重庆市小麦条锈病发生规律和影响因素分析
1
2016
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
重庆市小麦条锈病发生规律和影响因素分析
1
2016
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
冬小麦条锈病的光谱特征及遥感监测
1
2003
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
冬小麦条锈病的光谱特征及遥感监测
1
2003
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
Developing Two Spectral Disease Indices for Detection of Wheat Leaf Rust (Pucciniatriticina)
1
2014
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
Remote Sensing Monitoring of Wheat Stripe Rust based on Multiple Kernel SVM
1
2020
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
基于SIF-PLS模型的冬小麦条锈病早期光谱探测
1
2020
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
基于SIF-PLS模型的冬小麦条锈病早期光谱探测
1
2020
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
粒子群优化的最小二乘支持向量机在小麦白粉病监测中的应用
1
2017
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
粒子群优化的最小二乘支持向量机在小麦白粉病监测中的应用
1
2017
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法
2
2019
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法
2
2019
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
FluorMOD模拟叶绿素荧光夫琅和费暗线反演算法不确定性分析
1
2015
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
FluorMOD模拟叶绿素荧光夫琅和费暗线反演算法不确定性分析
1
2015
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
1
2014
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
1
2014
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
Chlorophyll Fluorescence Analysis: A Guide to Good Practice and Understanding Some New Applications
1
2013
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
Previsual Symptoms of Xylella Fastidiosa Infection Revealed in Spectral Plant-trait Alterations
1
2018
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
Drought Onset Mechanisms Revealed by Satellite Solar-induced Chlorophyll Fluorescence: Insights from Two Contrasting Extreme Events
1
2015
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
Evaluating the Utility of Solar-induced Chlorophyll Fluorescence for Drought Monitoring by Comparison with NDVI Derived from Wheat Canopy
1
2018
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
Chlorophyll Fluorescence Sensing to Detect Stripe Rust in Wheat (Triticum Aestivum L.) Fields based on Fraunhofer Lines
5
2007
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
... 为了利用GBRT算法构建小麦条锈病病情严重度估测模型,参考已有的研究成果[21],分别利用反射率光谱与冠层SIF数据提取了24个反射率光谱指数及叶绿素荧光特征参数[14,22-29](表1). ...
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... 在提取叶绿素荧光特征参量时,分别利用辐亮度和反射率荧光指数2种方法[14]计算了小麦条锈病不同病情严重度下的冠层SIF强度.基于辐亮度的冠层SIF提取算法是根据夫琅和费暗线原理,通过计算自然光照条件下太阳光激发的荧光对夫琅和费“井”的填充程度估算冠层SIF强度.关于填充程度的计算,目前已有多种算法,在此采用Maier等[30]提出的鲁棒性较好的3FLD算法估测O2-A(760 nm)波段下冠层SIF强度. ...
... 利用反射率荧光指数计算冠层SIF强度是通过分析荧光对650~800 nm红边区域反射率的影响构建的荧光光谱指数,主要包括反射率比值荧光指数和反射率导数荧光指数等[14],实验主要采用了反射率比值荧光指数R740/R800[23]和反射率导数荧光指数D705/D722[30]. ...
潜育期小麦条锈菌的高光谱定性识别
1
2018
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
潜育期小麦条锈菌的高光谱定性识别
1
2018
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
利用随机森林法协同SIF和反射率光谱监测小麦条锈病
3
2019
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
... 已有研究表明,反射率光谱数据和SIF数据均能提供丰富的植被信息,协同反射率数据和冠层SIF能够提高小麦条锈病病情严重的估测精度[16-17].因此以融合的SIF和反射率光谱数据作为特征参量,利用GBRT算法构建小麦条锈病病情严重度的遥感探测模型,并将其与CART及MLR模型进行比较,以确定小麦条锈病遥感探测的适宜方法和模型,为提高小麦条锈病的遥感探测精度提供一种应用参考. ...
... 为了评价小麦条锈病病情严重度估测模型的可靠性,采用模型估测DI值与实测DI间的决定系数(determination coefficient,R2)和均方根误差(Root Mean Square Error,RMSE)[16]2个指标进行模型精度评价,其中R2和RMSE计算如公式(12)和(13)所示. ...
利用随机森林法协同SIF和反射率光谱监测小麦条锈病
3
2019
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
... 已有研究表明,反射率光谱数据和SIF数据均能提供丰富的植被信息,协同反射率数据和冠层SIF能够提高小麦条锈病病情严重的估测精度[16-17].因此以融合的SIF和反射率光谱数据作为特征参量,利用GBRT算法构建小麦条锈病病情严重度的遥感探测模型,并将其与CART及MLR模型进行比较,以确定小麦条锈病遥感探测的适宜方法和模型,为提高小麦条锈病的遥感探测精度提供一种应用参考. ...
... 为了评价小麦条锈病病情严重度估测模型的可靠性,采用模型估测DI值与实测DI间的决定系数(determination coefficient,R2)和均方根误差(Root Mean Square Error,RMSE)[16]2个指标进行模型精度评价,其中R2和RMSE计算如公式(12)和(13)所示. ...
基于日光诱导叶绿素荧光与反射率光谱的小麦条锈病探测研究
2
2019
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
... 已有研究表明,反射率光谱数据和SIF数据均能提供丰富的植被信息,协同反射率数据和冠层SIF能够提高小麦条锈病病情严重的估测精度[16-17].因此以融合的SIF和反射率光谱数据作为特征参量,利用GBRT算法构建小麦条锈病病情严重度的遥感探测模型,并将其与CART及MLR模型进行比较,以确定小麦条锈病遥感探测的适宜方法和模型,为提高小麦条锈病的遥感探测精度提供一种应用参考. ...
基于日光诱导叶绿素荧光与反射率光谱的小麦条锈病探测研究
2
2019
... 小麦是我国的主要农作物之一,条锈病是一种随气流传播严重威胁小麦生产的真菌病害[1].一旦暴发,若不及时测报与防治,将严重影响小麦的产量和质量,因此预防和监测条锈病的发生及发展已成为学者们研究的重点与难点[2].冠层反射光谱能够较好的探测作物群体与结构信息,对植被生化组分信息的变化比较敏感[3],近年来许多学者利用反射光谱数据对小麦条锈病的遥感探测进行了研究并取得了一系列成果[4-7].日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是自然光条件下植被吸收的光合有效辐射在满足光合作用的条件下以长波(650~800 nm)形式发射的叶绿素荧光信号[8],能够敏感反映植物光合作用的能力、受胁迫状况与生理状况[9],已被广泛用于氮素[10]、焦枯病[11]和干旱[12-13]等胁迫探测.张永江等[14]研究表明,基于Fraunhofer线原理提取的冠层方向性SIF信息可以反映田间小麦条锈病的发病状况,然而小麦受条锈病菌侵染后,其水分及叶绿素含量、光合速率和光能转换率等一些生理生化指标均会发生变化[15],仅利用反射率光谱或SIF数据难以全面客观地映射小麦条锈病害的真实状况,影响小麦条锈病的遥感探测精度,而协同反射率数据和SIF数据能够提高小麦条锈病的遥感探测精度[16-17]. ...
... 已有研究表明,反射率光谱数据和SIF数据均能提供丰富的植被信息,协同反射率数据和冠层SIF能够提高小麦条锈病病情严重的估测精度[16-17].因此以融合的SIF和反射率光谱数据作为特征参量,利用GBRT算法构建小麦条锈病病情严重度的遥感探测模型,并将其与CART及MLR模型进行比较,以确定小麦条锈病遥感探测的适宜方法和模型,为提高小麦条锈病的遥感探测精度提供一种应用参考. ...
冬小麦条锈病严重度不同估算方法对比研究
1
2015
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
冬小麦条锈病严重度不同估算方法对比研究
1
2015
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
基于多源数据的小麦白粉病遥感监测与预测模型研究
1
2017
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
基于多源数据的小麦白粉病遥感监测与预测模型研究
1
2017
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
基于改进CART决策树建立水华预警模型
1
2018
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
基于改进CART决策树建立水华预警模型
1
2018
... 在利用高光谱特征构建小麦病情严重度反演模型时,由于受到数据获取时外界条件等因素的影响,使基于简单回归分析方法建立的数学统计模型在时间维和空间维的普适性较差[18],因此也有不少学者将机器学习算法应用于小麦病情严重度的遥感探测中,并取得了较好的研究成果.竞霞等[5]基于冬小麦冠层高光谱特征参量,利用偏最小二乘算法建立了小麦条锈病冠层光谱探测模型,实现了对小麦条锈病早期探测.胡根生等[6]用粒子群算法优化模型参数,利用优化后的参数建立了小麦白粉病监测模型,取得了较好的监测效果.金秀等[7]基于深度神经网络有效提取了小麦赤霉病病症的高光谱特征,其建模和验证准确率远高于传统模型.在众多机器学习算法中,分类与回归树(Classification and Regression Tree,CART)算法不需要事先了解用于建模的特征分布类型,对进入模型的初始变量无要求,易于大范围实施.马慧琴[19]利用Landsat 8影像提取的指数特征构建了多种不同的混合小麦病害,通过CART模型得到不同特征变量在多变量模型中的贡献并取得较高精度,但该算法存在易过拟合、不稳定、泛化能力弱、预测精度低等不足[20].梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法在CART算法的基础上添加梯度迭代(Gradient Boosting,GB)算法和缩减思想(Shrinkage),解决了CART算法在小样本数据构建模型中的过拟合等问题,在作物病害的遥感探测中具有一定的优势. ...
作物病虫害遥感监测与预测研究进展
1
2018
... 为了利用GBRT算法构建小麦条锈病病情严重度估测模型,参考已有的研究成果[21],分别利用反射率光谱与冠层SIF数据提取了24个反射率光谱指数及叶绿素荧光特征参数[14,22-29](表1). ...
作物病虫害遥感监测与预测研究进展
1
2018
... 为了利用GBRT算法构建小麦条锈病病情严重度估测模型,参考已有的研究成果[21],分别利用反射率光谱与冠层SIF数据提取了24个反射率光谱指数及叶绿素荧光特征参数[14,22-29](表1). ...
Chlorophyll Fluorescence Effects on Vegetation Apparent Reflectance: I. Leaf-level Measurements and Model Simulation
2
2000
... 为了利用GBRT算法构建小麦条锈病病情严重度估测模型,参考已有的研究成果[21],分别利用反射率光谱与冠层SIF数据提取了24个反射率光谱指数及叶绿素荧光特征参数[14,22-29](表1). ...
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
Steady-state Chlorophyll a Fluorescence Detection from Canopy Derivative Reflectance and Double-peak Red-edge Effects
2
2003
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... 利用反射率荧光指数计算冠层SIF强度是通过分析荧光对650~800 nm红边区域反射率的影响构建的荧光光谱指数,主要包括反射率比值荧光指数和反射率导数荧光指数等[14],实验主要采用了反射率比值荧光指数R740/R800[23]和反射率导数荧光指数D705/D722[30]. ...
不同施磷水平下接种菌根玉米营养状况及光谱特征分析
4
2016
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
24] Yellow edge area (
X3)
黄光范围(560~590 nm)内的反射率光谱对波长的积分值 | 黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
24] Red edge area (
X5)
红光范围(680~760 nm)内的反射率光谱对波长的积分值 | 红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
24] Green peak position (
X8)
波长在510~560 nm 波段反射率最大值所对应的波长 | 红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
不同施磷水平下接种菌根玉米营养状况及光谱特征分析
4
2016
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
24] Yellow edge area (
X3)
黄光范围(560~590 nm)内的反射率光谱对波长的积分值 | 黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
24] Red edge area (
X5)
红光范围(680~760 nm)内的反射率光谱对波长的积分值 | 红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
24] Green peak position (
X8)
波长在510~560 nm 波段反射率最大值所对应的波长 | 红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
桉树叶片光合色素含量高光谱估算模型
1
2013
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
桉树叶片光合色素含量高光谱估算模型
1
2013
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
Comparison between Radial Basis Function Neural Network and Regression Model for Estimation of Rice Biophysical Parameters Using Remote Sensing
1
2009
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
Optimizing Predictive Models for Leaf Chlorophyll Concentration based on Continuous Wavelet Analysis of Hyperspectral Data
1
2011
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
落叶松受雅氏落叶松尺蠖危害程度光谱检测
1
2018
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
落叶松受雅氏落叶松尺蠖危害程度光谱检测
1
2018
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
松材线虫危害下马尾松光谱特征与估测模型研究
5
2019
... 为了利用GBRT算法构建小麦条锈病病情严重度估测模型,参考已有的研究成果[21],分别利用反射率光谱与冠层SIF数据提取了24个反射率光谱指数及叶绿素荧光特征参数[14,22-29](表1). ...
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
29] Green Peak Reflection Height (
X19)
| 红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
29] Red Valley Absorption Depth (
X20)
| 短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
29]Short-Wave Infrared Valley Absorption Depth (
X21)
| 反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
松材线虫危害下马尾松光谱特征与估测模型研究
5
2019
... 为了利用GBRT算法构建小麦条锈病病情严重度估测模型,参考已有的研究成果[21],分别利用反射率光谱与冠层SIF数据提取了24个反射率光谱指数及叶绿素荧光特征参数[14,22-29](表1). ...
... Hyperspectral and fluorescence characteristic parameters and definitions
Table 1光谱特征变量 | 参数说明 |
---|
蓝边面积[24] Blue edge area(X1) | 蓝光范围(490~530 nm)内的反射率光谱对波长的积分值 |
蓝边斜率 Blue edge slope(X2) | 蓝边位置对应的一阶微分值 |
黄边面积[24] Yellow edge area (X3) | 黄光范围(560~590 nm)内的反射率光谱对波长的积分值 |
黄边斜率Yellow edge area(X4) | 黄边位置对应的一阶微分值 |
红边面积[24] Red edge area (X5) | 红光范围(680~760 nm)内的反射率光谱对波长的积分值 |
红边斜率[26] Red edge slope(X6) | 红边位置对应的一阶微分值 |
红边位置[25] Red edge position (X7) | 红光范围内一阶微分光谱对应的一阶微分值 |
绿峰位置[24] Green peak position (X8) | 波长在510~560 nm 波段反射率最大值所对应的波长 |
红谷反射率[27] Red Valley reflectivity (X9) | 波长在640~700 nm 波段反射率最小值 |
红谷面积Red Valley area(X10) | 波长在640~700 nm内原始光谱曲线所包围的面积 |
短波红外谷反射率[28]Short-Wave Infrared Valley Reflectivity (X11) | 波长在1400~1800 nm波段反射率最小值 |
红光区反射率最大值[29]Red Light Area Reflectivity Maximum (X12) | 红光区(620~680 nm)反射率最大值 |
红边反射率最大值Red Edge Reflectance Maximum (X13) | 红边(680~780 nm)反射率最大值 |
近红外区反射率最大值Near-Infrared Reflectance Maximum (X14) | 近红外区(780~1100 nm)反射率最大值 |
黄光区反射率总和Yellow Light Area Reflectance Sum (X15) | 黄光区(560~590 nm)反射率总和 |
红光区反射率总和Red Light Area Reflectance Sum (X16) | 红光区(620~680 nm)反射率总和 |
红边反射率总和Red Edge Reflectance Sum (X17) | 红边(680~780 nm)反射率总和 |
近红外区反射率总和Near-Infrared Reflectance Sum (X18) | 近红外区(780~1100 nm)反射率总和 |
绿峰反射高度[29] Green Peak Reflection Height (X19) | |
红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
29] Green Peak Reflection Height (
X19)
| 红谷吸收深度[29] Red Valley Absorption Depth (X20) | |
短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
29] Red Valley Absorption Depth (
X20)
| 短波红外谷吸收深度[29]Short-Wave Infrared Valley Absorption Depth (X21) | |
反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
... [
29]Short-Wave Infrared Valley Absorption Depth (
X21)
| 反射率荧光比值指数[22]Reflectance Fluorescence Ratio Index (X22) | R740/R800 |
反射率荧光导数指数[23]Reflectance Fluorescence Derivative Index (X23) | D705/D722 |
日光诱导叶绿素荧光[14]Solar-Induced Chlorophyll Fluorescence (X24) | |
由于光谱采样间隔的离散性,采用差分方法近似计算了一阶微分光谱: ...
Sun-induced Fluorescence: A New Tools for Precision Farming
2
2003
... 在提取叶绿素荧光特征参量时,分别利用辐亮度和反射率荧光指数2种方法[14]计算了小麦条锈病不同病情严重度下的冠层SIF强度.基于辐亮度的冠层SIF提取算法是根据夫琅和费暗线原理,通过计算自然光照条件下太阳光激发的荧光对夫琅和费“井”的填充程度估算冠层SIF强度.关于填充程度的计算,目前已有多种算法,在此采用Maier等[30]提出的鲁棒性较好的3FLD算法估测O2-A(760 nm)波段下冠层SIF强度. ...
... 利用反射率荧光指数计算冠层SIF强度是通过分析荧光对650~800 nm红边区域反射率的影响构建的荧光光谱指数,主要包括反射率比值荧光指数和反射率导数荧光指数等[14],实验主要采用了反射率比值荧光指数R740/R800[23]和反射率导数荧光指数D705/D722[30]. ...
基于CART模型的鄱阳湖草滩苔草分布与水位波动要素关系
1
2018
... CART是一种基于决策树的机器学习方法,该方法通过二分递归的方式自动选择自变量,将原始数据集划分为具有同质特点的多个子集,利用决策树表达变量间的复杂关系[31].CART模型的构建主要包括树的生成和树的剪枝两部分[32].树的生成主要过程为对训练数据集二元分割为两个子集,通过对子集再分割不断递归生成树,使生成的决策树尽量大;树的剪枝主要包括预剪枝和后剪枝两种方法,其中后剪枝方法修剪过程比预剪枝方法更为直观形象,而且该方法同时考虑了决策树的预测误差以及树的复杂程度,使模型具有更好的泛化能力[33].实验采用后剪枝进行决策树的修剪,剪枝规则选用最小代价复杂度规则,其计算如公式(5)所示: ...
基于CART模型的鄱阳湖草滩苔草分布与水位波动要素关系
1
2018
... CART是一种基于决策树的机器学习方法,该方法通过二分递归的方式自动选择自变量,将原始数据集划分为具有同质特点的多个子集,利用决策树表达变量间的复杂关系[31].CART模型的构建主要包括树的生成和树的剪枝两部分[32].树的生成主要过程为对训练数据集二元分割为两个子集,通过对子集再分割不断递归生成树,使生成的决策树尽量大;树的剪枝主要包括预剪枝和后剪枝两种方法,其中后剪枝方法修剪过程比预剪枝方法更为直观形象,而且该方法同时考虑了决策树的预测误差以及树的复杂程度,使模型具有更好的泛化能力[33].实验采用后剪枝进行决策树的修剪,剪枝规则选用最小代价复杂度规则,其计算如公式(5)所示: ...
分类回归树算法在土壤水分估算中的应用
1
2018
... CART是一种基于决策树的机器学习方法,该方法通过二分递归的方式自动选择自变量,将原始数据集划分为具有同质特点的多个子集,利用决策树表达变量间的复杂关系[31].CART模型的构建主要包括树的生成和树的剪枝两部分[32].树的生成主要过程为对训练数据集二元分割为两个子集,通过对子集再分割不断递归生成树,使生成的决策树尽量大;树的剪枝主要包括预剪枝和后剪枝两种方法,其中后剪枝方法修剪过程比预剪枝方法更为直观形象,而且该方法同时考虑了决策树的预测误差以及树的复杂程度,使模型具有更好的泛化能力[33].实验采用后剪枝进行决策树的修剪,剪枝规则选用最小代价复杂度规则,其计算如公式(5)所示: ...
分类回归树算法在土壤水分估算中的应用
1
2018
... CART是一种基于决策树的机器学习方法,该方法通过二分递归的方式自动选择自变量,将原始数据集划分为具有同质特点的多个子集,利用决策树表达变量间的复杂关系[31].CART模型的构建主要包括树的生成和树的剪枝两部分[32].树的生成主要过程为对训练数据集二元分割为两个子集,通过对子集再分割不断递归生成树,使生成的决策树尽量大;树的剪枝主要包括预剪枝和后剪枝两种方法,其中后剪枝方法修剪过程比预剪枝方法更为直观形象,而且该方法同时考虑了决策树的预测误差以及树的复杂程度,使模型具有更好的泛化能力[33].实验采用后剪枝进行决策树的修剪,剪枝规则选用最小代价复杂度规则,其计算如公式(5)所示: ...
基于变化检测-CART决策树模式自动识别沙漠化信息
1
2017
... CART是一种基于决策树的机器学习方法,该方法通过二分递归的方式自动选择自变量,将原始数据集划分为具有同质特点的多个子集,利用决策树表达变量间的复杂关系[31].CART模型的构建主要包括树的生成和树的剪枝两部分[32].树的生成主要过程为对训练数据集二元分割为两个子集,通过对子集再分割不断递归生成树,使生成的决策树尽量大;树的剪枝主要包括预剪枝和后剪枝两种方法,其中后剪枝方法修剪过程比预剪枝方法更为直观形象,而且该方法同时考虑了决策树的预测误差以及树的复杂程度,使模型具有更好的泛化能力[33].实验采用后剪枝进行决策树的修剪,剪枝规则选用最小代价复杂度规则,其计算如公式(5)所示: ...
基于变化检测-CART决策树模式自动识别沙漠化信息
1
2017
... CART是一种基于决策树的机器学习方法,该方法通过二分递归的方式自动选择自变量,将原始数据集划分为具有同质特点的多个子集,利用决策树表达变量间的复杂关系[31].CART模型的构建主要包括树的生成和树的剪枝两部分[32].树的生成主要过程为对训练数据集二元分割为两个子集,通过对子集再分割不断递归生成树,使生成的决策树尽量大;树的剪枝主要包括预剪枝和后剪枝两种方法,其中后剪枝方法修剪过程比预剪枝方法更为直观形象,而且该方法同时考虑了决策树的预测误差以及树的复杂程度,使模型具有更好的泛化能力[33].实验采用后剪枝进行决策树的修剪,剪枝规则选用最小代价复杂度规则,其计算如公式(5)所示: ...
Greedy Function Approximation: A Gradient Boosting Machine
2
2001
... GBRT算法能够弥补CART算法对小样本数据易过拟合、不稳定、预测精度低的不足.该算法是由Friedman[34]提出来的一种迭代的决策树算法,它由CART、GB算法以及缩减思想3部分组成[35].该算法的基本思想是利用Boosting方法将多个预测精度低的弱学习器多次迭代构成一个预测精度高的强学习器,即通过再一次学习减少上一次模型的残差,使得下一次生成的模型有更小的误差,梯度迭代使组合模型不断得到改进,是一种决策树集成学习算法;而缩减的本质是为了降低模型学习速率,防止过拟合,即它不完全信任每一棵残差树,采用逐渐逼近的方式通过多棵树残差进行学习[36]. ...
... 提高GBRT模型预测精度的关键是残差的计算,本文利用Friedman[34]提出的基于损失函数负梯度残差的计算方法,即利用损失函数的负梯度作为提升树算法中的残差的近似值.第m轮的第i个样本的损失函数负梯度gim计算公式如式(8)所示: ...
基于APRIORI-GBDT算法的沥青路面路表温度预测
1
2019
... GBRT算法能够弥补CART算法对小样本数据易过拟合、不稳定、预测精度低的不足.该算法是由Friedman[34]提出来的一种迭代的决策树算法,它由CART、GB算法以及缩减思想3部分组成[35].该算法的基本思想是利用Boosting方法将多个预测精度低的弱学习器多次迭代构成一个预测精度高的强学习器,即通过再一次学习减少上一次模型的残差,使得下一次生成的模型有更小的误差,梯度迭代使组合模型不断得到改进,是一种决策树集成学习算法;而缩减的本质是为了降低模型学习速率,防止过拟合,即它不完全信任每一棵残差树,采用逐渐逼近的方式通过多棵树残差进行学习[36]. ...
基于APRIORI-GBDT算法的沥青路面路表温度预测
1
2019
... GBRT算法能够弥补CART算法对小样本数据易过拟合、不稳定、预测精度低的不足.该算法是由Friedman[34]提出来的一种迭代的决策树算法,它由CART、GB算法以及缩减思想3部分组成[35].该算法的基本思想是利用Boosting方法将多个预测精度低的弱学习器多次迭代构成一个预测精度高的强学习器,即通过再一次学习减少上一次模型的残差,使得下一次生成的模型有更小的误差,梯度迭代使组合模型不断得到改进,是一种决策树集成学习算法;而缩减的本质是为了降低模型学习速率,防止过拟合,即它不完全信任每一棵残差树,采用逐渐逼近的方式通过多棵树残差进行学习[36]. ...
应用Landsat8 OLI和GBRT对高山松地上生物量的估测
1
2018
... GBRT算法能够弥补CART算法对小样本数据易过拟合、不稳定、预测精度低的不足.该算法是由Friedman[34]提出来的一种迭代的决策树算法,它由CART、GB算法以及缩减思想3部分组成[35].该算法的基本思想是利用Boosting方法将多个预测精度低的弱学习器多次迭代构成一个预测精度高的强学习器,即通过再一次学习减少上一次模型的残差,使得下一次生成的模型有更小的误差,梯度迭代使组合模型不断得到改进,是一种决策树集成学习算法;而缩减的本质是为了降低模型学习速率,防止过拟合,即它不完全信任每一棵残差树,采用逐渐逼近的方式通过多棵树残差进行学习[36]. ...
应用Landsat8 OLI和GBRT对高山松地上生物量的估测
1
2018
... GBRT算法能够弥补CART算法对小样本数据易过拟合、不稳定、预测精度低的不足.该算法是由Friedman[34]提出来的一种迭代的决策树算法,它由CART、GB算法以及缩减思想3部分组成[35].该算法的基本思想是利用Boosting方法将多个预测精度低的弱学习器多次迭代构成一个预测精度高的强学习器,即通过再一次学习减少上一次模型的残差,使得下一次生成的模型有更小的误差,梯度迭代使组合模型不断得到改进,是一种决策树集成学习算法;而缩减的本质是为了降低模型学习速率,防止过拟合,即它不完全信任每一棵残差树,采用逐渐逼近的方式通过多棵树残差进行学习[36]. ...
A Protocol for Data Exploration to Avoid Common Statistical Problems
1
2010
... 在构建小麦条锈病严重度遥感探测的多元线性回归模型时,自变量的优选依据为特征参量和DI之间的显著性水平与方差膨胀因子(Variance Inflation Factor,VIF),其中显著性水平设定为p≤0.05,而方差膨胀因子的阈值设定为10,这是因为VIF越大,变量之间共线性越严重.当0<VIF<10,不存在多重共线性;当10≤VIF<100,存在较强的多重共线性;当VIF≥100,存在严重多重共线性[37].实验将VIF值大于等于10的自变量舍去,筛选得到两种不存在多重共线性的变量X7、X24,以此为自变量建立MLR模型. ...
Detection of Mosaic Virus Disease in Cassava Plants by Sunlight-induced Fluorescence Imaging: A Pilot Study for Proximal Sensing
1
2015
... 荧光强度能够敏感反映病害引起的生理变化及其受胁迫状态[38],起到植物健康状态“探针”作用[39];短波红外谷处于水分敏感波段处,随着小麦条锈病病情严重度的增加,小麦水分严重损失,使其短波红外谷反射率变化差异非常显著,这与已有研究结果相一致[40-41]. ...
Chlorophyll Fluorescence and Photosynthesis: The Basics
1
1991
... 荧光强度能够敏感反映病害引起的生理变化及其受胁迫状态[38],起到植物健康状态“探针”作用[39];短波红外谷处于水分敏感波段处,随着小麦条锈病病情严重度的增加,小麦水分严重损失,使其短波红外谷反射率变化差异非常显著,这与已有研究结果相一致[40-41]. ...
Tracking Photosynthetic Injury of Paraquat-treated Crop Using Chlorophyll Fluorescence from Hyperspectral Data
1
2013
... 荧光强度能够敏感反映病害引起的生理变化及其受胁迫状态[38],起到植物健康状态“探针”作用[39];短波红外谷处于水分敏感波段处,随着小麦条锈病病情严重度的增加,小麦水分严重损失,使其短波红外谷反射率变化差异非常显著,这与已有研究结果相一致[40-41]. ...
冬小麦条锈病单叶光谱特性及严重度反演
1
2004
... 荧光强度能够敏感反映病害引起的生理变化及其受胁迫状态[38],起到植物健康状态“探针”作用[39];短波红外谷处于水分敏感波段处,随着小麦条锈病病情严重度的增加,小麦水分严重损失,使其短波红外谷反射率变化差异非常显著,这与已有研究结果相一致[40-41]. ...
冬小麦条锈病单叶光谱特性及严重度反演
1
2004
... 荧光强度能够敏感反映病害引起的生理变化及其受胁迫状态[38],起到植物健康状态“探针”作用[39];短波红外谷处于水分敏感波段处,随着小麦条锈病病情严重度的增加,小麦水分严重损失,使其短波红外谷反射率变化差异非常显著,这与已有研究结果相一致[40-41]. ...
Satellite Observations of High Northern Latitude Vegetation Productivity Changes between 1982 and 2008: Ecological Variability and Regional Differences
1
2011
... (2)通过计算GBRT特征的重要程度,得到重要性前3的特征参数分别为反射率荧光导数指数D705/D722、短波红外谷反射率和反射率荧光比值指数R740/R800,说明冠层SIF比反射率光谱能更加敏感地反映小麦条锈病害信息.这是因为虽然反射率光谱能够敏感反映作物色素含量变化[42-43],但受土壤等非绿色景观成分背景噪声的影响较大[44],且对作物光合活性不敏感,而冠层SIF则受背景噪声的影响较小[45],能够灵敏反映作物光合生理上的变化,SIF和光合作用之间的直接联系可提高植物胁迫遥感监测精度[44]. ...
Monitoring Seasonal and Diurnal Changes in Photosynthetic Pigments with Automated PRI and NDVI Sensors
1
2015
... (2)通过计算GBRT特征的重要程度,得到重要性前3的特征参数分别为反射率荧光导数指数D705/D722、短波红外谷反射率和反射率荧光比值指数R740/R800,说明冠层SIF比反射率光谱能更加敏感地反映小麦条锈病害信息.这是因为虽然反射率光谱能够敏感反映作物色素含量变化[42-43],但受土壤等非绿色景观成分背景噪声的影响较大[44],且对作物光合活性不敏感,而冠层SIF则受背景噪声的影响较小[45],能够灵敏反映作物光合生理上的变化,SIF和光合作用之间的直接联系可提高植物胁迫遥感监测精度[44]. ...
Satellite Sun-induced Chlorophyll Fluorescence Detects Early Response of Winter Wheat to Heat Stress in the Indian Indo-gangetic Plains
2
... (2)通过计算GBRT特征的重要程度,得到重要性前3的特征参数分别为反射率荧光导数指数D705/D722、短波红外谷反射率和反射率荧光比值指数R740/R800,说明冠层SIF比反射率光谱能更加敏感地反映小麦条锈病害信息.这是因为虽然反射率光谱能够敏感反映作物色素含量变化[42-43],但受土壤等非绿色景观成分背景噪声的影响较大[44],且对作物光合活性不敏感,而冠层SIF则受背景噪声的影响较小[45],能够灵敏反映作物光合生理上的变化,SIF和光合作用之间的直接联系可提高植物胁迫遥感监测精度[44]. ...
... [44]. ...
Chlorophyll Fluorescence: A Probe of Photosynthesis In Vivo
1
2008
... (2)通过计算GBRT特征的重要程度,得到重要性前3的特征参数分别为反射率荧光导数指数D705/D722、短波红外谷反射率和反射率荧光比值指数R740/R800,说明冠层SIF比反射率光谱能更加敏感地反映小麦条锈病害信息.这是因为虽然反射率光谱能够敏感反映作物色素含量变化[42-43],但受土壤等非绿色景观成分背景噪声的影响较大[44],且对作物光合活性不敏感,而冠层SIF则受背景噪声的影响较小[45],能够灵敏反映作物光合生理上的变化,SIF和光合作用之间的直接联系可提高植物胁迫遥感监测精度[44]. ...
MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病
1
2020
... (4)实验在利用遥感数据构建小麦条锈病严重度估测模型时,并未考虑小麦生育期及其品种对冠层光谱数据的影响,也未考虑反射率光谱数据的目标光谱和背景光谱的混合问题[46],因此该模型的外延性还需进一步研究. ...
MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病
1
2020
... (4)实验在利用遥感数据构建小麦条锈病严重度估测模型时,并未考虑小麦生育期及其品种对冠层光谱数据的影响,也未考虑反射率光谱数据的目标光谱和背景光谱的混合问题[46],因此该模型的外延性还需进一步研究. ...