引言

氮素是作物合成葉綠素和蛋白質(zhì)的物質(zhì)基礎(chǔ)，對(duì)作物的生長(zhǎng)發(fā)育和呼吸代謝具有重要作用。植株氮含量（ＰＮＣ）是評(píng)價(jià)作物氮營(yíng)養(yǎng)狀況的重要指標(biāo)， 快速準(zhǔn)確地獲取ＰＮC信息有利于氮肥的精準(zhǔn)施控和作物長(zhǎng) 勢(shì)的動(dòng)態(tài)監(jiān)測(cè)，對(duì)提高作物產(chǎn)量和品質(zhì)具有重要的意義。傳統(tǒng)的 ＰＮＣ測(cè)定方法是人工取樣結(jié)合實(shí)驗(yàn)室測(cè)試，該方法耗時(shí)費(fèi)力，且測(cè)定結(jié)果滯后，不利于高效、無損及大范圍監(jiān)測(cè)作物的氮營(yíng)養(yǎng)狀況。近年來，遙感技術(shù)憑借其高通量、大尺度和實(shí)時(shí)動(dòng)態(tài)等特點(diǎn)在作物理化參數(shù)監(jiān)測(cè)中得到廣泛關(guān)注。與衛(wèi)星和地面遙感技術(shù)相比，無人機(jī)遙感技術(shù)操作簡(jiǎn)單，機(jī)動(dòng)性強(qiáng)，在農(nóng)田精細(xì)尺度和連續(xù)動(dòng)態(tài)監(jiān)測(cè)方面具有更大的優(yōu)勢(shì)。

目前，無人機(jī)平臺(tái)搭載的傳感器主要有數(shù)碼、多光譜和高光譜。數(shù)碼和多光譜傳感器雖價(jià)格低廉，但含有的波段數(shù)目少，無法提供作物冠層精細(xì)的光譜信息。而高光譜傳感器具有光譜分辨率高和圖譜合一等優(yōu)點(diǎn)，已成為有效監(jiān)測(cè)作物理化參數(shù)的可靠技術(shù)手段。目前，國(guó)內(nèi)外學(xué)者利用無人機(jī)高光譜成像技術(shù)在監(jiān)測(cè)作物的氮素營(yíng)養(yǎng)狀況方面取得了一定的研究進(jìn)展。不同波長(zhǎng)組合方式及光譜變換技術(shù)可以充分挖掘高光譜影像豐富的光譜信息，有利于提高監(jiān)測(cè)作物氮營(yíng)養(yǎng)狀況的精度，但也存在一定不 足。作物冠層在不同氮營(yíng)養(yǎng)狀況下的差異不僅體現(xiàn)在光譜反射率方面，在圖像特征如紋理和顏色上也有明顯體現(xiàn)，僅挖掘影像的光譜特征忽略了高光譜圖譜合一的優(yōu)勢(shì)，容易造成影像信息的丟失和浪費(fèi)，且無法避免單一光譜特征估算作物理化參數(shù)時(shí)存在的飽和現(xiàn)象。

然而，結(jié)合無人機(jī)成像高光譜的圖像和光譜特征監(jiān)測(cè)作物氮營(yíng)養(yǎng)狀況的研究還鮮有報(bào)道。綜上所述，本研究以無人機(jī)為遙感平臺(tái)，獲取了馬鈴薯5個(gè)生育期的高光譜影像，并提取各生育期的冠層光譜特征和冠層原始光譜特征波長(zhǎng)圖像的紋理和顏色２種圖像特征，分別基于光譜特征、圖像特征和圖譜融合特征利用３種方法 構(gòu)建各生育期的ＰＮＣ估算模型，探究圖像特征對(duì)估算馬鈴薯ＰＮＣ的影響，以期為馬鈴薯氮肥的精準(zhǔn)管理提供技術(shù)支持。

實(shí)驗(yàn)部分

2.1 試驗(yàn)設(shè)計(jì)

于2019年４月—7月在北京市昌平區(qū)小湯山鎮(zhèn)國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地開展馬 鈴薯試驗(yàn)，該地平均海拔36ｍ。選擇２個(gè)早熟品種中薯５（Ｚ１）和中薯３（Ｚ２）作為試驗(yàn)品種。設(shè)置密度試驗(yàn)（Ｎ 區(qū)）、氮肥試驗(yàn)（Ｓ區(qū)）和鉀肥試驗(yàn)（Ｋ區(qū)）3個(gè)試驗(yàn)區(qū)，每個(gè)試驗(yàn)區(qū)設(shè)置３次重復(fù)，共48個(gè)小區(qū)，每個(gè)小區(qū)面積為6.5ｍ×5ｍ。試驗(yàn)田位置與各試驗(yàn)小區(qū)處理詳情如圖１所示。

圖１馬鈴薯試驗(yàn)田位置及試驗(yàn)設(shè)計(jì)

2.2 無人機(jī)高光譜影像的獲取與預(yù)處理

分別于馬鈴薯現(xiàn)蕾期（2019年5月13日）、塊莖形成期（2019年5月28日）、塊莖增長(zhǎng)期（2019年6月10日）、淀粉積累期（2019年6月20日）和成熟期（2019年7月3日）利用無人機(jī)搭載成像光譜儀獲取高光譜影像，該傳感器的波譜范圍為４５０～９５0ｎｍ，采樣間隔為４ｎｍ，光譜分辨率為8ｎｍ。選擇晴朗、無風(fēng)無云的天氣開展飛行作業(yè)，飛行時(shí)間為１２：００—１４：００，飛行高度設(shè)置為２０ｍ，旁向重疊率為９３％。通過軟件無人機(jī)高光譜影像的預(yù)處理，主要包括影像的幾何校正、拼接和融合，最后生成試驗(yàn)區(qū)域的數(shù)字正射影像。

2.3 馬鈴薯PNC測(cè)定

馬鈴薯ＰＮＣ的測(cè)定方法如下：無人機(jī)飛行作業(yè)結(jié)束后，在每個(gè)試驗(yàn)小區(qū)選取３株能代表整體長(zhǎng)勢(shì)的馬鈴薯植株，將其莖葉分離，用清水洗凈，105℃殺青０．５ｈ后置于８０℃環(huán)境下，烘干至質(zhì)量恒重，然后分別測(cè)量莖和葉部分的樣本干質(zhì)量和全氮含量，最后根據(jù)所測(cè)數(shù)據(jù)計(jì)算莖和葉的氮含量，進(jìn)而得到馬鈴薯植株氮含量。

2.4 高光譜數(shù)據(jù)分析

2.4.1 光譜特征提取

不同氮素營(yíng)養(yǎng)狀態(tài)會(huì)引起馬鈴薯冠層光譜反射率的差異，因此可以通過特征波長(zhǎng)的反射率特征監(jiān)測(cè)馬鈴薯植株氮含量。馬鈴薯５個(gè)生育期冠層光譜特征波長(zhǎng)的提取方法如下：首先基于５個(gè)生育期的 ＤＯＭ，利用軟件生成馬鈴薯４８?jìng)€(gè)試驗(yàn)小區(qū)的矢量數(shù)據(jù)，其次 提取各小區(qū)的平均光譜，并將提取的平均光譜作為馬鈴薯的冠層原始光譜，然后通過軟件計(jì)算５個(gè)生育期的一階微分光譜，最后基于軟件，利用相關(guān)性分析法篩選馬鈴薯５個(gè)生育期冠層原始光譜和一階微分光譜的特征波長(zhǎng)。

2.４.2 圖像特征提取

基于冠層原始光譜特征波長(zhǎng)對(duì)應(yīng)的高光譜圖像，提取紋理和顏色２種圖像特征。其中，圖像的紋理特征用灰度共生矩陣表示。已有 的研究表明，窗口的大小和方向?qū)μ崛〉幕叶染仃嚰y理影響不大，因此，選取窗口大小為３×３、４５°方向上的對(duì)比度、能量、熵、同質(zhì)性和相關(guān)性５種紋理特征作為模型因子估算馬鈴薯植株氮含量；圖像的顏色特征用１～３階顏色矩表示，即均值、方差和斜度。

2.5 數(shù)據(jù)分析方法

采用彈性網(wǎng)絡(luò)回歸、 貝葉斯線性回歸和極限學(xué)習(xí)機(jī)３種方法構(gòu)建馬鈴薯５個(gè)生育期的植株氮含量估算模型。ＥＮＲ是一種改進(jìn)的線性回歸模型，它通過引入Ｌ１和 Ｌ２懲罰項(xiàng)對(duì)目標(biāo)函數(shù)進(jìn)行約束，對(duì)具有相關(guān)性的變量同時(shí)進(jìn)行篩選或縮減，以達(dá)到提高模型精度和穩(wěn)定性的目的。ＢＬＲ能夠根據(jù)輸入?yún)?shù)的先驗(yàn)信息形成先驗(yàn)分布，進(jìn)而提高對(duì)數(shù)據(jù)的適應(yīng)能力，防止出現(xiàn)過擬合現(xiàn)象。ＥＬＭ 是一種簡(jiǎn)單高效的單隱層前饋神經(jīng)網(wǎng)絡(luò)算法，該算法能避免常規(guī)神經(jīng)網(wǎng)絡(luò)算法中存在的收斂速度慢，易陷入局部極小值等問題。

2.6 精度評(píng)價(jià)

利用重復(fù)１和重復(fù)３的數(shù)據(jù)（３２個(gè)）訓(xùn)練模型，重復(fù)２的數(shù)據(jù)（１６個(gè)）驗(yàn)證模型，并采用決定系數(shù)Ｒ２）、均方根誤差ＲＭＳＥ）和標(biāo)準(zhǔn)均方根誤差，ＮＲＭＳＥ）評(píng)價(jià)模型性能。

結(jié)果與討論

3.1 特征波長(zhǎng)選擇

將馬鈴薯５個(gè)生育期的冠層原始光譜和一階微分光譜分別與對(duì)應(yīng)的ＰＮＣ進(jìn)行相關(guān)性分析，結(jié)果如圖２所示。其中，自由度為４８時(shí)，０．０１相關(guān)水平閾值是０．３６，黑色和紅色縱向虛線分別表示冠層原始光譜和一階微分光譜特征波長(zhǎng)。

圖２冠層光譜與ＰＮＣ相關(guān)性ＯＲ表示冠層原始光譜與ＰＮＣ相關(guān)性曲線，ＦＤ表示一階微分光譜與ＰＮＣ相關(guān)性曲線

由圖２可知，現(xiàn)蕾期，冠層原始光譜在波段４５４～７３０ｎｍ 范圍內(nèi)與ＰＮＣ呈０．０１相 關(guān) 水 平，一階微分光譜主要在波段４９２～５５０、６３０～６６６、６７４～６９４和７１０～７６６ｎｍ范圍內(nèi)與ＰＮＣ呈０．０１相關(guān)水平，因此，選取相關(guān)性較高的波長(zhǎng)５５４和７１０ｎｍ 為冠層原始光譜特征波長(zhǎng)，波長(zhǎng)５４２、６６２、 ６７８和７６６ｎｍ為一階微分光譜特征波長(zhǎng)；塊莖形成期，冠層原始光譜主要在波段５５０～６１８、６９４～７０６和７３４～９２２ｎｍ范圍內(nèi)與ＰＮＣ呈０．０１相關(guān)水平，一階微分光譜主要在波段 ４８６～５５０、６２６～６６２、６７０～６８２、６９８～７６２和７７４～７９８ｎｍ范圍內(nèi)與ＰＮＣ呈０．０１相關(guān)水平，因此選取相關(guān)性較高的波長(zhǎng)５６６、６９８和７７８ｎｍ為冠層原始光譜特征波長(zhǎng)，波長(zhǎng)５０２、 ６５８、６７８、７３０和７８２ｎｍ為一階微分光譜特征波長(zhǎng)；塊莖增 長(zhǎng)期，冠層原始光譜主要在波段４５４～６９８和７１４～９５０ｎｍ 范圍內(nèi)與ＰＮＣ呈０．０１相關(guān)水平，一階微分光譜主要在波段５４６～５８２、６５０～７７８和８４６～９４６ｎｍ范圍內(nèi)與ＰＮＣ呈０．０１ 相關(guān)水平，因此，選取相關(guān)性較高的波長(zhǎng)５１８、５７４和８５４ｎｍ為冠層原始光譜的特征波長(zhǎng)，波長(zhǎng)５５４、７２２和８６２ｎｍ 為一 階微分光譜的特征波長(zhǎng)；淀粉積累期，冠層原始光譜主要在波段４５４～７０６和７２２～９５０ｎｍ范圍內(nèi)與ＰＮＣ呈０．０１水平 相關(guān)，一階微分光譜主要在波長(zhǎng)４７０ｎｍ、波 段６９４～７７８和８６６～９４６ｎｍ范圍內(nèi)與ＰＮＣ呈０．０１相關(guān)水 平，因此，選取相關(guān)性較高的波長(zhǎng)５４２、６９４和８３０ｎｍ為冠層原始光譜的特征波長(zhǎng)，波長(zhǎng)４７０、７３８和９０６ｎｍ為一階微分光譜的特征波長(zhǎng)；成熟期，冠層原始光譜主要在波段 ５１８～５８２和 ７１４～ ７２２ｎｍ范圍內(nèi)與ＰＮＣ呈０．０１相關(guān)水平，一階微分光譜主要在波段５０２～５４２、６５０～６７４和７７０～７７８ｎｍ范圍內(nèi)與ＰＮＣ呈０．０１相關(guān)水平，因此，選取相關(guān)性較高的波長(zhǎng)５４６和７１８ ｎｍ為冠層原始光譜的特征波長(zhǎng)，波長(zhǎng)５１０、６６２和７７４ｎｍ為一階微分光譜的特征波長(zhǎng)。

3.2 圖像特征與PNC相關(guān)性分析

為探究高光譜圖像特征對(duì)估算馬鈴薯ＰＮＣ的影響，利用ＧＬＣＭ和顏色矩分別提取了冠層原始光譜特征波長(zhǎng)對(duì)應(yīng)的圖像的紋理和顏色特征，并分析與ＰＮＣ的相關(guān)性，結(jié)果如圖３所示。由圖３可知，馬鈴薯現(xiàn)蕾期，與 ＰＮＣ相關(guān)性較高的前５個(gè)圖像特征分別是７１０Ｖａｒ（波長(zhǎng)７０１ｎｍ 對(duì)應(yīng)的 Ｖａｒ紋 理）、５５４Ｖａｒ、５５４Ｍｅａ、７１０Ｃｏｒ和 ５５４Ｅｎｔ，相關(guān)系數(shù)絕對(duì)值位于 ０．７８～０．８６之間；塊莖形成期，相關(guān)性較高的前５個(gè)圖像特 征分別是６９８Ｈｏｍ 、６９８Ｓｅｃ、６９８Ｅｎｔ、６９８Ｃｏｒ和５６６Ｍｅａ，相 關(guān) 系 數(shù) 絕對(duì)值位于０．７９～０．８５之間；塊莖增長(zhǎng)期，相關(guān)性較高的前 ５個(gè)圖像特征 分 別 是５１８Ｓｋｅ、５１８Ｖａｒ、８５４Ｅｎｔ、８５４Ｓｅｃ和５７４Ｃｏｎ， 相關(guān)系數(shù)絕對(duì)值位于０．６５～０．７５之間；淀粉積累期，相關(guān)性 較高的前５個(gè)圖像特征分別是５４２Ｍｅａ、５４２Ｓｋｅ、５４２Ｅｎｔ、５４２Ｓｅｃ 和５４２Ｃｏｒ，相關(guān)系數(shù)絕 對(duì) 值 位 于 ０．６０～０．６９之 間；成 熟 期， 相關(guān)性較高的前５個(gè)圖像特征分別是５４６Ｍｅａ、５４６Ｅｎｔ、５４６Ｓｅｃ、 ５４６Ｃｏｒ和５４６Ｃｏｎ，相關(guān)系數(shù)絕對(duì)值位于０．５３～０．６３之間。５個(gè)生育期篩選的相關(guān)性較高的前５個(gè)圖像特征均與 ＰＮＣ 達(dá) 到 ０．０１相關(guān)水平，且都含有紋理和顏色２種特征，這說明紋理和顏色特征與馬鈴薯ＰＮＣ的聯(lián)系較為密切。

圖３圖像特征與ＰＮＣ相關(guān)性

3.3 馬鈴薯PNC估算

3.3.1 單一模型變量估算馬鈴薯 ＰＮＣ

分別基于馬鈴薯５個(gè)生育期冠層光譜特征波長(zhǎng)和相關(guān)性較高的前５個(gè)圖像特征，利用ＥＮＲ、ＢＬＲ 和 ＥＬＭ３種方法構(gòu)建ＰＮＣ估算模型并驗(yàn)證，建模和驗(yàn)證結(jié)果如表１和 表２ 所示。由表１和 表 ２可 知，基 于 光 譜 特 征 （ｘ１）和 圖 像 特 征 （ｘ２）利用３種方法構(gòu)建的馬鈴薯各生育期ＰＮＣ估算模型均表現(xiàn)為現(xiàn)蕾期到淀粉積累期估算效果較好，成熟期估算效果較差。其中，現(xiàn)蕾期到塊莖增長(zhǎng)期，利用３種方法基于光譜特征構(gòu)建的模型效果略優(yōu)于圖像特征，但相差不大；淀 粉積累期，基于圖像特征的估算效果開始變差，這一時(shí)期，光 譜特征構(gòu)建的模型效果明顯優(yōu)于圖像特征；成熟期，基于２種 模型變量的估算效果均明顯變差，基于光譜特征的建模效果優(yōu)于圖像特征，驗(yàn)證效果二者相差不大。綜合５個(gè)生育期的建模和驗(yàn)證結(jié)果可知，基于同種模型變量，利用ＥＮＲ構(gòu)建的ＰＮＣ估算模型效果較優(yōu)，ＢＬＲ方法次之，ＥＬＭ方法較差。

表１ 各生育期基于單一模型變量估算馬鈴薯ＰＮＣ的建模結(jié)果

表２ 各生育期基于單一模型變量估算馬鈴薯ＰＮＣ的驗(yàn)證結(jié)果

3.3.2 結(jié)合光譜和圖像特征估算馬鈴薯

ＰＮＣ為探究結(jié)合高光譜圖像和光譜特征估算馬鈴薯ＰＮＣ的效果，基于冠層光譜特征波長(zhǎng)及篩選的與ＰＮＣ相關(guān)性較高的紋理和顏色特征，分別利用３種方法構(gòu)建馬鈴薯５個(gè)生育期的ＰＮＣ估算模型并驗(yàn)證，結(jié)果如表３和圖４所示。由表３和圖４可知，與單一模型變量相似，基于圖譜融合特征（ｘ３） 構(gòu)建的馬鈴薯ＰＮＣ估算模型在現(xiàn)蕾期到淀粉積累期效果較好，成熟期效果較差。綜合表１、表２、表３和圖４的結(jié)果可 知，現(xiàn)蕾期到淀粉積累期，以圖譜融合特征為模型變量的ＰＮＣ估算模型的精度和穩(wěn)定性均明顯高于單一光譜特征和圖像特征，而成熟期，圖譜融合特征的估算效果與單一光譜特征相差不大。基于圖譜融合特征利用３種方法估算馬鈴薯ＰＮＣ的效果為ＥＮＲ較優(yōu)，ＢＬＲ次之，ＥＬＭ 較差。

表３各生育期基于融合特征估算馬鈴薯ＰＮＣ的建模結(jié)果

圖４ 各生育期基于融合特征估算馬鈴薯ＰＮＣ的驗(yàn)證效果

為探究高光譜圖像特征估算馬鈴薯ＰＮＣ的效果，分別基于光譜特征和圖像特征利用３種方法構(gòu)建馬鈴薯５個(gè)生育期的ＰＮＣ估算模型。由結(jié)果可知，現(xiàn)蕾期到塊莖增長(zhǎng)期，以圖像特征為模型變量構(gòu)建的ＰＮＣ估算模型的估算效果與光譜特征相差不大，這表明圖像特征能較好地反映馬鈴薯的ＰＮＣ狀況，其原因是，作物植株氮含量的變化不僅會(huì)引起冠層光譜特性發(fā)生改變，也會(huì)導(dǎo)致冠層凸凹部分的灰度值及亮度值出現(xiàn)差異，即圖像的紋理和顏色差異，因此，圖像特征也能較好地估算ＰＮＣ；淀粉積累期，光譜特征估算ＰＮＣ的效果明顯優(yōu)于圖像特征，其原因是，淀粉積累期，部分馬鈴薯植株開始衰老，葉片逐漸枯黃，紋理減少，顏色特征減弱，導(dǎo)致圖像特征與ＰＮＣ的相關(guān)性降低。成熟期，２種模型變量構(gòu)建的ＰＮＣ估算模型均未取得較好的效果，其原因是，馬鈴薯生長(zhǎng)后期，受降雨較 多影響，部分馬鈴薯植株枯死凋零， 葉片迅速脫落，這一時(shí)期提取的光譜和圖像特征均不能反映馬鈴薯真實(shí)的生長(zhǎng)狀態(tài)，故模型估算效果較差。

為探究圖譜融合特征估算馬鈴薯ＰＮＣ的效果，以光譜特征結(jié)合圖像特征為模型變量，利用３種方法構(gòu)建馬鈴薯５個(gè)生育期的ＰＮＣ估算模型。由結(jié)果可知，現(xiàn)蕾期到淀粉積累 期，相較于單一光譜特征和圖像特征，圖譜融合特征構(gòu)建的模型Ｒ２均有所提高，ＲＭＳＥ和ＮＲＭＳＥ均有所下降，其原因是，圖譜融合特征包含不同氮營(yíng)養(yǎng)狀況的作物冠層光譜和圖像兩方面的信息，為估算ＰＮＣ提供了更多的有效信息，能更準(zhǔn)確地反映ＰＮＣ的變化情況。

成熟期，圖譜融合特征估算ＰＮＣ的效果明顯變差，其原因是，受降雨等因素的影響，這一時(shí)期提取的光譜和圖像特征不能反映馬鈴薯真實(shí)的生長(zhǎng)狀態(tài)，二者結(jié)合也未能提高模型的精度。利用ＥＮＲ、ＢＬＲ和 ＥＬＭ３種方法構(gòu)建馬鈴薯ＰＮＣ估 算模型，綜合各生育期的建模和驗(yàn)證結(jié)果可知，基于同種模型變量，利用ＥＮＲ方法估算馬鈴薯ＰＮＣ效果最優(yōu)，ＢＬＲ 次 之，ＥＬＭ最差。其原因是，ＥＮＲ在損失函數(shù)中同時(shí)引入Ｌ１和Ｌ２懲罰項(xiàng)，提高了對(duì)自變量的篩選和縮減能力，能更有效地利用多個(gè)光譜和圖像特征對(duì)ＰＮＣ進(jìn)行估算；ＢＬＲ雖能充分利用樣本數(shù)據(jù)，但效果不如 ＥＮＲ，可 能 原 因 是 ＢＬＲ過于依賴先驗(yàn)信息，導(dǎo)致模型的精度有所降低；ＥＬＭ雖具有良好的泛化性能，但對(duì)較小的數(shù)據(jù)集優(yōu)勢(shì)不明顯，導(dǎo)致模型精度不高。此外，本研究?jī)H采用 了１年的馬鈴薯數(shù)據(jù)，后續(xù)將采用不同地點(diǎn)及年限的馬鈴薯數(shù)據(jù)驗(yàn)證所得結(jié)論，以期得到普適的馬鈴薯ＰＮＣ估算模型。

研究方法

（１）利用相關(guān)系數(shù)法篩選的馬鈴薯５個(gè)生育期的冠層光譜特征波長(zhǎng)存在差異，但多數(shù)集中于可見光區(qū)域。

（２）基于冠層原始光譜特征波長(zhǎng)圖像篩選的５個(gè)圖像特征與馬鈴薯ＰＮＣ均達(dá)到０．０１相關(guān)水平，且都包含紋理和顏色２種特征。

（３）基于光譜特征、圖像特征和圖譜融合特征構(gòu)建的馬鈴薯 ＰＮＣ估算模型均表現(xiàn)為現(xiàn)蕾期到淀粉積累期估算效果較好，成熟期效果較差，且現(xiàn)蕾期到淀粉積累期圖譜融合特征的估算效果明顯優(yōu)于單一光譜特征和單一圖像特征。

（４）馬鈴薯各生育期基于同種模型變量利用ＥＮＲ方法構(gòu)建的ＰＮＣ估算模型效果較優(yōu)，ＢＬＲ方法次之，ＥＬＭ方法較差。其中，以圖譜融合特征為模型變量，利用ＥＮＲ構(gòu)建的ＰＮＣ估算模型效 果最好。該研究可為馬鈴薯氮肥的精準(zhǔn)管理提供一種新的技術(shù)參考。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測(cè)量、土壤環(huán)境、礦物地質(zhì)勘探等領(lǐng)域的最新明星產(chǎn)品，由于其操作靈活、便攜方便、光譜測(cè)試速度快、光譜數(shù)據(jù)準(zhǔn)確是一款真正意義上便攜式地物光譜儀。

無人機(jī)機(jī)載高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無人機(jī)機(jī)載高光譜成像系統(tǒng)，該系統(tǒng)由高光譜成像相機(jī)、穩(wěn)定云臺(tái)、機(jī)載控制與數(shù)據(jù)采集模塊、機(jī)載供電模塊等部分組成。無人機(jī)機(jī)載高光譜成像系統(tǒng)通過獨(dú)特的內(nèi)置式或外部掃描和穩(wěn)定控制，有效地解決了在微型無人機(jī)搭載推掃式高光譜照相機(jī)時(shí)，由于振動(dòng)引起的圖像質(zhì)量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯黃宇