基于优化BP神经网络的香格里拉高山松蓄积量模型研究

以香格里拉县高山松为研究对象,以Landsat TM 8影像和DEM（30M）数据为信息源,结合森林资源二类调查数据和地面样地实测数据,借助MATLAB平台,在前期进行基于遗传算法（GA）和粒子群算法（PSO）优化BP神经网络模型基础上,采用决定系数（R²）、均方根误差（RMSE）及预测精度（P）3个指标对优化后的BP神经网络模型及进行评价,并建立了研究区高山松蓄积量估测模型。结果表明,遗传算法效率（耗时1.9 h）低于粒子群算法（耗时1.4 h）;采用遗传算法优化后的BP神经网络模型R²、RMSE及P分别为0.636、4.216 m³、81.748%,均优于粒子群算法。通过遗传算法优化后的BP神经网络模型估测香格里拉高山松蓄积量总量为13 317 879.7 m³。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数，一直是气候变化和生态研究中的热点，遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象，以机载LiDAR和Landsat8/OLI为信息源，结合44块样地实测数据，使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上，进一步构建区域尺度的LAI反演模型，实现景洪市橡胶林LAI的反演。结果表明，基于LiDAR的林分水平模型中，SVR模型最优，决定系数（R²）为0.76，相对均方根误差（rRMSE）为17%，估测精度（P）为83%；以SVR模型估测结果作为区域尺度遥感反演模型的先验样本，结合Landsat8/OLI数据的BP神经网络模型反演效果最好，估测精度达76%。     

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数（LAI）是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。     

基于热暗点植被指数的马尾松林叶面积指数反演分析

为了减少单一角度卫星遥感与传统植被指数在LAI反演过程中的误差，提升马尾松林LAI反演精度，以福建省龙岩市长汀县河田镇马尾松林为研究对象，获取多角度无人机影像和马尾松林LAI实测数据。根据研究区不同波段热暗点指数、植被指数与实测LAI的相关关系，优化热暗点植被指数构建马尾松林LAI反演模型。结果表明，基于红光波段反射率计算的热暗点比值指数HDRI-r（R²=0.398）是研究区马尾松林LAI反演的重要辅助参数；将HDRI-r引入表征研究区冠层结构的传统植被指数NDVI、GNDVI、RVI、MSAVI、NRI、SIPI、VARI，构建的热暗点植被指数NHDRI与实测马尾松林LAI相关性最高，R²为0.406 5；引入热暗点信息的植被指数（NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI）与实测LAI的拟合R²均>0.37，相较于对应的传统植被指数，R²分别提高了82%、333%、295%、161%、1 409%、380%、192%，热暗点信息与传统植被指数的结合能够缓解植被冠层光饱和现象，有效提高马尾松林LAI反演精度；研究区马尾松林LAI范围为0.11~4.28 m²/m²，总体水平偏低，与当地马尾松林以枝叶稀疏、矮小的“老头松”为主的实际情况相符。     

冬小麦生育前期LAI 高光谱反演研究

【目的】冬小麦生育前期稀疏植被条件下叶面积指数反演对于播期、早期苗情监测有重要意义。【方法】文章利用实测冬小麦生育前期冠层高光谱数据,基于相关关系矩阵图筛选7个新的敏感植被指数、优选40个前人研究的双波段组合或多波段组合植被指数,利用单变量回归和偏最小二乘多变量回归分析47个植被指数与稀疏冬小麦叶面积指数(LAI)的相关性。【结果】植被指数PVR(650,550)、VARI(680,555,480)、RVI(1 868,1 946)与LAI相关性好,其中PVR(650,550)与LAI构建的模型拟合度最好,决定系数R~2为0.730,均方根误差RMSE为0.450。而相对单个植被指数,利用多个植被指数的偏最小二乘多元回归模型提高了LAI估算精度,R~2为0.779,RMSE为0.380。【结论】在冬小麦生育前期植被稀疏条件下,利用高光谱数据反演冬小麦LAI是可行的,可为冬小麦早期长势遥感监测提供支撑。     

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数(LAI)是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。     

基于机器学习的粳稻叶片叶绿素含量高光谱反演建模

叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R²=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。     

黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测

【目的】针对黄土高原丘陵地多、地形复杂、有机质含量低、采样困难以及因采煤活动引起大面积土地损毁等问题,在土地复垦与综合整治过程中,为快速定量监测与评估复垦农田土壤质量提供一种新的方法。【方法】以山西省襄垣县复垦农田土壤为研究对象,选取由北向南土地损毁中间条带状区域采集样品152个,进行室内土壤农化分析、光谱测定,运用ParLes 3.1软件对光谱曲线进行多元散射校正（multipication scatter correction,MSC）、基线偏移（baseline offset correction,BOC）和Savitzky-Golay filter平滑去噪预处理。对土壤原始光谱反射率（raw spectral reflectance,R）作一阶微分（first order differential reflectance,D（R））和倒数的对数变换（inverse-lg reflectance ,lg（1/R））,分析3种不同变换形式的光谱数据与土壤有机质含量的相关性,相关系数通过P=0.01水平显著性检验来确定显著性波段的范围。基于全波段（400-2400 nm）和显著性波段利用偏最小二乘回归（partial least squares regression,PLSR）分析方法建立该区域土壤有机质含量高光谱预测模型,通过模型精度评价指标：决定系数（coefficient of determination,R²）、均方根误差（root mean square error,RMSE）和相对预测偏差（residual prediction deviation,PRD）确定最优模型。【结果】通过P=0.01水平显著性检验的波段范围为：R的400-1 800、1880-2 400 nm;D（R）的420-790、1 020-1 040、2 150-2 200 nm;lg（1/R）的400-1 830、1 860-2 400 nm。光谱与有机质含量的相关系数绝对值最大的波段是R的800 nm;D（R）的600 nm;lg（1/R）的760 nm。进行D（R）变换,光谱曲线的吸收特征更加明显,相关系数在可见光（400-800 nm）波段范围内有所增加,其最大值由0.72提高到了0.82;基于显著性波段的PLSR建模效果优于全波段,其中lg（1/R）变换的预测精度为最佳,具有很好的预测能力,其校正模型的R²和RMSE分别为0.95、7.64,预测模型的R²、RMSE和RPD分别为0.85、3.00、2.56;基于全波段的R-PLSR和lg（1/R）-PLSR模型具有较好的预测能力,其预测模型的R²、RMSE和RPD分别为0.79、3.64、2.10和0.79、3.53、2.17,而D（R）-PLSR模型只能进行粗略估测,其预测模型的R²、RMSE和RPD分别为0.61、5.43、1.41。综合分析全波段和显著性波段3种光谱数据的预测精度,发现基于显著性波段的R-PLSR、D（R）-PLSR、lg（1/R）-PLSR模型均取得了显著的预测效果。【结论】研究区土壤光谱反射率与土壤有机质含量具有高度的相关性,应用偏最小二乘回归分析方法可以很好地建立土壤有机质含量反演模型。     

基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演

【目的】考虑到利用单一植被指数（VI）反演叶面积指数(LAI)时,存在着不同程度的饱和性和易受土壤背景影响的问题,提出通过分段的方式选择敏感植被指数形成最佳VI组合以提高LAI反演的精度。【方法】通过ACRM辐射传输模型模拟数据,结合地面实测光谱数据,选择常用的植被指数进行土壤敏感性分析以及饱和性分析确定LAI的分段点,并在此基础上分段选择最佳植被指数形成组合VI来实现LAI的最终反演,并利Landsat5 TM开展区域条件下冬小麦LAI反演应用。【结果】以LAI=3是较为适宜的分段点,利用植被指数最佳分段组合OSAVI(LAI≤3)+TGDVI(LAI>3)可在一定程度上有效克服土壤影响因素以及饱和性问题,联合反演的结果明确优于单一植被指数反演精度。【结论】通过分段选择最佳植被指数形成联合VI可以有效提高LAI反演精度。     

一款无人机高光谱传感器的验证及其在玉米叶面积指数反演中的应用

【目的】验证无人机机载高光谱传感器S185,并基于其获得的影像探讨无人机高光谱遥感反演叶面积指数的新方法。【方法】以东北玉米为研究对象,在吉林省公主岭市开展了玉米氮肥梯度试验,共设5处理,每个处理3次重复。分别在玉米的V5-V6,V11,R1-R2等生育期（Ritchie生育期）进行无人机飞行试验和地面光谱及叶面积指数测定,共获得数据45组。为验证S185影像数据,在相同尺度下提取S185影像信息与地面光谱信息,一方面从测定同一目标地物两者光谱反射率间的相关性进行分析,另一方面筛选15种常用的各类光谱指数,从整个生育期通过影像数据计算的各光谱指值与地面光谱仪计算的相应值变化趋势的一致性进行分析;将45组样品随机选择30组,基于人工神经网络算法利用S185数据建立反演叶面积指数的模型,剩下15组样品作为外部验证样品,用来验证神经网络模型的预测效果。另外,基于相同的分组数据,利用前面筛选的各光谱指数分别建立叶面积指数的反演模型,以与人工神经网络建模结果进行比较。【结果】在各个生育时期,同种目标地物S185测定数据与地面光谱仪测定数据间具有很强的相关性,相关系数在0.99以上;在玉米整个生育期,S185数据计算的各光谱指数与地面光谱仪计算的各光谱指数变化趋势相同,相关系数在0.88以上;在构建基于人工神经网络法反演叶面积指数的模型中,建模时的决定系数为0.96,均方根误差为0.42,相对均方根误差为13.15%;外部验证时的决定系数为0.95,均方根误差为0.54,相对均方根误差为16.74%,这一结果优于基于各光谱指数建立的叶面积指数反演模型。【结论】无人机搭载S185传感器可用于准确获取玉米冠层高光谱信息,且可利用人工神经网络法基于这一数据建立玉米叶面积指数的反演模型。     

基于高光谱遥感的冬小麦叶水势估算模型

【目的】采用高光谱技术,建立快速、无损与准确获取冬小麦叶水势的估算模型,为小麦灌溉的精确管理提供科学依据。【方法】利用不同水分处理的大田试验,于小麦主要生育期同步测定冠层光谱反射率、叶水势、土壤水分等信息,并探讨高光谱植被指数与冬小麦叶水势之间的定量关系。通过相关性分析、回归分析等方法,基于不同水分处理,构建4种植被指数与冬小麦叶水势的估算模型。【结果】不同水分处理和不同生育期的冬小麦,其冠层光谱反射率具有显著的变化特征。在可见光波段,冬小麦冠层反射率随着水分含量的增加而逐渐降低,而在近红外波段,其冠层反射率则随着土壤水分含量的增加而升高。随着小麦生育期的推进,在近红外波段,抽穗期的冠层反射率比拔节期的高,在灌浆期之后,红波段(670 nm)、蓝波段(450 nm)的反射率上升加快;4种植被指数与叶水势显著相关(P0.05),相关系数|r|均在0.711以上,四者均可用于冬小麦叶片水势的定量监测。在充分供水条件下(70%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.75和0.771)均低于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.808和0.896),而在重度水分亏缺条件下(50%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.857和0.853)均高于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.711和0.792);所建模型对45个未知样的预测结果与实测值相似度较高,其回归模型R~2、验证模型MRE、RMSE的范围分别为0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70%FC水分处理下,基于EVI2(enhanced vegetation index)所得叶水势估算模型的R~2最高,为0.922,而在60%FC和50%FC水分处理下,由于考虑了土壤背景的影响,基于OSAVI所建模型的R~2最高,分别为0.922和0.856。【结论】4种植被指数均可用于冬小麦叶水势的定量监测。但是,在构建不同水分处理的叶水势估算模型时,应考虑土壤背景对冠层光谱的影响。研究结果可以为小麦精准灌溉管理提供技术依据,为星载数据的参数反演提供模型支持。     

基于新型植被指数的冬小麦LAI高光谱反演

【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

基于导数光谱的小麦冠层叶片含水量反演

【目的】以高光谱技术实现小麦含水量信息的快速、无损与准确获取,为小麦灌溉的精确管理提供科学依据。【方法】利用水氮胁迫试验条件下小麦主要生长期的导数光谱构建了16种新指数,将其与NDII、WBI以及NDWI等常用指数进行比较分析,筛选小麦叶片含水量反演最佳光谱指数,并利用其建立反演模型进行小麦含水量的遥感填图。【结果】在各指数中,FD730-955对小麦冠层叶片含水量的估测结果最佳,其估测模型（对数形式）校正决定系数（C-R2）与检验决定系数（V-R2）分别达0.749与0.742,优于NDII等常用指数;FD730-955所建模型对32个未知样的预测结果与实测值相似度较高,其回归拟合模型R2达0.763,RMSE仅为0.024,取得了良好预测结果,且对叶片含水量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对含水量估测的影响;反演模型对OMIS影像的填图结果与地面实测值拟合模型R2达0.647,RMSE仅为0.027,具有较高的反演精度。【结论】导数光谱可实现小麦冠层叶片含水量信息的准确估测,其中FD730-955系反演的优选指数。     

基于高光谱的冬小麦叶面积指数估算方法

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。     

基于无人机多光谱遥感的冬小麦叶面积指数反演

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。     

A double-layer model for improving the estimation of wheat canopy nitrogen content from unmanned aerial vehicle multispectral imagery

The accurate and rapid estimation of canopy nitrogen content (CNC) in crops is the key to optimizing in-season nitrogen fertilizer application in precision agriculture. However, the determination of CNC from field sampling data for leaf area index (LAI), canopy photosynthetic pigments (CPP; including chlorophyll a, chlorophyll b and carotenoids) and leaf nitrogen concentration (LNC) can be time-consuming and costly. Here we evaluated the use of high-precision unmanned aerial vehicle (UAV) multispectral imagery for estimating the LAI, CPP and CNC of winter wheat over the whole growth period. A total of 23 spectral features (SFs; five original spectrum bands, 17 vegetation indices and the gray scale of the RGB image) and eight texture features (TFs; contrast, entropy, variance, mean, homogeneity, dissimilarity, second moment, and correlation) were selected as inputs for the models. Six machine learning methods, i.e., multiple stepwise regression (MSR), support vector regression (SVR), gradient boosting decision tree (GBDT), Gaussian process regression (GPR), back propagation neural network (BPNN) and radial basis function neural network (RBFNN), were compared for the retrieval of winter wheat LAI, CPP and CNC values, and a double-layer model was proposed for estimating CNC based on LAI and CPP. The results showed that the inversion of winter wheat LAI, CPP and CNC by the combination of SFs+TFs greatly improved the estimation accuracy compared with that by using only the SFs. The RBFNN and BPNN models outperformed the other machine learning models in estimating winter wheat LAI, CPP and CNC. The proposed double-layer models (R²=0.67–0.89, RMSE=13.63–23.71 mg g^–1, MAE=10.75–17.59 mg g^–1) performed better than the direct inversion models (R²=0.61–0.80, RMSE=18.01–25.12 mg g^–1, MAE=12.96–18.88 mg g^–1) in estimating winter wheat CNC. The best winter wheat CNC accuracy was obtained by the double-layer RBFNN model with SFs+TFs as inputs (R²=0.89, RMSE=13.63 mg g^–1, MAE=10.75 mg g^–1). The results of this study can provide guidance for the accurate and rapid determination of winter wheat canopy nitrogen content in the field.     

Mapping Spatial and Temporal Variations of Leaf Area Index for Winter Wheat in North China

Leaf area index(LAI)is an important parameter in a number of models related to ecosystem functioning,carbon budgets,climate,hydrology,and crop growth simulation.Mapping and monitoring the spatial and temporal variations of LAI are necessary for understanding crop growth and development at regional level.In this study.the relationships between LAI of winter wheat and Landsat TM spectral vegetation indices(SVIs)were analyzed by using the curve estimation procedure in North China Plain.The series of LAI maps retrieved by the best regression model were used to assess the spatial and temporal Variations of winter wheat LAI.The results indicated that the general relationships between LAI and SVIs were curvilinear,and that the exponential model gave a better fit than the linear model or other nonlinear models for most SVIs.The best regression model was constructed using an exponential model between surface-reflectance-derived difference vegetation index(DVI)and LAI,with the adjusted R2(0.82)and the RMSE(0.77).The TM LAI maps retrieved from DVILAI model showed the significant spatial and temporal variations.The mean TMLAI value(30m)for winter wheat of the study area increased from 1.29(March 7,2004)to 3.43(April 8,2004),with standard deviations of 0.22 and 1.17,respectively.In conclusion,spectral vegetation indices from multi-temporal Landsat TM images can be used to produce fine-resolution LAI maps for winter wheat in North China Plain.