基于冠层反射光谱的玉米LAI和地上干物重估测研究

以cropscan多光谱辐射仪测定了玉米品种郑单958和浚单20的冠层光谱反射率,并对其相应的叶面积指数(LAI)和地上干物质量进行了同步测定。将由近红外波段和可见光红波段组成的不同的归一化植被指数(NDVI)和比值植被指数(RVI)分别与叶面积指数、地上干物质量进行回归分析,结果表明,NDVI与叶面积指数的相关性优于RVI与叶面积指数的相关性,且以NDVI(R950,R650)和叶面积指数的幂函数回归结果最优;RVI与地上干物质量的二项式回归效果显著,估算模型为:Y=-0.722 4(R800/R650)2 1.631 6(R800/R650) 271.49,R2=0.793 5。     

玉米和大豆LAI高光谱遥感估算模型研究

以ASD FieldSpec光谱仪实测了不同生长季的大田玉米、大豆的冠层高光谱与作物的叶面积指数LAI。采用单变量线性与非线性拟合和逐步回归分析的方式,建立了玉米、大豆LAI高光谱遥感估算模型,并对模型的估算结果进行了初步分析。分析结果表明,绿光波段反射峰区、红光波段以及近红外区的单波段反射率与作物的LAI有较强的相关性,而其他波段的反射率与作物的LAI的相关性相对较弱;以高光谱的窄波段构造的NDVI和RVI与作物的LAI的相关程度高,回归模型的预测水平高;而以多波段逐步回归方式构造的统计模型的预测效果最好。     

利用高光谱技术估测大豆育种材料的叶面积指数

叶面积指数(LAI)是反映田间作物长势及产量潜力的重要参数,规模化育种要求及时、快速、无损地获取大量育种材料的田间生长信息。本研究利用52份大豆品种(系)的2年田间试验,在盛花期(R2)、盛荚期(R4)及鼓粒初期(R5)测定大豆冠层反射光谱,同步测定大豆LAI和地上部生物量(ABM)。结果表明,不同生育期LAI与冠层光谱在可见光波段(426~710 nm)均表现显著负相关(P0.05),在近红外波段(748~1331 nm)均表现为显著正相关(P0.05)。根据文献已报道的植被指数与LAI的线性相关性分析,NDVI和RVI类型的植被指数能够较好地指示大豆LAI,进而在全光谱250~2500 nm范围内涵盖上述两种类型的植被指数,经对建立的大豆LAI线性与非线性模型综合评价,遴选出不同生育期敏感植被指数的最优估测模型。其中,R2期RVI(825,586)所建模型(y=0.03x1.83)、R4期RVI(763,606)所建模型(y=0.38e0.14x)及R5期RVI(744,580)所建模型(y=0.06x1.79)的预测表现最好,决定系数(R2)分别为0.677、0.639和0.664,相对标准误(RRMSE)均小于20%;模型验证的决定系数(R2*)分别为0.643、0.612和0.634,均根方误差(RRMSE*)约20%。进而发现针对LAI和ABM的RVI共性核心波段组合为R2期的825 nm和586 nm、R4期的763 nm和606 nm以及R5期的744 nm和580 nm。本研究结果可望为大豆规模化育种中获取大量不设重复试验材料的田间长势信息提供快速无损预测的技术支持。     

基于近红外波段玉米叶绿素含量最佳预测模型研究

为了进一步探究近红外波段玉米光谱反射率与其叶绿素含量之间的关系,笔者采用线性和非线性法对玉米叶绿素含量与近红外波段光谱反射率及植被指数之间的关系进行分析,建立叶绿素含量最佳预测模型。结果表明：在近红外波段,光谱反射率与玉米叶绿素含量的相关性较大;叶绿素含量与RVI(R1001/R760)、RSI(R765/R720)、NDVI(R990-R760)/(R760+R990)、NDSI(R813-R763)/(R813+R763)、CCI(D794/D763)等植被指数均达极显著相关,其中与NDVI的相关性最大,为0.91。基于近红外波段的植被指数建立玉米叶绿素含量预测模型中,采用RVI、RSI、NDVI、NDSI所建的二次多项式模型其决定系数R2均高达0.75以上。采用990、760nm处的归一化植被指数NDVI建立的二次多项式为玉米叶绿素含量最佳预测模型,其具有最大决定系数(R2=0.855),较小RMSE(2.433)和RE%(0.61%),为利用高光谱信息反映玉米生长状况的叶绿素信息提供了基础。     

基于MODIS-NDVI的春玉米叶面积指数和地上生物量估算

为了构建春玉米叶面积指数和地上生物量的估算模型,基于辽宁省大田条件下9个站点春玉米不同生育期叶面积指数LAI和地上鲜生物量数据,利用MODIS提取的10种植被指数NDVI、RVI、DVI、PVI、EVI、GNDVI、RDVI、SAVI、OSAVI和NLI反演春玉米LAI和地上鲜生物量。结果表明：10种植被指数与春玉米LAI和地上鲜生物量相关性显著,采用植被指数反演春玉米LAI和地上鲜生物量是可行的;分别基于回归分析法和人工神经网络法,利用10种植被指数反演春玉米LAI和地上鲜生物量,利用回归分析法结合OSAVI和NDVI反演春玉米LAI和地上鲜生物量效果较好;利用人工神经网络法进行模拟反演采用RVI、DVI和EVI效果最佳,反演精度高于回归分析法。     

不同水分条件下棉花光谱数据对冠层叶片温度的响应特征

利用Fluke热像仪和ASD地物非成像高光谱仪,分别记录棉花新陆早33号、13号2个品种、4个水分处理、5个关键生育时期的冠层红外热图像和反射光谱数据;在红外热图像上提取棉花冠层受光叶片的温度,同时处理高光谱数据获得归一化植被指数(NDVI)、比值植被指数(RVI)、红光620 nm和近红外850 nm波段的反射率(ρ620,ρ850)。分析表明,棉花2个品种4个水分处理的冠层叶片温度(TL)在盛花期、盛花结铃期较高,在盛铃期达到最大值,在开花期和吐絮初期较低;棉花受到水分胁迫,冠层近红外波段光谱的反射率降低,红光波段的反射率升高,NDVI和RVI变小,TL升高;在充分灌溉条件下棉花近红外、红光波段的光谱反射率、NDVI和RVI及TL则与水分胁迫处理的表现相反。和620 nm和850 nm波段反射率与TL的线性相关比较,棉花NDVI和RVI与TL的线性相关性更强。研究表明,将红外热图像和高光谱遥感技术相结合,具有实时、非破坏性地监测棉花水分状况的潜力。     

基于冠层反射光谱的夏玉米叶片氮积累量估测

为实现夏玉米冠层氮素状况的实时无损监测,于2009—2010年连续2个生长季,通过不同玉米品种和施氮水平下的田间试验,研究夏玉米叶片氮积累量与冠层反射光谱的相关关系,提出叶片氮积累量的敏感光谱参数,并建立叶片氮积累量的定量估算模型。结果表明,夏玉米叶片氮积累量随施氮水平的提高而增加;可见光波段的460~670 nm和近红外区的780~1100 nm是监测玉米叶片氮积累量变化差异的敏感波段;归一化植被指数(NDVI)、优化的简单比值指数(MSR)、优化土壤调节植被指数(OSAVI)、修正土壤调整植被指数(MSAVI)和土壤调整植被指数(SAVI)与叶片氮积累量相关性较好。利用不同年际独立试验数据对监测模型进行检验,以OSAVI为自变量构建的叶片氮积累量监测模型效果最优,相关系数(r)为0.6745,均方根差(RMSE)为1.2368。利用本研究确立的玉米叶片氮积累量与冠层反射光谱的定量关系,可用来定量估测叶片氮积累量的变化状况。     

基于WorldView 2影像杉木叶面积指数与植被指数相关性研究

为了探究基于高分辨率遥感影像杉木叶面积指数与植被指数的相关性,以湖南省攸县黄丰桥国有林场为研究对象,采用地面实验与遥感技术相结合的方法,利用WorldView 2遥感数据提取NDVI、SAVI、SARVI、RVI、MSAVI、ARVI等6种植被指数,通过LAI-2000测量的杉木叶面积指数(LAI)建立相关关系,开展WorldView 2遥感影像在估测杉木叶面积指数中的应用研究,分析植被指数对杉木LAI的影响.对不同植被指数分别进行线性模型、二次曲线模型、指数曲线模型和对数曲线模型的LAI反演.结果表明:除DVI与LAI相关性稍低一点外,其他植被指数与LAI都有很高的相关性,高于中低分辨率遥感影像提取的植被指数与LAI的相关性,土壤调节植被指数(SAVI)与LAI的相关性与土壤影响因子L无关.在线型模型中,RVI与ARVI更适合于杉木LAI建立一元线性回归模型,相关系数R分别为0.931、0.895,判定系数R2分别为0.866、0.800,均达到较好的拟合效果.在非线性模型中,反演模型最好的是二次曲线模型,其次是指数模型,最差的是对数模型.拟合效果较好的是NDVI、SAVI和RVI;拟合效果最差的是DVI;最好的拟合模型,其R2高达0.884.杉木LAI具有较佳拟合效果的非线型模型是NDVI和SAVI的二次曲线模型.     

基于植被指数的夏玉米不同生育期叶绿素含量遥感估算

叶绿素含量是间接判断玉米营养状况的重要农学参数,估算叶绿素含量对农作物长势监测有重要意义。笔者利用ASD便携式地物光谱仪和SPAD-502叶绿素仪实测了夏玉米关键生育期冠层光谱反射率及叶片叶绿素相对含量,对3种植被指数与叶绿素相对含量进行了相关性分析,建立了基于归一化植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)的叶绿素估算模型,并进行精度检验,从中选出最佳拟合模型。研究结果表明：拔节期RVI、抽穗期和灌浆期NDVI以及蜡熟期DVI的均方根差(RMSE)和相对误差(RE)均最低,RMSE分别为5.688、5.323、2.751、4.111,RE分别为9.84%、8.56%、3.75%、7.15%,故为各个时期的最佳模型。因此得到了NDVI、RVI和DVI3种植被指数在不同生育期的最佳模型,对指导夏玉米种植与田间管理具有重要的指导意义。     

小波分析在大豆叶绿素含量高光谱反演中的应用

实测了不同水肥耦合作用下,大豆冠层高光谱反射率与叶绿素含量数据,并对光谱反射率、微分光谱与叶绿素含量进行了相关分析;采用叶绿素A与叶绿素B诊断波段构建了特定植被指数,对叶绿素A、叶绿素B进行了回归分析;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对叶绿素含量进行估算。经分析发现,叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致——在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度（R2>0.73）;小波能量系数回归模型可以进一步提高大豆叶绿素含量的估算水平,以一个特定小波能量系数作为自变量的回归模型,叶绿素A其确定性系数R2为0.76,叶绿素B为0.78;以4变量与9变量回归分析结果表明：叶绿素A实测值与预测值的线性回归确定性系数R2分别大于0.85、0.89;叶绿素B实测值与预测值的线性回归确定性系数R2分别为0.86、0.90。     

基于高光谱植被指数的棉田冠层特征信息估算模型研究

 采用ASD Field Spec Pro VNIR 2500型光谱辐射仪获取了棉花不同生育时期的冠层高光谱反射率。并通过光谱分析技术，建立了基于高光谱植被指数——归一化植被指数和比值植被指数的棉田冠层特征信息的定量模型。经过对估算模型的精度检验和评价，最终筛选出表征棉花冠层结构特征参数的最佳估算模型。结果表明，基于归一化植被指数预测棉花叶面积指数，以幂函数（y=11.084x^12.024，r=0.8076^**）的模型为最优；基于比值植被指数预测棉花单位面积地上部鲜生物量，以指数函数（y=52.261·exp(0.1024x)，r=0.8114^**）的估计模型为最优；基于比值植被指数预测棉花单位面积地上部干生物量，以指数函数（y=9.5552·exp(0.1133x)，r=0.8330^**）的模型为最优。可见，利用高光谱遥感技术可以分析、模拟、评价、预测棉花冠层特征参量，为精准种植棉花提供了依据。     

基于高光谱数据的棉花冠层FPAR和LAI的估算研究

 通过非成像高光谱仪和光量子传感器,获取了棉花2品种4水平种植密度冠层关键生育时期的反射光谱数据和光合有效辐射值;利用光谱多元统计分析技术与微分处理,分析表明,反射光谱813 nm（_ρ813）和758 nm（_ρ758）处分别是光合有效辐射截获量（FPAR）和叶面积指数（LAI）的敏感波段。用反射率_ρ813和_ρ758分别与FPAR和LAI建立的线性相关模型方程估测FPAR和LAI,经检验,它们的实测值与估测值之间均呈极显著的线性相关（r_FPAR=0.7199^**,r_LAI=0.6430^**,α=1％,n=70）,模型方程的估算精度分别达96.5%、81.7%;而一阶微分光谱数据与FPAR在350 ~2500 nm波段范围相关不显著,与LAI的最大相关发生在734 nm波段处。基于一阶微分光谱_ρ′734与棉花冠层LAI线性相关的模型方程,估测LAI,实测值与估测值之间呈极显著的线性相关（r_LAI=0.6947^**,α=1％,n=70）,估算精度为82.4%,与反射光谱758 nm估测LAI的精度接近。结果表明,棉花冠层光谱数据可以对光合有效辐射截获量FPAR和LAI进行实时、无损、动态、定量的估算。     

基于宽范围动态植被指数的棉花冠层覆盖度监测

 旨在利用宽范围动态植被指数对棉花冠层覆盖度进行监测,解决传统的利用归一化差值植被指数对冠层覆盖度较高时监测不准确(饱和)的问题。采用高光谱仪获取棉花不同时期不同覆盖度的冠层光谱反射率,通过对构成归一化差值植被指数的近红外波段反射率引入系数α来提高修正后的植被指数随棉花覆盖度变化的动态范围。当利用权重系数0.1≤α≤0.2对近红外波段反射率调整之后,新形成的宽范围动态植被指数用于监测不同覆盖度棉花时未出现“饱和”现象。利用宽范围动态植被指数建立的棉花覆盖度监测模型的决定系数r2＞0.948,对棉花冠层覆盖度进行监测,可以解决传统的归一化差值植被指数对冠层覆盖度较高时监测不准确(饱和)的问题,提高了植被指数对棉花冠层覆盖度监测的精度。     

基于不同植被指数的棉花光合有效辐射吸收分量估算研究

 通过开展小区棉花密度和水分对比试验,分析不同密度和水分处理的棉花整个生育期光合有效辐射吸收分量(FPAR)与光谱反射率的相关关系,建立棉花FPAR光谱估算模型。结果表明,棉花FPAR与选取的所有植被指数均呈极显著相关,其中绿度植被指数（GREENNDVI）和反射率比值（GMI）与FPAR的相关性最好,相关系数（r）分别为0.794和0.765。分别用GREENNDVI和GMI建立棉花FPAR的估算模型,其决定系数（r²）分别为0.657和0.633,均方根误差（RMSE）分别为0.089和0.093。研究表明,利用光谱特征参数可以有效地估算棉花整个生育期的FPAR。     

Utilization of canopy reflectance to predict properties of oilseed rape (Brassica napus L.) and barley (Hordeum vulgare L.) during ontogenesis

Measurements of canopy reflectance may provide a fast and non-destructive tool for monitoring canopy properties in precision agriculture. A substantial gain for practical use may be achieved by further developing multi-spectral and -temporal techniques of canopy reflectance analyses in order to combine several applications like site-specific fertilizer application, disease control, and prediction of harvesting date or yield forecast, in future. For this purpose, seasonal courses of canopy properties and vegetation indices of winter oilseed rape (Brassica napus L. cv. ‘Lirajet’) and spring barley (Hordeum vulgare L. cv. ‘Barke’) were investigated simultaneously in 3-year field experiments from 2002 to 2005. Canopy properties like shoot fresh matter, shoot dry matter, shoot-N content and shoot water content of both crops were related to traditional vegetation indices of the visual (VIS) and the near infra-red (NIR) spectral bands. Typically, closer relationships between canopy characteristics and vegetation indices were found at higher wavelength bands. The index R₈₅₀ introduced here for the first time allows predicting quantitative growth properties directly at the field level. The results of the current study show that the use of vegetation indices of the NIR and its determination over the entire growth period will substantially improve the application of canopy reflectance measurements in agriculture.     

油菜叶片气孔导度与冠层光谱植被指数的相关性

利用冠层光谱实时、无损和定量监测植物叶片气孔导度,对于改善作物水分利用效率以及产量和品质预测预报具有十分重要的意义。本研究采用裂区设计法(宁油18和宁油16两个品种)、两个供氮水平(N₁₈₀：纯氮180 kg hm^-2、P₂O₅ 120 kg hm^-2、K₂O 180 kg hm^-2和硼砂15 kg hm^-2;N₀：CK)于2007-2008年测定油菜冠层光谱反射率、叶片气孔导度以及叶面积指数(LAI)和叶片鲜、干生物量,利用各波段光谱反射率组合产生的植被指数,分析油菜叶片气孔导度的变化规律及其与光谱植被指数的相关性,从而建立光谱植被指数对叶片气孔导度的估算模型。结果表明,在整个生育期油菜叶片气孔导度呈“双峰”变化, LAI和叶片鲜、干生物量均呈单峰曲线变化;开花前光谱植被指数与油菜叶片气孔导度和油菜冠层叶片平均气孔导度均呈极显著正相关,且光谱植被指数对油菜冠层叶片气孔导度的拟合效果好于对油菜叶片气孔导度的。光谱植被指数与冠层叶片气孔导度的量化关系可为今后快速、无损、大面积的油菜作物气孔导度估算奠定一定基础。     

冬小麦不同株型品种光谱响应及株型识别方法研究

以直立和平展2种株型的冬小麦品种为材料，研究了它们的光谱响应以及田间植被覆盖度的差异，探讨了利用冠层光谱反射率、光谱特征参量NDVI及植被覆盖度识别小麦株型的方法。结果表明，（1）小麦不同株型品种在近红外波段（700～1300 nm）光谱反射率有明显差异，生育前期平展型品种高于直立型品种，并以拔节期的差异为最显著，随着生育进程差异逐渐变小。拔节期是进行株型识别的最佳时期，并且此期冠层的敏感波段680 nm和760～900 nm的反射率在2种株型品种之间差异明显。（2）小麦冠层叶面积指数（LAI）与归一化差异植被指数NDVI(680,890)呈正相关，并且不同生育阶段其相关程度有差异，这是利用NDVI和植被覆盖度(COV)识别不同株型的基础。（3）相同COV条件下，直立型品种的NDVI高于平展型品种的NDVI，并且随着COV的增加，差异逐渐变小，二者的变化关系体现了直立型品种株型紧凑和平展型品种株型披散的特点，利用NDVI和COV的关系可以对株型进行识别，以小麦拔节期为最佳识别阶段，此期2种株型品种的NDVI具有显著差异（P＜0.05）。     

大豆光谱反射率与地上干物重对数回归分析

摘要：研究目的：从统计学角度分析地上部干物重与叶片反射光谱特征的定量关系;方法：通过对近红外和可见光波段光谱反射率的分析, 确立不同时期大豆地上部干物重的敏感波段,计算出相应的植被指数,并建立植被指数与大豆地上部干物质量预测模型;结果表明：通过RDVI（1005,510nm）植被指数建立对数模型,方程为：y = -295.83Ln(x) - 123.05;结论：此模型能较好的描述大豆合农60光谱反射率与干物重的关系。