基于无人机高光谱长势指标的冬小麦长势监测

为快速准确监测作物长势,以冬小麦为研究对象,获取了不同生育期的无人机高光谱影像。利用无人机高光谱数据构建光谱指数,并分析4个生育期的指数与生物量、叶面积指数以及由生物量和叶面积2个生理参数构建的长势监测指标(Growth monitoring indicator,GMI)的相关性;建立与GMI相关性较强的4个光谱指数的单指数回归模型,利用多元线性回归、偏最小二乘和随机森林3种机器学习方法分别建立冬小麦各生育期的GMI反演模型;将最佳模型应用于无人机高光谱影像,得到冬小麦长势监测图。结果表明:各生育期光谱指数与冬小麦GMI相关性较高,大部分指数都达到了显著水平,其中NDVI、SR、MSR和NDVI×SR与GMI的相关性高于生物量、叶面积指数与GMI的相关性;拔节期、挑旗期、开花期、灌浆期、全生育期,表现最好的回归模型对应光谱指数分别是NDVI×SR、NDVI、SR、NDVI和NDVI×SR;对比3种方法构建的GMI反演模型,开花期模型MLR-GMI效果最佳,此时期的模型建模R~2、RMSE和NRMSE分别是0. 716 4、0. 096 3、15. 90%。     

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。     

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。     

基于小波变换和分数阶微分的冬小麦叶绿素含量估算

叶绿素含量变化直接表征冬小麦的光合作用能力,所以监测冬小麦叶绿素含量对分析冬小麦光合能力和生长状况具有重要意义。基于地面冬小麦冠层高光谱和实测叶绿素含量,分别利用原始光谱、分数阶微分光谱、原始光谱经连续小波变换后得到的小波能量系数与实测叶绿素含量进行相关性分析,选取相关性较好的分数阶微分光谱和小波能量系数,采用逐步回归分析、支持向量机、人工神经网络等方法构建冬小麦叶绿素含量估算模型。结果表明,在拔节期、孕穗期、开花期和全生育期,使用连续小波变换-人工神经网络建模结果最优,拔节期建模和验证决定系数分别为0.93和0.90,孕穗期建模和验证决定系数分别为0.93和0.90,开花期建模和验证决定系数分别为0.93和0.90,全生育期建模和验证决定系数分别为0.86和0.85;在灌浆期,使用分数阶微分-人工神经网络建模结果最优,灌浆期建模和验证决定系数分别为0.97和0.90。本研究可为作物叶绿素含量遥感估算提供技术方案。     

基于环境星CCD图像的甘蔗叶面积指数反演方法

及时准确获取甘蔗叶面积指数对于甘蔗长势监测和产量预测具有重要意义。尝试通过构建组合核函数,利用支持向量回归方法建立甘蔗LAI估算模型,并利用新型国产卫星数据环境星CCD图像和准同步的地面观测数据,分别采用指数关系模型、对数关系模型、支持向量回归模型3种方法,以广西甘蔗主产县为例,开展了环境星遥感图像在甘蔗叶面积指数反演试验。结果表明,3种方法都可以对甘蔗LAI进行有效预测,且能获得较好的预测效果,验证了环境星CCD图像在甘蔗LAI反演中的实用性,其中支持向量回归模型反演精度最高：5月份决定性系数R2分别比     

基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算

以陕西省关中地区冬小麦不同生育期冠层高光谱反射率为数据源,模拟国产高分辨率卫星高分一号(GF-1)的光谱反射率,提取18种对叶绿素敏感的宽波段光谱指数,构建了基于遥感光谱指数的冬小麦叶片叶绿素相对含量(SPAD)遥感监测模型,并利用返青期的GF-1卫星数据对研究区的冬小麦叶片SPAD值进行了估算和验证。结果表明:返青期、孕穗期和全生育期SPAD值均与TGI指数相关性最高,相关系数分别为-0.742、-0.740和-0.483。拔节期和灌浆期SPAD值分别与SIPI指数和GNDVI指数相关性最高,相关系数分别为0.788和0.745。GNDVI、GRVI和TGI植被指数在各个生育期都和冬小麦叶片SPAD含量在0.01水平下呈显著相关。基于此3类植被指数构建的冬小麦叶片SPAD值回归模型精度较高,其中基于随机森林回归算法的估算模型效果最优,各类模型均在冬小麦拔节期的预测效果最佳。GF-1号卫星数据结合SPAD-RFR模型对研究区冬小麦叶片SPAD的估算结果最为理想,可用于大面积空间尺度的冬小麦叶片SPAD值遥感监测。     

基于纹理-颜色特征与植被指数融合的冬小麦LAI估测

准确、快速、无损估测叶面积指数(LAI)对于冬小麦生产管理具有重要意义。利用无人机搭载Prime ALTUM多光谱相机获取冬小麦拔节期、孕穗期、抽穗期、灌浆期多光谱图像,利用LAI-2200C型植物冠层分析仪获取地面LAI数据。通过Pearson相关性分析筛选出25个植被指数,并提取植被指数影像中8种纹理特征：对比度(CON)、熵(ENT)、方差(VAR)、均值(MEA)、协同性(HOM)、相异性(DIS)、二阶矩(SEM)和相关性(COR),以及3种颜色特征：一阶矩(M)、二阶矩(V)和三阶矩(S),再分别利用多元逐步回归模型(MSR)、支持向量回归模型(SVR)和高斯过程回归模型(GPR)构建冬小麦LAI估测模型。结果表明：相对于考虑单一类型变量,考虑结合纹理特征和颜色特征进行估测时模型精度更高;3类模型中,GPR模型估测冬小麦LAI的精度最高;所有模型中,基于纹理-颜色特征与植被指数融合的GPR模型估测冬小麦LAI精度最高(决定系数R²为0.94,均方根误差(RMSE)为0.17 m²/m²,平均绝对误差(MAE)...     

基于高光谱和连续投影算法的棉花叶面积指数估测

为实现快速、无损、实时监测不同灌溉处理下棉花植株叶面积指数,借助高光谱遥感技术获取了棉花植株4个生育期的冠层反射率,同时获取每株棉花的叶面积指数,用一阶导数、二阶导数、标准正态变换,多元散射校正、小波分析等光谱预处理方法,经过连续投影算法提取特征波段,用偏最小二乘法建立4个生育期（总体）和各生育期的高光谱估算模型。对比6种预处理方法在4个生育期和各生育期建模精度表明,4个生育期（总体）、蕾期、花期、花铃期的小波分解尺度为4、2、8、2,模型分别为CWT-SPA-PLS、CWT-FD-SPA-PLS、CWT-SPA-PLS、CWT-FD-SPA-PLS时可取得较好的精度;经二阶导数处理后,铃期可取得较好的结果,R2和RPD分别0.973、5.3295,优于其他预处理。试验结果表明,利用预处理方法尤其是小波分析方法得到的光谱信息可有效估测棉花4个生育期（总体）和各生育期的叶面积指数。     

基于无人机高光谱影像的马铃薯株高和地上生物量估算

为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量（AGB）和地面控制点（GCP）的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型（DSM）,利用DSM提取马铃薯的株高Hdsm ;然后,对马铃薯AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归（Exponential regression,ER）构建单变量模型;最后,采用多元线性回归（Multiple linear regression, MLR）、偏最小二乘回归（Partial least square regression, PLSR）和随机森林（Random forest, RF）3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明：将提取的马铃薯株高与实测值进行线性拟合,R 2 为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、Hdsm 、H,块茎增长期以CIrededge指数估测精度最高（R 2 =0.45）;在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入Hdsm 的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和Hdsm 为变量的AGB模型（R 2 为0.64、0.70、0.79、0.68、0.63）效果优于PLSR（R 2 为0.62、0.68、0.75、0.67、0.60）和RF（R 2 为0.56、0.61、0.67、0.63、0.53）模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入Hdsm 的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。     

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...     

基于无人机遥感植被指数优选的覆膜冬小麦估产研究

为进一步提高无人机遥感估产的精度,本研究以2021—2022年的覆膜冬小麦为研究对象,对返青期、拔节期、抽穗期和灌浆期的多光谱影像进行覆膜背景剔除,并优选最佳遥感窗口期,基于最优植被指数构建覆膜冬小麦估产模型。结果表明,利用支持向量机监督分类法剔除覆膜背景后冠层反射率更接近真实值,抽穗期和灌浆期的估产精度更高。将不同生育期的植被指数与产量进行相关性分析发现,最佳遥感窗口期为抽穗期。基于逐步回归和全子集回归法优选最优植被指数时发现,基于逐步回归法筛选变量为MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG时产量反演模型精度最高。此外,利用偏最小二乘法、人工神经网络和随机森林3种机器学习法构建的产量反演模型中,基于逐步回归法的随机森林模型的反演精度最高,R2为0.82,RMSE为0.84t/hm2。该研究可为提高遥感估产精度、实现农业生产精细化管理提供技术支持。     

融合多源时空数据的冬小麦产量预测模型研究

为提高大尺度冬小麦产量预测精度,以2005—2019年河南省遥感数据、气象数据、土壤含水率等多源时空数据为特征变量,分析其与小麦单产的相关性,并基于随机森林算法对特征变量进行了重要性分析,构建了融合多源时空数据的冬小麦产量预测模型。结果表明:增强型植被指数（Enhanced vegetation index, EVI）、日光诱导叶绿素荧光（Solar-induced chlorophyll fluorescence, SIF）与高程为小麦产量预测的重要因子,与小麦产量呈高度正相关,对小麦产量预测的重要性指标均超过0.45,远大于土壤含水率、降水量、最高温度、最低温度等因子;基于随机森林算法构建的小麦不同生长阶段产量预测模型中,以10月—次年5月和10月—次年4月为特征变量的产量预测模型精度较高,R²分别为0.85和0.84,RMSE分别为821.55、832.01 kg/hm²,在空间尺度上,豫西和豫南丘陵山地模型预测相对误差高于平原地区。该研究结果可为大尺度作物产量预测提供参考。     

基于粒子滤波和多变量权重的冬小麦估产研究

为了构建能够反映作物长势的综合性指标以及准确估测作物产量,采用粒子滤波算法同化CERES-Wheat模型模拟和基于Landsat数据反演的叶面积指数(Leaf area index,LAI)、地上生物量和0~20 cm土壤含水率,获取冬小麦主要生育期以天为尺度的变量同化值,分析不同生育时期的LAI、地上生物量和土壤含水率同化值与实测单产的相关性,并应用熵值的组合预测方法确定不同状态变量影响籽粒产量的权重,进而生成综合性指数,并分析其与实测单产的相关性。结果表明,LAI、地上生物量和土壤含水率同化值和田间实测值间的均方根误差(Root mean square error,RMSE)以及平均相对误差(Mean relative error,MRE)均低于这些变量模拟值和实测值间的RMSE和MRE,说明数据同化方法提高了时间序列LAI、地上生物量和土壤含水率的模拟精度。基于不同状态变量的权重生成的综合性指数与实测单产间的相关性大于单个变量与实测单产间的相关性;基于综合性指数构建小麦单产估测模型,其估产精度(R2=0.78,RMSE为330 kg/hm2)分别比基于LAI、地上生物量和土壤含水率建立模型的估产精度显著提高,表明构建的综合性指数充分结合了不同变量在作物估产方面的优势,可用于高精度的冬小麦单产估测。     

基于小波技术的冬小麦植株组分含水率估测模型

为研究光谱对冬小麦植株组分含水率的估测能力,分析小波技术对光谱信息的分离规律,以冬小麦冠层光谱数据与相应的冬小麦植株叶片、茎秆、麦穗含水率的测定值为数据源,先采用小波技术分离冬小麦冠层光谱信息,再将分离的光谱信息与冬小麦各植株组分的含水率进行相关性分析,并提取敏感波段;最后利用偏最小二乘算法构建冬小麦植株组分含水率的估测模型,并进行了验证与评价。研究表明:经小波技术分解后,冬小麦冠层光谱内的吸收特征逐分解水平分离至高频信息内,且各分解水平所代表的吸收特征按强度依次分布于高频信息的分解水平H1～H10内;冬小麦麦穗含水率估测模型的精度与稳定性较强,茎秆次之,叶片稳定性最差,说明扬花期后的冬小麦水分供给已不再适合只采用叶片含水率进行评定,应增加或替换检测指标。     

冬小麦SPAD值无人机可见光和多光谱植被指数结合估算

SPAD（Soil and plant analyzer development）值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数（IKAW和RBRI）、多光谱植被指数（GNDVI、CI、GMSR和GOSAVI）具有较好的相关性,与可见光植被指数（CIVE）和多光谱植被指数（GNDVI）的相结合指数具有较好的相关性,其估算模型的R2为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R2为0.91,模型验证R2、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R2为0.90,模型验证R2、RMSE和nRMSE分别为0.88、2.51和6.12%。     

基于多维高光谱植被指数的冬小麦叶面积指数估算

为提高干旱区冬小麦叶面积指数（Leaf area index, LAI）遥感估算精度,以拔节期冬小麦LAI为研究对象,在对冠层高光谱数据进行一阶（First derivative, FD）、二阶（Second derivative, SD）微分预处理的基础上,计算了任意波段组合的二维植被指数（Two-dimensional vegetation index, 2DVI）和三维植被指数（Three-dimensional vegetation index, 3DVI）,通过进行与LAI之间相关性分析,寻求最佳波段组合的植被指数;利用人工神经网络（Artificial neural network, ANN）、K近邻（K-nearest neighbors, KNN）和支持向量回归（Support vector regression, SVR）算法分别建立LAI估算模型,并进行精度验证。结果表明：任意波段组合的植被指数与LAI相关性均显著提高,尤其是基于一阶微分预处理光谱的FD-3DVI-4（714 nm, 400 nm, 1 001 nm）相关系数达到0.93（P<0.01）,且最...     

基于无人机高光谱影像的冬小麦全蚀病监测模型研究

冬小麦全蚀病是导致小麦大幅减产甚至绝收的土传检疫性病害。快速、无损地监测冬小麦全蚀病空间分布对其防治具有重要意义。以无人机搭载成像高光谱仪为遥感平台,利用成像高光谱影像结合地面病害调查数据,在田块尺度对冬小麦全蚀病病情指数分布进行空间填图。利用地物光谱仪(ASD)同步获取的高光谱数据评价UHD185光谱数据质量,综合运用统计分析以及遥感反演填图技术,计算光谱指数(Difference spectral index,DSI)、比值光谱指数(Ratio spectral index,RSI)及归一化差值光谱指数(Normalized difference spectral index,NDSI)与病情指数(DI)构建决定系数等势图,筛选最优光谱指数与DI构建线性回归模型,并利用3个光谱指数构建偏最小二乘回归预测模型,以对比模型预测精度与稳健性。最后用独立数据对模型进行检验。结果表明,冬小麦冠层的ASD光谱数据与UHD185光谱数据相关性显著,决定系数R~2达0.97以上,3类光谱指数与DI构建偏最小二乘回归模型,得到模型验证结果(R~2=0.629 2,R_(MSE)=10.2%,M_(AE)=16.6%),其中DSI(R_(818),R_(534))对模型贡献度最高,利用DSI(R_(818),R_(534))与DI构建线性回归模型为y=-6.490 1x+1.461 3(R~2=0.860 5,R_(MSE)=7.3%,M_(AE)=19.1%),且通过独立样本的模型验证精度(R~2=0.76,R_(MSE)=14.9%,M_(AE)=11.7%,n=20)。最后使用该模型对冬小麦进行病情指数反演,制作了冬小麦全蚀病病害空间分布图,本研究结果为无人机高光谱遥感在冬小麦全蚀病的精准监测方面提供了技术支撑,并对未来卫星遥感探索冬小麦全蚀病大面积监测提供了理论基础。     

基于遥感多参数和门控循环单元网络的冬小麦单产估测

为进一步准确、实时监测冬小麦长势并估测其产量,以陕西省关中平原为研究区域,选取冬小麦旬或生育时期尺度的条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）作为遥感特征参数,分别构建不同时间尺度的单参数、双参数和多参数的门控循环单元（GRU）神经网络模型,并模拟得到冬小麦长势综合监测指数I,结果表明,旬尺度的模型精度总体高于生育时期尺度的模型精度。基于5折交叉验证法进一步验证旬尺度多参数GRU模型的鲁棒性,并构建I与统计单产之间的线性回归模型以估测冬小麦单产,结果显示,冬小麦估测单产与统计单产的决定系数（R2）为0.62,均方根误差（RMSE）为509.08kg/hm2,平均相对误差（MRE）为9.01%,相关性达到极显著水平（P<0.01）,表明旬尺度的多参数估产模型能够较准确地估测关中平原冬小麦产量,且产量分布呈现西高东低的空间特性和整体保持稳定且平稳增长的年际变化特征。此外,基于GRU模型捕获冬小麦生长的累积效应,分析在连续旬中逐步输入参数对产量估测的影响,结果显示,模型具有识别冬小麦关键生长阶段的能力,3月下旬至4月下旬是冬小麦生长的关键时期。