基于光谱指数的冬小麦冠层叶绿素含量估算模型研究

为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合,同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果,通过分析350~2 500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系,建立冬小麦冠层叶绿素含量估算模型。结果表明,选用归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)和土壤调节光谱指数(SASI)建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0.71,标准误差均小于1.842。利用独立试验资料进行检验,表现最好的是RSI(FD_(689),FD_(609))和SASI(R_(491),R_(666))L=0.01,预测精度高达98.2%,模型精确度和可靠性较高。     

基于Dualex植物多酚-叶绿素仪的冬小麦叶绿素含量高光谱估算

为探讨基于Dualex植物多酚-叶绿素仪和高光谱遥感技术反演小麦叶绿素含量的可行性,利用Dualex植物多酚-叶绿素仪,测定不同生育时期冬小麦叶片叶绿素含量(Chl),同时进行叶片光谱测定,以对Chl敏感的1个一阶导数波段、3个三边参数和3个植被指数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建估测模型,并利用验证样本对各生育时期估测模型进行精度检验,同时与传统的单因素模型进行了比较。结果表明,冬小麦反射光谱曲线在不同生育时期有所不同,且随着叶绿素含量的增加,可见光波段的光谱反射率不断降低;在以一阶导数光谱敏感波段、三边参数以及植被指数构建的冬小麦Chl单因素估算模型中,基于各生育时期显著相关的植被指数构建的模型精度最优;以7个参数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建的模型在各生育时期均表现出较好的拟合性及预测精度,尤其利用SVR建立的模型建模决定系数在0.8以上,预测决定系数在0.7以上,是进行冬小麦叶片Chl估测的最优模型。     

基于连续投影算法和光谱变换的冬小麦生物量高光谱遥感估算

为探索基于全波段冠层高光谱以及变换光谱的冬小麦地上部生物量的遥感估算方法，以2016、2017年冬小麦田间试验为基础，通过对冠层光谱和地上部生物量的相关性分析，筛选拔节期、抽穗期的冬小麦冠层光谱、一阶导数光谱、对数变换光谱和连续统去除光谱对地上部生物量的敏感波段，并结合偏最小二乘法(PLS)分别建立拔节期和抽穗期基于SPA算法的冬小麦地上部生物量估测模型，再与基于任意两波段组合的最佳归一化光谱指数、比值光谱指数、差值光谱指数和已报道光谱指数的冬小麦地上部生物量估测模型进行比较。结果表明：(1)SPA算法较好地利用了全波段冠层光谱信息，并显著降低了光谱维度，不同变换光谱的地上部生物量敏感波段个数在4~14之间；(2)拔节期和抽穗期冠层光谱与地上部生物量的相关性高于开花期和灌浆期，各生育时期一阶导数光谱与地上部生物量之间的相关性优于连续统去除光谱、对数变换光谱和光谱指数；(3) 利用抽穗期一阶导数光谱敏感波段建立的预测模型和验证模型达到了较高的精度，其预测模型的决定系数和均方根误差分别为0.78和0.87 t·hm^-2，验证模型的决定系数和均方根误差分别为 0.84和0.69 t·hm^-2，预测相对偏差为2.74。这说明，抽穗期是估算地上部生物量的最佳生育时期，且基于冠层一阶导数变换光谱，结合连续投影算法和偏最小二乘回归方法所构建抽穗期地上部生物量估算模型具有最优的精度和预测能力，可用于地上部生物量的定量估算。     

基于高光谱特征参数的冬小麦氮营养指数估算

为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术，利用美国SVC HR-1024I型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测，获取“三边”参数、任意两波段光谱指数和植被指数，通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数，结合偏最小二乘回归(PLSR)、随机森林算法(RFR)、支持向量机回归(SVR)和梯度增强回归(GBDT)建立冬小麦氮营养指数模型，并对模型估算精度进行验证。结果表明，从拔节期到灌浆期，各时期的氮营养指数与任意两波段光谱指数均呈极显著相关，其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期，且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大，为0.66。拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r²)和均方根误差(RMSE)分别为0.96和0.05,模型验证的r²、RMSE和相对预测偏差(RPD)分别为0.95、0.12和2.12,模型预测精度最高。因此，拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测...     

基于优化光谱指数的新疆春小麦冠层叶绿素含量估算

为筛选可用于干旱半干旱区春小麦冠层叶绿素含量估算的高光谱植被指数,2017年通过测定春小麦关键生育时期冠层的田间高光谱与叶绿素含量,利用光谱指数波段优化算法分别计算400～1 300 nm光谱波段中不同波段两两组合的比值光谱指数(ration spectral index,RSI)、归一化光谱指数(normalized difference spectral index,NDSI)、叶绿素指数(chlorophyll index,CI)、简化光谱指数(CI/NDSI,NPDI),并将这些参数及其他17个不同高光谱植被指数分别与实测冠层叶绿素含量进行Pearson相关分析,通过变量重要性准则筛选最优光谱参数,使用偏最小二乘回归法建立冠层叶绿素含量的预测模型。结果表明:(1)RSIs、NDSIs、CIs和NPDIs与冠层叶绿素含量的相关性都优于前人研究中定义的17种高光谱植被指数,并且冠层叶绿素含量与NDSI(R_(849),R_(850))、RSI(R_(849),R_(850)),CI(R_(849),R_(850))和NPDI(R_(849),R_(850))表现出强相关性。(2)用此4个优化光谱指数分别建模时,以CI(R_(849),R_(850))、 CI(R_(539),R_(553))、 CI(R_(540),R_(553))、 CI(R_(536),R_(553))为自变量的X-3模型预测精度最高(r~2=0.74,RMSE=0.272 mg·g~(-1))。(3)结合4个优化光谱指数构建的组合模型预测精度,其r~2=0.83,RMSE=0.187 mg·g~(-1)。     

用投影寻踪降维方法估测冬小麦叶绿素密度

为综合更多有效信息来提高冬小麦叶绿素密度的估测精度,应用投影寻踪降维方法对条锈病胁迫下冬小麦冠层光谱进行降维,生成一维向量,然后采用支持向量机回归方法对其叶绿素密度进行估测,并与高光谱植被指数估测结果进行了比较。结果表明,以小麦冠层一阶微分光谱与叶绿素密度相关性较高的波段(400~500nm、720~770nm和840~870nm)进行投影寻踪降维得到的最优一维向量为自变量,利用支持向量机回归方法构建的冠层叶绿素密度估测模型的精度最高,决定系数为0.867,均方根误差与相对误差均最小,分别为1.135μg·cm-2和13.6%。说明利用投影寻踪降维技术对条锈病胁迫下冬小麦冠层光谱进行降维处理,可以保留有效信息,提高冬小麦叶绿素密度估测精度。     

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_red)和近红外波段反射率(BR_nir)的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_red和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_BP),并对估测模型进行精度验证。结果表明,WWLCC_BP估测模型在拔节期估测的决定系数(r²)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_BP和高分六号影像...     

冬小麦白粉病冠层光谱特征解析与病情指数反演

为探讨利用高光谱技术快速无损地监测小麦白粉病灾情的方法,通过人工田间诱发白粉病,在灌浆期对不同发病等级(病情指数)的冬小麦进行冠层高光谱测定,对原始光谱数据进行一阶微分处理,筛选最佳光谱特征参量和植被指数,构建冬小麦白粉病病情指数反演模型。结果表明,在冠层尺度,小麦白粉病"红边"位置均在730nm左右(±1nm);经验证,5种模型中三角植被指数(TVI)模型估算精度最好,r2和RMSE分别达到了0.700和0.112,与精度最低的优化土壤调节植被指数(OSAVI)模型相比,r2提高了0.071,RMSE降低了0.013。小麦白粉病"红边"蓝移现象并不明显;五种模型r2都达到了0.6以上,说明高光谱技术都能够有效地对冬小麦白粉病病情指数进行无损、快速、精确的反演,其中TVI的反演精度最佳。     

基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究

为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。     

基于分数阶微分的春小麦叶绿素含量高光谱估算

为提高农作物叶片叶绿素含量高光谱估算的准确度,以阜康农作物试验地为研究靶区,测定了165个采样点的春小麦叶片叶绿素含量和叶片光谱反射率,运用分数阶微分算法进行光谱预处理,最后运用偏最小二乘法(PLSR)建立叶绿素含量估算模型。结果表明,对数学变换■、lg~R、1/lg~R、1/R)的光谱及原始光谱(R)的数据进行0～2阶分数阶微分预处理时,通过0.01水平显著性检验的波段数量明显增加,且光谱数据经4种数学变换后均在1.2阶微分与小麦叶绿素含量有较高的相关性。1.2阶微分处理后,对叶绿素含量的敏感波段数量表现为■。利用对数变换和1.2阶微分计算的植被指数(NDVI、DVI、RVI、MSR_(705)、MSR_(670,800)、CI)建立的PLSR模型的估算精度最优,其预测的相对误差、决定系数和平方根差分别为2.17、0.87和0.243mg·g~(-1),可作为小麦叶片叶绿素含量的最佳估算模型,也说明对光谱数据进行数学转换和分数阶微分处理可显著提高春小麦叶绿素含量的估算精度。     

基于高光谱遥感的小麦黄花叶病害等级监测研究

为了构建小麦黄花叶病的遥感监测技术,在小麦返青期、拔节前期和拔节后期测定了不同黄花叶病等级下的冠层反射率,并同步调查与病害等级相关的小麦株高、含水量、氮含量、色素含量等农学参数,筛选出适宜监测小麦黄花叶病的植被指数,并构建病害等级监测模型。结果表明,小麦黄花叶病的反射光谱敏感波段在返青期和拔节前期集中于560～720 nm范围,而拔节后期则集中于800～900 nm区域。随病害等级的增加,光谱反射率在可见光波段逐渐增加,而在近红外波段区域降低。植被指数与病害等级相关性在不同生育时期间存在显著差异,整体上以拔节前期最好,决定系数(r)为0.72～0.82,而拔节后期模型精度急剧下降(r=0.26～0.72)。在植被指数中,整体上以表征色素变化的mND705模型预测精度最好,r和RMSE分别为 0.59～0.68和0.79～0.98。采用偏最小二乘回归(PLSR)建立黄花叶病害分级模型,三个时期的模型精度均高于植被指数模型,且整体上以返青期和拔节期前期估算效果较好,模型验证r为0.93～0.97,RMSE为0.24～0.32。因此,利用PLSR模型可以准确评价返青至拔节期前期小麦黄花叶病害等级。     

基于无人机多时相遥感影像的冬小麦产量估算

为高效准确地预测小麦产量,以浙江省冬小麦为研究对象,利用四旋翼无人机精灵4多光谱相机获取冬小麦5个关键生育时期（拔节期、孕穗期、抽穗期、灌浆期、成熟期）的冠层多光谱数据,选取多光谱相机的五个特征波段计算各生育时期的72个植被指数,分别通过逐步多元线性回归（SMLR）、偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机（SVM）、随机森林（RF）构建不同生育时期的产量估算模型,最后采用决定系数（R）、均方根误差（RMSE）和相对误差（RE）对估算模型进行评价,筛选出最优估算模型。结果表明,基于随机森林建立的模型估算效果最优,SMLR、PLSR和SVM三种方法建立的模型估算效果接近。利用随机森林算法所建拔节期、孕穗期、抽穗期、灌浆期、成熟期模型的R、RMSE和RE分别为0.92、0.35、11%;0.93、0.33、10%;0.94、0.32、9%;0.92、0.36、9%;0.77、0.67、33%。模型验证时,抽穗期估算效果最好（R、RMSE和RE分别为0.91、0.35和15%）,拔节期、孕穗期、灌浆期估算效果接近且有很好的估算能力,成熟期估算精度最差（R、RMSE和RE分别为0.71、0.47和13%）。由此说明,结合机器学习算法和无人机多光谱提取的植被指数可以提高小麦产量估算效果。     

基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算

为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r~2为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。     

区域尺度冬小麦叶绿素含量的高光谱预测和空间变异研究

为从区域尺度探讨小麦SPAD的近地高光谱遥感监测技术,采用ASDField Spec 3.0型便携式高光谱仪获取的冬小麦冠层高光谱数据,利用相关分析和偏最小二乘法(PLSR)对SPAD进行建模预测,并采用地统计学方法进行空间变异制图。结果表明,冬小麦叶片SPAD值在不同生长阶段存在一定的差异,但在不同区域之间差异不显著。基于PLSR建立模型,并利用原始光谱和二阶导数光谱进行预测,R~2分别为0.653和0.995,均方根误差分别为2.622和0.327,相对析误差分别为1.549和13.66。综合来看,二阶导数光谱所建立的模型预测能力比原始光谱好。选择拔节期和成熟期进行区域化表达,与实测得到的SPAD空间分布图相比,采用全光谱数据和二阶导数光谱数据预测的SPAD均表现出了较高的空间相似性,其中二阶导数接近实测值。     

基于红边特性和连续小波变换的冬小麦叶绿素含量估算

为充分利用高光谱数据红边区域对冬小麦叶绿素含量进行估算,以关中地区冬小麦为研究对象,基于红边波段反射率的一阶导数进行连续小波变换,对变换后得到的小波系数与叶绿素含量进行相关性分析,选取相关性较好的小波系数分别结合偏最小二乘法（PLS）、BP神经网络（BPNN）算法、随机森林（RF）算法和XGBoost算法构建冬小麦叶绿素含量估算模型。结果表明：（1）通过对建模数据和验证数据的决定系数（R）、均方根误差（RMSE）和相对分析误差（relative predictive derivation,RPD）进行比较,利用XGBoost算法构建的估算模型表现最好;（2）通过XGBoost算法的特征重要性分析得到13个有效小波系数,将其与7个红边指数共同作为自变量代入XGBoost算法发现,优化后的模型精度得到显著提高,建模集决定系数（R=0.91）和验证集决定系数（R=0.802）分别提高了1.34%和11.54%。这说明该方法可以作为一种挖掘高光谱敏感特征信息的途径来估算冬小麦叶绿素含量。     

冬小麦叶面积指数的品种差异性与高光谱估算研究

为给小麦叶面积指数（LAI）的高光谱估算提供技术支持,基于2年大田试验,以4个河南主推品种为材料,对小麦LAI和冠层光谱变化特点、估算模型及其品种间的差异等进行了系统分析。结果表明,在生育期内不同冬小麦品种冠层光谱反射率的变化与LAI变化有差异;在相同LAI下,不同冬小麦品种的光谱曲线存在差异。利用400~900 nm范围内冠层光谱反射率的任意两波段组合的比值光谱指数（RSI）、归一化差值光谱指数（NDSI）和差值光谱指数（DSI）所建立的单品种模型以及不同品种综合模型的决定系数（r）均达到0.84以上,单品种模型的r和调整r分别较综合模型高出3.1%~4.8%和2.0%~4.2%。利用独立于建模样本以外的数据对上述模型进行检验,单品种模型预测的r较综合模型提高了0.6%~11.0%,而均方根误差降低了10.0%~37.0%。因此,在利用高光谱遥感技术估算冬小麦LAI时,可以通过建立单品种模型来提高估算精度。