棉花黄萎病病情严重度的连续统去除估测法

该文利用地面高光谱数据遥感监测棉花黄萎病病情严重度.通过分析黄萎病不同病情严重度下棉花单叶光谱变化特征,筛选对病情严重度识别的敏感波段,利用连续统去除法对光谱反射率进行处理并构建基于光谱特征吸收参量的病情严重度估测模型.红光光谱(650～700 nm)是识别棉花单叶黄萎病病情严重度的最佳波段,且随受害棉叶病情严重度增加,红光光谱吸收波段位置向长波方向移动,吸收波段深度及特征吸收峰面积减小,二者与病情严重度呈极显著线性相关关系.以红光波段特征吸收峰右半端面积为自变量建立的线性模型具有最大决定系数,最小均方根误差,为棉花单叶黄萎病病情严重度估测的最佳模型.研究结果表明,利用高光谱遥感技术能够有效地监测棉花黄萎病病情严重度,为进一步深入研究棉花黄萎病的遥感监测机理提供理论依据.     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

运用PLS算法由HJ-1A/1B遥感影像估测区域小麦实际单产

为进一步提高遥感估产精度,显示国产影像在农业估产中的应用效果。该研究以2010-2013年HJ-1A/1B影像为遥感数据,分析了卫星遥感变量与小麦实际单产的定量关系,运用偏最小二乘回归算法构建及验证了以实际单产为目标的多变量遥感估产模型,并制作了小麦实际单产空间等级分布图。研究表明:实际单产与所选用的大多数遥感变量间关系密切,且多数遥感变量两两间具有严重的多重相关关系;实际单产偏最小二乘回归模型的最佳主成分为5,且植被衰减指数、绿色归一化植被指数、调整土壤亮度的植被指数、比值植被指数和归一化植被指数为实际单产遥感估测的敏感变量;建模集和验证集实际单产估测模型的决定系数分别为0.74和0.70,均方根误差分别为754.05和748.20 kg/hm2,相对误差分别为11.5%和8.88%,且估测精度比线性回归算法分别提高20%以上和40%以上,比主成分分析算法分别提高18%以上和30%以上,说明偏最小二乘回归算法模型估测区域实际单产的效果要明显好于线性回归和主成分分析算法,该模型应用结果与小麦实际单产区域分布情况相符合,为提高区域小麦实际单产的遥感估测精度提供了一种途径。     

基于3S和实测相结合的冬小麦估产研究

该文运用3S集成技术（地理信息系统、遥感和全球定位系统）,进行冬小麦产量估测的应用研究。结果表明, 3月下旬是运城地区冬小麦面积监测的最佳时相,4月上、中旬是该区冬小麦产量估算的最佳时期。用遥感信息中的TM提取冬小麦面积,AVHRR提取绿度信息,效果较好。根据归一化植被指数的大小把冬小麦分为3类,同类麦田在不同区域的实测产量差异很大。分析研究区域自然地理特征和关键期气象资料,以归一化植被指数、极高温度、相对湿度为主因子建立了冬小麦遥感—气象—产量综合模型。     

基于多源无人机影像特征融合的冬小麦LAI估算

为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。     

遥感估测土壤元素技术体系建立的研究初探——以溧水水田土壤全氮为例

氮素是作物的主要限产因子之一。遥感监测土壤氮素营养对于及时快速掌握农田肥力状况,合理施肥意义重大。植被指数在监测地表植被覆盖中发挥着重要作用,水田植被覆盖种类单一,其它影响因素少,这使得通过植被指数监测水稻长势,间接监测土壤肥力状况变得可行。文章利用中巴-2号卫星的CCD的归一化植被指数对南京溧水县水田的土壤全氮含量进行了估测,表明遥感估测土壤氮素含量是有可能性的。文章并对遥感估测水田土壤全氮含量的技术体系进行了探索和研究,提出了一套遥感估测土壤元素含量的技术体系。     

基于无人机多光谱影像的病害棉田产量损失估算

该研究利用无人机多光谱遥感影像对棉花黄萎病造成的产量损失进行估算,为棉花黄萎病预防和防治提供依据。对病害棉田进行调查,获取无人机多光谱影像及地面产量损失数据,利用相关系数法及灰度值标准差法分别筛选识别病害棉株的最佳植被指数、最佳波段组合;基于筛选的结果建立棉田综合影像（最佳波段组合与差值植被指数综合影像）,利用支持向量机径向基核函数分类法对病害棉田原始影像和综合影像进行产量空间分布分析及产量损失估算。结果表明,无人机多光谱影像识别病害棉田的最佳植被指数、最佳波段组合分别是差值植被指数（相关系数为-0.86）、波段B3（550～10 nm）、B5（656～10 nm）、B8（800～10 nm）的波段组合(B3-B5-B8)（最佳指数因子为153.44）;综合影像较原始影像更能准确识别病害棉田产量空间分布情况（总体精度为96.64%,Kappa系数为95.61%）,不同病害严重度（健康b0、轻度b1、中度b2、重度b3、极严重b4）对应棉田面积比例分别为7.81%、23.78%、29.20%、13.92%、17.43%;综合影像对病害棉田产量损失量估算效果最好,不同病害严重度（b0、b1、b2、b3、b4）对应棉田产量损失率分别为0、22.80%、31.32%、49.02%、76.33%,预估籽棉损失量达4 260.01 kg,损失率为49.16%,皮棉损失量达2 267.18 kg,损失率为54.51%。与病害胁迫棉田产量损失估算值相比,实际棉田籽棉损失率高6.28%,皮棉损失率高4.48%。病害胁迫棉田产量估算值与实际棉田收获值差异不显著,能够准确实现病害棉田产量损失估算。研究结果可为无人机遥感监测作物病害造成的产量损失提供理论依据和参考。     

基于高光谱遥感估测条锈病下的混种小麦产量分析

为利用高光谱遥感监测小麦条锈病,并对条锈病胁迫下的产量进行估测,通过4个对小麦条锈病具有不同抗病性的品种进行混合种植,从中找出产量最高的品种组合,利用高光谱遥感研究不同发病程度的混合种植小麦的冠层光谱,并用光谱数据提取植被指数,研究病情指数和产量与植被指数之间的关系,建立反演模型。结果表明：A（农大195）︰C（0045）︰D（农大211）=1︰1︰1组合的产量最高。在乳熟期时,归一化植被指数与产量相关性高。利用NDVI对各个生育时期的产量及产量构成因素进行模拟,产量在灌浆期时的模拟效果最好。条锈病发生后利用多时相组合的植被指数NDVI对产量进行模拟精度高。     

基于无人机影像的SEGT棉花估产模型构建

及时、准确的产量估算对农业经营管理和宏观决策具有重要意义。该研究利用无人机高分辨率遥感影像,提出了一种基于苗铃生长趋势的SEGT(Seedling Emergence and Growth Trend)模型用于棉花产量估算。首先借助无人机可见光影像数据,通过植被指数与大津法、形态学滤波相结合的方法,获取研究区内棉花出苗信息;然后利用无人机多光谱时间序列影像数据,分析各时期归一化差异植被指数NDVI(Normalized Difference Vegetation Index)与实际产量的相关特征,对棉花生长状态进行等级划分,反演每株棉花的预测成铃数;最后结合棉花单铃质量构建SEGT模型进行产量估算,并根据实测产量数据进行精度验证。试验结果表明:ExG-ExR(Excess Green-Excess Red)植被指数对棉花苗识别和提取效果较好,精确率、召回率、F1值分别达到93%、92.33%和92.66%,VDVI(Visible-band Difference Vegetation Index)植被指数精度次之;将预测产量与实测产量进行对比验证,估产模型的决定系数达到0.92,表明利用SEGT模型进行棉花产量估算是一种切实可行的方法。研究结果可为无人机遥感在作物估产中的应用提供参考。     

倒伏水稻特征分析及其多光谱遥感提取方法研究

倒伏水稻的识别对灾后农业生产管理、灾害保险、补贴等工作有重要意义。为应用高分辨率遥感影像准确提取倒伏水稻面积,本文利用2019年9月27日获取的哨兵2号多光谱遥感影像,研究黑龙江省同江市倒伏水稻的光谱、纹理特征,并基于光谱与纹理特征建立倒伏水稻的遥感提取模型。研究结果表明水稻倒伏后可见光-近红外-短波红外等8个波段的反射率均升高,其中短波红外、红光和红边1等3个波段的反射率上升大于0.06。倒伏水稻的典型植被指数中,归一化植被指数、比值植被指数、增强植被指数和红边位置指数均降低,但差值植被指数升高。倒伏与正常水稻在红光、红边1和短波红外等3个波段的均值纹理数值差距明显,红光波段的纹理均值差异最大。利用归一化植被指数、地表水分指数、比值植被指数和差值植被指数以及红光波段的纹理均值构建决策树分类模型,监测结果表明农场内倒伏水稻分布较散,其西部和南部水稻受灾面积较大,北部受灾面积较小,中部偏北和东部基本未倒伏。将本文模型所提取的结果与实测面积对比,正常与倒伏水稻的面积识别误差分别为3.33%和2.23%。利用随机验证样本与模型验证结果进行混淆矩阵分析,倒伏水稻的用户精度和制图精度均为92.0%,Kappa系数为0.93。该方法能够适用于大区域倒伏水稻提取,可为高分辨率多光谱遥感数据调查水稻倒伏面积提供相关依据。     

基于植被指数估算天山牧区不同利用类型草地总产草量

针对天山牧区草地面积广、生长环境差异大等特点,选用MODIS/MOD13Q1数据,生成归一化植被指数、增强植被指数、土壤调节植被指数和差值植被指数4种从不同角度反映牧草长势的植被指数,对4个不同牧草利用类型分区分别建立了4种指数及其组合与总产草量的4类回归方程。利用留一交叉检验法评价各模型精度,最终获得适合不同草地利用类型的产草量遥感估算模型。结果表明:4种植被指数都可用于产草量估算,不同植被指数估算模型的拟合精度有区域差异性。当采用SAVI和二次多项式拟合时,RMSE最大值出现在I区,为5 857 kg/hm2,当采用NDVI和二次多项式拟合时,最小值出现在III区,仅为616.487 kg/hm2。值得注意的是采用差值植被指数、土壤调节植被指数估算产草量需考虑植被覆盖状况。其次,多个植被指数组合有信息互补的优势,采用线性回归模型估产时,多个植被指数组合精度高于单一植被指数。该研究可为天山地区草地总产草量遥感估算提供有意义的借鉴。     

基于无人机遥感植被指数优选的田块尺度冬小麦估产

田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。     

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MODIS的河南省遥感干旱监测研究

基于遥感的大面积干旱监测发挥着重要作用,但多种不同的遥感干旱指数在不同区域的空间适应性研究相对较少。利用MODIS数据分别计算归一化植被指数、距平植被指数、植被状态指数和温度状态指数等,并结合传统气象干旱指数分析近10a来河南省的干旱情况。结果表明,2000—2009年有6a发生了不同程度的干旱,其中豫北和豫西地区的干旱程度严重,遥感干旱监测的结果与气象干旱指数基本一致;分析了河南省不同区域和时段内基于遥感的干旱指数与气象干旱指数的相关性,总结出4种基于遥感的干旱指数在时空格局中的适用性,为干旱监测提供技术支持。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

基于无人机采集的视觉与光谱图像预测棉花产量

为了高效管理农田,该文提出了一种应用低空遥感视觉与光谱图像预测棉花产量的方法。盛花期前的棉花图像由无人机遥感平台在距地面50m的飞行高度下采集,采集的局部图像通过拼接处理得到棉花地的全景RGB图像与CIR(color-infrared,彩色红外)图像。基于全景图像提取并计算了色度、植株覆盖率与归一化植被指数(normalized difference vegetationindex,NDVI)3个特征参数,用于构建棉花产量的预测模型。包括产量与特征参数的原始数据集随机分为训练集(90%)与测试集(10%)。训练集数据首先基于产量概率分布特征去除了10%的离群值,然后通过均值滤波器滤波,处理后的数据用于构建预测模型。通过SAS软件对比分析了单变量、双变量以及三变量构建的线性回归模型,预测模型由P值、决定系数R2、每0.4 hm2面积下估计值与真实值之间的平均绝对误差百分比(mean absolute percentage error,MAPE)这3个参数进行评估。试验结果表明,单变量、双变量以及三变量构建的共7个线性回归模型,其P值均小于0.05,则7个线性回归模型均具有统计学意义(5%显著性水平)。其中,由三变量构建的多元线性回归模型具有最大的决定系数R2=0.9 773,因此适应性最优。基于测试集验证模型精度,试验结果表明,采用多元线性回归模型进行产量估计,估计值与实际值之间的平均绝对误差百分比为4.0%。因此,无人机搭载图像传感器采集提取视觉与光谱特征能够有效用于作物产量的预测。     

基于TM和PLS的冬小麦籽粒蛋白质含量预测

为进一步提高遥感预测冬小麦籽粒蛋白质含量精度,分析了卫星遥感变量与冬小麦籽粒蛋白质含量间的定量关系,运用偏最小二乘法构建了遥感预测籽粒蛋白质含量模型,制作了冬小麦籽粒蛋白质含量空间等级分布图,结果表明,该模型的最佳主成分数为5,且归一化植被指数、冠层结构不敏感色素指数、比值植被指数、氮反射指数和植被衰减指数为预测籽粒蛋白质含量的敏感变量;籽粒蛋白质含量预测的均方根误差为0.307%,决定系数为0.642,为提高遥感预测小麦品质的精度提供了一种有效途径,有利于大面积应用和推广。     

基于实测高光谱指数与HSI影像指数的土壤含水量监测

为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。     

基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析

作物种植结构监测和估产是精准农业遥感的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。该文以黑龙江省北安市为研究区,以2015年的Landsat8 OLI和多时相GF-1为遥感数据源,基于物候信息和光谱特征确定的农作物识别关键时期和特征参数,构建面向对象的决策树分类模型,开展作物种植结构监测研究;综合植被光谱指数和地面采样数据,采用逐步回归方法建立产量遥感估算模型。结果表明:多源与多时相的遥感数据可以反映不同农作物的季相特征,应用本文所构建的决策树分类模型,作物分类效果较好,总体精度达87.54%,Kappa系数为0.8115;2015年,北安市的主要作物类型为大豆、玉米、水稻和小麦,面积分别为2204、1955、122和19 km~2,其中大豆的种植面积最大,占作物种植面积的51.24%。基于NDVI、EVI和GNDVI构建的多元回归模型为北安市大豆和玉米产量估算最优模型(R~2=0.823 7,均方根误差135.45 g/m~2,精度80.55%);北安市玉米高产区集中分布在西部,大豆的高产区主要分布在东部;2015年北安市玉米和大豆的单产分别为8 659、2 846 kg/hm~2,总产量分别为16.93×10~8、6.27×10~8 kg。利用作物关键物候期的多源多时相遥感数据能够精确高效地提取作物种植结构,构建的产量估算多元回归模型,为精准农业科学发展提供参考。