植被冠層的光合特性是基于地球系統模型進(jìn)程的重要參數，可用于理解全球碳循環(huán)。然而這些地球系統模型缺乏光合特性連續的時(shí)空信息，導致了很大的不確定性，無(wú)法解釋碳的源和匯以及大氣層與陸地生物圈的交換。此外，光合速率的準確表征對于重設光合作用途徑以提高作物產(chǎn)量至關(guān)重要。選擇新品種需要在給定環(huán)境中將基因型與表型聯(lián)系起來(lái)，但尚未以高通量方式實(shí)現，這成為植物育種的主要瓶頸之一。為此，作為全球糧食安全問(wèn)題解決方案的一部分，迫切需要光合特性高通量表征技術(shù)的進(jìn)步，這對于深刻理解全球環(huán)境變化至關(guān)重要?；诖?，作者研究了安裝在移動(dòng)平臺上的高光譜成像相機是否能解決這些問(wèn)題，重點(diǎn)研究三種主要方法-基于偏最小二乘法回歸（PLSR）的反射光譜，光譜指數以及數值模型反演，以從11個(gè)煙草品種冠層高光譜反射率估算光合特性。結果表明，基于PLSR建立的反射光譜和光譜指數模型預測Vcmax和Jmax的R2為~0.8，高于數值反演的預測結果（R2為~0.6）。與反射光譜的PLSR相比，光譜指數的PLSR預測Vcmax（R2 = 0.84 ± 0.02, RMSE = 33.8 ± 2.2 μmol m?2 s?1）的結果更好，預測Jmax（R2 = 0.80 ± 0.03, RMSE = 22.6 ± 1.6 μmol m?2 s?1）的結果相似。...
發(fā)布時(shí)間:
2020
-
05
-
28
瀏覽次數：239
摘要：本研究旨在理解不同缺水脅迫下10個(gè)水稻基本型的表現。記錄了不同脅迫水平下植物的相對含水量（RWC）以及在350-2500 nm范圍內的高光譜數據。通過(guò)光譜指數，多元技術(shù)和神經(jīng)網(wǎng)絡(luò )技術(shù)確定最佳波段，并建立預測模型。建立了新的水敏感光譜指數，并就RWC評估了現有的水帶光譜指數。這些基于指數的模型可以有效地預測RWC，R2值為0.73至0.94。在350-2500 nm范圍內的所有可能組合中，使用比率光譜指數（RSI）和歸一化光譜指數（NDSI）繪制等高線(xiàn)，并量化與RWC的相關(guān)性以確定最佳指數。光譜反射率數據（ASD Field Spec3 spectroradiometer測量）還用于建立偏最小二乘回歸（PLSR），然后進(jìn)行多元線(xiàn)性回歸（MLR）和人工神經(jīng)網(wǎng)絡(luò )（ANN），支持向量機回歸（SVR）和隨機森林（RF）模型來(lái)計算植物RWC。在這些多元模型中，PLSR-MLR被認為是預測RWC的最佳模型，校正和驗證的R2分別為0.98和0.97，預測的均方根誤差（RMSEP）為5.06。結果表明，PLSR是鑒定作物缺水脅迫的可靠技術(shù)。盡管PLSR是可靠的技術(shù)，但如果將PLSR提取的最佳波段饋入MLR，則結果會(huì )得到顯著(zhù)改善。使用所有光譜反射帶建立了ANN模型。建立的模型未取得令人滿(mǎn)意的結果。因此，使用PLSR選擇的最佳波段作為獨立x變量開(kāi)發(fā)了模型，發(fā)現PLSR-ANN模型比單獨的ANN模型...
發(fā)布時(shí)間:
2020
-
05
-
25
瀏覽次數：195
土壤有機碳（SOC）源和匯之間的平衡會(huì )影響溫室氣體以及全球氣候。SOC儲量的微小變化會(huì )影響碳循環(huán)，并可能顯著(zhù)增加或降低大氣中的碳濃度。土壤碳的變化受氣候和土地利用的影響，并且在不同土壤中也會(huì )發(fā)生變化。為了更好地理解土壤有機碳的動(dòng)力學(xué)及其驅動(dòng)因子，作者收集了華北和東北地區1980年代和2000年代的數據，其中2000年代的樣品利用ASD Fieldspec ProFR vis–NIR光譜儀進(jìn)行了漫反射光譜的測定用于土壤碳的預測，并對各個(gè)時(shí)期土壤有機碳的空間變化進(jìn)行了數字土壤制圖。在1980年代，在30公里的方格中采集了585個(gè)土壤樣品，并在2003年和2004年對該區域進(jìn)行了重新采樣（1062個(gè)樣品）。該地區土地利用類(lèi)型主要是農田，森林和草地。土地利用，地形因素，植被指數，可見(jiàn)近紅外光譜和氣候因素作為預測因子，使用隨機森林預測土壤有機碳濃度及其時(shí)間變化。1985年平均土壤有機碳濃度為10.0 g kg-1，而2004年為12.5 g kg-1。在這兩個(gè)時(shí)期中，土壤有機碳變化相似且從南到北增加。據估計土壤有機碳儲量在1985年為1.68 Pg，在2004年為1.66 Pg，但是不同土地利用下土壤有機碳變化是不同的。在過(guò)去的20年中，平均氣溫升高，大面積森林和草原轉化為農田。農田土壤有機碳增加了0.094 Pg（+9％），而森林和草地土壤有機碳分別損失了0.089 Pg（?25％）和0....
發(fā)布時(shí)間:
2020
-
05
-
15
瀏覽次數：79
6372117373571266866723166.pdf
發(fā)布時(shí)間:
2020
-
03
-
30
瀏覽次數：136
點(diǎn)擊下載：廣州市秋季氣溶膠光學(xué)特性日變化.pdf
發(fā)布時(shí)間:
2020
-
02
-
24
瀏覽次數：137
ASD 地物光譜儀FieldSpec 4 技術(shù)文獻：不同干旱條件下，夏玉米全生育期冠層吸收光合有效輻射比的高光譜遙感反演 冠層吸收光合有效輻射比(fAPAR)是植被生產(chǎn)力遙感模型的重要參數，但關(guān)于不同干旱條件下作物全生育期的fAPAR遙感反演研究仍未見(jiàn)報道。本研究利用2015年夏玉米5個(gè)灌水處理模擬試驗的高光譜反射率和fAPAR觀(guān)測資料，分析了不同干旱條件下夏玉米關(guān)鍵生育期fAPAR和高光譜反射率變化特征，探討了fAPAR與反射率、一階導數光譜反射率和植被指數的關(guān)系。 輕度水分脅迫和充分供水條件下，fAPAR較高；重度水分脅迫和重度持續干旱條件下，fAPAR較低。冠層可見(jiàn)光、近紅外光和短波紅外光區的反射率與fAPAR分別呈負相關(guān)、正相關(guān)和負相關(guān)關(guān)系。fAPAR與可見(jiàn)光和短波紅外光區的383、680和1980 nm附近的反射率的相關(guān)性最強，相關(guān)系數均達-0.87。一階導數光譜反射率與fAPAR相關(guān)性強且穩定的波段為580、720和1546 nm，相關(guān)系數分別為-0.91、0.89和0.88。9個(gè)常用植被指數與fAPAR呈線(xiàn)性或對數關(guān)系，其中，增強型植被指數、復歸一化植被指數、土壤調節植被指數和修正的土壤調節植被指數與fAPAR的關(guān)系模型最好，決定系數(R2)均在0.88以上，平均相對誤差分別為16.6%、16.6%、16.7%和16.2%；基于一階導數光譜反射率與...
發(fā)布時(shí)間:
2020
-
02
-
07
瀏覽次數：116
M.K. Maid1*, R.R. Deshmukh21*Department of CS and IT, Dr. B. A. M. U, Aurangabad, India2Department of CS and IT, Dr. B. A. M. U, Aurangabad, India*Corresponding Author: mm915monali@gmail.com Available online at: www.ijcseonline.org Abstract— Remote Sensing has wide range of applications in many different fields. Remote Sensing has been found to be a valuable tool in evaluation, monitoring, and management of land, water and crop resources. The applications of remote sensing techniques in the field of agriculture are wide and varied ranging from crop identification, detection of diseas...
發(fā)布時(shí)間:
2019
-
03
-
19
瀏覽次數：256
本文旨在利用高光譜數據建立一個(gè)準確、可解釋的植物病害識別模型。由真菌引起的大豆炭腐病是一種嚴重影響大豆產(chǎn)量的世界性病害。在383-1032 nm范圍內，Resonon高光譜成像儀在240個(gè)不同的波長(cháng)處捕獲高光譜圖像。針對大豆炭腐病，科學(xué)家建立了3D卷積分網(wǎng)絡(luò )模型，模型分類(lèi)精度為95.73%，并利用可視化顯著(zhù)圖檢驗訓練模型、敏感像素位置以及分類(lèi)的特征敏感波段，發(fā)現：敏感特征波段為733 nm，這和常用的鑒別植物健康程度的特征波段范圍（700-1000nm）是一致的。 實(shí)驗：感染炭腐病的大豆：分別在第3、6、9、12和15天采集健康的和受感染的大豆莖稈樣品，在測量病害程度之前，實(shí)時(shí)采集健康的和收到感染的莖稈的高光譜圖像。測量?jì)x器：美國Resonon高光譜成像儀，型號：Pika XC（包含安裝支架、移動(dòng)平臺、操作軟件和2個(gè)70w鹵素燈）Pika XC性能：光譜通道數：240，波段范圍，400-1000 nm，分辨率：2.5 nm。 平臺系統如下圖（a）所示：（a） 室內高光譜成像系統（b） 不同光譜波段的大豆莖稈樣品高光譜圖像（c） 大豆莖稈的內部和外部RGB圖像的病害程度比較3D-CNN模型由兩個(gè)連接的卷積分模型組成，其中，一個(gè)小的構架用于防止訓練...
發(fā)布時(shí)間:
2018
-
10
-
09
瀏覽次數：681
DOI： 10.5846/stxb201803300694韓東，王浩舟，鄭邦友，王鋒. 基于無(wú)人機和決策樹(shù)算法的榆樹(shù)疏林草原植被類(lèi)型劃分和覆蓋度生長(cháng)季動(dòng)態(tài)估計. 生態(tài)學(xué)報， 2018， 38（18）：6655-6663 基于無(wú)人機和決策樹(shù)算法的榆樹(shù)疏林草原植被類(lèi)型劃分和覆蓋度生長(cháng)季動(dòng)態(tài)估計 韓東1，王浩舟1,2，鄭邦友3，王鋒1，*1 中國林業(yè)科學(xué)院荒漠化研究所，北京 1000912 The Faculty of Forestry & Environmental Management, University of New Brunswick, Fredericton, NB E3B 5A3, Canada3 CSIRO Agriculture and Food, Queensland Biosciences Precinct 306 Carmody Road, St Lucia, 4067, QLD, Australia摘要：植被覆蓋度是評估生態(tài)環(huán)境質(zhì)量與植被生長(cháng)的重要指標，也是全球眾多陸面過(guò)程模型和生態(tài)系統模型中表達植被動(dòng)態(tài)的重要參數。衛星遙感和地面測量是估算植被覆蓋度的常見(jiàn)方法。然而，如何精確...
發(fā)布時(shí)間:
2018
-
09
-
29
瀏覽次數：162