基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

用多辐射校正水平遥感数据提取植被叶面积指数的精度分析

选用南京市SPOT5 HRG图像的地物反射率(PAC)、表观反射率(TOA)、星上辐射率(SR)和灰度值(DN)影像,提取了2种植被指数(VI),即归一化植被指数(NDVI)和比值植被指数(RVI),与地面实测的植被叶面积指数(LAI)进行了相关分析,并建立了157个LAI-VI关系模型。结果显示:LAI与VI呈显著的正相关关系(r=0.303~0.927,p0.01),对应不同植被的优选模型自变量包括了3个辐射校正水平的2种植被指数,可见基于不同辐射校正水平的植被指数在LAI遥感反演中具有一定的应用潜力。这些优选模型为:阔叶林:LAI=-3.345+5.378RVISR+7.329NDVISR(R2=0.818,RMSE=0.527),针阔混交林:LAI=1.696+17.076NDVIDN+137.684(NDVIDN)2-288.240(NDVIDN)3(R2=0.919,RMSE=0.440),灌木:LAI=-0.065+19.112NDVISR-113.820(NDVISR)2+184.207(NDVISR)3(R2=0.900,RMSE=0.448),草地:LAI=-5.905+6.446RVISR+9.477NDVISR(R2=0.944,RMSE=0.378),植被总体:LAI=-1.615+7.199NDVIDN+2.640NDVISR+2.105RVIPAC(R2=0.801,RMSE=0.668)。研究表明,基于不同植被类型、不同辐射校正水平影像的LAI遥感估算有利于充分挖掘遥感影像信息,进而提高LAI估算的精度。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

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。     

基于卫星光谱尺度反射率的冬小麦生物量估算

为探索基于光学卫星遥感数据的冬小麦地上生物量估算方法,本研究通过3年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平下的地上生物量以及对应的近地冠层高光谱反射率数据。通过将高光谱数据重采样为具有红边波段的RapidEye、Sentinel-2和WorldView-2卫星波段反射率数据,构建任意两波段归一化植被指数。同时,将卫星波段反射率数据与6种机器学习和深度学习算法相结合,构建冬小麦生物量估算模型。研究结果表明：任意两波段构建的最佳植被指数在冬小麦开花期对生物量的敏感性最强（决定系数R2为0.50～0.56）。在不同施氮水平条件下,高施氮水平增强了植被指数对生物量的敏感性。Sentinel-2波段数据所构建的植被指数优于其他两颗卫星波段数据。对6种机器学习和深度学习算法,总的来说,基于深度神经网络（Deep Neural Networks,DNN）算法所构建的模型要优于其他算法。在单一生育期中,在拔节期（R2为0.69～0.78,归一化均方根误差为26%～31%）和开花期（R2为0.69～0.70,归一化均方根误差为24%～25%）的估算精度最高。Sentinel-2波段数据与DNN算法结合的估算精度最高,在全生育期中预测精度R2为0.70。施氮水平的提高同样增强了DNN模型的估算精度,3颗卫星波段数据在300 kg/hm2施氮条件下的预测精度R2都在0.71以上,均方根误差小于219 g/m2。研究结果揭示了光学卫星遥感数据在不同生育期和施氮条件下估算冬小麦生物量的潜力。     

利用无人机影像构建作物表面模型估测甘蔗LAI

为探讨从作物表面模型(crop surface models,CSMs)中提取株高来估算糖料蔗叶面积指数(leaf area index,LAI)的可行性,该文采用无人机-RGB高清数码相机构成的低空遥感平台,以广西糖料蔗为研究对象,采集了糖料蔗全生育期的高清数码影像,分别在有无地面控制点条件下建立各生育期CSMs并提取株高。此外,该文利用高清数码影像计算了6种可见光植被指数并建立LAI估算模型,用以对比从CSMs提取的株高对LAI的估算效果。结果表明:全生育期CSMs提取的株高与实测株高显著相关(P0.01),株高预测值与实测值高度拟合(R2=0.961 2,RMSE=0.215 2)。选取的6种可见光植被指数中,绿红植被指数对糖料蔗伸长末期以前的LAI的估测效果最好(R2=0.779 0,RMSE=0.556 1,MRE=0.168 0)。相同条件下,株高对LAI有更高的估测精度,其中CSMs提取的株高估测效果优于地面实测株高,预测模型R2=0.904 4,RMSE=0.366 2,MRE=0.124 3。研究表明,使用无人机拍摄RGB影像来提取株高并运用于糖料蔗重要生育期LAI的估算是可行的,CSMs提取的株高拥有较高的精度。该研究可为大区域进行精准快速的农情监测提供参考。     

基于HJ-CCD数据和随机森林算法的小麦叶面积指数反演

为给小麦长势的遥感监测提供技术支持,该文运用随机森林回归(RF,random forest)算法建立小麦叶面积指数(LAI)遥感反演模型。首先基于2010-2013年江苏地区小麦环境减灾卫星HJ-CCD的影像数据,提取拔节、孕穗和开花3个生育期的卫星植被指数,进而根据各生育期植被指数和相应实测LAI数据,利用RF算法构建各期小麦LAI反演模型,并以人工神经网络(ANN,artificial neural network)模型为参比模型进行预测精度的比较。结果表明:RF算法模型在3个生育期的预测结果均好于同期的ANN模型。拔节、孕穗和开花3个生育期RF模型预测值与地面实测值的R2分别为0.79,0.67和0.59,对应的RMSE分别为0.57,0.90和0.78;ANN模型的R2分别为0.67,0.31和0.30,对应的RMSE分别为0.82,1.94和1.43。该研究结果为提高大田尺度下的小麦LAI遥感预测精度提供了技术和方法。     

基于高光谱遥感的不同品种花生冠层叶面积指数的通用估算模型

为了快速、无损地监测花生冠层LAI,获取其长势信息,于2014年通过大田试验选用5个品种花生作为供试品种,使用ASD FieldSpec HandHeld便携式野外光谱仪采集花生不同生育时期的冠层高光谱数据,同时使用SUNSCAN冠层分析系统实测花生冠层叶面积指数（LAI）,并应用光谱微分技术和统计分析技术,分别分析4种光谱形式和6种植被指数与LAI的相关关系,建立估算模型。结果表明：高光谱反射率及其光谱变换形式中最优波段与LAI的相关性均极显著,其中一阶微分光谱ρ'在793nm波段处构建的估测方程对花生冠层LAI的估算效果最好（r=-0.5391,P＜0.01,RE=0.2497）,其模拟值与实测值的拟合度达极显著水平（R=0.4435,P＜0.01）;一阶微分光谱ρ'在734nm波段处LAI的实测值与模拟值的拟合效果最好（R=0.5485,P＜0.01）。6种植被指数所选的最优组合波段与LAI均通过了0.01水平的显著性检验 （r≥0.5731,P＜0.01）,其中归一化植被指数NDVI[760,976]对花生冠层LAI的估算效果最好（r=-0.6421,P＜0.01,RE=0.2167）,模拟值与实测值的拟合度达极显著水平（R=0.6731,P＜0.01）,且优于ρ'对LAI的估算效果;LAI实测值与模拟值拟合效果最好的为DVI[760,976] （R=0.6893,P＜0.01）。研究结果表明一阶导数光谱和植被指数对花生冠层LAI的估算精度均较高,植被指数的估算精度尤高,研究同时进一步证实了导数光谱和植被指数能较好地消除土壤、大气等环境背景信息的影响。     

不同生育期水稻叶面积指数的高光谱遥感估算模型

2011年和2012年通过大田试验,利用便携式野外光谱仪实测水稻冠层不同生育时期的高光谱数据,同时使用SUNSCAN冠层分析系统采集水稻冠层叶面积指数（LAI）;采用光谱微分技术和统计分析技术,分别分析高光谱反射率及其植被指数与LAI之间的关系,建立LAI估算模型并进行模拟结果对比。结果表明：水稻抽穗-成熟期,利用光谱值的对数形式对LAI值的模拟效果较好,分蘖-抽穗期利用光谱反射率模拟LAI变化过程的效果不理想。 在利用各种植被指数估算LAI方法中,水稻分蘖-抽穗期以修改型土壤调整植被指数MSAVI[758,805]对LAI的估算效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.7754）,估算精度较高。在抽穗-成熟期,也以修改型土壤调整植被指数MSAVI[758,817]对LAI的模拟效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.6488）,估算精度较高。说明修改型土壤调整植被指数（MSAVI）能更好地模拟水稻不同生育期的叶面积指数,按照分蘖-抽穗期、抽穗-成熟期两个生育阶段分别建立水稻冠层LAI的高光谱估算模型能够提高LAI估算的准确度,研究结果也证实了分生育阶段建模的必要性。     

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。     

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...     

基于多源无人机影像特征融合的冬小麦LAI估算

为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。     

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叶面积指数探测研究

叶面积指数(LAI)是评价作物长势的重要农学参数之一,利用遥感技术准确估测作物叶面积指数(LAI)对精准农业意义重大。目前,数码相机与无人机系统组成的高性价比遥感监测系统在农业研究中已取得一些成果,但利用无人机数码影像开展作物LAI估测研究还少有尝试。为论证利用无人机数码影像估测冬小麦LAI的可行性,本文以获取到的3个关键生育期(孕穗期、开花期和灌浆期)冬小麦无人机数码影像为数据源,利用数字图像转换原理构建出10种数字图像特征参数,并系统地分析了3个生育期内两个冬小麦品种在4种氮水平下的LAI与数字图像特征参数之间的关联性。结果表明,在LAI随生育期发生变化的同时,10种数字图像特征参数中R/(R+G+B)和本文提出的基于无人机数码影像红、绿、蓝通道DN值以及可见光大气阻抗植被指数(VARI)计算原理构建的数字图像特征参数UAV-based VARIRGB也有规律性变化,说明冬小麦的施氮差异不仅对LAI有影响,也对某些数字图像特征参数有一定影响;在不同条件(品种、氮营养水平以及生育期)下的数字图像特征参数与LAI的相关性分析中,R/(R+G+B)和UAV-based VARIRGB与LAI显著相关。进而,研究评价了R/(R+G+B)和UAV-based VARIRGB构建的LAI估测模型,最终确定UAV-based VARIRGB为估测冬小麦LAI的最佳参数指标。结果表明UAV-based VARIRGB指数模型估测的LAI与实测LAI拟合性较好(R2=0.71,RMSE=0.8,P0.01)。本研究证明将无人机数码影像应用于冬小麦LAI探测是可行的,这也为高性价比无人机遥感系统的精准农业应用增添了新成果和经验。     

农用无人机多传感器遥感辅助小麦育种信息获取

为实现小麦育种过程中大规模育种材料表型信息快速高通量获取,该文分别从无人机平台优选、农情信息采集传感器集成及数据处理与解析等方面开展研究,研发了一套农业多载荷无人机遥感辅助小麦育种信息获取系统。该系统基于多旋翼无人机平台,并集成高清数码相机、多光谱仪、热像仪等多载荷传感器,提出了无地面控制点条件下的无人机遥感数据几何精校正模型,实现多载荷遥感数据几何校正。该系统操控简便,适合农田复杂环境条件作业,能够高通量获取作物倒伏面积、叶面积指数、产量及冠层温度等育种关键表型参量,为研究小麦育种基因型与表型关联规律提供辅助支持。     

基于高光谱维数约简与植被指数估算冬小麦叶面积指数的比较

高光谱遥感反演LAI时,由于实际样本数远小于光谱维数,易导致基于全谱段建立的模型不稳定。针对该问题,该文提出将基于原始光谱反射率与LAI相关性和基于光谱曲线特征的2种波段选择方式分别与主成分回归(PCR)或偏最小二乘回归(PLSR)结合的高光谱维数约简方法,估算冬小麦LAI。并选择归一化植被指数(NDVI)、增强型植被指数(EVI)、重归一化植被指数(RDVI)、修正土壤调节植被指数(MSAVI)和三角形植被指数(TVI)5种代表性植被指数,利用2009、2010年实测大田冬小麦冠层高光谱和LAI数据,将提出的基于维数约简的方法与基于植被指数的LAI估算方法进行了比较,独立样本集验证结果和交叉验证结果均表明,提出的基于维数约简的方法比基于植被指数方法的估算精度高,在交叉验证结果中,基于维数约简的方法R2最高达到0.818,相应RMSE为0.685。该研究可为后续基于高光谱的LAI估算提供参考。