基于新型植被指数的冬小麦LAI高光谱反演

【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI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大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。     

冬小麦生育前期LAI 高光谱反演研究

【目的】冬小麦生育前期稀疏植被条件下叶面积指数反演对于播期、早期苗情监测有重要意义。【方法】文章利用实测冬小麦生育前期冠层高光谱数据,基于相关关系矩阵图筛选7个新的敏感植被指数、优选40个前人研究的双波段组合或多波段组合植被指数,利用单变量回归和偏最小二乘多变量回归分析47个植被指数与稀疏冬小麦叶面积指数(LAI)的相关性。【结果】植被指数PVR(650,550)、VARI(680,555,480)、RVI(1 868,1 946)与LAI相关性好,其中PVR(650,550)与LAI构建的模型拟合度最好,决定系数R~2为0.730,均方根误差RMSE为0.450。而相对单个植被指数,利用多个植被指数的偏最小二乘多元回归模型提高了LAI估算精度,R~2为0.779,RMSE为0.380。【结论】在冬小麦生育前期植被稀疏条件下,利用高光谱数据反演冬小麦LAI是可行的,可为冬小麦早期长势遥感监测提供支撑。     

基于无人机多光谱图像监测棉花冠层含水量

使用无人机搭载的多光谱相机获取田间遥感影像,通过相关性计算选取合适的波段组合,基于多光谱影像间的波段运算得到植被指数(VIs),采用最小二乘法构建棉花冠层含水量反演模型.结果表明,红波段(680nm)和近红外1波段(800nm)间的光谱特征与棉花冠层含水量相关性最高,由此光谱区间构建了归一化植被指数(NDVI)和比值植被指数(RVI),基于NDVI的二阶多项式回归得到了较好的预测结果,R2在0.69以上.使用此方法可以实现棉花冠层含水量的快速、无损监测,从而为田间精准灌溉提供技术支持.     

关中地区小麦冠层光谱与氮素的定量关系

【目的】分析不同生育期及整个生育期小麦叶片氮含量(LNC)与冠层光谱反射特征的关系,以实现对田间小麦活体氮素营养状况的监测,为小麦叶片氮素状况的精确诊断提供依据。【方法】以位于陕西关中地区杨凌揉谷镇、扶风马席村和巨良农场的3个小麦试验田为研究对象,测定不同长势及生育期小麦LNC及冠层光谱反射率,分析不同长势下小麦LNC和反射率的变化,并研究氮含量与冠层光谱反射率的相关性,以及小麦LNC与比值植被指数(RVI)、归一化植被指数(NDVI)的相关性,建立小麦LNC的敏感波段及光谱监测模型。【结果】在同一生育期,长势差的小麦叶片氮含量较低,长势较好的叶片氮含量高。与单波段相比,组合波段构成的植被指数RVI、NDVI与LNC的相关性明显提高,近红外波段(730~1 075nm)和红波段630,660,690nm组成组合波段的RVI、NDVI与LNC呈极显著正相关,其中LNC与RVI的相关性较高。利用独立的小麦田间试验数据,采用通用的均方根差(RMSE)、决定系数(R2)、准确度(斜率)3个指标对所建立的模型进行检验,最终选取RVI(970,690)为监测小麦LNC的最佳光谱参数,构建的最佳模型为LNC=0.176 3×RVI(970,690)0.775 6,R2为0.863,RMSE为0.137,准确度为0.979,接近于1。【结论】利用小麦冠层光谱反射率构建了预测小麦LNC的最佳模型,该模型具有较好的准确度和普适性,适用于整个生育期小麦叶片氮含量的监测。     

基于小波变换的带状套作玉米叶面积指数光谱估测

【目的】为构建带状套作种植下玉米全生育期叶面积指数光谱估测模型。【方法】基于玉米-大豆带状套作种植模式下的大田玉米氮素试验,测定带状套作玉米不同生育时期的冠层光谱反射率及叶面积指数,比较多种植被指数及小波系数与叶面积指数之间的关系,构建并筛选出最佳叶面积指数估测模型。【结果】带状套作玉米叶面积指数随施氮水平增加而增加,且在各生育时期下差异显著;冠层反射光谱曲线的"绿峰"位置(550 nm)及高反射率平台(760～1 000 nm)反射率在不同施氮水平上差异显著。叶面积指数与冠层光谱反射率在波长范围(400～725 nm、742～1 000 nm)内显著相关(P0.05);叶面积指数与植被指数及小波系数相关性均达到极显著水平(P0.01),其中与自由组合比值植被指数RVI(762,747)相关性最好,相关系数为0.900 4。通过估测模型的构建及筛选,构建了基于db3(750,10)下的小波系数作为光谱变量x的带状套作玉米全生育期叶面积指数估测模型y=-5.84x2+8.417 8x+2.231 1(R2=0.85,RMSE=0.49,RE=19.43%)。【结论】不同施氮水平下玉米冠层光谱和叶面积指数存在差异性,利用高光谱遥感技术可以实现带状套作玉米叶面积指数的实时监测。     

基于高光谱遥感的冬小麦叶水势估算模型

【目的】采用高光谱技术,建立快速、无损与准确获取冬小麦叶水势的估算模型,为小麦灌溉的精确管理提供科学依据。【方法】利用不同水分处理的大田试验,于小麦主要生育期同步测定冠层光谱反射率、叶水势、土壤水分等信息,并探讨高光谱植被指数与冬小麦叶水势之间的定量关系。通过相关性分析、回归分析等方法,基于不同水分处理,构建4种植被指数与冬小麦叶水势的估算模型。【结果】不同水分处理和不同生育期的冬小麦,其冠层光谱反射率具有显著的变化特征。在可见光波段,冬小麦冠层反射率随着水分含量的增加而逐渐降低,而在近红外波段,其冠层反射率则随着土壤水分含量的增加而升高。随着小麦生育期的推进,在近红外波段,抽穗期的冠层反射率比拔节期的高,在灌浆期之后,红波段(670 nm)、蓝波段(450 nm)的反射率上升加快;4种植被指数与叶水势显著相关(P0.05),相关系数|r|均在0.711以上,四者均可用于冬小麦叶片水势的定量监测。在充分供水条件下(70%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.75和0.771)均低于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.808和0.896),而在重度水分亏缺条件下(50%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.857和0.853)均高于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.711和0.792);所建模型对45个未知样的预测结果与实测值相似度较高,其回归模型R~2、验证模型MRE、RMSE的范围分别为0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70%FC水分处理下,基于EVI2(enhanced vegetation index)所得叶水势估算模型的R~2最高,为0.922,而在60%FC和50%FC水分处理下,由于考虑了土壤背景的影响,基于OSAVI所建模型的R~2最高,分别为0.922和0.856。【结论】4种植被指数均可用于冬小麦叶水势的定量监测。但是,在构建不同水分处理的叶水势估算模型时,应考虑土壤背景对冠层光谱的影响。研究结果可以为小麦精准灌溉管理提供技术依据,为星载数据的参数反演提供模型支持。     

基于高光谱指数的棉花冠层等效水厚度估算

【目的】建立快速、无损监测棉花冠层等效水厚度(canopy equivalent water thickness,CEWT)的估算模型,进一步提高利用高光谱遥感技术监测棉花CEWT的估算精度。【方法】通过在不同生育期设置灌溉梯度试验,于棉花蕾期和花铃期同步测定冠层光谱反射率、冠层等效水厚度等信息,综合分析棉花冠层等效水厚度与原始光谱反射率、一阶导数光谱反射率、全波段组合光谱指数、已有光谱指数的相关性,确定蕾期、花铃期及全生育期的最优光谱指数,并通过线性回归构建棉花CEWT的高光谱监测模型。【结果】冠层等效水厚度与原始光谱反射率在近红外波段(NIR)780—1 130 nm和短波红外波段(SWIR)1 450—1 830 nm、1 950—2 450 nm附近均出现连续的敏感波段,一阶导数光谱在NIR波段内对CEWT的敏感程度较原始光谱有所加强,但在SWIR波段内敏感程度弱于原始光谱;利用原始光谱反射率构建的光谱指数与CEWT的相关性强于一阶导数光谱,且比值光谱指数(RSI)较归一化差分光谱指数(NDSI)更适合CEWT的监测。在全生育期内(R1135-5R1494)/R2003对CEWT的反演精度最佳(R2=0.7878,RRMSE=0.1803);在蕾期RSIb(1130,1996)对CEWT的估算效果最好(R2=0.7258,RRMSE=0.1444);在花铃期RSIa(904,1952)是估算CEWT的最优光谱指数(R2=0.7853,RRMSE=0.2454)。【结论】该研究在不同生育阶段内提出的新型高光谱指数均可用于棉花冠层等效水厚度的定量监测,研究结果可为高光谱技术在棉花冠层水分含量监测中的应用提供参考,为棉花精准灌溉提供技术依据。     

干旱区基于高光谱的棉花遥感估产研究

【目的】揭示棉花产量与冠层光谱植被指数相关关系,建立棉花高光谱估算模型,促进高光谱技术在棉花长势监测和估产中应用。【方法】结合棉花生长发育规律,对棉花各时期冠层进行高光谱反射率测定,根据光谱曲线特征构建高光谱植被指数,基于棉花盛蕾期至吐絮后期7次地面光谱和产量测定,对光谱反射率与产量进行统计分析。【结果】各生育期可见光波段、近红外波段及短波红外波段光谱反射率与产量间分别达显著负相关、显著正相关与显著负相关水平。根据棉花冠层光谱波形特征,利用植被红边波段560 nm反射峰、670 nm吸收谷、近红外波段890 nm反射峰、980 nm和1 210 nm两个弱水汽吸收谷、短波红外1 650 nm和2 200 nm反射峰,设计归一化差值光谱指数,并与棉花产量进行相关分析,利用上述波段组合定义的归一化差值光谱指数与产量在各生育期均达显著或极显著相关,而VARI_700抗大气植被指数在各生育期均达极显著相关。【结论】以VARI_700抗大气植被指数建立各生育期的产量预报模型,为实现棉花营养生长期长势监测与产量预报提供依据。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

不同灌溉条件下冬小麦冠层含水量的光谱响应

【目的】寻找快速、无损地诊断冠层含水量的方法,对冬小麦长势监测、旱情评估及变量灌溉提供技术支持。【方法】基于田间变量灌溉试验,分析生育期、灌溉量对冬小麦冠层含水量的影响,解析冠层光谱对不同灌溉处理下冠层含水量的响应规律,以冠层等效水厚度（EWTc）为表征指标,基于连续小波变换（CWT）技术,构建冬小麦冠层等效水厚度光谱诊断模型,利用独立样本验证模型精度。【结果】冬小麦冠层等效水厚度在生育后期均随着灌溉量的增多而增加,并随着生育进程的推进而减少;冬小麦冠层光谱反射率随着生育进程的推进而降低,在近红外和中红外波段冠层光谱反射率均表现为1水>0.5水>0水;与原始冠层光谱反射率相比,经连续小波变换后的小波系数与冠层等效水厚度相关性在第1、2、3、5、6、7分解尺度均有不同程度的提高,提高幅度在8.40%—26.20%;以第6尺度2 400 nm、第2尺度1 596 nm和第7尺度2 397 nm构建的冠层等效水厚度光谱诊断模型稳定性和精度较好,验证样本决定系数R ²为0.5411,RMSE为0.0127 cm。【结论】冬小麦冠层含水量随着灌溉时间与灌溉量发生规律性变化,在水分敏感波段范围内呈现明显的光谱响应特征,连续小波变换技术可以有效提高冠层光谱特征参量与冠层等效水厚度的相关性,实现冬小麦冠层含水量光谱诊断,可以为冬小麦田间变量灌溉决策提供技术支持。     

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R²）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R²为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。     

基于SPOT-5影像的冬小麦拔节期生物量及氮积累量监测

【目的】建立基于SPOT-5遥感信息的冬小麦拔节期地上部生物量和氮积累量的遥感监测模型,为利用SPOT-5影像进行大面积小麦生产力预测和氮素调控提供依据。【方法】分析冬小麦拔节期地上部生物量和氮积累量与同期SPOT-5光谱参数之间的定量关系,筛选出适宜的光谱参数,建立并评价冬小麦拔节期地上部生物量和氮积累量的遥感监测模型。【结果】绿光、红光和近红外波段反射率与冬小麦拔节期地上部生物量和氮积累量的相关系数均达到极显著水平。其中,近红外波段反射率对地上部生物量反应最敏感,绿光波段反射率则对地上部氮积累量反应最敏感。利用归一化植被指数（NDVI）为变量建立地上部生物量指数函数遥感监测模型表现最优,决定系数（R2）达到0.696**,均方根误差（RMSE）达到258.92 kg•hm-2。利用近红外和绿光波段反射率的比值为变量建立地上部氮积累量线性函数遥感监测模型表现最优,R2达到0.717**,RMSE达到19.24 kg•hm-2。依据上述模型,制作了研究区冬小麦拔节期地上部生物量和氮积累量遥感监测专题图。【结论】SPOT-5影像在冬小麦拔节期小麦长势监测中能够获得较高精度,具有广泛的应用前景。     

基于高光谱成像估测冬小麦不同生育时期水分状况

【目的】研究实时、快速估测冬小麦不同生育时期水分状况并构建模型,为冬小麦水分精准管理提供科学依据。【方法】以新疆典型滴灌冬小麦为研究对象,应用高光谱成像技术获取冬小麦冠层光谱信息,并对原始光谱反射率进行平滑和数据变换,利用一元线性回归(Simple linear regression,SLR)、主成分回归(Principal components regression,PCR)和偏最小二乘回归(Partial least squares regression,PLSR)3种建模方法,对冬小麦冠层原始光谱及变换光谱分别构建植株水分含量估测模型。【结果】冬小麦冠层原始光谱反射率与植株水分含量相关性不高,对原始光谱反射率进行数据变换可以显著增强与水分含量的相关性和相关波段数,其中倒数一阶微分变换与冬小麦植株水分含量的相关系数最大,为-0.893 0,但不同变换最优相关系数所对应的波段位置并不固定。PLSR方法的模型精度最高,对数变换的PLSR模型估测精度最高,模型$R_{p}^{2}$、RMSE_p、RPD值分别为0.880 8、3.251 2%、2.934 3;冬小麦不同生育时期估测模型精度存在差异,拔节期、抽穗期估测模型精度较低,灌浆中期最高,其估测模型$R_{p}^{2}$、RMSE_p、RPD值分别为0.904 8、1.381 1%、3.454 7。【结论】利用高光谱成像技术对估测冬小麦植株水分含量是可行的,在灌浆中期的估测效果最佳。     

Canopy Equivalent Water Thickness Estimation of Cotton Based on Hyperspectral Index

【Objective】 The objective of the experiments is to develop a key method for fast and nondestructive monitoring canopy equivalent water thickness (CEWT) in cotton (Lumian 54) and to further improve the estimation accuracy of CEWT in cotton monitored by remote sensing technology. 【Method】 Through setting irrigation gradient treatment in different growth period, canopy spectral reflectance and canopy equivalent water thickness and other information were measured simultaneously. Firstly, we comprehensively analyzed the correlation between CEWT and various spectral parameters, including original spectral reflectance, first derivative spectral reflectance, all-band combined spectral index and existing spectral index. Then, we determined the optimal spectral indices of bud stage, flowering and bolls stage, and full growth period. Finally, we constructed a hyperspectral monitoring model of cotton CEWT by linear regression. 【Result】 The canopy equivalent water thickness and the original spectral reflectance show continuous sensitive bands in the near infrared band (NIR) of 780-1130 nm and the short wave infrared band (SWIR) of 1 450-1 830 nm and 1 950-2 450 nm, the sensitivity of the first derivative spectrum to CEWT was enhanced in NIR band than that of the original spectrum, but was weaker in SWIR band than that of the original spectrum. The correlation between the spectral index constructed by the original spectral reflectance and CEWT is stronger than that of the first derivative spectrum, and the ratio spectral index (RSI) is more suitable for the monitoring of CEWT than the normalized difference spectral index (NDSI). During the whole growth period, the inversion accuracy of CEWT by (R₁₁₃₅-5R₁₄₉₄)/R₂₀₀₃ was the best (R ²=0.7878, RRMSE=0.1803). In the bud stage, RSI_b(1130,1996) has the best estimation effect on CEWT (R ²=0.7258, RRMSE=0.1444). RSI_a (904,1952) was the optimal spectral index (R ²=0.7853, RRMSE=0.2454) for estimating CEWT at the flowering and bolls stage.【Conclusion】The new hyperspectral indexes proposed in this study in different growth stages can be used for quantitative monitoring of canopy equivalent water thickness in cotton. The results of this study can provide reference for the application of hyperspectral technology in monitoring water content of cotton canopy, and provide technical basis for precision irrigation of cotton.     

基于导数光谱的小麦冠层叶片含水量反演

【目的】以高光谱技术实现小麦含水量信息的快速、无损与准确获取,为小麦灌溉的精确管理提供科学依据。【方法】利用水氮胁迫试验条件下小麦主要生长期的导数光谱构建了16种新指数,将其与NDII、WBI以及NDWI等常用指数进行比较分析,筛选小麦叶片含水量反演最佳光谱指数,并利用其建立反演模型进行小麦含水量的遥感填图。【结果】在各指数中,FD730-955对小麦冠层叶片含水量的估测结果最佳,其估测模型（对数形式）校正决定系数（C-R2）与检验决定系数（V-R2）分别达0.749与0.742,优于NDII等常用指数;FD730-955所建模型对32个未知样的预测结果与实测值相似度较高,其回归拟合模型R2达0.763,RMSE仅为0.024,取得了良好预测结果,且对叶片含水量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对含水量估测的影响;反演模型对OMIS影像的填图结果与地面实测值拟合模型R2达0.647,RMSE仅为0.027,具有较高的反演精度。【结论】导数光谱可实现小麦冠层叶片含水量信息的准确估测,其中FD730-955系反演的优选指数。     

基于高光谱的苹果盛果期冠层叶绿素含量监测研究

【目的】建立苹果冠层叶绿素含量及冠层光谱特征参量间的定量关系模型,以促进高光谱技术在苹果树精准施肥以及快速、无损长势监测中的应用。【方法】以蒙阴县果园的苹果树为试验材料,连续2年分别测定了苹果冠层光谱反射率和冠层叶绿素（Chl(a+b)）含量,分析了冠层叶绿素含量与光谱反射率之间的相关关系,并计算了400—1 000 nm任意两波段组合而成的RVI、DVI、NDVI和RDVI,分析了它们与冠层叶绿素含量的关系,以逐步回归分析做比较,建立了苹果冠层叶绿素含量监测模型。【结果】结果表明,以单变量估算叶绿素含量的最佳光谱指数为NDVI(975,742),相关系数为0.5093。利用多元逐步回归建立的苹果冠层叶绿素含量最佳监测模型为Y=-0.56(log1/R)771-0.48(log1/R)1978 +0.20(log1/R)2407 -0.10(log1/R)2440+4.749。【结论】用多元逐步回归方法建立的模型来监测苹果冠层叶绿素含量效果较好,为利用高光谱技术监测苹果生长状况提供了理论依据。