扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
(精)中华古树名木(全2册)
-
>
(精)中国科学技术典籍通汇:农学卷(全5册)
-
>
正确使用农药知识问答
-
>
迷你花园:打造你的玻璃生态瓶
-
>
花史左编
-
>
看,这样养猪！:科学养猪智慧观念
-
>
海水抗风浪网箱工程技术
西北地区玉米长势遥感监测 版权信息
- ISBN：9787030700209
- 条形码：9787030700209 ; 978-7-03-070020-9
- 装帧：暂无
- 册数：暂无
- 重量：暂无
- 所属分类：>
西北地区玉米长势遥感监测 内容简介
立足于西北旱作农业区，开展玉米高光谱遥感监测理论与方法研究。内容包括玉米理化参数的变化规律，玉米叶片和冠层光谱特征，玉米主要生物理化参数的叶片和冠层光谱响应规律，农学参数特征光谱和敏感光谱指数提取，基于地面叶片和冠层高光谱的玉米生理生化参数反演，基于SOC高光谱图像的玉米花青素监测模型；耕地土壤水分含量和氮磷钾含量高光谱监测模型构建。
西北地区玉米长势遥感监测 目录
目录
第1章 绪论 1
1.1 研究背景 1
1.2 高光谱遥感在精准农业中的应用 2
1.3 作物生理参数的高光谱遥感监测研究 2
1.3.1 作物花青素含量的高光谱遥感监测 3
1.3.2 作物叶绿素含量的高光谱遥感监测 4
1.3.3 作物生物量的高光谱遥感监测 6
1.3.4 作物水分含量的高光谱遥感监测 7
1.4 土壤信息的高光谱遥感监测研究 9
1.4.1 土壤水分含量的高光谱遥感监测 10
1.4.2 土壤氮素含量的高光谱遥感监测 11
1.4.3 土壤磷素含量的高光谱遥感监测 13
1.4.4 土壤钾素含量的高光谱遥感监测 14
第2章 材料与方法 16
2.1 研究区概况 16
2.2 研究目标与内容 16
2.2.1 研究目标 16
2.2.2 研究内容 17
2.3 研究方法 17
2.3.1 技术路线 17
2.3.2 试验设计 18
2.4 高光谱遥感数据获取 19
2.4.1 地面非成像高光谱遥感数据获取 19
2.4.2 地面成像高光谱遥感数据获取 21
2.5 玉米生理参数及农田土壤信息的测定 21
2.5.1 生理参数的测定 21
2.5.2 土壤性质测定 22
2.6 数据分析与处理 23
2.6.1 SVC数据预处理 23
2.6.2 SOC数据预处理 23
2.6.3 高光谱遥感数据处理 24
2.7 玉米生理参数及农田土壤性质估算模型 27
2.7.1 简单的统计回归模型 28
2.7.2 偏*小二乘回归模型 28
2.7.3 人工神经网络模型 28
2.7.4 模型验证 30
第3章 玉米叶片花青素含量的高光谱监测 31
3.1 材料与方法 32
3.1.1 数据获取 32
3.1.2 数据处理与模型建立 32
3.2 玉米叶片花青素及其光谱特征 34
3.2.1 叶片花青素含量基本特征 34
3.2.2 玉米叶片光谱特征 34
3.2.3 红边位置特征 35
3.3 基于SVC光谱的玉米叶片花青素含量高光谱监测 36
3.3.1 SVC光谱与玉米叶片花青素含量的相关性 36
3.3.2 基于SVC光谱的玉米叶片花青素含量高光谱监测 38
3.4 基于SOC光谱的玉米叶片花青素含量高光谱监测 46
3.4.1 SOC光谱与玉米叶片花青素含量的相关性 46
3.4.2 基于SOC光谱的玉米叶片花青素含量高光谱监测 48
3.5 讨论与结论 55
3.5.1 讨论 55
3.5.2 结论 57
第4章 玉米叶片叶绿素含量的高光谱监测 59
4.1 材料与方法 59
4.1.1 数据获取 59
4.1.2 数据处理与模型建立 60
4.2 玉米冠层光谱特征 60
4.2.1 不同生育期玉米冠层光谱特征 60
4.2.2 不同SPAD值的玉米冠层光谱特征 61
4.3 玉米冠层光谱与叶片SPAD值的相关性 62
4.3.1 冠层反射率及其微分光谱与SPAD值的相关性 62
4.3.2 植被指数与不同生育期玉米叶片SPAD值的相关性 64
4.3.3 光谱特征参数与不同生育期玉米叶片SPAD值的相关性 66
4.4 不同生育期玉米叶片SPAD值的一元线性监测 68
4.4.1 基于特征光谱的SPAD值一元线性估算模型 68
4.4.2 基于植被指数的SPAD值一元线性估算模型 69
4.4.3 基于光谱特征参数的SPAD值一元线性估算模型 71
4.5 不同生育期玉米叶片SPAD值的PLSR监测 73
4.5.1 基于光谱的SPAD值PLSR估算模型 73
4.5.2 基于植被指数的SPAD值PLSR估算模型 74
4.5.3 基于光谱特征参数的SPAD值PLSR估算模型 75
4.6 不同生育期玉米叶片SPAD值的ANN监测 76
4.6.1 基于光谱的SPAD值ANN估算模型 76
4.6.2 基于植被指数的SPAD值ANN估算模型 78
4.6.3 基于光谱特征参数的玉米叶片SPAD值ANN估算模型 80
4.7 讨论与结论 81
4.7.1 讨论 81
4.7.2 结论 84
第5章 玉米生物量的高光谱监测 87
5.1 材料与方法 88
5.1.1 数据获取 88
5.1.2 数据处理与模型建立 88
5.2 玉米生物量与冠层光谱的相关性 88
5.2.1 不同生物量玉米冠层光谱特征 88
5.2.2 冠层反射率及其一阶微分光谱与生物量的相关性 89
5.2.3 植被指数与生物量的相关性 91
5.2.4 光谱特征参数与生物量的相关性 92
5.3 不同生育期玉米生物量的一元线性监测 93
5.3.1 基于特征光谱的玉米生物量一元线性估算模型 93
5.3.2 基于植被指数的生物量一元线性估算模型 94
5.3.3 基于光谱特征参数的生物量一元线性估算模型 95
5.4 不同生育期玉米生物量的PLSR监测 96
5.4.1 基于光谱的生物量PLSR估算模型 96
5.4.2 基于植被指数的生物量PLSR估算模型 97
5.4.3 基于光谱特征参数的生物量PLSR估算模型 98
5.5 不同生育期玉米生物量的ANN监测 98
5.5.1 基于光谱的生物量ANN估算模型 98
5.5.2 基于植被指数的玉米生物量的ANN估算模型 100
5.5.3 基于光谱特征参数的玉米生物量ANN估算模型 102
5.6 讨论与结论 104
5.6.1 讨论 104
5.6.2 结论 106
第6章 玉米植株含水量的高光谱监测 108
6.1 材料与方法 109
6.1.1 数据获取 109
6.1.2 数据处理与模型建立 109
6.2 玉米植株水分含量与冠层光谱的相关性 111
6.2.1 玉米植株不同水分含量的冠层光谱特征 111
6.2.2 玉米冠层反射率及其一阶微分与植株含水量的相关性 111
6.2.3 玉米光谱指数与植株含水量的相关性 113
6.3 不同生育期玉米植株含水量的一元线性监测 119
6.3.1 基于特征光谱的含水量一元线性估算模型 119
6.3.2 基于光谱指数的含水量一元线性估算模型 120
6.4 不同生育期玉米植株含水量的PLSR监测 122
6.4.1 基于光谱的含水量PLSR估算模型 122
6.4.2 基于光谱指数的含水量PLSR估算模型 123
6.5 不同生育期玉米植株含水量的ANN监测 124
6.5.1 基于光谱的含水量ANN估算模型 124
6.5.2 基于光谱指数的含水量ANN估算模型 126
6.6 讨论与结论 129
6.6.1 讨论 129
6.6.2 结论 132
第7章 土壤水分含量的高光谱监测 134
7.1 材料与方法 135
7.1.1 样品采集与处理 135
7.1.2 数据处理与模型建立 135
7.2 不同含水量土壤光谱特征 136
7.2.1 研究区土壤含水量基本特征 136
7.2.2 不同含水量土壤反射光谱特征 136
7.2.3 土壤水分的光谱吸收特征 136
7.3 基于特征波长的土壤含水量监测 137
7.3.1 土壤光谱反射率与含水量的相关性 137
7.3.2 土壤含水量估算模型构建 139
7.3.3 模型精度评价 139
7.4 基于吸收特征参数的土壤含水量监测 140
7.4.1 吸收特征参数与水分含量相关性 140
7.4.2 土壤含水量估算模型构建 141
7.4.3 模型精度评价 142
7.5 讨论与结论 144
7.5.1 讨论 144
7.5.2 结论 146
第8章 土壤氮含量的高光谱监测 148
8.1 材料与方法 149
8.1.1 样品采集与处理 149
8.1.2 数据处理与模型建立 149
8.2 土壤氮含量及其光谱特征 150
8.2.1 供试土壤氮含量基本特征 150
8.2.2 不同氮含量土壤的反射光谱特征 150
8.3 土壤光谱与氮含量的相关性 151
8.3.1 土壤光谱与全氮含量的相关性 151
8.3.2 土壤光谱与碱解氮含量的相关性 153
8.4 土壤全氮含量的高光谱监测 155
8.4.1 基于特征光谱的全氮含量一元线性估算模型 155
8.4.2 基于特征指数的全氮含量一元线性估算模型 155
8.4.3 基于光谱和特征参数的全氮含量PLSR估算模型 158
8.4.4 基于光谱及特征参数的土壤全氮含量ANN估算模型 160
8.5 土壤碱解氮含量的高光谱监测 163
8.5.1 基于特征光谱的碱解氮含量一元线性估算模型 163
8.5.2 基于特征指数的碱解氮含量一元线性估算模型 164
8.5.3 基于光谱和特征参数的碱解氮含量PLSR估算模型 166
8.5.4 基于光谱及特征参数的碱解氮含量ANN估算模型 167
8.6 讨论与结论 169
8.6.1 讨论 169
8.6.2 结论 171
第9章 土壤磷和钾含量的高光谱监测 173
9.1 材料与方法 174
9.1.1 样品采集与处理 174
9.1.2 数据处理与模型建立 174
9.2 土壤磷和钾含量及其光谱特征 174
9.2.1 研究区土壤磷和钾含量基本特征 174
9.2.2 不同磷和钾含量土壤的反射光谱特征 176
9.3 土壤光谱与磷和钾含量的相关性 178
9.3.1 土壤光谱与磷含量的相关性 178
9.3.2 土壤光谱与钾含量的相关性 181
9.3.3 土壤磷含量的特征指数 183
9.3.4 土壤钾含量的特征指数 186
9.4 土壤磷含量的高光谱监测 187
9.4.1 土壤全磷含量高光谱监测 187
9.4.2 土壤有效磷含量高光谱监测 189
9.5 土壤钾含量的高光谱监测 193
9.5.1 基于光谱及特征参数的全钾含量PLSR估算模型 193
9.5.2 基于光谱及特征参数的全钾含量ANN估算模型 195
9.5.3 土壤速效钾含量高光谱监测 199
9.6 讨论与结论 203
9.6.1 讨论 203
9.6.2 结论 205
第10章 成果与展望 208
10.1 主要成果 208
10.2 展望 211
参考文献 213
第1章 绪论 1
1.1 研究背景 1
1.2 高光谱遥感在精准农业中的应用 2
1.3 作物生理参数的高光谱遥感监测研究 2
1.3.1 作物花青素含量的高光谱遥感监测 3
1.3.2 作物叶绿素含量的高光谱遥感监测 4
1.3.3 作物生物量的高光谱遥感监测 6
1.3.4 作物水分含量的高光谱遥感监测 7
1.4 土壤信息的高光谱遥感监测研究 9
1.4.1 土壤水分含量的高光谱遥感监测 10
1.4.2 土壤氮素含量的高光谱遥感监测 11
1.4.3 土壤磷素含量的高光谱遥感监测 13
1.4.4 土壤钾素含量的高光谱遥感监测 14
第2章 材料与方法 16
2.1 研究区概况 16
2.2 研究目标与内容 16
2.2.1 研究目标 16
2.2.2 研究内容 17
2.3 研究方法 17
2.3.1 技术路线 17
2.3.2 试验设计 18
2.4 高光谱遥感数据获取 19
2.4.1 地面非成像高光谱遥感数据获取 19
2.4.2 地面成像高光谱遥感数据获取 21
2.5 玉米生理参数及农田土壤信息的测定 21
2.5.1 生理参数的测定 21
2.5.2 土壤性质测定 22
2.6 数据分析与处理 23
2.6.1 SVC数据预处理 23
2.6.2 SOC数据预处理 23
2.6.3 高光谱遥感数据处理 24
2.7 玉米生理参数及农田土壤性质估算模型 27
2.7.1 简单的统计回归模型 28
2.7.2 偏*小二乘回归模型 28
2.7.3 人工神经网络模型 28
2.7.4 模型验证 30
第3章 玉米叶片花青素含量的高光谱监测 31
3.1 材料与方法 32
3.1.1 数据获取 32
3.1.2 数据处理与模型建立 32
3.2 玉米叶片花青素及其光谱特征 34
3.2.1 叶片花青素含量基本特征 34
3.2.2 玉米叶片光谱特征 34
3.2.3 红边位置特征 35
3.3 基于SVC光谱的玉米叶片花青素含量高光谱监测 36
3.3.1 SVC光谱与玉米叶片花青素含量的相关性 36
3.3.2 基于SVC光谱的玉米叶片花青素含量高光谱监测 38
3.4 基于SOC光谱的玉米叶片花青素含量高光谱监测 46
3.4.1 SOC光谱与玉米叶片花青素含量的相关性 46
3.4.2 基于SOC光谱的玉米叶片花青素含量高光谱监测 48
3.5 讨论与结论 55
3.5.1 讨论 55
3.5.2 结论 57
第4章 玉米叶片叶绿素含量的高光谱监测 59
4.1 材料与方法 59
4.1.1 数据获取 59
4.1.2 数据处理与模型建立 60
4.2 玉米冠层光谱特征 60
4.2.1 不同生育期玉米冠层光谱特征 60
4.2.2 不同SPAD值的玉米冠层光谱特征 61
4.3 玉米冠层光谱与叶片SPAD值的相关性 62
4.3.1 冠层反射率及其微分光谱与SPAD值的相关性 62
4.3.2 植被指数与不同生育期玉米叶片SPAD值的相关性 64
4.3.3 光谱特征参数与不同生育期玉米叶片SPAD值的相关性 66
4.4 不同生育期玉米叶片SPAD值的一元线性监测 68
4.4.1 基于特征光谱的SPAD值一元线性估算模型 68
4.4.2 基于植被指数的SPAD值一元线性估算模型 69
4.4.3 基于光谱特征参数的SPAD值一元线性估算模型 71
4.5 不同生育期玉米叶片SPAD值的PLSR监测 73
4.5.1 基于光谱的SPAD值PLSR估算模型 73
4.5.2 基于植被指数的SPAD值PLSR估算模型 74
4.5.3 基于光谱特征参数的SPAD值PLSR估算模型 75
4.6 不同生育期玉米叶片SPAD值的ANN监测 76
4.6.1 基于光谱的SPAD值ANN估算模型 76
4.6.2 基于植被指数的SPAD值ANN估算模型 78
4.6.3 基于光谱特征参数的玉米叶片SPAD值ANN估算模型 80
4.7 讨论与结论 81
4.7.1 讨论 81
4.7.2 结论 84
第5章 玉米生物量的高光谱监测 87
5.1 材料与方法 88
5.1.1 数据获取 88
5.1.2 数据处理与模型建立 88
5.2 玉米生物量与冠层光谱的相关性 88
5.2.1 不同生物量玉米冠层光谱特征 88
5.2.2 冠层反射率及其一阶微分光谱与生物量的相关性 89
5.2.3 植被指数与生物量的相关性 91
5.2.4 光谱特征参数与生物量的相关性 92
5.3 不同生育期玉米生物量的一元线性监测 93
5.3.1 基于特征光谱的玉米生物量一元线性估算模型 93
5.3.2 基于植被指数的生物量一元线性估算模型 94
5.3.3 基于光谱特征参数的生物量一元线性估算模型 95
5.4 不同生育期玉米生物量的PLSR监测 96
5.4.1 基于光谱的生物量PLSR估算模型 96
5.4.2 基于植被指数的生物量PLSR估算模型 97
5.4.3 基于光谱特征参数的生物量PLSR估算模型 98
5.5 不同生育期玉米生物量的ANN监测 98
5.5.1 基于光谱的生物量ANN估算模型 98
5.5.2 基于植被指数的玉米生物量的ANN估算模型 100
5.5.3 基于光谱特征参数的玉米生物量ANN估算模型 102
5.6 讨论与结论 104
5.6.1 讨论 104
5.6.2 结论 106
第6章 玉米植株含水量的高光谱监测 108
6.1 材料与方法 109
6.1.1 数据获取 109
6.1.2 数据处理与模型建立 109
6.2 玉米植株水分含量与冠层光谱的相关性 111
6.2.1 玉米植株不同水分含量的冠层光谱特征 111
6.2.2 玉米冠层反射率及其一阶微分与植株含水量的相关性 111
6.2.3 玉米光谱指数与植株含水量的相关性 113
6.3 不同生育期玉米植株含水量的一元线性监测 119
6.3.1 基于特征光谱的含水量一元线性估算模型 119
6.3.2 基于光谱指数的含水量一元线性估算模型 120
6.4 不同生育期玉米植株含水量的PLSR监测 122
6.4.1 基于光谱的含水量PLSR估算模型 122
6.4.2 基于光谱指数的含水量PLSR估算模型 123
6.5 不同生育期玉米植株含水量的ANN监测 124
6.5.1 基于光谱的含水量ANN估算模型 124
6.5.2 基于光谱指数的含水量ANN估算模型 126
6.6 讨论与结论 129
6.6.1 讨论 129
6.6.2 结论 132
第7章 土壤水分含量的高光谱监测 134
7.1 材料与方法 135
7.1.1 样品采集与处理 135
7.1.2 数据处理与模型建立 135
7.2 不同含水量土壤光谱特征 136
7.2.1 研究区土壤含水量基本特征 136
7.2.2 不同含水量土壤反射光谱特征 136
7.2.3 土壤水分的光谱吸收特征 136
7.3 基于特征波长的土壤含水量监测 137
7.3.1 土壤光谱反射率与含水量的相关性 137
7.3.2 土壤含水量估算模型构建 139
7.3.3 模型精度评价 139
7.4 基于吸收特征参数的土壤含水量监测 140
7.4.1 吸收特征参数与水分含量相关性 140
7.4.2 土壤含水量估算模型构建 141
7.4.3 模型精度评价 142
7.5 讨论与结论 144
7.5.1 讨论 144
7.5.2 结论 146
第8章 土壤氮含量的高光谱监测 148
8.1 材料与方法 149
8.1.1 样品采集与处理 149
8.1.2 数据处理与模型建立 149
8.2 土壤氮含量及其光谱特征 150
8.2.1 供试土壤氮含量基本特征 150
8.2.2 不同氮含量土壤的反射光谱特征 150
8.3 土壤光谱与氮含量的相关性 151
8.3.1 土壤光谱与全氮含量的相关性 151
8.3.2 土壤光谱与碱解氮含量的相关性 153
8.4 土壤全氮含量的高光谱监测 155
8.4.1 基于特征光谱的全氮含量一元线性估算模型 155
8.4.2 基于特征指数的全氮含量一元线性估算模型 155
8.4.3 基于光谱和特征参数的全氮含量PLSR估算模型 158
8.4.4 基于光谱及特征参数的土壤全氮含量ANN估算模型 160
8.5 土壤碱解氮含量的高光谱监测 163
8.5.1 基于特征光谱的碱解氮含量一元线性估算模型 163
8.5.2 基于特征指数的碱解氮含量一元线性估算模型 164
8.5.3 基于光谱和特征参数的碱解氮含量PLSR估算模型 166
8.5.4 基于光谱及特征参数的碱解氮含量ANN估算模型 167
8.6 讨论与结论 169
8.6.1 讨论 169
8.6.2 结论 171
第9章 土壤磷和钾含量的高光谱监测 173
9.1 材料与方法 174
9.1.1 样品采集与处理 174
9.1.2 数据处理与模型建立 174
9.2 土壤磷和钾含量及其光谱特征 174
9.2.1 研究区土壤磷和钾含量基本特征 174
9.2.2 不同磷和钾含量土壤的反射光谱特征 176
9.3 土壤光谱与磷和钾含量的相关性 178
9.3.1 土壤光谱与磷含量的相关性 178
9.3.2 土壤光谱与钾含量的相关性 181
9.3.3 土壤磷含量的特征指数 183
9.3.4 土壤钾含量的特征指数 186
9.4 土壤磷含量的高光谱监测 187
9.4.1 土壤全磷含量高光谱监测 187
9.4.2 土壤有效磷含量高光谱监测 189
9.5 土壤钾含量的高光谱监测 193
9.5.1 基于光谱及特征参数的全钾含量PLSR估算模型 193
9.5.2 基于光谱及特征参数的全钾含量ANN估算模型 195
9.5.3 土壤速效钾含量高光谱监测 199
9.6 讨论与结论 203
9.6.1 讨论 203
9.6.2 结论 205
第10章 成果与展望 208
10.1 主要成果 208
10.2 展望 211
参考文献 213
展开全部
西北地区玉米长势遥感监测 节选
第1章 绪论 1.1 研究背景 玉米（学名：Zea mays L.），为一年生禾本科草本植物，是一种非常重要的粮食和饲料来源，总产量是世界上*高的。玉米的种植面积位居世界第三位，仅次于小麦和水稻，是世界上分布*广泛的粮食作物之一，其产量的高低对世界粮食安全至关重要。在我国，玉米是三大主粮作物之一，对农村经济发展和粮食安全有着重大的意义。因此，在耕地资源日益减少、人口不断增长、水资源严重短缺、需求快速增加、生态环境日益恶化的大背景下，及时了解作物的生长状况、农田环境信息，特别是土壤信息的空间差异，通过调节对作物的投入、提高作物（包括玉米）单产及品质、减少环境污染问题，是实现农业高产、优质、高效、生态安全等协调发展的根本途径。 精准农业可以追溯到20世纪80年代，遥感应用于精准农业是从传感器获取土壤有机质信息开始的，并迅速发展了包括卫星、飞机、手持、拖拉机等搭载的传感器（Mulla and David，2013）。精准农业主要应用遥感等高新技术快速获取大范围的农作物长势、病虫害、农田环境等信息，可为监测作物长势、精准施肥等科学的田间管理提供依据（赵春江，2010）。美国有1/3以上的农民已经实践了某种形式的精准农业，包括在正确的位置、正确的时间进行施肥、除草、播种等更好的农田管理（Mulla and David，2013）。在发达国家，精准农业获得快速发展被认为是解决农业可持续发展的重要途径。近年来，国内很多科研院所已经开始了精准农业相关方面的研究，但是我国的精准农业仍处于试验示范阶段和孕育发展过程中，精准农业的理论与实践研究还处于起步阶段（扈立家等，2006）。精准农业技术从实施过程来划分大致包括农田信息获取、农田信息管理和分析、决策和田间实施四大部分（Zhao，2000）。其中，农田信息获取是精准农业的四个基本环节之一，是实现精准农业顺利决策和实施的前提与基础。目前，精准农业实施的*大障碍仍然是农田信息高密度、高速度、高准确度、低成本获取技术的研究（赵春江等，2003），因而，急需利用多平台、多尺度的遥感技术结合其他的信息技术来实时、动态获取农作物生长及其农田环境信息。近年来，通过使用高光谱遥感技术，实现了对地物微弱光谱差异信息的定量分析，从而为作物生长监测及农田信息获取带来了巨大的前景（杨敏华，2002）。 1.2 高光谱遥感在精准农业中的应用 高光谱遥感具有波段多而窄的特点，是新兴精准农业发展至关重要的一项技术（潘家志，2007）。精准农业要求进行变量施肥等精细化的农田管理，因而包括遥感在内的3S技术为实施精准农业提供了支持，可以实现快速、大区域获取农作物生长状态及农田环境信息的遥感技术特别是高光谱遥感技术，是实现“精准农业”的前提和基础。高光谱遥感波段多而窄，使地物微弱光谱差异信息能够定量获取，从而能够更好地应用于作物遥感监测（姚付启，2012）。作物生长过程中其冠层结构、生理特征、环境背景等均会发生改化，从而引起叶片及冠层光谱随之变化，因此可以根据作物对光谱响应的差异监测其长势。农田土壤信息主要包括土壤含水量、营养成分及土壤中的酸碱度（pH）和电导率（EC）等（宋海燕，2006），它们是重要的农业信息，专家可以根据这些信息进行系统的分析，作出重要决策，从而为实践精准农业提供保障。但是，传统技术进行农田土壤信息采集存在很大的弊端，高光谱遥感技术凭借其独特的优势，为获取区域土壤信息提供了一种新的技术手段（姚艳敏等，2011）。 1.3 作物生理参数的高光谱遥感监测研究 作物具有的独特的光谱特征，是高光谱遥感监测其长势的依据。随着作物生育期的推进，叶片色素含量、叶面积指数（leaf area index，LAI）、冠层及叶片结构均发生变化，同时不同的生长环境会影响作物的长势，从而导致作物光谱发生改变（郑有飞等，2007）。利用遥感技术进行作物长势监测实质就是在作物生长过程中，通过分析光谱和光谱参数与作物生理参数的关系，进而对其长势进行评价。 传统遥感由于波段数量少、间隔宽、分辨率低，在进行作物监测时存在很大的局限性，其可靠性受到很大影响。而高光谱遥感由于波段多而窄，分辨率较高，在进行作物监测时可以探测细微光谱差异信息，从而可以提高监测作物的精度，能够更加有效地监测作物的长势。利用高光谱遥感技术对作物生长状况及其变化进行大面积监测，对农作物估产和保障我国粮食安全等方面有着极其重要的意义。 1.3.1 作物花青素含量的高光谱遥感监测 高光谱遥感技术进行植物色素监测多侧重于叶绿素含量，其他色素研究较少。但是，每种色素在植物的新陈代谢过程中都有非常重要的作用，因此对其他色素的定量分析同样重要。花青素是植物叶片色素中第3类主要色素，作为一种水溶性的黄酮类化合物，花青素不仅能够提供植物生理状态信息，而且能对胁迫提供有价值的响应。环境胁迫，如强光、中波紫外线照射、低温、干旱、损伤、细菌及真菌感染、氮和磷的缺乏、某些除草剂及污染物等，均能引起花青素的有效积累（Gitelson et al.，2001），从而对环境胁迫产生抵抗（Vina and Gitelson，2011）。一般来说，植物幼小和衰老叶片中花青素含量丰富。花青素对植物具有多种功能，如光保护、抗氧化等（Close and Beadle，2003），因此对花青素进行无损监测研究非常重要（Chalker-Scott，1999；Asner et al.，2004）。 湿化学方法是传统花青素含量测定方法，包括提取色素，分光光度计测定花青素的吸光度，然后把吸光度转换成花青素含量。传统方法测量结果比较准确，但是这种实验室测量方法劳动强度大、费时费力并会损坏叶片，不能进行原位重复测量及大区域监测，因此需要一种精确、高效、实用的方法来估计花青素含量。有研究表明，所有的植物色素都选择性吸收或反射特定波长的光，并且很容易用吸收和反射光谱法进行评估，因此吸收和反射光谱法能够替代破坏性的、费时的化学方法，从而对植物色素进行快速、无损估测。 已有学者通过光谱信息构建了5个植被指数用于建立叶片花青素含量估算模型（Gitelson et al.，2001；Steele et al.，2009；Gamon and Surfus，1999；Van Den Berg and Perkins，2005；Gitelson et al.，2006），这些指数已经成功地估计了某一种或几种植物叶片花青素含量。但是不同的植物利用同一个植被指数估计花青素含量时，可能得到的结果差异很大（Gamon and Surfus，1999；Gitelson and Merzlyak，2004）。Steele等（2009）对葡萄叶片的花青素含量进行了研究，利用不同的植被指数构建了花青素含量估算模型，效果*好的为调整花青素反射指数（modified anthocyanin reflectance index，MARI），其次是花青素反射指数（anthocyanin reflectance index，ARI）。Van Den Berg和Perkins（2005）对花青素含量指数（anthocyanin content index，ACI)与枫树叶片的花青素含量之间的关系进行了研究，表明两者之间有很强的线性关系。Vina和Gitelson（2011）研究表明花青素吸收峰位于540～560 nm，可见光大气阻抗植被指数（VARI）与叶片花青素相对含量线性关系较好。刘秀英等（2015c）对牡丹叶片的花青素含量进行了研究，结果表明MARI和ARI估测结果较好，偏*小二乘回归法（partial least squares regression，PLSR）构建的模型预测精度*高。由于不同的物种具有不同的色素含量及冠层和叶片结构，因此，已经出版的花青素指数对于不同种类植物叶片花青素含量估计是否具有普适性仍需进一步验证。还有些学者对花或苹果皮中含有的花青素进行了无损估计研究。Huang等（2014）利用紫外/可见光波段光谱结合蚁群区间偏*小二乘法（ant colony optimization-interval partial least squares，ACO-iPLS）和遗传区间偏*小二乘法（genetic algorithm-interval partial least squares，GA-iPLS），建立了花茶中花青素含量校正模型，检验可知ACO-iPLS模型的预测效果*好。Merzlyak等（2008b）采集了紫外、可见光范围苹果的光谱，提取了色素含量敏感波段，建立了花青素、类胡萝卜素等的线性估算模型。 1.3.2 作物叶绿素含量的高光谱遥感监测 植物色素主要有叶绿素、叶黄素、胡萝卜素和花青素，在生物圈中作用很大（伍维模等，2009）。叶片叶绿素含量由于与氮含量、植物的健康状况、光合作用能力密切相关，因此是农业遥感研究的一个很重要的参数（Hunt Jr et al.，2013）。叶绿素是光合作用过程中吸收光能的物质，它与作物很多生理生态参量具有较好的相关性，因而常用来指示作物的各种生理生态参量（Minolta Co.，Ltd.，1989；张金恒等，2003）。传统叶绿素含量测量采用实验室浸提，分光光度计测定吸光度，结果较为准确，但是对植株具有破坏性，耗时费力，难以达到精准农业实时、准确获取作物信息的要求，不能很好地用于农业生产实践。色素组成及含量的多少是影响植被可见光波段光谱反射率的主要因素，因此可以用植被光谱定量分析色素组成及含量（Thomas et al.，1977；Chappelle et al.，1992）。 对叶绿素含量的遥感检测开始于叶片（Blackburn，1998），然后扩展到冠层尺度（Bruce et al.，2001）。利用高光谱遥感技术进行叶绿素含量估计时通常有三种方法：一是传统的统计方法；二是光谱特征变量提取及分析技术；三是物理模型方法。前两种方法使用较多，而第三种方法，由于需要设置大量参数，很多参数难以获得，使用相对较少。高光谱技术监测植被叶绿素含量已经取得了很大的成功。Horler等（1983）在进行植被指数与叶绿素浓度关系研究的基础上指出，红边位置估计叶绿素浓度时非常重要。Curran等（1990）进行了光谱与叶绿素含量的关系研究，结果表明红边位置对叶绿素比较敏感。Peuelas等（1995）利用高光谱仪获取了400～800 nm的光谱反射率，构建了三类指数评估类胡萝卜素与叶绿素a的比值，结果表明，类胡萝卜素与叶绿素a的比值与蓝红光波段范围的所有色素指数高度相关。Broge和Lebianc（2000）利用叶子光学性质光谱模型（propriétés spectrals(model)，PROSPECT）+冠层二向反射率模型（scattering by arbitrarily inclined leaves，SAIL）模拟冠层光谱，构建植被指数，比较植被指数预测LAI和冠层叶绿素密度的稳定性，结果表明，第二土壤调节植被指数（soil adjusted vegetation index 2，SAVI 2）的预测能力*好，但是植被指数的预测能力随估计的参数、参数的取值范围和外部因素而变化。Daughtry等（2000）利用叶片或冠层反射率估计了玉米叶片叶绿素含量，利用SAIL模型模拟很宽范围的背景、叶面积指数、叶绿素含量的冠层光谱，探测条件变化时冠层光谱的细微差异。Dash和Curran（2004）提出了一种替代红边位置（ red-edge position，REP）的指数MERIS陆地叶绿素指数（ MERIS terrestrial chlorophyll index，MTCI），利用模型模拟光谱、地面光谱及中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer，MERIS）数据进行了间接评估，表明MTC
书友推荐
- >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.3¥14.0 - >
我从未如此眷恋人间
我从未如此眷恋人间
¥19.9¥49.8 - >
朝闻道
朝闻道
¥10.7¥23.8 - >
【精装绘本】画给孩子的中国神话
【精装绘本】画给孩子的中国神话
¥20.9¥55.0 - >
月亮与六便士
月亮与六便士
¥13.4¥42.0 - >
史学评论
史学评论
¥20.6¥42.0 - >
伊索寓言-世界文学名著典藏-全译本
伊索寓言-世界文学名著典藏-全译本
¥6.1¥19.0 - >
莉莉和章鱼
莉莉和章鱼
¥18.1¥42.0
本类畅销
-
地膜覆盖种植技术问答
¥1.6¥3.8 -
农机具维修知识问答
¥1.5¥4.2 -
正确使用农药知识问答
¥1.4¥4 -
生态循环农业绿色种养模式与技术:新版
¥34.7¥45 -
蔬菜设施栽培实用技术(2017农家书屋总署推荐书目)
¥9.5¥22 -
中国果树志:李卷
¥30.6¥90
