基于无人机多光谱遥感的大豆生长参数和产量估算

为适应现代农业发展对作物生长动态、连续、快速监测的要求，本文基于无人机多光谱遥感技术，以西北地区大豆作为研究对象，分别筛选出与大豆叶面积指数(Leaf area index, LAI)、地上部生物量和产量相关性较好的5个植被指数，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型，并对模型进行了验证。结果表明，基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型，LAI估计模型验证集的R²为0.801,RMSE为0.675 m²/m²,MRE为18.684%;地上部生物量估算模型验证集的R²为0.745,RMSE为1 548.140 kg/hm²,MRE为18.770。而在产量的估算模型构建中，在大豆开花期(R4)基于RF模型构建的大豆产量预...     

基于无人机-卫星遥感升尺度的土壤水分监测模型研究

土壤水分是研究土壤-植物-大气循环系统中能量与物质交换的关键,通过尺度转换方法将无人机遥感数据上推以修正卫星数据,可有效改善卫星遥感反演模型精度。本文以河套灌区为研究对象,分别采用重采样和TsHARP升尺度法,引入多元线性回归(MLR)、BP神经网络(BPNN)和支持向量机(SVM)算法构建不同土壤深度下无人机-卫星升尺度土壤含水率反演模型。研究结果表明：重采样升尺度法在不同土壤深度下模型整体精度由高到低依次为SVM、MLR、BPNN,其中在土壤深度0～60 cm下采用SVM模型最优,R²达到0.571,RMSE为0.022%;TsHARP升尺度法在不同土壤深度下模型整体精度由高到低依次为BPNN、SVM、MLR,其中在土壤深度0～60 cm下采用BPNN模型最优,R²达到0.829,RMSE为0.015%。与升尺度修正前对应土壤深度模型对比,两种升尺度方法均能明显提高卫星遥感对土壤含水率的反演精度,但TsHARP升尺度法整体优于重采样法;重采样法的R²由0.413提升至0.571,RMSE由0.026%降至0.022%...     

无人机多光谱数据可靠性分析与冬小麦产量估算研究

无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R²)、均方根误差(RMSE)分别为0.69、428.91 kg/hm²,验证...     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R²分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R²为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

基于无人机数码影像的棉叶螨严重度监测

棉叶螨是影响棉花产量和品质的主要虫害之一。为快速、准确、有效地监测棉叶螨发生情况，利用无人机搭载数码相机获取数码影像，并计算多种可见光植被指数作为初选特征因子，然后采用ReliefF-Pearson特征降维方法选取最佳建模特征，分别构建偏最小二乘回归(PLSR)、BP神经网络(BPNN)、随机森林(RF)的棉花冠层叶片叶绿素相对含量(SPAD)值遥感估测模型和棉叶螨严重度遥感估测模型。结果表明，棉叶螨严重度与棉花冠层叶片SPAD值呈显著负相关关系。经过精度评价，确定RF模型具有最佳性能，模型验证的决定系数和均方根误差为0.74、2.13。该研究结果表明利用棉花冠层叶片SPAD值遥感估测模型可准确估测棉叶螨为害情况，为棉叶螨的无损监测和病虫害防治提供参考依据。     

基于无人机遥感的大豆株高计算方法研究

针对目前田间大豆株高测量采用作物标尺准确度不够或人工测量费时费力的问题，基于50个试验小区、10个标准株高不同的大豆品种，以无人机(UAV)低空遥感平台获取大豆田间影像及数字表面模型，同时测定地面大豆实际冠层高度；利用克里金插值算法获取地面高程值(DEM),通过计算提取大豆株高信息，并验证此方法的精度和提取误差。研究表明：利用无人机遥感正射影像、数字表面模型和克里金插值算法生成的DEM模型符合试验田的地势情况，提取的大豆株高范围为0～1.13627m,所建立的株高提取模型R²=0.8163,计算得到的大豆实际株高与提取株高平均误差为3.79%。此方法可较为精确地计算大豆的植株高度，能够为大豆田间管理和高产株型选育过程中株高性状数据获取提供参考。     

基于无人机多时相植被指数的冬小麦产量估测

通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测。结果表明,随着冬小麦的生长,多个植被指数与产量的相关性不断增强,灌浆末期相关系数达到0.7,植被指数与产量的线性回归决定系数也达到最大。多时相植被指数反映了冬小麦生长的变化特征,进一步提高了冬小麦产量估测精度,采用开花期和灌浆初期的多时相植被指数进行估产比采用单个生育期的植被指数估测产量的精度高,采用偏最小二乘回归模型的估测精度R²提高约0.021,支持向量机回归模型R²提高约0.015,随机森林回归模型R²提高约0.051。采用灌浆末期的多时相植被指数,3种模型均有较高的估测精度,偏最小二乘回归模型估测精度最高时的R²、RMSE分别为0.459、1 822.746 kg/hm²,支持向量机回归模型估测精度最高时的R²、RMSE分别为0.540、1 676.520 kg/hm²,随机森林回归模型估测精度最高时的R²、RMSE分别为0.560、1 633.896 kg/hm²,本文数据集训练的随机森林回归模型估测精度最高,且稳定性更好。     

基于多时相多参数融合的麦玉轮作小麦产量估算方法

为了进一步提高冬小麦产量预测的准确性,针对麦玉轮作体系缺乏直接把前茬作物信息纳入到当季作物的产量估算及管理中的研究状况,利用前茬玉米季中长势遥感信息及产量信息,融合小麦拔节期、灌浆期及成熟期长势遥感信息、播前施肥信息及土壤特性信息等多时相多模态数据,基于GPR算法,建立多时相多模态参数融合的麦玉轮作体系小麦产量估算模型,结果显示：基于多生育期的产量估算模型较单生育期最优产量估算模型性能有所提升,R²提高0.01～0.03。其中基于拔节期产量估算模型精度略低于多生育期产量估算模型,但精度相近。基于多模态参数融合的产量估算模型中,除玉米作物信息与土壤特性信息融合构建的产量估算模型,多模态参数融合的产量估算模型精度较相应低模态参数融合的产量估算模型精度高。四模态参数融合的GPR模型决定系数R²为0.92,RMSE为213.75 kg/hm²,较其他模型,R²提高0.02～0.41。对于小麦产量估算模型,各模态参数影响由大到小依次为施肥信息、小麦遥感信息、土壤特性信息、玉米作物信息。玉米作物信息对于多模态参...     

基于无人机多光谱遥感的矮林芳樟叶片精油产量反演

芳樟(Cinnamomum camphora(Linn.)Presl)精油在林业经济发展中具有巨大市场潜力,多光谱遥感产量预测是高效反演芳樟精油产量的新方式。本研究以矮林芳樟收获期精油产量为研究对象,利用无人机多光谱遥感技术,筛选敏感植被指数作为输入变量,以地面同步观测的精油产量作为输出变量,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向传播神经网络(Back propagation neural network, BPNN)3种机器学习方法构建矮林芳樟精油产量预测模型。结果表明,修改型土壤调节植被指数(MSAVI)、优化土壤调节植被指数(OSAVI)、重归一化植被指数(RDVI)、土壤调整植被指数(SAVI)和非线性植被指数(NLI)对矮林芳樟精油产量呈现较高敏感性,其相关系数R分别为0.765 1、0.813 1、0.771 1、0.779 4、0.818 3。SVM、RF、BPNN 3种机器学习方法构建的矮林芳樟精油产量预测模型训练集的决定系数R²分别为0.723、0.853、0...     

基于电磁感应数据的电导率反演模型研究

【目的】土壤盐渍化是限制新疆南部棉花高产的主要因子,准确获取区域尺度土壤剖面盐分信息。【方法】以南疆阿拉尔垦区为研究区,以田间尺度采集的30个不同盐渍化程度棉田的540个样点的0~0.375、0~0.750、0~1.000 m的土壤剖面电导率数据和对应的电磁感应数据为数据源,采用线性模型和非线性模型分别构建了田间尺度和区域尺度的土壤剖面电导率的电磁感应反演模型,并采用缩减建模样本量方法进一步检验了区域尺度模型的可靠性和稳定性。【结果】多元线性回归(MLR)、偏最小二乘回归(PLSR)和主成分回归(PCR)建模方法的田间尺度模型R²在0.88~0.95,而对应的区域尺度模型R²在0.34~0.53。基于随机森林(RF)、神经网络(NN)和支持向量机(SVM)非线性建模方法构建的土壤剖面电导率的区域尺度电磁感应反演模型R²在0.60~0.85,其中RF模型的精度最高。0~0.375、0~0.750、0~1.000 m土壤剖面电导率的RF反演模型R²分别为0.80、0.85和0.84,相较于线性建模方法的区域尺度模型精度有明显的提高。RF区域尺度模型的样本数量由540个缩减到240个,模型精度没有明显变化,表明采用区域尺度模型,可大幅度降低土壤剖面样本采集数量,从而可显著提高采样效率和降低采样成本。【结论】区域尺度下构建土壤剖面电导率反演模型时,随机森林建模方法效果较优,模型预测能力具有较高的可靠性。     

基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量（PNC）信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高（H）和地面控制点（GCP）的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像（DOM）和数字表面模型（DSM）,并从中提取冠层光谱特征和株高(H_dsm)。然后将各生育期提取的H_dsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和H_dsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合H_dsm利用多元线性回归（MLR）、误差反向传播（BP）神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的H_dsm与实测H具有较高的拟合度（R²为0.860,RMSE为2.663 cm, NRMSE为10.234%）;各生育期加入H_d...     

西北地区冬小麦腾发量估算模型适用性评价

为实现对西北地区冬小麦腾发量(ET)的准确估算,在对不同生育期ET的影响因子进行分析后分别采用双作物系数模型、单作物系数模型和Priestley-Taylor(PT)模型模拟ET,并以大型蒸渗仪实测ET为标准值对比其精度.结果表明:气象因子是播种-返青(Ⅰ期)和抽穗-乳熟(Ⅲ期)ET的主导因子,作物因子是乳熟-收获(Ⅳ期)ET的主导因子,2种因子对返青-抽穗(Ⅱ期)和全生育期ET的驱动作用相近;Ⅰ期双作物系数模型、单作物系数模型和PT模型的R²分别为0.511 8,0.239 3,0.374 2,RMSE变化范围为0.284 6~0.366 3 mm/d,总体评价指标GPI排名分别为1,3,2;Ⅱ期3个模型的R²均在0.700 0 以上,RMSE为0.540 9~0.844 0 mm/d,双作物系数模型模拟效果最好;Ⅲ期各模型的R²均高于0.600 0,RMSE为0.828 8~1.258 7 mm/d,双作物系数模型GPI排名第1;Ⅳ期3个模型的R²分别为0.799 1,0.671 6,0.270 8,RMSE为0.968 1~1.946 2 mm/d,作物系数模型模拟精度明显高于PT模型;全生育期各模型RMSE为0.551 5~0.893 6 mm/d,双作物系数模型的R²达到0.902 2.     

基于无人机多光谱影像的夏玉米SPAD估算模型研究

快速获取作物叶片叶绿素含量对及时诊断作物健康状况、指导田间管理具有重要意义。本研究以关中地区2020年夏玉米为研究对象,获取试验区无人机多光谱影像,提取植被指数,分析所选植被指数与SPAD的相关性,筛选得到模型的输入变量,利用偏最小二乘法（PLS）、随机森林回归（RF）和分层线性模型（HLM）分别构建拔节期、抽雄期、灌浆期以及全生育期的SPAD估算模型,最终选出最优估算模型,以期为快速获取夏玉米SPAD提供参考。研究发现：除NRI之外,NDVI、OSAVI、GNDVI、RVI、MCARI、MSR、CIre与SPAD均显著相关,其中,OSAVI、NDVI与SPAD呈现出较强且稳定的相关性;各个生育期的最优模型均是RF模型,在拔节期、抽雄期、灌浆期和全生育期,验证集R2分别为0.81、0.81、0.73、0.61,RMSE分别为1.24、2.32、3.13、3.20;对于SPAD估算模型,将降雨量、最高气温这两个气象因子与植被指数耦合的HLM模型可以一定程度提升线性模型的估算精度,但其精度低于RF模型。因此,基于无人机多光谱影像的RF模型可以实现夏玉米SPAD的快速准确估算。     

土壤有机质含量高光谱估测模型构建及精度对比

土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测，本研究以山东省烟台市栖霞市苹果园为研究区，采集100个土壤样本，利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率，利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理，分析果园土壤的反射光谱特征，研究光谱反射率与其有机质含量的相关关系，筛选土壤有机质含量的敏感波长并构建光谱指数后，分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型，并对模型精度进行验证比较。结果表明，筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数，最终构建的光谱指数分别为NDSI_{（678，709）}、NDSI_{（678，1931）}、NDSI_{（678，2201）}、NDSI_{（709，1939）}和NDSI_{（1939，2201）}。建立的MLR、SVM和RF回归模型中，以RF模型精度最优，其校正样本集R²为0.8804，RMSE为0.1423，RPD达到2.25；验证模型的R²为0.7466，RMSE为0.1266，RPD为1.79，建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此，可以利用RF方法快速预测苹果果园土壤有机质含量，了解土壤养分分布状况，指导农民合理施肥，从而提高果园生产管理效率。     

基于作物水分胁迫指数的表层土壤含水率遥感估算

【目的】探究作物水分胁迫指数(CWSI)与表层土壤含水率的空间分布特征,并分析不同下垫面(葵花、夏玉米、春小麦和甜椒)表层土壤含水率的遥感估算精度。【方法】利用MOD16A2遥感数据和气象数据,结合Penman-Monteith(P-M)模型,基于CWSI反演河套灌区解放闸灌域表层土壤含水率,并对不同下垫面的表层土壤含水率进行验证。【结果】CWSI的空间分布与表层土壤含水率相反,CWSI大的区域,表层土壤含水率小;春小麦下垫面遥感估算的表层土壤含水率效果较好,决定系数(R²)为0.748,其次为葵花,R²为0.357;灌溉次数较多的夏玉米和甜椒的表层土壤含水率估算精度较差,可见基于CWSI的表层土壤含水率遥感估算方法对土壤干旱较为敏感。【结论】基于CWSI的表层土壤含水率遥感估算方法更适用于灌水较少且耐旱作物下垫面的表层土壤含水率估算。     

卫星遥感估产技术在大豆区域收入保险中的应用

本研究针对中国近年来重点发展的创新型区域收入保险缺少第三方实时客观产量数据的问题，引入了卫星遥感估产技术，探讨其应用模式和适用性。以山东省嘉祥县大豆区域收入保险为例，基于哨兵2号卫星遥感数据提取大豆种植地块，计算归一化植被指数（NDVI）和作物生理参数，结合气象卫星遥感数据与实地抽样测产数据，建立了多参数线性回归模型估算大豆产量。研究结果显示，卫星遥感获取的研究区大豆种植面积为124 km²，与当地农业局上报的127 km²相差3 km²；采用实测地块验证，种植分布地块遥感识别精度达90%；产量估算结果显示，2018年8月23日大豆结荚期的NDVI和9月7日大豆鼓粒期的NDVI对大豆单产的解释度最佳，多参数回归模型计算全区平均产量为244,500 kg/km²，与常年299,800 kg/km²相比，体现了受灾严重的农情；产量估算数据与实测数据之间的回归系数达0.92，可满足应用需求。结果表明，基于哨兵2号卫星遥感数据能够准确识别研究区大豆种植分布，并能在大豆收获后最快一周完成产量估算，指导保险公司的理赔工作。     

基于XGBoost-Shapley的玉米不同生育期LAI遥感估算

针对当前快速准确获取叶面积指数（Leaf area index, LAI）时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归（SVR）、多层感知机（MLP）、随机森林（RF）和极限梯度提升树（XGBoost）算法构建组合估算模型。结果表明：采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型。相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳（R²为0.97,RMSE为0.021,RPD为6.9）。将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势。本研究为大田玉米长势遥感监测提供...     

基于无人机多光谱影像的柑橘冠层叶绿素含量反演

叶绿素是一种反映植物生长水平和健康状况的重要生理生化指标,为快速、无损地大规模获取柑橘冠层的叶绿素含量以精确指导果园管理,利用多旋翼无人机搭载多光谱传感器获取多波段反射率数据,使用多光谱阴影指数对冠层阴影和土壤背景进行剔除,计算得到植被指数与纹理特征,将地面实测的叶绿素含量作为验证,综合对比了全子集回归、偏最小二乘回归和深层神经网络的反演精度以选取最优模型。结果表明,植被指数与叶绿素含量的相关性良好;将仅使用植被指数与仅使用纹理特征的建模结果进行对比,仅使用纹理特征的模型在全子集回归和偏最小二乘回归的反演精度均有明显提升;结合植被指数与纹理特征共同建模后,全子集回归和偏最小二乘回归的反演精度相比仅使用纹理特征的模型均能获得提升;深层神经网络因其良好的非线性拟合能力,获得了最高的反演精度,R²、MAE、RMSE分别为0.665、7.69 mg/m²、9.49 mg/m²,成为本文最优模型。本研究利用无人机多光谱影像反演得到柑橘冠层叶绿素含量,为实现柑橘生长监测提供指导作用。     

基于无人机多光谱的耐旱苎麻品种筛选方法

高温干旱是影响作物生长及最终生产力的主要胁迫源。当前,无人机遥感技术已在作物倒伏和病虫害的分级监测研究中取得重大进展,但有关利用无人机遥感进行作物抗旱等级监测的研究却鲜有报道。因此,以苎麻种质资源为研究对象,提出了苎麻抗旱性量化标准,并提供了一种利用无人机多光谱遥感鉴定苎麻种质资源抗旱性的方法。首先,由专家对36份苎麻种质资源进行抗旱性分级;然后,结合无人机多光谱遥感获取的植被指数,采用随机森林(Random forest, RF)、支持向量机(Support vector machine, SVM)、决策树(Decision tree, DT)3种机器学习方法分别构建苎麻抗旱性鉴定模型,并通过苎麻在高温干旱胁迫下的表型响应检验鉴定结果;最后,基于无人机获取的遥感表型,筛选高温干旱胁迫下优质苎麻种质资源。结果表明,利用SVM构建的苎麻抗旱性鉴定模型正确率达到0.74,不同抗旱级分类F1得分范围为0.69～0.79,说明该方法能用于苎麻种质资源抗旱性评估。利用无人机遥感数据反演得到的3项苎麻表型性状(叶绿素相对含量、叶面积指数、株高)均与人工测量值具有较强的相关性,在此基础上,研究从高温...     

基于机器学习算法模拟不同土壤深度含水率

准确模拟土壤水分(SM)对农田精准灌溉、优化区域水资源配置和提高农业水资源利用效率具有重要意义。采用逐日气象和土壤含水量数据，探究随机森林(RF)和支持向量机(SVM)模拟不同深度(4 cm、10cm和20 cm)土壤含水量的适用性，采用太阳辐射(R_s)、空气温度(T)、降水量(P)、风速(U₂)、空气湿度(RH)和土壤温度(ST)数据的4种输入组合，探讨不同输入变量对SM模拟的影响。结果表明：RF模型在4种输入组合下模拟不同深度土壤含水量精度最高，SVM模型模拟精度较低，R²范围分别为0.871～0.914和0.710～0.814,RMSE范围分别为0.050～0.069 cm³/cm³和0.080～0.098 cm³/cm³,MAE范围分别为0.030～0.051 cm³/cm³和0.060～0.077cm³/cm³。考虑模型精度和数据易获取性...