声明

1）本文仅供学术交流，非商用。具体引用的资料请看参考文献。如果某部分不小心侵犯了大家的利益，请联系博主删除。

2）本人才疏学浅，整理总结的时候难免出错，还望各位前辈不吝指正，谢谢。

联系方式：kydzzyk@163.com

基于高光谱影像的农作物检测应用简介 
                 
随着科学技术的发展，现代农业正在朝着更加规模化的方向发展。在传统的小规模农业种植中，管理者凭借经验和肉眼获得的信息即可快速判断农作物的生长状况并迅速采取有效的措施。然而，对于现代化的大规模的作物种植，采用传统的方式很难全面实时掌握作物的生长状况。大规模的作物种植要求管理者具有快速实时获得作物生长状况的能力和科学的管理机制。通过高光谱仪实现对大规模的作物的生长状况检测分析是一种新型的快速的无损检测方式。近年来，随着高光谱成像技术的发展，基于高光谱影响的植被生长状况检测不断深入，但真正能应用于实际场景的用于检测植被生长状况的高光谱仪相对较少，或者还存在一些缺陷。基于此，本文对基于高光谱影像的植被生长检测做了深入调研，从高光谱成像仪，植被光谱特征，植被光谱特征检测等几个方面描述了基于高光谱影像的植被生长检测的整体现状，并以小麦、番茄等作物的特征检测为例子，对当前基于高光谱影像的植被生长检测研究进展和面临的实际问题做了阐述。最后对基于高光谱影像的植被生长检测面临的挑战和解决的措施做了分析和讨论，为其它的研究者提高参考。
关键词：高光谱影像；农作物光谱成像；无损检测

1 高光谱成像技术基础

    高光谱成像是20世纪80年代发展起来的一种新型的成像技术。其基本原理是，不同的物质的表面对不同波段的光谱（或者电磁波）具有不同的反射率和折射率。基于此，根据不同反射（或发射）光谱可以获得待测目标的特征。在成像的过程中，光谱的波段分得越细，得到的物质特征就越多。根据光谱的分辨率，一般认为光谱分辨率在10-1um的光谱影像为多光谱影像，光谱分辨率在10-2um的光谱影像为高光谱影像，谱分辨率在10-3um的光谱影像为超高光谱影像。高光谱成像仪一般提供数百个甚至上千个的波段，传感器的每个像元可以提供一段连续的地物光谱曲线。研究[1]表明,许多地物的吸收峰深度的一半处的宽度为20~40nm，而高光谱成像仪的光谱分辨率一般小于10nm,因此高光谱成像仪可以分辨出不同的物质。基于此，根据地物光谱曲线的差异，可以识别不同的物质，根据成像的高光谱影响，可以从不同的特征角度反映地物的分布情况，故高光谱成像仪具有广泛的应用价值。图1是文献[2]总结的高光谱成像中不同波段的主要应用。从图中可以看出，不同的波段具有不同的应用场景，这是因为尽管不同的地物对不同的波段都会有不同的光谱响应曲线，但是只有在特定的波段才具有最大的光谱能量。

图1 高光谱影像技术在不同波段的主要应用

一个完整的高光谱成像仪应该包括扫描镜等光学器件、分光装置、传感器阵列、成像电路和分析软件。与普通的成像仪相比，高光谱成像仪在分光装置和分析软件上有较大的差别。高光谱成像仪的分光装置一般是光栅或者棱镜，分光装置会将光色散成按波长大小顺序排列的单色光。理想状态下，高光谱成像仪可以接受全波段的光谱，每个波段的光谱分别可以得到一幅特定波段的图像，同时每个像元在不同波段的敷设至可以组成连续的光谱信息。所以高光谱成像仪得到的是一幅立方图像。分析软件是高光谱成像仪中与成像系统一样重要的一个部分，一定程度上而言，目前的高光谱成像分析方法还落后与高光谱成像的硬件系统。这主要体现在两个方面，(1)、高光谱成像仪成的是一幅立方图像，波段数越多需要处理的数据量就越大，高光谱成像仪的硬件系统可以实现数百个甚至上千个通道的高光谱成像，却很难实时实现高光谱数据的有效分析；(2)、高光谱成像仪得到的高光谱图像信息高度冗余，波段的分辨率越高冗余度越突出，如何在大量的具有高度冗余的高光谱图像中提取出有用的信息是软件分析系统的关键。

2 植被的光谱特性

地物的光谱特征是高光谱识别地物或检测特征的基础，其研究和意义在高光谱检测当中具有重要地位。同样，要检测农作物的生长状况或者其他特性，需要知道相应农作物的光谱特征。对于健康的绿色植物而言，其光谱曲线主要有一下四个特征：①在可见光波段（0.4~0.76 um）的反射率较大，在0.33~0.45 um和0.67 um处的蓝、红光呈低谷。其原因是植物页面反射的主要因素是叶绿素，而叶绿素对蓝光和和红光强吸收且反射率非常低。同时叶绿素对绿光（0.52 um ~ 0.6 um）有一个弱的反射，所以光谱曲线会出现一个小的局部峰值。②在近红外波段（0.68~0.75），植物叶面的反射率急剧增加，所以对应的光谱曲线在近红外波段出现一个陡坡。同时，不同的植物的光谱位置和斜率基本保持一致。③植物在0.75 um ~1.3 um保持较高的反射率。其主要原因是此时叶面光谱反射特征主要受细胞结构和叶冠结构控制，由于光在叶内反射，所以反射率非常高。同时，一般在0.95 um ~ 1.185 um处有一个典型的吸收峰存在，这是由于植被体内水的吸收和冠层结构引起。④在1.3 um 附近，植物的反射率快速下降，并且在1.3 um ~ 2.5 um范围内保持较低的水平。其中，在1.19 um、1.4 um、1.9 um附近可以明显看到反射率低估，出现了明显的睡吸收带，且跌落程度主要取决于水的含量。图2为典型的植被光谱特征曲线。

图2 典型的植被光谱曲线

随着植被光谱特性的不断深入，根据大部分植物的光谱特征，近年来逐渐形成了如下九个植被光谱的特征参数:

  1. 红边（RE），红边是植被在0.67 um ~0.74 um 反射率最高最快的点，是绿色植被最显著的标志。红边一般用位置和斜率两个参数来描述。一阶导数最大的位置即为红边的位置，红边的斜率与植被的覆盖度、叶面积指数等参数有关，覆盖度越高，叶绿素的含量越高，红边斜率越大。
  2. 蓝边（BE），蓝边是指蓝色光在0.49~0.53 um 之间一阶段数最大值的位置。
  3. 黄边（YE），黄边是指黄色光在0.55~0.58 um 之间一阶段数最小值的位置。
  4. 归一化差异植被指数（NDVI）。NDVI是指两种不同波段范围内植被的关铺反射率差值与其和值的比值，或者是多波段上的光谱反射率的加权差值与加权累计之间的比值。
  5. 植被叶面积指数(LAI)，是指单位面积内植被所有叶面积的综合除以单位面积。是植被冠层结构的一个重要指标。
  6. 红边一阶段数最大值（DRE），对植被的叶面指数反映极为敏感，与绿色植被的覆盖度有非常紧密的线性关系。
  7. 叶面叶绿素指数（LCI），LCI 对叶绿素很敏感，但对于叶面积散射和叶面内部结构变化并不敏感，所以LCI最适用于高叶绿素的区域。
  8. 叶面水含量指数（WI）。WI是比较0.97 um 水吸收波段和0.90 um的反射率相对而定的参数。
  9. 归一化差异水体指数（NDWI）。是反应植被叶面水含量的参数，是根据1.24 um水吸收波顿和0.86 um 的反射率相对而定的参数，它随着绿色植被叶面水含量的增加而增加。

如上列出了评价光谱特性的常用指标，这些指标往往受到多个因素的影响，这些因素主要包括三个方面。第一，不同植被种类间的光谱特征差异，具体而言就是不同的植被具有不同的光谱曲线；第二,季度变化对植被光谱特性的影响，具体而言，同一种植被的生长随着季节发生周期性的而变化，其对应的光谱曲线也会发生相应的变化；第三，水分对光谱特性的影响，具体而言，在红外和短波红外波段的吸收分是由大气中的水蒸气和植被体内的水分决定的，植被水分的变化会其光谱形态发生变化，整体而言，随着植被体内的水分增加，反射率会下降。

    

3 基于高光谱成像的植被检测应用研究进展

上一章节详细介绍了植被的光谱特性，评价指标和影响因素。大部分的高光谱成像在植被检测中的研究都会基于以上的因素，即光谱特性、评价指标和影响因素。而这章将对基于高光谱成像的植被检测应用研究进展做深入的调研和总结，并根据检测的目标从三个方面便分别阐述其研究进展，这三个方面分别是作物生长状态检测，作物生化参数检测和作物产量检测。

3.1基于高光谱成像的作物生长状态检测

叶面积指数是指单位面积内植被所有叶面积的综合除以单位面积，是植被冠层结构的一个重要指标，为植物冠层表面物质和能量交换的描述提供结构化的定量信息，也是表征作物生长状态的重要指标。自从20世纪70年代，就有研究者开始研究叶面积指数与植被光谱特征的关系，并验证了用高光谱成像推导叶面积指数的可行性[3][4]。与传统的检测方法相比，该方法不仅省时省力，而且可以实现无损检测。今年来，随着高光谱成像技术的快速发展，国内的多个研究小组也进行了基于高光谱成像的作物叶面积检测研究，并取得了一定的成果。早在2004年，南京农业大学农业部作物生长调控重点开放实验室就进行了相关的研究[5]，该研究小组重点分析比较了基于 宽波段反射光谱的植被指数与水稻叶面积指数之间的相关性，以探讨预测水稻叶面积指数的最佳光谱，结果表明植被叶面指数与各植被指数均呈曲线相关，与比值植被指数(RVI)、再归一化植被指数(RDVI )和R810／R560显著幂相关，与归一化植被指数(NDVI)、垂直植被指数(PVI)、差值植被指数(DVI)、土壤调整植被指数(SAVI)和转换型土壤调整指数(TSAVI)显著，其中与R810／R560的相关性最好。在谭昌伟的夏玉米叶面积指数的高光谱遥感植被指数研究[6]中也得到了相似的结论，即近红外与绿光波段的比值(Ｒ810 /Ｒ560)与LAI 呈显著的指数关系，且不受品种类别、生育时期和氮肥水平的影响。就像上面介绍的研究一样，早期的研究主要集中在两个因素的相关性上，但是在实际作物生长张，一个指标可能会受到多个因素的影响，印个因素也可能会影响到多个指标。2013年，农业部农业信息技术重点实验室夏天带领的研究团队通过回归分析法和BP神经网络方分别构建了小麦叶面指数的反演模型[6]，并通过预测值和田间的观测值进行分析比较。结果表明利用BP神经网络法比回归分析法有更高的预测精度，其精度可以达到决定系数(Ｒ2) 0. 990、均方根误差0. 105。同时，考虑到不同时期的作物指标本身就不同，所以2014年西北农林科技大学农学院的杨凌提出了一种不同生育时期冬小麦叶面积指数高光谱遥感监测模型[7]，结果表明不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关；拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好。

生物量与叶面积指数和产量密切相关的一个指标，因此也常常用来结合叶面指数来评价作物的生长状况。因此研究叶面指数的方法也往往应用于研究作物的生物量，大部分的研究主要是急转在高光谱参数、植被指数与生物量的相关性分析。侯学会的研究[8]表明了麦生物量与冠层光谱在552、721 nm 处呈现最显著相关性，同时也表明了，叶面积指数与冠层光谱的相关性在400～1 100 nm 范围内较显著，红边位置估算小麦总生物量的指数模型最优，增强型植被指数与小麦叶面积指数的指数模型拟合度最强。其它的研究还有柏军华研究小组提出的生物量遥感估算模型[9]，唐延林研究小组的水稻、玉米、棉花的高光谱及其红边特征比较分析[10]等。

3.2基于高光谱成像的作物生化参数检测

作物的生化参数很大程度上也能反映作物的生长状况，甚至能对作物的生长趋势做出预测。同时，其中的水分含量，叶绿素等指标又具有很强的光谱特性，所以自从基于高光谱成像的精准农业被提出以来，作物的生化参数检测一直受到关注。下面将对基于高光谱成像的生化参数检测研究现状分别介绍和分析。

3.2.1基于高光谱成像的作物水分含量检测

在第二节的植被光谱特性介绍说明了，作物对水分含量对1.4~2.6 um波段的反射率有较大的影响，且光谱的反射率随着水分含量的增加而降低，所以基于高光谱成像的作物水分含量检测主要也集中在这个波段。在早期的作物水分含量研究中，国内的田庆久[11]，王纪华[12]等以不同的方式研究了近地叶片反射光谱及遥感冠层反射光谱与作物含水量之间的关系,证实水分敏感光谱波段主要集中在1.45 um, 1.94 um和2.50 um。但是在遥感高光谱成型中也面临着一些问题，一个是遥感冠层反射光谱与叶片反射光谱有所不同，另外一个问题是1.45 um 附近的红外波段容易被大气层吸收，遥感高光谱成像存在一些困难。为了消除或尽量减小大气变动,光照变化,受风速影响的冠层变化,受温度影响的土壤蒸腾变化对遥感冠层光谱的影响,一些研究学者提出了大量的植被指数构造方法来消除外界因素对预测模型的干扰。后来有多个研究小组对此进行了改进，并且完成了更深入的研究。文献[13]利用0.86 um和1.2 um 反射率建立的归一化差异水分指数NDWI，可以很好地估算植被等效水厚度（EWT）和冠层水平的植被水分。由于受高光谱卫星影像遥感技术的限制，当前大面积的作物冠层水分遥感监测应用依然主要采用以宽波段为主的多光谱卫星遥感影像数据。Landsat卫星历经系列发射，其搭载传感器ＴＭ遥感影像在全世界范围得到广泛应用，并经历实践检验，是当前多光谱卫星遥感应用中的典范。由于ＴＭ 影像中有两个短波红外波段（SWIR），即第５波段1.55～1.75 um，第7波段2.08~2.35 um,可用于地表植被水分探测，在区域作物植被水分遥感监测中得到了应用[14]。2013年，为探讨利用近地高光谱和TM 遥感影像数据评估作物冠层水分状况的可行性，北京农业信息技术研究中心的陈晓娟的研究小组以北京顺义通州为研究区域，以冬小麦为研究对象，利用TM5卫星遥感影像数据对研究区域小麦冠层水分含量进行反演与应用[15]。结果表明，利用TM5数据中SWIR第５波段比第７波段构建的水分指数更有优势；WI对估算LWC的效果较好，而NDWI在EWT估算方面效果较好，同时从ＴＭ 遥感影像的反演结果来看，开花期的冬小麦冠层水分高于拔节期。图3展示了研究区域的冬小麦LWC空间分布图。从图中而已可以清晰地看出，利用TM5卫星遥感影像数据，可以清晰地看到冬小麦的含水量分布情况，也为大面积麦田的含水量无损监测提供了依据。

图3　研究区域的冬小麦ＬＷＣ空间分布图

3.2.2基于高光谱成像的作物叶绿素含量检测

叶绿素是植物光合作用的重要成分，其含量对植物的生长、发育和结果都有重要的意义。监测农作物的叶绿色含量亦即监测了农作物的生长状况。同时叶绿素具有独特的光谱特性，其主要的吸收波段在可见光和近红外波段。其中常见的叶绿素的吸收波段为：叶绿素a(435 nm，670~680 nm, 740 nm 有吸收峰)；叶绿素b(480 nm 和 650 nm 有吸收峰)。但是如果只有只用单一波段研究作物的生长状况，容易受到环境的影响，所以一般采用2~3个波段的敏感波段进行研究。2010年，文献[16]以玉米冠层遥感高光谱数据为基础研究了四种植被指数预测叶绿素含量的建模效果,结果表明,四种植被指数建模效果的优劣顺序为CIgreen＞EVI＞MCARI＞NDVI。但是，叶绿素的含量也与水分含量一样受到季节的影响，不同生长阶段的叶绿素含量与对象的植被指数也有所不同。在李树强对玉米苗期冠层反射光谱的研究时就发现NDVI、R550与叶绿素含量有较大的关系，但与RVI相关性较差[17]。此外，其他的一些植被指数也被用于衡量植物中的叶绿素含量。Hunt等研究人员[18]就采用三角绿色指数（TGI）预测玉米冠层的叶绿素含量,其相关系数达到了0.91,表现了很强的预测能力。孙红等研究人员[19]采用差值植被指数（DVI）对玉米生长期的叶绿素含量进行了研究，研究表明基于DVI模型的叶绿素检测模型在拔节期与喇机口期有较大的相关性，其相关系数分别为0.81和0.66。上面提到的用于检测叶绿素含量的研究大部分集中在因素的选取和模型的设计，但是预测模型的精度还可以通过更加合理的预处理方法和计量学方法得到提高。在李庆波的研究[20]就使用了平滑、一阶微分、小波变换等方法对获取的植物叶片光谱进行预处理,再结合偏最小二乘、、算法建立了叶片叶绿素含量与吸收光谱的回归模型,其预测集的相关系数达到0.93。。黄慧的研究小组[21]采用一阶导数、二阶导数及多元散射校正对小麦反射光谱进行预处理,结合最小二乘和多元线性回归建立叶绿素含量预测模型。研究发现,二阶导数结合的预测模型效果最好,其预测均方根误差为0.71,相关系数为0.79。整体而言，基于高光谱成像的叶绿素含量分析是可行的，但是也面临一些困难，比如容易受到季节的影响，环境的影响。但是随着近几年的研究不断深入，通过采用多参数模型，回归模型，提高仪器精度等方法在一定程度上改善了测量的精度，因此相信的不就的将来会能更加准确、高效地确定作物的叶绿素含量。

3.2.3其它检测

除了水分含量检测和叶绿素净含量检测，其它的研究还有氮含量检测，如李振研究的基于高光谱玉米氮素营养与生长指标的监测[22]，研究结果表明随氮素水平的增加，玉米冠层光谱反射率在可见光区域(350-680nm)降低，在近红外平台(760~1300nm)随氮素水平的增加呈现升高的趋势。在可见光波段，随着生育期的推进，冠层光谱反射率呈现先降低后升高的趋势。而在近红外波段变化趋势相反。冠层反射率一阶微分导数在红边区域出现"双峰"现象，随氮素水平的提高，"双峰"没有出现增强或减弱的现象，但随着生育期的推进， "双峰''呈现先增强后减弱的规律。红边位置随生育期推进出现先"红移一后"蓝移"现象，但对氮素不敏感，随氮素水平的改变而变化不大。红边幅值对生育期及氮素水平表现均较敏感，随氮素水平的升高呈现逐渐升高的趋势，随生育期的推进，呈现规律性先增高后降低的趋势。磷含量检测，如文献[23]对柑橘叶片磷含量估算模型实验，对反射光谱进行各种形式预处理的基础上对柑橘叶片磷含量进行建模 和磷含量预测。模型分别在校正集和测试集上进行评估,取得最佳模型决定系数分别为0.905和0.881,均方误差分别为0.005和0.004,平均相 对误差分别为0.026 4和0.031 2。结果表明基于高光谱反射数据进行磷含量预测是可行的。作物疾病检测，截至2008年，曹入尹研究小组[24]就依托国家高技术研究发展计划项目完成了面向作物病害识别的高光谱波谱库设计与开发，实现了波谱查询、影像管理、用户管理、数据管理、反演模型等功能,为其它面向病害识别的高光谱波谱库提供了依据。

4.高光谱成像技术在作物检测中的研究现状总结和发展趋势

    自从高光谱成像被提出以来，在精准农业中取得了长足的进步。研究的波段主要集中在可见光和近红外；研究的作物主要包括小麦、水稻、玉米、大豆、番茄等；研究的因素包括作物水分含量、叶绿素含量、氮含量、磷含量、疾病检测、产量检测等；研究的参数包括红边、蓝边、黄边、归一化差异植被指数、植被叶面积指数、红边一阶段数最大值、叶面叶绿素指数、叶面水含量指数、归一化差异水体指数等；研究的方法包括两个指标的相关系分析法，多因素回归分析法，BP神经网络法，主成分分析法，最小二乘法，特征提取法等；研究的结果普遍表明基于高光谱成像的方法检测监测农作物的各项指标是可行的。

然而基于高光谱成像农作物检测还存在一些困难，这些困难主要来自以下几个方面：

  1. 基于高光谱成像的农作物检测的发展方向是遥感检测，但是由于受到条件的限制，目前的很大一部分研究是在小规模的实验室完成，这些研究在一定程度上为高光谱遥感检测提供了理论基础，但是实验室条件的实验和大规模的外场实验在环境上有较大的差别，所有大量的遥感实验需要去进一步验证。
  2. 大规模的农作物遥感高光谱成像收到环境因素的影响较大，比如天气，背景，光照等因素都会影响检测的效果。所以一个更加完善的检测设备应该能自动检测环境变化并做出相应的调整。
  3. 作物本身的含量包括水分、叶绿素等受到季节性的影响，在不同时期的各成分含量不同，上检测的标准也不同。而如果要获得作物各个时期的各成分含量情况，需要做长时间的检测校准，这是一个耗时费力的过程，各个作物的研究都还需要花费大量的经历。
  4. 高光谱成像获得的结果是一个很大的数据量，这些数据既包含了很多有用的信息，也包括了大量的冗余的信息，如何有效地提取这些有用的信息同时剔除冗余的信息是数据处理过程中最大的一个困难。
  5. 在农作物的生长状况检测当中，一个评价指标可能受到多个因素的影响，一个因素也可能去影响多个参数。所以如何合理的设计反演模型是获得高质量预测模型的基础。目前已经有大量的模型被提出，但是目前除了相关性系数被广泛使用之外，缺乏各个因素各个参数之间的综合影响。
  6. 缺乏统一权威的数据库管理。目前已经有大量的研究小组开展了旨在应用于精准农业的高光谱成像。未来的应用应该涉及大量的农作物种、大量的指标参数。而这些因素没有一个权威统一的数据库很难实现共享，也很难实现快速的应用。

但经过研究者的不断努力，目前基于高光谱成像的农作物检测已经有了初步成果，在第三节中介绍的一些例子就用一些用高光谱遥感检测的成果。未来的研究或用应该具备以下几个特点：

  1. 目前有一些研究者采用的是一些便携式的高光谱成像仪，方便对农作物的生长状况实现快速的检测是，但是未来的发展趋势应该以遥感高光谱成像为主，这是因为目前的高光谱成像仪成本都较高，对于小规模种植的管理者很难承受。而对于大规模种植的管理者，在管理上确实存在很难用肉眼实现管理等特点。所以未来的发展趋势应该以遥感高光谱成像为主。
  2. 基于各个因素的预测模型得到进一步完善，甚至通过基于深度学习等方法，综合天气、季节、实测信息等自动调整作物生长状况的预测模型，实现更加准确定位作物的生长状况。
  3. 实现权威统一的数据库管理，该数据库对各类作物的在各个因素影响下的光谱特性等详细的分析和介绍。
  4. 未来的农作物高光谱成像仪应该具备从种植、生长、成熟、收获整个过程中作物各个指标的全程全指标监控，并能给管理者自动提供直接的管理建议，大幅度减轻管理者的压力。

参考文献：

[1] 田庆久. 地物波谱数据库研究现状与发展趋势[J]. 导航定位学报, 2003(3):2-6.

[2] Farrell, Michael D, Farrell, et al. Analysis of Modeling, Training, and Dimension Reduction Approaches for Target Detection in Hyperspectral Imagery[J]. Ieice Technical Report Ultrasonics, 2005, 105:25-29.

[3] Wiegand C L, Gausman H W, CuellarJ A,et al.Vegetation density as deduced from ERTS-1 MSS response[C]//Third ERTS Symposia, NASA-SP-351，sectionA，1974：93－116．

[4] Bunnik N J. The Multispectral Reflectance of Shortwave Radiation by Agricultural Crops in Relation with Their Morphological and Optical Properties[D]. Mededelingen Landbouwhoge School, Wageningen, Netherlands, 1978.

[5] 薛利红, 曹卫星, 罗卫红,等. 光谱植被指数与水稻叶面积指数相关性的研究[J]. 植物生态学报, 2004, 28(1):47-52.

[6] 夏天, 吴文斌, 周清波,等. 冬小麦叶面积指数高光谱遥感反演方法对比[J]. 农业工程学报, 2013(3):139-147.

[7] 贺佳, 刘冰锋, 李军. 不同生育时期冬小麦叶面积指数高光谱遥感监测模型[J]. 农业工程学报, 2014(24):141-150.

[8] 侯学会, 牛铮, 黄妮,等. 小麦生物量和真实叶面积指数的高光谱遥感估算模型[J]. 国土资源遥感, 2012(4):30-35.

[9] 柏军华, 李少昆, 王克如,等. 基于近地高光谱棉花生物量遥感估算模型[J]. 作物学报, 2007, 33(2):311-316.

[10]唐延林, 黄敬峰, 王秀珍,等. 水稻、玉米、棉花的高光谱及其红边特征比较[J]. 中国农业科学, 2004, 37(1):29-35.

[11] 田庆久, 宫鹏, 赵春江,等. 用光谱反射率诊断小麦水分状况的可行性分析[J]. 科学通报, 2000, 45(24):2645-2650.

[12] 王纪华, 赵春江, 郭晓维,等. 用光谱反射率诊断小麦叶片水分状况的研究[J]. 中国农业科学, 2001, 34(1):104-107.

[13] Gao B C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3):257-266.

[14]Pan P F, Yang W N, Jian J, et al. Remote Sensing Retrieval Model of Vegetation Moisture Content Based on Spectral Index:A Case Study in Maoergai of Minjiang River'Upstream[J]. Remote Sensing Information, 2013, 28(3):69-73.

[15]程晓娟,杨贵军,徐新刚,等.基于近地高光谱与TM遥感影像的冬小麦冠层含水量反演[J].麦类作物学报, 2014, 34(2):227-233.

[16]Wu C, Wang L, Niu Z, et al. Nondestructive estimation of canopy chlorophyll content using Hyperion and Landsat/TM images[J]. International Journal of Remote Sensing, 2010, 31(8):2159-2167.

[17]李树强,李民赞,李修华,等.玉米冠层叶片光谱反射率与玉米长势空间变异的关系[J].农业工程学报, 2011, 27(12):110-114.

[18] Hunt E R, Doraiswamy P C, Mcmurtrey J E, et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J]. International Journal of Applied Earth Observation & Geoinformation, 2013, 21(1):103-112.

[19]孙红,李民赞,张彦娥,等.玉米生长期叶片叶绿素含量检测研究[J].光谱学与光谱分析, 2010, 30(9):2488-2492.

[20]李庆波,黄彦文,张广军,等.基于可见-近红外光谱的植物叶绿素含量无损检测方法研究[J].光谱学与光谱分析, 2009, 29(12):3275-3278.

[21]黄慧,王伟,彭彦昆,等.利用高光谱扫描技术检测小麦叶片叶绿素含量[J].光谱学与光谱分析, 2010, 30(7):1811-1814.

[22]李振.基于高光谱玉米氮素营养与生长指标的监测[D].山东农业大学, 2012.

[23]黄双萍,洪添胜,岳学军,等.基于高光谱的柑橘叶片磷含量估算模型实验[J].农业机械学报, 2013, 44(4):202-207.

[24]曹入尹,陈云浩,黄文江.面向作物病害识别的高光谱波谱库设计与开发[J].自然灾害学报, 2008, 17(6):73-76.

基于高光谱影像的农作物检测应用简介相关推荐

  1. 基于高光谱技术的农作物常见病害监测研究

    基于高光谱技术的农作物常见病害监测研究 1.发现问题 近年来随着信息技术的快速发展,高光谱技术以数据量丰富.灵敏.可靠的特点迅速应用于农业生产中,成为主要检测农作物病害的有效技术手段之一. 2.农作物 ...

  2. 基于高光谱成像技术结合卷积神经网络的马铃薯病害检测

    基于高光谱成像技术结合卷积神经网络的马铃薯病害检测 基于高光谱成像的马铃薯早疫病检测 摘 要 采用两种基于高光谱成像的马铃薯早疫病无损检测的方法:卷积神经网络,支持向量机对马铃薯病叶进行分类.通过对比 ...

  3. 基于迁移学习的农作物病虫害检测方法研究与应用

    基于迁移学习的农作物病虫害检测方法研究与应用 1.研究思路 迁移学习方式并结合深度学习提出了一种基于残差网络(ResNet 50)的 CDCNNv2 算法.通过对 10类作物 3 万多幅病虫害图像进行 ...

  4. 基于深度学习的农作物病害检测

    基于深度学习的农作物病害检测 1.研究思路 47 637 张图片总共 61 个分类标签．6 种模型对图像进行特征抽取． 采用交叉熵和正则化项组成损失函数进行反向传播调整,对数据集进行 4 种不同情况的 ...

  5. 基于高光谱遥感技术的农作物病虫害应用研究现状

    1.发现问题 通过分析近5年来高光谱技术在农作物病虫害研究情况 2.应用高光谱遥感技术进行农作物病虫害监测的原理 项目 Value 1 原始光谱的导数变换及对数变换 2 光谱位置和面积的特征参数提取 ...

  6. 基于高光谱成像的苹果虫害检测特征向量的选取

    基于高光谱成像的苹果虫害检测特征向量的选取 摘 要:利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速.准确.无损检测.本文首先对 646 nm 波长的特征图像进行阈值分割 ...

  7. 目标检测YOLO实战应用案例100讲-基于YOLO模型的遥感影像 飞机目标检测技术研究

    目录 基于YOLOv5模型的遥感影像飞机目标检测 基于深度学习的目标检测算法 POLO系列模型原理

  8. 基于深度学习的目标检测综述（一）：简介及骨干网络

    这篇文献的主要结构如下: 第1节,简单介绍目标检测的发展及两类目标检测算法. 第 2 节中讨论了骨干网络,目标检测器需要强大的骨干网络来提取丰富的特征.众所周知,特定领域图像检测器的典型管道是任务的基 ...

  9. 基于MATLAB读取高光谱影像每个像素的光谱信息

    1.安装高光谱工具箱 首先,利用MATLAB对高光谱影像进行处理需要安装高光谱工具箱,这要求MATLAB版本至少为2020版本及以上,否则会出现不兼容的问题. 下载地址:https://ww2.mat ...

最新文章

  1. Linux上部署、安装nodejs
  2. Resultset获取行数和列数
  3. windows安装redis数据库
  4. MySQL进阶SQL优化
  5. linux temp文件夹在哪_Win10系统下使用linux命令的方法
  6. Android 6.0 运行时权限处理完全解析
  7. WEB初学者简介，web入门
  8. 【基础】ABAP不同变量类型之间数值大小比较
  9. 类中赋值运算符重载函数
  10. 电脑老是弹出vrvedp_m_出现三个可疑进程vrvedp_m.exe vrvrf_c.exe vrvsafec.exe
  11. rabbitmq 学习-2-安装
  12. 美国国家公路交通安全管理局对特斯拉Autopilot系统展开正式调查
  13. POJ 2236 Wireless Network
  14. 宏碁E1-471G笔记本固态启动盘问题
  15. C语言semaphore头文件,C语言再学习 -- 常用头文件和函数
  16. Mysql——分组查询
  17. 百度大脑营业执照识别使用攻略
  18. TCP协议：报文字段解析
  19. Thymeleaf全解
  20. 大工16计算机应用基础2,大工20秋《计算机应用基础》在线测试2

热门文章

  1. 模拟电话交换机和IPPBX之间进行连接
  2. 自动呼叫分配系统中心系统组成
  3. 低客单价的商品怎样做运营、怎么样做优化、以及怎样做推广
  4. itween的抛物线线性移动
  5. android主流手机测试,硬件测试哪家强?安卓手机跑分软件横评
  6. 声网连麦+直播+视频+游戏“史上最强”社交直播方案 打造陌陌全新8.0改版
  7. 详细指南！手把手教你上手Tableau软件！
  8. Curator实现分布式锁的基本原理
  9. 英语、日语学习网站软件
  10. linux 批量convert,使用convert来批量处理图片