基于MODIS-NDVI的春玉米叶面积指数和地上生物量估算

为了构建春玉米叶面积指数和地上生物量的估算模型,基于辽宁省大田条件下9个站点春玉米不同生育期叶面积指数LAI和地上鲜生物量数据,利用MODIS提取的10种植被指数NDVI、RVI、DVI、PVI、EVI、GNDVI、RDVI、SAVI、OSAVI和NLI反演春玉米LAI和地上鲜生物量。结果表明：10种植被指数与春玉米LAI和地上鲜生物量相关性显著,采用植被指数反演春玉米LAI和地上鲜生物量是可行的;分别基于回归分析法和人工神经网络法,利用10种植被指数反演春玉米LAI和地上鲜生物量,利用回归分析法结合OSAVI和NDVI反演春玉米LAI和地上鲜生物量效果较好;利用人工神经网络法进行模拟反演采用RVI、DVI和EVI效果最佳,反演精度高于回归分析法。     

基于WorldView 2影像杉木叶面积指数与植被指数相关性研究

为了探究基于高分辨率遥感影像杉木叶面积指数与植被指数的相关性,以湖南省攸县黄丰桥国有林场为研究对象,采用地面实验与遥感技术相结合的方法,利用WorldView 2遥感数据提取NDVI、SAVI、SARVI、RVI、MSAVI、ARVI等6种植被指数,通过LAI-2000测量的杉木叶面积指数(LAI)建立相关关系,开展WorldView 2遥感影像在估测杉木叶面积指数中的应用研究,分析植被指数对杉木LAI的影响.对不同植被指数分别进行线性模型、二次曲线模型、指数曲线模型和对数曲线模型的LAI反演.结果表明:除DVI与LAI相关性稍低一点外,其他植被指数与LAI都有很高的相关性,高于中低分辨率遥感影像提取的植被指数与LAI的相关性,土壤调节植被指数(SAVI)与LAI的相关性与土壤影响因子L无关.在线型模型中,RVI与ARVI更适合于杉木LAI建立一元线性回归模型,相关系数R分别为0.931、0.895,判定系数R2分别为0.866、0.800,均达到较好的拟合效果.在非线性模型中,反演模型最好的是二次曲线模型,其次是指数模型,最差的是对数模型.拟合效果较好的是NDVI、SAVI和RVI;拟合效果最差的是DVI;最好的拟合模型,其R2高达0.884.杉木LAI具有较佳拟合效果的非线型模型是NDVI和SAVI的二次曲线模型.     

基于冠层反射光谱的玉米LAI和地上干物重估测研究

以cropscan多光谱辐射仪测定了玉米品种郑单958和浚单20的冠层光谱反射率,并对其相应的叶面积指数(LAI)和地上干物质量进行了同步测定。将由近红外波段和可见光红波段组成的不同的归一化植被指数(NDVI)和比值植被指数(RVI)分别与叶面积指数、地上干物质量进行回归分析,结果表明,NDVI与叶面积指数的相关性优于RVI与叶面积指数的相关性,且以NDVI(R950,R650)和叶面积指数的幂函数回归结果最优;RVI与地上干物质量的二项式回归效果显著,估算模型为:Y=-0.722 4(R800/R650)2 1.631 6(R800/R650) 271.49,R2=0.793 5。     

基于GF-1/2卫星数据的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是监测作物生长状况的重要参数,准确、快速、大面积估算LAI不仅有助于更好地监测农作物,而且也有助于其在建模、总体作物管理及精准农业中的应用。本研究为了利用国产遥感影像快速、大面积反演冬小麦LAI,以GF-1/2影像作为数据源,提取常用植被指数,结合不同生育期(起身期、拔节期、开花期)实测LAI数据,建立反演冬小麦LAI的单变量和多变量经验模型,并对其进行验证。结果表明,GF-1起身期、GF-1拔节期以及GF-1开花期提取的植被指数中,MSR(modified simple ratio)、GNDVI(green normalized difference vegetation index)、EVI(enhanced vegetation index)与LAI间的相关系数最大,分别为0.708、0.671和0.743,说明这些植被指数与冬小麦LAI间的相关性较显著;GF-1不同生育期的反演模型相比,基于拔节期GNDVIGF-1建立的二次多项式模型和基于开花期EVIGF-1、GSRGF-1(green simple ratio)、NDVIGF-1(normalized difference vegetation index)建立的PLSR(partial least squares regression)模型R2最大,均为0.783,PLSR模型的RMSE小于二次多项式模型,说明该多变量模型的稳定性优于单变量模型;同一个生育期不同影像相比,基于GF-2的NDVIGF-2建立的二次多项式模型和基于NDVIGF-2、MSRGF-2、SAVIGF-2(soil-adjusted vegetation index)建立的PLSR模型精度高于基于GF-1的2种模型,R2分别为0.768和0.809;不同生育期反演的LAI分布图表明,LAI反演值与实测LAI值基本吻合。以上研究结果说明国产高分辨率遥感影像在农作物生理参数反演中有一定的应用价值,可以为以后的相关研究提供一定的参考。     

基于光谱特征与PLSR结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用

以冬小麦LAI为研究对象,利用孕穗期、开花期和灌浆期获取的无人机UHD185高光谱影像以及同步测定的地面数据(冬小麦冠层ASD反射率和冬小麦LAI),论证光谱特征(红边参数或植被指数)与偏最小二乘回归算法结合的改进型LAI拟合方法在无人机画幅高光谱遥感LAI探测方面的应用价值。首先,从光谱反射率相关性和植被指数相关性两方面比较UHD185与ASD,验证UHD185数据精度;结果表明,第3~第96波段(458~830 nm)的无人机UHD185高光谱数据具有较好的光谱质量,适宜探测冬小麦LAI。其次,分析光谱特征(6种植被指数和4种红边参数)与LAI的相关性,并通过独立验证和交叉验证方法,依次对基于红边参数或植被指数的传统LAI拟合方法和改进型LAI拟合方法的冬小麦LAI预测精度进行评价,相比于传统LAI拟合方法,改进型LAI拟合方法能大幅度提高冬小麦LAI的预测精度,特别是PLSR+REP。研究结果证实,改进型LAI拟合方法能更加充分地利用无人机UHD185高光谱数据预测冬小麦LAI,可望为无人机高光谱遥感的作物理化参数探测提供几点可借鉴的思路。     

玉米和大豆LAI高光谱遥感估算模型研究

以ASD FieldSpec光谱仪实测了不同生长季的大田玉米、大豆的冠层高光谱与作物的叶面积指数LAI。采用单变量线性与非线性拟合和逐步回归分析的方式,建立了玉米、大豆LAI高光谱遥感估算模型,并对模型的估算结果进行了初步分析。分析结果表明,绿光波段反射峰区、红光波段以及近红外区的单波段反射率与作物的LAI有较强的相关性,而其他波段的反射率与作物的LAI的相关性相对较弱;以高光谱的窄波段构造的NDVI和RVI与作物的LAI的相关程度高,回归模型的预测水平高;而以多波段逐步回归方式构造的统计模型的预测效果最好。     

基于无人机多光谱影像的水稻冠层SPAD值预测研究

比较筛选水稻冠层SPAD值估测模型，为无人机多光谱遥感反演水稻SPAD值提供依据。利用无人机获取水稻拔节期、抽穗期、乳熟期的冠层多光谱影像，选取7种常用的植被指数，利用3种回归方法建立基于植被指数的水稻叶片SPAD值反演模型。结果表明，在不同生育期与水稻叶片SPAD值相关系数最高的植被指数不相同，拔节期最高的是GNDVI，抽穗期最高的是CI_Green，乳熟期最高的是CI_Rededge。抽穗期是水稻叶片SPAD值反演的最佳时期，模型具有较好的建模精度和估测效果，其中多元线性回归的建模精度较高，偏最小二乘回归模型的估测效果最好。试验结果可为水稻长势的实时无损监测提供参考。     

利用高光谱技术估测大豆育种材料的叶面积指数

叶面积指数(LAI)是反映田间作物长势及产量潜力的重要参数,规模化育种要求及时、快速、无损地获取大量育种材料的田间生长信息。本研究利用52份大豆品种(系)的2年田间试验,在盛花期(R2)、盛荚期(R4)及鼓粒初期(R5)测定大豆冠层反射光谱,同步测定大豆LAI和地上部生物量(ABM)。结果表明,不同生育期LAI与冠层光谱在可见光波段(426~710 nm)均表现显著负相关(P0.05),在近红外波段(748~1331 nm)均表现为显著正相关(P0.05)。根据文献已报道的植被指数与LAI的线性相关性分析,NDVI和RVI类型的植被指数能够较好地指示大豆LAI,进而在全光谱250~2500 nm范围内涵盖上述两种类型的植被指数,经对建立的大豆LAI线性与非线性模型综合评价,遴选出不同生育期敏感植被指数的最优估测模型。其中,R2期RVI(825,586)所建模型(y=0.03x1.83)、R4期RVI(763,606)所建模型(y=0.38e0.14x)及R5期RVI(744,580)所建模型(y=0.06x1.79)的预测表现最好,决定系数(R2)分别为0.677、0.639和0.664,相对标准误(RRMSE)均小于20%;模型验证的决定系数(R2*)分别为0.643、0.612和0.634,均根方误差(RRMSE*)约20%。进而发现针对LAI和ABM的RVI共性核心波段组合为R2期的825 nm和586 nm、R4期的763 nm和606 nm以及R5期的744 nm和580 nm。本研究结果可望为大豆规模化育种中获取大量不设重复试验材料的田间长势信息提供快速无损预测的技术支持。     

棉花叶面积指数和地上干物质积累量的高光谱估算模型研究

 用ASD FieldSpec光谱仪实测棉花冠层不同生育时期的高光谱数据,同期获取棉花叶面积指数(LAI)和地上干物质积累量(Above-ground Dry Matter Accumulation,ADMA)。分析棉花冠层反射光谱与棉花LAI、地上部干物质积累量（ADMA）的相关关系,分析结果表明,反射光谱数据与棉花LAI、ADMA的相关系数的最高值分别发生在783 nm（r=0.6394^**）和766 nm处(r=0.6287^**);对反射光谱数据进行统计分析,建立了基于比值植被指数(RVI)和归一化植被指数(NDVI)的5种函数形式的棉花LAI、ADMA估测模型。经检验,基于RVI的估测模型具有较高的精度;对一阶微分光谱数据与棉花LAI和ADMA的逐步回归相关分析表明,敏感波段分别发生在736 nm（r=0.6769^**）和742 nm处(r=0.6847^**)。由736 nm、742 nm波段处的微分数值建立的LAI和ADMA线性回归估测模型,R值均达到了1%极显著的检验水平,说明一阶微分光谱敏感波段的数值,对棉花LAI和ADMA具有一定的估算能力。     

玉米和大豆光合有效辐射吸收比例与植被指数和叶面积指数的关系

基于东北典型黑土区的玉米和大豆的实测光谱反射率、光合有效辐射及叶面积数据,选取常用的9种植被指数,并根据光谱曲线特征和植被指数结构建立了两种新的植被指数,对其估算玉米和大豆冠层FPAR效果进行了对比分析。结果表明,各植被指数与冠层光合有效辐射吸收比例(FPAR)的关系因植被类型而异。以近、短波红外波段较以可见光、近红外波段计算植被指数的估算效果好。NDVI、RVI在可见光、近红外波段计算的植被指数中估算FPAR效果较好,玉米估算模型R²分别为0.81和0.82,大豆估算模型R2均为0.81;NDSI、RSI在近、短波红外波段计算的植被指数中较好,玉米估算模型R2均为0.86,大豆估算模型R2均为0.84,优于NDVI和RVI。试验表明,利用近、短波红外波段估算FPAR是可行的;冠层含水量较土壤背景对FPAR影响更大;玉米和大豆冠层FPAR与叶面积指数(LAI)呈较好的对数关系,估算模型R²分别为0.75和0.70;但用植被指数估算FPAR效果要优于用叶面积指数。     

基于遥感信息与水稻模型相结合对镇江地区水稻种植面积与产量的估测

为了实现遥感信息与作物模型相结合对镇江地区的水稻种植面积与产量的估测,以便于可以直接利用遥感信息与模型对该地区的水稻生长进行监测,将遥感资料与水稻生产模型(ORYZA2000)相结合,建立遥感数值模拟模型,进行由点及面的区域水稻种植面积及产量的估测。利用遥感数据（8天合成的MODIS和环境小卫星数据）,计算归一化植被指数(NDVI)和增强植被指数(EVI),结合试验区实测的叶面积指数(LAI),建立植被指数与LAI之间的关系,通过模型模拟出的LAI计算出植被指数的浮动值,结合相对应的多时相的遥感数据识别镇江市的水稻,由此可以预报镇江市的水稻种植面积及产量。研究结果表明,模型对水稻生长发育期内的生物量和LAI的模拟较好,水稻LAI与遥感资料计算出的植被指数EVI的幂函数拟合性较好,可以应用这种相关模式识别水稻,并结合ORYZA2000模型提高区域范围的水稻估测精度,同时也体现了遥感信息与作物模型相结合可以很好的监测区域内水稻的生长情况,取得较好的模拟效果。     

Estimation of Leaf Area Index of Beta vulgaris L. Based on Optical Remote Sensing Data

Remote sensing and vegetation indices can be used to characterize the canopy of crops with a non‐destructive method on a large scale. Leaf area formation of sugar beet in early summer is the most important variable for crop growth models. This study aimed at estimating whether differences in leaf area development of sugar beet resulting from different agronomic practices can be determined with remote sensing. The relationship between the normalized difference vegetation index (NDVI) and leaf area index (LAI) during the season and yield of the storage root in autumn was studied in six field trials in 2001 and nine field trials in 2002. The vegetation index NDVI gave a good impression of differences in leaf development of sugar beet in early summer. LAI increased with increasing NDVI up to an NDVI of 0.65. Above that the NDVI did not respond as distinctly to treatments as the LAI. An exponential function was developed to calculate sugar beet LAI from NDVI, so that remote sensing data can be used as input variable for crop growth models. The yield of the storage root in autumn did not show any relationship to LAI or NDVI during the season, regardless of whether it was measured in June or September. Therefore, it seems to be necessary to combine NDVI data with crop growth models to forecast a potential sugar beet yield in autumn. For this purpose the formula presented is a valuable tool.     

油菜叶片气孔导度与冠层光谱植被指数的相关性

利用冠层光谱实时、无损和定量监测植物叶片气孔导度,对于改善作物水分利用效率以及产量和品质预测预报具有十分重要的意义。本研究采用裂区设计法(宁油18和宁油16两个品种)、两个供氮水平(N₁₈₀：纯氮180 kg hm^-2、P₂O₅ 120 kg hm^-2、K₂O 180 kg hm^-2和硼砂15 kg hm^-2;N₀：CK)于2007-2008年测定油菜冠层光谱反射率、叶片气孔导度以及叶面积指数(LAI)和叶片鲜、干生物量,利用各波段光谱反射率组合产生的植被指数,分析油菜叶片气孔导度的变化规律及其与光谱植被指数的相关性,从而建立光谱植被指数对叶片气孔导度的估算模型。结果表明,在整个生育期油菜叶片气孔导度呈“双峰”变化, LAI和叶片鲜、干生物量均呈单峰曲线变化;开花前光谱植被指数与油菜叶片气孔导度和油菜冠层叶片平均气孔导度均呈极显著正相关,且光谱植被指数对油菜冠层叶片气孔导度的拟合效果好于对油菜叶片气孔导度的。光谱植被指数与冠层叶片气孔导度的量化关系可为今后快速、无损、大面积的油菜作物气孔导度估算奠定一定基础。     

玉米‘洛玉863’群体动态指标研究

‘洛玉863’是洛阳农林科学院选育而成的高淀粉型玉米新品种,为了对该品种的高产栽培和示范推广提供理论依据,通过采用田间定点定株取样和公式法,研究了品种的群体动态指标,以明晰其适宜群体产量结构和群体动态指标,为品种的高产栽培和示范推广提供理论依据。结果表明：‘洛玉863’适宜种植密度为60000株/hm2,产量结构为60000穗/hm2、穗行数15.0行、行粒数37.5粒、千粒重381.5 g,群体生产力得到了充分的发挥,产量达12599.4 kg/hm2。适宜密度下,群体各项动态指标发展协调,叶面积指数(LAI)在吐丝期最大值达到5.41,且稳定期长,成熟时仍达2.94,使‘洛玉863’活秆成熟的优点得到充分体现;叶面积持续期(LAD)总量达到335.46×104 m2?d/hm2,在各生育时期的分配合理;净同化率(NAR)与叶面积持续期(LAD)协调较好;干物质积累总量24702.3 kg/hm2,其中吐丝期以后的干物质积累量占全部积累量的60%;群体生长率(CGR)达247.0 kg/(hm2?d);灌浆速率始终保持在合理的较高水平。吐丝期以后的叶面积指数(LAI)、叶面积持续期(LAD)、干物质积累量和群体生长率(CGR)与最终的籽粒产量呈密切的正相关,可以作为适宜群体的标志。     

基于无人机多光谱遥感的大豆叶面积指数反演

为给大豆科学管理提供基础数据,利用无人机多光谱遥感数据实现对大豆叶面积指数(LAI)的反演估值。从多种光谱植被指数中选出与LAI相关性较好的5种指数,分析探讨在田块尺度上,适用于东北地区的大豆叶面积指数的低空无人机遥感反演模型。结合田间实测LAI数据及模型精度及拟合效果,NDVI模型精度较好,但拟合效果较差,其余4种植被指数模型精度和拟合效果较好,拟合效果R²均达到了0.6以上;支持向量机模型决定系数R²达到0.688,均方根误差达0.016,具有更好的预测能力。2种模型均表明无人机多光谱遥感系统可以快速反演田间大豆叶面积指数,在指导精准农业生产方面具有实用意义。