不同生育时期冬小麦叶面积指数高光谱遥感监测模型

高光谱遥感能快速无损获取植被冠层信息,是实现作物长势实时监测的重要技术。为研究不同氮磷水平下冬小麦不同生育时期叶面积指数高光谱遥感监测模型,提高叶面积指数高光谱监测精度,该研究连续5 a定位测定黄土高原旱地不同氮磷水平和不同冬小麦品种各生育时期冠层光谱反射率与叶面积指数,通过相关分析、回归分析等统计方法,构建不同生育时期冬小麦叶面积指数监测模型。结果表明:不同氮磷水平下,冬小麦叶面积指数随施肥量增加呈递增趋势,随生育时期改变呈抛物线趋势变化;随着氮磷供应量的增加,冠层光谱反射率在可见光波段显著降低2%~5%(P0.05),在近红外波段显著增加4%~10%(P0.05);不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关(P0.01);拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好,决定系数分别为0.952、0.979、0.989、0.960和0.993;以不同年份独立数据验证模型表明,所建预测模型均有较好的验证结果,相对误差分别为13.0%、13.5%、12.8%、12.6%和14.0%,均方根误差分别为:0.313、0.336、0.316、0.316、0.324。因此,优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。同时,叶面积指数分段监测模型较统一监测模型精度有所改善。该结果为实现不同肥力水平下冬小麦不同生育时期长势精确监测提供理论依据和技术支撑。     

基于无人机数码影像的马铃薯生物量估算

株高和植被覆盖度（Vegetation Coverage, VC）是估算生物量的重要参数，而生物量的准确估算对农业生产具有重要作用。该研究获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的无人机和地面数码影像，并实测株高、地上生物量和地面控制点（Ground Control Point, GCP）的三维空间坐标。首先基于数字表面模型（Digital Surface Model, DSM）提取马铃薯株高，其次利用地面和无人机数码影像提取马铃薯VC实测值和估测值，然后将提取的株高、VC和二者乘积与选取的11种植被指数和生物量作相关性分析，挑选出相关性较好的前6种植被指数和3种农学参数，最后通过线性回归（Linear Regression，LR）、偏最小二乘回归（Partial Least Square Regression，PLSR）、随机森林（Random Forest，RF）算法和支持向量机（Support Vector Machine, SVM）估算生物量。结果表明，提取株高和实测株高拟合的决定系数为0.86，标准均方根误差为13.42%；提取VC值和实测VC值拟合的决定系数为0.84，标准均方根误差为15.76%；利用LR建模和验证精度由低到高依次为提取的株高、VC和二者乘积，每种变量的估算效果均从现蕾期到块茎增长期逐渐变好，从淀粉积累期到成熟期逐渐变差；每个生育期利用3种方法以不同变量估算生物量效果依次由低到高为植被指数、植被指数结合提取株高、植被指数结合提取VC、植被指数结合提取的株高和VC，其中PLSR模型效果优于RF和SVM模型。该研究为马铃薯长势快速监测提供参考。     

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。     

基于遥感数据和气象数据的水旱地冬小麦产量估测

研究利用遥感数据进行了运城地区冬小麦不同生育时期归一化差值植被指数和产量关系的研究,利用气象数据和光谱数据构建了冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型。结果表明：运城地区水旱地冬小麦均以5月8日左右的NDVI值与产量相关性最好,且达极显著水平,因此该时期为建立冬小麦遥感估产模型的最佳时相。通过对冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型预测效果进行的F检验,表明各模型均达到极显著水平。与其他两种模型相比,光谱气象产量模型的决定系数（R2）有明显的提高,并且相对均方根误差（RRMSE     

基于高光谱遥感估测条锈病下的混种小麦产量分析

为利用高光谱遥感监测小麦条锈病,并对条锈病胁迫下的产量进行估测,通过4个对小麦条锈病具有不同抗病性的品种进行混合种植,从中找出产量最高的品种组合,利用高光谱遥感研究不同发病程度的混合种植小麦的冠层光谱,并用光谱数据提取植被指数,研究病情指数和产量与植被指数之间的关系,建立反演模型。结果表明：A（农大195）︰C（0045）︰D（农大211）=1︰1︰1组合的产量最高。在乳熟期时,归一化植被指数与产量相关性高。利用NDVI对各个生育时期的产量及产量构成因素进行模拟,产量在灌浆期时的模拟效果最好。条锈病发生后利用多时相组合的植被指数NDVI对产量进行模拟精度高。     

频率直方图与植被指数结合的冬小麦遥感产量估测

基于机器学习方法建立的作物产量估测模型常因过拟合等问题导致泛化性能偏低,产量估测精度不高。该研究以河南省为研究区,分别对不同波段地表反射率数据采用均值法和频率直方图法构造样本特征集作为输入变量,结合随机森林（Random Forest,RF）算法建立冬小麦遥感估产模型。研究结果表明,频率直方图法预测效果优于均值法,平均绝对误差和均方根误差分别为660和860 kg/hm2,决定系数最高达到0.83,达极显著水平（P<0.01）;7个地表反射率波段中,近红外1波段表现最好;单个合成指数中,归一化水分指数的表现要优于归一化植被指数;波段组合中,归一化植被指数和归一化水分指数的组合验证效果最优,平均绝对误差和均方根误差分别为444和527 kg/hm2,决定系数为0.89,达极显著水平（P<0.01）,其组合预测效果在4月15日至22日时段内表现最佳,该时段对冬小麦产量的影响最大。该研究通过采用基于频率直方图法构建样本特征结合随机森林算法建立冬小麦遥感估产模型,可为县域冬小麦遥感估产提供一种有效的解决方案。     

玉米作物系数无人机遥感协同地面水分监测估算方法研究

该文研究不同水分胁迫条件下无人机遥感与地面传感器协同估算玉米作物系数的可行性。利用自主研发的六旋翼无人机遥感平台搭载多光谱传感器获取内蒙古达拉特旗昭君镇试验站不同水分胁迫下大田玉米冠层光谱影像,计算植被指数,采用经气象因子和作物覆盖度校正后的FAO-56双作物系数法计算玉米的作物系数,研究作物系数与简单比值植被指数(simple ratio index,SR)、叶面积指数(leaf area index,LAI)和表层土壤含水率(surface soil moisture,SM)的相关关系,结果表明,作物系数与SR、LAI和SM的相关程度与水分胁迫程度有关,但均呈现出显著或极显著的线性关系,说明了基于这些指标建立作物系数估算模型的可能性。利用逐步回归分析方法建立了作物系数的估算模型,其估算模型,修正的决定系数、均方根误差和归一化的均方根误差分别为0.63、0.21、25.16%。经验证,模型决定系数、均方根误差和归一化的均方根误差分别为0.60、0.21、23.35%。研究结果可为利用无人机多光谱遥感平台进行作物系数估算提供技术参考。     

不同施肥决策对冬小麦生长影响的高光谱监测及对比分析

为了明确不同变量施肥算法下的冬小麦冠层光谱特征,以及确定适宜我国气候条件的变量施肥算法,于2006年通过田间试验,分别测量了六种不同施肥决策下的冬小麦冠层光谱和产量,对这六种施肥算法进行了对比分析.结果表明,通过对施肥后冬小麦冠层光谱反射率、施肥前后反射率变化量以及不同时期的归一化植被指数的分析,得知不同施肥处理的冬小麦冠层光谱反射率存在差异,可以反映出冬小麦长势的强弱,其中基于光谱指数和作物生长模型相结合的算法(Z)进行施肥的冬小麦长势最佳.与均一施肥(W)和不施肥(CK)处理相比,变量施肥处理均显著提高小麦产量;除基于土壤养分变量施肥处理(T)外,产量变异系数明显降低,其中基于归一化SPAD值变量施肥处理(S)的变异系数最小.Z变量施肥算法综合效果最佳,S变量施肥算法在降低产量变异度方面效果最佳.拔节期施肥对开花期或灌浆初期小麦生长影响最大;并且这两时期的植被指数与产量的相关性也最好,尤其红边三角光谱指数(RTVI)最好(相关系数达到0.700),可见采用RTVI指数进行产量预测效果更优.     

基于多生育期光谱变量的水稻直链淀粉含量监测

直链淀粉含量是评价稻米品质的重要指标之一,其累积生长过程是多生育期、多因素综合作用的结果。为了探究多生育期信息引入对水稻籽粒直链淀粉含量监测模型的影响,实现水稻品质信息的大规模准确监测。该研究选取水稻孕穗期、抽穗期、灌浆期和成熟期这4个有关水稻籽粒形成发育的生育期的冠层光谱,分析原光谱、植被指数、高光谱特征参数,及其变换形式与水稻籽粒直链淀粉含量的相关性,筛选得到相关性较好的光谱变量,并利用逐步回归的方法进行建模,建立基于多生育期光谱变量的直链淀粉含量预测模型。结果表明:一阶导数、差值植被指数(Difference Vegetation Index,DVI)、比值植被指数(Ratio Vegetation Index, RVI)及成熟期特征参数表现出较高敏感性,最适用于直链淀粉含量预测的生育期为成熟期,而多生育期信息的综合利用能显著提高模型预测精度,最佳多生育期预测模型为孕穗-抽穗-成熟期组合模型,建模决定系数(Coefficient of Determination, R^2)为0.708,均方根误差(Root Mean Square Error, RMSE)为0.711%,平均绝对百分比误差(Mean Absolute Percent Error, MAPE)为3.22%,验证R2为0.631,RMSE为0.768%,MAPE为3.99%,证明该模型能较为精确地预测籽粒直链淀粉含量,为稻米品质指标大尺度统计监测提供一定的技术支撑和应用基础。     

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。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。     

基于无人机数码影像的冬小麦株高和生物量估算

高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2,RMSE=0.137 2 kg/m2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1,RMSE=0.110 6 kg/m2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。     

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。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

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...     

基于无人机遥感植被指数优选的田块尺度冬小麦估产

田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。     

基于无人机多光谱的大豆旗叶光合作用量子产量反演方法

大豆旗叶的量子产量（Quantum Yield,QY）对于评估光合效率非常重要,利用无人机多光谱数据对QY值进行高通量反演,能够无损、高效的监测光合作用过程中的生理化学变化。该研究的目的是探究植被指数与QY值相关性,并基于高相关性的植被指数反演QY值,同时分析了多植被指数与单植被指数构建反演模型的准确性。结果表明,与传统反演算法支持向量回归（Support Vector Regression,SVR）相比,基于集成学习的自适应提升（Adaptive Boost,AdaBoost）算法提高了模型的准确性,测试集决定系数（coefficient of determination,R2）为0.982,均方根误差（Root Mean Square Error, RMSE）为0.089,相对分析误差（Residual Predictive Deviation,RPD）为7.29。研究表明基于多植被指数、利用AdaBoost算法可以构建更为有效的无人机多光谱大豆光合有效量子产量反演模型,为评估高通量光合效率提供了一种先进的方法。     

Spectral indices measured with proximal sensing using canopy reflectance sensor, chlorophyll meter and leaf color chart for in-season grain yield prediction of basmati rice

A number of optical sensing tools are now available and can potentially be used for refining need-based fertilizer nitrogen (N) topdressing decisions. Algorithms for estimating field-specific fertilizer N needs are based on predictions of yield made while the crops are still growing in the field. The present study was conducted to establish and validate yield prediction models using spectral indices measured with proximal sensing using GreenSeeker canopy reflectance sensor, soil and plant analyzer development (SPAD) chlorophyll meter, and two different types of leaf color charts (LCCs) for five basmati rice genotypes across different growth stages. Regression analysis was performed using normalized difference vegetation index (NDVI) recorded with GreenSeeker sensor and leaf greenness indices measured with SPAD meter and LCCs developed by Punjab Agricultural University, Ludhiana (India) (PAU-LCC) and the International Rice Research Institute, Philippines (IRRI-LCC). The exponential relationship between NDVI and grain yield exhibited the highest coefficient of determination (R²) and minimum normalized root mean square error (NRMSE) at panicle initiation stage and explained 38.3%-76.4% variation in yield using genotype-specific models. Spectral indices pooled for different genotypes were closely related to grain yield at all growth stages and explained 53.4%-57.2% variation in grain yield. Normalizing different spectral indices with cumulative growing degree days (CGDD) decreased the accuracy of yield prediction. Normalization with days after transplanting (DAT), however, did not reduce or improve the predictability of yield. The ability of each model to predict grain yield was validated with an independent dataset collected from two experiments conducted at different sites with a range of fertilizer N doses. The NDVI-based genotype-specific models exhibited a robust linear correlation (R²=0.77, NRMSE=7.37%, n=180) between observed and predicted grain yields only at 35 DAT (i.e., panicle initiation stage), while the SPAD, PAU-LCC, and IRRI-LCC consistently provided reliable predictions (with respective R² of 0.63, 0.60, and 0.53 and NRMSE of 10%, 10%, and 13.6%) even with genotype invariant models with 900 data points obtained at different growth stages. The study revealed that unnormalized values of spectral indices, namely NDVI, SPAD, PAU-LCC, and IRRI-LCC, can be satisfactorily used for in-season estimation of grain yield for basmati rice. As LCCs are very economical compared with chlorophyll meters and canopy reflectance sensors, they can be preferably used by small farmers in developing countries.