全国农作物叶面积指数遥感估算方法

目前对农作物叶面积指数LAI的遥感估算研究多是针对单一作物或是作物种植结构单一的区域,该文运用大尺度农作物叶面积指数的遥感估算方法,在像元尺度上对4个代表性实验站的LAI与归一化植被指数(NDVI)的相互关系进行了回归分析后,得到4种代表性作物种植结构的LAI估算模型,然后结合全国农作物种植结构数据对模型外推,建立了一个全国尺度的遥感模型,并估算了全国作物LAI。该文使用“863”项目山东遥感应用综合试验中的作物LAI观测数据进行了验证,结果表明该模型较其它估算模型达到了较高的精度,最大相对误差为39%,平均的相对误差为19%。该模型的计算结果已经在“中国农情遥感速报”系统中得到了广泛的应用。     

基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价

如何将农作物从复杂动态变化的农田场景中准确提取出来,是作物分割方法后续提取覆盖度或反演叶面积指数准确与否的关键。本文以郑州、泰安和固城站2011年和2012年生长季的夏玉米为研究对象,利用在线式图像自动传输装置实时获取户外不同光照强度以及真实农田复杂背景下的夏玉米群体动态图像,在对原始图像进行几何校正的基础上,采用AP-HI、ExG、ExGR和CIVE4种作物分割方法提取夏玉米覆盖度和反演叶面积指数,通过对比试验定量评价每种作物分割方法对农田复杂背景的适应能力和精度,并从中选取适合农田复杂环境下夏玉米冠层图像覆盖度和叶面积指数的有效提取方法。结果表明：光照强度变化以及植物阴影、植物残渣等复杂背景对作物分割算法的精确性影响较大,AP-HI方法在光照适应性和对抗复杂环境两个方面均优于其它方法,相对误差在0.2以下,高于目估法测量的精度;通过对比分析发现,利用4种作物分割方法通过冠层孔隙率估算不同生长期夏玉米LAI,AP-HI反演模型最优,其估算的LAI与实际测得的LAI值比较的相关系数最高,为0.89~0.96,均方根误差最小,为0.47~0.75。综合考虑模型的精度和稳定性认为,基于AP-HI方法反演叶面积指数的方法具有一定应用优势。     

结合无人机光谱与纹理特征和覆盖度的水稻叶面积指数估算

为了探究无人机多指标构建叶面积指数(Leaf Area Index,LAI)估算模型的能力,该研究通过不同纹理组合方式优选纹理指数,分别以光谱特征、纹理指数和作物覆盖度作为输入量建立一元线性模型,3类指标结合构建多元逐步回归和人工神经网络模型,分析多指标结合估算LAI的精度。结果表明:新的纹理指数能够明显提高纹理特征值与LAI的相关性,近红外波段均值与蓝波段均值的差值较近红外波段均值提高了13.54%;将绿度归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)、差值纹理指数和作物覆盖度结合来估算水稻LAI的精度最好,多指标结合的多元逐步回归模型的决定系数为0.866,调整后决定系数为0.816,均方根误差为0.308,人工神经网络模型结果再次验证这一结论。该研究成果可为基于无人机平台估算作物结构参数提供理论依据,并为其他作物LAI估算提供借鉴。     

便携式作物生长监测诊断仪的设计与试验

为了解决当前作物生长信息实时、快速、无损测量手段瓶颈问题,研发了一种基于多光谱传感器的便携式作物生长监测诊断仪。该仪器由多光谱传感器系统、处理器系统及附属机构组成,能实时无损地获取作物叶层氮含量、叶层氮积累量、叶面积指数、生物量等主要生长指标。对水稻的试验结果表明,便携式作物生长监测诊断仪测得的DVI值与水稻叶层氮含量、氮积累量、叶面积指数、叶干重的决定系数R2分别为0.711,0.8231,0.7698,0.7212。该仪器结构简单,集成度高,性价比好,携带方便,易于田间操作。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

基于有效积温的中国水稻生长模型的构建

有效积温是指作物生长至某一生育阶段所需要积累的有效温度,是反映气象条件对作物生长影响的主要指标,研究有效积温对作物生长过程的影响对提高农业生产效率具有重要意义。该文以有效积温作为气象因子,收集中国气象数据网中的气象数据和已发表的学术论文中的水稻生长数据,建立了描述水稻生长过程的叶面积指数和干物质积累量的普适Logistic模型,并研究了水稻最大叶面积指数与最大干物质积累量、收获指数(作物经济产量与生物产量的比值)及降水量之间的关系。结果表明:有效积温为1000℃左右时,水稻叶面积指数最大,且此时干物质增长速率最大;水稻最大叶面积指数与最大干物质积累量之间表现为线性关系;最大叶面积指数和收获指数、降水量之间为二次抛物线关系,当降水量为670.5 mm时,最大叶面积指数为7.93,对应的水稻收获指数达到最大值0.50。该研究对于构建其他作物的生长模型具有一定的参考意义。     

基于水稻叶面积指数的根生物量预测模型研究

准确预测作物根生物量对评价农田生态系统碳源汇功能具有重要意义。本研究以江西省余江县为研究区,以2012年晚稻季抛秧的黄花粘水稻为研究对象,基于26个监测点的水稻生育期(分蘖期、抽穗期、灌浆期和完熟期)叶面积指数(LAI)以及完熟期地上和地下生物量数据,分析了LAI与生物量的相关关系,比较了利用LAI直接预测根生物量和利用根冠比法预测根生物量的优劣,最终建立了基于多生育期LAI的水稻根生物量预测模型。结果表明:灌浆期LAI与根生物量呈极显著相关关系,相关系数为0.775;利用LAI直接预测根生物量精度高于根冠比法;利用单一生育期LAI预测根生物量的精度较低;多生育期LAI能显著提高根生物量预测精度,其中基于抽穗期、灌浆期和完熟期LAI组合的根生物量预测模型最优。综上所述,本研究区抛秧的黄花粘水稻的根生物量可以通过LAI快速、准确地预测。     

基于无人机遥感影像的大豆叶面积指数反演研究

作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。     

基于LAI时间序列重构数据的冬小麦物候监测

农作物物候信息对农作物长势监测和估产具有重要意义。该文以河北省中南部冬小麦为研究对象,以叶面积指数(LAI,leaf area index)为同化量,采用重采样粒子滤波算法同化WOFOST(world food studies)作物生长模型和遥感观测LAI,重构LAI时间序列数据,基于重构数据提取冬小麦返青期、抽穗期和成熟期等关键物候期。重构结果表明,重构的LAI具有良好的时间连续性和空间连续性,可减缓WOFOST作物模型LAI变化剧烈程度,峰值出现时间与遥感LAI曲线基本同步,且可一定程度上解决遥感观测LAI数值整体偏低和数据缺失的问题。物候期监测结果表明,在空间分布上与冬小麦实际生长状况基本相符,时间上也较为合理,但因在返青期存在LAI高初始值、成熟期存在LAI下限不确定性等问题致使在具体日期存在偏差。     

WOFOST模型同化时序HJ CCD数据反演叶面积指数

为增强作物叶面积指数遥感反演的机理性并提高反演精度,在深入分析作物长势模型WOFOST机理的基础上,采用最小二乘法作为同化算法,以生长季内获取的时序HJCCD遥感数据作为外部数据源,反演冬小麦叶面积指数进行长势监测和估产应用。以河北省玉田县为试验区,以三要素法和实测LAI作为基准,模型模拟产量和LAI作为反演精度的度量指标,成熟期LAI估算误差由模型同化前的14.95%降至同化后的9.97%,产量误差由同化前的18.17%降为同化后的15.89%。叶面积指数的同化结果与实测数据具有较好的拟合度,表明该方法的具有一定可行性,为作物生长模型区域化应用提供了参考。     

基于偏角光谱检索算法的油菜和水稻LAI反演研究

叶面积指数(LAI)是评价植被长势及产量预测的重要指标,对其进行精准快速估测有助于植被的生长状态诊断和管理。本研究以不同施氮水平、不同栽种方式下的油菜和不同品种水稻为试验对象,基于冠层高光谱曲线形态,引入偏角光谱检索算法(DABSR)提取光谱偏角,同时采用植被指数法和主成分分析法进行对比分析,探索适用于水稻、油菜LAI估算的统一模型构建方法。研究结果表明,估算油菜LAI时,DABSR反演精度较高,预测R~2、RMSEP分别为0.74、0.47,偏移量MNB为0.16;主成分分析法反演精度次之,预测R~2、RMSEP、MNB分别为0.73、0.48、-0.04;而植被指数法受不同生育期油菜株型、覆盖度影响反演精度普遍较低,精度较高模型的预测R~2、RMSEP、MNB分别为0.61、0.57、0.17。在估算水稻LAI时,DABSR反演精度最优,预测R~2、RMSEP、MNB可达0.70、0.80、0.05。综合考虑模型的验证精度、特征选择的合理性以及模型计算效率,DABSR偏角光谱检索法估算油菜和水稻LAI具有较高精度,且受施肥水平、栽种方式、生长期等因素影响较小,为构建精确的植被LAI统一估算模型提供了新思路。     

基于 HJ - CCD 时序数据提取镇江市水稻种植分布

基于传统经验公式法和辐射传输法,分别对江苏省镇江市水稻分布状况进行提取。经验公式法可基于植被指数与叶面积指数的统计关系求得,以归一化植被指数和增强植被指数分别建立统计模型,而辐射传输模型采用PROSAIL模型,建立查找表,通过对比模拟和卫星遥感反射率数据对水稻的LAI(叶面积指数)进行确定。试验依据水稻生育期间LAI的时相分布,确定镇江水稻的种植分布状况。结果表明:(1)由经验公式法得到的镇江水稻面积为7.95×104hm2,相对误差为14.9%,由辐射传输法得到的镇江水稻面积为8.65×104hm2,相对误差为7.5%。辐射传输法的结果更接近实际值。(2)在统计模型中,增强植被指数EVI与LAI相关性比归一化植被指数NDVI与LAI的相关性更高,用EVI-LAI方程对LAI作进一步反演效果更理想;(3)实测值验证分析表明,统计模型反演的LAI标准误差为1.32,PROSAIL模型反演的LAI标准误差为0.97,说明在遥感反演植被生物物理参数时,辐射传输法比传统的经验公式法稳定性更强。研究结果对探讨两种方法在提取作物分布范围中的应用,准确了解作物长势和种植面积以指导生产具有重要意义。     

基于3CCD摄像机的水稻农学参数估算

水稻农学参数的估算是调控水稻生长、预测水稻产量的重要基础和根据。该文以广东省农业科学研究院大丰农场水稻研究所的稻田为研究对象,根据植物反射光谱的特性,研究3CCD摄像机水稻叶面积指数、生物量、叶绿素含量、叶长、叶宽、株高、产量等农学参数的估算,结果表明:分蘖期农学参数不适于用3CCD摄像机估算;叶面积指数在分化期估算最准确;生物量、叶绿素含量、产量均在抽穗期估算较好;3CCD摄像机不适用于大面积水稻株高、剑叶长、剑叶宽等外部特征的估算。该文为CCD摄像机的水稻估产打下基础。     

玉米全生长期叶面积指数收获测量法的改进

农作物全生长期冠层表现不同的结构,常规的叶面积指数测量仪器不能适用于全生长期的叶面积指数测量,提出改进的收获测量法可进行玉米全生长期叶面积指数的测量,并且测量结果也具有可比性,该法在减少常规直接测量法工作量的同时也减少了对玉米的破坏。通过对比不同生长期单株样本叶面积计算的两种方法,得出二元二次回归法比常规的形状因子法计算精度高的结论。同时,分析不同生长期玉米秆所占总面积比例的规律,得出进行叶面积指数的准确测量,玉米秆的表面积必须进行准确考虑。该研究可为同类作物叶面积指数测量提供参考,可以有效推动叶面积指数的准确快速测量及遥感反演的验证工作。     

基于时间序列叶面积指数傅里叶变换的作物种植区域提取

为了获取不同农作物的空间分布信息,以华北平原黄河以北地区为研究区域,利用Savitzky-Golay滤波对2014—2016年的时间序列叶面积指数(leaf area index,LAI)进行重构,进而应用一阶差分法和重构LAI的傅里叶变换的谐波特征对研究区域主要农作物冬小麦、玉米和棉花种植区域进行识别和提取,并对不同作物的识别精度进行验证。结果表明,基于Savitzky-Golay滤波重构的LAI能够去除由云、大气等因素造成的LAI骤降的影响,重构LAI曲线平滑且符合作物的生长规律特征。研究区域2014—2016年作物识别的总体精度均大于80.00%,2015年达到87.08%,冬小麦-夏玉米、春玉米、棉花和单季夏玉米的识别精度分别为92.50%、80.00%、85.00%和82.50%,表明利用一阶差分法能够准确提取研究区域一年一季和一年两季作物种植区域。结合傅里叶变换方法和作物物候信息能够有效地识别不同作物的种植区域,进而获取研究区域主要农作物的分布信息。该研究可为研究区域主要作物的长势监测及产量估测预测提供参考。     

夏玉米叶面积指数增长模型的研究

以玉米多品种多年试验资料，研究了反映区域叶面积指数(LAI)动态变化的模拟模型，该模型以积温指标表示的生育阶段为自变量，综合不同地理位置、品种、播期、密度等的影响，是一个扩展的Logistic叶面积生长模型，经检验可很好地模拟不同生育阶段叶面积指数动态变化，可用于区域作物生长模拟模型和区域作物生长监测及遥感估产。     

高光谱数据估测稻麦叶面积指数和叶绿素密度

该研究利用高光谱遥感技术分析水稻和小麦两种作物不同生育期的冠层光谱及其叶面积指数和叶绿素密度的变化,比较高光谱植被指数与两种作物的叶面积指数和叶绿素密度之间的关系,最后确定估算两种作物的叶面积指数和叶绿素密度最佳植被指数。结果表明：水稻和小麦两作物的叶面积指数和叶绿素密度在整个生育期内的变化规律基本一致,即先升高后下降的趋势,但两作物叶绿素密度与叶面积指数最大值出现的时期不同;稻麦两作物在整个生育期内的光谱反射率曲线,在可见光区域（400～700 nm）变化无明显规律,在近红外区域（700～1 000 nm）,生育前期反射率由低到高,到生育后期则由高到低,其中最大值分别出现在抽穗期和灌浆期左右;通过14种植被指数与两作物的叶面积指数和叶绿素密度相关性比较分析得知,二次修正土壤调节植被指数（MSAVI2）与水稻农学参数相关性最好,相关系数r＞0.91,而小麦在800 nm处的光谱反射率(R800)与其农学参数相关性最好,相关系数r＞0.92;并利用线性回归的方法,建立了估算两作物叶面积指数和叶绿素密度的模型,决定系数R2＞0.85。这样为不同环境条件下（水作和旱作）农作物的动态监测和科学管理及决策提供了技术支持。     

基于PROSAIL模型及TM与实测数据的MODIS LAI精度评价

利用PROSAIL模型和TM影像反演的叶面积指数LAI及地面实测数据,从空间和时间序列上分别对吉林省主要玉米种植带的MODIS LAI产品精度进行验证分析,为准确评价和科学准确应用MODIS数据提供科学依据。研究结果表明,MODIS LAI产品精度因玉米生长时期和植被类型而异,混合像元是造成MODIS LAI产品低估玉米作物LAI值的主要原因之一;不同年份不同生长时期,MODIS LAI和实测数据表现出不同的关系;在玉米生长灌浆期之后,MODIS LAI产品与同期地面实测玉米LAI相比,约低估了33%～53%左右,MODIS LAI产品值明显低于TM影像反演的LAI值,约低估玉米LAI值约30%～69%左右。因MODIS LAI产品值与实际值有较大偏差,非常有必要对农作物MODIS LAI产品值进行验证分析,研究结果可为准确利用MODIS LAI产品及其算法改进后产品精度提供一种评价途径。     

遥感信息与作物生长模型的区域作物单产模拟

利用外部数据同化作物生长模型提高区域作物单产模拟精度是近年来的研究热点.该文以遥感反演的叶面积指数(LAI)作为结合点,以黄淮海粮食主产区典型县市夏玉米为研究对象,在区域尺度利用全局优化的复合形混合演化( SCE-UA)算法进行了遥感反演LAI信息同化EPIC (environmental policy integra...     

基于最大熵模型的玉米冠层LAI升尺度方法

叶面积指数(leaf area index,LAI)是表达农作物冠层结构的关键参数之一,准确获取LAI对于农作物长势监测、估产等研究具有非常重要的意义。由于地物空间复杂性、数据源的不同以及遥感反演模型的非线性,LAI的反演结果会存在尺度效应,因此需要进行尺度转换研究。理想的升尺度转换应该只是数据空间分辨率的降低,而数据内在信息应保存到低分辨率中。最大熵(maximum entropy,Max Ent)模型是基于多种环境因子的广义学习模型,对分析因子的空间分布具有较高的估算精度,因此,该研究利用最大熵模型进行玉米冠层LAI升尺度方法研究,从而将野外实测的LAI点数据扩展到空间分辨率为30 m的面数据,所使用的数据源是Landsat8 OLI遥感影像、气象数据和野外样点上测量的LAI数据。研究结果表明:利用最大熵模型升尺度转换结果与实测LAI相比,R2为0.601、RMSE为0.898,说明两者的相关性较高;由于玉米冠层叶片之间的相互遮挡,导致整体结果偏低,但偏低误差在可接受范围内。因此,Max Ent模型可用于农作物LAI点数据到面数据的升尺度转换。