冬小麦苗期叶绿素含量检测光谱学参数寻优

光谱分析技术是作物生长检测的主要手段,为了解决大田漫反射采集所造成的光谱基线漂移和偏移问题,研究采集了冬小麦冠层325~1 075 nm范围反射光谱,采用多元散射校正方法对小麦原始光谱进行预处理。采取遗传算法对光谱特征参数寻优并结合相关分析结果,选取486、599、699和762 nm波长处反射率值并组合计算了RVI(ratio vegetation index),DVI(difference vegetation index),NDVI(normalized difference vegetation index)和SAVI(soil-adjusted vegetation index)共12个植被指数,分析了各植被指数与叶绿素含量值之间的相关关系,结果显示:DVI和SAVI可抑制苗期土壤背景干扰并对叶绿素含量响应较为敏感,与叶绿素含量相关性最优的参数分别为DVI(762,599)、SAVI(762,599)、DVI(762,699)和SAVI(762,699),与叶绿素含量的相关系数都达到0.6以上。基于相关性最优光谱植被指数DVI(762,699)和SAVI(762,599)利用最小二乘-支持向量回归建立冬小麦叶绿素含量预测模型,建模集决定系数为0.681,验证集决定系数为0.611。该模型可用于无损检测冬小麦苗期叶绿素含量,以期为后续施肥决策提供支持。     

利用HJ-1-A/B CCD2数据反演冬小麦叶面积指数

叶面积指数是十分重要的作物生理生态参数,为提高利用国产环境减灾小卫星CCD数据反演冬小麦叶面积指数的精度,该文以5种常用的植被指数(归一化差值植被指数(normalized difference vegetation index,NDVI),增强植被指数(enhanced vegetation index,EVI),双波段增强植被指数(2-bands enhanced vegetation index,EVI2),比值植被指数(ratiovegetation index,RVI),土壤调节植被指数(soil-adjusted vegetation index,SAVI)为基础,结合3种常用的回归模型,按生长阶段比较分析了不同植被指数和回归模型反演叶面积指数的精度。结果表明,除生殖生长阶段外,叶面积指数和5种植被指数之间均有较强的相关关系;指数模型和一元线性模型分别为全生育期和营养生长阶段的最佳拟合模型;EVI在全生育期拟合时的表现好于其他4个指数(R2=0.9348),SAVI则是营养生长阶段表现最佳的指数(R2=0.9404)。该研究为进一步利用植被指数反演叶面积指数提供了参考。     

水稻微分光谱和植被指数的作用探讨

通过两年两个不同品种水稻在不同供氮水平下的田间试验，测定了水稻冠层在生长过程中不同时期的高光谱反射率及对应的叶绿素、类胡萝卜素含量，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的作用。结果表明：由微分光谱所得的红边位置、红边斜率与盖度和供氮水平之间有一定的相关性，与叶面积指数、地上生物量及冠层叶绿素、类胡萝卜素含量有显著相关；水稻多光谱植被指数RVI、NDVI与叶面积指数LAI及其地上部生物量之间有极显著相关性；高光谱植被指数及其变量与植被盖度、供氮水平、叶面积指数、地上生物量及叶绿素、类胡萝卜素含量之间存在相关性。这表明，用微分光谱技术与植被指数方法来监测水稻的色素含量和长势应该是可行的。     

玉米拔节期冠层叶绿素含量多光谱图像检测

为了探索大田玉米冠层叶片叶绿素指标的快速检测方法。采用自主研发的2-CCD多光谱图像成像系统采集了大田玉米拔节期冠层图像,并同步获取了样本叶绿素含量指标SPAD值。对多光谱图像进行了平滑滤波,并基于HSI颜色空间实现了冠层图像的分割。提取了玉米冠层可见光(blue(B),green(G),red(R);400~700 nm)和近红外(near-infrared,NIR,760~1 000 nm)4个波段平均灰度值并计算了平均灰度值计算比值植被指数(RVI,ratio vegetation index)、归一化植被指数(NDVI,normalized difference vegetation index)、修改型二次土壤调节植被指数(MSAVI2,modified soil-adjusted vegetation index)等8种常见植被指数作为图像检测参数。分析了这12个检测参数与叶绿素指标之间的相关性,讨论了图像检测参数的多种组合,建立了叶绿素指标的多元线性回归分析(MLRA,multiple linear regression analysis)模型。研究结果表明:R、G、B波段的平均灰度值与叶绿素指标成较高负相关,相关系数分别为-0.73,-0.71和-0.71,植被指数中相关性较好的是NDVI、MSAVI2和RVI,相关系数分别为0.83、0.81和-0.81。基于这6个参数组合建立的叶绿素指标估算模型拟合度最好,其建模集决定系数为0.79,验证集决定系数为0.71,研究结果为无损检测玉米拔节期叶绿素含量提供了支持。     

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。     

利用Landsat TM遥感数据监测冬小麦开花期主要长势参数

为精准农业技术体系中的小麦农艺处方管理决策提供详尽的全局性信息,该文以2007－2009年试验实测数据为基础,以Landsat TM影像为遥感数据源,分析了试验样点开花期冬小麦主要长势参数与品质和产量间以及与卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦开花期SPAD值、生物量、叶面积指数和叶片氮含量的模型。结果表明：冬小麦开花期,选用作物氮反射指数、近红外波段反射率和归一化植被指数这些遥感变量分别反演冬小麦SPAD值、生物量、叶面积指数和叶片氮含量是可行的;SPAD值、生物量、叶面积指数和叶片氮含量遥感监测模型的精度较高,均方根误差分别为3.12、216.5 kg/hm2、0.269和0.162,以此为基础,制作出具有实际农学意义的冬小麦开花期不同等级SPAD值、生物量、叶面积指数和叶片氮含量遥感监测专题图,实现了主要长势参数空间分布量化表达。基于卫星影像的农田面状信息获取技术克服了点状信息的不足,为农业生产管理决策及时提供信息支持,使该研究技术更利于大面积应用和推广。     

基于支持向量机回归的冬小麦叶面积指数遥感反演

利用单一植被指数反演叶面积指数(LAI)时,存在不同程度的饱和性且每种指数只能包含部分波段的信息,该文提出利用支持向量机回归的方法进行叶面积指数的反演,可以用更多的波段信息作为输入参数以提高LAI反演精度。选取冬小麦起身期、拔节期和灌浆期的实测光谱和叶面积指数数据,用统计回归的方法分别建立NDVI-LAI和RVI-LAI模型,用支持向量机回归(SVR)方法分别建立以NDVI、RVI以及蓝、绿、红和近红外4个波段数据作为输入参数的回归预测模型,即NDVI-SVR、RVI-SVR和NRGB-SVR模型。上述5个模型分别利用对应时期的环境星HJ-CCD数据进行验证。结果表明:NDVI和RVI与叶面积指数(LAI)的回归模型预测的结果与实测值的RMSE分别为0.98与0.97;预测精度分别为59.2%与59.3%。以NDVI和RVI结合实测叶面积指数(LAI)训练并预测的结果与实测值的均方根误差RMSE分别为0.71与0.83预测精度分别为70.4%与67.1%。以蓝(B)、绿(G)、红(R)以及近红外(NIR)波段作为输入参数回归并预测的RMSE值为0.42,预测精度为81.7%。通过支持向量机回归预测具有更好的拟合效果,可以输入更多波段信息,提高了叶面积遥感反演精度,对冬小麦的多个生育期均具有较好的适用性。     

植被参数高光谱遥感反演最佳波段提取算法的改进

高光谱信息量巨大,如何选取最佳组合波段构建高精度光谱模型,是植被参数遥感反演模型研究的重要工作基础。该研究将最佳指数与相关系数通过熵权评价值进行融合,提出最佳指数-相关系数法(optimum index factor and correlation coefficient,OIFC)。基于OIFC法选取了小麦叶片叶绿素含量的最佳组合波段,并利用最佳组合波段的高光谱数据建立小麦叶片叶绿素含量预测模型。结果表明:利用OIFC法所提取的小麦叶绿素最佳组合波段是760、1 860、1 970 nm;对比最佳指数法(optimum index factor,OIF)、最大相关系数法(maximum correlation coefficient,MCC)提取波段以及归一化植被指数(normalized difference vegetation index,NDVI)、土壤调和植被指数(soil-adjusted vegetation index,SAVI)所建立的叶片叶绿素含量高光谱模型,基于OIFC法构建的模型预测值与实测值具有显著的线性关系,决定系数达0.827,且均方根误差最小(RMSE=5.44)。可见,基于OIFC法构建的小麦叶绿素含量模型具有更高的精度,该结果验证了利用OIFC法提取高光谱特征波段的可行性,并且能够获得更高建模精度的特征波段。     

ASTER卫星遥感影像在冬小麦品质监测方面的初步应用

该文利用ASTER遥感数据在冬小麦品质监测方面进行了初步的应用。根据2004年搭载ASTER传感器的Terra卫星的过境周期，对北京郊区21个冬小麦试验点进行田间取样试验，通过分析试验点冬小麦叶片生化组分(叶绿素a)与氮素间的关系、冬小麦叶片氮素含量与籽粒品质(蛋白质含量)间的关系、以及冬小麦ASTER影像冠层光谱信息与叶片生化组分和籽粒品质之间的关系，发现：冬小麦灌浆期小麦叶片叶绿素含量与同期ASTER影像的光谱信息－NDVI之间有良好的相关性，而冬小麦籽粒蛋白质含量也与ASTER影像波段2之间有很好的相关性；利用ASTER遥感影像对冬小麦灌浆期叶绿素以及籽粒蛋白质含量进行建模并反演，能够在较大的范围里了解冬小麦的品质信息，并能够在一定程度上对作物的籽粒蛋白质含量等品质进行预测；研究还表明，利用遥感技术来进行小麦籽粒蛋白质等主要品质指标的预测是可行的。研究成果为利用遥感技术监测冬小麦长势和籽粒品质提供了理论依据，开辟了遥感应用的新途径。     

不同生育期冬小麦光谱特征对叶绿素和氮素的响应研究

研究测定了不同施氮水平条件下冬小麦冠层在七个典型生育期叶片叶绿素、地上部分全氮含量以及冠层光谱,分析了单波段反射率、可见光和近红外波段组合而成的归一化植被指数(NDVI)、比值植被指数(RVI)与相应时期叶片叶绿素和地上部分全氮含量的相关性。结果表明,施氮量增加,两个农学参量、冠层近红外波段反射率都随之增加,但当施氮量增加到300kg hm-(2一次性施入)时,上述各项指标均降低;整个生长期中孕穗期在近红外区域反射率最高,与可见光波段反射率相差最大;除分蘖期外,其它时期单波段510nm～1100nm反射率、NDVI、RVI与叶绿素和全氮含量显著相关,植被指数的相关性较单波段高,且从分蘖期到乳熟期,相关性逐渐增强;整体来讲,可见光中560nm、660nm和近红外760nm、1100nm和1200nm组合的NDVI在各生育期与两个农学指标的相关性较好,选择NDVI(560,760)可以准确拟合叶片叶绿素和地上部分全氮含量。     

冬小麦叶面积指数高光谱遥感反演方法对比

冬小麦叶面积指数(LAI,leafarea index)是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数(R2)为0.990、均方根误差(RMSE)为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing

冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

基于赤池信息量准则的冬小麦叶面积指数高光谱估测

冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。     

冬小麦植被指数变化及其影响因子初探

对冬小麦植被指数(NDVI)变化规律、不同品种冬小麦植被指数差异、农田水肥状况对植被指数的影响以及植被指数与叶面积指数的关系研究结果表明,冬小麦植被指数具有日变化规律,且随冬小麦生长发育而变化,即小麦生长旺盛时植被指数数值较大。不同小麦品种植被指数表现出基本一致的季节变化特点,农田水肥条件交互影响小麦植被指数,水分胁迫时肥料对植被指数的影响明显,而水分满足时肥料对植被指数的影响不明显。     

基于作物生长监测诊断仪的双季稻叶面积指数监测模型

为探索作物生长监测诊断仪(Crop Growth Monitoring and Diagnosis Apparatus,CGMD)在不同株型双季稻长势指标监测应用的准确性和适用性,该研究开展了不同株型品种和施氮量的田间试验,采用CGMD获取冠层差值植被指数(Differential Vegetation Index,DVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和比值植被指数(RatioVegetationIndex,RVI),并同步采用高光谱仪(AnalyticalSpectralDevices,ASD)获取冠层光谱反射率,构建DVI、NDVI和RVI;通过比较2种光谱仪获取的植被指数变化特征及相互定量关系,评价CGMD的监测精度,建立基于CGMD的不同株型双季稻叶面积指数(Leaf Area Index,LAI)监测模型,并用独立数据对模型进行检验。结果表明:不同株型品种的LAI、DVI、NDVI和RVI随施氮量增加而增大,随生育进程推进呈"低—高—低"的变化趋势;基于CGMD与ASD的DVI、NDVI和RVI间的决定系数(Determination Coefficient,R2)分别为0.959～0.968、0.961～0.966和0.957～0.959,表明CGMD具有较高监测精度,可替代价格昂贵的ASD获取DVI、NDVI和RVI。基于CGMD植被指数的单生育期LAI监测模型的预测效果优于全生育期,基于CGMD植被指数的松散型品种LAI监测模型的预测效果优于紧凑型品种;基于DVICGMD的线性方程可较好地预测LAI,模型R2为0.857～0.903,模型检验的相关系数(Correlation Coefficient,r)、均方根误差(Root Mean Square Error,RMSE)和相对均方根误差(Relative Root Mean Square Error,RRMSE)分别为0.950～0.984、0.18～0.43和3.95%～9.40%;基于NDVICGMD的指数方程可较好地预测LAI,模型R2为0.831～0.884,模型检验的r、RMSE和RRMSE分别为0.906～0.967、0.24～0.38和5.73%～9.16%;基于RVICGMD的幂函数方程可较好地预测LAI,模型R2为0.830～0.881,模型检验的r、RMSE和RRMSE分别为0.905～0.954、0.25～0.56和7.37%～9.99%。与传统人工取样测定LAI法相比,利用CGMD可实时无损监测双季稻LAI动态变化,可替代SunScan植物冠层分析仪获取双季稻LAI,在双季稻生产中具有推广应用价值。     

冬小麦冠层对入射光合有效辐射吸收比例的估算方法评价

目前研究估算作物冠层对入射光合有效辐射的吸收比例 (fAPAR)时多采用冠层光能截获效率 (fIPAR)、冠层叶面积指数 (LAI) 和Beer-Lambert法则、冠层光谱植被指数等信息。该文以冬小麦为例,利用田间观测数据序列 (包括冠层LAI、冠层fIPAR和冠层光谱特性等方面)对各种fAPAR估算方法进行了较为全面的总结、分析、评价,以明确各法的优势和不足,为今后相关研究提供参考。结果表明,冬小麦营养生长期内fAPAR与fIPAR值较为接近,而冬小麦生殖生长期内二者差异显著;整个研究时段内,利用fIPAR估算的fAPAR结果较好;根据叶面积指数和Beer-Lambert法则估算的fAPAR在抽穗至腊熟期间结果偏小,原因在于该法不能体现穗部对光合有效辐射的有效吸收;直接借用文献记载的fAPAR～NDVI（归一化差值植被指数）函数关系估算的fAPAR在冬小麦营养生长阶段及生殖生长季末期均明显偏大。此外,通过将fAPAR与NDVI、比值植被指数 (RVI)、土壤调整植被指数 (SAVI)、修改型土壤调整植被指数 (MSAVI)等常用植被指数进行相关性分析,发现fAPAR与NDVI的相关关系最强,基于田间数据证实了采用NDVI估算fAPAR的合理性。     

基于LISS4数据的小麦氮素营养状况反演研究

利用LISS4卫星遥感数据在小麦氮素营养状况监测方面进行了初步研究。根据搭载多光谱传感器LISS4的IRS-P6的过境周期,2006年5月3日在江苏省盐城地区进行同步地面取样测试,通过分析试验点小麦LISS4影像光谱信息与小麦叶面积指数及叶片氮含量的相关关系,发现小麦叶面积指数和叶片氮含量与LISS4影像三个波段反射率及植被指数RVI、NDVI、GNDVI均密切相关,表明利用LISS4遥感影像监测小麦氮素营养状况是可行的。比较不同波段原始反射率和植被指数,在本研究中LISS4影像波段4反射率与小麦氮素营养状况相关最密切。检验结果也表明利用LISS4影像波段4反射率估测小麦氮素营养状况是可行的。研究成果为利用遥感技术大面积监测小麦氮素营养状况和实施精确栽培管理提供了理论依据。     

不同土壤水分条件下玉米叶片/冠层气孔导度的光谱监测模型

通过玉米水分控制试验,测定不同水分条件下各生育期叶片气孔导度、叶面积指数和冠层光谱反射率等,以分析玉米叶片气孔导度的变化规律及其与光谱植被指数的相关性,从而建立基于光谱植被指数和土壤湿度的叶片气孔导度模型。结果表明：玉米在可见光区和近红外中、长波区的反射率随着土壤水分的降低而上升,但叶片气孔导度（Gs）、叶面积指数（LAI）、比值植被指数（RVI）和归一化植被指数（NDVI）随着土壤水分的下降而降低;玉米NDVI和RVI与单叶片和冠层气孔导度均呈极显著指数函数关系（P〈0.01）,且对单叶片气孔导度的拟合效果优于对冠层导度的拟合效果,而经土壤湿度订正的RVI监测模型优于NDVI监测模型。表明通过测定冠层反射光谱率可实时、迅速地定量监测玉米叶片的气孔导度,为大面积作物气孔导度估算奠定基础。     

基于改进水云模型和Radarsat-2数据的农田土壤含水量估算

为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。