引黄灌区水稻不同生育期叶绿素含量估测

叶绿素是植物光合作用的物质基础。为了探讨不同生育期水稻冠层光谱与叶绿素含量的响应规律,以宁夏引黄灌区水稻为材料,经小区试验测定水稻冠层光谱与叶绿素含量,分析冠层光谱反射率与叶绿素含量的相关性,建立两者之间的相关模型,结果表明:不同生育期内,水稻冠层光谱反射率差异较大;水稻冠层光谱反射率与叶绿素含量相关性随着生育期的推进而逐渐降低;基于全波段归一化光谱指数(NDSI)构建的拔节期(NDSI_((456,475)),R~2=0.6502)、抽穗期(NDSI_((748,782)),R~2=0.5264)、乳熟期(NDSI_((822,823)),R~2=0.5708)、蜡熟期(NDSI_((730,731)),R~2=0.4396)叶绿素模型能较好地预测水稻冠层叶绿素含量。     

基于高光谱反射率的糜子冠层叶片叶绿素含量估算

连续两年大田试验研究不同糜子品种叶绿素含量与冠层光谱反射率,并基于不同植被指数建立糜子叶片叶绿素含量的估测模型。结果表明,参试糜子品种叶绿素含量在整个生育期呈现"低-高-低"的抛物线变化趋势,最大值出现在抽穗期到开花期之间;不同品种各生育期内冠层光谱反射率趋势一致,在近红外波段,冠层光谱反射率与叶绿素含量呈稳定正相关,灌浆初期光谱反射率达到最大值;可见光波段,拔节期、开花期和灌浆初期冠层光谱反射率与冠层叶绿素含量呈正相关,成熟期呈负相关;糜子冠层叶绿素含量与760~900、630~690、550 nm波段组合的植被指数具有较高相关性;基于RVI、PSNDb、GNDVI750能较好地建立糜子叶绿素含量统一检测模型,决定系数分别为0.791、0.779、0.748;模型验证的相对误差分别为9.58%、8.93%、11.80%;均方根误差分别为0.045、0.140、0.196。表明利用RVI、PSNDb、GNDVI750建立的模型能较为准确地预测糜子冠层叶绿素含量。     

基于垂直植被指数的东北黑土区玉米LAI反演模型研究

本文旨在探讨以不同波段组合垂直植被指数所建立的高光谱模型对玉米叶面积指数(Leaf Area Index,LAI)的反演精度。在不同水肥耦合作用条件下,实测玉米冠层的高光谱反射率与叶面积指数数据以及裸土的高光谱反射率数据,在高光谱红光波段(631~760 nm)与近红外波段(760~1050 nm)逐波段构建土壤线,并在此基础上构建垂直植被指数(Perpendicolar Vegetation Index,PVI),找出与LAI具有最佳相关性波段组合PVI,建立玉米LAI估算模型。结果显示,采样波段间隔越窄,反演精度越高,在采样波段间隔1.4 nm的PVI(R677,R918)反演2004年的玉米LAI模型中,最佳回归方程是指数函数,精度达91.1%,标准差为0.1997,RMSE=0.0399,通过了0.01极显著验证。采用高光谱数据构建的PVI植被指数对玉米LAI的估算可以取得较高的精度。     

基于冠层高光谱的甜菜不同生育时期SPAD值估测研究

文中基于高光谱与田间试验进行了甜菜不同生育时期(甜菜幼苗期、叶丛生长期、块根膨大期和糖分积累期)SPAD值估测研究。采用便携式ASD光谱仪和SPAD-502叶绿素仪分别实测了甜菜冠层反射光谱和SPAD值,分析不同生育时期冠层高光谱响应特征,并对12种光谱指数与不同生育时期的冠层SPAD值进行相关性分析,最后建立了SPAD值的最佳估测模型。研究结果表明:在可见光波段(450-680nm)与近红外波段(760-950nm),甜菜不同生育时期冠层反射光谱存在明显差异;不同生育时期所筛选的3种光谱指数与SPAD值均达到了极显著(p<0.01)或显著(p<0.05)相关水平;甜菜幼苗期、叶丛生长期、块根膨大期和糖分积累期分别以NDVI、SDr/SDy、CCI和SDb为单一自变量所建立的估测模型最佳,模型决定系数R~2分别达到了0.573、0.212、0.363和0.324。     

基于高光谱的渭北旱塬区棉花冠层叶面积指数估算

以棉花冠层高光谱反射率与冠层叶片叶面积指数(LAI)为数据源,在分析LAI与原始高光谱反射率、一阶微分光谱反射率、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元回归的方法构建了棉花LAI高光谱估算模型,并进行精度估算。结果显示,在可见光范围内随着生育期的推进及施氮量的增加冠层光谱反射率逐渐降低,在近红外范围内从苗期到花铃期随着施氮量增加反射率逐渐增加,花铃期到吐絮期反射率明显降低;各生育期冠层光谱的提取变量与LAI的相关性不强,全生育期各种光谱提取量及植被指数与LAI的相关性高于不同生育期;棉花冠层叶片LAI在反射光谱1 461 nm处相关系数达到最大值(r=-0.726);对于一阶微分光谱,LAI的敏感波段发生在742 nm处,r=0.744;以敏感波段742 nm一阶微分光谱反射率建立的逐步回归估算模型精度最高,RMSE=0.94,RE=26.27%,r=0.78。说明以全生育期为基础,采用一阶微分光谱敏感波段,并根据实际条件选择有效的估测模型,可以进行棉花LAI的预测。     

基于高光谱数据的棉花叶绿素密度定量提取研究

利用ASD FieldSpec FR野外光谱仪,测试了棉花(2个品种4水平种植密度)各生育时期的光谱数据及对应的叶绿素密度(CH.D),分析了它们随生育期的变化规律,并对棉花冠层光谱数据与CH.D进行了回归分析.结果表明:用归一化植被指效(NDVI)建立的幂指数模型的相关系数最大(r=0.722**,n=30),可用以较好地提取棉花CH.D;红边斜率与棉花群体CH.D的线性相关达到1%极显著水平(rdλred=0.679**,n=30),用棉花新陆早19号729 nm波段的一阶微分光谱值与群体CH.D建立的线性回归模型,估测棉花新陆早13号的CH.D,实测CH.D与预测CH.D的相关系数r=0.8818**(n=30),估计精度为82.3%,RMSE为0.254 g/m2,说明可以用高光谱遥感数据对棉花冠层CH.D进行遥感定量监测.     

基于多植被指数组合的棉花叶片叶绿素含量估算

叶绿素含量是表征植被生长状况的重要参考指标,利用高光谱技术快速,精确地监测棉花叶片叶绿素含量,以新疆125个苗期棉花叶片样本为研究对象,通过测定其叶绿素含量与光谱数据,采用多种光谱预处理和多植被指数相结合的方法,构建了WOA-RFR棉花叶片叶绿素含量定量反演模型,并与SVR和RFR模型结果进行对比分析。结果表明：(1)光谱变换方法中对数变换、分数阶微分和连续小波变换均能有效地提高植被指数与叶绿素含量的相关性。(2)基于分数阶微分0.9阶变换的Vogelmann3、RVI、DVI、SR_[675-700]、Mndvi₇₀₅、ND、VOG1、NVI、TVI和VOG2植被指数组合的WOA-RFR模型反演效果最佳,其建模集和验证集模型R²分别为0.920和0.955,RMSE分别为0.987和0.986,MRE分别为0.013和0.014,与RFR和SVR模型相比,预测精度有所提高,WOA算法优化模型效果明显。研究结果可为棉花叶片叶绿素含量定量反演提供决策依据。     

基于地表高光谱与OLI影像的土壤含盐量和pH值估测

针对宁夏银北地区大面积土壤盐碱化监测的需要,利用实测植被冠层光谱与Landsat 8 OLI影像相结合进行土壤含盐量和pH值估测研究.对实测植被冠层高光谱与影像多光谱反射率进行倒数、对数、三角函数及其一阶微分等一系列变换,确定最佳光谱变换形式,筛选敏感植被指数和敏感波段,分别建立基于实测植被光谱与Landsat 8 O...     

基于高光谱的水浇地与旱地春小麦拔节期叶绿素含量估测模型对比研究

测定拔节期水浇地与旱地春小麦冠层光谱、叶绿素含量、覆盖度、苗高和叶宽,采用回归分析方法建立春小麦叶绿素含量高光谱估测模型,并对模型精度进行检验。结果表明：阳坡和双面坡地春小麦拔节期叶绿素含量与原始光谱反射率在可见光和近红外波段均呈正相关,水浇地和阴坡地在723 nm以前相关系数为负,723 nm以后为正。各地类春小麦叶绿素含量与各高光谱变量的相关性均较好,均达到了极显著水平（P＜0．01）。无论在可见光还是近红外波段,水浇地春小麦叶绿素含量均与倒数之对数 lg（1/R）的相关性最好,相关系数最大值可达0．98;阴坡地则与一阶微分的相关性最好,最大为0．94;而与阳坡和双面坡地相关性最好的高光谱指数为归一化植被指数。在各个波段,倒数之对数模型lg（1/R）、一阶微分模型（p′）和归一化植被指数模型（N）分别是估测水浇地、阴坡地、阳坡和双面坡地春小麦叶绿素含量的最佳模型。虽然各模型 R2均超过0．90,精确度均大于0．91,但阴坡地、阳坡和双面坡地的模型精确度和准确度略低于水浇地。以上模型的建立可为今后估测水浇地与旱地春小麦的健康状况提供参考。     

基于SPA-MLR方法的土壤含水量光谱预测模型研究

以人工调配的不同含水量土壤的高光谱数据为基础,运用11种常规的变换方法对原始光谱反射率进行变换,使用连续投影算法(SPA)提取特征波段,然后建立多元线性回归(MLR)模型,并对不同模型进行评价比较,旨在选择监测土壤含水量的最佳高光谱模型,实现土壤含水量高光谱监测。结果表明,随着土壤含水量的增加光谱反射率先升高后降低;使用SPA提取的特征波段为3~5个,且不同变换处理后提取的特征波段存在差异。利用特征波段建立MLR回归模型,表明原始光谱经一定数学变换处理可以提高土壤含水量高光谱监测精度,其中对数的一阶微分变换处理(T_8)后建立的SPA-MLR模型监测精度最高,其校正模型表现为R~2=0.957,RMSE=2.16,RPD=4.74,验证模型表现为R~2=0.903,RMSE=3.41,RPD=2.95。故基于反射率对数一阶微分变换处理所建立的SPA-MLR模型可以更好地实现土壤含水量的高光谱监测。     

水稻冠层叶绿素含量高光谱估算模型

为了寻求西北引黄灌区水稻冠层叶绿素含量的高精度估算模型，通过田间试验测定了水稻冠层SPAD和高光谱数据，运用任意波段组合的方式构建了一系列基于原始光谱、一阶导数光谱的比值、差值、归一化和土壤调节植被指数，筛选出反映水稻冠层SPAD的最佳植被指数作为自变量，应用普通回归分析方法和随机森林算法建立了该区域水稻冠层SPAD估算模型并进行了对比分析。结果表明：（1)应用普通回归分析方法，以RVI(D₁₃₁₆，D₇₃₆)为自变量建立的指数模型是估算西北引黄灌区水稻冠层SPAD的最佳单变量模型；（2)采用随机森林算法，以4个植被指数RVI(R₆₉₆，R₅₄₀)、DVI(R₇₀₀，R_{536)、SAVI(R700，R536)、RVI(D1316，D736)建立的估算模型比普通回归模型精度更高，验证结果的决定系数R²为0.873，均方根误差RMSE为3.221，平均相对误差RE为13.25%。说明通过随机森林算法建立的模型可以实现水稻冠层SPAD的精准估测，可以用于西北引黄灌区水稻冠层叶绿素含量的快速、无损获取。}     

谷子叶绿素含量高光谱特征分析及其反演模型构建

基于高光谱数据综合分析不同施肥条件下谷子各生长期冠层叶绿素含量的高光谱特征,在分析各光谱特征参数与叶绿素相关性的基础上,基于偏最小二乘法和人工神经网络构建叶绿素含量的遥感反演模型.结果表明:NDVI(归一化植被指数)、GNDVI(绿色归一化植被指数)、PSNDa(特殊色素归一化指数a)、PSSRc(特征色素简单比值指数...     

基于无人机成像高光谱的棉叶螨为害等级估测模型构建

为快速、实时、准确地了解新疆棉田棉叶螨（优势种为土耳其斯坦叶螨Tetranychus turkestani）的发生情况,利用高光谱图像中的7种植被指数,使用一般线性回归分析方法分别构建不同棉叶螨为害等级棉花冠层叶片叶绿素相对含量（用soil and plant analyzer development（SPAD）值表征）遥感估测模型和棉叶螨为害等级遥感估测模型,实现棉叶螨为害的实时监测。结果显示：不同棉叶螨为害等级对应的棉花冠层光谱反射率存在明显差异,棉叶螨为害等级与棉花冠层叶片SPAD值呈显著负相关关系。在7个不同棉叶螨为害等级对应的棉花冠层叶片SPAD遥感估测模型中,SPAD-红边归一化植被指数估测模型的估测决定系数为0.915,均方根误差为3.451,识别精确度显著高于其他模型。表明利用棉花冠层叶片SPAD遥感估测模型可快速无损地获取棉叶螨为害数据,构建的棉叶螨为害等级估测模型可用于植保人员快速准确获取棉叶螨为害情况。     

基于无人机遥感的棉花主要生育时期地上生物量估算及验证

利用棉花主要生育时期的无人机近红外影像数据，提取4种不同的植被指数，通过与棉花地上生物量的实测值建立拟合关系，分析了不同植被指数在棉花各生育时期的估算效果并对其进行了验证。结果表明，随棉花生长，归一化植被指数（NDVI）、宽动态植被指数（WDRVI）、比值植被指数（RVI）和差值植被指数（DVI）均从苗期开始显著增加，其后则表现为基本稳定的“饱和”现象，但棉花实测生物量在不同生育期均有显著差异。植被指数与棉花实测生物量的拟合结果显示：NDVI和DVI的二元线性拟合模型对苗期生物量拟合效果最佳（R²=0.84，RMSE=0.13 kg·m^-2）；WDRVI和DVI的二元线性拟合模型对花蕾期生物量拟合效果最佳（R²=0.87，RMSE=0.52 kg·m^-2）；RVI的非线性拟合模型对花铃期生物量拟合效果最佳（R²=0.79，RMSE=0.95 kg·m^-2）；WDRVI和RVI的二元线性拟合模型对盛铃期生物量的拟合效果最佳（R²=0.86，RMSE=0.96 kg·m^-2）。     

基于多个高光谱参数的玉米叶片叶绿素含量估测模型

采用Field Spec Pro3光谱仪和SPAD-502叶绿素仪分别测定玉米叶片的光谱与其相对应的叶绿素含量,通过分析红边位置、蓝边位置以及绿峰位置等高光谱参数与叶绿素含量的关系,建立叶绿素含量的单、双和多变量光谱预测模型。结果表明:在可见光区域,玉米叶绿素含量高,光谱反射率低,而进入近红外区则刚好相反,叶绿素含量高,光谱反射率高;红边位置、绿峰位置及蓝边位置各高光谱参数与叶绿素含量的相关性均达极显著。其中红边位置与叶绿素含量的相关性最高,相关系数达0.84;利用所选的3个高光谱参数分别建立的单、双以及三变量模型,虽然大多数模型的精度R~2大于0.71,但分析对比得出利用红边、蓝边及绿峰位置3个变量建立的模型具有最大模型精度R~2、最小标准误差(S)和均方根误差(RMSE),因此其模型预测能力较优。     

基于室内高光谱数据的多种类型土壤有机质估算模型比较

基于高光谱数据的土壤有机质反演是土壤遥感及精准农业的重要研究内容,然而不同的光谱处理及建模方法使得模型的估算能力及精度差异明显,限制了模型之间的通用性。为了构建陕西省土壤有机质含量估算的最优模型,以陕西省9种主要土壤类型的216个土样的光谱反射曲线和土壤有机质含量为数据基础,将光谱反射曲线进行一阶微分d(R)、倒数对数log(1/R)、倒数对数一阶微分d[log(1/R)]和包络线去除N(R)4种变换,结合一元线性回归(SLR)、偏最小二乘回归(PLSR)和支持向量机回归(SVR)3种建模方法构建了不同的土壤有机质含量估算模型。结果显示:不同类型土壤的反射光谱曲线总体态势基本一致,吸收特征位置基本相同,且土壤有机质含量与光谱反射率呈负相关态势;基于d [log(1/R)]光谱变换构建的SVR估算模型精度最高,建模集和验证集的判断系数(R~2)分别为0.9210、0.8874,验证均方根误差(RMSE)为2.18,相对分析误差(RPD)达到2.8751,是估算陕西省土壤有机质含量的最优模型,PLSR次之,SLR最差。     

基于Suomi NPP/VIIRS数据的青海省东部农业区夏季土壤水分监测模型的应用研究

土壤水分是量度干旱程度最重要的指标，如何对其有效监测与预警一直是各界致力解决的重大科学问题。基于Suomi NPP/VIIRS数据的温度植被干旱指数TVDI、归一化植被水分指数NDWI、植被状况指数VCI,分别构建了青海省东部农业区3种土壤水分监测模型，利用连续的野外定点观测数据及生态站点观测数据进行模型检验，并在2017年夏旱过程进行了应用检验。结果表明：2012—2016年模型回代检验中，TVDI指数模型表现最优(RMSE为4.4%),其次为VCI指数模型(RMSE为4.7%),NDWI指数模型表现最差(RMSE为5.2%);2018—2020年夏季互助遥感检验场定点观测检验中，TVDI指数模型表现最好(RMSE为3.8%),VCI指数模型次之(RMSE为5.0%),NDWI指数模型表现最差(RMSE为8.8%);2017年夏季干旱过程中，TVDI指数模型反演的旱情发展过程及分布范围与实际旱情情况相符，而NDWI指数模型反演的旱情分布范围明显偏小，VCI指数模型甚至不能反映旱情缓解、解除期的变化。     

基于多植被指数模型的草地地上生物量协同估算

以青海省金银滩草原为研究区,采用Sentinel-2卫星影像结合地面实测数据进行草地地上生物量估算研究。分析了18种典型植被指数与生物量的拟合关系,通过精度评价和敏感性分析确定了不同植被指数模型的适用范围,并提出基于多植被指数模型的协同估算方案来提高草地生物量的制图精度,尝试克服传统单变量植被指数模型适用范围受限的问题。结果表明：18种植被指数与生物量的最优拟合模型呈现幂函数和指数函数两种类型,其中幂函数模型中CI_green (Green chlorophyll index)所对应的估算精度最高,且当生物量高于0.65 kg·m^-2时适用性最强;指数函数模型中NDII（Normalized difference infrared index）所对应的估算精度最高,且当生物量低于0.65 kg·m^-2时适用性最强,且NDII与CI_green模型的适用范围具有互补性。提出的多植被指数协同估算模型对应的R²_cv达到了0.61,RMSE_cv为0.226 kg·m^-2,相对于单植被指数模型精度明显提高,R²_cv增加7.0%以上,RMSE_cv减小超过3.8%。综上,提出的多指数模型协同估算方案充分考虑了不同指数模型的适用范围,提高了牧草生物量的估算精度。     

韭菜中毒死蜱残留量与高光谱特征参数的相关性建模

本研究目的在于分析农药残留量(pesticide residue,PR)与高光谱中响应特征参数之间的关系,并利用筛选的光谱特征参数建立反演毒死蜱残留量的有效模型。首先采用ASD Fieldspec高光谱仪测得韭菜样本的光谱,通过气相色谱-质谱联用(GC-MS)法测得毒死蜱残留量(PR)值;分析样本光谱反射率值及其一阶微分值与毒死蜱残留量的相关性,计算33个高光谱特征参数与毒死蜱残留量的相关性;根据相关系数高低选择敏感的光谱特征参数;最后采用最佳相关系数下的光谱特征参数对毒死蜱残留量进行建模反演。相关性分析结果显示:近红外波段789~867 nm范围内一阶微分光谱值与PR值呈正相关,1 860 nm处一阶微分光谱值(first-order differential 1 860 nm,FD1860)与PR值紧密相关;在33个高光谱特征参数中,近红外一阶微分总和(the sum of first-order differential near infrared,SDnir)与PR值呈良好的正相关关系。基于此,文章以供试样本的FD1860和SDnir观测值为自变量,分别建立了3个预测毒死蜱残留量的模型,即线性、二次多项式及指数模型,并采用交叉验证测试方法检验了模型的合理性。对实验所得决定系数R2和预测均方根误差(RMSE)的评价结果表明,以SDnir为自变量构建的模型稳定性强,其二次多项式模型是最佳反演毒死蜱残留量的有效模型。因此,样本的高光谱特征参数SDnir的变化幅度直接反映了韭菜样本中毒死蜱残留量的变化,表明运用蔬菜的高光谱特征参数反演蔬菜中农药残留量的方法是可行的。     

基于冠层光谱角算法的小麦氮素营养监测

通过田间小区试验,选择3个小麦品种,在不同氮素水平下,在测定小麦冠层反射光谱和叶片氮素含量基础上,提出小麦冠层光谱角算法,分析小麦冠层光谱角与氮素营养水平的定量关系。结果发现:对选择的3个小麦品种,光谱角均随氮素施用量增加而增大,光谱角预测叶片氮素的最佳模型为y=0.3999x0.3989,其决定系数R2为0.6870,其预测的RE、RMSE和R2分别为1.63%、0.1609、0.7515。利用光谱角算法可以监测小麦冠层氮素营养的差异。