基于Sentinel-2遥感影像的玉米冠层叶面积指数反演

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI(783,705)构建的单变量模型为最优反演模型,其决定系数为0.534 2,均方根误差为0.288 5。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于SupReMe影像重建和RF的玉米冠层LAI反演

针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段（705、740、783nm）,其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率（Super-resolution for multispectral multiresoltion estimation, SupReMe）算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数（LAI）,并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。     

基于无人机多光谱遥感的夏玉米冠层叶绿素含量估计

为探讨利用无人机多光谱遥感影像监测夏玉米冠层叶绿素含量的可行性,基于2019年不同施氮水平下(0,105,210,315 kg·N/hm²)夏玉米多光谱遥感影像和田间实测冠层叶绿素含量数据,分析了不同施氮水平下夏玉米冠层叶绿素含量的变化规律,同时选取10种常用光谱植被指数与实测冠层叶绿素含量进行相关性分析,采用与实测叶绿素含量极显著相关的9种植被指数,构建了基于遥感光谱指数的夏玉米冠层叶绿素含量遥感监测模型,并通过精度检验确定最优估测模型.结果表明,施用氮肥能够提高夏玉米冠层叶绿素含量,过量氮肥不能持续提高叶绿素含量,同一施氮水平下不同追肥处理之间叶绿素含量没有明显差异.绿色归一化植被指数与叶绿素含量的相关性系数最高,达到了0.892.采用逐步回归分析方法建立的模型表现最优,决定系数为0.87,均方根误差及相对误差分别为0.15和2.68%.因此,无人机多光谱遥感结合逐步回归模型可以实现田间尺度的夏玉米冠层叶绿素含量的实时监测.     

玉米冠层LAI反演中UAV影像镜面反射去除方法

针对玉米叶片反射太阳光时因镜面反射导致获得的无人机影像反射率中存在与冠层结构无关的镜面反射部分,从而影响玉米冠层LAI的反演精度问题,本研究利用小波变换对无人机影像不同波段的阈值设置,在不影响漫反射的前提下削弱镜面反射成分,尽量只保留与冠层结构有关的反射率成分。以2018年7月15日和7月26日获取的河北农业大学辛集试验站多光谱无人机影像为数据源,构建了NDVI、GNDVI、SAVI和EVI 4个植被指数,并分别与ln(LAI)构建玉米冠层的单变量反演模型,利用决定系数和均方根误差进行LAI反演精度评价。精度评价结果表明,在7月15日玉米植株较稀疏时,去除镜面反射后,4个植被指数反演LAI与实测LAI的决定系数分别从0. 719 0、0. 559 8、0. 624 1、0. 598 5上升至0. 763 3、0. 694 0、0. 649 7、0. 619 4,均方根误差分别从0. 224 4、0. 252 6、0. 221 4、0. 224 5下降到0. 188 0、0. 195 8、0. 191 8、0. 198 7,说明去除镜面反射可以提高LAI的反演精度。在7月26日玉米植株相对茂密时,去除镜面反射后,4个指数构建模型对应的决定系数也同样提高,但在这种情况下,NDVI和GNDVI容易发生饱和,用阈值法降低反射率反而会加剧饱和现象,使这2个指数不能充分反映LAI的变化。SAVI和EVI因为加入了冠层背景调整因子,植被指数的变化得到放大,二者在去除镜面反射后与ln(LAI)拟合模型的决定系数都达到0. 6以上,因此,在植被覆盖较茂密时,SAVI指数和EVI指数更适合用于LAI反演。     

基于无人机多光谱遥感的水稻冠层SPAD值反演

为研究水稻叶片叶绿素相对含量（SPAD）在3种水分处理和5种施氮处理下的变化规律，探讨无人机多光谱遥感技术反演水稻SPAD的可行性，本研究利用大疆精灵4多光谱无人机，采集了水稻拔节孕穗期、抽穗开花期和乳熟期的冠层多光谱遥感影像，并同步测定水稻SPAD值，基于25个光谱变量（5个波段反射率和20个植被指数），采用多元线性逐步回归、岭回归和套索回归3种方法构建了水稻SPAD的反演模型。结果表明：水稻3个生育期的SPAD最佳反演模型均是采用套索回归方法构建的，其中乳熟期建立的SPAD最佳反演模型在3个生育期中的反演精度最高，决定系数为0.782，均方根误差为1.217 7，相对误差为6.611 3%。因此，该研究可对水稻叶片SPAD进行遥感监测，并为水稻精准灌溉和施肥提供科学依据和数据支撑。     

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...     

不同覆膜处理下春玉米叶面积指数高光谱估算

为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数（Leaf area index,LAI）,研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下LAI的高光谱估算模型。结果表明,覆膜对LAI的影响主要在抽雄期之前,相同施肥水平下覆膜与无覆膜处理之间LAI的差异随生育期的推进呈先减小、后增大的趋势,其中苗期差异最大,覆膜比无覆膜处理LAI增加78%以上;各覆膜处理冠层反射率之间的差异由大到小为生育中期、生育末期、生育初期,覆膜主要影响玉米对绿光和红光的吸收。基于3个指标构建各覆膜处理下LAI的估算模型,以特征指数为因变量建立的模型对LAI的反演结果精度较高,其拟合和验证决定系数R2均在0.8以上,均方根误差RMSE为0.45~0.65cm2/cm2,剩余预测偏差RPD均大于2,由于覆膜的影响,无覆膜处理LAI反演精度高于覆膜处理。以特征指数NI(722,731)为自变量建立的所有处理的混合LAI估算模型表现了反演的优越性,能降低覆膜对LAI反演的影响。     

基于Sentinel-2影像的黄河南岸典型改良示范区土壤含盐量反演模型

土壤盐渍化严重制约农田土壤环境的循环发展,高效准确地监测土壤盐分动态变化对盐碱地改良利用具有重要意义。为及时、有效地监测盐渍化土壤含盐量,以内蒙古黄河南岸灌区的4个典型盐碱化耕地改良示范区为例,利用Sentinel-2多光谱遥感影像,同步采集示范区内表层土壤的含盐量数据,通过相关性分析筛选敏感光谱指标,基于偏最小二乘回归（PLSR）、逐步回归（SR）、岭回归（RR）3种简单机器学习模型和深度学习Transformer模型建模,最后进行精度评价并优选出最佳含盐量反演模型。结果表明：示范区土壤反射率的可见光、红边、近红外波段反射率均与土壤含盐量呈正相关,短波红外波段反射率与土壤含盐量呈负相关,引入光谱指数能够有效提升Sentinel-2遥感影像与示范区表层土壤含盐量的相关性（相关系数绝对值不小于0.32）;对比不同模型发现深度学习Transformer模型优于简单机器学习模型,验证集决定系数R2和均方根误差（RMSE）分别为0.546和 2.687g/kg;含盐量反演结果与实地结果相吻合,为更精准反演内蒙古黄河南岸灌区盐渍化程度提供了参考。     

基于特征降维和机器学习的覆膜冬小麦LAI遥感反演

为进一步提升无人机遥感快速监测覆膜条件下冬小麦叶面积指数(Leaf area index, LAI)的能力,以垄沟覆膜冬小麦为研究对象,利用无人机搭载五通道多光谱传感器获取2021—2022年冬小麦出苗期、越冬期、返青期、拔节期、抽穗期和灌浆期的遥感影像数据,使用监督分类剔除背景并计算50种可见光和近红外植被指数,采用主成分分析、相关系数法、决策树排序和遗传算法进行特征降维,结合偏最小二乘、岭回归、支持向量机、随机森林、梯度上升和人工神经网络6种机器学习算法建立不同输入特征变量下的覆膜冬小麦LAI反演模型,并进行精度评价。结果表明,剔除覆膜背景使冬小麦冠层反射率更接近真实值,提高反演精度。采用适宜的特征降维方法结合机器学习算法能够提高覆膜冬小麦LAI的反演精度和稳定性,对比特征降维前的反演精度,主成分分析和相关系数法无法优化反演效果,决策树排序只适用于基于树模型的随机森林和梯度上升算法,遗传算法优化效果明显,遗传算法-人工神经网络模型反演效果达到最优(决定系数为0.80,均方根误差为1.10,平均绝对值误差为0.69,偏差为1.25%)。研究结果可为无人机遥感监测覆膜冬小麦生长状况提供...     

棉花冠层叶面积的动态模拟

根据试验资料,在系统分析棉花冠层叶面积时空分布规律的基础上,充分考虑叶面积空间垂直分布的异质性,以生育期内累积的每日相对热效应为预报因子,构建了棉花叶面积垂直分布和叶面积指数的动态模拟模型。利用不同年份不同播期的试验资料对模型进行了验证,累积叶面积指数L（z）的模拟结果与1∶1直线之间的R^2和均方根误差分别为0.969和0.257,叶面积指数LAI的模拟结果与1∶1直线之间的R^2和均方根误差分别为0.936和0.305。结果说明模型具有较好的预测性和实用性。模型的模拟结果可作为冠层结构参数,用于冠层辐射传输模型和光合作用模型。     

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%。     

花生叶面积指数地面高光谱遥感估算模型研究

【目的】掌握花生叶面积指数(LAI)及其动态变化,并用于其生长监测和作物估产。【方法】试验于2019年在郑州市农业气象试验站进行,设置了3个不同氮素水平处理,以花生(豫花40)为研究对象,利用便携式光谱仪ASDHandHeld2测量花生冠层高光谱数据,使用LAI2200冠层分析系统采集花生叶面积指数。对原始光谱数据进行倒数对数和导数变换,并选取常见高光谱特征参数建立LAI估算模型,通过模型精度比较从中选择出最优估算模型。最后通过多元逐步回归,建立了花生LAI估算的多元回归模型。【结果】LAI单变量估算模型中,指数模型的R~2较大,其中VI_1(VI_1=R_g/R_r。R_g绿峰反射率,R_r红谷反射率)、VI_2(VI_2=(R_g-R_r)/(R_g+R_r))和R_r的指数模型R2超过0.68,拟合程度最高。同时利用检验样本计算均方根误差(RMSE),VI_2的RMSE值最小,其次是VI_1。【结论】以VI_2为自变量的指数模型最优,其次为VI_1。多元回归模型模拟精度高于单变量估算模型,当多种光谱参数均可获取的情况下,应优先选用多元回归模型对花生冠层LAI进行估算。     

基于无人机多光谱遥感的玉米FPAR估算

为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。     

基于哨兵-2A模拟反射率及其影像的冬小麦收获指数估算

为验证基于花后累积地上生物量比例动态参数（D-fG）的作物动态收获指数（D-HI）遥感估算方法在大范围获取作物收获指数空间信息的可行性和有效性,以我国黄淮海平原河北省衡水市为研究区,以冬小麦为研究对象,在前期田间冠层尺度确定作物收获指数估算敏感波段中心和最大波段宽度基础上,利用哨兵-2A(Sentinel-2A)遥感模拟反射率数据及其真实遥感数据开展基于花后累积地上生物量比例的区域冬小麦收获指数遥感估算研究。在基于不同波段组合Sentinel-2A遥感模拟数据筛选出的冬小麦动态收获指数估算最优波段信息基础上,利用Sentinel-2A影像数据实现区域作物收获指数空间信息准确获取。结果表明,在Sentinel-2A多光谱遥感模拟反射率波段λ1（672~680nm）和λ2（855~875nm）条件下,基于D-fG遥感参数信息的D-HI估测精度最高,其中,均方根误差（RMSE）、归一化均方根误差（NRMSE）和平均相对误差（MRE）分别为0.0404、10.83%、9.56%,证明Sentinel-2A卫星遥感数据在冬小麦收获指数估算中具有一定应用潜力。同时,在估测D-HI精度最高的模拟遥感数据波段信息基础上,基于Sentinel-2A卫星遥感红光和窄近红外波段组合的灌浆期不同阶段和成熟期D-HI估测区域总体验证精度指标RMSE、NRMSE和MRE分别为0.0502、13.81%、12.00%。上述结果表明基于Sentinel-2A卫星数据和花后累积地上生物量比例的作物动态收获指数遥感估算方法在大范围D-HI空间信息获取中具有一定可行性和有效性,为基于宽波段多光谱卫星遥感数据的大范围作物动态收获指数空间信息准确获取提供一定技术方法借鉴。     

基于Sentinel的时间序列田块尺度LAI重建与冬小麦估产

为了进行田块尺度的冬小麦单产估测,以陕西省关中平原为研究区域,基于Sentinel-1、Sentinel-2和Sentinel-3卫星数据反演叶面积指数（LAI）,并利用增强的深度卷积神经网络融合模型（EDCSTFN）和增强的时空自适应反射率融合模型（ESTARFM）对Sentinel-1、Sentinel-2和Sentinel-3 LAI进行时空融合,进而重建尺度12d的空间分辨率20m LAI并用于冬小麦单产估测。结果表明,基于Sentinel-1后向散射系数和相干性能够准确地反演关中平原冬小麦种植区的20m空间分辨率LAI,决定系数（R2）在冬小麦主要生育期可达0.70以上;相比于基于Sentinel-2和Sentinel-3的ESTARFM模型和EDCSTFN模型（EDCSTFN_S3）,基于Sentinel-1和Sentinel-2的EDCSTFN模型（EDCSTFN_S1）可以明显提高距离参考影像获取日期较远的日期的LAI时空融合精度,ESTARFM、EDCSTFN_S3和EDCSTFN_S1 3个模型在5月下旬的融合结果对应的R2分别为0.53、0.71和0.76;基于时空融合LAI的冬小麦估产结果与冬小麦单产数据具有良好的相关性（R2=0.52,P<0.01）,估产结果的均方根误差为358.25kg/hm2,归一化均方根误差为19%,平均相对误差为7.34%,并显示了丰富的田块尺度冬小麦单产分布细节特征,展现了进行田块尺度冬小麦精确估产的潜力。     

无人机多源光谱反演大田夏玉米叶面积指数

【目的】研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果。【方法】以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习,建立了夏玉米LAI的反演模型。【结果】多光谱植被指数以及TC均与夏玉米LAI在P0.000 1水平上显著相关,相关系数均在0.5以上;RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的LAI预测值与实测值的R~2均高于MLR算法和SVM算法,对应的RMSE及NRMSE均低于MLR算法和SVM算法;融合热红外TC后的RF模型反演精度均有不同程度的提升,各生育期LAI预测值与实测值R~2均大于同时期未融合TC的LAI反演模型。【结论】多光谱植被指数以及TC均与夏玉米LAI具有较强的相关性,且RF算法构建的夏玉米LAI反演模型精度优于MLR和SVM算法,同时TC的加入可以有效提升夏玉米LAI反演精度。     

基于无人机冠层高光谱的滴灌棉田地上部生物量估测

为了快速获取棉花长势信息为棉田精准水肥管理提供决策支持,以新疆石河子滴灌棉花为研究对象,利用无人机搭载高光谱成像光谱仪采集了滴灌棉花7个生长日期的光谱信息,地面同步采集样本,共收集了176个样本,构建了30个光谱反射率模型,并筛选出了一种基于无人机冠层高光谱遥感的棉花地上部生物量高效无损监测模型。研究结果表明:滴灌棉花地上部生物量与反射率在0.01水平上显著相关,估算滴灌棉花地上部生物量的最优模型为基于连续投影算法的偏最小二乘法的光谱反射率模型,该模型的校正决定系数为0.7061,均方根误差为0.0198,验正决定系数为0.7168,均方根误差为0.0275,可作为无人机遥感快速、无损估测滴灌棉花地上部生物量的技术手段。本研究旨在为开发实时监测的多光谱仪器提供了理论支持。