基于GF-1/WFV数据的冬小麦条锈病遥感监测

条锈病是冬小麦常见病害,利用遥感影像对条锈病病害区域进行准确监测具有重要意义。该文利用GF-1/WFV影像,结合条锈病地面光谱数据分析,采用冬小麦条锈病遥感监测指数(wheat stripe rust index,WSRI)对河南西华县冬小麦条锈病发病范围进行了估测。首先,利用冬小麦NDVI加权指数(weighted NDVI index,WNDVI)获取冬小麦种植区域。其次,利用影像4个波段反射率之和提取不同冬小麦品种的分布范围,值较高的为条锈病高抗品种(郑麦系列),较低的则是条锈病易感品种(矮壮系列)。再次,构建冬小麦条锈病指数(wheat stripe rust index,WSRI),结合地面实地调查的条锈病分布数据,通过设定合理的WSRI指数划分阈值,提取条锈病染病区域并进行精度验证。结果表明,研究区内小麦条锈病空间分布识别的总体精度在84.0%以上,具有区域监测应用的潜力。该方法简单,可操作性强,表明宽波段GF-1影像结合WSRI指数的技术,是一种比较可行的小麦条锈病遥感监测方案。     

不同筋力冬小麦冠层反射光谱的差异分析

为了利用冠反射光谱特征监不同筋力小麦品种的生理特征差异,利用不同筋力小麦冠层反射光谱的差异,可对不同小麦品种进行遥感识别与监测。试验以低筋小麦品种扬麦13和高筋小麦品种徐麦31为材料,结合不同生育时期两品种叶面积指数(LAI)、叶绿素含量和叶片氮含量的变化,以及相应的光谱参数,分析不同筋力小麦冠层反射光谱的变化特征。结果表明,在近红外和可见光波段,从拔节期到蜡熟期,扬麦13的冠层光谱反射率均高于徐麦31,在孕穗期两品种的差异最显著;LAI、叶片叶绿素和氮含量均在开花时达最大值,扬麦13的叶绿素含量明显高于徐麦31,而LAI和叶片氮含量则低于徐麦31。比值植被指数(RVI)、归一化植被指数(NDVI)与LAI;红边位置(λr)、红边幅值(Dr)与叶绿素含量,氮素反射指数(NRI)、抗大气植被指数(VARIgreen)与叶片氮含量极显著相关,表明RVI、NDVI可以反演LAI;λr、Dr可以反演叶绿素;NRI、VARIgreen可以反演叶片氮含量的变化。以上光谱参数能反映小麦相关指标的变化情况,不同时期可运用小麦冠层反射光谱进行不同筋力小麦品种识别,孕穗期为最佳识别时期。通过本研究,以期为不同筋力小麦品种的遥感识别提供依据。     

水稻遥感估产模拟模式比较

通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻抽穗后不同时期冠层的光谱反射率、叶面积指数及最后的理论产量和实际产量,模拟MSS、TM、SPOT、资源一号CCD相机、IKONOS、MODI S和高光谱的波段来构建光谱差值植被指数DVI、比值植被指数RVI、差值归一化植被指数NDVI和绿度G,并模拟建立遥感估产模式.结果表明:单变量估产模式以差值植被指数DVI效果最好,蜡熟期估产效果要优于抽穗期和灌浆期;多时期复合估产模式估产效果要优于单一生育期;成熟期各种数据的DVI估产模式具有相近估产精度,达91%以上,其中MSS波段的估产精度最高.     

冬小麦病害与产量损失的多时相遥感监测

为了开展农作物病害遥感监测与产量损失评估,该文以北京郊区大田生产条件下的冬小麦条锈病、白粉病的为研究对象,获取了2007年4月10日、4月26日、5月12日、5月28日共四期Landsat TM卫星影像,准同步地测量了试验地块的冠层光谱数据及配套农学数据。利用该4个时相的遥感数据,分析了试验区的冬小麦条锈病、白粉病在主要生育期的光谱特征及其变化,与对照地块相比,病害小麦在可见光和短波红外波段的光谱反射率降增大,近红外波段反射率减小,红边则会向短波方向移动,红边振幅减小,NDVI值减小。并利用冬小麦病害发生前期（4月10日,4月26日）的卫星遥感数据建立了作物产量的早期预测模型,结合实测的产量数据,定量计算了条锈病和白粉病的产量损失,结果表明两个白粉病和条锈病小麦地块的减产幅度超过了30%。     

冠层反射光谱与小麦产量及产量构成因素的定量关系

基于4个小麦品种、5个施氮水平的田间试验,在比较小麦冠层多光谱和高光谱反射特征的基础上,讨论了不同生育期冠层反射光谱参数与小麦产量及产量构成因素的定量关系。结果表明,拔节期冠层多光谱参数与理论产量和实际产量的相关性较高,可用于预测小麦产量,而冠层高光谱反射参数与小麦产量间的相关性较差,难以直接利用预测小麦产量;冠层的多光谱和高光谱参数对亩穗数的预测效果均较好,小麦拔节期、灌浆中期和成熟期的冠层多光谱参数、高光谱参数均与亩穗数间具有极显著正相关关系（P〈0.01）,从而分别建立了各时期利用高光谱参数A（760,850）/R550、多光谱比值植被指数RVI（810,560）的小麦估产方程。研究结果对选择合适的光谱参数建立估产模型、保证高光谱遥感信息反演精度具有重要价值。     

群体小麦条锈病发病动态无人机遥感监测方法

针对当前育种群体小麦条锈病表型分析手段单一、效率低下等问题,该研究提出了一种基于无人机低空遥感和多光谱成像技术的群体小麦田间条锈病高通量表型动态分析方法。该方法利用无人机采集自然发病的育种群体小麦（共600个样本,516个基因型）冠层多时相的光谱图像,并提取22个植被指数作为后续分析的表型,同时按照发病后的时间顺序与传统条锈病人工鉴定标准记录条锈病发病阶段和发病严重度数据;使用随机森林算法建立22个光谱植被指数同条锈病发病阶段与病害严重度的分类模型,并筛选出对上述两个分类问题敏感的植被指数;同时,使用随机蛙跳算法对特征进行筛选以降低仅使用随机森林算法对特征筛选的偶然性,并将随机蛙跳算法给出被选择概率排名在约前1/3的特征作为SVM算法的输入,构建发病阶段与病害严重度模型以验证随机蛙跳算法对特征筛选的有效性;综合两次特征选择的结果,分别筛选出对发病阶段和病害严重度敏感的3个植被指数,并基于这些指数响应的时间序列分析了群体中6个参考品种发病动态的差异。对条锈病发病阶段的分类模型构建中,随机森林和SVM模型测试集的F1分数分别为0.970和0.985;对条锈病严重度等级分类中,二者的F1分数为0.740和0.780,表明通过所建立的模型可以实现对群体小麦发病阶段和病害严重度等级的分类,且随机森林算法和随机蛙跳算法都能够筛选出对条锈病发病阶段和病害严重度敏感的特征。筛选出的差分植被红边指数（Difference Vegetation Index - Rededge,DVIRE）的响应对病害胁迫较为敏感,可用于同时描述田间条锈病发病阶段和严重度。该研究提出的高通量表型分析方法,基于无人机成像光谱提取的植被指数对群体小麦田间条锈病进行时间序列动态分析,能够精准量化群体小麦受条锈病胁迫状态,并可为其他作物抗病育种的表型分析提供一定的参考。     

基于遥感数据和气象数据的水旱地冬小麦产量估测

研究利用遥感数据进行了运城地区冬小麦不同生育时期归一化差值植被指数和产量关系的研究,利用气象数据和光谱数据构建了冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型。结果表明：运城地区水旱地冬小麦均以5月8日左右的NDVI值与产量相关性最好,且达极显著水平,因此该时期为建立冬小麦遥感估产模型的最佳时相。通过对冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型预测效果进行的F检验,表明各模型均达到极显著水平。与其他两种模型相比,光谱气象产量模型的决定系数（R2）有明显的提高,并且相对均方根误差（RRMSE     

宁夏春小麦干热风危害的光谱特征分析

为利用遥感监测春小麦干热风受害程度,在春小麦发生干热风前后,利用Unispec-SC单通道光谱仪测定了春小麦群体不同干热风受害程度的高光谱。对光谱进行重采样,获得了不同干热风危害程度的光谱响应曲线。结合春小麦炸芒率、千粒质量等田间调查,对干热风危害程度进行了分级,研究了不同危害程度的高光谱特征。按照EOSMODIS可见光通道的波谱范围,构建了RVI、NDVI等多种指数。通过显著性分析,建立了判定春小麦干热风等级的高光谱植被指数指标和判别方程。结果表明,春小麦不同干热风受害程度的反射光谱差异明显。随着春小麦干热风的加重,近红外平台降低,红谷抬高,红边斜率下降,红边位置向短波方向移动。RVI、NDVI、PVI、红边植被指数NDVIRededge和红边位置λrep均与春小麦干热风受害等级关系极显著。模拟EOSMODIS相应通道值合成的RVI、NDVI指数能反映出不同干热风危害程度,NDVI指数比RVI指数反映更明显。研究表明利用EOS MODIS遥感资料可以分辨出大面积春小麦干热风受害程度,这为开展春小麦干热风危害的遥感监测评估提供了依据。     

基于分数阶微分光谱指数的小麦条锈病遥感监测模型构建

为提高小麦条锈病的遥感监测精度,该研究利用分数阶微分能够突出光谱的细微信息以及描述光谱数据间微小差异的优势,在对条锈病胁迫下小麦冠层光谱数据进行分数阶微分处理的基础上,构建了两波段和三波段分数阶微分光谱指数,并将其应用于小麦条锈病的遥感探测。研究结果表明,1.2阶次微分光谱与小麦条锈病冠层病情严重度的相关性最高,较原始反射率光谱、一阶微分光谱和二阶微分光谱分别提高了20.9%、3.9%和20.5%;基于分数阶微分光谱指数的最优分数阶次及其对应波长构建的三波段分数阶微分光谱指数对小麦条锈病的探测能力优于两波段分数阶微分光谱指数,其中分数阶微分光化学指数与冠层病情严重度的相关系数达到0.875;以分数阶微分光谱指数为自变量构建的高斯过程回归（Gaussian Process Regression,GPR）模型对小麦条锈病冠层病情严重度的预测精度优于反射率光谱指数,其训练数据集及验证数据集病情指数（Disease Index,DI）预测值和实测值间的决定系数较反射率光谱指数分别提高了3.8%和19.1%,该研究结果对进一步实现作物健康状况大面积高精度遥感监测具有重要意义。     

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。     

利用随机森林法协同SIF和反射率光谱监测小麦条锈病

小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大,为了提高小麦条锈病的遥感探测精度,该文利用随机森林(random forest,RF)等机器学习算法开展了协同冠层SIF和反射率微分光谱指数的小麦条锈病病情严重度的遥感探测研究。首先利用3FLD(three bands fraunhofer line discrimination)算法提取了冠层SIF数据,然后结合对小麦条锈病病情严重度敏感的11种反射率微分光谱指数分别基于RF和后向传播(back propagation,BP)神经网络算法构建了反射率微分光谱指数与冠层SIF协同的小麦条锈病病情严重度预测模型。研究结果表明:RF算法构建的小麦条锈病病情严重度预测模型优于BP神经网络算法,3个样本组中RF模型病情指数(disease index,DI)估测值与实测值间的决定系数R2平均为0.92,比BP神经网络模型(R2的平均值为0.83)提高了11%,均方根误差(root mean square error,RMSE)平均为0.08,比同组BP神经网络模型(RMSE的平均值为0.12)减少了33%,RF算法更适合于小麦条锈病病情严重度的遥感探测。在反射率微分光谱指数中加入冠层SIF数据后,RF模型和BP神经网络模型精度均有所改善,其中RF模型估测值与实测值间的平均R2提高了4%,平均RMSE减少了22%,BP神经网络模型估测值与实测值间的平均R2提高了14%,平均RMSE减少了28%,综合利用冠层SIF和反射率微分光谱指数能够改善小麦条锈病病情严重度的遥感探测精度。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供新的思路。     

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。     

基于无人机高光谱遥感的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪(ASD Field Spec FR Pro 2500 spectroradiometer,ASD)和Cubert UHD185 Firefly成像光谱仪(Cuber UHD185 Firefly imaging spectrometer,UHD185)在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm(第3~96波段)的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明:12种参数中比值型光谱指数RSI(494,610)与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系(决定系数R2=0.737,参与建模的样本个数n=103),且lg(LAI)预测值和lg(LAI)实测值高度拟合性(R2=0.783,均方根误差RMSE=0.127,n=41,P0.001);该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

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HJ-1A/1B CCD数据的雹灾监测与评价

由于雹灾的突发性、灾后影响的显著空间异质性,雹灾监测与灾后评价的研究相对较少。以黑龙江甘南县典型雹灾为研究对象,利用HJ-1A/1B CCD等遥感影像与地面实测高光谱数据,进行雹灾遥感监测与评价研究。基于实测光谱数据分析了不同灾害程度农作物的反射光谱特征及植被指数变化;利用2个时相的遥感影像数据,结合地面调查,通过对植被指数分级进行雹灾监测与评价,并结合另一个时相的数据做了验证。结果表明：不同灾害程度作物的反射光谱特征差异显著;运用植被指数分级进行雹灾监测是可行的,基于归一化差分植被指数差值图分级得到的不同雹灾程度范围与实际情况相符,而基于比值植被指数差值图的分级结果则与实际结果差距较大;根据雹灾遥感分级结果分析了雹灾空间分布特征。研究结果可对雹灾监测与评价提供理论与技术支持。