Remote sensing inversion of chlorophyll content in rice leaves in cold region based on Optimizing Red-edge Vegetation Index (ORVI)

Yu Fenghua; Xu Tongyu; Guo Zhonghui; Du Wen; Wang Dingkang; Cao Yingli

doi:10.12133/j.smartag.2020.2.1.201911-SA003

2020 , Vol. 2 >Issue 1: 77 - 86

DOI: https://doi.org/10.12133/j.smartag.2020.2.1.201911-SA003

Topic--Agricultural Remote Sensing and Phenotyping Information Acquisition Analysis

Remote sensing inversion of chlorophyll content in rice leaves in cold region based on Optimizing Red-edge Vegetation Index (ORVI)

Yu Fenghua ¹^,² ,
Xu Tongyu ^,¹^,² ,
Guo Zhonghui ¹ ,
Du Wen ¹^,² ,
Wang Dingkang ¹ ,
Cao Yingli ¹^,²

Expand

^1. College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China
^2. Liaoning Agricultural Information Engineering Technology Research Center, Shenyang 110866, China

Received date: 2019-11-27

Revised date: 2020-02-19

Online published: 2020-04-17

Fold

Highlights

Rice is one of the important staple crops in China, and the rice planted in Northeast China, such as in Liaoning, Jilin, and Heilongjiang regions, is called cold-region rice. The chlorophyll content in rice leaves is the most direct indicator of the rice growth period and can directly reflect on its nutritional value. Previous research demonstrates that when the chlorophyll content of rice changes, the reflectance of different bands changes at the spectral level. In addition, most of the research studies on the inversion of the rice’s chlorophyll content are based on the complex machine learning algorithms. Although the accuracy of the inversion of the constructed model has been improved, the structure of the model is relatively complex, and the model’s transplantation and universality are poor in the actual application process. Hence, in this study, the inversion of the chlorophyll content of rice leaves in the cold regions was assessed. An ASD ground object spectrometer was employed to procure the hyperspectral information of rice leaves in the critical growth period. On the basis of the feature selection method, the hyperspectral feature subset of the inversion of the chlorophyll content of rice was selected. The characteristic band vegetation index was constructed by combining the chlorophyll content absorption coefficients, and the chlorophyll content of rice was established through using regression analysis. Additionally, by combining the chlorophyll content absorption coefficients in the PROSPECT model, referring to the construction method and form of the existing hyperspectral vegetation index, and using correlation analysis, the continuous projection method and the genetic algorithm optimized the rough set attribute reduction, the hyperspectral features was selected, and the red edge optimization index (ORVI) with only 695, 507, and 465nm hyperspectral feature bands was proposed. Compared with the other vegetation indexes retrieved from the IDB database, namely, ND_528,587, SR_440,690, CARI, and MCARI, the results demonstrated that the determination coefficients of the abovementioned vegetation index inversion models were 0.672, 0.630, 0.595, and 0.574 respectively. The accuracy of the inversion model of chlorophyll content established by ORVI vegetation was higher than that of other vegetation indexes wherein the decision coefficients of the model were R²=^{0.726 and RMSE = 2.68, revealing that ORVI can be used as a hyperspectral vegetation index for the rapid inversion of the rice’s chlorophyll content in practical applications. This research can thereby provide some objective data support and model reference for remote sensing diagnosis and management decision of the rice’s chlorophyll content in the cold regions.}

Cite this article

Yu Fenghua , Xu Tongyu , Guo Zhonghui , Du Wen , Wang Dingkang , Cao Yingli . Remote sensing inversion of chlorophyll content in rice leaves in cold region based on Optimizing Red-edge Vegetation Index (ORVI)[J]. Smart Agriculture, 2020 , 2(1) : 77 -86 . DOI: 10.12133/j.smartag.2020.2.1.201911-SA003

1 引言

水稻是中国重要的主粮作物之一，其中辽宁、吉林、黑龙江等东北地区种植的水稻为寒地水稻^[1]。寒地水稻特点是由于早春气温低，水稻插秧后气温与土壤温度偏低，养分释放慢^[2]，因此在寒地水稻关键生育期需要补充一部分化学肥料^[3]。水稻叶绿素含量直接影响叶片颜色，是水稻营养状况最为直接的一种指示器^[4]。寒地水稻生产过程中，农业生产者大多通过现场观察水稻叶片叶色变化大致评估水稻营养是否匮缺，进而做出田间管理决策^[5]。随着东北地区土地流转不断深入，寒地水稻规模化生产不断扩大，对水稻生产智慧化管理要求越来越高，亟需利用信息化手段对寒地水稻叶绿素含量进行高通量^[6]、无损^[7]、精准检测^[8]，辅助开展水稻营养诊断精准决策，提升寒地水稻规模化生产过程数字化水平。

现有研究表明，水稻叶绿素含量发生变化时，在光谱层面上会引起不同波段反射率的变化^[9]。由于高光谱信息具有较高的数据维度，通常需要先对高光谱数据进行降维处理，再进一步与叶绿素含量建立定量反演模型^[10]。国内外研究学者在利用高光谱技术估算作物叶绿素含量方面已经取得了一定的研究成果。在水稻方面，曹英丽等^[11]研究了基于基函数展开方法对高光谱数据进行降维并以此为输入建立了叶绿素含量的反演模型，模型反演效果能够为水稻叶绿素含量反演提供技术基础；谢凯等^[12]研究了稻瘟病胁迫下水稻叶片叶绿素含量的高光谱特征，发现基于光谱特征参数SD_r的回归模型预测叶绿素含量具有较高的精度；张建等^[13]利用经滤波片改装的单反相机，获取不同波段的相对反射率，分别与叶绿素含量建立回归分析模型，结果表明近红外相机能够获得与高光谱成像仪相近的叶绿素含量估测结果；Stavrakoudis等^[14]采用多光谱传感器，构建了水稻叶绿素宽波段植被指数，实现了水稻孕穗期的营养诊断，为水稻田间精准追肥提供了指导。此外，Kamlesh等^[15]通过测量油棕榈叶片高光谱信息，利用偏最小二乘法建立叶片叶绿素含量反演模型，为防治橙斑病提供数据支持；李苑溪等^[16]发现玉米叶片反射光谱的红边位置与铜胁迫浓度显著相关，且存在明显的“红边蓝移”现象；冯海宽等^[17]分析了叶绿素含量和苹果叶片原始光谱及其变换形式之间的相关性，利用统计机器学习算法建立效果较好的叶绿素反演模型等。

为了提升寒地水稻叶绿素含量高光谱遥感诊断精度及管理决策依据，本研究针对寒地水稻叶片叶绿素含量的反演，采用ASD地物光谱仪获取寒地水稻关键生育期叶片高光谱信息，利用高光谱信息特征波段选择法，从所获取的高光谱波段范围内选择具体的特征波段，结合叶绿素吸收系数构建叶绿素含量反演植被指数，运用回归分析方法建立寒地水稻叶绿素含量反演模型。由于获得了植被指数和叶绿素含量明确的定量表达关系，且容易实现检测装置的研发与集成^[18]，本研究可为寒地规模化水稻生产过程中叶绿素含量检测与精准管理提供一种高效^[19]、可靠^[20]、精准^[21]的遥感监测技术手段。

2 材料与方法

2.1　试验区域与试验设计

本研究田间试验地点位于辽宁省沈阳市沈北新区柳条河村沈阳农业大学精准农业航空团队试验田（123°63′E，42°01′N，如图1所示）。

显示原图|下载原图ZIP|生成PPT

图1 试验地点区位图

Fig. 1 Location map of test site

试验于2018年6~8月开展，试验寒地水稻品种为“沈农9816”，涉及分蘖期、拔节期、抽穗期等3个水稻关键生育期。本研究设计了4个寒地水稻试验小区氮肥梯度处理，分别为CK、N₁、N₂、N₃，每种处理进行3次重复。其中CK为对照组，即不施用氮肥；N₁为当地标准氮肥施用水平，氮肥施用量为45kg/hm²；N₂为低氮施肥水平，施用量为N₁的0.5倍，即22.5kg/hm²；N₃为高氮施肥水平，施用量为N₁的1.5倍，即67.5kg/hm²。磷肥和钾肥的施用按照当地标准施用量进行，其中磷肥标准施用量为51.8kg/hm²，钾肥标准施用量为18kg/hm²。CK、N₁、N₂、N₃试验田中0～0.5m耕层土壤中全氮质量分数分别为0.154、0.162、0.159和0.168g/kg，速效氮质量分数分别为104.032、111.109、116.77和127.386mg/kg。其他田间管理参照当地一般生产田进行。

2.2　水稻叶绿素含量测定

水稻田间取样工作在试验小区内长势均匀区域进行，采用3倍标准差分别对各个关键生育期叶绿素含量进行异常值剔除。同时采用蒙特卡洛算法将各关键生育期异常光谱数据剔除，最终得到256个样本。当叶片高光谱采集结束后，将样本叶片取下放入密封袋，并迅速放入移动冰室进行冷藏保鲜。将水稻样品运回实验室后，每个水稻样本取10片叶片，用蒸馏水洗涤干净，去除叶脉，剪碎后混合均匀。称取0.4g，置于50mL由无水乙醇、蒸馏水两种溶液按照9:2的比例配置成的混合溶液中，在实验室遮光环境下静置24h，直至样品完全发白。采用分光光度仪测量645和663nm两个波段处的吸光度值，再根据公式（1）~（3）^[22]计算水稻叶片叶绿素a、叶绿素b及叶绿素总量。对每个小区3次重复的水稻叶片叶绿素值采用狄克松检验法去掉因误差引起的离值点，计算剩余水稻叶片叶绿素含量的平均值，作为该小区水稻叶片的叶绿素值。

chla=9.784OD663-0.990OD645 （1）

chlb=21.426OD645-4.650OD663 （2）

chl=5.134OD663+20.436OD645 （3）

其中，chla、chlb分别为叶绿素a、b含量，mg/L；chl为叶绿素总量，mg/L；OD645、OD663分别为叶绿体色素在645和663nm波段下的吸光度。

2.3　水稻叶片高光谱数据获取

采用ASD HandHeld 2手持地物光谱仪结合叶片夹对水稻叶片高光谱进行测量，光谱波段范围为325~1000nm，分辨率为3nm。运用Matlab 2016a对获取的叶片高光谱数据进行处理。由于叶片夹使用的是人工光源，能够保证不同时间测量光谱具有可比较性，最大程度的减少高光谱的测量误差。光谱仪每隔10min进行一次白色标准版（反射率>99%）和背景噪声数据校准。

2.4　特征波段选择与植被指数构建

试验所获取的高光谱信息包含有近200维的高光谱波段，将全部高光谱信息作为反演模型的输入参量，会造成“维数灾难”^[23,24,25]。本研究采用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法等3种特征波长选择方法提取水稻叶片高光谱特征波段，减少高光谱冗余信息，提升植被指数构建效率和精度。

在植被指数的构建过程中，研究参考Index-Data-Base(IDB)数据库^[26,27]内已有高光谱遥感植被指数的构建方法。通过分析植被指数结构形式，最终确定基于特征波段所构建植被指数（I）的形式如公式（4）所示：

I = α 1 × ρ x 1 - α 2 × ρ x 2 α 3 × ρ x 3 + α 4 × ρ x 4

（4）

其中，

α 1 、 α 2 、 α 3 、 α 4

为特征波段的权重系数；

ρ x 1 、 ρ x 2 、 ρ x 3 、 ρ x 4

为本研究所筛选特征波段的反射率。利用构建的植被指数与叶绿素含量建立回归模型，使用均方根误差（RMSE）和模型决定系数（R²）作为高光谱遥感反演水稻叶绿素含量精度的评价标准。

为了分析和验证所构建植被指数的精度，从IDB数据库中选择应用叶绿素反演较多的高光谱植被指数（表1），利用采集的数据集进行叶绿素反演精度分析。

表1 高光谱植被指数

Table 1 Hyperspectral vegetation index

植被指数	指数公式
Normalized Difference 528/587^[28]	$ρ 528 - ρ 567 ρ 528 + ρ 567$ （5）
Simple Ratio 440/690^[29]	$ρ 440 ρ 690$ （6）
Chlorophyll Absorption Ratio Index^[30]	$ρ 700 ρ 670 (a * ρ 670 + ρ 670 + b) 2 (a 2 + 1) 0.5$ （7）
Modified Chlorophyll Absorption in Reflectance Index^[31]	$ρ 700 - ρ 670 - 0.2 × ρ 700 - ρ 550$ （8） $ρ 700 ρ 670$ （9）

2.5　叶绿素含量建模方法

极限学习机（Extreme Learning Machine，ELM）学习速度快、训练误差小，但该算法随机产生的输入层与隐含层之间的连接权值及隐含层神经元阈值在训练过程中无法动态调整，导致该算法所建立的反演模型稳定性和泛化能力较差。本研究利用遗传算法对ELM进行优化。具体执行过程如下：

（1）随机生成一个初始种群

X m × l

，其中m为初始种群数量，个体长度l既代表每个个体的基因值数量，也代表一个神经网络的初始权值数量，并且个体中的基因值与神经网络的初始权值一一对应，如公式（10）。本研究采用实数编码方式对基因值进行编码，可避免解码过程，提高训练效率。

l = s 1 s 2 + s 2 s 3 + s 2 + s 3

（10）

其中，l为个体长度；

s 1

为输入层节点数；

s 2

为隐含层节点数；

s 3

为输出层节点数。

（2）利用遗传算法（Genetic Algorithm，GA）通过计算初始种群中每个个体的输出误差值

E i

，计算适应度值

f i

（公式（11）），并根据个体适应度值

f i

的大小进行评估，选择初始种群中适应度值较大的个体进入子种群继续进行优化训练。

f i = 1 1 + E i

（11）

（3）在子种群中，第

i

个个体被选中将进行交叉或变异操作的概率为

p i

（公式（12）），并根据交叉率

p c

（公式（13））和变异率

p m

（公式（14））自适应函数来判断该个体是否需要进行交叉或遗传操作，

p c

与

p m

的取值会根据个体适应值

f i

的大小而发生自适应改变，可避免

p c

和

p m

过高或过低导致的搜索随机化、搜索速度变慢、抗体的重要基因丢失、产生新个体几率降低等问题，保持种群始终具有多样性。

p i = f i / ∑ i = 1 m f i

（12）

p c = k c f m a x - f c / f m a x - f ¯, f c ≥ f ¯ k c, f c < f ¯

（13）

p m = k m f m a x - f m / f m a x - f ¯, f m ≥ f ¯ k m, f m < f ¯

（14）

其中，

k c

为交叉概率调节常数，

k m

为变异概率调节常数，两者均为小于1的实数；

f c

为要交叉的个体适应度值；

f m

为要变异的个体适应度值；

f m a x

为适应度值

f i

的上界，

f ¯

为适应度值

f i

的均值。

结合提取的水稻叶片高光谱特征波段及构建的植被指数，研究中分别采用遗传算法优化的极限学习机（GA-ELM）和统计回归分析等方法建立反演模型。基于GA优化的ELM流程图如图2所示。

显示原图|下载原图ZIP|生成PPT

图2 基于GA优化ELM的流程图

Fig.2 Flow chart of optimizing ELM based on GA

3 结果与分析

3.1　试验数据分析

本研究共进行了9次试验数据采集，采集256组有效数据样本，根据Kennard-Stone算法将样本照训练集与验证集按3:1的比例进行划分，选取其中的196组作为建模数据集，另外60组为验证数据集。数据级统计特征如表2所示。由表2可知，建模数据集和验证数据集两组数据统计特征相似，变异系数大于40%。

表2 试验小区水稻叶绿素含量统计特征

Table 2 Statistical characteristics of chlorophyll content in Japonica rice in experimental plot

样本集

样本数

叶绿素最大值

（ug/cm²）

叶绿素最小值

（ug/cm²）

叶绿素均值

（ug/cm²）

标准差

（ug/cm²）

变异系数

（%）

整体

256

98.9

2.6

52.25

25.17

0.48

建模集

196

98.9

2.6

53.5

25.3

0.47

验证集

95.87

3.98

48.7

24.32

0.49

作者在前期研究工作中利用全局敏感性分析方法分析了PROSPECT模型叶绿素含量输入参数在有效范围内变化时对光谱的反射率的影响，发现叶绿素含量主要影响400~800nm光谱范围的反射率，而800nm之后的波段反射率变化与叶绿素含量相关性很小^[31]。因此本研究选择400~800nm波段区间作为叶绿素含量反演的高光谱数据基础，同时设置采集的叶绿素含量范围作为PROSPECT模型的叶绿素输入参数取值区间，计算叶绿素吸收系数（图3所示），其中横坐标为高光谱波段，纵坐标为PROSPECT模型根据反射率计算叶绿素含量吸收系数。

显示原图|下载原图ZIP|生成PPT

图3 PROSPECT模型叶绿素吸收系数

Fig. 3 Chlorophyll absorption coefficient of PROSAIL model

3.2　高光谱特征波段选择

3.2.1　基于相关性分析提取特征波段

利用皮尔森线性相关性分析，分析每一个波段反射率与叶绿素含量之间的相关性，不同波段与叶绿素相关性如图4所示。

显示原图|下载原图ZIP|生成PPT

图4 不同波段与叶绿素的相关性

Fig. 4 Correlation between different bands and chlorophyll

由相关性系数可知，相关性系数大于0.5的波段共有74个，而这些波段共处于两个波段范围内，分别为531~643nm和689~721nm。这两个波段范围内叶绿素相关性极大值分别为：703nm相关性系数为0.658，567nm相关性系数为0.577。不同波段之间还存在很强的共线性，因此在与叶绿素含量呈显著性相关的两个波段范围内选择相关性系数最大的703nm作为反演叶绿素含量的特征波段（图5）。

显示原图|下载原图ZIP|生成PPT

图5 两个波段区间的共线性关系

Fig. 5 The collinearity between two bands

3.2.2　基于连续投影法提取特征波段

连续投影法（Successive Projections Algorithm,SPA)是前向光谱特征选择方法，SPA选择的是含有最少冗余信息及最小共线性的变量组合^[32,33,34]。本研究利用SPA算法共选择了10个特征波段，其中前两个波段为有效波段，分别是507和695nm，SPA特征选择结果如图6所示。

显示原图|下载原图ZIP|生成PPT

图6 SPA特征波段选择

Fig. 6 SPA feature band selection

3.2.3　基于邻域粗糙集的特征波段选择

领域粗糙集是为了解决经典粗糙集无法有效处理数值型属性数据而提出的。由于本研究光谱数据条件属性较多，同时样本数量也比较大，因此设定领域调整参数的值为2，重要度下限控制参数为0.01。利用邻域粗糙集算法共选择了2个特征波段，分别是465和705nm。本研究通过相关性分析、连续投影法和邻域粗糙集简约法三种特征波段选择方法，选择的特征波段如表3所示。

表3 特征波段选择结果

Table 3 Characteristic band selection results

方法	特征波段（nm）
相关性分析	703
连续投影法	507
连续投影法	695
邻域粗糙集简约法	465
邻域粗糙集简约法	705

由表3结果可知，不同特征波段选择方法的选择结果存在差异，但均与叶绿素含量具有显著相关关系，其中703与705nm是相邻两个波段，存在共线性，最终本研究选择465、507、695和705nm 4个波段作为水稻高光谱的特征波段。

3.3　红边优化植被指数构建

本研究利用公式（4）的形式构建水稻叶绿素高光谱特征植被指数，以叶绿素吸收系数作为特征波段的权重系数。采用与叶绿素含量的相关性系数作为植被指数构建的评价标准。最终计算的特征植被指数为公式（15）所示。

O R V I = 0.81185 × ρ 695 - 0.73818 × ρ 507 0.81185 × ρ 695 + 0.47646 × ρ 465 = ρ 695 - 0.91 × ρ 507 ρ 695 + 0.59 × ρ 465

（15）

由于695nm处于所采集水稻高光谱信息的红边位置，因此本研究将构建的植被指数命名为红边优化植被指数（Optimizing Red-edge Vegetation Index，ORVI）。

3.4　叶绿素含量反演

针对所提取得4个高光谱特征波段，利用GA-ELM建立叶绿素含量反演模型，经反复测试确定GA-ELM的参数：激活函数为Sigmoid，输出函数为Purelin，训练函数为trainlm，交叉概率为0.6，变异概率为0.3，模型反演结果：R²为0.709，RMSE为2.94。

针对基于特征波段所构建的ORVI，利用线性回归方法建立叶绿素含量反演模型，模型反演结果R²为0.726，RMSE为2.68，ORVI反演结果如图7所示。

显示原图|下载原图ZIP|生成PPT

图7 红边优化植被指数反演结果

Fig.7 Inversion results of ORVI

3.5　叶绿素含量反演精度评价

利用2.4节所选择的高光谱植被指数采用回归分析方法建立了叶绿素含量反演模型，结合本研究提取特征波段与ORVI分别构建的叶绿素反演模型，以决定系数

R 2

和均方根误差RMSE作为模型的评价标准，模型反演结果对比如表4所示。

表4 叶绿素含量反演结果

Table 4 Inversion results of chlorophyll content

建模数据	建模方法	R²	RMSE
ORVI	回归分析	0.726	2.68
465、507、695、705nm	GA-ELM	0.709	2.94
Normalized Difference 528/587	回归分析	0.672	11.41
Simple Ratio 440/690	回归分析	0.630	8.97
Chlorophyll Absorption Ratio Index	回归分析	0.595	17.88
Modified Chlorophyll Absorption in Reflectance Index	回归分析	0.574	14.62

由反演结果可知，在本研究数据集的条件下所构建的ORVI叶绿素含量反演精度要优于其他模型。基于特征波段采用GA-ELM的反演精度则由于除ORVI外其他基于回归分析建立的反演模型。与IDB数据库中现有植被指数相比，ORVI的R ²最高且RMSE最低。

4 结论与讨论

本研究以寒地水稻为研究对象，通过测定水稻叶片样本的叶绿素含量及高光谱反射率信息，提取高光谱特征波段，构建植被指数，运用回归分析、极限学习机等方法反演水稻叶绿素含量。得到结论如下：

（1）通过相关性分析、连续投影法和邻域粗糙集简约法3种特征波段选择方法提取的水稻叶绿素含量特征波段为：465、507、695和705nm。

（2）构建了红边优化植被指数ORVI,指数形式为：

ρ 695 - 0.91 × ρ 507 ρ 695 + 0.59 × ρ 465

，其中

ρ 695

、

ρ 507

、

ρ 465

分别为各波段的反射率信息。

（3）以ORVI为输入建立寒地水稻冠层叶绿素含量反演模型，模型决定系数R²为0.726，RMSE为2.68。

本研究所建立的红边优化植被指数在叶绿素含量反演上获得了较好的预测结果，能为准确检测水稻叶绿素含量提供一种新的方法。

高光谱数据的维度比较大，若要满足全部信息作为建模输入，要求需要采集海量的样本数据，而这在实际操作过程中无论是时间成本、还是人工成本都是难以实现的。并且高光谱数据中还存在着大量的共线性的关系，因此降低高光谱数据维度是反演建模的基础。

本研究为了能够简化实际应用的复杂度，采用特征波段选择构建植被指数的方法降低高光谱数据的维度，构建植被指数物理含义清晰。相比于光谱特征提取，本方法能够明确地找到具体波段，容易集成便携检测仪器。但本研究所用3种特征波段选择方法本质均仅考虑了波段与叶绿素含量之间的关系，虽然最终选择的特征波段构建的植被指数反演模型精度较好，但研究并未考虑其他水稻农学参量变化对高光谱信息的影响。同时本研究所构建的植被指数属于叶片尺度的一种植被指数，若要在田间冠层尺度进一步应用，这需要进一步综合考虑叶面积、株型结构等参量的影响，这些本研究并未涉及。同时在植被指数构建的形式上，主要是参考归一化植被指数的形式，需进一步挖掘不同波段之间的组合形式，突出植被指数与叶绿素含量之间的相关性，提升整体的反演精度和模型的普适性。

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	常俊彦, 宋明阳, 于晓曼, 等. 沈阳地区水稻生产的生态环境影响研究[J]. 农业环境科学学报, 2018, 37(8): 249-257. Chang J, Song M, Yu X, et al. Study on the ecological environment impact of rice production in shenyang area[J]. Journal of Agro-Environment Science, 2018, 37 (8): 249-257.

凌启鸿, 王绍华, 丁艳锋, 等. 关于用水稻“顶3顶4叶叶色差”作为高产群体叶色诊断统一指标的再论证[J]. 中国农业科学, 2017, 50(24): 42-50.

Ling

, Wang

, Ding

, et al. Further demonstration of using rice "top 3 top 4 leaf color difference" as a unified indicator for leaf color diagnosis in high-yielding populations[J]. Scientia Agricultura Sinica, 2017, 50 (24): 42-50.

3	裴信彪, 吴和龙, 马萍, 等. 基于无人机遥感的不同施氮水稻光谱与植被指数分析[J]. 中国光学, 2018, 11(5): 144-152. Pei X, Wu H, Ma P, et al. Analysis of spectrum and vegetation index of different nitrogen-applied rice based on UAV remote sensing[J]. China Optics, 2018, 11 (5): 144-152.

4	何勇, 彭继宇, 刘飞, 等. 基于光谱和成像技术的作物养分生理信息快速检测研究进展[J]. 农业工程学报, 2015, 31(3): 182-197. He Y, Peng J, Liu F, et al. Critical review of fast detection of crop nutrient nd physiological information ith spectral and imaging technology[J]. Transactions of the CASE, 2015, 31 (3): 182-197.

5	Arnal B J G. Detection of nutrition deficiencies in plants using proximal images and machine learning: a review[J]. Computers and Electronics in Agriculture, 2019, 162: 482-492.

6	Baek I, Kim M, Cho B K, et al. Selection of optimal hyperspectral wavebands for detection of discolored, diseased rice seeds[J]. Applied Sciences, 2019, 9(5): 1027-1038.

7	谢立勇, 孙雪, 赵洪亮, 等. FACE条件下水稻生育后期剑叶光合色素含量及产量构成的响应研究[J]. 中国生态农业学报, 2015, 23(4): 47-53. Xie L, Sun X, Zhao H, et al. Response of photosynthetic pigment content and yield component of flag leaf in late growth stage of rice under FACE condition[J]. Chinese Journal of Eco-Agriculture, 2015, 23 (4): 47-53.

8	Yu F, Xu T, Du W, et al. Radiative transfer models (rtms) for field phenotyping inversion of rice based on uav hyperspectral remote sensing[J]. International Journal of Agricultural and Biological Engineering, 2017, 10(4): 150-157.

9	Henrich V, Brüser K. Index Database[EB/OL]. Germany: The Idb Project. (2012-01-01) [2019-01-01].

10	刘桃菊, 胡雯君, 张笑东, 等. 水稻冠层高光谱特征变量与叶片叶绿素含量的相关性研究[J]. 激光生物学报, 2015, 24(5): 428-435. Liu T, Hu W, Zhang X, et al. Correlation between rice canopy hyperspectral characteristic variables and chlorophyll content in leaves[J]. Laser Biology, 2015, 24 (5): 428- 435.

11	曹英丽, 邹焕成, 郑伟, 等. 水稻叶片高光谱数据降维与叶绿素含量反演方法研究[J]. 沈阳农业大学学报, 2019, 50(1): 107-113. Cao Y, Zou H, Zheng W, et al. Study on dimensionality reduction and chlorophyll content inversion of rice leaf hyperspectral data[J]. Journal of Shenyang Agricultural University, 2019, 50 (1): 107-113.

12	谢凯, 蒋蘋, 罗亚辉. 稻瘟病胁迫下水稻叶片叶绿素含量与光谱特征参数的相关性研究[J]. 中国农学通报, 2017, 33(17): 123-128. Xie K, Jiang P, Luo Y. Correlation between chlorophyll content and spectral characteristic parameters of rice leaves under rice blast stress[J]. Chinese Agricultural Science Bulletin, 2017, 33 (17): 123-128.

13	张建, 孟晋, 赵必权, 等. 消费级近红外相机的水稻叶片叶绿素(SPAD)分布预测[J]. 光谱学与光谱分析, 2018, 38(3): 79-86. Zhang J, Meng J, Zhao B, et al. Prediction of chlorophyll (SPAD) distribution in rice leaves from consumer-grade near-infrared cameras[J]. Spectroscopy and Spectral Analysis, 2018, 38 (3): 79-86.

14	Stavrakoudis D, Katsantonis D, Kadoglidou K, et al. Estimating rice agronomic traits using drone-collected multispectral imagery[J]. Remote Sens, 2019, 11(5): 545-560.

15	Golhani K, Balasundram S K, Vadamalai G, et al. Estimating chlorophyll content at leaf scale in viroid-inoculated oil palm seedlings (Elaeis guineensis jacq.) using reflectance spectra (400nm-1050nm)[J]. International Journal of Remote Sensing, 2019, 40(19): 7647-7662.

16	李苑溪, 陈锡云, 罗达, 等. 铜胁迫下玉米叶片反射光谱的红边位置变化及其与叶绿素的关系[J]. 光谱学与光谱分析, 2018, 38(2): 220-225. Li Y, Chen X, Luo D, et al. Red edge position change of corn leaf reflection spectrum under copper stress and its relationship with chlorophyll[J]. Spectroscopy and Spectral Analysis, 2018, 38 (2): 220-225.

17	冯海宽, 杨福芹, 杨贵军, 等. 基于特征光谱参数的苹果叶片叶绿素含量估算[J]. 农业工程学报, 2018, 34(6): 190-196. Feng H, Yang F, Yang G, et al. Estimation of chlorophyll content in apple leaves based on characteristic spectral parameters[J]. Transactions of the CASE, 2018, 34 (6): 190-196.

18	兰玉彬, 邓小玲, 曾国亮. 无人机农业遥感在农作物病虫草害诊断应用研究进展[J]. 智慧农业, 2019, 1(2): 1-19. Lan Y, Deng X, Zeng G. Research progress on UAV agricultural remote sensing in diagnosis of crop diseases, pests and weeds[J]. Smart Agriculture, 2019, 1 (2): 1-19.

19	裴信彪, 吴和龙, 马萍, 等. 基于无人机遥感的不同施氮水稻光谱与植被指数分析[J]. 中国光学, 2018, 11(05): 144-152. Pei X, Wu H, Ma P, et al. Analysis of spectral and vegetation index of different nitrogen-fed rice based on UAV remote sensing[J]. China Optics, 2018, 11 (05): 144-152.

20	Xu Q, Ma Y, Jiang Q, et al. Hyperspectral remote sensing estimation of water content in rice leaves[J]. Remote Sensing Information, 2018, 33 (05): 5-12.

21	武旭梅, 常庆瑞, 落莉莉, 等. 水稻冠层叶绿素含量高光谱估算模型[J]. 干旱地区农业研究, 2019, 37(3): 238-243. Wu X, Chang Q, Luo L, et al. Hyperspectral estimation model of rice canopy chlorophyll content[J]. Agricultural Research in the Arid Areas, 2019, 37(3): 238-243.

22	曹英丽, 邹焕成, 郑伟, 等. 水稻叶片高光谱数据降维与叶绿素含量反演方法研究[J]. 沈阳农业大学学报, 2019, 50(01): 107-113. Cao Y, Zou H, Zheng W, et al. Study on the method of dimension reduction and chlorophyll content inversion from hyperspectral data of rice leaves[J]. Journal of Shenyang Agricultural University, 2019, 50 (1): 107-113.

23	Gao Y, Wu G, Wang F, et al. Feasibility of estimating heavy metal concentrations in wetland soil using hyperspectral technology[C]// IGARSS 2017 - 2017 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2017.

秦占飞, 常庆瑞, 申健, 等. 引黄灌区水稻红边特征及SPAD高光谱预测模型[J]. 武汉大学学报（信息科学版)， 2016，（8）: 1168-1175.

Qin

, Chang

, Shen

, et al. Red edge characteristics and SPAD hyperspectral prediction model of rice in the yellow river irrigation area[J]. Geomatics and Information Science of Wuhan University， 2016，（8）: 1168-1175.

25	Raymond H E, Daughtry C S T, Eitel J U H, et al. Remote sensing leaf chlorophyll content using a visible band index[J]. Agronomy Journal, 2011, 103(4): no. 1090.

26	Xu Q, Ma Y, Jiang Q, et al. Hyperspectral remote sensing estimation of water content in rice leaves[J]. Remote Sensing Information, 2018, 33 (05): 5-12.

27	王洋, 肖文, 邹焕成, 等. 基于PROSPECT模型的植物叶片干物质估测建模研究[J]. 沈阳农业大学学报, 2018, 49(1): 121-127. Wang Y, Xiao W, Zou H, et al. Estimation and modeling of dry matter in plant leaves based on PROSPECT model[J]. Journal of Shenyang Agricultural University, 2018， 49（1）： 121-127.

28	Sun D, Cen H, Weng H, et al. Using hyperspectral analysis as a potential high throughput phenotyping tool in GWAS for protein content of rice quality[J]. Plant Methods, 2019, 15(1): 156-163.

29	刘明博，唐延林，李晓利, 等. 水稻叶片氮含量光谱监测中使用连续投影算法的可行性[J]. 红外与激光工程, 2014, 43(4): 1265-1271. Liu M, Tang Y, Li X, et al. The feasibility of using continuous projection algorithm in the spectral monitoring of nitrogen content in rice leaves[J]. Infrared and Laser Engineering, 2014, 43(4): 1265-1271.

30	Guo L, Yu Y, Yu H, et al. Rapid quantitative analysis of adulterated rice with partial least squares regression using hyperspectral imaging system[J]. Journal of the Science of Food and Agriculture, 2019, 99(12): 175-189.

31	Yu F, Xu T, Du W, et al. Radiative transfer models (RTMs) for field phenotyping inversion of rice based on UAV hyperspectral remote sensing[J]. International Journal of Agricultural and Biological Engineering. 2017, 12 (13): 110-116.

32	Nguyen H T, Lee B W. Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression[J]. European Journal of Agronomy, 2006, 24(4): 349-356.

33	周扬帆, 陈佑启, 何英彬. 基于高光谱曲线的马铃薯与其他主要作物光谱差异性分析[J]. 中国农业资源与区划, 2017, 38(11): 10-16. Zhou Y, Chen Y, He Y. Analysis of spectral difference between potato and other major crops based on hyperspectral curve[J]. China Agricultural Resources and Regional Planning, 2017, 38 (11): 10-16.

34	陈桂芬, 赵姗, 曹丽英, 等. 基于迁移学习与卷积神经网络的玉米植株病害识别[J]. 智慧农业, 2019, 1(2): 34-44. Chen G, Zhao S, Cao L, et al. Maize plant disease recognition based on transfer learning and convolutional neural network[J]. Smart Agriculture, 2019, 1 (2): 34-44.

Options

Outlines

模态框（Modal）标题

Highlights

Cite this article

1 引言

2 材料与方法

2.1 试验区域与试验设计

图1 试验地点区位图

2.2 水稻叶绿素含量测定

2.3 水稻叶片高光谱数据获取

2.4 特征波段选择与植被指数构建

表1 高光谱植被指数

2.5 叶绿素含量建模方法

图2 基于GA优化ELM的流程图

3 结果与分析

3.1 试验数据分析

表2 试验小区水稻叶绿素含量统计特征

图3 PROSPECT模型叶绿素吸收系数

3.2 高光谱特征波段选择

3.2.1 基于相关性分析提取特征波段

图4 不同波段与叶绿素的相关性

图5 两个波段区间的共线性关系

3.2.2 基于连续投影法提取特征波段

图6 SPA特征波段选择

3.2.3 基于邻域粗糙集的特征波段选择

表3 特征波段选择结果

3.3 红边优化植被指数构建

3.4 叶绿素含量反演

图7 红边优化植被指数反演结果

3.5 叶绿素含量反演精度评价

表4 叶绿素含量反演结果

4 结论与讨论

References

2.1　试验区域与试验设计

2.2　水稻叶绿素含量测定

2.3　水稻叶片高光谱数据获取

2.4　特征波段选择与植被指数构建

2.5　叶绿素含量建模方法

3.1　试验数据分析

3.2　高光谱特征波段选择

3.2.1　基于相关性分析提取特征波段

3.2.2　基于连续投影法提取特征波段

3.2.3　基于邻域粗糙集的特征波段选择

3.3　红边优化植被指数构建

3.4　叶绿素含量反演

3.5　叶绿素含量反演精度评价