植物高光谱分析研究论文范文3篇
来源：期刊VIP网 时间：
篇(1)
摘 要：为区别喀斯特高原森林植被类型，利用高光谱技术对森林植被开展光谱特征分析，为喀斯特高原贵州省森林植被的遥感探测与精准识别提供理论与技术支持。本研究采用ASDFieldSpec4便携式地物光谱仪对贵州省常见的华山松(Pinus armandiiFranch)、麻栎(Quercus acutissimaCarruth)、马尾松(Pinus massonianaLamb)、杉木(Cunninghamia lanceolata)、水杉(Metasequoia glyptostroboides)、香樟(Cinnamomum camphora)、云南松(Pinus yunnanensis)、柏木(Cupressus funebris Endl. )8种树种的光谱数据进行采集。在对原始光谱数据进行异常值处理的基础上，进行包络线去除，比较原始光谱和包络线去除图，选择差异较大的波段用于识别不同树种。结果表明：原始光谱中11个特征波段差异都较为明显，去包络线中1439～1448nm、1779～1788nm、1958～1967nm和2307～2316nm波段范围内差异较为明显，说明包络线去除法能有效缩小树种特征波段范围，达到运用较少波段识别树种的目的。用欧氏距离法对选取的特征波段进行验证，发现运用原始光谱曲线与包络线去除法选取的特征波段皆能有效区分树种，且包络线去除法的效果更好。
关键词：高光谱;树种鉴别;包络线去除法;欧氏距离
森林是陆地生态系统的主体，是人类发展不可缺少的自然资源，准确获取森林树种类型与空间分布信息对于区域林业经营与管理、保护物种多样性，改善区域生态环境，以及建立林木生长模型等方面具有重要意义[1-5]。传统的树种识别方法主要以费时费力的野外调查为主。由于高光谱遥感具有波段多、波宽窄的特点，其光谱曲线能够准确区分地物种类，为快速、大面積的森林树种识别提供了可能，相关研究已成为国际高光谱植被遥感研究的热点[6-9]。
Matthew等[10]基于高光谱遥感影像采用物种辨识分析程序等方法提取7种热带雨林树种;Bunting等[11]利用不同季节的CASI高光谱影像通过构建树种冠层聚类分析法对澳大利亚昆士兰州的9种森林群落的信息进行了提取。宫鹏等[12]利用实测光谱数据识别了美国加州的6种主要针叶树种，证明了高光谱数据具有较强的树种识别潜力。陈尔学等[13]研究发现对高光谱数据进行降维处理，并采用更加有效的二阶统计量估计方法，进而应用将空间上下文信息和光谱信息相结合的分类算法，可以有效提高高光谱数据森林类型的识别精度。陈璇等[14]基于包络线法和并对其进行一阶微分处理对麦冬、圆柏和珊瑚树进行了有效区分。王志辉等[15]利用光谱一阶、二阶微分法对高光谱遥感图像进行处理，选择树种特征差异性加大的波段进行组合降维，再利用野外实地调查样地作为训练样本进行样本，对毛竹、雷竹、杂竹等7个树种进行了有效区分。徐凯健等[16]基于全年逐旬或逐月尺度的时序光谱数据，并结合相应的微分变换方法，能有效提高区域尺度优势树种的识别精度。
王波等[17]基于6种典型灌木植物的室内光谱数据，通过反射率、吸收率及其一阶微分的变化，筛选出敏感波段，而后通过各个波段之间的相互组合计算NDVI值和RVI值，并且以TM设置波段计算的NDVI值和RVI值最为参考，筛选出优于TM波段且差值最大的波段组合确定为最优模型，最终有辨别出6种灌木植物。目前，典型高光谱特征提取方法和分类方法主要有：包络线去除(Continuum Removal)、主成分分析法(Principal Component Analysis， PCA)、独立主成分分析(Independent Component Analysis， ICA)、线性判别分析(Linear Discriminant Analysis， LDA)、小波变换(Wavelet， WT)等。其中，包络线去除法以其消除不相关背景信息、扩大弱吸收特征信息、突出光谱曲线上吸收和反射的特征、增强光谱曲线各波段之间的对比性等特点，被广泛应用于地物探测[18-20]。
本研究以贵州黔中喀斯特花溪区和高原喀斯特草海自然保护区的华山松(Pinus armandii Franch)、麻栎(Quercus acutissima Carruth)、马尾松(Pinus massoniana Lamb)、杉木(Cunninghamia lanceolata)、水杉(Metasequoia glyptostroboides)、香樟(Cinnamomum camphora)、云南松(Pinus yunnanensis)、柏木(Cupressus funebris Endl. )8種典型树种为研究对象，利用包络线去除法对实测的叶片高光谱数据进行处理，分析提取树种原始光谱以及包络线去除曲线中差异较为明显的波段，验证高光谱遥感数据以及包络线去除法选择的特征波段对于树种识别的效应，以期为喀斯特高原贵州省植被的遥感识别、监测和保护提供理论依据和技术支持。
1 材料与方法
1.1 研究区概况
贵州位于云贵高原东部(E103°36′～109°35，N24°37′～29°13′)，全省总面积17.62万km2，平均海拔1100m左右。境内地势西高东低，自中部向北、东、南三面倾斜，分为高原山地、丘陵和盆地三种基本类型，以高原山地居多，是典型的喀斯特地貌。贵州是长江、珠江上游地区的重要生态屏障，是国家生态文明试验区。年平均气温在11～19℃之间，年均降雨量为1000～1300mm[21]，年日照时数为1200～1600h[22]。贵州省属于亚热带湿润季风气候，因降水丰富、气候温暖湿润的气象特点，物种资源较为丰富[23]。2018年森林覆盖率已达57%。贵州省植被丰厚，具有明显的具有明显的亚热带性质，组成种类繁多，区系成分复杂[24]。境内广泛分布有赤黄壤、黄棕壤、红壤、黄壤、石灰土、山地灌丛草甸土、水稻土、紫色土等8个土类[25]。试验地点选择贵州省贵阳市花溪区和贵州省威宁县草海自然保护区。花溪区属典型的中亚热带常绿阔叶林带，主要森林植被类型有黔中山原湿润性常绿栎林、常绿落叶混交林及马尾松林等[26]。草海自然保护区森林植被主要为云南松(Pinus yunnanensis)、华山松(Pinus armandii Franch)、杉木(Cunninghamia lanceolata)、柏木(Cupressus funebris Endl. )等[27]。
1.2 光谱数据采集与预处理
本研究利用ASD FieldSpec4便携式地物光谱仪分别采集华山松、麻栎、马尾松、杉木、水杉、香樟、云南松、柏木等8种典型树种的叶片光谱反射率。该设备波段范围是350～2500nm，其中，350～1000nm波段光谱采样间隔为1.4nm，光谱分辨率为3nm;1000～2500nm波段光谱采样间隔为2nm，光谱分辨率为10nm[28]。
数据采集时间选择晴朗无风天气，测定时间为10：00～14：00之间，分别于2018年9月30日～2018年10月31日在贵州省贵阳市花溪区试验区(图1a)和2018年7月20日～2018年7月27日在贵州省威宁县草海试验区(图1)，采集方法严格按照ASD FieldSpec4地物光谱仪使用说明进行操作，每种树种随机选择3块集中连片且面积不小于10公顷的样地，每块样地内随机选择5个样本，每个样本重复测量10次，共计1200个样本数据，而后，删除受空气中的水汽以及仪器的系统误差影响较大的波段(759～763nm、1340～1352nm、1365～1395nm、1801～1925nm、2487～2500nm)的数据，保留质量较高的波段的数据。
1.3 光谱微分
光谱微分可以增强曲线在坡度上的细微变化，突出显示光谱曲线的差异性，采用光谱导数分析模型具有部分消除大气效应，可以消除植被光谱土壤成分的影响以及能反映植被的本质特征等一系列优越性[29-30]。本研究在Origin软件中进行一阶微分、二阶微分处理，其计算公式如下：
1.4 包络线去除
在光谱曲线相似的情况下，直接从中提取光谱特征不便于计算，因此需要对光谱曲线作进一步处理，以突出光谱特征。包络线去除法可以有效突光谱曲线的吸收、反射和发射特征，并将其归一到一个一直的背景上，有利于和其他光谱曲线进行特征数值的比较[31-33]。本研究在ENVI Class软件中进行包络线去除，其计算公式如下：
1.5 检验分析
为了检验原始光谱特征波段和去除包络线特征波段识别树种的效果，本研究使用欧式距离法在SPSS25.0软件中对其进行检验;以原始光谱所选的特征波段为例，首先计算所选波段各个树种所有样本的原始光谱反射率平均值，然后选择比较树种，分别计算每一树种每一样本与比较树种平均值之间的欧氏距离，最后再计算各树种所有样本的欧氏距离平均值(表2)。如果不同树种间的欧式距离的平均值大于同树种间的欧氏距离平均值，则说明所选波段能有效区分这8种树种。
2 结果与分析
2.1 原始光谱曲线分析
由图2可知，8种树种的光谱曲线形态相似性高，符合绿色植物的光谱曲线特征。但由于不同植被内含成分的不同，导致其在相同的外部条件下对太阳辐射的吸收和反射不尽相同，图2中八种树种光谱曲线在某些波段差异明显，这些差异波段更好的反映了不同树种之间的光谱特性的差异。挑选差异性较为明显的549～558nm、785～794nm、964～973nm、1078～1087nm、1190～1199nm、1268～1277nm、1445～1454nm、1665～1674nm、1775～1784nm、1956～1965nm和2211～2220nm共11个波段(波段范围10nm)，取其平均值进行比较。由图3可知，在8种树种光谱曲线的第一个波峰范围(549～558nm)内，云南松-柏木、马尾松-杉木、华山松-麻栎-水杉-香樟三组之间区分明显，但是后两组组内树种区分不明显;在785～794nm范围内，云南松与其它七种树种差异较大，麻栎-香樟、水杉-杉木-柏木、华山松-马尾松三组差异明显，但组内差异较小;964～973nm、1078～1089nm与785～794nm波段范围内差异情况类似;在1445～1454nm波段范围内麻栎与其他7种树种差异明显，水杉-香樟、杉木-云南松-华山松-马尾松-柏木两组差异性较大，但组内差异性小;1956～1965nm、2211～2220nm与1445～1454nm波段范围内差异情况类似;其他4个波段范围(1190～1199nm、1268～1277nm、1665～1674nm和1775～1784nm)内8种树种差异明显。
推荐阅读：种植管理论文选择哪个期刊投稿
篇(2)
摘 要：双孢蘑菇疣孢霉病是由有害疣孢霉菌Mycogone perniciosa引起的、破坏性极强的真菌类病害，且该病害检测困难耗时，往往导致菇房绝收，菇农收益损失严重。早发现、早处理能够有效解决病害带来的经济损失和农药残留超标等质检问题。因此，本研究将能够快速无损检测的高光谱成像技术应用到双孢蘑菇病害早期鉴别。以双孢蘑菇菌Agaricus bisporus子实体为试材，对健康染病双孢蘑菇生长早期子实体样本采集菌盖的全波段(401～1046 nm)可见/近红外高光谱图像信息，利用多元散射校正(MSC)进行预处理，采用决策树(DT)提取特征波段，对比随机森林(RF)和极限学习机(ELM)两种模型对健康和染病双孢蘑菇鉴别准确度。利用DT选取401.00、951.59、978.09、1006.59和1044.90 nm为鉴别病害的特征波段。对比RF和ELM所建模型效果，得到MSCDTELM模型检测效果最优，测试集和预测集总体样本鉴别准确度分别为92.39%和91.32%。结果表明，该模型可以有效提高基于全波段的双孢蘑菇疣孢霉病早期的鉴别准确度，得到基于高光谱成像技术的便捷准确鉴别双孢蘑菇病害早期的模型，同时，为进一步开发双孢蘑菇病害早期的多光谱设备提供了理论依据和方法。
关键词：双孢蘑菇;高光谱成像技术;病害早期检测;鉴别
双孢蘑菇Agaricus bisporus，又称白蘑菇或纽扣蘑菇，是最常见的栽培蘑菇品种之一，目前在70多个国家进行商业化生产[1]。其肉质鲜美、营养丰富[2]，具有重要的经济价值，已在全国各地推广种植[3]。随着双孢蘑菇生产和栽培规模日益扩大，其病害的发生与危害也逐年加重，经济效益大幅下降，严重挫伤菇农生产积极性，成为制约双孢蘑菇产业持续发展的重要因素[4]。双孢蘑菇疣孢霉病，又称褐腐病、泡湿病，是一种土传真菌性病害，具有普遍性、强危害性，特别严重的得病菇房减产达50%～60%。其病原菌为有害疣孢霉Mycogoneperniciosa Magnus Delacr.，属于子囊菌门Ascomycota、粪壳菌纲Sordariomycetes、肉座菌目Hypocreales、肉座菌科Hypocreaceae、疣孢霉属Mycogone[5]。我国大部分人工栽培的双孢蘑菇对疣孢霉病高度敏感，且自抗性较差，至今尚未发现对疣孢霉病有免疫的菌株[6]。有害疣孢霉菌对双孢蘑菇子实体侵染的发病率，高于有害疣孢霉菌在覆土层中间侵染双孢蘑菇菌丝[7]。当双孢蘑菇菌丝逐渐扭结到产生菇蕾时，是该病原菌侵染的有利时机。双孢蘑菇被疣孢霉菌侵染后形成畸形病菇，染病双孢蘑菇布满菇房，健康双孢蘑菇被彻底侵蚀瓦解[8]。但，其具有传染性强、早期症状不明显、潜伏期长等特点，有经验的菇农最快也要在双孢蘑菇子实体小菇期后才能鉴别染病与否，或者采用内源转录间隔区(ITS)基因片段的聚合酶链式反应(PCR)鉴定[9]以及传统的柯赫氏法则[10]等有损耗时的检测方法。这些方法都需要对双孢蘑菇进行离体检测，耗时长，得到检测结果时，双孢蘑菇疣孢霉病已蔓延菇房，无法起到及时提醒菇农病害发生并采取措施阻止病害进一步扩散的目的。因此，需在病害发生的早期(小菇期之前)能够快速、无损地鉴别出染病双孢蘑菇，帮助菇农及时清除染病双孢蘑菇，及时止损，保证菇房健康双孢蘑菇的品质，极大降低病害发生时菇农的经济损失。
由于高光谱成像技术能够无损便捷识别农产品病害的特点，被广泛应用于农产品病害检测。例如，Tao等[11]用近红外高光谱成像仪，采集被黄曲霉真菌染病和健康的玉米粒在900～2 500 nm光谱范围的图像，利用随机蛙跳算法提取30、50和100个重要变量，分别建立偏最小二乘判别模型得到二分类预测的准确度为87.7%、93.8%和95.2%。Gao等[12]利用高光谱成像技术对赤霞珠葡萄的无症状葡萄卷叶病(GLD)和发病期葡萄卷叶病进行无损检测，分别在5个生长期采集叶片高光谱图像，为消除高光谱样本异常值，利用光谱归一化和蒙特卡洛算法对图像进行预处理，利用最小绝对收缩和选择算子对预处理后的数据进行特征波长提取，得到690、715、731、1409、1425和1582 nm是早期检测该病害的特征波段，用最小二乘支持向量机(LS-SVM)作为分类器得到准确率在66.67%～89.93%。表明，高光谱成像技术具有在无症状阶段无损检测农作物真菌病害的能力。
高光谱成像技术在食用菌病害检测中也被用于开发快速检测蘑菇病害的无损检测系统。例如，Bagnasco等[13]研究了高光谱成像技术结合主成分分析法检测健康和被嗜真菌感染的牛肝菌，采集样本在可见/近红外光谱区(400～1000 nm)的高光谱图像，采用标准正态变换法(SNV)对原始数据进行预处理，基于分数阈值的监督规则，分析了两种低阶主成分的分数图，结果表明该方法可以直接在测试样本的假彩色图像中显示被污染的样本点。但在利用高光谱成像技术对双孢蘑菇早期病害方面的研究较少，且针对双孢蘑菇病害的研究都在其子实体生长的中后期(小菇期之后)。Parrag等[14]采集感染蛛网病的采收期双孢蘑菇菌盖在900～1700 nm光谱范围内的高光谱图像，利用归一化算法(单个强度值减去整个光谱强度的平均值)和Savitzky-Golay平滑(多项式阶为3，窗口大小为9)对原始光谱进行预处理，在平均光谱中发现水峰附近(1200 nm和1450 nm)与健康双孢蘑菇菌盖的反射值有明显差异，利用支持向量机(SVM)成功分离出感染蛛网病的样本，正确率在80%以上，结果表明利用高光谱成像技术得出双孢蘑菇的含水率空间分布，可以用于检测双孢蘑菇的腐坏程度。
综上所述，在早期(小菇期之前)对双孢蘑菇疣孢霉病进行检测识别，能够及时发现染病双孢蘑菇阻止其继续侵害健康双孢蘑菇的同时，还能减少因发病早期症状不明显，无法及时确诊使菇农盲目采用大量化学农药处理，导致的农药超标、食品安全、土壤污染等问题。因此，本研究拟基于高光谱成像技术，建立双孢蘑菇疣孢霉病早期快速检测方法，为开发双孢蘑菇病害检测的快速便捷方法提供参考。
1 材料与方法
1.1 试验材料
试验材料为福建省农业科学院食用菌研究所提供的双孢蘑菇菌种W192。将播种、装袋后的双孢蘑菇放入人工气候箱(MEC-350B-LED型，宁波普朗特仪器有限公司)中培养。
1.2 试验方法
1.2.1 双孢蘑菇的培养 设置人工气候箱温度22℃，相對湿度90%，无光照。培养期间每天早晚通风1 h。两周后，菌丝布满栽培料，进行覆土处理，高度约2.5 cm。此后，调整人工气候箱内的环境为温度20℃，湿度85%，无光照。覆土后7～10 d，菌丝长至2/3覆土层，调整人工气候箱内的环境为温度20℃，相对湿度90%，无光照。
1.2.2 双孢蘑菇染病与鉴定 有害疣孢霉菌My.p0012，由福建省农业科学院食用菌研究所提供。将有害疣孢霉菌在马铃薯葡萄糖琼脂培养基(PDA)上，于25℃恒温黑暗环境中培养7 d。于无菌操作台(SWCJ1FB型，苏州净化设备有限公司)内用超纯水将PDA培养基上的有害疣孢霉菌孢子洗下，制作成有害疣孢霉菌的孢子悬液。用血球计数板检查该孢子悬液，确定浓度为1.0×105个·mL-1。双孢蘑菇菌丝长至2/3覆土层时，将5 mL有害疣孢霉菌孢子悬液均匀喷洒在覆土层表面。将病菇上的褐色液滴和病菇切片分别在无菌台内，置于PDA平板培养基，于25℃黑暗环境中培养。5 d后，在显微镜下挑出菌丝并纯化，观察是否是有害疣孢霉菌。
推荐阅读：农作物技术论文发表sci4区杂志
篇(3)
摘要：遙感技术因快速、无损监测等优点而被广泛应用于农业领域。通过开展不同胁迫下棉花冠层光谱室外测试试验，分析不同胁迫冠层光谱特征差异，再分别建立不同的光谱特征参数判别式对其进行识别，可为棉花所受胁迫类型的快速识别提供参考。结果表明，无论哪种胁迫，棉花冠层光谱反射率形状和大小均在近红外波段变化相同，可见光波段和短波红外波段差异明显;不同胁迫下棉花冠层红边均具有“双峰”现象，红边峰值减小，红边位置均发生“蓝移”;黄萎病、枯萎病、干旱、红蜘蛛、角斑病、红叶茎枯病和蚜虫胁迫下冠层的吸收波段位置(Lo)、吸收深度(Depth672)和吸收面积(Area672)均明显减小，吸收宽度(Lwidth)均明显增加，而缺氮和盐害的Lo、Depth672和Area672基本不变，Lwidth均略微增加;不同胁迫下棉花冠层10个光谱特征参数表现出一定的规律，可建立相应的判别式实现对棉田所受胁迫类型的快速识别。
关键词：棉花;冠层;胁迫;高光谱;识别
引言
各种胁迫会导致作物产量和品质的下降，影响农业生产的可持续性[1-3]。棉花是新疆农业的支柱性产业，近年来新疆棉花总、单产一直位居全国第一。然而，由于新疆棉花连年种植，不合理使用化肥农药等，造成棉田干旱和缺素时常发生，各种病虫为害频繁，次生土壤盐碱化也逐年加重，严重影响棉花产业的稳定性和可持续性[4-7]。
利用遥感技术对植被干旱、冻害、病虫害等胁迫进行监测的研究较多，为农作物胁迫遥感监测奠定了研究基础[8-10]。林海荣等利用ETM影像，结合农业灾害和农作物生长发育情况，对新疆沙湾地区棉花结铃期发生冷害情况进行遥感监测，认为植被指数降低越多，冷害程度越重[11];Tilling A K等研究表明利用冬小麦冠层光谱反射率在近红外光区的变化能够监测到氮素和水分胁迫[12];Yang C M等发现，426nm的冠层光谱反射率能够有效地监测到水稻受褐飞虱和稻纵卷叶螟等虫害胁迫[13];Chen B等对不同品种、不同生育期棉花黄萎病的冠层光谱研究表明，随病害严重度的增加棉花冠层光谱反射率在可见光(620～700nm)和短波红外波段呈现上升趋势，近红外波段则表现出相反的趋势[14]。Steddom K等利用归一化植被指数、花青素反射指数对甜菜病害进行监测，分类精度达87.9%[15]。艾效夷等采用偏最小二乘回归方法综合冠层光谱和叶片生理参数，建立综合模型对小麦条锈病进行监测，比单独光谱参数建立的模型精度提高21%[16]。黄双萍等提出一种光谱词袋模型的分析方法，通过分析正常和穗瘟病稻穗的高光谱图像，实现了穗瘟病害程度的自动评判，提高了穗瘟病分级的自动化程度和准确率，预测分类识别精度达94.72%[17]。袁建清等利用高光谱成像仪获取健康、缺氮、感病水稻叶片的反射率光谱，采用六个判别模型构建水稻瘟病和缺氮识别模型，预测准确率达97.5%[18]。本文针对北疆绿洲区棉田开展棉花不同胁迫下冠层光谱的识别研究，为棉田胁迫的光谱识别提供研究基础。
1 材料与方法
1.1 试验设计
2013—2016年在石河子大学试验站进行棉花不同胁迫小区试验，试验小区按随机区组设计，每小区约43m2，品种为新陆早7号(XLZ-7)、新陆早13号(XLZ-13)、新陆早33号(XLZ-33)和新陆早45号(XLZ-45)等。试验设3个重复，种植密度24万株·ha-1。每年4月中下旬播种，膜下滴灌，膜上点播，灌水量约3300m3·ha-1，施纯氮300kg·ha-1，P2O5 150kg·ha-1和K2O 75kg·ha-1。2013—2018年在新疆農垦科学院棉花所试验田进一步开展试验，品种为新陆早8号(XLZ-8)和XLZ-33，设计和管理与石河子大学试验站相同。2016—2019年分别在第八师122团、143团、147团、149团和148团选择不同胁迫棉田同步开展大田试验，试验品种包括XLZ-33、XLZ-42、XLZ-45和XLZ-60等，田间管理同当地生产一致。
1.2 冠层胁迫调查及等级划分
田间调查各种胁迫发生期棉花冠层的受害情况，选择合适冠层确定胁迫等级并进行光谱测试。各胁迫等级按冠层受害程度和症状不同进行分级。每种胁迫冠层被分成5级并分别用不同的符号表示。例如：黄萎病为b0、b1、b2、b3和b4;枯萎病为kb0、kb1、kb2、kb3和kb4;干旱为w0、w1、w2、w3和w4;缺氮为n0、n1、n2、n3和n4;红蜘蛛为h0、h1、h2、h3和h4;角斑病为j0、j1、j2、j3和j4;红叶茎枯为hb0、hb1、hb2、hb3和hb4;蚜虫为y0、y1、y2、y3和y4;盐害为s0、s1、s2、s3和s4。具体分级方法可参考相关文献[19]。
1.3 光谱测试方法
采用Field Spec Pro FR 2500型背挂式野外高光谱辐射仪(美国ASD公司，光谱波段范围350～2500nm)每年于棉花不同胁迫期进行冠层光谱测定。选择在晴朗无云，风速小于3m·s-1，北京时间11﹕30—14﹕00时进行测定，传感器探头垂直向下距冠顶约1.0m，视场角为25°，以2条光谱为一采样光谱，每小区不同位置测定5次，平均值为该小区反射值，每次光谱测量前后均以参考板标定。
1.4 数据分析
用软件Viewspec pro Version 4.05对遥感数据进行预处理，用软件Excel 2007和Matlab 12.01提取高光谱特征参数，并进行相关统计分析(本文筛选的光谱特征参数和定义见表1所列)。
2 结果与分析
2.1 不同胁迫棉花冠层光谱反射率特征比较
如图1所示可知，棉花冠层受到不同胁迫后反射率形状和大小均发生变化，其中近红外波段(700～1300nm)反射率形状和值的大小变化规律均相同，可见光波段(400～700nm)和短波红外波段(1300～2500nm)存在较大差异。可见光波段，黄萎病、枯萎病、干旱和蚜虫等胁迫的光谱反射率形状和大小变化均较大，趋势基本一致，反射率值均随胁迫严重程度的增加而增加;红蜘蛛、角斑病和红叶茎枯病的冠层光谱在650nm(红光)附近有一个独特的反射峰，且红蜘蛛和角斑病受害冠层反射率在550nm(绿峰)附近低于正常冠层，红叶茎枯病受害冠层反射率高于正常冠层。缺氮和盐害的光谱形状和大小基本无变化。短波红外波段，随严重程度增加，枯萎病和红叶茎枯病的冠层光谱反射率均增加;红蜘蛛的冠层反射率减小;角斑病和缺氮的冠层反射率在1450nm吸收峰附近增加，在1600nm和2200nm附近减小;黄萎病和蚜虫的冠层反射率在1600～1850nm波段低于正常冠层，其他波段范围高于正常冠层;盐害的冠层反射率在1600～1850nm波段低于正常冠层，其他波段基本不变;干旱的冠层反射率呈现先低于、后高于正常冠层的特征。