基于新型植被指数的冬小麦覆盖度遥感估算

为提高冬小麦覆盖度估测精度,从增强近红外与红光差别的数学变换原理出发,构建了一种新型植被指数(NDVIn),再基于2013、2014年冬小麦冠层高光谱和模拟的资源三号卫星宽波段多光谱数据,分别构建基于常规植被指数(NDVI)与NDVIn的冬小麦覆盖度估算模型,然后利用留一交叉验证法对模型精度进行评价。结果表明,当n=6时,新生成的植被指数NDVI6对冬小麦农田覆盖度具有最好的估算性能,利用其基于小麦冠层高光谱及卫星多光谱数据建立的冬小麦覆盖度估算模型的决定系数r2分别为0.84、0.85,RMSE分别为0.092、0.091,模型精度均好于常规指数NDVI的估算结果。说明NDVI6用于估测冬小麦覆盖度具有可行性。     

大豆叶面积指数的高光谱估算模型研究

通过测试大豆4个生育阶段350～2500nm波段的冠层高光谱数据,用近红外波段760nm-850nm及红光波段650nm-670nm的2个范围内的波段反射率,组成了高光谱比值植被指数（RVI）和800nm和670nm2个波段反射率组成修改型二次土壤调节植被指数（MSAVI2）;基于RVI和MSAVI2植被指数,建立了大豆叶面积指数（LAI）的6种单变量线性与非线性函数模型,经检验均达到1％极显著水平。其中,以RVI所构建洲的幂函数、MSAVI2所构建LAI的指数函数、对数函数估测模型的相关系数相对较高;用MSAVI2所构建的LAI精度较高的对数函数模型反演大豆叶面积指数,实测LAI与估测LAI呈极显著线性相关（R=0．9098^＊＊,n=46）,模型方程的估算精度达84．9％,实测值与估算值的RMSE=0．2420,平均相对误差为0．1510。表明采用高光谱植被指数,能够实时、无损、动态、定量提取大豆叶面积指数,为设计理想的大豆群体和大豆遥感估产提供了科学的依据。     

基于无人机遥感的水稻产量估测

水稻产量的准确估算在农业生产中具有重要意义。本文通过无人机搭载多光谱传感器,获取水稻主要生育期冠层光谱信息,通过提取不同生育期8种植被指数与水稻产量的实测值建立拟合关系,筛选出最优植被指数和最佳的无人机遥感作业时期,建立水稻估产模型。结果表明,水稻生长前期不适合估产,抽穗期至成熟期估产效果好。最佳估产生育期是水稻抽穗期,基于该时期的植被指数NDVI、RVI、DVI、GNDVI、MSAVI2建立的多元线性模型估测效果较好,验证精度佳。因此,利用无人机多光谱数据对水稻产量进行估测是可行的。     

基于冠层反射光谱的夏玉米LAI估算模型研究

从多个角度研究夏玉米LAI与冠层反射光谱的相关性,探索不同光谱波段在夏玉米LAI预测中的优势互补。结果表明,可见光波段对品种差异较敏感,而近红外波段对品种差异敏感性不大;预测效果最好的LAI估算模型是由多个单波段建立的多元线性回归模型,其次是由近红外与绿光波段的比值R₁₀₅₀/R₅₅₀建立的三次多项式回归模型,然后是由RVI建立的三次多项式回归模型。     

玉米LAI和FPAR的高光谱遥感预测模型研究

运用高光谱探测技术,获取不同密度下两个不同品种春玉米冠层不同时期的光谱特征反射参数,对高光谱原始反射率、反射率对数、反射率一阶导数、反射率二阶导数以及DVI、RVI、NDVI、SAVI 4种植被指数与玉米的LAI和FPAR进行相关分析,并建立两者之间的预测方程,通过对模型检验选出最佳预测模型。研究表明,一阶导数和4种植被指数都能很好地预测LAI和FPAR,其中,对LAI预测最好的是利用光谱一阶导数建立的指数函数模型,对FPAR预测最好的是利用NDVI建立的二次多项式模型。851 nm处的一阶导数对玉米的整个时期变化都比较敏感,LAI的最佳预测模型在玉米的整个时期都具有较好的预测性;855、758 nm波段组合的NDVI对FPAR的变化比较敏感,但当FPAR较大时,模型对其预测能力降低。     

小麦叠加叶片的叶绿素含量光谱反演研究

为了给田间冠层水平叶绿素含量高光谱反演研究提供参考,研究了小麦单层及叠加叶片不同波长光谱反射率及几种常用植被指数对叶绿素含量的响应特征。结果表明,可见光波段的绿光到红光波段范围内叶片光谱反射率与叶绿素含量存在良好的相关关系,其中在绿光反射峰550 nm附近和红边区域的705 nm附近反射率都可以用来预测叶绿素含量。红谷吸收表现为随叶绿素含量提高而蓝移的特征。常用植被指数NDVI在本研究中对小麦叶片的叶绿素含量的监测效果并不理想。SR705虽然与单层叶片叶绿素含量相关性较好,但是对叠加多层叶片的叶绿素含量反演效果不好。光谱参数中TCARI对单层叶片和不同叠加层数的叶片均有最好的预测能力,因此可以利用TCARI监测小麦叶绿素含量,进而用于评价其光合特性。     

基于机器学习的春小麦叶片水分含量高光谱估算

为了比较不同机器学习算法在干旱半干旱区春小麦叶片水分含量（leaf water content,LWC）遥感监测中的应用效果及筛选最佳波段组合,在田间尺度上,以春小麦冠层高光谱数据为基础,采用两波段组合形式,计算15种光谱参数（比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI和12种水分植被指数）,通过对抽穗期叶片含水量与光谱参数拟合效果进行对比与分析,分别构建了基于机器学习［人工神经网络（artificial neural network,ANN）、K近邻(K-nearest neighbors,KNN)和支持向量回归(support vector regression,SVR）］和光谱参数的春小麦LWC反演模型,并对模型精度进行验证,以确定有效波段组合。结果表明,小麦抽穗期LWC与冠层高光谱反射率（R_784～950）、12种水分植被指数均显著相关（P＜0.01）;波段组合形式有效地优化了两波段指数的波段组合,在800～1 000 nm区间光谱参数（RVI_1046,1057、NDVI_1272,1279、DVI_1272,1279）的波段组合计算明显提升了其对LWC的敏感性;在不同的机器学习算法中,基于两波段组合光谱参数的KNN算法所见模型对LWC的预测效果（r=0.64,RMSE=2.35,RPD=2.01）优于ANN、SVR两种算法。这说明两波段光谱指数和KNN算法在春小麦叶片水分含量的高光谱遥感估算中具有一定的优势。     

基于三波段光谱指数的春小麦叶片水分含量估算

为探讨利用三波段植被指数（three-band index, 3BI）对春小麦叶片水分含量（leaf water content, LWC）估算的可行性,在田间尺度上,利用ASD-FieldSpec-3光谱仪测定春小麦抽穗期冠层光谱反射率,采用任意波段组合方法,分别建立两波段植被指数（two-band index, 2BI）包括比值植被指数（RVI）、归一化植被指数（NDVI）、差值植被指数（DVI）及3BI,并对单波段反射率、两波段植被指数和三波段植被指数与春小麦抽穗期LWC之间进行相关性分析,筛选稳定的光谱参数,基于人工神经网络（artificial neural network, ANN）、K近邻（K-nearest neighbors, KNN）和支持向量回归（support vector regression, SVR）等3种机器学习算法,建立有效波段组合运算的抽穗期春小麦LWC估算模型,并利用独立样本对模型精度进行检验和评价。结果表明,单波段反射率、2BI和3BI与春小麦抽穗期LWC之间的相关性均达极显著水平（P＜0.01）,而相关系数差异较大,绝对值分别为0.23、0.62、0.94,说明组合波段展现了光谱隐含信息,避免有效光谱信息的丢失;估算模型中,春小麦抽穗期以KNN算法和最佳3BI组合变量（3BI-5_{(1075, 1095, 1085)}、3BI-6_{(1100, 400, 1097)}）构建的模型拟合度最高（r²=0.83）,均方根误差最小（RMSE=2.14%）,相对偏差百分比超出了2.0以上（RPD=2.31）,说明该模型具有一定的预测能力。由此可见,通过任意波段组合,可明显提高3BI与春小麦LWC的关联度,且基于K近邻算法构建的模型具有较好的稳定性和估算能力。     

基于高光谱遥感的水稻冠层吸收光合有效辐射的估算研究

 利用高光谱遥感数据,对光谱反射率、一阶微分光谱及二阶微分光谱与吸收光合有效辐射（APAR）进行相关分析,并利用反射率、微分光谱、植被指数法研究了水稻冠层APAR的估算效果。结果表明,高光谱反射率、一阶微分光谱及二阶微分光谱的最优波段与APAR的相关性均极显著,一阶微分光谱能够更好的估算APAR,它与APAR在769 nm处的拟合决定系数为05218;5种植被指数所选的最优波段组合拟合方程的决定系数在0.67以上,其中以复归一化差值植被指数（758, 781）估算效果最好,决定系数达0.7585。     

无人机载多光谱遥感监测冬油菜氮素营养研究

为探索无人机搭载的多光谱相机对冬油菜冠层氮素营养状况监测的可行性,设置9种施氮水平的油菜试验小区,获取八叶期、十叶期、十二叶期和蕾臺期的多光谱影像,同步采样分析获取地上部生物量、叶片氮浓度和氮素积累量等氮营养指标。以宽波段植被指数和氮营养指标的相关性为基础,通过敏感性分析确定最佳指数,建立预测模型并进行精度验证。结果显示,宽波段植被指数与氮营养指标有极显著的相关性,不同生育期差异明显。其中,红光标准值和蓝光标准值在蕾臺期均与各氮营养指标相关关系最好,且敏感性因子的值小而稳定。进一步研究表明,三种指标均可用红光标准值和蓝光标准值建立的二次模型进行估计,决定系数R2均大于0.85,模型精度较高,说明无人机多光谱遥感能有效辅助冬油菜氮素营养监测。     

New Vegetation Index and Its Application in Estimating Leaf Area Index of Rice

Leaf area index (LAI) is an important characteristic of land surface vegetation system, and is also a key parameter for the models of global water balancing and carbon circulation. By using the reflectance values of Landsat-5 blue, green and red channels simulated from rice reflectance spectrum, the sensitivities of the bands to LAI were analyzed, and the response and capability to estimate LAI of various NDVIs (normalized difference vegetation indices), which were established by substituting the red band of general NDVI with all possible combinations of red, green and blue bands, were assessed. Finally, the conclusion was tested by rice data at different conditions. The sensitivities of red, green and blue bands to LAI were different under various conditions. When LAI was less than 3, red and blue bands were more sensitive to LAI. Though green band in the circumstances was less sensitive to LAI than red and blue bands, it was sensitive to LAI in a wider range. When the vegetation indices were constituted by all kinds of combinations of red, green and blue bands, the premise for making the sensitivity of these vegetation indices to LAI be meaningful was that the value of one of the combinations was greater than 0.024, i.e. visible reflectance (VIS)>0.024. Otherwise, the vegetation indices would be saturated, resulting in lower estimation accuracy of LAI. Comparison on the capabilities of the vegetation indices derived from all kinds of combinations of red, green and blue bands to LAI estimation showed that GNDVI (Green NDVI) and GBNDVI (Green-Blue NDVI) had the best relations with LAI. The capabilities of GNDVI and GBNDVI to LAI estimation were tested under different circumstances, and the same result was acquired. It suggested that GNDVI and GBNDVI performed better to predict LAI than the conventional NDVI.     

冬小麦叶面积指数的品种差异性与高光谱估算研究

为给小麦叶面积指数（LAI）的高光谱估算提供技术支持,基于2年大田试验,以4个河南主推品种为材料,对小麦LAI和冠层光谱变化特点、估算模型及其品种间的差异等进行了系统分析。结果表明,在生育期内不同冬小麦品种冠层光谱反射率的变化与LAI变化有差异;在相同LAI下,不同冬小麦品种的光谱曲线存在差异。利用400~900 nm范围内冠层光谱反射率的任意两波段组合的比值光谱指数（RSI）、归一化差值光谱指数（NDSI）和差值光谱指数（DSI）所建立的单品种模型以及不同品种综合模型的决定系数（r）均达到0.84以上,单品种模型的r和调整r分别较综合模型高出3.1%~4.8%和2.0%~4.2%。利用独立于建模样本以外的数据对上述模型进行检验,单品种模型预测的r较综合模型提高了0.6%~11.0%,而均方根误差降低了10.0%~37.0%。因此,在利用高光谱遥感技术估算冬小麦LAI时,可以通过建立单品种模型来提高估算精度。     

Estimating N status of winter wheat using a handheld spectrometer in the North China Plain

Excessive nitrogen (N) fertilizer application is very common in the North China Plain. Diagnosis of in-season N status in crops is critical for precision N management in this area. Remote sensing, as a timely and nondestructive tool, could be an alternative to traditional plant testing for diagnosing crop N status. The objectives of this study were to determine which vegetation indices could be used to estimate N status in winter wheat (Triticum aestivum L.) under high N input conditions, develop models to predict winter wheat N uptake using spectral vegetation indices and validate the models with data from farmers’ fields. An N rate experiment and a variety-N experiment were conducted in Huimin, Shandong Province from 2005/2006 to 2006/2007 to develop the models. Positive linear relationships between simple ratio vegetation indices (red vegetation index, RVI and green vegetation index, GVI) and N uptake were observed independent of growth stages and varieties (R², 0.48–0.74). In contrast, the relationships between normalized difference vegetation indices (NDVI and GNDVI), red and green normalized difference vegetation index (RGNDI), and red and green ratio vegetation index (RGVI) were exponentially related to N uptake (R², 0.43–0.79). Subsequently, 69 farmers’ fields in four different villages were selected as datasets to validate the developed models. The results indicated that the prediction using RVI had the highest coefficient of determination (R², 0.60), the lowest root mean square error (RMSE, 39.7 kg N ha⁻¹) and relative error (RE, 30.5%) across different years, varieties and growth stages. We conclude that RVI can be used to estimate nitrogen status for winter wheat in over-fertilized farmers’ fields before heading.     

基于无人机多光谱遥感的冬小麦叶片含水量反演

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares,PLS)、极限学习机(extreme learning machine,ELM)和粒子群算法(particle swarm optimization,PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其R²和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%~75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为变量的PSO-ELM模型可实现对冬小麦叶片水分含量的精准预测。     

监测花生叶面积指数和地上部生物量的最优植被指数及适宜波段带宽

为推动光谱遥感在快速无损监测花生生长中的应用，明确监测花生叶面积指数（leaf area index，LAI）和地上部生物量（aboveground biomass，AGB）的最优植被指数及适宜的核心波段带宽。设置2个花生品种、4个施氮水平的花生田间试验，在不同生育时期（苗期、开花下针期、结荚期、成熟期）用Analytical Spectral Devices（ASD）公司生产的FieldSpec HandHeld 2型野外高光谱辐射仪，采集325~1075 nm范围冠层反射光谱，筛选敏感植被指数，并研究核心波段带宽对其监测叶面积指数（LAI）和地上部生物量（AGB）时精度的影响。结果显示，对花生LAI和AGB敏感的植被指数均为归一化红边指数（normalized difference red edge），即NDRE（λ₇₉₀, λ₇₂₀）。进一步分析这一指数的监测精度随波段带宽的变化，发现监测LAI时，核心波段带宽（bandwidth，b）在（λ₇₉₀：1~33 nm，λ₇₂₀：41~59 nm）范围内时能使NDRE（λ₇₉₀, λ₇₂₀）保持较高监测精度，其中带宽组合（λ₇₉₀：33 nm，λ₇₂₀：53 nm）的带宽和值最大，对核心波段带宽的要求最低，利用其构建监测模型时决定系数（determination coefficient，R²）为0.7482，利用独立试验数据检验模型时相对均方根误差（relative root mean square difference，RRMSE）为13.88%。监测花生AGB时，核心波段带宽在（λ₇₉₀：1~101 nm，λ₇₂₀：19~101 nm）范围内时能使NDRE（λ₇₉₀, λ₇₂₀）保持较高的监测精度，其中带宽和值最大的核心波段带宽组合为（λ₇₉₀：89 nm，λ₇₂₀：89 nm），其建模R²为0.7103，检验RRMSE为20.42%。综上，在花生整个生长进程中，可用上述两个具有不同核心波段带宽的植被指数NDRE（λ₇₉₀-b₃₃, λ₇₂₀-b₅₃）和NDRE（λ₇₉₀-b₈₉, λ₇₂₀-b₈₉）分别对LAI和AGB进行监测，监测模型为LAI = 0.0296 × exp^{（14.365×NDRE）}和AGB = 0.6240 × exp^{（20.222×NDRE）}。在核心波段适宜带宽上的研究结果，可以为花生长势光谱监测设备研发及评估提供参考。     

基于高光谱指数的叶片尺度叶绿素荧光参数反演

在叶片尺度上,基于高光谱植被指数反演实际光合速率(Phi2)、非调节的光能耗散(PhiNO)、非光化学淬灭(PhiNPQ)、相对叶绿素含量(RC)4个叶绿素荧光参数,分析不同氮素处理下叶片光谱反射率和4个叶绿素荧光参数在不同时期的变化特征。结果表明,可见光波段在过量施氮下叶片反射率低于不施氮处理;在近红外波段,叶片光谱反射率随着施氮量的增大而增大。随着玉米的生长,不施氮处理下Phi2逐渐减少,PhiNPQ逐渐增加;过量施氮下Phi2先增加后减少,PhiNO和PhiNPQ先降低后增加。RC在不同施氮条件下均随着生育时期发展先增加后减少。Phi2和PhiNPQ与归一化植被指数(NDVI)的相关性最好,PhiNO与改进型叶绿素吸收比值指数(MCARI)的相关性最好,RC与红边植被指数(CIred edge)的相关性最好。     

Impact of land‐use intensity on the relationships between vegetation indices,photosynthesis and biomass of intensively and extensively managed grassland fens

Vegetation indices are widely used as model inputs and for non‐destructive estimation of biomass and photosynthesis, but there have been few validation studies of the underlying relationships. To test their applicability on temperate fens and the impact of management intensity, we investigated the relationships between normalized difference vegetation index (NDVI), leaf area index (LAI), brown and green above‐ground biomass and photosynthesis potential (PP). Only the linear relationship between NDVI and PP was management independent (R² = 0·53). LAI to PP was described by a site‐specific and negative logarithmic function (R² = 0·07–0·68). The hyperbolic relationship of LAI versus NDVI showed a high residual standard error (s.e.) of 1·71–1·84 and differed between extensive and intensive meadows. Biomass and LAI correlated poorly (R² = 0·30), with high species‐specific variability. Intensive meadows had a higher ratio of LAI to biomass than extensive grasslands. The fraction of green to total biomass versus NDVI showed considerable noise (s.e. = 0·13). These relationships were relatively weak compared with results from other ecosystems. A likely explanation could be the high amount of standing litter, which was unevenly distributed within the vegetation canopy depending on the season and on the timing of cutting events. Our results show there is high uncertainty in the application of the relationships on temperate fen meadows. For reliable estimations, management intensity needs to be taken into account and several direct measurements throughout the year are required for site‐specific correction of the relationships, especially under extensive management. Using NDVI instead of LAI could reduce uncertainty in photosynthesis models.     

基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算

为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r~2为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。     

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_red)和近红外波段反射率(BR_nir)的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_red和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_BP),并对估测模型进行精度验证。结果表明,WWLCC_BP估测模型在拔节期估测的决定系数(r²)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_BP和高分六号影像...