不同尺寸蒸渗仪测定作物蒸散的田间试验研究

称重式蒸渗仪测定作物蒸散量（ET）是公认的一种标准测定方法。大型称重式蒸渗仪因单点独立安装而无法进行不同处理的重复试验,小型蒸渗仪则可解决该问题,但目前对于小尺寸蒸渗仪的适用性尚无统一结论。本文利用1m2（SL）、2m2（ML）和4m2（LL）3种不同面积的蒸渗仪在冬小麦（2012年11月21日播种,2013年6月20日收获）和水稻（2013年6月22日移栽,2013年10月28日收获）整个生长季进行连续蒸散量观测,筛选无有效降水日的数据进行对比分析。结果表明：（1）在冬小麦和水稻生长季内,SL（小）蒸渗仪所测蒸散量日内变化均表现出较大的变化幅度,ML（中）蒸渗仪所测蒸散量日内变化趋势均与LL（大）蒸渗仪所测一致,日内变化比较平稳;（2）ML蒸渗仪所测日蒸散量与LL所测结果的相关性最好（P<0.01）;（3）SL蒸渗仪所测水稻日平均蒸散量和蒸散总量与LL接近,所以可将SL蒸渗仪替代LL测定水稻日平均蒸散量和蒸散总量;ML所测冬小麦和水稻的日平均蒸散量及蒸散总量均比LL明显偏小,蒸散总量偏小主要由于拔节后较大的日蒸散量偏差导致。     

称重式蒸渗仪系统改进及在农田蒸散研究中的应用

水分是制约黄土丘陵区农作物正常生长和农业生产的关键因子。该区年平均降水量少且季节多变,研究农田土壤水分平衡对该区旱地农业生产具有重要意义。土壤蒸渗仪（Lysimeter）可测量总蒸散量、渗漏量等有关水量平衡的各个分量,具有其它装置和方法不可比拟的优越性。它为田间蒸散和降水入渗实验研究提供了一种较先进的量测方法和技术手段。它对推动我国实验水文学的发展具有重要作用,并为相关领域的科学研究提供了一种较先进的技术设备和实验环境。中国科学院安塞试验站对原建造的用于测定农田蒸腾蒸发转化的称重式蒸渗仪在2005年对称重感应系统、电源进行改造,主要对主机、采集软件进行了重新更新,使其可直接在Windows界面下工作,数据采集更加方便,将测量出来的模拟量信号转换为数字信号,经处理显示并记录在数据采集器内。改进后蒸渗仪主要有以下特点：（1）土柱重19～26t,蒸渗仪精度为152g（0．05nm）,可测量蒸腾蒸发量和地下水对土壤水的补给量与入渗量;（2）蒸渗仪面积3m^2（1．5m&#215;2m）,深度3m,可充分允许农作物根系发育与吸水,土壤水和地下水转化,地下水位变化等过程进行,蒸渗仪的供排水系统能够在蒸渗仪内模拟实际地下水位变化,可较好代表大田实际情形,并对作物生长过程中水分利用动态变化进行深入研究。     

基于BP神经网络的冬小麦耗水预测

该文根据中国科学院禹城农业试验站2003－2006年冬小麦季的气象资料和大型称重式蒸渗仪观测资料,把实测作物系数作为作物因子指标,建立了以日最高温度、日净辐射、实测表层60 cm土壤含水率、日序数和作物系数为输入因子,蒸渗仪实测蒸散量为输出因子的BP神经网络预测模型,神经网络拓扑结构为5-9-1,训练函数为Trainbr。检验结果表明冬小麦耗水量模型预测平均相对误差为13.1%,预测值和实测值的均方根误差为0.88 mm,模型预测Nash-Sutcliffe效率指数为0.865,预测效果较好,可满足生产需要。     

基于气象-生理的夏玉米作物系数及蒸散估算

准确估算作物系数对预测作物实际蒸散量和制定精准的灌溉计划至关重要。为反映作物逐日作物系数变化,综合考虑气象和生物因子对作物生长的共同影响,采用五道沟水文实验站大型蒸渗仪夏玉米实测蒸散及气象数据,基于地温及叶面积指数建立了气象-生理双函数乘法模型,并结合梯度下降法对模型进行了精度优化。结果表明,在整个玉米生长期中,作物系数实测值和计算值平均绝对误差为0.12,均方根误差为0.15,相关性为0.91,蒸散量实测值与计算值平均绝对误差为1.0 mm/d,均方根误差为4.5 mm/d,相关性为0.75。该模型计算的全生育期蒸散量准确率(误差在2～3 mm/d以内)相比使用联合国粮农组织(FAO)推荐的作物系数计算所得准确率提高了3倍以上,可更精确用于作物系数及蒸散量计算。     

LG-I型称量式蒸渗仪自动监测系统

为了方便有效地测定植物的蒸散,同时也为水分利用研究提供测试精度高、稳定性好的简单易用的仪器,开发研制了LG-Ⅰ大型自动称量式蒸渗仪监测系统。此系统采用自行研制的高精度弹簧、高精度SQC-A500 kg悬臂梁传感器、垂直升降调整支架和计算机软件控制处理程序。该仪器应用结果表明：与国内使用的同类蒸渗仪相比,其具有测试精度高、性能稳定、重复性好的特点,仪器最大绝对误差为±25 g（相当于0.012 mm水柱）,最大相对误差0.7%,完全可以满足实际应用的技术要求。此系统的测定值较好地反映了植物在短时段内的土壤水分蒸散变化情况,是一种比较方便实用的测定盆栽植物蒸散的仪器。     

水稻蒸散特征及日尺度作物系数估算

基于南京2012年水稻生长季蒸渗仪水稻实际蒸散数据及相应生物、气象环境资料,对水稻生长季的参考作物蒸散量、实际蒸散量及作物系数进行分析,并建立作物系数估计模型。结果表明：水稻生长季内逐日参考作物蒸散量呈单峰曲线变化,峰值出现在分蘖-拔节期;逐日实际蒸散量变化则表现为双峰型,耗水双高峰发生于分蘖-抽穗期。日参考作物蒸散量和实际蒸散量均有明显的季节性变化特征。水稻生长季内实际作物系数趋势变化特征与FAO修正作物系数较一致,但二者在数值上具有较大差异,建立的水稻作物系数与其影响因子（叶面积指数、气温、净辐射）的关系模型检验表明,其拟合度为0.887,将模型应用于计算水稻农田蒸散量,其拟合度为0.943,说明模型能较精确地估算稻田日蒸散量。该模型基于日尺度影响因子,在一定程度上简化了水稻作物系数的计算过程,明确了不同类型因子对水稻作物系数的影响程度,可应用于水稻作物系数的连续动态估算。     

水稻蒸散特征及日尺度作物系数估算*5

基于南京2012年水稻生长季蒸渗仪水稻实际蒸散数据及相应生物、气象环境资料,对水稻生长季的参考作物蒸散量、实际蒸散量及作物系数进行分析,并建立作物系数估计模型。结果表明：水稻生长季内逐日参考作物蒸散量呈单峰曲线变化,峰值出现在分蘖-拔节期;逐日实际蒸散量变化则表现为双峰型,耗水双高峰发生于分蘖-抽穗期。日参考作物蒸散量和实际蒸散量均有明显的季节性变化特征。水稻生长季内实际作物系数趋势变化特征与FAO修正作物系数较一致,但二者在数值上具有较大差异,建立的水稻作物系数与其影响因子（叶面积指数、气温、净辐射）的关系模型检验表明,其拟合度为0.887,将模型应用于计算水稻农田蒸散量,其拟合度为0.943,说明模型能较精确地估算稻田日蒸散量。该模型基于日尺度影响因子,在一定程度上简化了水稻作物系数的计算过程,明确了不同类型因子对水稻作物系数的影响程度,可应用于水稻作物系数的连续动态估算。     

通径分析结合BP神经网络方法估算夏玉米作物系数及蒸散量

准确估算蒸散量对于精准管理农田水分至关重要。为了解作物系数的动态特征,准确估算作物需水量,使用叶面积指数和气象要素模拟玉米全生育期作物系数及蒸散量。利用2018年五道沟实验站气象和称重式蒸渗仪实测数据,运用通径分析法筛选影响作物系数的关键因子,建立无雨期不同地下水埋深下作物系数模型,以此估算蒸散量。结果表明:1 m埋深下全生育期作物系数平均绝对误差为0.04 mm/d,相关系数为0.94,其中初期、发育期、中期和后期平均绝对误差分别为0.06、0.09、0.05和0.03 mm/d。3 m埋深下全生育期作物系数平均绝对误差为0.08 mm/d,相关系数为0.92,各生育期平均绝对误差分别为0.11、0.10、0.07和0.03 mm/d,利用温度、风速和叶面积指数模拟作物系数精度较高。1 m埋深全生育期ET平均绝对误差为0.72 mm/d,各生育阶段平均绝对误差分别为0.56、059、0.66和0.45 mm/d。3 m埋深全生育期ET平均绝对误差为0.73 mm/d,各生育阶段ET平均绝对误差分别为0.82、0.98、0.68和0.29 mm/d。不同时间尺度下(1、3、5 d)2种埋深ET模拟值与实际值一致性指数均接近1.00,平均绝对误差小于1.0 mm/d,预报准确率达70%。随预报时间尺度的增加,预报精度提高。该方法可用于夏玉米蒸散发量计算。     

基于蒸渗仪实测的参考作物蒸散发模型北京地区适用性评价

参考作物蒸散发(ET0,reference evapotranspiration)是计算植被耗水量、分析区域水分平衡、管理水资源的基本参数。由于区域间气象条件的差异,ET0模型在不同地区表现出不同的适用性。蒸渗仪实测是欧美地区评价参考作物蒸散发模型的经典方法,而中国尚少研究,华北地区未见报道。2012年生长季(4-10月),应用自动称重式蒸渗仪实测高羊茅草坪蒸散评价了Penman-Monteith(FAO-56)、Hargreaves-Samani、Priestley-Taylor、Penman-van Bavel模型在北京地区的适用性。在2个蒸渗仪中建植冷季型高羊茅草坪,以获得ET0标准数据。试验地安装Dynamet气象站,自动测量并记录气象数据:空气温度、空气相对湿度、太阳总辐射和高度2m的风速,用于模型计算参考作物蒸散发。应用线性回归与均方根误差(RMSE)、一致性指数(d)2个指标评价模型的预测准确性。研究结果表明,太阳总辐射与月蒸散之间呈现较强的线性关系(R2=0.95,p=2.72×10-7),说明太阳辐射能量是驱动SPAC(soil-plant-atmosphere continuum)系统中水分从植被向大气运动的主要动力。随着时间尺度减小,模型的估算准确度降低。由于模型的输入参数不同,在ET0计算中出现了不同方向的偏差。月尺度上,Priestley-Taylor模型低估,而Penman-Monteith、Hargreaves-Samani和Penman-van Bavel模型高估了蒸散。日尺度上,Hargreaves-Samani模型和Penman-van Bavel模型略微高估了日蒸散,比率分别为1.0167和1.0526;Penman-Monteith模型和Priestly-Taylor模型低估了日蒸散,比率分别为0.8204和0.7593。时尺度上,除了Priestly-Taylor模型全部得出最低的数值,其余模型在不同天气类型下得出不同的计算结果。综合月、日、时3个时间尺度的评价结果,Penman-van Bavel是最准确的ET0计算公式,RMSE分别为0.63 mm/d(月)、1.43 mm/d(日)、0.087mm/h(时),d值分别为0.96(月)、0.89(日)、0.87(时)。Penman-Monteith模型的计算准确性比Penman-van Bavel模型略低,d值为0.73~0.93。     

稳定同位素法和涡度-微型蒸渗仪区分玉米田蒸散组分的比较

农田蒸散组分区分研究对理解土壤-植物-大气连续系统水分传输动力学过程与调控机制具有重要意义。利用稳定同位素原位连续观测技术测定了玉米田不同高度大气水汽稳定同位素的动态,结合Keeling Plot方法区分了玉米田蒸散组分动态过程,并与涡度相关系统(eddy covariance system,EC)-微型蒸渗仪(micro-lysimeter,MLS)结合法的区分结果进行了比较。研究表明:降雨后大气水汽稳定同位素组成δv显著降低,不同高度δv与大气饱和水气压差VPD、太阳净辐射Rn呈线性相关,相关系数R均值分别为0.65和0.51;土壤蒸发水汽稳定同位素组成δE存在显著的分馏效应,较低的土壤含水率和大气相对湿度会降低分馏效应;与传统的EC-MLS法的区分结果相比,利用Keeling Plot方法和连续原位监测的水汽稳定同位素信息,可准确估算农田蒸散比,误差仅为-0.02~0.08;试验观测期内即玉米中等覆盖地面后,IS法和EC-MLS确定的作物蒸腾与农田蒸散比的均值分别为0.81和0.78,二者较一致。     

无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量

利用无人机平台搭载多光谱传感器在农业监测上已经有一些应用,但是利用无人机多光谱影像估算作物叶绿素含量的研究较少,特别是融合无人机多光谱影像光谱信息和纹理信息估算马铃薯叶绿素含量的研究更是罕见。基于此,该文利用2018年北京小汤山基地马铃薯各个典型生育期的无人机多光谱影像及实测的叶绿素含量数据,首先提取多光谱影像植被指数和纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,并开展基于调整R2和K折交叉验证的全子集分析估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的综合指标估算叶绿素含量。研究发现:1)多光谱植被指数和纹理特征估算叶绿素含量模型,K折交叉验证均优于调整R2;2)整个生育期,综合指标模型决定系数比植被指数模型、纹理特征模型均有提升,且标准均方根误差均降低。综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。该研究可为马铃薯生长营养监测提供一种可行的方法,对马铃薯的栽培种植管理具有指导意义。     

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。     

无人机飞行高度对植被覆盖度和植被指数估算结果的影响

将无人机与多种成像传感设备相结合可实现田间作物表型信息的全面获取。针对田间复杂环境下无人机搭载多种成像传感设备在不同飞行高度处提取的作物信息具有差异性的问题,本研究着重探究了无人机搭载两种成像传感设备获取图像时,不同飞行高度对估算植被覆盖度以及植被指数结果的影响。首先为防止外界环境变化对获取图像质量造成干扰,通过最近邻插值算法将无人机飞行高度为25 m处获取的两个多光谱和可见光图像数据集分别退化为十个不同地面分辨率的模糊图像数据集,以模拟无人机在不同飞行高度中获取的作物图像。然后获取50m高度处的无人机图像数据集通过皮尔逊相关性分析验证模拟数据集的有效性。最后采用随机森林模型估算不同数据集中的植被覆盖度,分类精度大于91%。结果发现,当植被覆盖度小于二分之一时,随着地面分辨率的降低该指标不断被低估,反之则被高估。飞行高度50 m的真实图像与模拟图像估算植被覆盖度结果的相关系数r为0.992 8,两者具有强相关性,模拟图像估算得到的植被覆盖度变化具备参考意义。植被指数估算结果中,首先对无人机图像数据集进行辐射校正、阈值分割等图像预处理,然后根据公式计算得到植被指数,最后通过假设性检验对十个图像数据集计算得出的植被指数进行分析。结果发现,可见光植被指数在飞行高度61 m时具备显著性差异,多光谱植被指数在十个高度下均没有显著性差异,因此为保证无人机获取数据的准确性与完整性,建议当无人机搭载本文的两种相机获取作物信息时建议飞行高度不高于61 m。本研究为研究者利用无人机搭载多传感设备获取作物信息设定合适的飞行高度、减小作业成本提供参考。     

基于相位相关的温室番茄植株多模态三维重建方法

为实现温室番茄植株多模态三维重建,解决多光谱反射率配准和多视角点云三维重建问题,基于相位相关原理将多光谱反射率配准至RGB-D图像坐标系中,建立了基于Kinect传感器测量位姿自主标定的多视角RGB-D图像三维重建方法,实现植株RGB三维点云模型和多光谱反射率点云模型重建,通过归一化灰度相似系数、配准区域光谱重叠率、互信息值3个指标客观评价二维多光谱图像配准质量,采用豪斯多夫距离客观评价植株三维点云重建精度。结果表明:30株温室番茄,每株4个重建视角,视角间隔为90°,配准区域光谱重叠率和归一化灰度相似系数的平均值分别为0.920 6和0.908 5,异源图像配准后互信息值比配准前互信息值平均提升了9.81%,植株冠层多光谱图像能够准确配准至深度坐标系,番茄植株三维重建点云距离集小于0.6 cm的比例为78.39%,小于1.0 cm的比例为91.13%,番茄距离集均值的平均值为0.37 cm,表明植株三维点云模型重建精度较高,能够应用于温室番茄植株多模态三维重建。植株多模态三维模型是实现三维形态测量与生理诊断的关键要素,为高通量植株表型测量提供高效精准的测量方法,对植物表型组学等研究领域的发展具有重要的意义。     

基于无人机RGB影像的玉米种植信息高精度提取方法

为探究易获取且成本低的超高分辨率无人机（Unmanned Aerial Vehicle，UAV）航拍 "红-绿-蓝"（Red-Green-Blue，RGB）彩色影像提取作物种植信息的方法，该研究选取植被指数、"色度-色饱和度-亮度"（Hue-Saturation-Intensity，HSI）色彩特征和纹理特征等3种特征，通过比较贝叶斯（Bayes）、K最邻近分类（K-Nearest Neighbor，KNN）、支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree，DT）和随机森林（Random Forest，RF）共5种监督分类算法及不同特征组合的分类效果，以实现玉米种植信息的高精度提取。结果表明，使用单一种类特征或使用全部3种特征均不能获得最优的分类精度；将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数获得的总体分类精度分别提高了4.2%和8.3%；在所有特征组合中，HSI色彩特征和纹理特征组合为最优选择，基于该特征空间的RF算法获得了最高的分类精度，总精度为86.2%，Kappa系数为0.793；基于RF算法进行降维并不能显著提高或降低分类精度（SVM除外），但所保留的特征因子可给出符合实际背景和意义的解释，并可提高分类结果的稳定性。研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考。     

利用无人机多光谱估算小麦叶面积指数和叶绿素含量

利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向,为了探究无人机多光谱反演小麦叶面积指数(Leaf Area Index,LAI)和叶绿素含量的模型估算潜力,该研究在3个飞行高度(30、60、120 m)采集多光谱影像,通过使用全波段差值光谱指数(Difference Spectral Index,DSI)、比值光谱指数(Ratio Spectral Index,RSI)、归一化光谱指数(Normalized Spectral Index,NDSI)和经验植被指数与地面实测数据进行相关性分析,获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数,以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络模型,分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD(Soil and Plant Analyzer Development)值的精度。结果表明:1)30 m高度下,绿-红比值光谱指数与小麦LAI的相关性最高,相关系数为0.84;60 m高度下,红-蓝比值光谱指数与小麦叶绿素含量的相关性最高,相关系数为0.68;2)在60 m高度下,经验植被指数与小麦LAI和叶绿素含量的相关性较好,最大相关系数分别为0.77和0.50;3)利用偏最小二乘回归反演小麦LAI的精度最高,决定系数为0.732,均方根误差为0.055;利用人工神经网络模型反演小麦叶绿素含量的精度最高,决定系数为0.804,均方根误差0.135。该研究成果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。     

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。     

民勤沙区非称量式蒸渗仪组扩容及其自动化监控系统设计

为解决民勤沙区非称量式蒸渗仪观测系统自动化程度低、尺度扩展性不足及可靠性差等问题,建立民勤沙区非称量蒸渗仪试验场720 m~2,更新改造30个荒漠植物个体蒸渗仪,扩容建造12个荒漠植物小群体蒸渗仪,设计非称量式蒸渗仪自动化监控系统,该系统采用分布式监控方案,以上位工控机为中心,基于智能仪表(RS485总线通讯、ISM无线)、ISM频段无线通信及TCP/IP网络协议,布设了多个下位机监控点,可自动控制蒸渗仪恒定水位,能及时补水、排水并进行水量计算,自动监测蒸渗仪土壤水分含量,同时具备实时数据采集与处理、信息通信、数据库录入、历史数据存储、数据报表打印、故障报警、现场设备运行状况显示等功能,用户可通过因特网对现场设备工作状态进行远程监控、异常情况报警处理。系统测试得到,压力传感器数据回归分析误差±2.2%,点滴计数器为±2.0%,水分传感器±12.5%。该研究扩展了荒漠植物定位观测的尺度范围,实现了荒漠植物蒸渗观测的自动化监控,为荒漠植物蒸渗研究提供可靠的试验平台。     

利用无人机影像构建作物表面模型估测甘蔗LAI

为探讨从作物表面模型(crop surface models,CSMs)中提取株高来估算糖料蔗叶面积指数(leaf area index,LAI)的可行性,该文采用无人机-RGB高清数码相机构成的低空遥感平台,以广西糖料蔗为研究对象,采集了糖料蔗全生育期的高清数码影像,分别在有无地面控制点条件下建立各生育期CSMs并提取株高。此外,该文利用高清数码影像计算了6种可见光植被指数并建立LAI估算模型,用以对比从CSMs提取的株高对LAI的估算效果。结果表明:全生育期CSMs提取的株高与实测株高显著相关(P0.01),株高预测值与实测值高度拟合(R2=0.961 2,RMSE=0.215 2)。选取的6种可见光植被指数中,绿红植被指数对糖料蔗伸长末期以前的LAI的估测效果最好(R2=0.779 0,RMSE=0.556 1,MRE=0.168 0)。相同条件下,株高对LAI有更高的估测精度,其中CSMs提取的株高估测效果优于地面实测株高,预测模型R2=0.904 4,RMSE=0.366 2,MRE=0.124 3。研究表明,使用无人机拍摄RGB影像来提取株高并运用于糖料蔗重要生育期LAI的估算是可行的,CSMs提取的株高拥有较高的精度。该研究可为大区域进行精准快速的农情监测提供参考。