无人机高光谱遥感估算冬小麦叶面积指数

为探讨利用低空无人机平台和高光谱影像对冬小麦叶面积指数进行遥感估算，该研究以拔节期冬小麦小区试验为基础，对原始冠层光谱进行一阶导数和连续统去除光谱变换，并在此基础上提取任意两波段组合的差值光谱指数（Difference Spectral Index，DSI）、比值光谱指数（Ratio Spectral Index，RSI）和归一化光谱指数（Normalized Spectral Index，NDSI），以最优窄波段光谱指数进行叶面积指数估算模型的构建。结果表明，最优窄波段指数的构成波段主要位于红边区域，最优窄波段指数与叶面积指数均呈现非线性关系；光谱变换显著提升了光谱变量与叶面积指数的相关性，其中连续统去除光谱所获取的NDSI（738，822）光谱指数与叶面积指数的相关性最佳；窄波段光谱指数和随机森林回归算法的叶面积指数估算模型精度最高，其相对预测偏差为2.01，验证集的决定系数和均方根误差分别为0.77和0.27。基于随机森林回归算法的无人机高光谱叶面积指数估算模型能够准确地实现小区域的叶面积指数遥感填图，为后期作物长势、变量施肥等提供理论依据。     

不同形式的光谱参量对春玉米氮素营养诊断的比较

选择适宜的光谱参量,对利用光谱技术进行作物营养诊断精确度的提高是至关重要的。该文对单因素氮处理下春玉米（Zea may L.）不同层位叶片光谱反射率与氮含量作了相关分析,探讨了叶片水平上单波段光谱反射率（R）、单波段光谱反射率的对数（LgR）、双波段组合光谱反射率（R1+R2）、以及对数形式的双波段组合光谱反射率（LgR1+ LgR2）4种形式光谱参量对氮素营养诊断的可靠性。结果表明,第6片完全展开叶叶片光谱反射率与氮含量在可见光波段存在较高的负相关关系,以550和720 nm两波段组合的光谱参量（LgR550+LgR720和Lg(R550+R720)）建立的线性回归方程的拟合度最好;不同生育期应选择对养分盈亏敏感的叶片作为营养诊断的光谱监测目标,不同生育期叶片氮素营养的光谱敏感波段不同,应选择二者相关性高的波段,较为适宜的光谱参量形式与营养成分建立估算模型。研究表明,经对数处理后的光谱参量,无论是单波段还是双波段,拟合方程的精度都有不同程度的提高,且方程的稳定性也增强,说明对数形式的光谱参量提高了对氮素营养诊断的精确度。     

基于高光谱指数估测马铃薯植株氮素浓度的敏感波段提取

  【目的】  基于光谱指数的氮素营养诊断是快速获取作物氮素营养状况的方式之一。其中，利用可见光和近红外波段光谱反射率构建的比率和归一化光谱指数对估测作物氮素营养状况具有重要意义。解决氮素营养诊断过程中存在的指数饱和及数据离散问题，以评价已有比率和归一化光谱指数对马铃薯关键生育时期植株氮素浓度诊断的可行性。  【方法】  2014—2016年在内蒙古武川县和四子王旗，设置了4个不同氮肥梯度的多点田间试验。在马铃薯块茎形成期、块茎膨大期和淀粉积累期，采集试验地和邻近农田马铃薯地上部和块茎样品，分析其氮素含量。并在马铃薯冠层以上50～80 cm采集光谱数据。用试验田数据建立了12个已发表的比率、归一化光谱指数和波段优化光谱指数与马铃薯关键生育时期植株氮素浓度的相关性与估测模型，并用农田马铃薯数据验证模型的精度。  【结果】  马铃薯植株氮素浓度分布范围在1.89%～4.69%，平均氮素浓度为3.30%，变异系数为18.75%；验证集数据来源于农民田块，马铃薯植株氮素浓度分布范围在2.00%～4.92%，平均氮素浓度为3.34%，变异系数为19.27%。蓝紫光400～450 nm和红边690～720 nm波段是马铃薯植株氮素浓度估测的敏感波段，部分已有光谱指数虽然可以用于马铃薯植株氮素浓度的估测，但是蓝紫光波段的缺失大大降低了估测的准确性。通过波段优化算法确定的优化光谱指数RSI、NDSI最佳波段位置分别为430、694和426、694 nm。基于优化光谱指数NDSI (426 nm、694 nm) 建立的马铃薯植株氮素浓度线性估测模型为y=?6.87x+6.08，决定系数R2最高，为0.68；RSI光谱指数与马铃薯植株氮素浓度的线性估测模型为y=?1.11x+5.92，R2为0.65，与已有比率和归一化光谱指数相比，优化光谱指数RSI和NDSI克服了高氮浓度条件下光谱指数饱和现象，显著提高了马铃薯植株氮素浓度的线性建模效果。农民田块验证数据显示，估测模型的估测值与实测值接近1∶1线，其中NDSI光谱指数估测模型的验证效果最佳，平均相对误差RE 和均方根误差RMSE分别为10.58%和0.42%。  【结论】  本研究通过波段优化算法确定了比率和归一化光谱指数的马铃薯植株氮素浓度敏感波段，采用蓝紫光400～450 nm和红边690～720 nm波段进行马铃薯植株氮素浓度估测，可以改善诊断高氮浓度时的指数灵敏度和数据离散问题，提高马铃薯植株氮素营养诊断的精度。     

春玉米磷素营养的光谱响应及诊断

通过盆栽试验监测不同磷营养水平春玉米典型生育期叶片光谱变化,并对叶片光谱反射率与叶片磷含量做了相关分析。结果表明,春玉米大喇叭口期是磷素营养的光谱响应敏感期,3507～30.nm和14201～800.nm是磷素营养的光谱敏感波段。该生育期构建的单波段高光谱变量、窄波段光谱变量和宽波段光谱变量与叶片磷含量都存在显著或极显著的回归关系;窄波段光谱变量比值指数R6725/6256和R61745/15856与叶片磷含量的回归关系达到了极显著水平,R625/555达到显著水平。可见光波段光谱变量与磷含量的回归关系优于近红外波段光谱变量与磷含量的回归关系,表明可见光波段叶片光谱反射率可能更适合春玉米磷营养状况的评价。不同波段宽度的光谱变量分析表明,在敏感波段范围内,801～00.nm波段平均的叶片宽波段光谱反射率没有降低对叶片磷含量的估算精度。     

结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度

【目的】 冠层高光谱全波段信息可以在小麦拔节期快速无损地估算叶片的氮含量。本研究结合连续投影算法 (SPA) 和偏最小二乘 (PLS) 技术,筛选了冬小麦拔节期冠层光谱对叶片氮含量的敏感特征波段,以期为冬小麦关键生育期氮素含量的遥感估算提供理论依据和技术支持。 【方法】 以陕西关中地区2015—2016年冬小麦小区试验为基础,基于连续投影算法 (SPA) 提取冬小麦叶片全氮含量的冠层光谱敏感波段,并结合偏最小二乘 (PLS) 回归法建立基于敏感特征波段的冬小麦拔节期叶片氮含量估算模型。 【结果】 SPA算法从冬小麦338～2510 nm的冠层光谱中优选出了1985 nm、2474 nm、1751 nm、1916 nm、2507 nm、1955 nm、2465 nm和344 nm共计8个叶片全氮含量的敏感特征波段,波段数目下降了98.9%,有效降低了光谱信息的冗余;基于敏感特征波段构建的叶片氮含量偏最小二乘回归模型的决定系数和均方根误差分别为0.82和0.28,模型验证方程的决定系数和均方根误差分别为0.84和0.21,模型的相对预测偏差大于2,具有较高的精度和良好的预测能力。 【结论】 与常用植被指数的叶片氮含量估算模型相比,连续投影算法 (SPA) 结合偏最小二乘 (PLS) 方法的叶片氮含量估算精度更高,稳定性更强,可以作为冬小麦拔节期叶片氮含量的高光谱估算方法。      

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。     

基于花后累积地上生物量比例的冬小麦动态收获指数估算

针对已有基于遥感信息的收获指数估算对籽粒灌浆过程中作物生物量变化和收获指数变化过程考虑不足且估算精度有待进一步提高的现状,该研究以冬小麦为研究对象,基于冠层高光谱数据、地上生物量和动态籽粒产量等数据,在提出灌浆至成熟阶段动态收获指数（Dynamic Harvest Index, DHI）和构建花后累积地上生物量比例动态参数（Dynamic fG, D-fG）基础上,提出了敏感波段中心构建归一化差值光谱指数（Normalized Difference Spectral Index, NDSI）估算D-fG的作物动态收获指数估测技术方法并进行精度验证。在此基础上,通过敏感波段宽度扩展确定了冬小麦D-fG估算敏感波段最大宽度,并实现了最大波宽下D-fG和DHI的遥感获取。结果表明,筛选的5个敏感波段中心λ（366 nm, 489 nm）、λ（443 nm, 495 nm）、λ（449 nm, 643 nm）、λ（579 nm, 856 nm）、λ（715 nm, 849 nm）构建NDSI进行D-fG遥感估算均达到了较高精度水平,均方根误差（Root Mean Square Error, RMSE）在0.036～0.050之间,归一化均方根误差（Normalized Root Mean Square Error, NRMSE）在10.46%～14.59%之间;基于敏感波段中心的DHI估算中,RMSE在0.039～0.053之间,NRMSE在10.50%～14.28%之间;估算D-fG的5个敏感波段中心最大波段宽度分别为30、68、58、20和86 nm,基于最大波宽获取DHI估算结果中,RMSE在0.054～0.055之间,NRMSE在14.38%～14.65%之间。可见,该研究所提收获指数遥感估算方法具有一定的可行性,为获取冬小麦动态收获指数提供了新思路和新方法,也为窄波段高光谱卫星遥感和宽波段多光谱卫星遥感获取大范围作物收获指数空间信息提供一定技术参考。     

基于SPOT-5遥感影像估算玉米成熟期地上生物量及其碳氮累积量

通过构建基于SPOT\|5光谱参数的玉米成熟期地上生物量、 碳氮累积量的遥感估算模型,为耕地生产力估测、 农田生态保护和碳氮循环研究提供依据。利用皮尔逊相关分析法分析玉米成熟期地上生物量、 碳氮累积量与同期14个预选光谱参数之间的相关性,筛选出适宜的光谱参数;通过回归分析,比较得出最优遥感估算模型。在构建的14个光谱参数中,土壤校正植被指数（SAVI）与玉米成熟期地上生物量和碳累积量均呈显著的正相关,相关系数分别达到0.831和0.846,因此以SAVI为底数的幂函数模型估算生物量和碳累积量的拟合效果最好,决定系数（R2）分别达到0.698和 0.722,在0.01水平下的F检验均呈显著性;与氮累积量相关性最强的是由近红外波段和绿波段构建的比值指数（R3/R1）,相关系数达到0.844;从而以R3/R1为自变量的线性模型对氮累积量拟合效果最佳,决定系数（R2）达到0.713,在0.01水平下的F检验呈显著性。因此,利用SPOT\|5的土壤校正植被指数（SAVI）、 近红外波段和绿波段的比值指数（R3/R1）构建的遥感模型来估算玉米成熟期生物量、 碳氮累积量是可行的。     

基于GF-1卫星数据的冬小麦叶片氮含量遥感估算

以陕西关中地区大田和小区试验下的冬小麦为研究对象,探讨基于国产高分辨率卫星GF-1号多光谱数据的冬小麦叶片氮含量估算方法和空间分布格局。基于GF-1号光谱响应函数对地面实测冬小麦冠层高光谱进行重采样,获取GF-1号卫星可见光-近红外波段的模拟反射率,并构建光谱指数,利用与叶片氮含量在0.01水平下显著相关的8类光谱指数,分别建立叶片氮含量的一元线性、一元二次多项式和指数回归模型。通过光谱指数与叶片氮含量的敏感性分析,以及所建模型的综合对比分析,获取适合冬小麦叶片氮含量估算的最佳模型。结果表明:模拟卫星宽波段光谱反射率和卫星实测光谱反射率间的相关系数高于0.95,具有一致性;改进型的敏感性指数综合考虑了模型的稳定性、敏感性和变量的动态范围,敏感性分析表明比值植被指数对叶片氮含量的变化响应能力最强;综合模拟方程决定系数、模型敏感性分析、精度检验和遥感制图的结果,认为基于比值植被指数建立的叶片氮含量估算模型适用性最强,模拟结果与实际空间分布格局最为接近,为基于GF-1卫星数据的区域性小麦氮素营养监测提供了理论依据和技术支持。     

基于成像光谱技术的寒地玉米苗期冠层氮含量预测模型

为了探索寒地玉米冠层氮素含量,以不同氮素水平下玉米大田试验为基础,利用高光谱成像技术探讨苗期玉米冠层光谱,通过相关矩阵法选择植被指数的变量,并依据叶片氮素含量与植被指数的相关性,建立玉米冠层氮素含量预测模型。结果表明:根据玉米冠层高光谱图像,选择与各波段相关性较强的525、566、700、715、895 nm作为植被指数的变量,构建与氮素含量相关性强的植被指数归一化植被指数NDVI(normalized difference vegetation index)、归一化光谱植被指数NDSI(normalized difference spectral index)、比值光谱指数RSI(ratio spectral index)、差值光谱指数DSI(difference spectral index)。以与叶片氮素含量相关性较高的植被指数为自变量,建立单变量、多变量回归预测模型。采用单变量NDVI二次函数回归模型作为0、50 kg/hm~2施氮量下玉米冠层氮素含量预测模型,其R~2分别为0.719、0.803。在100 kg/hm~2施氮量下玉米冠层氮素含量的预测模型为3变量回归模型,其R~2达到0.657。用置信椭圆F检验法检验预测模型,其F值均小于F0.05,估测值与实测值间R2分别是0.724、0.798、0.655,标准误差RMSE分别为0.156、0.140、0.156 mg/g,表明实测值和估测值间的差异不明显,预测模型可用。     

基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测

实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法,该文依托不同氮素水平水稻试验,基于成像高光谱数据和无人机高光谱影像,综合运用统计分析及遥感参数成图技术,对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明,以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数(ratio spectral index,RSI)构建的线性模型为水稻叶片全氮含量的最优估测模型(检验R2为0.673,均方根误差为0.329,相对分析误差为2.02);无人机高光谱影像反演的水稻叶片全氮含量分布范围(1.28%~2.56%)与地面实际情况较相符(1.34%~2.49%)。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。     

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。     

基于高光谱植被指数的黑河流域作物叶绿素含量制图

Recent advances in optical remote sensing led to improved methodologies to monitor crop properties.The red-edge-based vegetation index considered to be one of the most powerful tools for estimating the chlorophyll content(Chl) was usually constructed from in-situ hyperspectral reflectance.In this paper, we present the work done to compare the Chl predictive quality by various red-edge-based vegetation indices based on the CASI data.The results indicated that among the selected vegetation indices, TCARI/OSAVI-based model estimated Chl(R2=0.46, RMSE =0.60 and P<0.01) with the best accuracy.To search the optimal vegetation index for Chl estimation, the normalized difference spectral index(NDSI) and ratio spectral index(RSI) were developed by using the waveband combination algorithm.A high linear correlation(R2=0.79, RMSE=0.38 and P<0.01) was acquired by combining the 869.20 and 754.90 nm wavebands, then NDSI(869.20, 754.90) was applied to the CASI image to generate the Chl distribution map.It suggests that more fertilizer should be provided for the southwest areas due to the lower Chl.     

基于高光谱植被指数的黑河流域作物叶绿素含量制图（英文）

Recent advances in optical remote sensing led to improved methodologies to monitor crop properties.The red-edge-based vegetation index considered to be one of the most powerful tools for estimating the chlorophyll content(Chl)was usually constructed from in-situ hyperspectral reflectance.In this paper,we present the work done to compare the Chl predictive quality by various red-edge-based vegetation indices based on the CASI data.The results indicated that among the selected vegetation indices,TCARI/OSAVI-based model estimated Chl(R2=0.46,RMSE=0.60 and P0.01)with the best accuracy.To search the optimal vegetation index for Chl estimation,the normalized difference spectral index(NDSI)and ratio spectral index(RSI)were developed by using the waveband combination algorithm.A high linear correlation(R2=0.79,RMSE=0.38 and P0.01)was acquired by combining the 869.20 and 754.90 nm wavebands,then NDSI(869.20,754.90)was applied to the CASI image to generate the Chl distribution map.It suggests that more fertilizer should be provided for the southwest areas due to the lower Chl.     

基于无人机高光谱影像的马铃薯叶绿素含量估测

  【目的】  叶绿素含量高低反映植被的健康状况与光合能力。研究准确、有效地将冠层影像反演为叶绿素含量的技术参数,以便经济快速、实时地监测作物生长状况。  【方法】  田间试验于2018—2020年在内蒙古阴山北麓马铃薯主产区进行,设置氮肥梯度处理,在马铃薯块茎膨大期和淀粉积累期,测定试验地马铃薯植株SPAD值,通过线性关系将其转化成叶绿素含量。利用无人机为平台搭载S185成像光谱仪获取马铃薯试验区高光谱影像,并从中提取马铃薯冠层光谱反射率。将3年田间试验所获取的125个样本点数据按80%、20%的比例随机划分为训练集与验证集。用训练集数据建立了8个比率、归一化光谱指数,通过波段优化算法建立优化光谱指数和马铃薯关键生育期叶绿素含量的相关性与估测模型,并用验证集数据检验所建立模型的精度,最后利用所构建的估测模型制作马铃薯叶绿素含量分布图。  【结果】  根据训练集数据,马铃薯植株叶绿素含量分布范围在10.58～23.14 mg/g,平均叶绿素含量为19.80 mg/g,变异系数为14.9%;根据验证集数据,马铃薯植株叶绿素含量分布范围在12.80～23.73 mg/g,平均为19.59 mg/g,变异系数为17.0%。基于绿光波段建立的叶绿素光谱指数(CI_green)和归一化光谱指数550 (ND550)均与马铃薯叶绿素含量具有较好相关性(R2分别为0.48、0.61),但作物种类及生育时期的影响降低了估测的准确性。通过优化波段586、462 nm和586、498 nm计算的优化比率光谱指数(RSI)和优化归一化光谱指数(NDSI)能够明显提高模型准确性,具备良好的线性拟合效果,决定系数R2分别由0.48和0.61提高到0.82和0.83。经验证后,估测模型预测值与实测值接近1∶1线,决定系数R2分别为0.77和0.79,均方根误差RMSE较低。通过反演马铃薯叶绿素含量分布图可知,优化光谱指数(NDSI)模型反演效果较好,叶绿素含量分布范围为18～21 mg/g,与实测值相符合。  【结论】  本研究优化光谱指数RSI和NDSI最佳敏感波段分别为586、462和586、498 nm,此波段范围内RSI和NDSI与马铃薯关键生育期叶绿素含量相关性最优,通过波段优化算法重新构建的优化光谱指数预测模型可靠性及精度显著高于已有光谱指数,决定系数分别为0.82和0.83,且验证效果较好。应用两种光谱指数对研究区高光谱影像进行叶绿素反演估测,生成的田间马铃薯叶绿素含量分布图显示优化光谱指数NDSI估测效果最好,为光谱指数估测马铃薯关键生育期叶绿素含量提供了理论支持。     

基于高光谱的双季稻分蘖数监测模型

旨在阐明双季稻分蘖数与冠层反射高光谱间的定量关系,构建基于高光谱的双季稻分蘖数监测模型。基于不同早、晚稻品种和施氮水平的田间试验,于关键生育期(分蘖期、拔节期和孕穗期)测定早、晚稻分蘖数,同步使用FieldSpec HandHeld 2型高光谱仪采集早、晚稻冠层反射高光谱数据,分别利用光谱指数法和连续小波变换构建新型光谱指数和敏感小波特征对双季稻分蘖数进行监测,建立双季稻分蘖数光谱监测模型,并用独立试验数据进行检验。结果表明,新型光谱指数和敏感小波特征对双季稻分蘖数的监测效果优于其他类型光谱参数(植被指数和“三边”参数),其中位于红边区域的小波特征db7(s9,w735)监测早稻分蘖数时表现最优,监测模型R2为0.754,模型检验相对均方根误差RRMSE为0.128;位于红边区域的小波特征mexh(s6,w714)监测晚稻分蘖数时表现最优,监测模型R2为0.837,模型检验RRMSE为0.112。研究结果可为双季稻分蘖数快速无损监测和群体质量精确调控提供理论基础与技术支持。     

最优权重组合模型和高光谱估算苹果叶片全磷含量

为了估算苹果叶片全磷含量,该文使用2012年和2013年在山东省肥城市潮泉镇下寨村的2个苹果示范园获取的整个生育期苹果叶片全磷含量和对应的叶片光谱数据,建立了预测苹果叶片全磷含量的最优权重组合模型。首先分析了苹果叶片全磷含量和原始光谱的相关关系,确定了以553和722 nm为苹果叶片全磷含量的诊断波段;根据叶片全磷含量与400~2 500 nm范围两两组合的决定系数等值线图,确立了对苹果叶片全磷含量敏感的546和521 nm、553和518 nm组合的归一化差值指数和543和525 nm、1 394和718 nm组合的比值指数;最后以553和722 nm的反射率以及546和521 nm、553和518 nm组合的归一化差值指数和543和525 nm、1 394和718 nm组合的比值指数为自变量,构建了基于苹果叶片全磷含量的最优权重组合模型,实现了对苹果叶片全磷含量的高光谱估算。结果表明,最优权重组合模型无论是建模集还是验证集,其预测能力(R2=0.94)要优于该文中的6种统计方法(平均R2=0.82),研究结果为快速无损诊断苹果叶片的磷素状况提供新的技术途径。     

基于高光谱特征的土壤有机质含量估测研究

在室内条件下,利用ASD2500高光谱仪测定了潮土和水稻土自然风干土壤样品的光谱。通过系统分析两种不同类型土壤的高光谱特征差异及其有机质含量的敏感波段区位,建立了土壤有机质含量的光谱估测模型。结果表明,具有相同有机质含量的两种类型土壤整体光谱变化趋势无明显差别,但反射率表现出明显差异,一阶导数变换能较好地显现谱图中的肩峰。潮土和水稻土有机质的敏感波段集中在相同区域,原始反射率在685 nm处相关性最高,而一阶导数光谱在554 nm处相关性最高。通过对整体样本的多元逐步回归分析,筛选出两种土壤有机质相同的敏感波段为800 nm、1 398 nm和546 nm。进一步以一阶导数为自变量,基于1 400nm和554 nm两个波段构建了土壤有机质差值指数SOMDI及估测模型,即Y=4.19 12.85×(R_FD554 R_FD1 400)。利用独立的样本对建立的光谱模型进行了检验,预测决定系数均达0.79以上。上述结果表明,利用高光谱技术可实现土壤有机质的快速监测与诊断。     

基于无人机多光谱影像的夏玉米叶片氮含量遥感估测

利用无人机平台搭载多光谱相机组成的遥感监测系统在农业上已取得了一些成果,但利用无人机多光谱影像开展作物氮素估测研究少有尝试。基于此,该文利用国家精准农业基地2017年夏玉米3个关键生育期无人机多光谱影像和田间实测叶片氮含量数据,开展夏玉米叶片氮素含量的无人机遥感估测研究。对该研究选用的15个光谱变量,通过相关性分析解析光谱变量与LNC的相关关系,筛选出对玉米叶片氮素含量敏感的光谱变量;应用后向逐步回归方法分析不同变量指数下估测精度变化,最终确定不同生育期夏玉米LNC估测的光谱变量,实现对夏玉米叶片氮含量的较高精度监测。研究发现:1)在3个生育时期,GRE和GNDVI与LNC都有很强的相关性,表明绿波段可以很好地进行夏玉米生物理化参数的反演;2)在喇叭口期和灌浆期,OSAVI、SAVI与LNC具有高度相关性,证明在夏玉米生长前期和后期选择控制土壤因素的光谱变量可以提高对氮素估测的能力。在筛选最优光谱变量建模过程中发现,喇叭口期选取5个光谱变量(GNDVI、GRE、OSAVI、REG、SAVI)建模效果最好,估测模型的R~2、RMSE和nRMSE分别为0.63、27.63%、11.62%;抽雄吐丝期选取6个光谱变量(REG、GRE、GNDVI、MNLI、RED、NDVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.64、20.50%、7.80%;灌浆期选取5个光谱变量(GRE、GNDVI、RED、NDVI、OSAVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.56、31.12%、12.71%;在不同生育期选取最优光谱变量进行夏玉米LNC估测具有很好的效果。应用无人机多光谱遥感影像数据可以很好地监测田块尺度夏玉米LNC的空间分布,可为玉米田间氮素精准管理提供空间决策服务信息支持。