目前大多數(shù)高分辨率衛(wèi)星,尤其是國(guó)產(chǎn)系列衛(wèi)星缺乏紅邊通道,基于常規(guī)通道構(gòu)建的優(yōu)化光譜指數(shù)GBNDSI/NDVI和GBNDSI/GNDVI在作物植株氮素含量監(jiān)測(cè)上更具備推廣應(yīng)用的價(jià)值。

摘要： 植被葉片含水率的準(zhǔn)確快速獲取對(duì)于作物長(zhǎng)勢(shì)情況診斷有重要意義。本研究對(duì)孕穗-抽穗期的冬小麥原始高光譜數(shù)據(jù)進(jìn)行3種變換處理,采用連續(xù)投影法(SPA)和雙波段光譜指數(shù)篩選出與含水率相關(guān)性較高的波段組合,對(duì)敏感波段組合和全波段進(jìn)行建模。結(jié)果表明:經(jīng)SPA篩選的敏感波段占全波段總數(shù)的2%以下,結(jié)合偏最小二乘回歸(PLSR)構(gòu)建的葉片含水率反演模型SPA-PLSR預(yù)測(cè)效果最好,最高預(yù)測(cè)決定系數(shù)達(dá)0.9453,高于以雙波段組合和全波段所建模型的預(yù)測(cè)精度。連續(xù)投影法在提取與葉片含水率相關(guān)的敏感波段方面有良好表現(xiàn),因此,利用波段篩選算法獲取的波段所建模型反演冬小麥葉片含水率是可行的,可為準(zhǔn)確快捷估算農(nóng)田旱情和灌溉決策提供參考。

摘要： 紅色系礦物顏料曾被藝術(shù)家們大量地使用在古畫(huà)和古建筑上。正確地識(shí)別出不同種類(lèi)的紅色系顏料對(duì)于文物監(jiān)測(cè)與修復(fù)具有重要意義。傳統(tǒng)的顏料識(shí)別主要依靠化學(xué)分析,不僅識(shí)別速度慢、識(shí)別范圍小,而且對(duì)文物進(jìn)行取樣操作會(huì)造成文物的永久損傷。高光譜技術(shù)對(duì)顏料進(jìn)行無(wú)損識(shí)別可以很好地解決這些問(wèn)題。選用辰砂、胭脂、銀朱、朱膘、朱砂、赭石、赭粉、鐵紅、土紅、西洋紅10種紅色系礦物顏料作為研究對(duì)象,使用地物光譜儀在暗室中獲取這10種紅色系顏料在350~2500nm波段內(nèi)的高光譜數(shù)據(jù)原始數(shù)字(DN)影像,經(jīng)反射率校正,得到可直接用于光譜分析的反射率數(shù)據(jù)及光譜曲線。基于10種紅色系顏料不同的光譜曲線特性,分兩步篩選獲取被區(qū)分顏料即目標(biāo)顏料的光譜特征波段。取目標(biāo)顏料光譜曲線的極值點(diǎn)作為特征波段,可以篩選得到目標(biāo)顏料的初選光譜特征波段。將其余9種顏料在初選光譜特征波段上對(duì)應(yīng)的反射率與目標(biāo)顏料在此波段上的反射率做差,對(duì)于差值,篩去離群值后求平方和,不同波段對(duì)應(yīng)不同的差值平方和,選取差值平方和較大的前4個(gè)波段作為優(yōu)選后的光譜特征波段?；跉w一化光譜指數(shù)模型公式[NDSI=(R_(a)-R_(b))/(R_(a)+R_(b)),R_(a)和R_(b)分別為目標(biāo)顏料在光譜特征波段a和b處的反射率值]對(duì)10種紅色系顏料分別構(gòu)建歸一化光譜指數(shù),將目標(biāo)顏料與其余9種紅色系顏料在同一光譜特征波段處計(jì)算得到的光譜指數(shù)進(jìn)行對(duì)比分析,計(jì)算目標(biāo)顏料光譜指數(shù)與其余顏料光譜指數(shù)的區(qū)分度,以此作為評(píng)價(jià)區(qū)分效果的指標(biāo)。對(duì)于最終優(yōu)選出的4個(gè)光譜特征波段,可構(gòu)建6個(gè)歸一化光譜指數(shù),選擇最小區(qū)分度最大的歸一化光譜指數(shù)作為目標(biāo)顏料的光譜特征指數(shù)。研究結(jié)果顯示,在通過(guò)各自的光譜特征指數(shù)進(jìn)行區(qū)分時(shí),每種目標(biāo)顏料與其他顏料的最小區(qū)分度都保持在0.7以上(大于0.5可認(rèn)為區(qū)分明顯),說(shuō)明上述方法可以對(duì)各紅色系顏料進(jìn)行準(zhǔn)確區(qū)分,對(duì)于文物顏料的快速準(zhǔn)確識(shí)別具有實(shí)踐意義。

摘要： 土壤是自然生態(tài)系統(tǒng)的重要組成部分,是人類(lèi)賴以生存和農(nóng)業(yè)生產(chǎn)的重要物質(zhì)基礎(chǔ)。隨著社會(huì)經(jīng)濟(jì)高速發(fā)展,高強(qiáng)度的工農(nóng)業(yè)生產(chǎn)活動(dòng)導(dǎo)致重金屬等各種污染物通過(guò)大氣沉降、污水灌溉等途徑進(jìn)入土壤,并在土壤中不斷富集造成土壤鹽漬化和土壤重金屬污染,兩者是導(dǎo)致全球荒漠化和土壤退化的主要誘因。然而中國(guó)的耕地非常有限,糧食安全尤為重要。因此,如何快速、準(zhǔn)確地大面積反演鹽堿地的重金屬含量是保障糧食安全的重要研究課題。針對(duì)上述關(guān)鍵問(wèn)題,以吉林省鎮(zhèn)賚縣鹽堿地為研究對(duì)象,建立了鹽堿地重金屬元素錳(Mn)、鈷(Co)和鐵(Fe)含量與土壤可見(jiàn)光-近紅外光譜數(shù)據(jù)的定量反演模型。首先對(duì)原始光譜數(shù)據(jù)分別進(jìn)行了Savitzky-Golay平滑、多元散射校正、連續(xù)統(tǒng)去除變換處理;然后基于預(yù)處理后的光譜數(shù)據(jù)構(gòu)建了比值(RI)、差值(DI)和歸一化(NDI)三種光譜指數(shù),通過(guò)光譜指數(shù)與重金屬含量的相關(guān)性分析確定模型訓(xùn)練樣本,利用徑向基神經(jīng)網(wǎng)絡(luò)算法進(jìn)行建模并反演鹽堿地重金屬含量;最后通過(guò)相關(guān)系數(shù)等梯度循環(huán)建模的精度分析方法確定了光譜指數(shù)與錳、鈷和鐵含量相關(guān)性顯著的敏感波段組合,建立了基于徑向基神經(jīng)網(wǎng)絡(luò)算法的鹽堿地重金屬含量最優(yōu)反演模型。研究結(jié)果表明,Mn選取相關(guān)系數(shù)r>0.70,Co選取相關(guān)系數(shù)r>0.80,Fe選取相關(guān)系數(shù)r>0.80,并選取敏感指數(shù)組合分別為108組、690組和31組,基于上述顯著敏感指數(shù)組合建立的Mn,Co和Fe最優(yōu)反演模型R^(2)分別為0.7034,0.8976和0.8484,均方根誤差RMSE分別為53.0073,1.0592和0.3634,平均相對(duì)精度達(dá)到88.64%,90.36%和91.78%。該研究對(duì)鹽堿地重金屬含量的準(zhǔn)確、快速分析提供了一種有效的方法,對(duì)實(shí)現(xiàn)土壤重金屬污染治理具有重要的現(xiàn)實(shí)意義。

摘要： 【目的】作物水分狀況的實(shí)時(shí)監(jiān)測(cè)對(duì)于節(jié)水灌溉、緩解我國(guó)水資源緊缺具有重要意義。本研究旨在探尋利用無(wú)人機(jī)多光譜影像數(shù)據(jù)實(shí)時(shí)監(jiān)測(cè)玉米干旱脅迫狀況的可行性,比較無(wú)人機(jī)數(shù)據(jù)和田間實(shí)測(cè)農(nóng)學(xué)指標(biāo)對(duì)作物干旱脅迫的敏感程度?！痉椒ā看筇镌囼?yàn)在河北吳橋進(jìn)行,采用兩個(gè)玉米品種‘富民985’和‘鄭單958’,設(shè)置畦灌、滴灌和雨養(yǎng)3種模式。分別在大喇叭口期、抽雄期、開(kāi)花期和灌漿期取玉米最新展開(kāi)葉測(cè)定色素含量和比葉面積(SLA),同時(shí)利用無(wú)人機(jī)搭載多光譜相機(jī)采集近地遙感數(shù)據(jù),并提取歸一化植被指數(shù)(NDVI)、綠光歸一化植被指數(shù)(GNDVI)、歸一化紅邊指數(shù)(NDRE)、葉面葉綠素指數(shù)(LCI)和優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)等5種植被指數(shù)?！窘Y(jié)果】與葉片色素含量和SLA相比,植被指數(shù)更早在各處理間表現(xiàn)出差異。播種后70天(抽雄期)NDRE和LCI在各處理之間具有顯著性差異,NDVI、GNDVI和OSAVI僅在灌溉和雨養(yǎng)模式之間出現(xiàn)顯著性差異;同一時(shí)期各處理的色素含量差異不顯著,比葉面積差異也不顯著;播種后90天(灌漿期)各處理間的色素含量出現(xiàn)顯著性差異。此外,相關(guān)性分析表明,植被指數(shù)與色素含量的相關(guān)性隨著生育期發(fā)生變化。播種后80天(開(kāi)花期)NDRE、LCI兩個(gè)植被指數(shù)和色素含量的相關(guān)性優(yōu)于NDVI、GNDVI和OSAVI指數(shù);播種后90天(灌漿期)5種植被指數(shù)和色素含量之間的相關(guān)性較強(qiáng)?！窘Y(jié)論】利用無(wú)人機(jī)在播種后70天監(jiān)測(cè)的植被指數(shù)(NDRE)對(duì)玉米干旱的監(jiān)測(cè)優(yōu)于部分實(shí)測(cè)農(nóng)學(xué)指標(biāo),在后期其測(cè)定的葉片色素值(Ca+Cb)/Car與玉米的衰老相關(guān)密切,因而對(duì)玉米干旱脅迫的監(jiān)測(cè)早且較準(zhǔn)確。但最佳光譜指標(biāo)及其用于干旱監(jiān)測(cè)的最佳時(shí)期仍需在更多品種及不同環(huán)境下做進(jìn)一步驗(yàn)證。

摘要： 【目的】基于無(wú)人機(jī)數(shù)據(jù)采用3種分層方案構(gòu)建冠層蓋度-喬灌木地上部分生物量模型以及基于Landsat8 OLI數(shù)據(jù)采用3種分層方案構(gòu)建不同光譜指數(shù)-喬灌木地上部分生物量模型,對(duì)比分析不同分層方案的喬灌木地上部分生物量模型精度,以期為基于遙感數(shù)據(jù)的干旱區(qū)人工林喬灌木地上部分生物量高精度反演提供理論依據(jù)?！痉椒ā吭诿珵跛厣车貙?shí)地調(diào)查102塊30 m×30 m樣地,基于高分辨率無(wú)人機(jī)影像,利用面向?qū)ο蟮臋C(jī)器學(xué)習(xí)算法獲取喬灌草植被覆蓋度信息,采用3種分層方案(不分層、基于喬木和灌木2種植被類(lèi)型分層、基于5個(gè)樹(shù)種分層)構(gòu)建冠層覆蓋度-喬灌木地上部分生物量模型?；贚andsat8 OLI影像,使用6種光譜指數(shù)(NDVI、RVI、MSAVI、TCG、NDMI、NIRv),結(jié)合無(wú)人機(jī)影像解譯草本植被覆蓋度,采用3種分層方案(不分層、有無(wú)草本植被樣地分層、3個(gè)草本植被覆蓋度等級(jí)樣地分層)構(gòu)建不同光譜指數(shù)-喬灌木地上部分生物量模型?！窘Y(jié)果】不分層的冠層覆蓋度-喬灌木地上部分生物量模型魯棒性最差(R^(2)=0.22,n=102),且估算精度最低(RMSE=14.98 t·hm^(-2));考慮喬木和灌木2種植被類(lèi)型分層建模(RMSE=7.44 t·hm^(-2))和5個(gè)樹(shù)種分層建模(RMSE=5.82 t·hm^(-2))的反演誤差分別減少了50.32%和61.1%。在光譜指數(shù)-喬灌木地上部分生物量模型中,NIRv反演喬灌木地上部分生物量精度最高(3種分層方案平均RMSE=7.25 t·hm^(-2)),NDVI反演喬灌木地上部分生物量精度最低(3種分層方案平均RMSE=9.43 t·hm^(-2))。不同光譜指數(shù)對(duì)稀疏喬灌木地上部分生物量變異的解釋能力表現(xiàn)為NIRv>NDMI>TCG>MSAVI>RVI>NDVI。木本植被類(lèi)型對(duì)光譜指數(shù)-喬灌木地上部分生物量模型精度的影響小于對(duì)冠層覆蓋度-喬灌木地上部分生物量模型精度的影響?？紤]草本植被覆蓋度背景分層建?？墒?font color="red">光譜指數(shù)-喬灌木地上部分生物量模型RMSE減少8.13%~16.62%,不同光譜指數(shù)-喬灌木地上部分生物量模型精度對(duì)草本植被覆蓋度背景的敏感性排序?yàn)镹IRv>TCG>NDVI>MSAVI>RVI>NDMI?！窘Y(jié)論】無(wú)人機(jī)高空間分辨率遙感可用于獲取稀疏喬灌混交林樹(shù)種類(lèi)型及其草本植被信息等先驗(yàn)知識(shí)。在稀疏喬灌混交林區(qū)域,木本植被類(lèi)型對(duì)冠層覆蓋度-喬灌木地上部分生物量模型精度影響較大,至少需區(qū)分喬木和灌木兩類(lèi)植被才可保證該方法反演精度滿足實(shí)用需求?；贚andsat-8 OLI衛(wèi)星數(shù)據(jù)的考慮草本覆蓋度的NIRv-喬灌木地上部分生物量模型分層建模方案適用于大區(qū)域稀疏喬灌木地上部分生物量遙感估算。

摘要： 通過(guò)構(gòu)建提高土壤黏粒含量預(yù)測(cè)精度的可行性方法光譜指數(shù)模型,為快速估測(cè)晉西黃土區(qū)土壤黏粒含量提供技術(shù)支持,以晉西黃土區(qū)土壤為研究對(duì)象,利用光譜指數(shù)特征構(gòu)建該區(qū)域土壤黏粒含量的光譜快速估測(cè)模型,使用ASD地物光譜儀測(cè)得土壤高光譜數(shù)據(jù),對(duì)原始光譜(R)進(jìn)行倒數(shù)變換(IR)、倒數(shù)的對(duì)數(shù)變換(LGIR)和倒數(shù)的一階微分變換(FDIR)3種預(yù)處理,對(duì)以上4種光譜形式構(gòu)建差值光譜指數(shù)(DSI)、比值光譜指數(shù)(RSI)、歸一化光譜指數(shù)(Normalized difference spectral index,NDSI)3種光譜指數(shù),并計(jì)算其與土壤黏粒含量的相關(guān)性;然后,選取相關(guān)系數(shù)中最顯著的5個(gè)光譜指數(shù)用于多元線性回歸(MLR)模型擬合,篩選出47個(gè)光譜指數(shù)用于偏最小二乘回歸(PLSR)和反向傳播神經(jīng)網(wǎng)絡(luò)(N)模型擬合。結(jié)果表明,原始光譜與土壤黏粒含量的相關(guān)性較低(相關(guān)系數(shù)最高僅為-0.28),而通過(guò)光譜變換及構(gòu)建光譜指數(shù)后其相關(guān)性明顯提升,其中,相關(guān)性較高的為FDIR-RSI、FDIR-NDSI、R-DSI、LGIR-RSI和LGIR-NDSI(相關(guān)系數(shù)分別為-0.70、0.69、-0.68、0.68、0.68),且相關(guān)性均顯著,置信水平P均小于0.001;預(yù)測(cè)精度最高的模型是LGIR-NDSI-BPNN,其預(yù)測(cè)集的R2和RMSE分別為0.64、1.32,驗(yàn)證集的R2、RMSE和RPD分別為0.74、1.13、1.96,明顯提升了基于原始光譜土壤黏粒含量的預(yù)測(cè)精度。

摘要： 為了探討適合于喀斯特植物葉片葉綠素含量估算的光譜指數(shù),在總結(jié)以往基于光譜指數(shù)的植物生化參數(shù)估算研究基礎(chǔ)上發(fā)現(xiàn),常用光譜指數(shù)通常采用差值、比值、歸一化以及倒數(shù)差值方式來(lái)構(gòu)建。因此,我們通過(guò)上述4種光譜指數(shù)構(gòu)建方式對(duì)所采集的4種典型喀斯特植物——黃荊(Vitex negundo)、鹽麩木(Rhus chinensis)、樸樹(shù)(Celtis sinensis)和紅背山麻桿(Alchornea trewioides)葉片原始光譜反射率及其一階導(dǎo)數(shù)值與同步測(cè)定的葉片葉綠素含量進(jìn)行遍歷分析,以期獲得最優(yōu)光譜指數(shù)并將其應(yīng)用于喀斯特植物葉片葉綠素含量定量估算研究。結(jié)果表明:(1)常用光譜指數(shù)中,改良紅邊歸一化指數(shù)(modified red-edge normalized difference vegetation index,mND705)對(duì)喀斯特植物葉片葉綠素含量估算效果較好(決定系數(shù)為0.45,均方根誤差為0.26 mg·g^(-1))。(2)雖然熒光比值(fluorescence ratio index,FRI1)和葉綠素吸收面積光譜指數(shù)(chlorophyll absorption area index,CAAI)在估算喀斯特與非喀斯特植物葉片葉綠素含量能力相當(dāng),但是其估算精度相對(duì)較低(決定系數(shù)小于0.45)。(3)通過(guò)差值、比值、歸一化以及倒數(shù)差值方式構(gòu)建的光譜指數(shù)無(wú)論是基于植物葉片原始光譜反射率,還是其一階導(dǎo)數(shù)值,相比常用光譜指數(shù)都能更好地估算喀斯特植物葉片葉綠素含量(決定系數(shù)大于0.60)。其中,基于植物葉片原始光譜反射率一階導(dǎo)數(shù)值的差值光譜指數(shù)[dD(760,769)]對(duì)喀斯特植物葉片葉綠素含量的估算精度最好,其決定系數(shù)為0.71,均方根誤差為0.19 mg·g^(-1)。綜上可知,結(jié)合高光譜遙感技術(shù)的光譜指數(shù)模型可快速定量估算喀斯特植物葉片葉綠素含量,為典型喀斯特地區(qū)植物生長(zhǎng)診斷及其對(duì)環(huán)境脅迫適應(yīng)性評(píng)價(jià)提供重要科學(xué)依據(jù)和技術(shù)支持。

摘要： 提出了一種估測(cè)小麥冠層氮含量的新光譜指數(shù)FD(730-525)/(730+525)利用小麥冠層525nm、570nm與730咖處導(dǎo)數(shù)光譜,采用差值、比值以及歸一化的方法構(gòu)建了12種光譜指數(shù),并與mNDV1705、mSR705、NDV1705以及GREEN—NDVI等17種常用的光譜指數(shù)進(jìn)行了比較分析。發(fā)現(xiàn)指數(shù)FD(730-525)/(730+525)對(duì)小麥冠層氮含量的估測(cè)結(jié)果最佳,其估測(cè)模型(指數(shù)形式)校正集與預(yù)測(cè)集R2分別達(dá)0.818與0.858, RMSEC與RMSEP分別為0.374與0.342,精度優(yōu)于VOG3與mNDV1705等常用指數(shù)。為優(yōu)化結(jié)果,利用最小二乘支撐向量機(jī)回歸算法(LS—SVR)對(duì)模型進(jìn)行了改進(jìn),其校正集與預(yù)測(cè)集R2分別提高至0.852與0.887,RMSEC與RMSEP分別下降為0.311與0.274,具有比指數(shù)模型更高的精度。rn 結(jié)果表明：指數(shù)FD(730-525)/(730+525)是進(jìn)行小麥冠層氮含量估測(cè)的優(yōu)選指數(shù),且LS—SVR是建模的優(yōu)選方法。

摘要： 于2006年～2008對(duì)雨養(yǎng)農(nóng)業(yè)區(qū)春小麥冠層光譜與葉片含水量進(jìn)行了觀測(cè)試驗(yàn)，基于液態(tài)水與葉綠素的光譜吸收特征，研究了不同的高光譜指數(shù)與春小麥冠層及葉片含水量的關(guān)系。結(jié)果表明：春小麥的冠層含水量與WI960具有很好的相關(guān)性(r=0.860，P＜0.01)，其次是WI1180(r=0.844，P＜0.01)，第三為R670/R550(r=-0.837,P＜0.01)，NDVI與春小麥冠層含水量的相關(guān)性也較好(R=0.828,P＜0.01)，NDWI次之(R＝0.815,P＜0.01)，同樣的指數(shù)與葉片含水量分析結(jié)果顯示：EVI與葉片含水量具較好正相關(guān)(r=0.762,P＜0.01)，且與葉片等效水厚度(EWT)的關(guān)系也較好(r=0.722,P＜0.05)，其次是SAVI(R=0.746，P＜0.01)，與EWT的相關(guān)性較EVI略好(r=0.738,P＜0.05)。如果考慮到利用衛(wèi)星或航空數(shù)據(jù)監(jiān)測(cè)時(shí)的大氣影響，在兩養(yǎng)農(nóng)業(yè)區(qū)利用衛(wèi)星監(jiān)測(cè)作物含水量時(shí)，WI1180有可能是最適合的，此外，EVI也可能是另外一個(gè)較好的監(jiān)測(cè)葉片含水量的指數(shù)。

摘要： [研究目的]揭示棉花產(chǎn)量與冠層光譜植被指數(shù)相關(guān)關(guān)系，建立棉花高光譜估算模型，促進(jìn)高光譜技術(shù)在棉花長(zhǎng)勢(shì)監(jiān)測(cè)和估產(chǎn)中應(yīng)用。[方法]結(jié)合棉花生長(zhǎng)發(fā)育規(guī)律，對(duì)棉花各時(shí)期冠層進(jìn)行高光譜反射率測(cè)定，根據(jù)光譜曲線特征構(gòu)建高光譜植被指數(shù)，基于棉花盛蕾期至吐絮后期7次地面光譜和產(chǎn)量測(cè)定，對(duì)光譜反射率與產(chǎn)量進(jìn)行統(tǒng)計(jì)分析。[結(jié)果]各生育期可見(jiàn)光波段、近紅外波段及短波紅外波段光譜反射率與產(chǎn)量間分別達(dá)顯著負(fù)相關(guān)、顯著正相關(guān)與顯著負(fù)相關(guān)水平。根據(jù)棉花冠層光譜波形特征，利用植被紅邊波段560nm反射峰、670nm吸收谷、近紅外波段890nm反射峰、980nm和1210nm兩個(gè)弱水汽吸收谷、短波紅外1650nm和2200nm反射峰，設(shè)計(jì)歸一化差值光譜指數(shù)，并與棉花產(chǎn)量進(jìn)行相關(guān)分析，利用上述波段組合定義的歸一化差值光譜指數(shù)與產(chǎn)量在各生育期均達(dá)顯著或極顯著相關(guān)，而VARI_700抗大氣植被指數(shù)在各生育期都達(dá)極顯著相關(guān)。[結(jié)論]以VARI_700抗大氣植被指數(shù)建立各生育期的產(chǎn)量預(yù)報(bào)模型，為實(shí)現(xiàn)棉花營(yíng)養(yǎng)生長(zhǎng)期長(zhǎng)勢(shì)監(jiān)測(cè)與產(chǎn)量預(yù)報(bào)提供依據(jù)。

摘要： 揭示棉花產(chǎn)量與植被指數(shù)和冠層紅邊參數(shù)相關(guān)關(guān)系，建立棉花高光譜估算模型，促進(jìn)高光譜技術(shù)在棉花長(zhǎng)勢(shì)監(jiān)測(cè)和估產(chǎn)中應(yīng)用?！痉椒ā拷Y(jié)合棉花生長(zhǎng)發(fā)育規(guī)律，對(duì)棉花各時(shí)期冠層進(jìn)行高光譜反射率測(cè)定，根據(jù)光譜,曲線特征構(gòu)建高光譜植被指數(shù)，基于棉花盛蕾期至吐絮后期7次地面光譜利產(chǎn)量測(cè)定，對(duì)光譜反射率與產(chǎn)量進(jìn)行統(tǒng)計(jì)分析?！窘Y(jié)果】各生育期可見(jiàn)光波段、近紅外波段及短波紅外波段光譜反射率與產(chǎn)量間分別達(dá)顯著負(fù)相關(guān)、顯著正相關(guān)與顯著負(fù)相關(guān)水平。根據(jù)棉花冠層光潛波形特征，利用植被紅邊波段560nm反射峰、670nm吸收谷、近紅外波段890nm反射峰、980nm和1210nm兩個(gè)弱水汽吸收谷、短波紅外1650nm和2200nm反射峰，設(shè)計(jì)歸一化差值光譜指數(shù)，并與棉花產(chǎn)量進(jìn)行相關(guān)分析，結(jié)果表明：利用上述波段組合定義的歸一化差值光譜指數(shù)與產(chǎn)量在各生育期均達(dá)顯著或極顯著相關(guān)，而VARI_700抗大氣植被指數(shù)在各生育期都達(dá)極顯著相關(guān)。【結(jié)論】以VARI_700抗大氣植被指數(shù)建立各生育期的產(chǎn)量預(yù)報(bào)模型，為實(shí)現(xiàn)棉花營(yíng)養(yǎng)生長(zhǎng)期長(zhǎng)勢(shì)監(jiān)測(cè)與產(chǎn)量預(yù)報(bào)提供依據(jù)。反射峰、670nm吸收谷、近紅外波段890nm反射峰、980nm和1210nm兩個(gè)弱水汽吸收谷、短波紅外1650nm和2200nm反射峰，設(shè)計(jì)歸一化差值光譜指數(shù)，并與棉花產(chǎn)量進(jìn)行相關(guān)分析，結(jié)果表明：利用上述波段組合定義的歸一化差值光譜指數(shù)與產(chǎn)量在各生育期均達(dá)顯著或極顯著相關(guān)，而VARI_700抗大氣植被指數(shù)在各生育期都達(dá)極顯著相關(guān)?！窘Y(jié)論】以VARI_700抗大氣植被指數(shù)建立各生育期的產(chǎn)量預(yù)報(bào)模型，為實(shí)現(xiàn)棉花營(yíng)養(yǎng)生長(zhǎng)期長(zhǎng)勢(shì)監(jiān)測(cè)與產(chǎn)量預(yù)報(bào)提供依據(jù)。?????????????矢???????矡?〉????矡P??矡?矹P??〉?矡?矡????????????矡P?

摘要： 針對(duì)湖泊水草區(qū)水質(zhì)遙感監(jiān)測(cè)的難題,提出了一種草型湖泊水質(zhì)遙感監(jiān)測(cè)方法.首先,基于時(shí)譜立方體研究不同水草類(lèi)型的物候生命周期;其次,基于多種光譜指數(shù)建立了水草類(lèi)型和水華的識(shí)別方法;再者,結(jié)合水草對(duì)水質(zhì)的指示作用,分析遙感對(duì)水草區(qū)監(jiān)測(cè)的適用性.以南四湖為示范區(qū),驗(yàn)證了上述方法的可行性.

摘要： 本文基于不同小麥品種和不同施氮水平下的試驗(yàn)觀測(cè)研究,分析了小麥冠層高光譜特征與籽粒蛋白質(zhì)含量的定量關(guān)系,通過(guò)逐步回歸方法確定了小麥籽粒蛋白質(zhì)含量的敏感光譜參數(shù),進(jìn)而采用數(shù)學(xué)建模方法提出了以NPH920為特征光譜參數(shù)的小麥籽粒蛋白質(zhì)含量動(dòng)態(tài)的光譜監(jiān)測(cè)模型,引入了品種修正參數(shù)和氮素調(diào)控系數(shù)2個(gè)影響因子.運(yùn)用不同生態(tài)點(diǎn)的獨(dú)立觀測(cè)資料對(duì)監(jiān)測(cè)模型進(jìn)行了檢驗(yàn),表明模型能夠基于冠層高光譜參數(shù)可靠地預(yù)測(cè)不同小麥品種和氮素營(yíng)養(yǎng)下籽粒蛋白質(zhì)含量動(dòng)態(tài).

摘要： 本文基于不同小麥品種和不同施氮水平下的試驗(yàn)觀測(cè)研究,分析了小麥冠層高光譜特征與籽粒蛋白質(zhì)含量的定量關(guān)系,通過(guò)逐步回歸方法確定了小麥籽粒蛋白質(zhì)含量的敏感光譜參數(shù),進(jìn)而采用數(shù)學(xué)建模方法提出了以NPH920為特征光譜參數(shù)的小麥籽粒蛋白質(zhì)含量動(dòng)態(tài)的光譜監(jiān)測(cè)模型,引入了品種修正參數(shù)和氮素調(diào)控系數(shù)2個(gè)影響因子.運(yùn)用不同生態(tài)點(diǎn)的獨(dú)立觀測(cè)資料對(duì)監(jiān)測(cè)模型進(jìn)行了檢驗(yàn),表明模型能夠基于冠層高光譜參數(shù)可靠地預(yù)測(cè)不同小麥品種和氮素營(yíng)養(yǎng)下籽粒蛋白質(zhì)含量動(dòng)態(tài).

摘要： 本文基于不同小麥品種和不同施氮水平下的試驗(yàn)觀測(cè)研究,分析了小麥冠層高光譜特征與籽粒蛋白質(zhì)含量的定量關(guān)系,通過(guò)逐步回歸方法確定了小麥籽粒蛋白質(zhì)含量的敏感光譜參數(shù),進(jìn)而采用數(shù)學(xué)建模方法提出了以NPH920為特征光譜參數(shù)的小麥籽粒蛋白質(zhì)含量動(dòng)態(tài)的光譜監(jiān)測(cè)模型,引入了品種修正參數(shù)和氮素調(diào)控系數(shù)2個(gè)影響因子.運(yùn)用不同生態(tài)點(diǎn)的獨(dú)立觀測(cè)資料對(duì)監(jiān)測(cè)模型進(jìn)行了檢驗(yàn),表明模型能夠基于冠層高光譜參數(shù)可靠地預(yù)測(cè)不同小麥品種和氮素營(yíng)養(yǎng)下籽粒蛋白質(zhì)含量動(dòng)態(tài).

摘要： 本文基于不同小麥品種和不同施氮水平下的試驗(yàn)觀測(cè)研究,分析了小麥冠層高光譜特征與籽粒蛋白質(zhì)含量的定量關(guān)系,通過(guò)逐步回歸方法確定了小麥籽粒蛋白質(zhì)含量的敏感光譜參數(shù),進(jìn)而采用數(shù)學(xué)建模方法提出了以NPH920為特征光譜參數(shù)的小麥籽粒蛋白質(zhì)含量動(dòng)態(tài)的光譜監(jiān)測(cè)模型,引入了品種修正參數(shù)和氮素調(diào)控系數(shù)2個(gè)影響因子.運(yùn)用不同生態(tài)點(diǎn)的獨(dú)立觀測(cè)資料對(duì)監(jiān)測(cè)模型進(jìn)行了檢驗(yàn),表明模型能夠基于冠層高光譜參數(shù)可靠地預(yù)測(cè)不同小麥品種和氮素營(yíng)養(yǎng)下籽粒蛋白質(zhì)含量動(dòng)態(tài).

摘要： 本文基于不同小麥品種和不同施氮水平下的試驗(yàn)觀測(cè)研究,分析了小麥冠層高光譜特征與籽粒蛋白質(zhì)含量的定量關(guān)系,通過(guò)逐步回歸方法確定了小麥籽粒蛋白質(zhì)含量的敏感光譜參數(shù),進(jìn)而采用數(shù)學(xué)建模方法提出了以NPH920為特征光譜參數(shù)的小麥籽粒蛋白質(zhì)含量動(dòng)態(tài)的光譜監(jiān)測(cè)模型,引入了品種修正參數(shù)和氮素調(diào)控系數(shù)2個(gè)影響因子.運(yùn)用不同生態(tài)點(diǎn)的獨(dú)立觀測(cè)資料對(duì)監(jiān)測(cè)模型進(jìn)行了檢驗(yàn),表明模型能夠基于冠層高光譜參數(shù)可靠地預(yù)測(cè)不同小麥品種和氮素營(yíng)養(yǎng)下籽粒蛋白質(zhì)含量動(dòng)態(tài).

摘要： 一種基于光譜特征空間權(quán)化的光譜特征指數(shù)提取方法，含以下步驟：一、讀入高光譜分辨率圖像數(shù)據(jù)；二、根據(jù)應(yīng)用需求及地物之間可分性，確定組成原始光譜特征空間的光譜特征；三、初始化感興趣類(lèi)別各個(gè)光譜特征權(quán)重；四、構(gòu)建感興趣類(lèi)別的類(lèi)內(nèi)離散度矩陣和類(lèi)間離散度矩陣；五、計(jì)算得到光譜特征空間權(quán)化的感興趣類(lèi)別特征空間變換矩陣，構(gòu)建光譜特征空間權(quán)化的適應(yīng)度函數(shù)；六、采用基于速度壓縮的進(jìn)化策略，計(jì)算步驟五的適應(yīng)度函數(shù)值，更新感興趣類(lèi)別各個(gè)光譜特征權(quán)重；七、進(jìn)行迭代終止條件判斷，若滿足則獲得最終感興趣類(lèi)別各個(gè)光譜特征權(quán)重，若不滿足返回步驟五；八、利用步驟七得到的優(yōu)化后感興趣類(lèi)別各個(gè)光譜特征權(quán)重，進(jìn)行光譜特征指數(shù)的提取。

摘要： 一種基于光譜吸收指數(shù)的多層感知機(jī)高光譜礦物分類(lèi)方法，包含以下步驟：(1)讀入高光譜數(shù)據(jù)；(2)確定礦物種類(lèi)及數(shù)目，并選擇訓(xùn)練樣本和測(cè)試樣本；(3)根據(jù)礦物特征波段確定光譜吸收指數(shù)向量；(4)建立基于多層感知機(jī)的深度網(wǎng)絡(luò)模型；(5)訓(xùn)練模型參數(shù)并且構(gòu)建防止過(guò)擬合策略；(6)對(duì)高光譜圖像進(jìn)行分類(lèi)，得到礦物分類(lèi)圖。該方法以多層感知機(jī)模型作為模型基礎(chǔ)，以礦物光譜吸收指數(shù)向量作為輸入，實(shí)現(xiàn)基于高光譜數(shù)據(jù)的礦物分類(lèi)。

摘要： 一種基于光譜特征空間權(quán)化的光譜特征指數(shù)提取方法，含以下步驟：一、讀入高光譜分辨率圖像數(shù)據(jù)；二、根據(jù)應(yīng)用需求及地物之間可分性，確定組成原始光譜特征空間的光譜特征；三、初始化感興趣類(lèi)別各個(gè)光譜特征權(quán)重；四、構(gòu)建感興趣類(lèi)別的類(lèi)內(nèi)離散度矩陣和類(lèi)間離散度矩陣；五、計(jì)算得到光譜特征空間權(quán)化的感興趣類(lèi)別特征空間變換矩陣，構(gòu)建光譜特征空間權(quán)化的適應(yīng)度函數(shù)；六、采用基于速度壓縮的進(jìn)化策略，計(jì)算步驟五的適應(yīng)度函數(shù)值，更新感興趣類(lèi)別各個(gè)光譜特征權(quán)重；七、進(jìn)行迭代終止條件判斷，若滿足則獲得最終感興趣類(lèi)別各個(gè)光譜特征權(quán)重，若不滿足返回步驟五；八、利用步驟七得到的優(yōu)化后感興趣類(lèi)別各個(gè)光譜特征權(quán)重，進(jìn)行光譜特征指數(shù)的提取。

摘要： 本發(fā)明提供一種聯(lián)合光譜、植被指數(shù)和紋理特征的高分影像滑坡檢測(cè)方法，包括獲取待檢測(cè)高分辨率遙感影像及對(duì)應(yīng)柵格化的滑坡真實(shí)標(biāo)簽；提取光譜特征，通過(guò)光譜波段計(jì)算植被指數(shù)，并對(duì)待檢測(cè)高分辨率遙感影像進(jìn)行主成分分析，計(jì)算第一主成分的灰度共生矩陣，利用灰度共生矩陣提取多個(gè)紋理特征；采用離差標(biāo)準(zhǔn)化進(jìn)行影像歸一化；采用Relief?F算法進(jìn)行特征選擇來(lái)降低數(shù)據(jù)冗余；通過(guò)圖層疊加、滑動(dòng)窗口算法掃描、數(shù)據(jù)增強(qiáng)來(lái)生成訓(xùn)練樣本，利用深度U?Net方法進(jìn)行訓(xùn)練；基于測(cè)試樣本進(jìn)行模型測(cè)試、精度評(píng)價(jià)及輸出滑坡檢測(cè)結(jié)果圖。本發(fā)明提供了一種有效的滑坡檢測(cè)方法，能充分挖掘高分辨率遙感影像信息，有效提高滑坡的識(shí)別精度。

摘要： 本發(fā)明提供了基于優(yōu)化光譜指數(shù)建立水稻葉片SPAD的高光譜反演模型,包括以下步驟：S1，采集水稻目標(biāo)葉片光譜和葉綠素含量的數(shù)據(jù)：S2，光譜數(shù)據(jù)預(yù)處理：通過(guò)對(duì)小波母函數(shù)的縮放平移運(yùn)算來(lái)實(shí)現(xiàn)噪聲剔除和信號(hào)局部特征的細(xì)化，有效保護(hù)原始信號(hào)中的尖峰信號(hào)和突變信號(hào)。本發(fā)明通過(guò)將NAOC光譜指數(shù)定義的積分計(jì)算簡(jiǎn)化為基于積分限(a，b)即雙波長(zhǎng)組合運(yùn)算的方式進(jìn)行優(yōu)化，并利用相關(guān)分析法篩選出原始光譜和三種數(shù)學(xué)變換光譜中與水稻葉片SPAD具有較高相關(guān)系數(shù)的特征波段組合。

摘要： 本發(fā)明公開(kāi)了一種基于光譜指數(shù)的冬小麥全蝕病病害指數(shù)預(yù)測(cè)模型的構(gòu)建方法，旨在提供一種行之有效、簡(jiǎn)單方便的方法，預(yù)測(cè)冬小麥全蝕病病害指數(shù)。本發(fā)明首先對(duì)采樣點(diǎn)內(nèi)冬小麥病害情況進(jìn)行調(diào)查，以采集的灌漿期冬小麥冠層地面ASD光譜數(shù)據(jù)和UHD185成像高光譜數(shù)據(jù)為基礎(chǔ)，對(duì)不同病害指數(shù)條件下冬小麥冠層的高光譜信息差異進(jìn)行比較，利用ASD光譜數(shù)據(jù)篩選UHD185光譜數(shù)據(jù)中對(duì)冬小麥全蝕病敏感的波段范圍和光譜指數(shù)，并建立該光譜指數(shù)與冬小麥全蝕病病害指數(shù)的線性回歸模型，預(yù)測(cè)冬小麥全蝕病病害情況。本發(fā)明還公開(kāi)了利用該模型預(yù)測(cè)冬小麥全蝕病病害情況的方法，該方法工作效率高、預(yù)測(cè)結(jié)果精度高，為防治全蝕病小麥的發(fā)生、發(fā)展提供了科學(xué)的技術(shù)指導(dǎo)。

摘要： 本發(fā)明涉及一種基于信息增益的高光譜數(shù)據(jù)光譜指數(shù)提取方法，包括步驟：(1)樣本數(shù)據(jù)的獲取、預(yù)處理；(2)利用波段替換構(gòu)建同公式不同波段組合的多個(gè)類(lèi)似光譜指數(shù)形式，計(jì)算各光譜指數(shù)形式下不同類(lèi)的光譜指數(shù)；(3)計(jì)算光譜指數(shù)在其類(lèi)中的信息增益：先根據(jù)光譜指數(shù)在各類(lèi)中取值的連續(xù)性劃分節(jié)點(diǎn)，計(jì)算各劃分節(jié)點(diǎn)的信息熵，根據(jù)信息熵計(jì)算信息增益，選擇信息增益最大的劃分點(diǎn)作為最優(yōu)劃分點(diǎn)，該劃分點(diǎn)的信息增益作為光譜指數(shù)形式a的信息增益；(4)計(jì)算各光譜指數(shù)的信息增益，取最大值所對(duì)應(yīng)的光譜指數(shù)為最優(yōu)分類(lèi)光譜指數(shù)。該方法能夠有效的擴(kuò)充光譜指數(shù)的形式和組合方法，能夠從大量光譜指數(shù)和波段組合中快速地篩選出最優(yōu)的分類(lèi)指數(shù)。

摘要： 本發(fā)明公開(kāi)了一種基于近紅外光譜的牙齦組織血流動(dòng)力學(xué)光譜指數(shù)構(gòu)建系統(tǒng)，其特征在于，包括可見(jiàn)近紅外光譜儀和數(shù)據(jù)處理單元；其中，所述可見(jiàn)近紅外光譜儀，用于采集待檢測(cè)牙齒周?chē)髂繕?biāo)位點(diǎn)的光譜數(shù)據(jù)；所述數(shù)據(jù)處理單元，用于將所采集各光譜數(shù)據(jù)中的光譜曲線歸一化為一致的測(cè)量背景，確定提取牙齦組織氧合血紅蛋白和脫氧血紅蛋白的光譜吸收特征；然后基于所得光譜吸收特征計(jì)算得到牙齦組織血流動(dòng)力學(xué)指數(shù)?；诒景l(fā)明所得牙齦組織血流動(dòng)力學(xué)光譜指數(shù)，能夠輔助快速、精確、無(wú)創(chuàng)和成本效益高的完成牙周組織炎癥檢測(cè)，對(duì)牙周炎的臨床診斷提供準(zhǔn)確有效的輔助作用。

摘要： 本發(fā)明提供了基于優(yōu)化光譜指數(shù)建立水稻葉片SPAD的高光譜反演模型,包括以下步驟：S1，采集水稻目標(biāo)葉片光譜和葉綠素含量的數(shù)據(jù)：S2，光譜數(shù)據(jù)預(yù)處理：通過(guò)對(duì)小波母函數(shù)的縮放平移運(yùn)算來(lái)實(shí)現(xiàn)噪聲剔除和信號(hào)局部特征的細(xì)化，有效保護(hù)原始信號(hào)中的尖峰信號(hào)和突變信號(hào)。本發(fā)明通過(guò)將NAOC光譜指數(shù)定義的積分計(jì)算簡(jiǎn)化為基于積分限(a，b)即雙波長(zhǎng)組合運(yùn)算的方式進(jìn)行優(yōu)化，并利用相關(guān)分析法篩選出原始光譜和三種數(shù)學(xué)變換光譜中與水稻葉片SPAD具有較高相關(guān)系數(shù)的特征波段組合。

摘要： 本發(fā)明公開(kāi)了基于光譜指數(shù)模型的水體識(shí)別系統(tǒng)，數(shù)據(jù)分析平臺(tái)用于獲取初始遙感影像并對(duì)其進(jìn)行去噪處理生成遙感分析影像，水體模型構(gòu)建策略包括根據(jù)遙感分析影像和實(shí)測(cè)參數(shù)構(gòu)建水體模型，水體模型的模型參數(shù)包括和水藻分布和水藻濃度參數(shù)、水體邊緣輪廓線、水位；除藻策略包括第一水位閾值和第一時(shí)間閾值，除藻策略配置為當(dāng)水位由標(biāo)準(zhǔn)水位線連續(xù)下降至第一水位閾值，且持續(xù)時(shí)間大于等于第一時(shí)間閾值時(shí)，生成除藻指令信息，并根據(jù)沿水體邊緣輪廓線的水藻濃度參數(shù)和分布集中度確定除藻優(yōu)先級(jí)順序。本發(fā)明通過(guò)建立水體模型，能夠識(shí)別水體的水藻分布變化情況和水位變化情況，對(duì)除藻情況進(jìn)行及時(shí)判斷，避免產(chǎn)生嚴(yán)重的水體污染。