无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机（unmanned aerial vehicle, UAV）机动灵活、操作简便，可以按需获取高空间分辨率影像，是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题，该研究以DJI S1000+无人机为平台，搭载法国Parrot Sequoia相机，获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像，采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数，所构建的植被指数包括归一化植被指数（normalized difference vegetation index，NDVI）、叶绿素指数（grassland chlorophyll index，GCI）、比值植被指数（ratio vegetation index，RVI）、归一化红边红指数（normalized difference rededge-red index，NDIrer）、归一化红边绿指数(normalized difference rededge-green index，NDIreg)和重归一化植被指数(renormalized difference vegetation index，RDVI)，通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析，以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数，以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现，在分辨率为0.6 m时，NDVI与地面实测LAI之间的决定系数R2为0.80，决定系数达到了最大，利用该分辨率下的NDVI反演得到的LAI验证精度R2达到了0.73；在分辨率为0.1 m时，NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70，决定系数达到了最大，利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说，不包含绿波段的植被指数的LAI反演精度较高，这说明绿波段对LAI的变化不敏感；② 对于玉米冠层叶绿素含量反演来说，包含红边波段的植被指数的反演精度较高，因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m，此时NDVI与实测LAI的决定系数达到最大；反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内，此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。     

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关，直接影响植株生长发育，而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关，直接影响茎秆质量及植株的抗倒伏能力。然而，有关对冬小麦茎秆氮含量估算研究较为有限，限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官（叶片、茎秆）氮含量，该研究通过2年田间试验，获取冬小麦4个关键生育期（拔节期、抽穗期、开花期、灌浆期）和3种施氮水平条件下（N1、N2和N3）的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD (soil and plant analyzer development， SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性，并结合5种常用的机器学习算法：随机森林回归（random forest regression，RFR）、支持向量回归（support vector regression，SVR）、偏最小二乘回归（partial least squares regression，PLSR）、高斯过程回归（gaussian process regression，GPR）、深度神经网络回归（deep neural networks，DNN）构建冬小麦叶片和茎秆氮含量估算模型。结果表明：高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期，最佳植被指数双峰冠层植被指数 DCNI（double-peak canopy nitrogen index）对叶片氮含量的敏感性最高，R²为0.866。对茎秆氮含量，在抽穗期的敏感性最高，最佳植被指数归一化叶绿素比值指数 NPQI（normalized phaeophytinization index）与氮含量相关系数R²＝0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度，对叶片氮含量，在不同生育期和施氮水平条件下估算精度提升了1%～7%，其中在全生育期的归一化均方根误差NRMSE从0.254提升到0.214，抽穗期的NRMSE提升最大，从0.201提升到0.128。对茎秆氮含量，全生育期的NRMSE从0.443提升到0.400，抽穗期的NRMSE提升最大，从0.323提升到0.268。在全生育期，结合SPAD值的DNN模型对叶片（R²=0.782、NRMSE=0.214）和茎秆（R²=0.802、NRMSE=0.400）氮含量的估算精度最佳。研究说明，SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。     

基于光谱变换的滨海湿地土壤全氮含量建模预测

基于133个滨海湿地土样的全氮（TN）含量和光谱反射率（R）及其对数（lgR）、对数的一阶微分（（lgR）''）、倒数（1/R）、倒数的一阶微分（（1/R）''）、一阶微分（R''）、平方根（√R）、一阶微分的倒数（1/（R）''）变换，采用偏最小二乘回归（PLSR）、随机森林回归（RFR）和支持向量机回归（SVR）3种算法分别建立土壤TN含量估测模型。结果表明：①土壤TN含量与光谱变换形式相关性由高到低为：（1/R）''> R''> （lgR）''> 1/R > lgR > 1/（R）''> √R > > R，经光谱变换，土壤TN含量与变换光谱的相关性均高于R，其中与（1/R）''的Pearson相关系数最大为0.746。②PLSR和SVR基于R''、（1/R）''、（lgR）''和1/（R）''变换构建的模型、RFR方法构建的所有模型R²均大于0.732，均可用于滨海湿地土壤TN含量的估算。③基于1/（R）''建立的SVR模型预测精度最高，其R²为0.987，RMSE为0.057 g/kg，MAE为0.050 g/kg，是预测滨海湿地土壤TN含量的最优模型，可为准确获取滨海湿地土壤TN含量提供稳定方法。     

大豆叶绿素含量高光谱反演模型研究

叶绿素是植物体进行光合作用、进行第一性生产的重要物质，能够间接反映植被的健康状况与光合能力，同时也能反映植被受环境胁迫后的生理状态。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。该研究实测了不同水肥耦合作用下，大豆冠层的高光谱反射率与叶绿素含量数据，对二者进行了相关分析；采用特定叶绿素敏感波段建立了植被指数叶绿素估算模型；最后采用相关系数较大的波段作为神经网络模型的输入变量进行了叶绿素含量的估算。经对比发现叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致，在可见光谱波段呈负相关，近红外波段呈正相关，红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度(R²>0.736)，但是人工神经网络模型可以大大提高大豆叶绿素含量的估算水平，当隐藏层节点数为4时，R²大于0.94，随着隐藏层节点数的增加，R²可高达0.99，表明神经网络模型可以大大提升高光谱反演大豆叶绿素含量的能力。     

结合GWRFR和作物物候信息的玉米产量早期预测

及时并准确地估计作物产量，对保障粮食安全、维护世界粮食供应稳定具有重要意义。此前，已有许多研究者使用机器学习方法对作物产量预估进行研究。然而，结合作物的空间分布、使用局部模型进行分析的研究较少；且诸多研究均以年份为时间尺度进行建模，未能精细到作物生长的各个阶段，无法实现作物产量的早期预测。针对以上问题，该研究结合多源遥感数据，利用随机森林（random forest，RF）以及地理加权随机森林（geographically weighted random forest regression，GWRFR）模型对美国县级玉米产量进行建模，探讨全局与局部模型在玉米产量预测方面的性能；并通过将GWRFR模型应用于玉米的各个物候期，获取了玉米产量的最佳提前预测时间。结果表明，GWRFR局部模型的精度（R²=0.87，RMSE=864.21 kg/hm²）高于传统的RF全局模型（R²=0.83，RMSE=994.75 kg/hm²），并且能够较好地克服空间数据的非平稳性，即使在全局模型中加入经纬度作为变量，RF模型的预测效果（R²=0.85，RMSE=890.88 kg/hm²）仍然低于GWRFR模型。对于玉米产量的预测可以提前至收获前2～3个月，即在乳熟期前后就能得到比较准确的预测结果（R²=0.90，RMSE=748.39 kg/hm²）。该研究结果可为大尺度作物产量预估提供一种新的思路，对区域或全球其他作物的产量预测也具有一定的指导意义。     

基于半经验半机理建模的冬小麦LAI反演及长势评估

为了提高无人机遥感对冬小麦叶面积指数（leaf area index，LAI）反演模型的精度与泛化能力，该研究利用无人机搭载多光谱相机获取不同氮素处理和不同复种方式的冬小麦生长实测数据，结合PROSAIL辐射传输模型生成包含机理信息的模拟数据，基于不同组合方式建立了5种LAI反演混合数据集，结合多种机器学习方法，以期构建经验与机理相结合的LAI高精度反演模型。由于LAI反演受NIR波段反射率影响大，该研究筛选7种与NIR波段相关的植被指数提取冬小麦光谱特征，构建与混合数据集LAI的相关系数矩阵，进一步探究不同光谱特征对冬小麦LAI的影响程度。在此基础上，采用具有代表性和普适性的4种机器学习方法，即贝叶斯岭回归模型、线性回归模型、弹性网络模型和支持向量回归模型，构建不同冬小麦LAI反演模型，用以评估基于半经验半机理数据反演冬小麦LAI的可行性，进一步探索其对不同氮素水平和复种方式的冬小麦长势评估能力。结果表明：1）筛选的与NIR波段相关的植被指数与冬小麦LAI之间存在较强的相关性，其中归一化差异植被指数、增强植被指数、归一化差异红边指数、比值植被指数、红边叶绿素植被指数、土壤调节植被指数与LAI呈正相关，结构不敏感色素植被指数与LAI呈负相关；2）辐射传输模型中体现了冬小麦LAI影响太阳光线传播的机理，结果表明，与实测数据混合建立的模型，具有较强的鲁棒性和泛化能力。相比于其他3种模型，支持向量回归模型在各种数据组合下均取得了较好的LAI预测性能，在C1、C2、C3、C4这4种训练-测试组合的训练集中R²依次为0.86、0.87、0.88、0.91，RMSE依次为0.47、0.45、0.45、0.41；在测试集的R²依次为0.85、0.19、0.89、0.87，RMSE依次为0.45、1.31、0.49、0.50；3）使用支持向量机生成试验区LAI反演图，对4种氮素水平和2种复种方式的冬小麦长势评估，结果表明，适当的施加氮素处理能提高冬小麦LAI值，麦-豆复种方式下的冬小麦LAI值普遍高于麦-玉复种的LAI值。该研究为冬小麦LAI的反演提供了一种有效的方法，并为高效评估冬小麦长势研究提供了参考。     

光照与阴影对无人机热红外遥感监测土壤含水率的影响

为探究作物冠层受阳光直射或阴影遮挡对无人机热红外遥感诊断作物水分胁迫、监测土壤含水率的影响，该研究以不同灌溉处理的夏玉米为研究对象，将热红外图像划分为光照冠层、阴影冠层、光照土壤、阴影土壤4个部分，分别提取光照温度与阴影温度后计算了11:00、13:00、15:00的冠气温差（冠层温度与大气温度之差，ΔT）、作物水分胁迫指数（crop water stress index，CWSI）、蒸发比（潜热通量与有效能量的比值，evaporative fraction，EF），并对比了3种指数在不同时刻使用光照温度（ΔT_L、CWSI_L、EF_L）与阴影温度（ΔT_S、CWSI_S、EF_S）后对土壤含水率的监测效果变化情况。结果表明：1）3种指数的监测效果会随时间发生变化，11:00与15:00时EF监测效果较好，13:00时CWSI监测效果较好，ΔT的监测效果较差但随时间波动最小；2）拔节期在区分光照温度与阴影温度后监测效果在11:00时提升幅度最大，EF、EF_S、EF_L的R²分别为0.54、0.65、0.78，CWSI、CWSI_S、CWSI_L的R²分别为0.47、0.64、0.70，抽雄期与灌浆期使用光照温度对监测效果提升不大，但使用阴影温度的指数监测效果有明显降低，在13:00时CWSI_S较CWSI有最大降幅，R²降幅分别为0.11、0.06；3）在拔节期与抽雄期使用11:00的EF_L，在灌浆期使用13:00的CWSI能取得最好的土壤含水率监测效果，预测土壤含水率的R²分别为0.75、0.75、0.89。该研究可以为无人机热红外监测土壤含水率提供参考。     

东北玉米根系生物量模型的构建

开展根系生物量的观测和研究,建立通用性的根系生物量模型对于开展生态系统生物量的监测和评估具有重要意义。为得到根系生物量的实时信息,2016年9月末利用挖土法和根系扫描系统,获取玉米根系的生物量及生态指标,分析了玉米根系生物量的垂直分布特征并建立了根系生物量与根系生态指标之间的模拟方程。结果表明：玉米根系生物量主要集中于0~30 cm,占玉米根系垂直分布量的94.44%。利用普通最小二乘法建立根系生物量模型均存在异方差问题,增加根长作为自变量建立的根系生物量模型显著提高了模拟精度,决定系数（R²）达0.91以上。采用对数转换消除方程的异方差及比较不同的模拟方程后发现,玉米根系生物量与根径和根长的组合变量（D²H）建立的指数函数是模拟玉米根系生物量的最优方程,决定系数（R²）最高,为0.90,平均绝对误差（MAE）、估计值的标准误差（SEE）、平均预估误差（MPE）均最小,满足了模拟方程的精度要求。对该方程进一步验证发现,模拟值和实测值之间的相关系数为0.92,说明此模型能较好地模拟根系生物量。利用根系生物量模型结合微根管法,可解决根系生物量实时观测难的问题。     

基于垄间背景剔除优化小麦赤霉病遥感监测精度

为探究麦田垄间背景对无人机多光谱小麦赤霉病监测精度的影响,该研究以江苏省镇江市农科院灌浆期小麦为研究对象,利用大疆M600 Pro无人机搭载RedEdge-MX多光谱相机获取小麦冠层多光谱影像。通过筛选与小麦赤霉病相关性最高的植被指数（vegetation indexes,VIs）：MSR和CRI2植被指数,并采用大津法（Nobuyuki Otsu method,OTSU）、阈值分割法和支持向量机（support vector machine,SVM）等方法对小麦赤霉病遥感图像进行精细化语义分割,降低田块边缘阴影背景和染病麦穗之间的误判率。试验结果表明：目视解译阈值分割法剔除背景的效果最好（总体精度：92.06 %,Kappa系数：0.84）,OTSU阈值分割法（总体精度：90.52%,Kappa系数：0.81）效果次之。采用偏最小二乘回归分别建立小麦病情指数（disease index,DI）与VIs、纹理特征（texture features,TFs）和VIs&TFs小麦赤霉病监测模型,其中VIs&TFs模型监测精度最高,剔除垄间背景前预测模型训练集的决定系数（coefficient of determination,R2）为0.73,均方根误差（root mean square error,RMSE）为5.52,相对分析误差（relative percent deviation,RPD）为2.01,验证集的R2为0.68,RMSE为6.21,RPD为1.96;剔除垄间背景后VIs&TFs模型监测精度依然最高,训练集的R2为0.75,RMSE为5.58,RPD为2.13,验证集的R2为0.77,RMSE为7.13,RPD为2.11。综上所述,基于垄间背景特征的精细化语义分割有效地提高了小麦赤霉病的监测精度,可以直观地了解小麦病情分布情况,可对后续变量施药提供参考依据。     

融合物联网多环境参数的茎干水分SSA-BP预测模型

作为一种典型的生理水分参数，茎干水分与活立木内部水分平衡的维持、光合固碳及细胞代谢等的正常运转有紧密联系，对不同环境参数协同作用下的茎干水分较准确预测是必不可少的。为实现对生长季茎干水分变化特征及其影响因素进行解析，并构建茎干水分预测模型，该研究以常见绿化树种五角枫（Acer pictum subsp. Mono）为研究对象，搭建五角枫物联网生态信息监测系统，实现五角枫茎干水分和各环境参数的实时采集与在线显示，其中茎干水分变化情况由自主设计的基于驻波率原理的茎干水分传感器实时且无损获取。在此基础上，提出麻雀搜索算法（sparrow search algorithm，SSA）优化反向传播（back propagation，BP）神经网络即SSA-BP茎干水分预测模型，计算模型的决定系数（coefficient of determination，R²）、均方根误差（root mean square error，RMSE）和平均绝对误差（mean absolute Error，MAE）以评估其预测性能，与传统的BP模型及遗传算法（genetic algorithm，GA）优化BP即GA-BP模型的预测性能进行对比。结果表明：1）搭建的物联网生态信息监测系统可有效获取茎干水分及各环境参数；萌芽期和落叶期，茎干水分呈“昼升夜降”的变化趋势，生长期，茎干水分呈“昼降夜升”的变化趋势；2）SSA-BP模型的预测性能要优于GA-BP模型和BP模型，萌芽期，SSA-BP模型的R²为0.896～0.987，RMSE为0.314～12.971 mV，MAE为0.232～5.030 mV。该研究提出一种可行的茎干水分采集和预测方法，可为揭示植物茎干内部水分运移规律及其环境适应机制提供借鉴。     

基于Dualex氮平衡指数测量仪的作物叶绿素含量估算模型

作物叶绿素含量的实时、无损及快速的监测,对及时掌握作物的胁迫状况、营养水平及环境适应性,进而对农田管理进行科学指导具有重要的意义。该研究论证是否可以通过Dualex氮平衡指数测量仪构建通用的叶绿素含量估算模型,以期实现叶绿素含量的快速及无损监测和估算。结果表明：1）Dualex估测叶绿素质量分数（Chl-M）和单位面积的叶绿素质量（Chl-S）具有较好的精度（决定系数R2分别为0.77和0.88）,与SPAD叶绿素仪的估算模型（R2分别为0.66和0.79）相比,模型精度更高;2）Dualex估测Chl-S的精度明显高于Dualex对Chl-M的估测精度,Dualex与Chl-M的关系需要考虑叶片厚度的影响,而Dualex与Chl-S的线性关系更加一致;3）构建的Chl-S通用模型的R2,均方根误差和标准均方根误差分别为0.88,4.80 mg/dm2和8.33%,模型的精度较高,并且通用模型的数据范围为12.2～105.6 mg/dm2,较大的数据范围适用于冬小麦和玉米各关键生育期Chl-S的估算。该研究为Dualex实现冬小麦和玉米叶绿素含量监测和估算提供校准模型,为及时了解作物养分状况及作物营养诊断提供了参考。     

基于无人机多光谱影像的夏玉米叶片氮含量遥感估测

利用无人机平台搭载多光谱相机组成的遥感监测系统在农业上已取得了一些成果,但利用无人机多光谱影像开展作物氮素估测研究少有尝试。基于此,该文利用国家精准农业基地2017年夏玉米3个关键生育期无人机多光谱影像和田间实测叶片氮含量数据,开展夏玉米叶片氮素含量的无人机遥感估测研究。对该研究选用的15个光谱变量,通过相关性分析解析光谱变量与LNC的相关关系,筛选出对玉米叶片氮素含量敏感的光谱变量;应用后向逐步回归方法分析不同变量指数下估测精度变化,最终确定不同生育期夏玉米LNC估测的光谱变量,实现对夏玉米叶片氮含量的较高精度监测。研究发现:1)在3个生育时期,GRE和GNDVI与LNC都有很强的相关性,表明绿波段可以很好地进行夏玉米生物理化参数的反演;2)在喇叭口期和灌浆期,OSAVI、SAVI与LNC具有高度相关性,证明在夏玉米生长前期和后期选择控制土壤因素的光谱变量可以提高对氮素估测的能力。在筛选最优光谱变量建模过程中发现,喇叭口期选取5个光谱变量(GNDVI、GRE、OSAVI、REG、SAVI)建模效果最好,估测模型的R~2、RMSE和nRMSE分别为0.63、27.63%、11.62%;抽雄吐丝期选取6个光谱变量(REG、GRE、GNDVI、MNLI、RED、NDVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.64、20.50%、7.80%;灌浆期选取5个光谱变量(GRE、GNDVI、RED、NDVI、OSAVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.56、31.12%、12.71%;在不同生育期选取最优光谱变量进行夏玉米LNC估测具有很好的效果。应用无人机多光谱遥感影像数据可以很好地监测田块尺度夏玉米LNC的空间分布,可为玉米田间氮素精准管理提供空间决策服务信息支持。     

融合无人机载激光雷达与多光谱遥感数据的冬小麦叶面积指数反演

为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,LiDAR)在农作物长势监测方面的潜力,探究机载LiDAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载LiDAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机...     

基于无人机图像分割的冬小麦叶绿素与叶面积指数反演

叶绿素含量与叶面积指数是反映作物长势的重要理化参数,准确、高效定量估计小麦叶绿素含量与叶面积指数对于产量预测和田间管理决策具有重要意义,无人机(Unmanned Aerial Vehicle,UAV)遥感影像具有高空间分辨率的优势,被广泛应用于作物理化参数反演,但现有叶绿素含量与叶面积指数反演模型受土壤、阴影等背景噪声...     

基于无人机数码影像的玉米育种材料株高和LAI监测

快速、无损和高通量地获取田间株高(height,H)和叶面积指数(leaf area index,LAI)表型信息,对玉米育种材料的长势监测及产量预测具有重要的意义。基于无人机(unmanned aerial vehicle,UAV)遥感平台搭载高清数码相机构建低成本的遥感数据获取系统,于2017年5—9月在北京市昌平区小汤山镇国家精准农业研究示范基地的玉米育种材料试验田,获取试验田苗期、拔节期、喇叭口期和抽雄吐丝期的高清数码影像和地面实测的H、LAI和地面控制点(ground control point,GCP)的三维空间坐标。首先,基于高清数码影像结合GCP生成试验田的数字表面模型(digital surface model,DSM)和高清数码正射影像(digital orthophoto map,DOM);然后,基于DSM和DOM分别提取玉米育种材料的H和数码影像变量,其中将DOM的红、绿和蓝通道的DN(digital number)值分别定义为R、G和B,进行归一化后得到数码影像变量,分别定义为r、g和b;最后,基于实测H对DSM提取的H进行了精度验证,并用逐步回归分析方法进行了LAI的估测。结果表明,实测H和DSM提取的H高度拟合(R~2、RMSE和n RMSE分别为0.93,28.69 cm和17.90%);仅用数码影像变量估测LAI,得到最优的估测变量为r和r/b,其估算模型和验证模型的R~2、RMSE和n RMSE分别为0.63,0.40,26.47%和0.68,0.38,25.51%;将H与数码影像变量进行融合估测LAI,得到最优的估测变量为H、g和g/b,其估算模型和验证模型的R~2、RMSE和n RMSE分别为0.69,0.37,24.34%和0.73,0.35,23.49%。研究表明,基于无人机高清数码影像结合GCP生成DSM,提取玉米育种材料的H,精度较高;将H与数码影像变量进行融合估测LAI,与仅用数码影像变量相比,估测模型和验证模型的精度明显提高。该研究可为玉米育种材料的田间表型信息监测提供参考。     

利用无人机多光谱估算小麦叶面积指数和叶绿素含量

利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向,为了探究无人机多光谱反演小麦叶面积指数(Leaf Area Index,LAI)和叶绿素含量的模型估算潜力,该研究在3个飞行高度(30、60、120 m)采集多光谱影像,通过使用全波段差值光谱指数(Difference Spectral Index,DSI)、比值光谱指数(Ratio Spectral Index,RSI)、归一化光谱指数(Normalized Spectral Index,NDSI)和经验植被指数与地面实测数据进行相关性分析,获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数,以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络模型,分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD(Soil and Plant Analyzer Development)值的精度。结果表明:1)30 m高度下,绿-红比值光谱指数与小麦LAI的相关性最高,相关系数为0.84;60 m高度下,红-蓝比值光谱指数与小麦叶绿素含量的相关性最高,相关系数为0.68;2)在60 m高度下,经验植被指数与小麦LAI和叶绿素含量的相关性较好,最大相关系数分别为0.77和0.50;3)利用偏最小二乘回归反演小麦LAI的精度最高,决定系数为0.732,均方根误差为0.055;利用人工神经网络模型反演小麦叶绿素含量的精度最高,决定系数为0.804,均方根误差0.135。该研究成果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。     

基于无人机数码影像的冬小麦氮含量反演

准确、快速地获取关键生育期冬小麦氮素含量,对农业管理者进行田间氮素施肥有重要的决策作用。利用无人机(unmannedaerialvehicle,UAV)搭载数码相机,可以短时间内获取冬小麦长势信息,实现对冬小麦氮素含量动态监测。该研究利用2015年北京市小汤山冬小麦无人机数码影像,采用3种阈值分割方法,将田间植株作物与土壤背景分离。对比影像分割方法的时效性与准确性,最终确定可见光波段差异植被指数VDVI(visible-band difference vegetation index)提取植被信息。按照试验方案要求,在不同的氮肥与水分胁迫管理下,将冬小麦3次重复试验分成48个试验小区,依据小区边界提取小区的红、绿和蓝通道的平均DN(digitalnumber)值,选取25个植被指数,同时与各个试验小区冬小麦不同器官氮含量进行相关性分析,筛选数码影像变量。由于植被指数之间耦合度较高,因此采用主成分分析对原始数据进行成分提取,提取特征向量参与建模,最后利用多元线性回归分析建立氮素反演模型,通过决定系数(R2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标筛选出最佳模型,探究各器官氮素含量与数码变量的相关性。结果表明,实验室实测氮素含量与UAV数码影像氮素反演结果及基本一致。在反演模型构建精度方面,3种数据处理结果整体部分植被指数,反演效果叶氮植株氮茎氮。以冬小麦挑旗期为例,叶片氮含量整体信息提取验证模型的R2、RMSE和nRMSE分别为0.85、0.235和6.10%,比部分信息提取验证模型的R2高0.14,RMSE和nRMSE分别降低0.068和1.77个百分点;比植被指数信息提取验证模型的R2高0.43,RMSE和nRMSE分别降低0.141和3.67个百分点。研究表明,基于UAV数码影像利用多元线性回归构建冬小麦氮素含量反演模型,对试验小区整体提取作物信息的方式反演冬小麦叶氮含量效果最好,相比传统反演方法,模型稳定性更高,可为冬小麦田间水肥决策管理提供参考。     

基于无人机遥感影像的大豆叶面积指数反演研究

作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。     

间作条件下秸秆覆盖对玉米叶片光合特性和产量的影响

为明确间作和秸秆覆盖结合在作物增产方面的效应,采用双因素大田试验,通过设置2种种植模式[玉米单作(M)、玉米大豆间作(I)]和4种秸秆覆盖水平[0(S0)、4 000 kg·hm-2(S1)、8 000 kg·hm-2(S2)和12 000 kg·hm-2(S3)],研究秸秆覆盖和间作对玉米叶片生理特性和产量的影响。结果表明,覆盖和间作有利于增加玉米叶片长、宽和单株绿叶面积,其中覆盖处理S2和S3与不覆盖处理S0的差异显著,且覆盖的效果大于间作。玉米叶片含水量基本不受间作影响,但受覆盖的显著影响。间作和覆盖可增加叶片含氮量,在单作下,S3比S0的叶片含氮量在灌浆期和成熟期分别增加25.6%和56.6%,在间作下分别增加30.0%和42.9%,且S3和S0间差异显著。覆盖和间作皆可增加叶片叶绿素含量,且覆盖的效果大于间作,但随覆盖水平提高覆盖的效果降低。覆盖和间作皆有利于改善玉米穗位叶的光合特性,在S0下,间作的光合速率、气孔导度和蒸腾速率在灌浆期和成熟期分别比单作增加13.1%、42.3%、39.3%和46.8%、31.2%、24.5%,而胞间CO2浓度分别下降20.8%和18.4%,且S0下单作、间作差异显著。玉米产量亦明显受到覆盖和间作的影响,且受覆盖的影响更为明显。研究得出,秸秆覆盖和间作在改善玉米叶片性状及生理特性和产量方面发挥着重要作用,但覆盖的效果会随覆盖水平的提高而降低,且间作的效果小于秸秆覆盖。     

无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量

利用无人机平台搭载多光谱传感器在农业监测上已经有一些应用,但是利用无人机多光谱影像估算作物叶绿素含量的研究较少,特别是融合无人机多光谱影像光谱信息和纹理信息估算马铃薯叶绿素含量的研究更是罕见。基于此,该文利用2018年北京小汤山基地马铃薯各个典型生育期的无人机多光谱影像及实测的叶绿素含量数据,首先提取多光谱影像植被指数和纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,并开展基于调整R2和K折交叉验证的全子集分析估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的综合指标估算叶绿素含量。研究发现:1)多光谱植被指数和纹理特征估算叶绿素含量模型,K折交叉验证均优于调整R2;2)整个生育期,综合指标模型决定系数比植被指数模型、纹理特征模型均有提升,且标准均方根误差均降低。综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。该研究可为马铃薯生长营养监测提供一种可行的方法,对马铃薯的栽培种植管理具有指导意义。